一种基于支持向量机的数字调制识别方法

自动调制方式识别是非协作通信研究中的重要内容.本文提出了一种基于支持向量机的数字通信信号调制方式识别方法.从信号的瞬时幅度,相位,频率和频谱等特性中提取了7个特征参数,用于训练支持向量机.与已有算法相比,本文算法结构简单、计算量小,同时考虑了符号成型的影响.仿真结果证明,当信噪比大于10dB时,算法的识别率可以达到95%以上.     

一种基于支持向量机的分层调制识别方法

提出了一种新的在高斯白噪声条件下基于支持向量机的分层调制识别方法.其中选取信号的4阶、6阶累积量作为分类特征向量,并利用支持向量机作为分类器对其进行分层调制分类.该方法相比其他非分级调制识别方法具有较低的计算复杂度和较快的分类器训练速度.理论分析和仿真结果均证明了算法的正确性和有效性.     

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。     

一种改进的脉内调制信号识别方法

针对低信噪比下传统方法识别雷达信号脉内调制类型准确率低的问题,提出一种有效的自动识别方法。基于时频原子分解提取雷达脉内调制特征,提出了一种融合差分进化与遗传算法优点的混合进化算法,进行最优原子搜索,从最优原子中提取出三种特征值并运用概率神经网络进行分类识别。仿真表明,该方法较差分进化算法有更高的搜索效率和更低的时间复杂度。在信噪比不低于-2dB时,该算法有90%的正确识别率。     

基于改进RBF神经网络的数字调制识别

针对数字调制信号自动识别中分类器的设计,通过将决策树的方法应用到RBF中心的确定中,解决了常用算法计算量大、收敛速度慢的问题,提高了网络的学习精度和训练速度,将其应用到常用的7种数字调制信号(2ASK,4ASK,BPSK,QPSK,2FSK,4FSK,16QAM)的自动识别中,取得了好的结果。经仿真表明,使用该方法构造的神经网络,具有易于构造、可理解性好、收敛速度快且构造的网络规模较小的特点,适于工程应用。     

一种BP-IA数字调制方式识别方法

为提高数字调制方式的识别速度和准确率,提出一种基于免疫算法(IA)的反向后传(BP)神经网络数字调制方式识别算法。首先对信号的特征进行分析和提取,其次利用具有全局搜索能力的免疫算法优化BP神经网络的权重及阈值,最后利用Levenberg-Marquardt算法训练BP网络。文中不仅给出了详细的算法分析,同时进行了仿真实验。实验结果表明,所提方法的收敛速度明显优于传统的BP算法和遗传算法,在信噪比大于-2 dB时,所提方法的平均识别准确率也优于传统的BP算法和遗传算法。所提免疫优化算法在训练多层前向神经网络时可有效地避免BP算法易陷入局部极小,且算法收敛速度快,具有精确的全局寻优性能,进而提高了数字调制方式的识别准确率。     

基于小波和分形理论的调制信号特征提取方法研究

本文针对通信信号这种非平稳的、信噪比(SNR)变化范围较大的信号,应用小波分析和分形理论,提出了有效的特征提取方法,所提取的分形特征包含了区别不同调制类型所需的幅度、频率和相位等主要信息。同时这种特征具有较好的抗干扰特性,基于这种特征的分类器的设计简单、高效。计算机模拟结果表明此方法的有效性。     

基于特征提取的人工智能调制格式识别算法研究现状

随着信息领域不断发展，B5G/6G时代接踵而来，数字通信发展迈入更新、更快的阶段。为了适应更高速的通信、更多样的信道，不同的调制格式应运而生，被应用于不同环境。在不同时间、不同信道中改变调制格式，有利于最大化信道利用率。然而，发射端改变的调制格式对于接收机而言是未知的，这不利于不同通信子系统之间的连接，从而影响构建大型的空天地海一体化通信网络，自动调制格式识别算法将成为破局关键。由于人工智能算法在信号处理和基于特征的分类方面具有很大优势，因此基于特征提取的人工智能分类算法在调制格式识别领域拥有巨大的研究价值和实用价值。介绍了几种基于特征提取、人工智能分类的识别方法，并对其在通信领域的应用进行了分析、探讨和总结。     

