基于高阶累积量和三角矩的联合多参数特征OFDM信号盲识别

提出一种瑞利衰落信道条件下的多载波调制盲识别算法,用以区分多载波调制信号(如OFDM)和数字单载波调制信号(如:MASK、MFSK、MPSK、MQAM)。该算法对传统算法进行了改进,提出了利用信号的高阶累积量构造的组合识别参数以及信号的三角矩特征参数来分类单载波信号与OFDM多载波信号。该算法不需要预先知道信号的载波频率和波特率,只需从中频信号直接进行识别处理。仿真结果表明,该算法具有抗多径能力强、识别率高的优点,在SNR高于0 dB时识别率可达100%。     

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.     

基于卷积长短时深度神经网络的信号调制方式识别方法

针对信号调制方式识别计算复杂度高、低信噪比（SNR）条件下识别率较低、网络结构相对单一的问题,提出一种基于卷积长短时深度神经网络（CLDNN）的信号调制方式识别方法。首先,采用基准开源数据集RadioML2016.10a,对该数据集做同相正交（I/Q）数据转换,并将得到的结果作为网络输入;其次,构建CLDNN模型,模型分为三层卷积神经网络（CNN）、两层长短期记忆（LSTM）网络和两层全连接网络（FCN）;最后,对所提模型进行训练及测试,得到分类结果。实验结果表明,对11种信号在不同SNR下进行调制方式识别时,与现有的单一网络结构模型如残差神经网络（RES）模型、CNN模型和残差生成对抗网络（RES-GAN）模型进行对比,随着SNR的提升,CLDNN模型的识别准确率也随之提高,且CLDNN模型的识别准确率均高于其他3种对比模型,当SNR在4 dB以上时,达到了92%。     

基于高阶累积量和SVM的OFDM调制制式识别

针对Rayleigh衰落信道条件下OFDM信号与单载波信号调制识别问题,提出一种基于高阶累积量和支撑矢量机的信号识别算法.在接收端计算接收信号的高阶累积量作为提取的特征值,构造分类特征向量,支撑矢量机分类器将分类特征向量非线性地映射到高维特征空间中,并建立一个最优超平面来实现信号调制方式的分类.该方法不需要信号的载波频率、波特率等先验信息,直接在中频对信号进行处理.仿真结果表明,该算法对Rayleigh衰落和高斯噪声均不敏感,对信噪比的变化有很强的适应能力.且该算法识别概率高,性能稳定,复杂度低,适合实时处理.     

一种基于ST-RFT算法的数字调制信号识别方法

将短时拉曼努金傅里叶变换(ST-RFT)应用于数字调制信号识别的研究中,以寻求提高低SNR条件下数字调制信号识别率的新方法。通过归一化ST-RFT谱图计算、特征参量提取以及阈值判别来实现调制信号的识别。针对5种常见的数字调制信号进行仿真分析,结果表明,在SNR=0 dB的信噪比条件下,基于ST-RFT算法的数字调制信号识别方法的平均识别率可以达到90%,比基于谱图时频分析法的识别率提高了10.4%;特别是相比于基于瞬时幅度和瞬时频率的特征方法,4FSK调制信号的识别率可提高9%。基于ST-RFT算法的数字调制信号识别方法能够 在低SNR条件下有效识别数字调制信号,具有良好的工作性能。     

基于高阶累积量的多音并行调制信号检测研究

针对多音并行信号的调制识别问题,提出了一种基于四阶累积量的识别方法,用以识别特定通信协议下子载波调制样式为MPSK的多载波调制信号.该方法利用带通MPSK信号的累计量特征,在不考虑相位影响的情况下提出了该多音并行信号近似模型并通过理论计算和仿真验证此模型的正确性.然后利用此模型通过计算仿真找到子载波数与累计量参数的对应关系.根据这种对应关系提出识别算法并进行识别仿真,仿真结果表明在低信噪比(-5dB)下有很好的识别效果.     

基于支持向量机的小波包调制信号识别

基于小波包调制信号和OFDM信号在分数阶傅里叶变换域分布的不同,利用图像成形技术对接收信号的分数阶傅里叶变换域分布图进行处理,探讨了小波包调制信号和OFDM信号的分数阶域分布成形图的特征参数,利用支持向量机做分类器,实现了这两种多载波调制信号的分类识别。计算机仿真结果,验证了算法的性能。     

MPSO算法优化BP网络的数字调制识别方法

数字调制信号的识别方法有很多,其识别效果不尽相同。为了提高数字调制信号在不同信噪比（Signal-to-Noise Ratio,SNR）下的识别性能,提出了一种基于改进粒子群（Modified Particle Swarm Optimization,MPSO）算法优化BP网络的识别方法。针对七种常见的数字调制信号,提取了六个瞬时特征参数,其中[Rσa]参数是改进得到的,同理类推得到[Rσp]。为了在保持基本粒子群（Particle Swarm Optimization,PSO）算法优点的基础上进一步提高算法的性能,增加了对粒子邻域信息的参考,再用MPSO算法优化BP网络的权值和阈值。从仿真实验可以看出,应用此方法,七种信号的识别率都可以达到86％以上,从而证明了该方法能有效地提高数字调制信号的识别性能。     

多径瑞利快衰落信道下OFDM信号的识别

提出了一种在多径瑞利快衰落信道条件下,OFDM信号与单载波信号调制制式识别的方法.利用接收信号的两种高阶累积量的组合作为信号分类的特征值,有效抵消瑞利衰落和多普勒频移的影响.该方法可以在中频对信号进行处理,不需要信号的载波频率、波特率等先验信息.计算机仿真表明,该方法对多径瑞利快衰落和多普勒频移稳健,识别概率高,算法复杂度低,适合实时处理.     

