MPSK信号小波变换过零特征分析

小波变换提供品质因数Q恒定的滤波器分析，能够精细刻化M电平相移键控（MPSK）信号在码元转换时刻的相位跳变。给出了MPSK信号小波变换后在时间—尺度图谱上小波系数的过零特征。通过构造特殊的数字序列，分析了小波系数过零点分层数与MPSK信号的电平数M的对应关系，详细讨论了MPSK信号不同的相位跳变模式与过零点层次性的内在联系。提出了基于小波变换过零特征的MPSK信号调制类型识别方法。仿真结果表明，MPSK信号小波变换存在显著的过零特征，基于该特征的MPSK信号的类型识别方案是可行的，为软件无线电的实际应用提供了理论参考。     

基于功放瞬态响应的跳频电台分选方法

该文提出了一种基于发射机功率放大器瞬态响应过程的跳频电台个体分选方法。提取跳频电台功放瞬态响应的多层离散小波系数作为指纹特征;用主分量分析法抑制加性白噪声对离散小波系数的影响;并对去噪后的各层小波系数峰谷值的幅度和出现时间分布情况进行蒙特卡罗仿真;实验结果表明该方法提取的跳频信号指纹特征在较低信噪比下有良好的分类特性。     

一种基于小波特征的跌倒行为检测方法

针对跌倒行为检测方法对疑似跌倒行为存在误报问题,提出一种基于小波特征的跌倒行为检测方法。通过小波分解将原始合成加速度信号分解为不同频率的子信号,从这些子信号的低频近似系数中提取小波能量、波峰平均值和波峰个数作为特征,使用决策树分类器进行分类,从疑似跌倒行为和跌倒行为中识别出跌倒行为。对比实验结果表明,该方法提高了跌倒行为识别的准确率,降低了误报率。     

类Haar小波与数字信号调制识别

调制识别在通信侦察和通信对抗中有着重要应用。为了利用小波变换进行数字调制的类型识别，提出了具有比Haar小波更好频率局域化特征的类Haar小波概念，从理论上论证了正弦型类Haar小波用于MPSK和MFSK信号调制识别的可行性，详细推导了小波系数幅度与相位跳变或频率跳变之间的关系，并对分类识别器进行了仿真。理论和仿真结果均表明，在一定信噪比条件下，正弦型类Haar小波不仅能用于通信信号的调制识别，且具有比Haar小波更好的抗噪性能。     

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．     

用A计权连续小波变换识别内燃机噪声源

为了适应内燃机噪声声源识别的需要,当用连续小波变换进行信号分析时,常对小波变换算法作适当的改进.依据连续小波变换的叠加性和尺度转换性质,提出了变换后小波系数的频率修正方法,即在修正小波变换时对信号中不同频率成分小波系数的不同衰减,使变换后小波系数的大小能够准确反映信号中不同频率成分的幅值特性,在此基础上提出了A计权连续小波变换算法,对频率修正后的小波系数进行A计权修正,使之更加适合实际工程中声源识别的需要.利用该方法对某发动机进行了噪声源识别,取得了良好的识别效果.     

线性自适应小波理论的齿轮箱故障诊断方法

针对早期齿轮箱故障信息淹没在背景组分中的问题,提出了基于线性自适应小波理论的齿轮箱故障诊断方法.该方法基于希尔伯特变换(HT)和自适应小波变换(AWT),能从低频的调制振动信号中区分并识别不同程度的裂纹故障.首先用希尔伯特变换提取调制振动信号的包络值以显示调制频率.然后利用自适应小波变换来处理由希尔伯特变换得到的调制信号,其中在自适应小波处理希尔伯特变换后的调制信号的过程中利用粒子群算法(PSO)对过程参数进行优化.实验结果表明该自适应小波变换能通过过程优化小波找到匹配振动信号的啮合频率及其谐波、耦合频率、载波频率及其边频带,能够从调制信号中提取出特征参数,且具有较高的分辨率.     

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。     

用连续小波变换识别内燃机噪声源

为了直接利用连续小波变换进行内燃机噪声源识别，提出了一种连续小波变换的改进算法. 研究了信号组成成分的幅值和频率变化对小波系数的影响，根据连续小波变换的基本性质，对连续小波变换后产生的与信号频率有关的衰减系数进行修正，通过对比分析从Matlab6.5的小波工具箱中找出了适合振动噪声信号分析的小波函数.工程信号的分析结果表明，经过对连续小波变换后小波系数的修正，使小波系数的大小能正确反映信号各组成成分的幅值大小，从而可以利用小波系数形成的云图直接进行内燃机噪声源识别.     

小波脊线法在无源定位频率估计中的应用

为了解决信噪比影响以及参数估计定阶的问题.从渐进信号的小波脊线出发,根据小波脊线的迭代算法以及瞬时频率与小波脊线之间的关系,对非合作源信号频率进行估计.仿真表明该方法测量频率精度高、抗噪性能强,在信噪比SNR≥5 dB条件下,对于定位技术中所用调制信号、频率估计误差最大值不到0.006%,在信号中间段频率估计误差低于0.004%,信号提取的估计误差最大值不到1%.     

