频率调制信号调制方式识别方法

为完成对FM,2FSK,4FSK,8FSK,MSK等频率调制信号的识别,在瞬时频率直方图统计图、信号功率谱、信号平方谱等提取特征,这些特征提取简单,计算量小.给出了频率调制信号识别算法,并利用实测数据验证算法的性能及算法对脉冲成形滤波器形状,频偏等因素的鲁棒性.     

基于DBN的数字信号调制识别方法研究

针对4ASK,BPSK,QPSK,2FSK四种数字调制信号,提出在深度置信网络的深度学习模型下调制模式识别方法。对调制信号进行预处理,计算其高阶累积量作为输入训练的特征,在不同信噪比环境下生成调制信号,利用深度置信网络半监督学习的特点,将得到数据集用以深度置信网络的参数逐层训练来实现调制模式的特征提取和识别。仿真结果表明该方法识别率较为理想。     

基于卷积神经网络与循环谱图的调制识别方法

为提高调制分类识别精确度,降低计算复杂度,提出了一种基于卷积神经网络(CNN)与红绿蓝(RGB)循环谱二维图的智能调制识别方法。基于循环谱特征可识别调制类型的机理,为了降低计算复杂度,将三维的循环谱转换为二维平面的RGB循环谱图,并将其用于构建数据集;将一种计算复杂度较低的CNN作为调制类型分类识别器。仿真结果表明,所提出的智能调制识别方法能够以较低的计算复杂度,获得更高的分类精确度。     

一种有效的雷达信号快速识别方法

针对多种调制类型的雷达信号快速侦察识别成功率较低的问题,提出了基于瞬时频率特征提取的雷达信号快速识别新算法.首先,由短时傅里叶变换(STFT)得到信号每一部分的瞬时频率特征;其次,对得到的瞬时频率进行两次归一化分别得到各自特征值;最后,用层次决策方法对雷达信号进行分类识别.仿真实验结果证明该方法能有效识别各种雷达信号,在信噪比高于-3 dB时,各种脉内调制的识别成功率都达到90%以上.     

基于通道融合的调制信号识别方法

针对现有调制方式识别存在的计算量大、网络模型复杂、识别准确率低等问题,文中提出一种基于通道融合的新型调制方式识别方法。该方法由双流卷积神经网络模块和GRU神经网络模块构成,其中双流卷积神经网络为两条并联的深度可分离卷积子网络,分别提取信号不同尺度下的空间特征,同时添加短路连接来增加特征传递与重用。将两通道提取到的特征在通道维度上进行融合,进而形成更为丰富的融合特征。将融合特征输入至GRU神经网络模块中提取信号的时序特征,提取的互补信息可使网络学习到更加全面的信号特征,从而提高调制方式识别的精度。在数据集RadioML2016.10a上进行实验,实验结果表明,所提方法的网络性能优于其他神经网络算法,信噪比在0 dB以上时识别率可达到90.8%,能够有效提高自动调制识别的准确率。     

一种基于特征提取的调制识别方法

调制方式是通信信号的重要特征参数之一。在无线电监测领域,信号的调制识别研究具有十分重要的意义。基于某个无线电频谱监测系统,研究了8种模拟、数字信号的自动调制识别算法。针对AM和ASK的区分,设计了基于频谱紧致性的特征参数K;针对FM和FSK的区分,设计了基于频谱凹凸性的特征参数F。这些特征参数很好地解决了以往模拟、数字信号不能较好联合识别的问题,仿真结果表明了该算法的有效性。     

基于深度学习的电磁信号调制识别方法

电磁信号调制识别是电磁信息安全领域的重要技术基础。该文针对无线衰落造成电磁信号调制识别准确率低的问题,研究比较了基于深度学习的无线衰落信道电磁信号的调制识别方法。通过Matlab仿真生成同向正交(IQ)电磁信号数据,比较分析了AlexNet、VGGNet、ResNet和DenseNet四类神经网络模型的信号调制识别准确率,得到适合应用于无线衰落信道电磁信号调制识别的模型。结果表明,DenseNet神经网络对信号调制识别的准确率最好,达到82.10%。本研究为电磁信号调制识别在电磁信息安全等领域的应用提供重要参考。     

基于相位赋形的方向调制信号综合方法研究

方向调制技术采用多天射阵列在天线端综合出具有方向特性的数字调制信号,是近年来物理层安全通信领域研究的热点之一。现有方向调制信号综合算法主要基于遗传算法和矢量法,但由于不同文献研究的通信系统模型不同,基于这两种算法的方向调制信号应用都具有一定的局限性。该文从窃听接收机所在的非期望方位接收方向调制信号星座点之间的相对相位关系产生畸变这一方向调制信号物理层安全本质出发,提出一种基于相位赋形的方向调制信号综合算法。首先根据不同的通信模型建立期望的相位波束空间覆盖函数,然后对期望的赋形相位波束采用空间傅里叶变换得到发射阵列的加权值。仿真结果表明该文提出的方向调制信号综合算法适用于笔形相位波束单用户信道、扇形相位波束的广播信道和多用户正交信道等不同的通信应用场景,为方向调制信号在不同通信场景中的应用提供技术支撑。     

基于模糊积分的通信信号调制识别方法研究

本文针对通信信号这种非稳定的、信噪比(SNR)变化范围较大的信号,应用小波分析和模糊测度、模糊积分理论,提出了有效的特征提取和组合分类方法,来实现通信信号调制类型的分类识别,使得识别的正确度和效率得到了明显的改善.计算机模拟结果证明了此方法的可行性.     

