基于循环谱和改进的深度神经网络的频谱分析方法

频谱分析的关键在于准确识别信号的调制方式,而常用的自动调制识别方法在低信噪比下的识别率低,并且能够识别的信号调制方式种类数少。基于此种情况,提出了一种基于循环谱和改进的深度神经网络的频谱分析方法。该方法使用卷积神经网络、长短时记忆和深度神经网络相结合的神经网络(CLDNN)并将循环谱特征作为该网络的原始输入特征。仿真结果显示所提出的方法在信噪比为-2 dB时能够达到90%的识别准确率,极大的提高了低信噪比情况下的信号识别性能。     

基于高斯和功率谱特性的小波调制识别研究

小波调制是一种全新的多载波通信调制方式,该文基于OFDM和小波调制信号的渐近高斯分布和频谱特性,探讨了加性高斯白噪声信道条件下小波调制信号的识别。利用调制信号的高阶统计量和功率谱峰度为分类特征,采用信噪比与特征参数联合估计的方法,分别实现多载波与单载波调制信号、OFDM与小波调制信号的识别。仿真实验结果表明,该方法具有良好的识别性能,且能很好的抑制高斯噪声的干扰。     

基于特征选择和支持向量机的数字调制识别方法

针对基于决策树的数字调制识别方法在低信噪比和小样本情况下的不足,提出了一种改进的基于特征选择和支持向量机的数字调制识别算法。首先选择信号训练样本的循环谱截面作为备选特征集合,然后利用基于支持向量机的特征选择方法保留有效特征参数并训练分类器,最后将待识别信号选择后的特征输入支持向量机分类器,完成对ASK、MSK、PSK、QAM等4类信号的识别。仿真表明,本文算法在低信噪比和小样本情况下的识别性能优于基于决策树的调制识别方法。     

基于卷积神经网络与时频图纹理信息的信号调制方式分类方法

通信信号的调制方式识别是通信侦察、频谱监测的重要工作内容之一,提出一种利用深度学习提取信号时频图纹理信息的分类方法。该方法利用不同调制方式在时频图细节上的微弱差别,并使用卷积神经网络提取图像纹理特征,最终输入SOFTMAX分类器进行分类。结果表明,该方法在大样本条件下,可取得良好的分类效果。与传统基于特征参数的支持向量机分类方法或前馈神经网络方法相比,其提取特征更优、分类效果更好,同时减少了人工设计特征参数的工作量和不确定性。     

基于AlexNet模型的雷达信号调制类型识别

针对现代战场复杂电磁环境,在低信噪比(-6 dB)下传统雷达调制信号采用常规五参数特征的识别方法准确率低的问题,本文采用深度学习中的AlexNet卷积神经网络模型自动提取图像各种特征细节,从而替代手工设计特征的庞大的特征工程以实现信号在低信噪比下的识别。该方法首先利用平滑伪Wigner-Ville时频分析在时频域内生成雷达调制信号的时频图像;然后采用中值和均值滤波结合去噪对时频图像进行预处理;最后使用图像处理器GPU在深度学习架构Tensorflow下搭建AlexNet模型进行训练,对CW、LFM、EQFM、DLFM、BFSK、BPSK以及QPSK这7种雷达信号进行特征的自动提取和选择,从而实现雷达信号的自动识别。仿真结果表明,在信噪比为-6 dB时,除QPSK信号外其余6种雷达信号的整体识别率均达到90%以上,比采用非深度学习和LeNet5卷积神经网络的识别效果好,从而验证了该方法在低信噪比下雷达信号识别的有效性。     

一种新的雷达辐射源信号脉内特征参数选择方法

为提高雷达辐射源信号识别速度,提出了一种脉内特征参数选择的新方法．首先对熵、相像系数、模糊函数、复杂度和双谱五种脉内特征参数的提取算法进行了研究,其次利用留一法误差来评估特征参数对分类器泛化性能的影响,最后对特征参数的评估进行了仿真实验．仿真结果表明,基于留一法误差可以较好地实现特征参数选择,为提高雷达辐射源信号识别准确率提供参考．     

