利用高阶累积量实现数字调制信号的自动识别

通信信号的自动调制识别在截获信号处理方面是一个十分重要的课题。本文针对数字调制信号的识别问题,提出了一种基于高阶累积量的分类特征,该特征有效地抑制高斯白噪声的影响,能实现对2ASK、4ASK、4PSK、2FSK、4FSK等五种数字调制信号的识别。论文进行了理论推导,并用仿真实验和实际采集数据进行了验证。     

利用幅度特性对数字信号调制方式进行识别

数字调制方式的识别对于通信信号分析有着重要的作用。针对数字信号（2ASK,4ASK,2PSK,4PSK,2FSK和4FSK）的调制方式,本文提出了一种只利用调制信号瞬时幅度特性便可以对调制信号进行识别的新算法,利用特征参数提取与决策树分类器结合对以上6种数字信号进行调制识别。首先提出了使用希尔伯特变换和解析函数对数字信...     

基于决策论的数字调制信号识别方法

以决策论为基础提出了一种改进的数字调制信号识别方法,该方法仅需4个相对简单的特征参数,就能识别2ASK、4ASK、2FSK、4FSK、2PSK、4PSK和16QAM这7种数字调制信号。仿真结果表明,该方法复杂度较低,识别正确率有较大提高,尤其对于2ASK、4ASK、MPSK/MFSK及16QAM的识别,在信噪比较低的情况下,具有较好的识别效果。     

差分运算在数字调制制式识别中的应用

随着数字通信技术的发展，数字信号调制制式的识别成为近年来的研究热点，本文将差分运算应用到数字调制制式的自动识别当中，设计了一种新的算法，能够成功识别2ASK，4ASK，2FSK，4FSK及2PSK五种信号。仿真结果表明，该算法具有较高的识别率。     

基于BP神经网络的数字调制信号样式自动识别

针对2ASK，4ASK，2FSK，4FSK，BPSK和QPSK六种数字调制信号，给出了对他们进行识别的5种特征参数的定义，提出了基于BP神经网络利用较少样本分3步进行训练，来实现对数字信号调制样式自动识别的方法，最后得到了在信噪比≥8dB时较高的正确识别率。     

基于高阶累积量和神经网络的数字调制识别

针对数字调制信号的识别问题,提出了一种基于高阶累积量的分类特征,该特征有效地抑制高斯白噪声的影响,能实现对2ASK、4ASK、4PSK、2FSK、4FSK等五种数字调制信号的识别。分类器采用了多层组合的神经网络分类器,不需要设定判决门限,而且在收敛速度、训练时间以及识别率方面都有很大改进。仿真结果表明,在信噪比大于7 dB时,系统的正确识别率可达95%以上。     

利用高阶累积量实现数字调制信号的识别

文中提出一种基于高阶累积量识别多种数字调制信号的算法。首先推导计算各信号的八阶累积量,从二、八阶累积量中提取一个特征参数,实现以更少参数识别更多信号的目的;然后,为提高MFSK的识别率,从微分后MFSK信号的四、六阶累积量中提取一个特征参数完成识别。仿真结果显示,通过利用这两个参数可以实现2 ASK/BPSK、4 ASK、8 ASK、QPSK、8 PSK、2 FSK、4 FSK、8 FSK、16 QAM、64 QAM等多种数字调制信号的识别。     

基于瞬时幅度与小波分析相结合的数字调制制式的自动识别

本文提出了一种基于信号瞬时幅度与小波分析相结合的数字调制制式的自动识别新算法。该算法计算简单、实时性强,能够成功识别2ASK、4ASK、2FSK、4FSK及2PSK5种信号。仿真结果表明,该算法具有较高的识别率。     

含噪盲信号分离与识别方法研究

针对经典FastICA不能对含噪盲信号进行较好的分离,提出了一种基于偏移FastICA及支持向量机(SVM)的含噪通信盲信号分离与调制方式识别的方法.其核心思想是首先对接收到的含有高斯白噪声的盲信号运用偏移FastICA进行分离,然后对分离出的信号分别提取5种特征参数,利用SVM对其数字调制方式识别,理论研究和仿真结果证明:偏移FastICA对含噪盲信号分离效果好,在信噪比不低于10 dB时,调制识别率可以达到93％以上,能够较好地识别2ASK,4ASK,2FSK,4FSK,2PSK,4PSK,16QAM信号,具有一定的可行性.     

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。     

特征提取及其在数字调制方式识别中的应用

通信信号调制识别技术在军事和民用领域都具有重要的应用前景,而特征参数的提取是调制方式识别的首要问题。本文提出了两个新的特征参数,并结合这两个新的特征参数在统计模式识别的基础上构造了一组新的特征集参数,该特征集无需任何先验知识。随后,本文针对2PSK、QPSK、8PSK、16QAM、2FSK、4FSK、8FSK、2ASK、4ASK等9种调制类型,采用了分层结构的神经网络分类器进行自动识别。大量仿真表明,在待识别的信号信噪比大于5dB时,该识别系统的正确识别率达97%以上,且识别的稳定性好。     

基于谱相关函数截面特征的调制方式识别

谱相关函数在双频平面上全面反映了循环平稳信号的二阶周期性。调制信号是循环平稳信号,不同调制信号的谱相关函数具有不同的分布特性,且对平稳噪声、干扰不敏感,可用于低信噪比下的调制方式识别。采用时域平滑FFT积累算法计算出调制信号的谱相关函数,对结果进行了对比分析,提取了多种调制信号的谱相关函数截面特征,设计了AM、MSK、PAM、2ASK、2FSK、4FSK、QPSK七种调制信号的树形识别流程。仿真结果表明在低信噪比下,七种调制方式具有90%以上的识别率。     

