基于高效自适应聚类算法的调制识别研究

提出了一种基于星座聚类的通信信号调制识别新方法.该方法将星座图形状作为调制识别的特征,运用聚类算法EAFCM(efficient adaptive fuzzy C-means)重建接受信号的星座图.基于模糊C-均值(FCM)聚类算法的自适应高效聚类算法EAFCM不仅克服了模糊C-均值聚类算法需要预先确定聚类参数c、对初始中心敏感等不足,而且具有良好的抗噪声性能.将该方法应用到对PSK/QAM信号的调制识别,实验结果表明该方法是实际有效的.     

基于模糊C均值聚类和支持向量机的信号识别方法

论文为实现数字信号调制方式的自动识别,提出基于模糊C均值聚类算法和支持向量机的信号调制方式识别方法.设计了基于模糊C均值聚类(Fuzzy C-Means,FCM)的特征参数提取方法,构造聚类有效性评估函数得到不同聚类中心数下聚类有效性函数值,通过有显著差异的聚类有效性函数值来确定信号特征参数集合.利用支持向量机(Support Vector Machine,SVM)构造信号识别模型.与单独聚类方法的识别率相比,该方法提高了系统的调制识别率,尤其是在信号信噪比较低时,信号识别率明显提高.     

OFDM多载波系统中子载波调制识别新方法

针对OFDM （Orthogonal Frequency Division Multiplexing）信号在非合作通信系统中,具有多种子载波调制类型且有些子载波调制类型难以被调制识别的问题,提出了一种对其子载波分类识别的新方法.此方法结合并改进了星座图聚类投影法和对数似然函数（Logarithmic Likelihood Function,LLF）算法,先对不同子载波调制信号进行星座图聚类投影从而识别出常规子载波调制类型,再进一步通过对数似然函数对常规子载波调制类型和偏移正交（Offset QAM,OQAM）调制类型进行分类识别,并在此基础上推导出子载波组的对数似然函数使其计算结果值更容易被判决门限分类.理论推导和计算机仿真结果表明这种方法能在信噪比高于15 dB的情况下完全识别子载波的调制方式.     

改进的DBSCAN算法在调制识别中的应用

提出了一种基于星座聚类的通信信号调制识别新方法。将基于密度思想的M-DBSCAN聚类算法运用于信号星座聚类,通过自适应更新聚类参数,利用其良好的抗噪声性能实现了较低信噪比高斯白噪环境下信号星座图的重构。将该方法应用到对PSK/QAM信号的调制识别,实验结果表明该方法是实际有效的。     

一种基于云模型的PSK/QAM信号调制识别方法

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，本对现有的通信信号自动调制识别技术进行了介绍，并提出了一种新的PSK/QAM信号调制识别方法，该方法将重建的接收信号星座图的形状作为调制识别的特征，首先通过聚类方法重建接收信号的星座图，并利用定性定量转换模型——云模型对重建的星座图进行建模，最后利用基于云模型的不确定性推理得到接收信号的调制方式。实验证明该方法是可行的。     

一种基于差分星座图的调制体制识别算法

针对π/4QPSK和8PSK信号调制体制识别,提出了一种基于相位差分信号星座图的调制体制识别算法.算法利用两种相位差分信号的星座图点数作为识别特征.对单级减法聚类算法不能很好地适应多种调制方式识别的问题,采用一种改进的多级聚类算法得到星座图点数,并通过计算机仿真获得了最佳聚类参数.仿真结果表明,改进后的算法在200个码元下的识别性能至少提高1dB,低信噪比下的性能得到了很大改善.12dB以上时,π/4QPSK和8SK信号的正确识别率达到了100%.     

一种优化的RBF神经网络在调制识别中的应用

提出了一种基于径向基函数 (RBF) 神经网络的通信信号调制识别方法, 该方法采用模糊 C-均值 (FCM) 聚类算法对数据进行聚类, 并获取基函数的参数, 采用梯度下降法训练网络权值. 利用最优停止法对网络进行了优化, 避免了过学习现象, 提高了 RBF 网络的训练速度和泛化能力, 以实际信号数据对该网络进行性能检验, 实验结果表明了该 RBF 网络具有较高的识别精度.     

