模拟信号调制方式自动识别仿真

信号调制方式的自动识别足未来软件无线电必须具备的功能之一;以决策理论为基础,介绍了模拟调制信号特征参数的提取、判决门限的确定以及调制方式的判决流程;系统的仿真结果表明,在信噪比SNR=5dB时,基于决策理论的识别方法已具备一定的识别能力,能够较好的识别除VSB之外的其余调制类型;随着信噪比的提高,调制方式的正确识别概率也不断提高;当8NR=10dB时,正确识别概率已经全部达到90％以上。     

通信信号模拟调制方式自动识别研究

自动调制识别是非协作通信系统接收机设计中的重要研究课题。本文针对模拟调制方式提出了一种基于决策理论的识别流程。在频域中分析了线性平滑的方法。提出了用Haar小波变换的方法对输入数据处理，提高在低信噪比时的识别效果。仿真结果表明。在低信噪比时，该流程有很高的识别正确率。     

复杂体制脉冲重复间隔调制方式识别

给出了一种新的雷达脉冲信号脉冲重复间隔PRI(Pulse repetition interval)调制方式识别算法.在分析PRI序列的时域及频域特性的基础上,定义了零交叉密度、谐波幅度比,PRI序列差分极性3个分类特征.特征提取方法简单且可在小样本条件下实现.此外,对于周期性调制PRI,可估计PRI调制周期.计算机仿真结果表明,本算法在有测量噪声、脉冲丢失、虚假脉冲条件下具有稳健的识别性能.     

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。     

基于深度神经网络的调制方式识别研究

随着6G通信技术的研究,研究者将深度学习引入自动调制识别任务。在考虑识别精度的情况下,还应重点考虑神经网络规模。文章采用Conv1D和Conv1D＿LSTM两种网络结构,并利用公开的数据集RadioML2016.10a训练评估网络,之后与公开的论文结果进行对比。实验结果表明,本文所采用的网络结构在大量缩减网络规模的情况下,依然能达到公开文献的识别精度,具有一定的实际应用价值。     

一种多参数联合判决的调制识别方法

根据信号的瞬时幅度，相位和频率提取幅度功率谱强度，非线性相位方差，瞬时频率统计直方图和频率分集等特征量，对AM，FM，LSB，USB，2ASK，2FSK，ALE，LINK11等常用调制方式进行多参数联合判决。仿真结果表明，本文提出的判决方法，在低信噪比（10dB)时，对高斯信道和瑞利衰落信道仍有较高的识别率。     

基于多端CNN的通信信号自动调制识别研究

为有效解决通信信号自动调制识别的调制类型识别率低和调制强度识别误差高的问题,研究了基于多端CNN的通信信号自动调制识别方法。根据不同类型调制方法的作用原理,设置通信信号调制识别标准。考虑通信信号的传输过程,构建通信信号模型,利用带通采样工具采集初始通信信号,通过小波消噪、归一化等步骤,完成初始信号的预处理。利用多端CNN算法构建通信信号识别器,提取幅值、相位、频率等通信信号特征参数,通过特征匹配得出信号调制类型与强度的识别结果,实现通信信号自动调制识别。通过与传统识别方法的对比得出结论：综合考虑有、无干扰两种类型的通信信号,优化设计识别方法的调制类型识别率提高了49.6%,调制强度识别误差降低了约0.0285。     

MPSK信号调制方式识别研究

文章介绍了一种新的MPSK信号识别方法，该方法基于信号星座图旋转和同相分量的四阶累积量，通过傅立叶级数展开提取了一组特征向量送入神经网络分类器进行分类识别。仿真结果表明该方法识别正确率高、信噪比要求低。     

基于深度学习的OFDM信号调制方式识别

正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）技术广泛应用在各类通信系统中。信号调制方式识别对于OFDM技术十分重要,特别是在非合作通信系统中。传统的信号调制方式识别精度不高,且没有研究信噪比为0 dB以下的情况。对此,将OFDM信号看成2×N的图像,保存I、Q两路信号在空间上的特性,设计包含3个卷积层、3个全连接层的深度卷积神经网络（Convolutional Neural Networks,CNN）。将收敛后的模型用于调制方式分类,实验结果表明,所设计的深度神经网络对6种OFDM信号具有很好的识别效果。     

3PSK、QPSK与OQPSK、UQPSK调制识别方法初探

近年来，卫星测控链路中大量使用了0QPSK、UQPSK的调制方式。从而，提出了如何区分这两种调制方式与BPSK、QPSK信号的课题。本文借助仿真工具MATIAB分析了这四种信号的二倍频、四倍频频谱特性，并对区分这四种信号的方法进行了初撂。     

数字调制信号识别性能的评估方法

针对正确率不能客观全面地评估字调制信号识别性能的问题,提出采用受试者操作特征(ROC)曲线下的面积(AUC)对最小二乘支持向量机分类器和传统的神经网络分类器进行性能评佑。首先提取J个特征参数,然后分别采用最小二乘支持向量机分类器和神经网络分类器成功地实现了数字调制信号识别,最后通过计算ROC曲线下的AUC值来评估分类器的优劣。仿真实验结果表明,最小二乘支持向量机分类器比神经网络分类器的平均性能好。     

数字调制信号识别的特征参数优化方法

针对数字调制信号识别中特征参数数目多和特征冗余的问题,提出一种数字调制信号识别的特征参数优化方法。首先利用正交实验对常用的20个特征参数进行优化选择,然后利用RI3F神经网络识别9种数字调制信号,最后分别与主分量分析方法((PCA)和核主分量分析方法(KPCA)进行比较。仿真结果表明,该方法在高斯和多径信道下均能够有效地对特征参数进行优化选择,比PCA方法和KPCA方法有更好的优化能力。     

印鉴自动识别系统中模式识别方法的研究

本文介绍了以前的印鉴自动识别系统中所采用的各种模式识别方法，分析了这些方法各自的特点及局限性，并对这些方法进行了分类和比较，最后提出了一种更有效的模式识别方法。     

基于KBANN的调制识别仿真研究

BP网络广泛应用于多信号调制样式识别,但普通BP网络存在隐层数目难以确定、收敛速度慢、容易陷入局部最小等缺点.为了克服上述缺点,仿真研究了一种基于知识人工神经网络(KBANN)的信号调制样式识别算法.首先将C4.5算法引入信号特征参数的阈值分割,根据输出的决策树构造出具有决策树特征的拓扑结构,然后使用共轭梯度学习算法提高BP网络的收敛性能.仿真结果表明,与普通BP网络相比,基于知识神经网络的识别算法网络的结构易于实现、能有效改善网络收敛,并提高低信噪比下的正确识别率,为利用神经网络进行调制识别提供了新的思路.     

序列图像编码的自动识别

目标的识别与匹配一直是完成图像测量和跟踪技术的关键。用图像编码的方法,可实现多幅图像中的测量点的识别与匹配,并进一步实现整个测量过程的自动化。其核心思想是对测量点进行编码加载信息,然后在多幅图像中对编码信息进行提取与识别,在确定这些点的位置信息和属性信息后即可实现识别与匹配。实验表明：该编码能在复杂的背景中被有效地识别,其识别与匹配正确率高、速度快,并且该编码方法也可以应用在测量系统的自动标定、移动目标的快速跟踪等多种场合。