基于高阶累积量和循环谱的信号调制方式混合识别算法

为了识别当前通信系统所采用的主要调制方式,该文结合高阶累积量和循环谱的特点,采用混合识别算法,同时应用智能决策算法(神经网络)对信号进行识别。该算法基于四阶和六阶高阶累积量构造出一个新的特征参数,将数字调制信号分为{BPSK, 2ASK}, {QPSK}, {2FSK, 4FSK}, {MSK}和{16QAM, 64QAM}5类。然后利用高阶累积量的其它特征参数以及循环谱特征对{OFDM}, {16QAM, 64QAM}, {2ASK, BPSK}及{2FSK, 4FSK}进行识别。为便于工程实现,该文采用半实物仿真以及LabVIEW和MATLAB混合编程来验证算法。仿真结果证明,该算法能够在较低信噪比下实现对{OFDM, BPSK, QPSK, 2ASK, 2FSK, 4FSK, MSK, 16QAM, 64QAM}等多种信号的分类,在信噪比高于 5 dB时,调制方式识别率可达94%以上,由此证明了该方法的有效性。     

基于谱相关理论的信号识别算法

采用了频域平滑周期图法估计循环谱,选取信号的Sx^＋（0）截面谱中谱峰个数为特征,提出了一种调制信号识别算法,给出了信号识别流程图及步骤,并进行了计算机仿真实验。仿真结果显示,该识别算法对这几种调制信号的识别具有较高的识别精度。     

基于深度学习的卫星信号调制识别算法

为实现卫星信号调制方式的分类,提出的高阶累积量与K最近邻算法(KNN)调制样式识别算法选取对噪声不敏感的5种高阶累积量特征参数用于信号的识别,通过KNN作为分类器对信号分类。实验结果表明,当信噪比(SNR)高于12 dB时,信号的调制方式可以被高效地识别,并且识别率趋近100%,但需要人工设计和提取特征参数。因此,提出了循环神经网络(Recurrent Neural Network, RNN)的卫星调制信号识别算法,以信号的IQ数据作为模型的输入,通过LSTM进行分时特征提取,全连接层进行分类,最终完成识别。在采样长度等于512,SNR大于4 dB时,识别率趋近100%。与KNN相比,LSTM网络的识别性能更为优越,尤其在低SNR的情况下,可以高效识别6种调制方式。     

分布式MIMO系统多分量调制信号频率估计

针对分布式多输入多输出系统中的多频偏估计问题进行了研究,提出一种多分量调制信号的高分辨率频率盲估计方法。该方法避免了直接对多分量调制信号进行稀疏表示,无需导频等先验信息,避免传统频率估计方法中的内插、去相位混叠等处理,可一次性精确估计出所有信号频率。通过正定盲源分离方法从接收信号中分离出多个源信号,经过盲去调制处理,将其转换成多单频信号,根据多单频信号的稀疏表示,利用一个随机的压缩矩阵对信号进行压缩,再在压缩域中通过 模优化重构该稀疏信号,获得频率估计。仿真结果表明,与现有算法相比,所提方法可在少数据量、低信噪比下获得高精度估计性能,可在5dB时达到1e-6的平均均方误差。      

卫星常用调相信号自动调制识别算法

针对高阶幅度相移键控（APSK）信号在卫星通信中的应用,提出了一种识别数字调相信号的新方法。在信噪比估计的基础上,利用信号包络的统计特征对MPSK,MQAM,16APSK和32APSK信号进行区分。理论推导和实验仿真验证了该统计特征具有对加性高斯白噪声和滚降系数不敏感的特性。根据鲁棒性较好的四阶循环累积量提出一种新的特征参数Q以实现MPSK和MQAM信号的类内识别。仿真表明,当信噪比达到5dB时,该方法拥有较好的识别率（〉95％）。     

基于多端特征融合模型的MIMO-OFDM系统盲调制识别

自动调制分类(Automatic Modulation Classification,AMC)在认知无线电中起着提高频谱利用率的重要作用,然而,现有的大多数工作都集中在单输入单输出系统中的单载波通信。针对当前非协作通信中多输入多输出正交频分多路复用(Multiple-Input Multiple-Output Orthogonal Frequency Division Multiplexing,MIMO-OFDM)系统子载波的盲调制识别问题,本文提出了一种基于多端特征融合模型的盲调制识别方法。首先,利用特征矩阵的联合近似对角化算法(Joint Approximate Diagonalization of Eigenvalue Matrix,JADE)从接收端的混合信号中恢复发送信号。然后,提取恢复信号的循环谱剖面和同向正交分量作为浅层特征。最后,搭建多端特征融合模型,利用一维卷积网络(One-Dimensional Convolutional Neural Network,1D-CNN)与通道注意力模块(Channel Attention Module,CAM)的串联模型完成对浅层特征...     

