一种优化的卷积神经网络调制识别算法

针对非合作接收条件下信号的调制识别问题,提出了一种基于循环谱特征和深度卷积神经网络的自动调制分类算法。该算法首先利用二值化、形态学操作等技术对循环谱数据集预处理,提高网络泛化能力;然后将数据集输入到卷积神经网络模型中,经过网络的特征提取实现分类识别。在网络中添加残差块网络增大感受野,提高特征提取能力。采用Dropout、优化函数等技术优化网络结构,防止训练过拟合。仿真结果表示,与传统方法和现有的一些深度学习调制识别方法相比,该算法在低信噪比条件下有更高的准确率,具有明显的抗噪声优势,是一个有效的调制识别算法。     

基于谱特征与数据结合的辐射源个体识别技术

针对基于传统特征的个体识别算法难以满足实际需求，与仅靠数据驱动的神经网络识别方法所需数据量较大、针对性较差的问题，设计了一种基于谱特征与数据相结合的通信辐射源个体识别算法。文中方法结合先验知识对原始采样信号进行双谱和功率谱的谱特征提取，并将提取的特征与原始数据进行融合，得到更符合网络模式且具有信号意义的数据集。设计并行可分离卷积结构，得到针对辐射源个体识别的网络。通过实际采集信号对网络进行训练和测试以验证其有效性，实验得到采用文中方法的平均分类识别准确率为97%。     

基于ICA和特征提取的MIMO信号调制识别算法

针对非协作通信中多输入多输出(MIMO)信号的盲调制识别,该文提出一种基于独立分量分析(ICA)和特征提取的调制识别算法。根据空分复用MIMO系统各发送天线上信号的独立性,利用ICA算法从接收的混合信号中分离出发射信号。为实现全盲条件下的调制识别,在进行ICA分离前,利用最小描述长度(MDL)准则估计发射天线数。在得到发射信号之后,首先利用6阶累积量、循环谱和4次方谱算法构造4个特征参数,然后利用分层结构的神经网络分类器识别信号的调制类型。仿真结果表明,所提方法可在较低信噪比下对{2PSK, 2ASK, 2FSK, 4PSK, 4ASK, MSK, 8PSK, 16QAM}8种MIMO信号进行有效识别,当发送天线数为2、接收天线数为5、信噪比为2 dB时,识别率可达到98%以上。     

基于HHT的声频传感器车辆分类识别

针对传统语音信号识别过程中出现的识别率较低或者是计算时间复杂度高的问题,提出了基于希尔伯特黄变换(HHT)的快速声频传感器车辆识别方法.该方法将HHT算法和语音信号特征提取中常用的梅尔倒谱系数(MFCC)相结合,形成一种新的特征提取方法.实验中,将这种方法分别与K-近邻算法(K-NN)、支持向量机算法(SVM)和稀疏表示分类算法(SRC)配合进行语音信号识别,结果表明,该特征提取方法与K-NN分类算法配合,在识别率和算法运行效率方面具有明显的优势.     

应用深度神经网络和集成学习的电台个体识别

提出了一种基于深度神经网络的个体智能识别方法,可用于电台个体分类识别.该方法构建集成多子网络的一维深度卷积模型,以电台时序信号作为模型输入,进行电台个体分类.利用深度神经网络自动特征化的能力,该方法从时序信号中自动获取个体特征,从而以端到端的形式实现从电台信号识别电台个体.该方法能够免去基于专家知识的特征提取工作,自动提取的个体深度特征还有助于区分传统特征无法区分的高度相似电台个体.实验证明,该方法能有效降低模型调参设计难度,能减轻单一网络带来的特征提取识别过拟合问题,能提高电台个体识别算法的泛化能力与鲁棒性.在信噪比12 dB的条件下,对10类电台8PSK调制信号进行特征提取与识别,整体正确率91.83％,平均正确率为89.12％;对MSK调制信号进行特征提取与识别,平均分类精度为89.1％.     

