基于小波分析的RFID信号调制识别

小渡分析提取数字调制信号的调制特征是一种有效的识别方法.本文讨论了在RFID中常用调制制式(2ASK、2FSK、2PSK)的识别问题,研究了小波变换后信噪比增益与载波频率、抽样速率及小波缩放尺度之间的关系,提出了对抽样速率和小波缩放尺度的优化;对高斯白噪声中的通信信号的识别进行了计算机仿真,实验结果表明,用小波分析方法具有较为理想的识别能力.     

一种小波特征与深度神经网络结合的信号制式识别算法

针对当前通信信号的制式识别算法在低信噪比情况下识别不准确的问题,提出一种新的小波特征与改进的深度神经网络结合(WL-DNN)的识别算法。该算法将生成的10种{2ASK、4ASK、2PSK、4PSK、2FSK、4FSK、OFDM、16QAM、AM、FM}含有高斯白噪声的通信信号,用小波分解重构算法提取出一类新的小波特征参数。本文测试了含有多层隐含层的改进BP神经网络作为分类器,利用弹性反向传播算法训练神经网络的参数,确定神经网络的最优超参数。仿真结果表明:在信噪比低至0 dB的情况下,单个调制信号最低识别率超过95%,平均识别率超过98%,大幅提高了制式识别在低信噪比下的识别率,由此表明了该算法的有效性和正确性。     

基于小波变换的雷达信号调制类型识别方法

为适应复杂环境下雷达信号脉内分析的需要,提出一种脉内调制类型识别方法。基于Morlet小波变换提取信号小波脊线,根据瞬时频率和最佳尺度的关系得到时频曲线,基于时频曲线的形状识别脉内调制类型。构造时频分辨率调节函数,优化小波脊线提取过程,提出形状识别算法,达到提高识别准确率、降低计算量的目的。仿真结果表明,信噪比为3 dB时,该算法的识别准确率在98%以上,信噪比为1 dB时,识别准确率能达到70%以上。     

基于小波和高阶累积量的数字调制识别算法

利用基于高阶累积量的数字调制识别算法对数字调制信号进行分类识别时,六阶及六阶以上累积量的计算过于复杂,且多进制频移键控(MFSK)与8PSK信号各阶累积量的值均相等,直接计算无法识别。针对此问题,提出了一种基于小波和高阶累积量相结合的分类算法,先对MFSK与8PSK信号进行小波变换,再利用四阶累积量进行识别。实验证明,利用该算法所提取的特征参数能有效抑制高斯白噪声,除了识别2ASK/BPSK,4ASK,2FSK,4FSK,QPSK,8PSK信号外,还可识别16QAM,并且计算量小,易于实现。当信噪比大于等于3dB时,总体识别率达到96%。与已有算法相比,仿真结果证明了该算法的优越性。     

基于时频重排和时频脊线的信号脉内特征提取

针对小波脊线法在提取雷达信号脉内特征时信噪比性能较差的缺点,本文基于小波变换谱,将时频重排和时频脊线相结合,提出了一种新的时频联合分析方法.该方法借助于时频重排在改善谱图时频凝聚性方面的优势,使算法的信噪比性能得到有效改善.仿真表明,在低信噪比条件下,该方法仍可得到准确的估计值.     

基于小波的数字调制信号特征分析

介绍了一种新的Leago小渡，分析了其基本特性，并利用Leago小波对幅度键控（ASK）、频移键控（FSK）、相移键控（PSK）信号的突变特征进行了分析，得到了一些不同于经典小波分析的特征规律。实验结果表明，Leago小波确实具有独特的性能特点．能够显著地表征数字调制信号的突变特征。     

基于高阶累积量的数字调制信号识别方法

通信信号调制方式自动识别在信号检测、威胁分析、频谱监测等领域有着重要的地位,是非合作通信关注的关键技术.针对单一累积量调制信号识别有限且识别率低等问题,利用信号的二、四、六阶累积量特征所构造的矢量集,实现了MASK、MPSK、MFSK、MQAM四类信号的类间识别,以及2ASK、4ASK、8ASK,2PSK、4PSK、8PSK,2FSK、4FSK、8FSK,4QAM、16QAM、64QAM的类内识别.在Matlab环境下进行了仿真实验,实验结果表明,该方法在信噪比大于5 dB时可以达到90％以上的识别率.     

