盲接收条件下单信道时频混叠信号的调制识别

针对现有调制识别算法对单信道时频混叠信号失效问题,从信号循环平稳域出发,通过分析不同调制信号自身具有以及做非线性变换处理衍生出的二阶循环平稳结构特征,结合循环平稳性检测,提出了一种新的适用于单信道时频混叠信号的调制识别算法。该算法无需完成任何参数估计以及同步等预处理过程。对一些典型常用调制信号(如BPSK、QPSK、16QAM、OQPSK等)的随机混合,能够同时有效辨识混叠信号中所包含的信号个数以及每个信号的调制类型,理论推导及仿真结果表明,该算法可在较低信噪比下实现对单信道时频混叠信号的调制识别,有效提高了盲接收条件下对QPSK/16QAM时频混叠信号的分类能力。     

基于双通道混合网络模型的调制方式识别方法研究

调制方式识别是电子对抗领域的核心技术之一，针对传统调制识别方法识别精度不高的问题，借助深度学习方法构建一种双通道混合网络(CLRD)模型，通过对信号的时序特征和空间特征的联合提取完成信号的有效识别。以RML2016.10a数据集为仿真对象，识别11种调制信号。仿真结果表明：在低信噪比条件下，本文提出的CLRD模型具有较好的识别准确率，当信噪比在-2 dB以上时，平均识别准确率可达到91.56%;与其他常用模型相比，识别准确率均有一定程度的提高。     

基于深度学习的信号调制自动识别

深度学习(DL)在很多领域都显示出强大的生命力,但它很少涉及无线通信。本文提出了一种基于深度卷积神经网络的信号调制自动识别方法,以解决无线通信中的常见问题。该算法通过深度学习的深度卷积神经网络自动提取图像的各种特征细节,以在各种信噪比条件下实现信号调制类型准确识别。该方法使用图像处理GPU构建VGGNet,在深度学习架构Tensorflow下自动识别MPSK和MQAM中的10种调制信号。仿真结果表明,当信噪比为5dB时,各种信号的最小识别精度为96.7%。与其他方法相比,该方法更好。     

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。     

一种基于CGAN+CNN的水声通信信号调制识别方法

为提高复杂海洋环境下水声通信信号调制识别的性能和实用性,提出一种基于条件生成对抗网络和卷积神经网络的调制识别方法。首先,构造一种基于条件生成对抗网络的降噪模块,用于降低海洋环境噪声对通信信号调制特征的影响;然后,采用卷积神经网络完成降噪数据的特征提取和分类识别;同时,利用数据迁移思想构造迁移学习训练数据集,并通过两步迁移学习策略解决目标水域信道下训练数据不足的问题。仿真实验和实际信号测试结果验证了算法的有效性,相比现有方法,低信噪比下的识别率明显提升,在目标水域信道小样本条件下也具有较好的识别性能。     

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。     

基于循环前缀相关性的OFDM调制识别算法

针对多径衰落信道下正交频分复用(OFDM)与单载波信号之间调制识别难的问题,提出了一种OFDM与单载波信号调制分类的新方法.该方法首先通过对信号的自相关进行能量归一化并取绝对值,去除抖动、频偏和相位噪声的影响,然后对能量归一化自相关进行形态学滤波,减少由于信号观察长度有限和背景色噪声所产生的影响,提取经过处理后信号自相关的次峰值作为识别特征,最后设计基于支持向量机的分类器,实现了对OFDM与单载波信号之间的调制分类.实验仿真结果表明,该方法在多径衰落信道下具有稳健的识别性能.     

一种压缩感知域心律失常心拍识别方法

为实现压缩域心电信号的直接识别,提出了一种基于级联深度稀疏学习的压缩域心律失常心拍识别方法。对心电信号进行压缩传感采样;通过级联深度稀疏滤波模型对压缩域心电信号进行特征学习;并将学习后的特征以及对应心拍的前、后向RR间期作为支持向量机的输入进行心拍分类。实验结果表明:该方法在压缩比为2倍时,能够对四类心电信号实现准确率为95.53%,误判风险为0.8%的压缩域下的高准确率直接识别。     

基于相位融合特征和残差网络的调制智能识别

针对调制识别依赖人工提取的经验特征、识别准确率低的问题,提出基于相位星座图和矢量轨迹图融合聚类的智能识别算法.通过对接收信号进行滤波、定时同步预处理,恢复出较理想的基带信号,将信号的波形数据转化为星座图和矢量轨迹图特征. 利用深度学习（DL）将调制识别转换成图像的分类问题,将所提取的特征通过2路并行输入的轻量级残差结构网络,开展分层学习和特征融合训练,完成对目标调制方式的识别. 仿真实验表明,基于融合特征的识别结果优于目前的基于高阶累积量、星座图和波形数据的识别结果,当信噪比（SNR）高于2 dB时,对MPSK（调制的阶数为 2、4、8）、MQAM（调制的阶数为16、64）、MAPSK（调制的阶数为16、32）这7类调制的识别率可以达到95.14%.     

