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。     

基于高阶累积量的数字调制信号识别

利用接收信号的高阶累积量为特征参数,实现了对多种常用数字调制信号(2ASK/BPSK,4ASK,QPSK,8PSK,2FSK,4FSK)的分类识别.由于信号六阶以上累积量的计算过于复杂,在选取特征参数方面主要利用信号的二、四阶累积量.8PSK与MFSK信号的二、四、六阶累积量的值均相同,直接计算无法区别.针对这一问题,首先对8PSK和MFSK信号求微分再利用四阶累积量来进行识别.实验证明,所提取的特征能够有效抑制高斯白噪声的影响,并且计算简单,便于实现.当信噪比为8 dB时,识别率基本达到100%.与已有算法的比较,结果证明了该算法的优越性.     

一种改进的BP神经网络调制分类器

本文致力于基于神经网络的通信信号调制类型识别器设计研究.论文提出了一种改进的BP神经网络分类器,它采用7个特征参数,可以对CW、2FSK、4FSK、8FSK、2PSK、4PSK、8PSK、8QAM、16QAM、4ASK、8ASK共11种调制类型实现正确分类识别.论文讨论了方案设计,给出了仿真试验结果,并将其与其他神经网络分类器进行了性能比较.     

一种改进的BP神经网络调制分类器

本文致力于基于神经网络的通信信号调制类型识别器设计研究。论文提出了一种改进的BP神经网络分类器,它采用7个特征参数,可以对CW、2FSK、4FSK、8FSK、2PSK、4PSK、8PSK、8QAM、16QAM、4ASK、8ASK共11种调制类型实现正确分类识别。论文讨论了方案设计,给出了仿真试验结果,并将其与其他神经网络分类器进行了性能比较。     

基于高阶累积量和谱分析的数字调制信号识别

提出了一种基于高阶累积量和谱分析识别多种数字调制信号的算法。首先根据各调制信号四阶和八阶累积量的不同,定义一个特征参数实现信号的类间识别;其次根据不同调制信号二次方谱与四次方谱的不同,提取出相应的特征参数,从而实现信号的类内识别。仿真实验结果表明,该方法在较低信噪比条件下可以对2/4/8PSK、2/4/8FSK信号实现识别,且识别率较高,具有很强的实用性。     

软件无线电中调制信号的神经网络识别方法

对接收信号的调制类型进行自动识别,在软件无线电这类多模式通信系统中非常重要.本文从调制信号幅度、相位、频率及功率谱等特性中提取特征参数,用于识别2ASK、4ASK、2FSK、4FSK、BPSK、QPSK、16QAM、MSK等信号.仿真结果表明采用神经网络识别算法,不仅可提高识别的智能化,而且能提高正确识别率.     

基于高阶累积量和DNN模型的井下信号识别方法

针对矿井复杂异构的无线环境,提出一种基于高阶累积量和DNN模型的井下信号识别方法,实现了井下BPSK,QPSK,8PSK,2FSK,4FSK,8FSK,32QAM,64QAM,OFDM等数字信号的自动调制识别。分析得到9种数字信号的高阶累积量理论值,并通过傅里叶变换提高信号辨识度;分析井下小尺度衰落信道对高阶累积量的影响,推导出经过井下衰落信道后信号的高阶累积量计算表达式,根据高阶累积量理论值构造特征参数并训练DNN模型,实现信号识别。仿真分析结果表明,该方法在矿井Nakagami-m衰落信道下有出色的调制识别性能,信噪比为-5 dB时平均正确识别率为89.2%以上,信噪比为5 dB以上时平均正确识别率为100%。该方法为在特殊复杂环境下的信号识别检测提供了新思路。     

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。     

软件无线电中调制信号的神经网络识别方法

对接收信号的调制类型进行自动识别,在软件无线电这类多模式通信系统中非常重要。本文从调制信号幅度、相位、频率及功率谱等特性中提取特征参数,用于识别2ASK、4ASK、2FSK、4FSK、BPSK、QPSK、16QAM、MSK等信号。仿真结果表明采用神经网络识别算法,不仅可提高识别的智能化,而且能提高正确识别率。     

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.     