雷达辐射源自动识别的设计与实现

针对基于五大常规参数的传统雷达辐射源识别方法的局限性,提出关于方位角稀释后的脉冲串波形数据的雷达辐射源自动识别方法.该方法通过对脉冲串波形数据的波形调理与脉冲分离、脉内特征参数提取、信号调制类型识别、脉冲归类和所属雷达辐射源识别等环节的设计研究,完成雷达辐射源自动识别系统架构的工程实现.采用模拟数据测试结果表明,基于该方法设计的系统识别速度快、准确率高,可为雷达对抗侦察设备的改进提供重要参考.     

卫星回传链路CPM信号调制识别研究

文章解决了DVB-RCS2标准中规定的卫星回传链路上连续相位调制信号(CPM)调制识别问题。根据调制参数的不同,标准中的CPM信号有5种类型,且在TDMA突发模式下传输。短突发长度和低信噪比环境下信号调制识别是实现信号正确解调的前提。提出了一种基于改进后的广义检测后积分(GPDI)匹配准则的调制识别方法。该算法采用改进后的GPDI匹配准则获得接收信号与每类CPM的匹配值;并按最大值准则估计得到信号类型从而实现信号调制识别。通过该方法可实现单个突发帧内调制识别。仿真实验表明,该算法不需符号速率的先验信息,对大频偏和相偏具有较好的鲁棒性,具有较低的复杂度和优异的抗噪声性能。     

热释电红外信号人体运动特征识别

根据人体在热释电红外(PIR)探测器的检测区域内沿不同路径和不同方向运动时信号在时域及频域的分布特点,提出一种基于单只PIR探测器信号的人体运动特征识别方法。首先提取人体PIR信号的频谱和短时频谱能量特征;然后进行主元分析(PCA)特征降维,根据典型相关分析(CCA)进行特征融合;最后采用最小二乘支持向量机(LS-SVM)方法进行分类识别。实验以不同人体、不同运动方式的PIR探测器数据为研究对象。分析结果表明,提出的特征提取、特征融合及识别方法能有效地对人体运动特征进行识别。     

软件无线电中基于谱相关理论的调制模式识别技术

随着多体制通信互联和软件无线电技术的发展,通信信号调制样式的识别逐渐成为一个重要的问题.这里在介绍谱相关函数原理、分析谱相关识别特性的基础上,提出了基于谱相关理论的常规通信信号调制模式识别方法及处理流程.该方法根据信号的谱相关特征参数能够比较准确地识别出信号的调制模式,仿真结果显示了该方法的正确性和可行性.     

基于频域稀疏性的间歇采样转发干扰识别

针对间歇采样转发干扰的识别问题,利用干扰信号与目标回波信号频谱上的差异,提出了一种基于频域稀疏性的干扰识别方法.通过对三类间歇采样转发干扰及目标回波信号进行傅里叶变换,挖掘信号频谱上的稀疏性差异信息,提取频谱稀疏度作为干扰识别的特征参数,并利用支持向量机进行分类识别.仿真结果表明,该方法能够实现对不同类型干扰及目标回波信号的识别,且具有较高的识别率,可以为雷达系统采取有针对性的抗干扰措施提供参考信息.     

一种小波调制信号的识别方法

小波调制是一种全新的多载波通信调制方式,该文主要研究加性高斯白噪声信道条件下小波调制信号的识别.根据小波调制信号的特点,以信号高阶累积量与功率谱峰度为特征参数,采用分步识别的方法对小波调制信号进行了识别.仿真结果表明,该方法非常有效而且能够很好的抑制高斯噪声的干扰.     