基于Morlet小波在雷达信号脉内特征提取中的应用

为识别雷达信号不同调制方式,可通过准确估计雷达信号瞬时频率来分析信号脉内特征。通过分析小波脊线原理和Morlet小波各种参数对提取调制雷达信号小波脊线特征的影响,提出改进Morlet小波原子。针对不同调制类型雷达信号,分析了正确提取信号脊线特征的条件。提出一种基于改进Morlet小波的小波脊线方法估计雷达信号的瞬时频率。通过仿真实验表明,与普通Morlet小波相比,基于改进Morlet小波在提取信号脊线特征时精确度和抗噪性得到提高。     

基于小波变换和神经网络模型的数字调制识别方法

由于小波变换对瞬态信息具有较强的检测能力,数字调制信号在间断点呈现不同的瞬态信息。使用提取小波变换后包络方差与均值平方之比的特征参数,来实现3种信号(MFSK、MPSK和MQAM)的类间识别。然后提取经小波变换后的信号幅度层数N1,对MFSK进行类内识别,提取经归一化后的信号再经过小波变换后的尖峰数N2,对MPSK进行类内识别。最后利用人工神经网络作为分类器,仿真结果表明在低信噪比下具有良好的正确识别率。     

基于小波能量熵的语音端点检测算法

首先对语音信号进行小波变换,引入反映信号能量分布特性的小波熵,进行端点检测.并根据浊音的特点,改进了自然加权因子.仿真表明,在低信噪比条件下其检测效果要好于自适应子带谱熵法.     

复杂脉内调制雷达信号的识别方法

提出一种识别包括相位编码、频率编码,以及脉内混合调制等复杂雷达信号的方法。该方法结合AR模型功率谱估计分析方法和小波变换模极大值方法,将复杂混合调制信号转化成相位编码信号,然后基于高次方频谱分析的方法提取信号的频率特征,首次实现了对6种复杂雷达信号的分类。实验表明,在信噪比为0 dB时,大多数信号的识别率可以达到93%以上。     

降低小波包调制PAPR的联合方法

为了解决小波包调制的峰均功率比过高的问题,提出了一种联合降低峰均功率比的方法。用低密度奇偶校验码对信号进行编码,对编码信号进行星座映射和小波包调制,对得到的小波包调制信号进行限幅以降低信号的峰均功率比,变换到频域进行滤波以减小带外辐射,将信号变换回时域进行上变频传输。仿真结果表明,这种联合方法在降低了PAPR的同时提高了系统的抗噪性能。     

基于多端CNN的通信信号自动调制识别研究

为有效解决通信信号自动调制识别的调制类型识别率低和调制强度识别误差高的问题,研究了基于多端CNN的通信信号自动调制识别方法。根据不同类型调制方法的作用原理,设置通信信号调制识别标准。考虑通信信号的传输过程,构建通信信号模型,利用带通采样工具采集初始通信信号,通过小波消噪、归一化等步骤,完成初始信号的预处理。利用多端CNN算法构建通信信号识别器,提取幅值、相位、频率等通信信号特征参数,通过特征匹配得出信号调制类型与强度的识别结果,实现通信信号自动调制识别。通过与传统识别方法的对比得出结论：综合考虑有、无干扰两种类型的通信信号,优化设计识别方法的调制类型识别率提高了49.6%,调制强度识别误差降低了约0.0285。     