基于遗传算法的自适应聚类与MQAM星座识别

提出了一种基于星座聚类的MQAM调制识别新方法,运用一种改进的基于遗传算法的自适应聚类算法对MQAM星座进行重构和识别。该自适应聚类算法利用遗传算法的高效全局搜索特性,克服了模糊C-均值算法对初始聚类中心和样本输入次序敏感等不足,结合聚类有效性分析实现了聚类中心数目的自适应调整。仿真结果表明,基于该聚类算法的MQAM信号调制阶数识别方法是有效的。     

判决法对数字和模拟信号的自动识别及验证

调制方式是数字和模拟通信信号的一个重要特征参数,数模通信信号调制方式的快速检测和识别在军用和民用方面都极为重要.以判决法为基础,提出了一种可用于检测和识别11种信号的调制方式的自动识别算法,并给出了该算法的实现流程.计算机仿真结果表明,理论分析与仿真实验验证了该算法的有效性.在信噪比≥9dB时,算法平均识别成功率≥97％,可以应用于实际通信系统中信号的快速检测和识别.     

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.     

Using fuzzy clustering and TTSAS algorithm for modulation classification based on constellation diagram

The automatic recognition of the modulation format of a detected signal, the intermediate step between signal detection and demodulation, is a major task of an intelligent receiver, with various civilian and military applications. Obviously, with no knowledge of the transmitted data and many unknown parameters at the receiver, such as the signal power, carrier frequency and phase offsets, timing information, etc., blind identification of the modulation is a difficult task. This becomes even more challenging in real world.In this paper I develop a novel algorithm using Two Threshold Sequential Algorithmic Scheme (TTSAS) algorithm and pattern recognition to identify the modulation types of the communication signals automatically. I have proposed and implemented a technique that casts modulation recognition into shape recognition. Constellation diagram is a traditional and powerful tool for design and evaluation of digital modulations. In this paper, modulation classification is performed using constellation of the received signal by fuzzy clustering and consequently hierarchical clustering algorithms are used for classification of Quadrature–Amplitude Modulation (QAM) and Phase Shift Keying (PSK) modulations and also modulated signal symbols constellation utilizing TTSAS clustering algorithm, and matching with standard templates, is used for classification of QAM modulation. TTSAS algorithm used here is implemented by the Hamming neural network. The simulation results show the capability of this method for modulation classification with high accuracy and appropriate convergence in the presence of noise.     

Evolutionary fuzzy clustering and functional modular neural network-based human recognition

Computational intelligence shows its ability for solving many real-world problems efficiently. Synergism of fuzzy logic, evolutionary computation, and neural network can lead to development of a computational efficient and performance-rich system. In this paper, we propose a new approach for solving the human recognition problem that is the fusion of evolutionary fuzzy clustering and functional modular neural networks (FMNN). Evolutionary searching technique is applied for finding the optimal number of clusters that are generated through fuzzy clustering. The functional modular neural network has been used for recognition process that is evaluated with the help of integration based on combining the outcomes of FMNN. Performance of the proposed technique has been empirically evaluated and analyzed with the help of different parameters.

     

串联型模糊神经网络PID控制器的设计

该文提出了一种串联型模糊神经网络PID控制器的设计方法 ,该方法利用人工神经元网络的聚类功能来对反馈回来的误差输入量进行分类 ,然后串联一个模糊控制器 ,并根据人工神经网络的分类结果来构造模糊规则库 ,使整个控制器既具有PID调节的功能 ,同时避免了神经元网络的发散问题 ,并解决了模糊规则库构造的困难 ,从而实现对PID控制器参数的智能调节。     

粗糙RBF神经网络集成的模式识别方法

提出一种定义属性重要度的方法,并根据属性的重要度测量元素之间的距离,以确定训练集的聚类情况.由于聚类的不确定性,提出利用粗糙集方法确定精确的下、上近似集合,用其聚类中心作为RBF神经网络的径向基中心,设计两个基函数中心不同的RBF神经网络.最后在经验风险最小化原则下,确定两个网络的每个输出值的置信度,得到神经网络集成的最终输出.网络的训练采用递推最小二乘方法,通过两个模式识别仿真实例验证该方法的有效性和正确性.     

