基于高阶累积量的数字调制识别

研究了在缺少先验知识的前提下基于高阶累积量特征参量的数字调制识别算法。首先分析并计算不同数字调制信号的高阶累积量理论值,且针对单一高阶累积量识别有限,将各阶累积量进行组合构造不同的分类特征参量;然后,利用设定的合理决策阈值来构建分层分类结构进行分类识别;最后,对于在高斯噪声背景下的传输信道进行仿真实验,仿真实验结果表示,当信噪比等于-3 dB时,MPSK、2ASK、2FSK几种调制信号的识别率达80%以上,当信噪比大于2 dB及以上时,调制信号的识别准确率基本达到98%,充分证明了与其他调制识别方法相比,该算法可以实现低信噪比下提高调制信号识别率。     

基于相位差分的脉内调制信号类型识别

提出了一种工程可快速实现的常见脉内调制信号类型识别算法。首先基于相位差分重构了七种常见脉内调制信号的瞬时频率,然后对信号瞬时频率进行直方图统计和局部峰值检测,提取了10个特征参数,实现了信号的识别。其中,采用了多重相位差分、信噪比阈值频率突变消除和载频粗估计等信号预处理方法,改善了算法对低信噪比环境的适应能力。计算机仿真表明,当信噪比高于4dB时,信号识别概率大于90%。硬件实现表明,信号识别所需时间小于0.2ms,算法具有一定的工程实用价值。     

基于分集接收技术和ALRT算法的MQAM信号识别

航空通信中多进制正交振幅调制(MQAM)信号的调制阶数较大时,主要选用平均似然比检验(ALRT)算法来完成信号的识别.提出了一种基于多天线分集接收技术的AIRT算法,在一定程度上改善了航空通信4种场景下MQAM信号的识别性能,通过仿真发现,滑行场景的调制识别性能改善更为明显,易受信噪比影响和信道衰落的16QAM信号的调制识别性能也大大改善,此外当信噪比超过10 dB,基于多天线分集接收的ALRT算法下MAQM信号的正确识别率基本上达到100％.     

一种基于支持向量机的数字调制识别方法

本文给出了一种基于支持向量机的数字通信信号调制方式识别方法。从信号的瞬时幅度,相位,频率和频谱等特性中提取了7个特征参数,用于训练支持向量机。与已有算法相比,算法结构简单、计算量小,同时考虑了符号成型的影响。仿真结果证明,当信噪比大于10dB时,算法的识别率可以达到95%以上。     

一种改进的语音信号端点检测方法研究

在语音识别系统中端点检测有误差会降低系统的识别率,进行有效准确的端点检测是语音识别的重要步骤.当信噪比较低时,传统的端点检测方法不能有效的工作.为了提高系统的识别率,本文提出了一种更有效的端点检测算法,基于LPC美尔倒谱特征的端点检测方法.它是基于倒谱特征方法的一种改进.实验证明,该算法在低信噪比的情况下,能够准确的检测出语音信号的端点.通过对三种不同的端点检测算法的比较,证明了基于LPC美尔倒谱特征算法在低信噪比的情况下有较高的检测正确率.     

基于神经网络的低压电力线载波通信信号调制识别研究

研究低压电力线载波通信信号调制识别技术对建立相关通信领域的规范化测试标准具有重要意义。通过采集电力线载波芯片发送的调制信号样值,经预处理后提取信号四类特征参数,并利用BP神经网络结合双特征参数阈值判决法对特征参数进行判决归类,从而实现调制类型的自动识别。仿真及实测数据结果表明,提出的特征参数集和基于双特征参数阈值判决的神经网络分类器能够有效识别低压电力线载波BFSK、BPSK和QPSK调制信号,在信噪比大于10d B的情况下,该方法的识别正确率可达95%以上。     

一种PSK/QAM调制方式识别的似然比方法

自动调制方式识别是非协作通信研究中的重要内容.本文研究了基于决策理论的数字通信信号调制方式识别技术,并给出了一种基于检测理论的调制方式识别算法,用于加性高斯白噪声信道内PSK(相移键控)与QAM(正交幅相键控)信号的识别.算法首先对接收到的信号进行幅度归一化处理,提取其中的相位信息,由接收信号的似然函数公式推导出不同信号的似然比,将2种信号的分类问题转化为门限检测问题.该算法步骤简单,可在低信噪比情况下实现对PSK/QAM信号进行分类.仿真结果表明:在4 dB信噪比时,识别成功率可达到90%.     