基于稀疏自动编码机的场景识别算法

针对场景识别中低级特征与高级概念之间的语义鸿沟问题,提出了一种基于稀疏自动编码机的场景识别方法。采用了稀疏自动编码机和空间金字塔池化相结合的特征编码技术。首先对场景图像提取局部的HOG特征,然后利用改进的稀疏自动编码机对HOG特征进行编码,得到稀疏特征,通过空间金字塔池化和局部归一化得到整张场景图像的表示,最后利用线性SVM实现分类。在标准的场景图像数据集Scene-15上进行的实验表明,该算法可以将识别的准确率提升至81.97%。     

基于韦尔奇功率谱的雷达辐射源信号识别

应用韦尔奇功率谱原理提取信号识别特征参数,根据提取出的特征设计信号识别流程模型,从多种信号中检测识别线性调频信号、相位编码信号、频率编码信号,分析了特征的适用范围和信号环境.仿真结果证明了该特征提取算法和识别方法的可行性.     

基于循环谱和高阶累积量的联合模式识别方法

为完全识别当前卫星通信采用的主要调制方式,结合循环谱和高阶累积量两种信号调制识别方法的特点,提出了一种联合识别算法。该算法将循环谱特征加入到高阶累积量识别法中,联合多种特征参数判决构建识别器,首先利用循环谱完成ASK、FSK、PSK信号的类间识别以及FSK信号的类内识别,在此基础上利用高阶累积量方法完成FSK、PSK信号的类内识别。仿真结果表明,该算法能够完全区分卫星通信中主要的调制模式{ASK、2ASK、2FSK、4FSK、BPSK、QPSK},在信噪比高于5 d B时识别率达88%以上。     

基于时频能量谱特征的跳频电台个体识别

针对于跳频电台的细微特征分类识别问题,提出基于跳频信号时频能量谱的细微特征提取算法。首先,利用跳频信号在时频域的稀疏特性,通过稀疏重构方法得到跳频信号时频能量谱;然后,在不同尺度条件下对时频能量谱进行分割,分别提取时频能量谱瑞利熵、多重分形维数和差分盒维数三种特征;最后,通过支持向量机分类器对提取特征集进行训练、分类和识别,实现跳频电台个体识别。利用四部电台的跳频信号,验证对比了本文算法与另外两种算法的识别性能。实验结果表明,本文方法所提取的细微特征集具有较强的分辨能力,避免了由单一特征的相似性而引起的误判问题,能够在少量训练样本条件下,保持较高的识别正确率。      

非平衡相移键控信号的调制识别算法研究

通信系统中具有非平衡相位键控特征的UQPSK信号与其他PSK调制方式的调制识别算法近些年受到了广泛关注。提出了一种基于二次方谱的非数据辅助自动调制识别算法,有效地利用离散谱线特征,将I/Q两路功率比2∶1～8∶1的UQPSK信号从常用的BPSK、QPSK、8PSK、OQPSK和π/4-DQPSK信号集中区分出来。算法特征参数门限划分不需依靠信噪比估计、非平衡因子估计等先决条件,并对不同载波频偏、码元速率和成型滤波系数的信号有良好的适应性。计算机仿真证明,算法对包含UQPSK的PSK类信号在信噪比5 dB以上有良好的识别效果(识别率≥90%)。     

利用稀疏堆栈自编码器实现调制样式识别算法

针对传统调制样式识别方法性能受预先依靠经验设计的特征参数影响大问题,提出一种基于稀疏堆栈自编码器的数字调制样式识别算法。首先根据网络输入数据形式要求,为了利用信号幅度和相位所包含的调制样式信息,提出一种将复数信号预处理为网络可接受的实数形式的信号预处理方法。在网络训练阶段,先通过逐层训练得到每层稀疏自编码网络的初始化参数,再通过有监督算法对分类层训练,最后利用有监督算法进行整体优化。采用 作为分类层完成数字调制样式识别。7种数字调制样式识别的仿真实验表明了本文算法的有效性,相比于其他算法,本文算法在低信噪比时正确识别率较高,识别性能不受人为因素的影响。      

一种基于循环谱的接收信号功率检测算法

接收信号功率的精确检测是自适应跳频电台信道有无干扰识别的关键技术之一。为了提高接收信号功率的检测精度,文章提出了用循环谱法精确检测接受信号功率的循环谱检测算法,并以MPSK信号为例给出了该算法的详细的理论分析。     

基于稀疏沃尔什谱的BCH码检测识别方法

针对BCH码的盲识别问题,提出了一种基于稀疏沃尔什谱的识别方法.算法利用码字与对偶码乘积的码重估计码字的码长,然后利用沃尔什-哈达马变换求解线性方程组的数学模型,通过遍历不同码率,求解少量特定位置的稀疏沃尔什谱,根据谱值大小可实现BCH码的盲识别.仿真实验表明,该算法能够在较高误码率条件下实现对BCH码的盲检测与识别.     

