基于深度卷积神经网络的数字调制方式识别

针对非协作通信条件下信号调制方式识别问题,提出了一种基于深度神经网络的调制方式自动识别新方法。该方法对接收到的信号进行预处理,生成星座图,并将星座图形状作为深度卷积神经网络的输入,根据训练好的网络模型对调制信号进行分类识别。与以往的识别方法相比,该方法利用卷积神经网络自动学习各种数字调制信号的星座图特征,克服了特征提取困难,通用性不强,抗噪声性能差等缺点,处理流程简单,并对星座图的形变具有不敏感性。针对4QAM、16QAM和64QAM三种典型的数字调制方式,进行了仿真实验,当信噪比大于4时,调制方式的识别正确率大于95％,实验结果表明,基于深度卷积神经网络的信号调制方式识别方法是有效的。     

基于轻量型网络的单载波信号调制识别

针对当前应用深度学习实现数字信号调制识别过程中网络复杂、计算量高、硬件平台要求高的问题, 本文提出了在改进的MobileNetV3轻量级神经网络中使用信号星座图调制识别的方法. 首先, 将接收到的MPSK和MQAM信号转换成星座图像, 将其进行灰度图像提取, 灰度图像增强, 构建星座图的图像数据集, 然后将ResNet中的跨层结构引入MobileNetV3网络, 解决了随着网络层数的增加, 权重减小而导致的梯度消失现象. 最后将星座图数据集用于训练MobileNetV3的轻量型神经网络权重, 对星座图像进行识别. MobileNetV3基于深度卷积可分离和神经架构搜索(network architecture search, NAS)技术在保证识别精度的前提下, 大大降低了参数量和训练时间, 将对于简单信号的调制识别, 轻量型神经网络可以有效简化网络结构, 降低对硬件设备的要求. 仿真结果表明, 针对的调制信号(BPSK、QPSK、8PSK、16QAM、64QAM), 能实现识别率为99.76%的调制识别, 相较于传统应用深度学习实现调制识别的网络, 网络参数量和计算量明显减小.     

一种基于云模型的PSK/QAM信号调制识别方法

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，本对现有的通信信号自动调制识别技术进行了介绍，并提出了一种新的PSK/QAM信号调制识别方法，该方法将重建的接收信号星座图的形状作为调制识别的特征，首先通过聚类方法重建接收信号的星座图，并利用定性定量转换模型——云模型对重建的星座图进行建模，最后利用基于云模型的不确定性推理得到接收信号的调制方式。实验证明该方法是可行的。     

基于星座图匹配的OFDM子信道调制识别改进算法

文章针对OFDM信号侦察系统中已有的子信道调制识别方法难以满足实时性要求的问题,提出了一种基于星座图匹配的子信道调制识别改进算法,该方法采用标准信号星座图的幅度和相位分布构建识别函数,消除了抽取聚类法的调制阶数估计误差,提高了识别的正确率。通过理论分析和仿真试验,验证了该改进方法的有效性和可行性。     

一种基于差分星座图的调制体制识别算法

针对π/4QPSK和8PSK信号调制体制识别,提出了一种基于相位差分信号星座图的调制体制识别算法.算法利用两种相位差分信号的星座图点数作为识别特征.对单级减法聚类算法不能很好地适应多种调制方式识别的问题,采用一种改进的多级聚类算法得到星座图点数,并通过计算机仿真获得了最佳聚类参数.仿真结果表明,改进后的算法在200个码元下的识别性能至少提高1dB,低信噪比下的性能得到了很大改善.12dB以上时,π/4QPSK和8SK信号的正确识别率达到了100%.     

基于复杂度特征的数字调制模式识别

为了提高数字信号调制模式识别在低信噪比下的正确率,在对复杂度理论加以分析的基础上,提出了一种新的特征提取方法。该方法首先引入希尔伯特-黄变换求得样本的边际谱,然后利用分形和Lempel-Ziv复杂度的方法提取用于调制识别的特征参数,最后利用RBF神经网络分类器进行数字信号调制模式的分类识别。仿真结果表明该算法具有较好性能。     

基于K-SVD和稀疏表示的数字调制模式识别

为了提高数字信号调制模式识别在低信噪比下的正确率,通过分析基于稀疏表示的模式识别,提出了一种基于K-SVD和稀疏表示的特征提取方法.该方法首先引入主成分分析对样本进行降维,然后利用K-SVD算法构造稀疏字典并构建稀疏线性模型,最后通过e1范数最优化求解测试样本的稀疏系数,根据稀疏系数的分布提取特征值.利用支持向量机分类器进行信号的分类识别,仿真研究证明,新方法提取的特征值具有较好的有效性.     

