基于高阶累积量和神经网络的数字调制识别

针对数字调制信号的识别问题,提出了一种基于高阶累积量的分类特征,该特征有效地抑制高斯白噪声的影响,能实现对2ASK、4ASK、4PSK、2FSK、4FSK等五种数字调制信号的识别。分类器采用了多层组合的神经网络分类器,不需要设定判决门限,而且在收敛速度、训练时间以及识别率方面都有很大改进。仿真结果表明,在信噪比大于7 dB时,系统的正确识别率可达95%以上。     

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。     

基于改进RBFN的信号调制识别方法

应用高阶统计量和RBF神经网络原理,针对数字调制通信信号提出了一种基于统计模式识别理论的信号调制类型识别新方法。采用信号四阶和六阶统计量提取信号特征,使用新设计的误差函数训练RBF神经网络,使得识别的效率和正确度得到了明显的改善。计算机仿真结果证明了此方法的可行性。     

认知无线电中调制识别算法研究

通信信号的调制类型识别对于认知无线电这种智能通信系统具有重要研究意义。利用调制信号的循环谱相关特征,提取了5个特征参数,给出了各个参数随信噪比变化的曲线图。分类器基于RBF神经网络,采用"一类一个网络"结构,并从提高网络识别性能出发,构建了大容量和高质量的网络训练样本,能够扩大识别范围,提高识别精度。基于谱相关特征参数和神经网络分类器的算法能动态识别信号的调制方式,仿真结果验证了该算法在低信噪比下的有效性。     

一种改进的量子神经网络频谱感知算法

为了克服传统频谱感知的缺点,提升在低信噪比下的频谱检测性能,提出了一种改进的量子神经网络频谱感知算法。通过提取授权用户信号的特征参数,对量子神经网络进行训练,获取授权信号中数据的不确定性并加以存储、记忆,从而实现周围环境"频谱机会"的检测。为了提高量子神经网络的收敛性、稳定性,对算法进行改进,采用三层Josephson函数作为激励函数,缩短激励函数的饱和区,减少训练过程中出现"假饱和"现象;并在原有的学习目标函数中加入约束条件,使网络权值的调整和量子间隔的更新在学习过程中的相互影响降到最低。通过实验仿真得出,改进后的量子神经网络算法与改进前的算法、BP神经网络检测算法相比,不但在网络收敛速度和稳定性上有了明显提升,而且在低信噪比情况下具有更高的检测概率。     

利用决策树和神经网络对AWGN信道下的综合调制识别

针对现有数字调制中多种调制类型混合时的调制识别问题,结合目前对单一调制类型识别各种方法,提出一种综合分类器来完成AWGN环境中的通信信号调制识别。该方法综合使用决策树和RBF神经网络,利用神经网络可以同时对多个特征参数进行非线性优化组合,得到的超曲面能够对整个特征空间进行较精细的分割,从而提高调制识别的整体性能。识别时以决策树为主,以RBF神经网络为辅,其识别效果良好。结果表明,复杂类型调制识别通过合理选择信号特征和分类器,优化识别方法,在一定程度上可以达到相应的识别要求。     

常用数字调制信号识别的一种新方法

通过分析数字调制信号及其非线性变换的功率谱,提出了两个新的调制特征参数,改进了两个相关特征的描述,设计了一种采用神经网络集成结构分类器的识别方案,实现了AWGN信道下常用数字调制信号的自动识别.仿真表明,谱形状特征参数具有很好的抗噪声能力,离散谱线特征参数对信号调制参数更加稳健性,神经网络集成分类器的识别性能显著优于单个网络分类器,SNR＞5dB时该识别方法的总体识别率在94%以上.     

基于快速组合神经网络分类器的数字调制识别新方法

单个神经网络分类器无法提供一种对所有数据进行精确解释的能力,但是会对部分数据贡献一些有用的信息,组合神经网络分类器利用有效的组合算法集成单个分类器,使分类能力得到显著提高.本文提出一种快速非线性组合算法对通信信号的调制类型进行分类,取得了较好的效果,实验结果证明了此方法的有效性.     

