基于谱线特征的调制方式自动识别方法

研究了基于谱线特征的通信信号调制方式自动识别方法,从信号的功率谱、二次方谱、四次方谱及包络平方谱中,提取出一组鲁棒性强的特征参数。在不需要先验知识的情况下,对卫星通信中常用的调制信号进行了自动识别。仿真结果表明,在信噪比大于5 dB时,总体识别率能达到97%以上,方案具有很强的实用性。     

一种常用通信信号的自动调制识别方法

提出了一种常用通信信号的调制方式自动识别的算法,从信号的功率谱、二次功率谱和四次功率谱中提取一组特征参数,采用判决树方法,在不需要先验知识的情况下对常用通信信号调制样式进行自动识别。通过计算机仿真和实际采集数据验证,表明该算法识别准确率高,实现简单,具有较强的可行性和实用性。     

一种常用通信信号的自动调制识别方法

提出了一种常用通信信号的调制方式自动识别的算法,从信号的功率谱、二次功率谱和四次功率谱中提取一组特征参数,采用判决树方法,在不需要先验知识的情况下对常用通信信号调制样式进行自动识别.通过计算机仿真和实际采集数据验证,表明该算法识别准确率高,实现简单,具有较强的可行性和实用性.     

低信噪比下数数字调制信号的自动识别

提出了一种基于谱特征和高阶累积量的数字通信信号自动调制识别新方法。该方案从接收信号中提取一组稳健性强的特征参数,具有计算简单,无需先验信息,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的进行调制信号的自动识别。仿真结果表明,在信噪比SNR大于3dB时总体识别率在96%以上。该方案具有实用性和可行性。     

基于谱相关特征的信号调制方式识别

在对不同调制信号谱相关函数及其三组特征谱平面图分析的基础上，提出几种可用于调制信号自动识别的谱相关特征参数，并讨论了对其识别的方法与流程。仿真表明，该方法在低信噪比下识别效果良好。     

基于softmax回归的通信信号循环谱的多分类识别方法

通信信号调制方式的自动识别在通信对抗领域中具有重要作用,同时也是未来认知无线电系统的重要组成部分,如何在日趋密集的信号环境中快速准确地识别多个混合通信信号是实现通信信号调制方式自动识别的重点。针对这种情况,以数字通信信号的循环谱为特征,通过构建softmax回归多分类识别器,提出一种基于softmax回归的通信信号循环谱的多分类识别方法。通过计算机验证不同条件下的算法性能,证明了该方法无需知道典型的数字调制信号(如ASK,BPSK,QPSK,16QAM,64QAM)的符号率、载频以及同步定时等先验信息,对它们组成的混合信号可以正确识别其中包含的每个调制信号的调制方式,并且识别速度较快。     

自动识别数字调制方式的一种方法

提出了一种对经符号成形的数字通信信号进行调制方式自动识别的方案,该方案将数字已调信号的瞬时特征与功率谱特性相结合,设计了一组对信号信噪比不敏感的特征参数。通过提取经升余弦滤波成形的2FSK等六种常用的数字调制信号的5个特征参数,分别采用决策树和神经网络分类器进行调制方式自动识别。仿真表明,当信噪比为11dB时,采用决策树分类器对除2ASK外的5种信号的识别率在95%以上,神经网络分类器此时对所有信号的识别率达到了98%以上,证明了该方案的有效性和可行性。     

基于谱线特征的MPSK调制识别

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。针对5种经过均方根升余弦脉冲成形的数字相位调制信号,提出了一种实现调制方式自动识别的方法。该方法利用不同调制方式的数字信号做非线性变化后往往具有不同谱线特征的特点,得到了两个新的识别特征参数,为瞬时特征相似的数字相位调制信号的识别提供了新的手段。仿真结果表明,两个新特征参数是非常有效的,在信噪比大于8dB时,该方法的整体识别率不低于95%。     

常用数字调制信号识别的一种新方法

通过分析数字调制信号及其非线性变换的功率谱,提出了两个新的调制特征参数,改进了两个相关特征的描述,设计了一种采用神经网络集成结构分类器的识别方案,实现了AWGN信道下常用数字调制信号的自动识别.仿真表明,谱形状特征参数具有很好的抗噪声能力,离散谱线特征参数对信号调制参数更加稳健性,神经网络集成分类器的识别性能显著优于单个网络分类器,SNR＞5dB时该识别方法的总体识别率在94%以上.     