基于DBN 的频率与相位编码信号快速调制识别方法

为提升低信噪比条件下雷达/ 通信频率、相位编码信号调制识别性能,降低特征提取复杂度,提出了基于深度信念网络DBN(Deep Belief Network, DBN)以及快速特征提取的调制识别方法。结合快速傅里叶累加算法FAM(FFT Accumulation Method)算法,提出了将循环谱估计图像转化为有效可识别特征向量的提取算法;设计了用于编码信号调制识别的DBN 网络训练与识别框架。仿真结果表明,文中方法较传统方法具有更低的特征提取与预处理复杂度,提取的特征在几种典型编码调制模式信号中具有明显区分,DBN 训练识别框架对雷达/ 通信编码信号调制识别均具有可行性与有效性,在低信噪比条件下对无线电编码信号有更高的识别正确率。     

异构无线中继GSM与CDMA信号识别算法

针对异构无线通信网络环境下的无线中继需要同时识别多种无线信号的需求,以GSM和CDMA系统所构成的异构无线通信网络为例,提出了一种基于循环谱的GSM和CDMA信号识别算法。该算法分析并利用信号的循环谱特性来获得信号所在频道的中心频率和信号码率等特征参数的估计值,通过与期望信号(GSM或CDMA信号)特征参数值的比较来识别接收信号中所包含的期望信号。给出了算法的理论依据和具体实施步骤。仿真实验证明了该识别算法的有效性和可靠性。     

结合时域分析和改进双谱的通信信号特征提取算法

传统的矩形积分双谱特征提取存在以下不足:第一是在以往的研究中没有讨论过积分路径个数对识别率的影响;第二是在矩形积分双谱算法中存在着部分积分路径对识别效果贡献不足、甚至带来负作用的缺点。为克服这些问题,本文提出了一种基于改进双谱和时域分析相结合的通信信号个体识别方法,首先通过实验得到了积分路径和识别率的性能曲线,选定最佳积分路径个数;其后利用最大能量区间比重算法剔除掉对识别效果贡献不足、具有负作用的积分路径;最后结合信号的时域特征并利用支持向量机分类器进行个体识别。本文用了在较低信噪比环境下的实际信号验证了提出算法,实验结果表明,该方法能够较好解决同类辐射源信号的个体识别问题,平均正确识别率高于95%。      

频率调制信号调制方式识别方法

为完成对FM,2FSK,4FSK,8FSK,MSK等频率调制信号的识别,在瞬时频率直方图统计图、信号功率谱、信号平方谱等提取特征,这些特征提取简单,计算量小.给出了频率调制信号识别算法,并利用实测数据验证算法的性能及算法对脉冲成形滤波器形状,频偏等因素的鲁棒性.     

基于模糊分类的调制信号自动识别方法

本文研究了一种基于模糊分类的调制信号识别方法，即提取信号时域、频域、功率谱等统计特性，利用模糊分类器进行分类识别。计算机仿真试验表明，该方法在较低信噪比下也能正确识别，且不需要信噪比、载频和码元速率等任何先验信息。     

基于Welch功率谱和卷积神经网络的通信辐射源个体识别

针对低信噪比条件下通信辐射源个体识别率低的问题,提出了一种基于Welch功率谱和卷积神经网络的通信辐射源个体识别方法.构建了由20个基于ZigBee协议的物联网设备组成的测试平台,将ZigBee信号前同步码部分的Welch功率谱数据作为辐射源指纹特征送入卷积神经网络进行分类.该方法在低信噪比条件下很好地保留了辐射源的指纹特征,结合卷积神经网络强大的微特征提取能力,对辐射源进行了有效分类.实验结果证明,在瑞利信道及低信噪比条件下,所提方法的识别效果明显优于其他方法.     

认知无线电中一种基于循环谱的能量检测算法

能量检测方法存在检测精度不高以及对噪声功率的不确定性敏感等问题,在认知无线电中应用时极易造成极大地虚警或漏检.为了提高认知用户接收主用户信号的检测精度,本文在详细分析循环谱理论的基础上提出了一种基于循环谱的接收信号功率检测算法,并以MPSK信号为例给出了该算法详细的理论分析.计算机模拟仿真结果表明:无论是在高信噪比还是在低信噪比条件下,基于循环谱的接收信号功率检测算法的检测精度相比传统的能量检测方法均有较大的性能增益.