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。     

基于支持向量机的调制模式识别技术研究

为了完成对8种模拟数字混合信号的调制模式识别,采用了基于二叉树扩展的支持向量机作为分类器,从待识别的信号的瞬时幅度,瞬时频率和瞬时相位中提取七类特征作为特征参量的方法,获得了对8种调制模式精确稳定估计的结果,具有实时性好、分类模式多和扩展性能好的特点。     

应用ANN的数字信号调制模式识别的特征矢量分析

数字信号调制模式的自动识别是无线通信中信号分析和处理的关键步骤之一。神经网络应用于数字信号调制模式识别的一个重要的预处理过程就是要形成完备的特征矢量空间。本文在原有分析方法的基础上，研究了信号的瞬时特征、谱特征和统计特征，特别提出了用于信号子类分析的新的高阶统计量特征，形成了数字调制模式自动识别的较为完备的特征矢量空间。通过对九种数字调制信号进行仿真表明，即使在信噪为5dB的条件下仍然能够获得较高的识别正确率。     

Link-16信号MSK调制模式识别方法

针对Link-16信号采用的最小频移键控(MSK)调制模式,提出了一种基于瞬时特征参量与频谱特征的识别方法。该方法分2个层次进行调制识别,首先利用瞬时特征参量对幅移键控(ASK)、频移键控(FSK)和相移键控(PSK)、MSK信号进行识别,然后再利用频谱特征对MSK、PSK信号进行识别。最后,在特定的数据长度、信号幅度和信噪比的条件下,理论分析与仿真验证该算法易于实现、识别性能较好(90%)。     

基于瞬时特征谱的联合特征调制识别算法

传统调制识别算法的识别效果受信号的信噪比、成型脉冲形状、采样率等参数影响,适用范围有限。为了提高对具有不同参数的信号的识别正确率,通过对数字调制信号的瞬时特征进行多阶变换,基于变换后的功率变化和分布信息,提出了一种基于瞬时特征谱的联合特征调制识别算法。该算法以集成学习器XGBoost对数据进行训练,能够适应不同条件下的信号数据,使其识别正确率得到明显提高。仿真结果显示了该方法的有效性。     

从GAR模型参数提取特征的数字调制识别新方法

本文提出了一种从观察序列的广义自回归(GAR)模型参数提取待识别信号的伪瞬时中心频率和伪瞬时3dB带宽特征,并利用神经网络分类器的数字调制识别新方法。这种方法充分利用了GAR模型良好的抗噪声能力和神经网络优异的模式分类能力,能有效地改善低SNR条件下的调制识别性能。计算机模拟结果证实了该方法具有很高的识别率和良好的稳健性。     

从GAR模型参数提取特征的数字调制识别新方法

本文提出了一种从观察序列的广义自回归（ＧＡＲ）模型参数提取待识别信号的伪瞬时中心频率和伪瞬时３ｄＢ带宽特征,并利用神经网络分类器的数字调制识别新方法。这种方法充分利用了ＧＡＲ模型良好的抗噪声能力和神经网络优异的模式分类能力,能有效地改善低ＳＮＲ条件下的调制识别性能。计算机模拟结果证实了该方法具有很高的识别率和良好的稳健性。     

基于谱域联合特征的信号调制类型识别

为了在低信噪比条件下识别信号的调制类型,提出了一种由信号瞬时包络的高阶组合矩、零中频信号的高阶组合累积量和谱相关函数共同构建的联合特征,用于数字调制信号调制类型识别的方法。新方法分析了多种常规数字调制信号的瞬时包络的幅度分布特性,利用了高斯过程的高阶累积量当阶次大于2时恒等于零的特性和谱相关函数突出周期平稳信号的特性,对高斯噪声具有较好的抑制作用。仿真试验结果表明,该方法运算简单,适应性强,在低信噪比下正确识别率高。     