一种改进的基于ICA的信号增强方法

根据一路带噪信号，采用独立分量分析方法去除加性噪声，从理论上讲就是在观测信号向量的维数小于源信号向量维数情况下的独立分量分析问题。问题的关键是如何构造另一路观测信号，使问题有解。文中提出了一种改进的构造方法，这种方法非常简便，实验结果表明其分离性能比较理想。     

直扩信号特征提取技术

介绍了直扩系统的基本原理。针对能够集中体现直接序列扩频(DSSS)信号波形和频域的特征,对时域相关检测法、循环谱检测法、倒谱检测法和高阶累积量检测法进行了深入的分析与研究。采用上述数字信号处理技术分别对DSSS信号进行特征提取的仿真和验证,并给出了每种检测技术的性能及优缺点。     

常规调制信号与扩频信号的调制识别算法

由于直扩信号（Direct Sequence Spread Spectrum, DSSS）通常淹没在噪声中,为了有效地识别直扩信号、跳频信号（Frequency Hopping Spread Spectrum, FHSS）和常规调制信号,提出基于瞬时特征和高阶累积量的识别算法。首先推导证明了FM、MFSK、MPSK、DSSS、FHSS信号的归一化四阶累积量切片 是相同的,并推导得到AM和MQAM的 通用公式。然后,利用归一化四阶累积量切片 特征参数检测噪声中通信信号,利用占用带宽特征参数将信号分为扩频信号和常规调制通信信号两类;最后利用瞬时特征参数和高阶累积量特征参数,分别识别扩频信号和5种常规调制通信信号。仿真结果表明,当信噪比高于1dB时,该算法对上述7种信号的正确识别率可达到100%。      

基于高阶循环累积量的SQAM信号调制识别算法

该文利用通信信号的循环平稳特性,在循环累积量域内构造信号分类特征,提出了一种基于高阶循环累积量的调制识别算法,实现对SQAM信号分类。算法对载波频率偏差、时延和相位旋转具有稳健性,并可在多信号环境且存在载波频偏的情况下实现对感兴趣信号的识别。理论分析和仿真结果均证明了算法的正确性和有效性。     

基于ICA的雷达信号欠定盲分离算法

该文针对源信号时域和频域不充分稀疏的情况,提出了欠定盲源分离中估计混合矩阵的一种新方法。该方法对等间隔分段的观测信号应用独立分量分析(ICA)的盲分离算法获得多个子混合矩阵,然后对其分选剔除了不属于原混合矩阵的元素,最后利用C均值聚类的学习算法获得对混合矩阵的精确估计,解决了源信号在时域和频域不充分稀疏的情况下准确估计混合矩阵的问题。在估计出混合矩阵的基础上,利用基于稀疏分解的统计量算法分离出源信号。由仿真结果,以及与传统的K均值聚类,时域检索平均算法对比的实验结果说明了该文算法的有效性和鲁棒性。     

基于含噪复值ICA信号模型的快速不动点算法

复数快速不动点算法亦称为复数FastICA算法,是盲信号分离的一类重要算法。然而,该算法对被噪声污染的混合源的分离效果较差,尤其是在低信噪比的情况下。这主要是由于在噪声环境下,被白化过后的信号样本的相关矩阵不再是单位阵而是一个对角矩阵。该文基于复信号快速不动点算法,首先将基于含噪复值ICA信号模型的混合源投影到信号子空间,以便进行去噪和去相关处理,然后对现有的复数FastICA算法的学习规则做了修正,从而在迭代更新过程中考虑了噪声的影响,因此将显著提高复数FastICA算法的盲信号分离性能。文中给出了去噪非圆信号nc-FastICA算法的推导和步骤,仿真结果说明了该算法的有效性。     

基于独立分量分析的多分辨率遥感图像融合算法

研究了目前常用的遥感图像融合方法,提出了基于独立分量分析的多分辨率遥感图像融合方法,分析了用于独立分量分析的目标函数（如峭度、近似负熵和互信息）,给出了独立分量分析的优化快速算法,并详细描述了提取源信息独立分量的具体步骤。最后,将独立分量分析法应用于高分辨率光学图像和低分辨率光学图像的融合,与采用主分量分析法融合的图像相比,图像质量得到很大的提高。     