基于谱相关特性和组合神经网络的数字调制信号识别*

针对通信信号非稳定、信噪比（SNR）变化范围大的特性,利用调制信号的循环平稳特性,提取出五种对SNR和信号调制参数不敏感但对调制类型敏感的特征参量。为提高分类性能,设计了一种采用多个不同神经网络的组合分类器结构,采用输出向量加权表决的融合规则。仿真表明,低信噪比下组合神经网络分类器比单个神经网络分类器有更高的识别率。     

正交基带通信信号的调制方式盲识别

基于基带信号频率低,算法计算量小的优点,提出了一种在不需信号先验知识的情况下识别基带正交调制信号的方案。该方案利用接收信号的基带谱特性和统计特性,从中提取抗噪声,且对频偏和相偏不敏感的特征,对信号进行模拟数字的联合自动识别。对真实采集信号进行实验验证,结果表明：在信噪比不小于7 dB时,对数字和模拟调制方式都未知的信号,算法可以得到95%以上的正确识别率。     

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。     

基于谱相关和RBFNN的调制识别算法

根据谱相关函数理论,对常用通信信号的谱相关函数和谱相关平面图的分析,提取4个可用于调制信号识别的谱相关特征参数.分类器算法采用改进的RBF神经网络.利用提出的联合特征参数和分类器算法能动态识别信号的调制方式.仿真结果表明,该算法在不增加算法复杂度的前提下,在低信噪比下能够取得较高的正确识别率.     

基于PMF-FFT的北斗B1I弱信号捕获算法研究

北斗B1频点信号中,由于NH码调制的影响,使得相干积分时间限制在1 ms,因此,在弱信号条件下,使用传统的捕获方法将无法捕获到卫星信号.针对B1I信号特点,提出了弱信号的捕获算法,该算法以PMF-FFT为单元,采用改进的相干积分的算法并结合差分相干积分算法捕获北斗信号,改进的相干积分算法可以克服NH码调制的影响,而差分相干积分相对于非相干积分算法可以降低平方损耗.仿真实验结果表明,当取改进相干积分次数为10,差分相干积分次数为3时,该算法能够成功捕获信噪比为-37 dB左右的微弱信号.     

连续波背景下多信号处理方法

对接收到的信号进行短时傅里叶变换，通过分析短时傅里叶变换中每一个时间片内的信号频谱，检测出连续波背景下的脉冲信号。滤除线性调频脉冲信号成分，保留连续波信号成分，得到调频连续波信号具有周期性的时频变化曲线。根据连续波信号时频变化曲线的频谱特征，估计出其主要参数，然后滤除脉冲信号出现时间内信号中的连续波成分，并采用相应的方法估计出其参数。仿真结果表明，本文算法可以准确估计出线性调频连续波（LFMCW）信号和线性调频（LFM）脉冲信号的参数，当LFMCW信号的信噪比高于-8dB，并且其功率比脉冲信号功率小6dB以上时，算法具有良好的估计精度和稳定性。     

基于BP神经网络的数字调制识别方法

针对低信噪比条件下通信信号调制类型识别困难的问题,提出一种新的基于瞬时信息的数字调制识别方法。该方法采用改进的小波阈值消噪算法对信号的瞬时信息进行消噪处理,从而增大不同调制信号间特征值的差异,再采用弹性反向传播(RPROP)算法训练的BP神经网络对MASK,MFSK,MPSK,MQAM等7种调制信号进行分类识别。仿真结果表明:该算法在信噪比低至2dB时,能使所有调制信号均达到96%以上的正确识别率,极大地改善了低信噪比下的识别性能。     

Classification of modulation signals using statistical signal characterization and artificial neural networks

Modulation recognition systems have to be able to correctly classify the incoming signal modulation scheme in the presence of noise. A new method for classification of analogue and digital modulated signals at low signal-to-noise ratio (SNR) is introduced in this paper. This method uses the statistical signal characterization (SSC) to extract parameters to classify the different modulation signals. The SSC technique produces a set of four numerical parameters for a specific modulated signal. Subsequent comparison of these parameters to those of other waveforms provides the basis for our classification system. The results of SSC technique are applied to an artificial neural network (ANN) to have a robust classification system in the presence of noise down to SNR of 3 dB. No a priori information is required by this technique about the set of input waveforms. The input to the classification system can be analogue or digital signals or a combination of both. The proposed technique shows a 100% efficiency of classification of analogue signals or digital signals at SNR of 7 dB. This classification efficiency reduces to 83% and 86% for analogue or digital signals at SNR of 3 dB. The SSC technique shows better classification results in comparison with other techniques with an important advantage over other methods, which is the simplicity of the neural network needed with this technique due to the small number of features used in the classification.     

Control design in the presence of actuator saturation: from individual systems to multi-agent systems

Science China Information Sciences - The purpose of this paper is to present a quantitative SNR analysis of quadratic frequency modulated (QFM) signals. This analysis is located in the...     

低信噪比下的脉内调制方式识别

雷达信号脉内调制方式识别是电子对抗的重要内容。在实信号进行正交变换的过程中通过频域滤波来滤除带外噪声,提高信噪比,对滤波后的复信号利用改进的相位展开算法计算瞬时相位,然后对得到的瞬时相位曲线进行三次多项式拟合,根据拟合离差、拟合参数来自动识别常规信号、线性调频信号和三次多项式相位信号,并在正确识别调制方式的基础上进行参数估计。计算机仿真表明,本方法在信噪比不小于0dB的条件下,正确识别率达90%以上,且参数估计的精度较高。