基于高阶统计量和星座图的通信制式识别研究

针对实际工程中基于高阶累计量的调制方式识别方法对信噪比要求较高且对部分调制方式识别率低的问题, 本文提出了基于双谱分析和星座图相结合的一种新的调制方式识别方法。基于高阶累积量提取特征值,进一步对取得的累积 量特征值求傅里叶变换得到接收信号的双谱分析,对QPSK、OFDM和QAM调制信号进行分类识别,对于QAM调制中的 16QAM、32QAM和64QAM调制方式再依据星座图结果进行识别。通过实验数据表明,此调制方式识别方法识别率较高,高 阶谱分析对信噪比要求低。     

数字调制识别的关键技术与发展趋势

综述了数字信号调制方式识别的关键技术和发展趋势。对识别流程的预处理模块所采用的载频估计和符号速率估计技术进行了归纳;并对识别过程中的特征提取方法进行了分类,重点分析了各方法的优缺点和适用场景;最后,对分类器的分类算法进行了介绍。     

基于高效自适应聚类算法的调制识别研究

提出了一种基于星座聚类的通信信号调制识别新方法.该方法将星座图形状作为调制识别的特征,运用聚类算法EAFCM(efficient adaptive fuzzy C-means)重建接受信号的星座图.基于模糊C-均值(FCM)聚类算法的自适应高效聚类算法EAFCM不仅克服了模糊C-均值聚类算法需要预先确定聚类参数c、对初始中心敏感等不足,而且具有良好的抗噪声性能.将该方法应用到对PSK/QAM信号的调制识别,实验结果表明该方法是实际有效的.     

基于特征融合的跳频信号射频指纹识别技术

射频指纹识别(RFID)是一种物理层身份认证的方法,是电子对抗中一个重要且基本的研究方向,为现代战争提供情报信息等方面发挥着重要作用;为了提升在电子战复杂环境下RFID的准确率,同时解决在跳频信号片段长度有限致使稳态特征难以提取的问题,提出了一种基于信号多个维度特征融合与深度卷积网络提取特征的智能识别技术,改进了传统的星座图特征提取方法并提取了信号的双谱、星座图和希尔伯特-黄变换 (HHT)时频谱进行特征融合,并设置了不同信噪比和不同输入条件下的对照实验来证明该方法的有效性和鲁棒性;相比于传统的识别方法,该方法运算量小,且提升了在各信噪比下识别准确率,在正常室外环境下对六部相移键控(PSK)类跳频电台的识别准确率达到了99.29%。     

模拟信号调制方式识别

通信信号的调制识别是截获信号处理研究领域的一个重要课题,本文主要研究了基于调制信号时域瞬时信息的识别算法。在时域特征参数的提取部分,主要研究了A．K．Nandi等人提出的传统的特征参数,并针对利用传统特征参数进行调制识别的缺陷,提出了新的特征参数。在分类识别部分,采用决策理论实现了对模拟调制方式的识别。仿真结果表明,该流程有很高的识别正确率。     

基于分形维数的雷达信号脉内调制方式识别

分形维数是分形理论中的重要参数,其中盒维数可以描述分形信号的几何尺度信息,信息维数描述分形信号在平面空间上的分布信息。因此利用分形理论从信号中提取盒维数和信息维数作为分类特征,这种特征可包含信号幅度、频率和相位的变化规律,并集中了不同调制信号之间的差异信息。通过计算若干种常见脉内调制雷达辐射源信号的盒维数与信息维数,表明了分形维数在分类意义上是有效的特征。并由分类识别的仿真实验验证了基于分形维数进行的分类具有较高的识别率。     

基于深度级联孪生网络的小样本调制识别算法

为解决传统基于深度学习的调制识别算法在小样本条件下识别准确率较低的问题,提出一种基于深度级联孪生网络的通信信号小样本调制识别算法。根据通信信号时序图的时空特性,设计由卷积神经网络和长短时记忆网络级联的特征提取模块将原始信号特征映射至特征空间,同时在孪生网络架构下对提取的特征进行距离度量并以相似性约束训练网络,避免特征提取模块在训练过程中出现过拟合现象,最终通过最近邻分类器识别待测样本的调制类别。在DeepSig公开调制数据集上的实验结果表明,与传统基于深度学习的调制识别算法相比,该算法能有效降低训练过程中所需的样本量,且在小样本条件下的识别准确率更高。     

Using fuzzy clustering and TTSAS algorithm for modulation classification based on constellation diagram

The automatic recognition of the modulation format of a detected signal, the intermediate step between signal detection and demodulation, is a major task of an intelligent receiver, with various civilian and military applications. Obviously, with no knowledge of the transmitted data and many unknown parameters at the receiver, such as the signal power, carrier frequency and phase offsets, timing information, etc., blind identification of the modulation is a difficult task. This becomes even more challenging in real world.In this paper I develop a novel algorithm using Two Threshold Sequential Algorithmic Scheme (TTSAS) algorithm and pattern recognition to identify the modulation types of the communication signals automatically. I have proposed and implemented a technique that casts modulation recognition into shape recognition. Constellation diagram is a traditional and powerful tool for design and evaluation of digital modulations. In this paper, modulation classification is performed using constellation of the received signal by fuzzy clustering and consequently hierarchical clustering algorithms are used for classification of Quadrature–Amplitude Modulation (QAM) and Phase Shift Keying (PSK) modulations and also modulated signal symbols constellation utilizing TTSAS clustering algorithm, and matching with standard templates, is used for classification of QAM modulation. TTSAS algorithm used here is implemented by the Hamming neural network. The simulation results show the capability of this method for modulation classification with high accuracy and appropriate convergence in the presence of noise.