基于独立成分分析的多时相遥感图像变化检测

变化检测是通过分析多时相遥感图像间的差异实现地物变化信息的提取,而消除多时相遥感图像中的相关性是提取变化信息的一种有效途径。独立成分分析(ICA)作为近年出现的盲源分离技术,能够有效地消除多源信号间的二阶和高阶相关,经其变换的各分量之间相互独立。该文提出一种应用ICA变换实现多时相遥感图像变化检测的算法,首先对多时相多光谱遥感图像进行独立成分分析,得到彼此没有相关信息的独立成分,并且各独立成分图像中的变化信息得到增强;然后通过分析变换后的独立成分实现地物的变化检测。实验结果显示该算法比传统的方法具有更好的性能。     

太赫兹MIMO弧形阵列方位向成像算法研究

该文提出一种新的在太赫兹频段下基于MIMO弧形阵列的方位向成像算法,通过将MIMO弧形阵列等效转换为MIMO线阵,基于等效MIMO线阵引入RMA算法思路对弧形阵列方位向图像进行重建。该文详细介绍了MIMO弧形阵列与普通MIMO线阵的等效转换,建立了相应的成像信号模型,设计了MIMO弧形阵列太赫兹单频方位向成像算法,并通过计算机仿真验证了该算法的可行性与有效性。     

垂直分层空时码的MAP检测器及其神经网络实现

该文基于最大后验概率准则,给出了垂直分层空时码的最佳检测箅法。算法对接收到的符号矢量的符号分量进行逐个地判决以使误符号率最小。同时还详细说明了径向基函数神经网络可以完全等价于最大后验概率检测算法,由于神经网络的硬件可实现性,本文提出的算法是可能在实际中应用的。     

基于切比雪夫-迹迭代的大规模MIMO系统软输出信号检测

在多用户大规模多输入多输出(MIMO)系统信号检测算法中,最小均方误差(MMSE)算法可取得近似最优性能,但MMSE算法中高维矩阵求逆的复杂度过高,导致在实际应用中难以快速有效地实现。同时,对于高阶正交幅度调制(HQAM),如果符号向比特的解映射采用硬判决,将会导致后续信道译码的性能明显下降。因此,该文针对采用格雷编码的HQAM的多用户大规模MIMO系统,提出一种基于切比雪夫-迹迭代(CTI)的低复杂度软输出信号检测算法。该算法不但有效地规避了信号检测所需的高维矩阵求逆,同时,利用格雷编码的调制信号的比特翻转特性和二叉树结构,给出了一种融合三叉链表搜索的比特对数似然比(LLR)简化计算方法。仿真结果表明,该文所提的软输出信号检测算法最多需要3次迭代就能收敛并可取得接近MMSE算法的性能,在复杂度和性能之间取得了很好的折中。

     

一种消除误差累积的多级快速独立分量分析算法

针对传统串行FastICA算法存在误差累积的缺点,该文提出一个多级结构的快速独立分量分析算法(MSFICA)。该算法采用两级结构来消除误差累积。为了降低算法的计算复杂度,第1级采用一种维数不断降低的方法来得到分离向量的初始值。第2级利用第1级得到的初始值直接对白化后的观测信号进行处理,不需要进行正交投影。仿真结果表明,该文提出的算法在增加少量计算复杂度的情况下,成功消除了误差累积,并且比已有的消除误差累积的并行算法有更好的SINR性能和BER性能。     

波束空时分组编码的ICA盲检测方案

理论研究已经证明,结合波束形成和空时分组编码的混合系统与传统的单纯使用波束发射或空时编码的方案相比具有很大的性能提高;传统的译码方案是借助接收端的信道估计来实现的,它需要知道准确的信道状态信息(CSI)。但如果信道估计不易实现,则系统性能将受很大影响。独立分量分析(ICA)作为一种经典的盲信号分离技术可以在不进行信道估计的情况下对发射信号实现有效检测。本文针对接收端的信号结构提出了一种基于ICA的正交检测方案;并通过仿真将新方案与传统方案进行了性能比较。仿真结果表明,新方案具有较好的系统适应性和误码率特性。     

Blind equalization of MIMO systems based on orthogonal Constant Modulus Algorithm

This paper investigates adaptive blind source separation and equalization for Multiple Input Multiple Output （MIMO） systems. To effectively recover input signals, remove Inter-Symbol Interference （ISI） and suppress Inter-User Interference （IUI）, the array input is first transformed into the signal subspace, then with the derived orthogonality between weight vectors of different input signals, a new orthogonal Constant Modulus Algorithm （CMA） is proposed. Computer simulation results illustrate the promising performance of the proposed method. Without channel identification, the proposed method can recover all the system inputs simultaneously and can be adaptive to channel changes without prior knowledge about signals.