Hilbert-小波变换的齿轮箱故障诊断*

采用希尔伯特—小波变换对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用小波变换分解获得振动响应信号的各层高频信号小波系数和低频信号小波系数,对小波系数进行重构获得具有不同特征时间尺度的各高频信号和低频信号;再对分解的信号进行希尔伯特变换获得时频信息谱以提取系统的统计特征信息,实现监测齿轮运转工作状态,及时发现齿轮的早期故障,提高机械运行的安全性。仿真研究结果表明,小波变换分解和希尔伯特边际谱方法在故障信息诊断方面是可行和有效的,提高了故障检测的可靠性。     

自适应小波尺度谱阈值在膈肌信号降噪的应用

膈肌肌电信号是人体微弱的生物电信号,此信号常受到心电信号的严重干扰。为了提高阈值在膈肌肌电信号降噪的准确度,提出了一种小波尺度谱阈值自适应的降噪算法。该算法先对膈肌肌电信号进行小波变换,再把小波系数转化为小波尺度谱,然后确定心电干扰位置,并且根据心电邻域小波能量自动调整阈值从而去除心电干扰。通过对膈肌肌电信号进行实验分析,并且与小波阈值方法进行对比,结果表明该方法降低了心电干扰并且保留了膈肌肌电信号的特征。     

小波阈值神经网络在信号去噪及预测中的应用

提出了一种小波阈值神经网络模型(wavelet threshold neural network,WTNN),对合作式接收到的雷达信号进行去噪和预测.这种网络模型把小波最优阂值去噪器加到神经网络中,对带噪信号具有小波最优阈值去噪和预测的功能.对小波系数作单层重构,可简化训练算法,使编程得到精简.其次,通过对训练算法进行分析,得出了最优阈值及权值的调整公式.最后通过对线性调频信号去噪及前向一步预测的实验结果可以看出,当网络输入分别为带有高斯白噪卢、高斯带限噪声、瑞利噪声的线性调频信号时WTNN得到的结果均优于利用Donoho阈值进行去噪后再预测的结果.     

基于高阶阈值函数与小波包的混沌信号降噪

针对混沌信号小波降噪法中,高频段频率分辨率较差,且对小波分解系数所广泛采用的硬、软阈值量化方法存在着局限等问题,给出一种基于新型高阶阈值函数的混沌信号小波包降噪法。该方法采用小波包方法能够对小波分析中没有细分的高频部分进一步分解,保留了有用的高频信息,从而具有更加精确的局部分析能力;且所采用的阈值函数连续光滑,在噪声小波系数和混沌信号小波系数之间存在一个平滑过渡区,更符合信号的连续特性。仿真对比实验表明：与软阈值降噪法以及半软阈值与小波包降噪法相比,该方法对混沌信号的降噪效果明显,信噪比(SNR)有3.7~7dB的显著提高。     

基于HHT变换的起动电动机特征信号时频分析

针对车辆起动电动机电气和机械故障发生时特征信号的时变不平稳特性,进行了时频域分析处理,提出了利用现代信号处理方法对故障信号提取特征向量的方法,主要对起动电动机的电枢和轴承故障进行诊断。在构建电机故障测试实验平台的基础上,利用破坏性实验构造了故障类型,测取了电枢电流和振动信号,分别采用小波分析理论和HHT变换对信号进行分析,通过分解再重构的方式将信号分解成了频率由高到低的不同分量,并获得了故障的特征频率,提取了特征向量。实验结果表明,基于HHT变换的现代信号处理方法在处理时变非平稳信号方面比小波分析理论更具有自适应性,更易识别。     

一种基于小波变换的MQAM信号调制识别方法

MQAM调制样式识别是非合作通信研究的重要内容之一。通过分析MQAM信号在小波域具备的特征,提出了一种基于小波变换的MQAM信号识别算法,该算法不需要预先知道载频、波特率等参数,步骤简单,可在低信噪比情况下实现对MQAM信号的分类。