低信噪比下的数字调制信号自动识别

提出了一种基于神经网络的数字调制信号识别。首先利用升余弦滤波器滤波,然后提取了5个用于识别的特征参数,利用神经网络分类器进行数字凋制识别。神经网络分类器采用了多层组合的神经网络分类器,不需要设定判决门限,而且在收敛速度、训练时间以及识别率方商都有很大改进。仿真结果表明,在信噪比大于4dB时,系统的正确识别率可达95％以上。这种低信噪比下快速有效的调制识别方法易于实时应用和工程实现。     

基于时频分析和RBF神经网络的调制识别

提出了利用Wigner-Ville分布区分FSK、PSK、FM和BSS信号的自动调制样式识别方法，利用Wigner-Ville分布提取调制信号的瞬时频率特征，用径向基(RBF)神经网络根据提取的特征参数识别这四种信号，计算机仿真结果证实了该方法的有效性和正确性。     

基于延时相关频谱的调制识别方法

以简单脉冲、线性调频、二项编码和频率编码信号为例,通过提取信号的延时相关频谱特征,对雷达信号的脉内调制特征进行了分析。在分析和提取了信号的延时相关频谱结构特征后,提出了一种基于延时相关频谱进行调制方式识别方法。仿真和试验结果表明:在低信噪比情况下,是一种较好的雷达脉内调制方式识别方法。     

基于短时分析的数字调制信号识别方法的研究

研究了一种新的数字调制信号识别方法。该方法用短时分析提取数字调制信号在幅度、频率和相位随时间变化的特征，并利用这些特征对各种数字调制信号进行识别。在加性高斯白噪声条件下给出了相应的最佳阈值，并通过仿真研究了该识别方法的性能。仿真结果表明该方法对噪声不敏感，在SNR为OdB时仍能获得90％以上的正确识别率。     

一种基于幅度统计矩的MQAM信号分类方法

针对加性高斯白噪声(AWGN)环境下M进制正交幅度调制(MQAM)信号的调制分类,提出了一种基于幅度统计矩的MQAM信号分类法,推导出了用于区分MQAM信号的特征参数表达式。计算机仿真结果与理论分析一致,仿真结果表明,在信噪比不低于5 dB时,该方法的正确识别率可保持在97%以上,证明了该方法的有效性。     

基于谱相关特征的信号调制方式识别

在对不同调制信号谱相关函数及其三组特征谱平面图分析的基础上，提出几种可用于调制信号自动识别的谱相关特征参数，并讨论了对其识别的方法与流程。仿真表明，该方法在低信噪比下识别效果良好。     

基于Kolmogorov—Simirnov检验统计量的OFDM识别方案

为了对OFDM信号进行识别,针对高阶矩算法的运算量大的不足,提出一种基于经验分布函数统计量法用于识别OFDM信号和单载波信号。提出单载波／OFDM信号识别模型,建立了最优经验分布函数评价准则,推导了最优经验分布函数;详细阐述了基于KS检验法的OFDM信号识别流程;理论分析及仿真结果表明,该统计量提高了对高斯分布的拟合能力,进而提高了对OFDM信号的识别能力,同时相比高阶矩法,运算量少。     

小波分析在信号调制方式识别中的应用

从小波变换的基本概念出发,简要介绍了小波变换在信号时-频分析中的变焦特性。将小波分析理论用于信号识别时,主要是利用检测信号的奇异点来实现。以PSK、FSK、QAM信号的识别为例,详细分析了PSK、FSK、QAM信号的小波域特征,说明了小波变换的这一特性在信号调制方式识别中的应用。     

基于无意调制特征的雷达个体识别

雷达的无意调制特性是用来区分同一型号的雷达个体的重要特征。针对调频雷达,研究其频域的无意调制特性,最后用K-N-N神经网络对2个同型雷达个体进行分类。试验发现该特征能够对同型两部雷达进行准确分类。     

分数阶傅里叶变换（FRFT）用于调制方式识别

提出了一种基于分数阶傅里叶变换（FRFT）的通信信号调制方式自动识别方法。给出了FRFT归一化修正零均值幅度这一特征,用于模拟调制信号与数字调制信号联合自动识别。新方法分析了多种常用调制信号的FRFT谱特性,利用分数阶傅里叶变换可以展示出信号从时域逐步变化到频域的所有变化特征的特性,可以很好地分类识别多种调制信号。实测数据和仿真结果表明,在调制信号的信噪比大于10dB时,其总体识别率达90%以上。该方法具有识别效率高,识别效果好等优点,并具有实用性和可行性。     

基于瞬时频率的脉内调制识别技术

雷达信号脉内调制识别是雷达侦察的一个重要内容,基于瞬时频率的识别技术可以实现对多种调制类型信号的识别及参数提取,该方法在一定信噪比条件下有较高的正确识别率,算法也较为简单,适合在雷达对抗侦察数字接收机上高速实现。     

使用小波变换的MPSK信号调制类型识别

信号的数字调制类型识别在电子战、电子侦察和威胁告警等领域有广泛的应用前景.本文对小波变换应用于MPSK信号的调制类型识别进行了研究,并提出了一种基于小波变换的提取MPSK信号相位信息的方法.通过对相位信息进行统计处理,可以有效地识别MPSK信号的调制类型.计算机仿真结果表明本文所述方法的有效性和正确性.