基于Sugeno测度的动态不可加双矢量量化说话人识别研究

针对双矢量量化方法中语音的静态特征和动态特征的权重不满足可加性的情况,提出了一种新的说话人识别方法——基于Sugeno测度的动态不可加双矢量量化说话人识别方法。该方法在Sugeno测度空间上将说话人语音的静态特征和动态特征用Sugeno测度进行动态融合。然后,在噪声环境下研究了该方法的识别效果,找到了噪声环境下语音的静态特征和动态特征参数的较优的权重组合。实验结果表明,与双矢量量化识别方法相比,该方法可以使识别率明显提高。该方法为研究各类语音特征参数之间的关系、探寻最优的特征匹配方案提供了一种新的途径。     

基于多方法联合运用的低分辨雷达目标识别

针对低分辨雷达的特点,总结了当前低分辨雷达典型的目标识别方法,分析了各方法的有效性,讨论了基于A显波形特征的方法和基于调制谱特征目标识别方法的联合运用,提出多方法联合运用目标识别对策的思路及处理流程,为实际工程运用提供参考.     

一种低信噪比信号的调制盲识别方法

提出了一种利用包络高阶特征J进行调制方式识别的方法。该方法具有计算简单、无需知道信号的先验信息,同时具有较好的噪声抑制等特点,能在低信噪比情况下快速、有效地进行盲调制识别,易于实时应用和工程的实现。其仿真结果表明:该方法在0 dB信噪比条件下能够识别信号的调制方式,性能优于传统的包络调制识别方法。     

含有导频的OFDM信号子载波的调制方式识别方法

针对多径信道下含有导频的正交频分复用(OFDM)信号子载波调制方式难识别的问题,提出一种含有导频的OFDM信号子载波调制方式识别方法.该方法在OFDM信号的等效模型下,首先利用高阶累积量的组合特征识别出OFDM信号中的空子载波信号和纯导频子载波信号,然后利用两个基于矢量图最小环带模值方差的特征对提取出来的受导频影响较小的调制子载波信号进行调制方式的识别.仿真结果表明,该方法在多径信道下是有效可行的.     

一种基于ITD参数的数字调制识别算法

提出了一种基于固有时间尺度分解的特征参数提取方法,并基于参数的可分性进行参数选择,用于数字调制方式识别．仿真结果表明,利用该方法仅使用3个特征参数,便可在信噪比为5dB时达到94％以上的平均识别率．所提出的特征提取方法对接收信号的频偏不敏感、不依赖码元同步、计算复杂度很低、便于实时实现,适用于通信侦察系统和基于干扰重构抵消的通信系统．     

短波通信中的数字调制信号识别

针对目前没有有效的方法对短波通信中的调制信号进行识别的问题,提出一种基于小波包变换、高阶累积量和支持向量机的数字调制信号识别新方法.该方法提取信号经小波包变换后各频段的能量值和累积量作为特征向量,利用以支持向量机为基础的多级分类器对其进行调制识别.此分级调制识别方法与其他非分级调制识别方法相比具有较高的识别率.实验表明,针对FSK、PSK等10种调制信号在低信噪比下具有较高的识别能力,该算法在短波通信中的调制信号识别领域有较好的应用.     

一种小波变换的数字信号调制方式识别方法研究

数字通信信号调制方式识别有重要的现实意义。针对各数字信号的特点,利用Haar小波函数归一化前后小波变换模值,实现对数字信号的类间识别;根据数字信号进制数,进行数字信号的类内识别,并通过软件仿真验证该方法的有效性。仿真结果表明,基于小波变换的调制方式识别方法可对数字信号进行有效的识别。     

非重构压缩样值的MPSK信号最大似然调制识别

在不重构出原始MPSK信号的前提下进行多元假设,推导出不同假设下压缩样值的最大似然函数,提出一种压缩域最大似然调制识别方法。在压缩感知（CS）框架下,压缩域最大似然调制识别方法（compressive maximum likelihood,CML）使用远小于传统的基于奈奎斯特采样的最大似然调制识别方法（traditional maximum likelihood,TML）所需的采样个数实现MPSK信号的调制识别。同时给出了在压缩域进行调制识别的标准,并分析了CML算法的识别的性能。最后给出了该方法的性能仿真。仿真表明CML算法的运算复杂度更低,速度更快,而识别性能仅略低于TML算法。压缩比为1/2,信噪比为-8dB时,CML算法对BPSK信号的识别率达到95%。