一种数字信号调制方式识别方法

数字信号调制方式的识别是近年来迅速发展起来的一门新技术,它是信号分析领域的重要组成部分。调制识别技术具有很高的实用价值。在军用和民用方面都有重要应用,如通过调制识别技术查清相关信号的参数和性质。这里针对短波信道条件下的MPSK信号调制识别问题,研究了一种基于功率谱和谱相关为特征的调制方式的分类与识别方案。该方案中提取了以信号功率谱的各种特征为主要的特征参数,通过对BPSK、QPSK、8PSK几种常用的数字信号进行仿真识别表明,该方法简单便于工程实现,具有很好的实用性。     

一种调制信号分类识别方法

为解决通信盲侦察中的信号分类识别问题,借助于小波分析和神经网络理论,提出了一种基于小波神经网络的调制信号分类识别新方法。计算机仿真结果表明,在无噪声情况下,平均识别率在86%以上,某些信号识别率甚至高达99%;在有噪声的情况下,如果信噪比较高,则信号的平均识别率也能达到85%左右。以上结果证明了该分类方法的可行性。     

基于ICA和特征提取的MIMO信号调制识别算法

针对非协作通信中多输入多输出(MIMO)信号的盲调制识别,该文提出一种基于独立分量分析(ICA)和特征提取的调制识别算法。根据空分复用MIMO系统各发送天线上信号的独立性,利用ICA算法从接收的混合信号中分离出发射信号。为实现全盲条件下的调制识别,在进行ICA分离前,利用最小描述长度(MDL)准则估计发射天线数。在得到发射信号之后,首先利用6阶累积量、循环谱和4次方谱算法构造4个特征参数,然后利用分层结构的神经网络分类器识别信号的调制类型。仿真结果表明,所提方法可在较低信噪比下对{2PSK, 2ASK, 2FSK, 4PSK, 4ASK, MSK, 8PSK, 16QAM}8种MIMO信号进行有效识别,当发送天线数为2、接收天线数为5、信噪比为2 dB时,识别率可达到98%以上。     

基于AP聚类的数字信号调制体制识别方法

针对高斯噪声信道下MASK、MFSK和MPSK信号的类间识别问题,提出了一种基于短时傅里叶变换（Short Time Fourier Transform,STFT）和仿射传播聚类（Affinity Propagation Clustering,AP）相结合的信号类间识别方法。通过对在高斯信道下3类信号时域和频域特征的联合分析,提取出信号的时频特征。通过仿射传播聚类算法对信号进行聚类,通过信息迭代更新,可以快速、自动地找到聚类中心和聚类数目。仿真结果表明,在信噪比（SNR）较低的情况下仍能达到很好的分类效果。     

一种新的雷达PRI调制特征提取方法

针对雷达脉冲重复间隔类型识别中存在的问题,提出了一种基于Sp向量曲线的特征提取算法.根据4种典型模式的雷达信号脉冲序列的特点,该算法应用Haar变换从雷达脉冲信号中提取频率特征,构成二维特征向量,实现雷达信号PRI调制类型的自动识别.仿真结果表明,对特征向量进行大幅度降维后,不仅简化了分类器,而且用于PRI识别仍是可行和有效的.     

一种基于复数域中二维特征提取的人脸识别方法

该文提出了一种新的基于复数域中的二维特征提取方法进行人脸识别。该方法首先对人脸样本进行镜像变换,根据原始人脸样本和相应的镜像样本分别计算偶对称样本和奇对称样本,通过奇偶加权因子将偶对称样本与奇对称样本组成复数样本,然后在复数域中分别定义复图像类内散布矩阵和复图像类间散布矩阵,并求解一组最优复投影轴,将复人脸样本投影到这组最优复投影轴上来提取人脸特征,最后采用最近邻距离分类器来分类所提取的特征。该方法在NUST603人脸图像库中进行了实验,实验结果表明该方法获得了较好的识别效果。     

特征提取及其在数字调制方式识别中的应用

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,而特征参数的提取是调制方式识别的首要问题。本文提出了两个新的特征参数,并结合这两个新的特征参数在统计模式识别的基础上构造了一组新的特征集参数,该特征集无需任何先验知识。随后,本文针对2PSK、QPSK、8PSK、16QAM、2FSK、4FSK、8FSK、2ASK、4ASK等9种调制类型,采用了分层结构的神经网络分类器进行自动识别。大量仿真表明,在待识别的信号信噪比大于5dB时,该识别系统的正确识别率达97%以上,且识别的稳定性好。     