卫星数字调制混合信号的自动识别

针对卫星数字混合信号的特征,提出了在载波速率和符号速率初判基础上的自动识别方案.该方案利用数字混合信号与常用数字调制信号在信号频谱以及星座点的差异提取特征参数进行自动识别.仿真结果表明,该方案具备实用性和可行性.     

卫星通信常用调制方式的自动识别

调制信号的自识别有很多方法,本文提出一种基于谱特征的新方法,这种新的方法可以从信号的功率谱、平方谱还有四次方谱中提取一组特征参数,其最大的好处在于不需要对调制信号进行任何先验情况下可以对卫星通信中常用信号进行自识别。实验结果表明,当信噪比大于5dB时,此方法识别率达96%以上。同时也验证了该方案具有实用性和可行性。     

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.     

一种改进的BPSK/QPSK信号调制识别算法

提出了一种基于顺序统计量特征的二进制相移键控/正交相移键控(BPSK/QPSK)信号调制识别算法.对观测信号进行平方并做离散傅里叶变换运算,将变换结果取模后去除最大值得到修正频谱,并取修正频谱的最大值作为识别特征量,利用恒虚警准则确定判决门限,将识别特征量与门限比较来完成对BPSK和QPSK两种调制信号的识别.计算机仿真表明,当信噪比适度时,所提算法可对BPSK及QPSK两类信号进行有效识别.当信噪比大于1 dB时,算法的平均识别正确率达到90%以上.     

多分形谱簇研究及其在说话人识别中的应用

语音是一种复杂的非线性信号,这使得基于线性系统理论发展起来的传统说话人识别技术性能难以进一步提高。本文提出了多分形谱簇分析方法,用于分析语音信号的非线性特征,并应用于短语音（2秒）说话人识别。通过对Cantor集的仿真实验,发现不同标度区能反映出系统不同阶段的生长规律,因此可用一组连续变化的多分形谱分层次地表征系统的分形特性,即多分形谱簇分析方法。然后结合语信号的分形特点,提出一种语音的多分形谱簇特征（Multifractal Spectrum Cluster Feature, MSCF）的提取方法。最后将几种非线性特征与短时谱特征结合用于说话人识别,基于TIMIT数据库50人的实验表明,非线性特征与短时谱特征互补性较强,特别是MSCF与MFCC、LPC特征结合,使得系统的误识率下降到0.8%。      

数字助听器中单通道语音增强算法的研究

传统多通道补偿算法忽略保护语音特征,容易造成语音结构变形和识别率低等问题。为了解决上述问题,本文提出了一种基于多分辨率小波的单通道语音增强算法。利用多分辨率小波对信号进行分解与重构,提取出语音信号的频谱包络,得到特征点出其信息并依此计算补偿增益,再利用插值算法计算出整个频谱的增益并对其进行响度补偿。仿真实验以及主观性能测试的各项结果均表明该算法能够在对语音进行补偿的同时有效地保护语音特征,提高言语识别率,达到比较理想的效果。      

A reliable cooperative spectrum detection scheme in cognitive radio networks

Reliable spectrum detection of the primary user (PU) performs an important role in the cognitive radio network since it’s the foundation of other operations. Spectrum sensing and cognitive signal recognition are two key tasks in the development of cognitive radio (CR) technology in both commercial and military applications. However, when the CR terminals receiving signals have little knowledge about the channel or signal types, these two tasks will become much more difficult. In this paper, we propose a reliable cooperative spectrum detection scheme, which combines the cooperative spectrum sensing with distributed cognitive signal recognition. A novel improved cooperative sensing algorithm is achieved by using a credibility weight factor and the “tug-of-war” rule, which is based on the double threshold detection and Dempster–Shafer theory, to determine whether the PU signals exist. In this scheme, cognitive signal recognition can be used to identify the signal type when the PU signal is present. During the cognitive signal recognition processing, the CR terminals make local classification of the received signals by using Daubechies5 wavelet transform and Fractional Fourier Transform, and send their recognition results to the globe decision making center. A distributed processing uses these cognitive terminals’ local results to make final decisions under the Maximum Likelihood estimation algorithm. Simulation results show that the proposed method can achieve good sensing probability and recognition accuracy under the Additive White Gaussian Noise channel.