基于卷积神经网络的数字调制分类识别

基于特征提取和模式识别的信号调制方式分类识别技术是非协作通信领域内应用广泛的重点研究对象。提出一种基于深度学习的通信信号数字调制识别算法，采用卷积神经网络找到数据的内在表达，实现逐层化地识别和分类MPSK、MFSK和MQAM中的六种调制信号。仿真实验结果表明，所提出的方法分类识别效果良好，基本达成了数字调制信号自动识别的目的。     

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。     

基于决策论的数字调制信号识别方法

以决策论为基础提出了一种改进的数字调制信号识别方法,该方法仅需4个相对简单的特征参数,就能识别2ASK、4ASK、2FSK、4FSK、2PSK、4PSK和16QAM这7种数字调制信号。仿真结果表明,该方法复杂度较低,识别正确率有较大提高,尤其对于2ASK、4ASK、MPSK/MFSK及16QAM的识别,在信噪比较低的情况下,具有较好的识别效果。     

基于粒子群支持向量机的通信信号调制识别算法

为了解决大部分通信信号调制识别方法计算量大和分类器训练困难问题,提出一种基于粒子群(PSO)支持向量机(SVM)的调制识别方法.将小波理论与调制信号的瞬时特征、高阶累积量以及分形理论相结合,得到一种混合模式特征向量,并利用粒子群支持向量机对2ASK,4ASK,2PSK,4PSK,8PSK,2FSK,4FSK,8FSK,...     

基于BP神经网络的数字调制信号样式自动识别

针对2ASK，4ASK，2FSK，4FSK，BPSK和QPSK六种数字调制信号，给出了对他们进行识别的5种特征参数的定义，提出了基于BP神经网络利用较少样本分3步进行训练，来实现对数字信号调制样式自动识别的方法，最后得到了在信噪比≥8dB时较高的正确识别率。     

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。     

差分运算在数字调制制式识别中的应用

随着数字通信技术的发展，数字信号调制制式的识别成为近年来的研究热点，本文将差分运算应用到数字调制制式的自动识别当中，设计了一种新的算法，能够成功识别2ASK，4ASK，2FSK，4FSK及2PSK五种信号。仿真结果表明，该算法具有较高的识别率。     

基于瞬时幅度与小波分析相结合的数字调制制式的自动识别

本文提出了一种基于信号瞬时幅度与小波分析相结合的数字调制制式的自动识别新算法。该算法计算简单、实时性强,能够成功识别2ASK、4ASK、2FSK、4FSK及2PSK5种信号。仿真结果表明,该算法具有较高的识别率。     

基于混沌粒子群的决策树SVM的调制模式识别

针对通信调制识别常用的决策树识别节点过多和支持向量机识别处理多类繁杂的问题,将二者结合起来采用决策树SVM算法,另引入在函数优化、数据挖掘等方面具有突出优势的混沌粒子群算法来对决策树SVM中参数选择进行择优提取。并对2ASK,4ASK,2PSK,4PSK,2FSK,4FSK这些数字调制信号,在信噪比为5%,10%,15%的情况下,进行仿真测试,结果表明有良好的分类效果。     

基于瞬时频率的数字调制方式自动识别算法

数字通信信号调制方式的自动识别在军用和民用方面都极为重要。为了自动识别FSK2,FSK4,PSK2,PSK4四种数字信号的调制方式,提出一种新的瞬时频率提取方法,该方法不需要对相位进行去卷叠处理,也不需要实现码元同步,与现有方法相比,运算量显著减少,鲁棒性强,可用于实时处理中。在此基础上提出三个特征参数和一种基于判决理论的调制方式自动识别算法,给出识别算法的实现流程。计算机仿真结果表明,在信噪比为-3 dB时,识别算法的平均识别率大于等于99%,证明新的瞬时频率提取方法和调制方式自动识别算法是有效的,有望用于实际的非协作通信系统中信号的检测和快速识别。     

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。