多功能数字信号调制器的研究

本文介绍以８０３１单片机为核心的数字信号调制器的实现原理，由于采用了倍频技术和复合波形合成技术，因而这种数字信号调制器的传输速率在１００－９６００ｂｉｔ／ｓ范围内可调，并且在ＡＳＫ、ＦＳＫ、ＰＳＫ、ＤＰＳＫ、ＱＡＭ等信号调制方式可供选择，以便适用于各种特性的信道。     

QAM调制技术及其MATLAB仿真

文章首先概述了QAM调制技术的原理,然后重点介绍了QAM调制技术在有线电视系统中的作用和意义,并且对QAM的频道设置和输出进行了说明。文章还利用MATLAB对基于QAM的数字通信系统进行仿真,得到了良好效果的接收星座图和补偿后的星座图、信道估计图、系统BER分析图。仿真结果表明这种通过MATLAB实现的数字通信系统具有较强的可实现性,为实际应用和科学合理地设计正交幅度调制系统,提供了高效的仿真平台。     

DSP-based hierarchical neural network modulation signal classification

This paper discusses a real-time digital signal processor (DSP)-based hierarchical neural network classifier capable of classifying both analog and digital modulation signals. A high-performance DSP processor, namely the TMS320C6701, is utilized to implement different kinds of classifiers including a hierarchical neural network classifier. A total of 31 statistical signal features are extracted and used to classify 11 modulation signals plus white noise. The modulation signals include CW, AM, FM, SSB, FSK2, FSK4, PSK2, PSK4, OOK, QAM16, and QAM32. A classification hierarchy is introduced and the genetic algorithm is employed to obtain the most effective set of features at each level of the hierarchy. The classification results and the number of operations on the DSP processor indicate the effectiveness of the introduced hierarchical neural network classifier in terms of both classification rate and processing time.     

Blind signal modulation recognition through clustering analysis of constellation signature

Automatic recognition of digital modulation schemes is becoming an active research area in many covert operations. It has many military applications where surveillance and electronic warfare requires a type of modulation in intercepted signal to prepare jamming signals. Most of the approaches are based on modulated signal's component, but the modulation type can be best identified with the use of constellation diagram. The proposed technique is able to recognize M-QAM, M-ASK, and M-PSK modulation scheme in Additive White Gaussian Noise (AWGN) environment. As the constellation points form clusters in the I-Q plane, the order of the modulation can be obtained by estimating the correct number of clusters, which is calculated by OPTICS algorithm. The least square error has been calculated using linear regression from the obtained constellation points, to identify either ASK or PSK and QAM. The error is least for ASK which differentiates ASK from PSK and QAM. To identify between the PSK and QAM, k-means clustering is employed to find the number of centroids equal to order of modulation estimated by OPTICS. With the difference in maximum and minimum absolute value of the centroids, PSK or QAM is recognized. The proposed method shows an improvement in the classification accuracy which reaches 100% using 1024 symbols at 20 dB compared to 98.89%, 98.05%, and 98% when using more complex classifiers like Support Vector Machine, Naive Bayes Classifier, KNN respectively. The method used is unsupervised whereas most of the methods in the literature require training phase to set the thresholds or weights for final model to detect modulation type. This algorithm is also implemented in LabVIEW, and tested on real-time signals. An intelligent system is made which does not require any knowledge of symbol rate, carrier frequency, and any training phase to set thresholds, and detects the type of modulation blindly in real time. Modulated RF signals are generated by NI PXIe-5673 (RF transmitter). NI PXI 5600 is used to downconvert RF signal and NI PXI-5142 (100 MS/s OSP digitizer) is used to sample the downverted signal.     

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FPGA的多通道高速波形发生器设计

为了产生多通道的高速信号,波形发生器以FPGA为核心,结合高速高精度数模转换器和高速运算放大器,采用DDS技术来实现高速信号的产生。波形发生器采用PCI总线与上位机进行通信,上位机通过发送控制命令改变波形发生器输出信号的种类、频率、相位。波形发生器还可以进行AM调制、FM调制、ASK调制、PSK调制和FSK调制等。     

基于软件无线电和LabVIEW的RFID调制制式测试研究*

RFID(radio frequency identification)测试技术已成为RFID技术研发和应用实施过程中的重要技术保障。提出了一种新的基于LabVIEW的RFID调制方式测试方法。在软件无线电的基础上,采用四个特征参数,通过由图形化编程语言LabVIEW实现对2ASK、4ASK、2FSK、4FSK和BPSK等RFID系统典型调制方式进行识别。讨论了方案设计,给出了仿真实验结果。仿真结果表明,该方法具有较好的识别率和实时特性。     

基于软件无线电和神经网络的RFID调制制式测试研究

RFID测试技术的发展对RFID技术的成熟和广泛应用具有重要的理论意义和实用价值;RFID调制制式测试(识别)则是RFID测试技术重要研究内容之一;文中提出了一种新的基于软件无线电的RFID调制方式测试方法;`在软件无线电的基础上,采用4个特征参数,用BP神经网络实现对2ASK、4ASK、2FSK、4FSK和BPSK等RFID系统典型调制方式进行识别;讨论了方案设计,给出了仿真实验结果;仿真结果表明该方法具有较好的准确性和稳健性。