一种改进的聚类算法及其在说话人识别上的应用

目前应用最广泛的模糊聚类算法是基于目标函数的模糊k-均值算法．针对该算法存在的缺点。本文提出一种改进的聚类算法．利用遗传算法的全局优化的特点，在能够在正确获得未知对象的聚类中心数目的同时．克服模糊k-均值算法对初始中心点影响的缺陷。将该聚类算法用于确定EBF(椭圆基函数)网络的隐层节点和中心值等参数，在不依赖文本的话者确认实验中．获得了较好的识别效果。     

基于深度卷积神经网络的数字调制方式识别

针对非协作通信条件下信号调制方式识别问题,提出了一种基于深度神经网络的调制方式自动识别新方法。该方法对接收到的信号进行预处理,生成星座图,并将星座图形状作为深度卷积神经网络的输入,根据训练好的网络模型对调制信号进行分类识别。与以往的识别方法相比,该方法利用卷积神经网络自动学习各种数字调制信号的星座图特征,克服了特征提取困难,通用性不强,抗噪声性能差等缺点,处理流程简单,并对星座图的形变具有不敏感性。针对4QAM、16QAM和64QAM三种典型的数字调制方式,进行了仿真实验,当信噪比大于4时,调制方式的识别正确率大于95％,实验结果表明,基于深度卷积神经网络的信号调制方式识别方法是有效的。     

基于非监督学习神经网络的自动调制识别研究与实现

以非监督学习神经网络为主要研究对象,描述自组织网络的基本模型,分析传统自组织网络的训练算法,提出了一种基于自组织特征映射SOFM(Self-Organizing Feature Map)神经网络的通信信号自动调制识别方法。方法改进了训练算法中的学习率函数和邻域函数,提高了算法的收敛速度和性能,并将其应用在通信信号调制识别中。仿真实验检验基于SOFM神经网络的调制识别方法的性能,并与后向反馈(BP)神经网络加以比较,结果表明SOFM神经网络的调制识别方法具有较高的识别精度,改进后的训练算法提高了识别的有效性。     

基于卷积神经网络的通信信号调制识别研究

针对传统人工提取专家特征来进行通信信号识别的方法存在局限性大、低信噪比下准确率低的问题,提出一种复基带信号与卷积神经网络自动调制识别相结合的新方法。该方法将接收到的信号进行预处理,得到包含同相分量和正交分量的复基带信号,该信号作为输入卷积神经网络模型的数据集,通过多次训练调整模型结构以及卷积核、步长、特征图和激活函数等超参数,利用训练好的模型对通信信号进行特征提取和识别。实现了对2FSK、4FSK、BPSK、8PSK、QPSK、QAM16和QAM64 七种数字通信信号类型的识别分类。实验结果表明,当信噪比为0dB时,七种信号的平均识别准确率已达94.61%,验证了算法是有效的且在低信噪比条件下有较高的准确率。     

基于轻量型网络的单载波信号调制识别

针对当前应用深度学习实现数字信号调制识别过程中网络复杂、计算量高、硬件平台要求高的问题, 本文提出了在改进的MobileNetV3轻量级神经网络中使用信号星座图调制识别的方法. 首先, 将接收到的MPSK和MQAM信号转换成星座图像, 将其进行灰度图像提取, 灰度图像增强, 构建星座图的图像数据集, 然后将ResNet中的跨层结构引入MobileNetV3网络, 解决了随着网络层数的增加, 权重减小而导致的梯度消失现象. 最后将星座图数据集用于训练MobileNetV3的轻量型神经网络权重, 对星座图像进行识别. MobileNetV3基于深度卷积可分离和神经架构搜索(network architecture search, NAS)技术在保证识别精度的前提下, 大大降低了参数量和训练时间, 将对于简单信号的调制识别, 轻量型神经网络可以有效简化网络结构, 降低对硬件设备的要求. 仿真结果表明, 针对的调制信号(BPSK、QPSK、8PSK、16QAM、64QAM), 能实现识别率为99.76%的调制识别, 相较于传统应用深度学习实现调制识别的网络, 网络参数量和计算量明显减小.