基于自相关特性的WPM与OFDM的识别研究

该文基于小波包调制和正交频分复用调制信号的结构特征,利用接收信号的自相关特性,探讨了在加性高斯白噪声信道、瑞利信道和频率选择性信道下小波包调制和正交频分复用调制的分类识别。仿真结果表明,该方法简单,具有较好的识别效果。     

通信信号调制类型的三角矩特征盲识别

针对盲环境下的通信信号调制类型识别困难的问题,提出了一种新的信号盲聚类算法,该算法利用采样信号的瞬时频率作为训练样本,以方向数据统计理论为依据提取分类特征,利用该特征参数在二维特征平面实现了多种不同通信信号的调制类型识别.该方法不仅能实现类间识别,同时也能够实现类内识别.仿真实验结果表明,该算法简单高效,识别率较高,鲁棒性较好,具有较强的实用性和可行性.     

自适应OFDM中信号盲检测技术

提出了一种基于高阶累积量的正交频分复用信号子信道调制方式盲检测算法．该算法利用高阶累积量检测特征实现对子信道调制方式的检测，所提出的检测特征可抑制高斯噪声的影响．从理论上证明了高阶累积量检测特征对于子信道的信道衰减和相位旋转具有不变性．通过计算机仿真评估了正交频分复用信号子信道调制方式盲检测算法的性能。表明这种算法在慢时变信道下具有很高的调制方式检测性能和良好的稳健性．     

多径衰落信道下OFDM信号盲识别

针对多径衰落信道下正交频分复用(OFDM)信号调制识别难题,提出一种基于循环自相关的OFDM信号调制识别算法.通过对多径衰落信道下具有循环前缀的OFDM信号循环自相关特性的数学推导,验证了在一定延时处,OFDM信号的循环自相关会出现峰值,而单载波信号无此峰值,据此特性可以实现多径衰落信道下OFDM信号和单载波信号的调制识别.该算法消除了如符号时间估计、载波估计、波形恢复、信噪比估计等预处理过程,计算复杂度低,识别率较高.理论分析及仿真结果均验证了该算法的正确性和有效性.     

基于FRFT的小波包调制信号的识别研究

该文基于正交频分复用调制和小波包调制信号的调制原理,利用分数阶傅立叶变换的时频旋转特性,探讨了在高斯信道、瑞利信道和频率选择信道下小波包调制信号的识别.仿真实验结果表明,该方法具有良好的识别性能,不需要任何信道参数,能较好的实现盲信道的小波包调制识别.     

基于高阶累积量的OFDM信号子载波的调制识别

提出一种在多径信道下的OFDM信号的子载波调制方式识别算法,利用两个高阶累积量特征先后识别出OFDM信号中空子载波信号和导频子载波信号,再通过一个特征矢量对OFDM子载波的调制方式进行识别,从而完成OFDM信号子载波调制方式的识别。该方法不但可消除多径效应带来的影响,而且减小了噪声对识别性能的影响。通过仿真可以看出,在信噪比为10d B时,正确识别率可达95%以上。     

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。     

小波域的最大似然调制分类

针对电子战领域中的调制类型识别问题,提出了一种把通信信号变换到小波域下的最大似然调制分类算法．通过分析MPSK信号在Haar小波基下的小波变换系数同其相位参数之间的关系,把MPSK信号的小波变换系数用广义高斯概率分布进行建模来得到MPSK信号的最大似然分类函数．同常规的最大似然分类算法相比新方法所需的先验信息少．计算机仿真结果表明,这种算法在低信噪比下仍然能获得好的正确分类性能．     

基于AL-RVM分类的主用户信号调制类型识别算法北大核心

提出了一种基于循环自相关估计和主动学习相关向量机(AL-RVM)分类的主用户信号调制类型识别算法。首先通过循环自相关估计算法提取接收信号特征参数;再采用主动学习算法通过多次迭代抽样实现对RVM分类器的构建;最后利用所构建的RVM分类器实现对各主用户信号的分类识别。仿真实验表明,与基于支持向量机(SVM)和传统相关向量机(RVM)算法相比较,所提算法在各低信噪比情况下,整体分类识别率在92%以上,明显高于对比算法。该算法能有效地实现对不同主用户信号调制类型的识别,保证了电力监测信号的有效传输。     

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。     

基于联合特征参数的PCMA信号调制识别算法

针对卫星通信中成对载波多址信号的调制识别问题,综合考虑样本点数、频偏大小、载噪比条件、混合幅度比等对算法的影响,从累积量、谱线、幅度包络平坦度提取特征参数,提出了联合特征参数的调制识别算法。该算法不依赖信号的先验信息,所需分类特征数少,具有频差免疫优点,在混合幅度比大于0.6时对PCMA信号能够进行有效分类,扩展了识别范围,具有良好的适用性。仿真实验表明,该算法在载噪比大于8.5dB时,其正确识别率在90%以上。