文本无关说话人识别的一种多尺度特征提取方法

近些年来,多种基于卷积神经网络(CNNs)的模型结构表现出越来越强的多尺度特征表达能力,在说话人识别的各项任务中取得了持续的性能提升.然而,目前大多数方法只能利用更深更宽的网络结构来提升性能.该文引入一种更高效的多尺度说话人特征提取框架Res2Net,并对它的模块结构进行了改进.它以一种更细粒化的工作方式,获得多种感受野的组合,从而获得多种不同尺度组合的特征表达.实验表明,该方法在参数量几乎不变的情况下,等错误率(EER)相较ResNet有20％的下降,并且在VoxCeleb,SITW等多种不同录制环境和识别任务中都有稳定的性能提升,证明了该方法的高效性和鲁棒性.改进后的全连接模块结构能更充分利用训练信息,在数据充足和任务复杂时性能提升明显.具体代码可以在https://github.com/czg0326/Res2Net-Speaker-Recognition获得.     

文本无关说话人识别的一种多尺度特征提取方法

近些年来,多种基于卷积神经网络(CNNs)的模型结构表现出越来越强的多尺度特征表达能力,在说话人识别的各项任务中取得了持续的性能提升。然而,目前大多数方法只能利用更深更宽的网络结构来提升性能。该文引入一种更高效的多尺度说话人特征提取框架Res2Net,并对它的模块结构进行了改进。它以一种更细粒化的工作方式,获得多种感受野的组合,从而获得多种不同尺度组合的特征表达。实验表明,该方法在参数量几乎不变的情况下,等错误率(EER)相较ResNet有20%的下降,并且在VoxCeleb, SITW等多种不同录制环境和识别任务中都有稳定的性能提升,证明了该方法的高效性和鲁棒性。改进后的全连接模块结构能更充分利用训练信息,在数据充足和任务复杂时性能提升明显。具体代码可以在https://github.com/czg0326/Res2Net-Speaker-Recognition获得。     

一种基于奇异值分解的特征抽取方法

特征抽取是模式识别的基本问题之一,Fisher线性鉴别分析是特征抽取中最为经典和广泛使用的方法之一。该文分析了Fisher线性鉴别分析在求解过程中可能存在的问题:鉴别矢量的分量可能是复数;特征值对扰动的敏感性;鉴别矢量之间未必具有正交性。由此提出了均衡散布矩阵的概念,并利用均衡散布矩阵构造了一种新的线性鉴别准则。利用奇异值分解定理,将求取鉴别矢量转化为对矩阵求奇异向量。用该方法进行求解可以有效地避免前述的问题。试验结果表明,该鉴别准则具有良好的鉴别能力。     

基于Gabor滤波器和局部纹理特征提取的SAR目标识别算法

该文提出了一种基于Gabor滤波器和Three-Patch Local Binary Patterns(TPLBP)局部纹理特征提取的合成孔径雷达(Synthetic Aperture Rader, SAR)图像目标识别算法。首先, 利用Gabor滤波器对SAR图像在不同方向上进行滤波, 增强SAR图像中目标及其阴影的关键特征;然后, 利用TPLBP算法对Gabor滤波之后的图像进行局部纹理特征提取, 该算法克服了Local Binary Patterns(LBP)算法无法描述大范围领域纹理特征的缺陷, 并且保持了LBP旋转不变的特性, 减少了SAR图像目标方位变化对识别效果的影响;最后利用极限学习机(Extreme Learning Machine, ELM)分类器实现目标识别。该文通过MSTAR数据库中的3类SAR目标识别实验验证了该算法的有效性。      

基于改进语音特征提取方法的语音识别

在分析语音特征提取方法基础上提出一种改进组合算法,并采用HMM声学模型和Viterbi算法进行模式训练和识别.实验结果表明,该算法在噪声环境中具有较好的鲁棒性,能有效提高噪声环境下中文连续语音识别的正确率,增强语音识别整体性能,因此在噪声环境下的语音识别系统中具有一定的实用价值.