一种快速雷达信号脉内调制识别分析方法

针对类信号的脉内调制识别问题,提出了一种基于短时傅里叶变换(STFT)和瞬时累加自相关的快速雷达信号脉内调制识别方法。采用由粗到细的识别方案,依据累加STFT频谱带宽将信号分为调频和调相信号。采用时域累加瞬时自相关识别BPSK和QPSK信号,利用STFT频谱的时域特征识别LFM和NLFM信号,经仿真实验分析,在较低信噪比下可正确实现信号识别,该方法适于FPGA的快速实现。     

一种常用通信信号的自动调制识别方法

提出了一种常用通信信号的调制方式自动识别的算法,从信号的功率谱、二次功率谱和四次功率谱中提取一组特征参数,采用判决树方法,在不需要先验知识的情况下对常用通信信号调制样式进行自动识别。通过计算机仿真和实际采集数据验证,表明该算法识别准确率高,实现简单,具有较强的可行性和实用性。     

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。     

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。     

基于多特征参数的雷达信号调制方式识别方法

提出一种以盒维数、信息维数、相像系数为分类特征识别雷达信号调制方式的方法。这些特征包含了信号的幅度、频率、相位、整体走势(或者轮廓)、波形复杂度和不规则度的细节信息,集中体现了不同调制方式的差异。同时,利用特征自身的类内距离小、类间距离大的特点先聚类分离部分调制方式,最后通过基于粗集的支持向量机分类器进一步分类识别。通过4种典型雷达辐射源信号的特征提取与分类识别的仿真试验,表明基于本方法的调制信号识别正确率高,具有一定的工程应用价值。     

一种欠完备自编码器调制识别技术

基于信号特征进行模式识别的调制识别方法需要先计算信号的高阶特征、高阶累积量再进行模式识别,整体设计复杂,特征不易计算。机器学习技术由于其强大的特征提取能力和分类能力,被广泛应用到模式识别领域中。针对调制识别问题,提出了一种基于欠完备自编码器的调制识别技术,使用欠完备自编码器进行调制信号的特征自动提取,再使用神经网络分类器进行分类识别。整体模型更为简洁,运算复杂度较低,有利于部署在硬件上进行实时识别。对常见的BPSK、QPSK、2ASK、2FSK、16QAM数字调制方式进行的识别实验表明,算法在信噪比10 dB时平均识别率高于0.97,并且在信噪比为0 dB时仍然有0.92以上的平均识别率。     

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。     

一种FSK/BPSK复合调制雷达脉冲信号识别技术

在电子对抗领域,信号调制方式识别是进行雷达分选、干扰施放的基础,得到广泛研究。对此,文中提出了一种以信号频谱相像系数和幅度统计参数为分类特征的FSK/BPSK复合调制雷达脉冲信号识别算法。算法首先提取雷达脉冲信号的频谱相像系数和幅度统计参数,然后采用分层结构的神经网络分类器进行识别。该算法不仅能识别FSK/BPSK复合调制信号,且对其他常用雷达信号调制方式的识别不产生干扰。仿真结果表明,针对FSK/BPSK以及CW、LFM、BPSK、QPSK、FSK等常用雷达信号调制类型,在信噪比＞5 dB时,分类正确率可达98%以上。     

幅度与相位分步识别的QAM调制模式识别算法

正交幅度调制(Quadrature Amplitude Modulation,QAM)信号的调制模式识别一直以来是人们研究的热点,通过星座图来进行调制模式识别也是一种常见的方法。然而,大多数调制模式识别算法会受到频偏和相偏的干扰,因此提出了一种幅度相位分步识别的QAM识别算法来识别调制模式。先利用卷积神经网络(Convolutional Neural Networks,CNN)识别出未消除频偏相偏的QAM星座图的幅度层数,对信号进行第一次分类;再检测每个信号点的瞬时相位进行差分,得到每个点之间的相位跳变幅度;经过减法聚类确定相位跳变次数,由此对信号在相位上进行二次分类,最后识别出QAM信号的调制模式。该方法虽然步骤比传统方法繁琐,但是不依赖于信号的频偏消除和相偏消除,能够起到很好的抗频偏作用。此外,因为没有频偏消除和相偏消除的步骤,所以使得信号不至于在频偏消除和相偏消除等预处理过程中损失信息量。经过试验,这种方法在识别率上比传统的神经网络识别方法在低信噪比下有更好的识别率。     

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。