基于BP神经网络的通信信号调制体制识别技术

本文研究了基于BP神经网络的通信信号调制体制识别技术。提取了反映信号调制体制差异的特征参数,并从提高收敛速度和正确识别概率出发,构建了最佳的神经网络分类器。实验结果表明,该技术拥有较好的通信信号调制体制识别性能。     

基于卷积神经网络的数字调制分类识别

基于特征提取和模式识别的信号调制方式分类识别技术是非协作通信领域内应用广泛的重点研究对象。提出一种基于深度学习的通信信号数字调制识别算法，采用卷积神经网络找到数据的内在表达，实现逐层化地识别和分类MPSK、MFSK和MQAM中的六种调制信号。仿真实验结果表明，所提出的方法分类识别效果良好，基本达成了数字调制信号自动识别的目的。     

数字通信信号调制方式识别研究

调制方式识别是构成认知无线电通用接收机和智能调制解调器的重要技术基础,只有正确识别出其他通信系统的调制方式、占用频段、传输带宽等信息,才能合理分配自身的通信频段,采取合理的调制方式进行信号传输。通信信号的识别首先通过认知无线电技术从无线环境中感知对方信号频率并进行截取;其次,对接收的信号进行时域和变换域分析,尤其是时域中的特征参数,包括信号的载波频率、信噪比（Signal to Noise Ratio,SNR）、信元速度等瞬时参数值;最后,通过识别算法区分信号调制类型,接收机根据识别出的信息来调整自身的通信机制,实现与发送方的正常通信。     

通信辐射源指纹识别技术

通信辐射源个体识别是近来通信对抗领域的重要研究课题,不同于传统通信信号侦察中的调制模式识别研究,通信辐射源识别主要研究体现同类辐射源之间个体差异的信号指纹的分析提取技术。文中研究分析信号指纹的分析提取存在的技术难点和解决方案。对稳态通信信号的个体细微特征,如通信发射信号在载频和调制参数特征上的偏差,以及信号杂散输出成分...     

基于多模态深度学习的信号调制识别

信号调制识别技术在民用和军事领域都有重要应用。当前信息化战场中,由于各类雷达、通信、导航、电子战武器等信息辐射源的数量愈来愈多,调制形式也日益多样化,信号密度愈来愈大,战争电磁环境日趋复杂化,传统的信号调制识别技术已无法适应。因此,提出基于深度学习的AlexNet网络和复数神经网络,同时采用多模态特征融合和模型融合技术,融合信号统计图域和信号I/Q波形域的多模态信息,实现信号调制识别。仿真结果表明,所提方法的识别精确度在不同信噪比下均优于单模态识别方法和未采用多模态协同融合框架的方法。     

通信电台个体识别技术研究

本文研究了基于通信电台短时频率稳定度特征的通信电台个体识别技术.在论证通信电台短时频率波动可以作为电台个体细微特征的基础上,提出了一种利用该特征进行电台识别的有效方法.首先通过采样抽取的方法将频率波动信息转变到伪调制的包络波形中,并对极大值点之间用三次样条插值拟合的方法精确提取包络特征,然后计算包络信号分形的盒维和信息维特征,最后采用最近邻的分类方法达到对通信电台的个体识别.仿真和实际电台实验结果都验证了方法的有效性.     

通信信号调制识别方法研究

通信信号调制类型的识别是一种典型的模式识别问题。现代通信技术发展迅猛,通信信号体制和调制样式日趋复杂多样,信号环境也向大量密集、不易控制的方向发展。常规的识别方法已很难适应新形势的需要,不能对各类通信信号进行高效准确的识别,因此对新的调制类型识别方法研究时间紧迫,意义重大。针对这种情况,本文首先详细介绍了判决理论识别方法和统计模式识别方法这两种数字通信信号调制识别方法。之后对两种方法的优缺点进行了分析比较,最后对今后的研究方向做一展望。     

基于小波分析的调制识别技术研究

通信信号的调制制式自动识别是信号智能化分析及处理中的关键问题。该项技术目前正广泛应用于军事、民用、商业和气象等众多领域。针对非稳定、大信噪比变化的通信信号,运用小波分析技术进行了有效的特征提取和分类,能够实现通信信号基本调制制式的自动识别,并且使识别正确率得到了明显提高。     

通信信号调制方式识别方法综述

对通信信号调制方式的识别进行了深入研究,对通信信号常用的数字调制技术和调制识别预处理技术、理想高斯白噪声条件下基于决策论和基于统计模式的识别法、非理想信道条件下的调制识别法以及对共信道多信号调制方式的识别等进行了总结。在简要介绍各种方法的来源、理论基础和发展基础上讨论了各自的优缺点,并提出了调制识别研究领域的进一步发展方向。     

关于通信信号调制识别技术的分析研究

本文主要结合一种利用神经网络分类与小波特征对通信信号调制识别技术进行了分析探讨。首先小波特征和神经网络技术进行了分析,接着对其在调制样式识别中的应用进行了探讨。