一种改进的雷达信号小波包特征提取方法

针对低信噪比下雷达辐射源信号分类问题,提出一种基于小波包特征提取的改进方法。首先对信号进行小波包分解,然后在小波域采用阈值收缩降噪方法对小波包系数进行去噪处理,并提取去噪后小波包能量的统计特征,最后设计支持向量机分类器实现对雷达信号的自动分类。实验结果表明,采用去噪小波包的特征提取方法能有效降低噪声对信号识别效果的影响,当SNR=-3dB时,信号的平均识别率仍能到达93．3％,在较低信噪比下能够得到较为满意的识别效果。     

利用小波变换进行MC-MPSK信号载频盲估计

小波变换是在强噪声背景下进行信号时频分析的有效方法．利用小波变换的方法,使用Haar小波变换对多载波多进制相移键控（MC－MPSK）信号中心频率进行了估计．给出了计算机仿真的结果,将这种算法的估算结果与改进的克拉美－罗限（MCRB）进行了比较．结果表明,在没有先验知识的情况下,利用Haar小波变换方法可以精确的估计MC－MPSK信号中心频率,而且估计性能受相位噪声地影响不大．     

基于解调振动信号特征提取齿轮箱的故障诊断

通过振动信号的可调频率成分研究齿轮裂纹尺寸的故障识别,振动信号分析是基于Hilbert变换和自适应小波.Hilbert变换用于获得振动包络,从而从低信噪比的振动信号中解调载波频率,自适应Morlet小波建立振动信号模型,从而从解调载波频率中提取特征,以鉴定齿轮箱中齿轮的裂纹尺寸.该方法用于分析在不同角速度、不同负载转矩和不同裂纹尺寸下的试验振动信号,结果表明,该方法用于鉴定齿轮箱中齿轮的裂纹尺寸是灵敏和有效的.     

一种新的小波包络检测快速算法及其应用

针对传统包络解调分析方法需要人为选定共振频带的缺陷, 提出一种用 Morlet 小波和连续小波变换实现的包络检波算法. 该方法利用小波变换时-频分析的优势, 用傅立叶变换快捷计算小波变换系数, 从而有效提取各共振响应频带的调制频率. 经实验验证, 该方法能有效地提取信号包络, 准确地提取出滚动轴承的故障频率.     

结合小波变换与数学形态学的电缆局放信号识别与降噪方法

针对大部分电缆局放(PD)信号识别方法在噪声影响下的识别准确率低、波形失真等问题,提出了一种基于小波变换与数学形态学的电缆PD信号识别及降噪方法。该方法利用最大重叠离散小波变换提取PD信号的高频和低频特征,结合重构和数学形态法滤除噪声。利用自适应神经网络学习小波变换后的特征,最终完成PD信号的识别分类。基于某变电站实测PD信号波形对所提方法进行实验分析结果表明,信号降噪处理后的信噪比与均方误差分别为5.439 dB、0.251,且整体的识别准确率超过了88%,均优于其他对比方法,具有良好的应用前景。     

小波分解在移动用户行为识别中的应用

针对目前行为识别通用模型对步行、上楼、下楼等易混淆行为识别准确率较低的情况,提出了一种基于小波分解的移动用户行为识别方法,从小波分解后不同频率子信号的低频近似系数中提取小波能量、小波峰个数和平均波峰幅值等特征,基于决策树分类器建立与用户无关的行为识别通用模型. 分别用典型时域特征数据集和小波特征数据集对该通用模型进行验证. 实验结果表明,采用新方法后,3种易混淆行为的平均识别准确率提高了14.82%,减少了误判.     

采用非线性变换的MPSK/MQAM符号速率盲估计

提出了一种采用非线性变换的MPSK/MQAM类信号符号速率盲估计方法,充分利用了MPSK/MQAM数字信号相邻符号的相位变化信息,通过对零中频信号进行非线性处理,构造一个非线性变换的复数函数,生成含有符号速率的离散谱线。利用四阶累积量的方法实现在强背景噪声下提取符号速率的基频分量。该方法运算简单,适应性好,对MQAM和MPSK调制的不同阶数、不同成形滤波器系数的信号均适用,低信噪比下仍具有很好的测量性能。     

基于小波变换的MFSK信号盲解调算法

针对无先验信息的MFSK（M-ary frequency shift keying）信号提出了一种基于小波变换的盲解调算法。该算法基于morlet小波脊线值与MFSK信号符号之间的对应关系,研究了小波脊线提取、符号率估计、符号同步、调制进制M识别、调制码估计等算法,实现了盲信号的解调。仿真结果表明：2FSK信号的盲解调性能比理论值恶化不超过0．1dB;4FSK信号的盲解调性比理论值恶化约1dB。     

舰船水声信号特征提取方法研究

信号特征提取是目标识别的关键技术,为实现水中目标信号的识别,提出一种利用小波库提取水中舰船目标信号波形特征的方法。该方法针对水中舰船目标的水声信号及其频率特性,在满足理想重建条件下,构造正交的小波滤波器,进而构造符合舰船水声频率特性的小波库。利用小波库将信号分解,结合最小二乘法提取舰船信号的波形特征值,并借助Matlab仿真工具进行仿真。结果表明:用小波库方法提取的信号波形特征可降低信号识别维度,在一定的误差范围内识别水中舰船目标信号。     

基于小波神经网络的无线电引信目标识别新方法

设计了基于小波神经网络的无线电引信目标识别新方法.根据无线电引信回波多普勒信号功率主要集中在低频部分的特点,对淹没在噪声中的无线电引信同波信号进行小波分解,提取在不同频带内信号能量作为特征,用小波神经网络对目标进行检测.针对不同信噪比,对某典型无线电引信回波信号进行定量研究,实验结果表明该方法处理信号信噪比达-7 dB.