基于小波变换和傅立叶变换的脉内调制特征识别

脉内特征分析是雷达信号分选的基础,也是电子对抗领域里的一个重要课题。主要讨论了用小波变换结合傅立叶变换的谱分析来识别雷达信号的脉内调制特征,并给出了仿真结果。     

小波变换技术及其在信号调制方式识别中的应用

小波变换（ＷＴ）理论正被广泛地应用于各种通信领域,既可以用作非稳态数据谱分析的短时傅里叶变换（ＦＴ）处理,亦可以用作联系时域分析和频域分析的新工具。应用哈尔小波变换分析法对Ｍ元ＦＳＫ和ＰＳＫ信号的分类识别进行了描述,讨论了可供实际使用的相关统计分析法,最后给出了对１０种ＦＳＫ和ＰＳＫ信号的分类识别模拟结果。     

基于小波变换的信号调制方式的识别研究

根据小波理论,利用小波变换的尺度分解和局部放大的能力,对调制信号进行小波变换和分解,挖掘调制信号在间断点的瞬态特性,成功建立了不同调制方式和其调制特征间的对应关系。在不需要同步和符号速率等先验知识的情况下,实现了对MASK、MFSK、MPSK、MQAM等数字调制方式的完全识别。通过理论分析和计算机仿真验证了所提方法的有效性和实用性,具有很高的应用价值。     

基于分数阶傅里叶变换的脉内信号调制方式识别

针对传统的雷达脉内信号调制类型识别方法存在的抗噪性能差和识别率低等问题,提出了一种基于分数阶傅里叶变换(FRFT)的脉内信号调制方式识别算法.该算法分为两步:首先根据不同调制方式在调频斜率上的区别,通过FRFT模值随阶数变化的特点,识别出线性调频信号;然后,再根据阶数为1时FRFT的波形特点,识别出频率编码信号和相位编...     

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.     

时频空交叠信号的脉内调制类型识别算法

复杂电磁环境下的雷达信号分选技术充分利用被侦察信号的特征信息,把分属于不同信号源的雷达脉冲流分离开来。随着脉冲流密度的增加,出现了一些在时频空3个维度上均严重交叠的脉冲,这些脉冲的辐射源信息差别很小,以至于识别算法无法正确将它们区分,进而造成脉冲丢失或错误识别,使得信号分选的性能大大下降。以6种常见的脉内调制类型脉冲为研究对象,针对脉冲之间两两交叠的情况,提出了基于部分快速傅里叶变换算法的时频空交叠信号脉内调制类型识别算法,并通过一系列仿真分析了算法的性能,证明了算法能够有效地分辨频域和空域高度重叠但时域不完全重叠的信号脉冲流,提高信号分选的性能。     

基于Morlet小波变换的MPSK信号调制识别

文中利用了MPSK信号经Morlet小波变换后的相位特性,提出了一种识别MPSK信号的方法。Morlet小波有良好的时频局部特性,与Hilbert变换相比,MPSK信号通过Morlet小波变换后获得了信噪比增益,因此可以更精确提取信号的瞬时相位。受加性高斯白噪声污染的MPSK信号经Morlet小波变换后,相位的概率密度函数可以用Tikhonov函数近似,由近似函数利用相位的统计性质识别MPSK信号。以已有的一种识别算法为例识别MPSK信号,仿真结果表明：在正确识别率为0.9时,采用Morlet小波变换,所需信噪比低约3dB。     

基于小波变换的数字通信信号识别

小波变换对瞬态信息具有较强的检测能力。不同的数字通信信号在码元变化时呈现不同的瞬态信息。分别对幅度未归一化和幅度归一化的3种数字信号（ASK、FSK、PSK）进行小波变换,提取变换后包络方差与均值平方之比作为分类的特征参数,最后利用人工神经网络进行分类识别。仿真结果表明,在低信噪比（5dB）时该算法仍具有很高的识别率。     

基于峰度和小波变换的超短波信号调制识别

针对FM,MSK,QPSK三种具体调制方式,由于在高斯白噪声环境中小波变换幅度方差区分MSK,QPSK调制信号效果较差,以及在不同信噪比条件下零中心归一化瞬时幅度谱密度的最大值对FM,MSK和QPSK识别效果的下降,提出利用峰度和基于小波变换特征量的方法对信号分类识别。该方法首先利用峰度进行模拟与数字调制信号的类间识别,然后采用基于小波变换系数提取的特征量对两种数字调制信号进行识别分类。采用决策树分类方法,利用Matlab对该方法进行仿真验证,仿真结果表明该方法具有较好的识别效果。     

调制信号小波变换的尺度特征

本文根据小波变换的定义和通信调制信号的一般表示形式,分析了典型调制信号的小波系数在时间-尺度平面上的特征,详细推导了小波系数达到最大时所对应的最佳尺度因子与调制类型的关系,并给出了仿真结果.理论分析和实验结果均表明,不同调制信号的小波系数有着不同特征,最佳尺度因子的变化规律与调制类型一一对应,并且与被调制的基带信号存在确定关系.最佳尺度因子的这种特征可用来构造基于小波变换的调制信号分类器和解调器.     

