基于聚类分析的M-QAM信号识别

在对多进制正交幅度调制(M-QAM,M-ary Quadrature Amplitude Modulation)信号星座图的不同聚类识别算法进行比较与分析的基础上,并针对信号码元数目不足的情况,提出了一种利用星座图对称特性与减法聚类相结合的改进算法.算法首先从接收数据中估计出码元速率,并根据码元速率估计值对其匹配滤波及抽样判决来恢复出信号星座图,然后将星座图中关于原点对称的两个象限中的星座点横坐标值与纵坐标值都投影到横轴或纵轴上,并对投影点进行聚类,从而,实现M-QAM调制方式识别.仿真结果证明:该识别算法能正确有效地识别M-QAM信号调制类型,而且减少了计算量,易于实际应用.     

基于星座图的数字调制方式识别

针对现有数字调制方式识别类型有限的问题，提出一种基于星座图的分类算法。算法首先利用盲均衡技术克服信道的多径效应与系统同步误差，再对信号减法聚类，提取聚类中心与理想星座图模型进行匹配，从而实现MASK、MPSK、MQAM等调制方式的识别。仿真证明：星座图是一个稳定的、强健的识别标志。     

有频偏的星座图恢复和匹配

提出一种调制识别算法。首先利用载波相位跟踪盲分离算法估计载波频偏,以消除其对星座图恢复和匹配的影响。然后通过样本与核的相似性度量的动态聚类来恢复信号星座图,利用准最大似然分类准则,完成重构星座图与预期星座图的匹配。在存在频偏的情况下,仿真表明该算法的有效性。     

基于改进的半监督聚类的MQAM信号调制识别

传统的聚类算法用在MQAM信号的调制识别中,算法的迭代次数多,特别对高阶调制信号运算时间长。针对该问题,提出了一种改进的半监督聚类重构星座图的方法,用标记的样本点来指导隶属度和聚类中心的更新,降低了算法的运算复杂度,减少了迭代次数,聚类中心数目准确。通过分析接收端星座图,提取星座图的特征参数R并与标准星座图的参数Rs进行比较,实现了MQAM信号调制方式的识别。仿真结果表明该方法对MQAM信号的识别率在90%之上,且算法的复杂度低,尤其当调制阶数较高、数据长度较长时,能够将运算时间减少为原来的1/3。     

基于星座图聚类分析调制识别的改进算法

通过分析聚类分析在星座图中的应用,得出星座图聚类分析对高阶QAM短突发信号的类内调制识别不适用的结论,从而提出了星座图聚类调制识别法在短突发信号的改进方法。将星座点在坐标轴上投影,利用投影点进行聚类分析,可以提高星座聚类算法在高阶QAM短突发信号调制识别中的性能。仿真结果表明,在短突发信号的条件下,该方法具有良好的识别效果。     

基于改进的半监督聚类MQAM信号的调制识别

传统的聚类算法用在MQAM信号的调制识别中,算法的迭代次数多,特别对高阶调制信号运算时间长。针对此问题,本文提出了一种改进的半监督聚类重构星座图的方法,用标记的样本点来指导隶属度和聚类中心的更新,降低了算法的运算复杂度,减少了迭代次数,聚类中心数目准确。通过分析接收端星座图,提取星座图的特征参数R并与标准星座图的参数Rs进行比较,实现对不同阶数MQAM信号的调制方式的识别。仿真结果表明该方法对MQAM信号的识别率在90%之上,且算法的复杂度低,尤其当调制阶数较高、数据长度较长时,能够将运算时间减少为原来的1/3。     

基于高阶交叉累量特征的调制识别

在对星座图聚类的启发下,构造了一种新的高阶交叉累量.将截获信号的直观几何特征(星座图)映射到变换域中,可区别不同调制内部的同相正交分量的相对关系,避免了聚类算法受噪声干扰和其他随机因素影响.数值化后的星座图特征精度较高,更适合干扰较大的自动智能识别流程.     

一种基于星座图聚类的MQAM识别方法

星座图是数字调制信号MQAM的重要特征,提出了一种利用星座图减法聚类对MQAM信号进行识别的新算法。该算法通过分析接收端信号的星座图,提取描述星座图特征的参数,与标准星座图进行相关比较,实现了加性高斯白噪声下数字调制信号MQAM的识别。通过实验证明该方法可以有效地对数字调制信号MQAM进行识别,而且该算法具有复杂度低的优点。尤其当数据长度比较短时,有较好的识别效果。     

一种基于星座图恢复的多进制相位调制信号识别算法

在实际调制过程中,无线电波传输多径及衰落引起的符号间干扰和信号接收端的载波频偏会造成星座图难以识别。针对这一问题,提出了一种基于星座图恢复和卷积神经网络的多进制相位调制信号识别算法。首先,设定相邻采样点距离和相位角的阈值以筛除发生符号间干扰时的采样点,保留剩余的有效采样点并形成聚类组;然后,通过旋转相邻聚类组抵消载波频偏带来的影响,实现星座图的恢复;最后,利用卷积神经网络对星座图进行特征自动提取和调制识别。实验结果表明,对于实测信号,所提算法能够较好地恢复星座图并实现BPSK、QPSK和8PSK的准确识别。最终的识别准确率达到了99.9%,较星座图恢复前提高了24.2%。     

基于快速鲁棒性特征匹配的目标识别

针对基于特征匹配的目标识别算法复杂度高、难以实时处理的问题,提出基于快速鲁棒性特征(SURF)的快速特征匹配算法.通过应用双阈值顺序聚类算法对特征点进行聚类,并对每一个聚类建立k-d搜索树,采用优先搜索算法匹配模板与图像的特征点,提高了算法实时性.采用RANSAC鲁棒估计算法消除错误匹配点对,计算模板与图像平面之间的单应矩阵,进而实现对目标的准确识别定位.仿真实验证明了算法的有效性和实用性.