Link-16信号MSK调制模式识别方法

针对Link-16信号采用的最小频移键控(MSK)调制模式,提出了一种基于瞬时特征参量与频谱特征的识别方法。该方法分2个层次进行调制识别,首先利用瞬时特征参量对幅移键控(ASK)、频移键控(FSK)和相移键控(PSK)、MSK信号进行识别,然后再利用频谱特征对MSK、PSK信号进行识别。最后,在特定的数据长度、信号幅度和信噪比的条件下,理论分析与仿真验证该算法易于实现、识别性能较好(90%)。     

基于高阶累积量和循环谱的信号调制方式混合识别算法

为了识别当前通信系统所采用的主要调制方式,该文结合高阶累积量和循环谱的特点,采用混合识别算法,同时应用智能决策算法(神经网络)对信号进行识别。该算法基于四阶和六阶高阶累积量构造出一个新的特征参数,将数字调制信号分为{BPSK, 2ASK}, {QPSK}, {2FSK, 4FSK}, {MSK}和{16QAM, 64QAM}5类。然后利用高阶累积量的其它特征参数以及循环谱特征对{OFDM}, {16QAM, 64QAM}, {2ASK, BPSK}及{2FSK, 4FSK}进行识别。为便于工程实现,该文采用半实物仿真以及LabVIEW和MATLAB混合编程来验证算法。仿真结果证明,该算法能够在较低信噪比下实现对{OFDM, BPSK, QPSK, 2ASK, 2FSK, 4FSK, MSK, 16QAM, 64QAM}等多种信号的分类,在信噪比高于 5 dB时,调制方式识别率可达94%以上,由此证明了该方法的有效性。     

基于Gabor变换的数字通信信号调制盲识别

Gabor变换通过加窗函数的办法对Fourier变换加以改进，能较好地刻画信号中的瞬态结构。本文把Gabor变换引入到了数字通信信号调制盲识别领域，对ASK、FSK和PSK信号的Gabor变换域特征进行了理论分析和软件仿真，最后给出了识别算法和仿真结果。     

小波分析与最小二乘支撑矢量机在调制识别中的应用

自动调制识别是通信对抗及软件无线电等领域的一个重要研究课题。本文提出了一种使用小波分析与最小二乘支撑矢量机,对数字调制信号的识别方法。首先对接收到的信号进行小波去噪,然后提取其小波包分解系数模值的标准方差作为识别的特征参数．利用最小二乘支撑矢量机为分类器,对2ASK,4ASK,2PSK．4PSK．8PSK．4QAM,16QAM．2FSK和4FSK九类数字信号进行分类识别。计算机仿真结果表明该方法有效．在信噪比为0dB时正确识别率达到99．01％。     

基于混沌粒子群的决策树SVM的调制模式识别

针对通信调制识别常用的决策树识别节点过多和支持向量机识别处理多类繁杂的问题,将二者结合起来采用决策树SVM算法,另引入在函数优化、数据挖掘等方面具有突出优势的混沌粒子群算法来对决策树SVM中参数选择进行择优提取。并对2ASK,4ASK,2PSK,4PSK,2FSK,4FSK这些数字调制信号,在信噪比为5%,10%,15%的情况下,进行仿真测试,结果表明有良好的分类效果。     

基于粒子群支持向量机的通信信号调制识别算法

为了解决大部分通信信号调制识别方法计算量大和分类器训练困难问题,提出一种基于粒子群(PSO)支持向量机(SVM)的调制识别方法.将小波理论与调制信号的瞬时特征、高阶累积量以及分形理论相结合,得到一种混合模式特征向量,并利用粒子群支持向量机对2ASK,4ASK,2PSK,4PSK,8PSK,2FSK,4FSK,8FSK,...     

高阶累积量和分形理论在信号调制识别中的应用研究

提出了将信号高阶累积量和分形盒维数相结合的特征提取方法。信号高阶累积量特征具有良好的抗噪性能,被广泛应用于调制识别。2ASK和BPSK的高阶累积量、以及2FSK,4FSK,8FSK的高阶累积量相等,使得只提取信号高阶累积量不足以区分信号。针对这一问题,引入信号的分形盒维数,提取信号的高阶累积量和分形盒维数构成联合特征参数,构建级联神经网络分类器,对信号进一步进行分类。对2ASK, 4ASK, BPSK, 4PSK, 2FSK, 4FSK, 16QAM七种信号进行了仿真,结果表明,该方法提取的特征参数计算复杂度低,具有较好的抗噪性能。在信噪比不低于5dB、测试样本数不少于200的条件下,正确识别率达到了85%以上。      

基于DBN的数字信号调制识别方法研究

针对4ASK,BPSK,QPSK,2FSK四种数字调制信号,提出在深度置信网络的深度学习模型下调制模式识别方法。对调制信号进行预处理,计算其高阶累积量作为输入训练的特征,在不同信噪比环境下生成调制信号,利用深度置信网络半监督学习的特点,将得到数据集用以深度置信网络的参数逐层训练来实现调制模式的特征提取和识别。仿真结果表明该方法识别率较为理想。