基于调制域的雷达信号脉内特征提取新方法

针对传统调制域检测法在提取雷达信号脉内特征中的不足,提出了一种通过检测极值点来提 取信号脉内特征的方法。首先通过检测出信号极值点,再对极值点进行运算处理,进而提取 出极值点中包含的脉内特征信息。该方法借助于极值点具有最大信息量的优势,并运用二次 提取频率来估计码元宽度,使得算法的信噪比性能得到有效改善。仿真结果表明,与传统调 制域检测法相比,该方法在低信噪比下对于多种类型信号的脉内特征参数的估计精度平均提 高30%。     

基于排序时频特性的雷达脉内调制信号识别

提出了一种基于排序时频特性的雷达脉内调制信号识别算法.该算法可分为三步:首先,通过检验信号时频曲线的互易回归特性,识别出线性调频信号;然后,通过检验信号时频RANKIT图的正态性,识别出常规信号;最后,检验信号平方后时频RANKIT图的正态性,用以区分二相编码与四相编码信号.仿真结果表明,该算法无需接收信号的任何先验知识,在较低信噪比条件下可实现对常用雷达脉内调制方式的有效识别.     

基于小波的无线信号调制识别

介绍了ASK、FSK和PSK三种信号在相同码元区间和码元区间变化时的小波变换，提出了基于小波脊线特征的门限判别法来识别这三种信号，并对提出的方法进行仿真实验。仿真结果表明，该识别方法在信噪比理想的情况下能很好地识别出这三种信号．但在信噪比不理想时，识别PSK信号的效果欠佳。     

基于小波变换的数字调制信号识别方法的研究

该文介绍了一种基于小波分类特征的数字调制信号的识别方法,创新之处在于同时应用了连续小波变换和多层小波分解两种方法提取信号的特征,并且对于不同调制信号采用了不同的分类特征。算法实现时不需要进行码元周期估计以及同步时间估计,从而使分类器的设计变得简单,判决准则简化,提高了运算速度和识别率。     

小波变换与模式识别用于自动识别调制模式

本文提出小波变换与模式识别相结合的算法实现通信信号调制模式的自动识别。不同于其他调制模式识别算法，该算法能同时识别模拟调制信号和数字调制信号。采用小波变换估计信号的码速率以区分模拟信号和数字信号。对模拟信号或者数字信号，提取相应的特征参数，识别具体的调制模式。计算机仿真结果表明SNR≥15dB时，该算法艮有很好的性能。     

雷达相位编码信号的脉内调制特征分析

以二相编码和四相编码信号为例,提出了在低信噪比条件下对雷达相位编码信号进行脉内调制特征提取的算法,计算机仿真、实验室和外场测试的结果证明本算法确实有效.     

基于小波—神经网络的雷达信号脉内特征分析

时频分析是脉内特征分析中常用的一种方法,通过提取雷达脉冲信号的小波脊函数可以获得脉内调制信号在每个采样点的瞬时频率,然后再使用神经网络的方法对小波变换提取出的瞬时频率进行分析,便可以得到信号的脉内调制特征。以MoBet小波和多层感知器为例,对低信噪比下的典型雷达信号进行了仿真分析,结果验证了小波-神经网络分析脉内特征的有效性。     

基于小波变换和支持矢量机的调制信号识别

提出一种基于小波变换和支持矢量机的数字信号自动调制识别新方法，即将信号小波变换后提取各尺度上的能量峰值作为特征向量，利用支持矢量机把分类特征向量映射到一个高维空间，并在高维空间中构造最优分类超平面以实现信号分类。这种方法对高斯噪声具有良好的稳健性，并避免了神经网络中的过学习和局部极小点等缺陷。计算机仿真结果表明，这种方法具有很高的分类性能和良好的稳健性。     

基于小波神经网络的信号调制识别

采用小渡分析与神经网络相结合的思想进行数字通信信号调制类型的识别.首先利用小波分析对信号进行分解,根据小波系数进行特征提取,然后利用概率神经网络对4种常用数字通信信号进行识别.仿真结果表明,小波分析和神经网络相结合,可以很好的实现数字通信信号调制类型的识别.