基于时频峰值滤波的电力线通信噪声消除方法

为了克服电力线通信系统(PLC)中存在的大量噪声,改善低信噪比情况下电力线通信系统通信质量,提高电力线通信系统可靠性,引入时频峰值滤波(TFPF)算法作为电力线通信系统的噪声消除技术。时频峰值滤波算法通过频率调制将电力线含噪信号调制成解析信号的瞬时频率,利用解析信号的Wigner-Ville分布的峰值进行瞬时频率估计,从而恢复有效信号。针对电力线通信系统信号的非线性特性,利用加窗的Wigner-Ville分布实现TFPF。实验证明,在低信噪比情况下,该方法可以有效地消除电力线通信系统噪声,降低误码率(BE     

单载波与多载波调制系统中调制识别算法研究

首先叙述了调制识别技术在通信对抗中的研究意义、单载波与多载波调制的通信调制系统和灵巧通信对抗,然后介绍了无线数字信号的调制样式识别的研究现状。为了能够为灵巧通信对抗打下良好的基础,很好地实现单载波与多载波调制系统中信号特征的类间、类内识别是十分重要的。提出了一种用于识别串行单载波和并行多载波的调制样式识别算法,此算法能够对快变瑞利信道下完成MPSK和OFDM的调制样式识别。仿真结果表明,在信噪比为7 dB时,识别正确率可以达到90%以上。     

基于FEEMD算法对小样本电磁信号的识别与分类

针对当前小样本条件下电磁信号识别算法在不同信噪比下识别准确率较低的问题，提出了一种模糊熵限阈经验模态分解(fuzzy entropy empirical mode decomposition, FEEMD)算法进行电磁信号特征提取，提取表征明显的数据展开短时傅里叶变换(short time Fourier transform, STFT),然后选用Transformer模型分类识别各制式信号。该算法采用8种不同制式的电磁信号分别在-10、-5、0、5、10 dB这5种信噪比下的识别准确率，确定了该网络的最优超参数。仿真结果表明，在5种信噪比下，2FSK、AM、ASK、SSB这4种调制信号识别率均超过90%,QAM16、QPSK和OFDM的准确率由30%～40%提升到了70%以上，由此表明了该算法的有效性和可实施性。     

基于小波支持向量机的数字通信信号调制识别

通信信号自动调制识别在电子战、电子侦察中起着重要的作用。通信信号调制识别的任务是确定信号的调制类型和参数。支持向量机是一种新的通用机器学习方法,这种方法被广泛地应用在模式识别、回归估计和概率密度函数估计中。本文在详细分析了数字调制信号的特点以及小波变换提取瞬态特征原理的基础上,提出了一种利用小波变换支持向量机对数字调制信号进行识别的新方法。该方法通过小波变换将输入向量映射到一个高维特征空间,在这个特征空间内,通过构建最优分类面,即可以用支持向量机对数字调制信号进行分类。计算机仿真结果验证了该方法在不同信噪比条件下具有良好的性能。     

电力线宽带载波通信的干扰过滤技术

电力线宽带载波间存在大量干扰信号,采用传统方法构建的干扰模型,只能在高信噪比的情况下完成通信过程中的干扰过滤,有效信号被淹没于干扰信号中,导致干扰效果差。提出一种基于改进时频峰值滤波算法的电力线宽带载波通信干扰过滤方法,利用频率调制将电力线宽带载波通信中的干扰信号编码成解析信号的瞬时频率,通过瞬时频率估计对干扰信号进行识别;采用时频峰值干扰过滤技术,对电力线宽带载波通信干扰信号中的原始信号进行恢复;在信号处理前,对时频峰值滤波算法进行改进,获取基本模式分量,依据干扰信号与有效信号的主导模态,利用不同窗长进行处理,将得到的电力线宽带载波通信信号应用于时频峰值滤波技术中,实现干扰过滤。实验结果表明,该方法干扰过滤效果好、过滤性能高、运行时间短,具有良好的实用性。     

双向工频通信上行信号识别的算法研究

双向工频通信技术(TWACS)是一种基于配电网络的新型通信技术,它利用独特的调制解调技术可以无需外加设备穿越变压器进行跨区域通信。信号的提取与识别是实现通信的基础也是实现该通信的难点,本文针对TWACS上行信号(inbound)的传输特点提出了一种信号的识别算法,并进行了试验验证。试验表明,该算法简单实用,识别率高。     

基于CWD谱图和改进CNN的无线电调制分类

针对频率随时间的变化规律是不同调制信号之间最重要的区别，提出一种结合崔 威廉斯分布和改进卷积神经网络模型的无线电调制分类识别方法。在信号预处理阶段，为了更好保留信号的时频特征，引入崔-威廉斯变换将原始时间序列转换成时频图像，进而将调制信号分类问题转化成图像识别问题。在信号识别阶段，通过在卷积神经网络模型中引入残差密集块和全局平均池化层，以克服卷积神经网络模型泛化能力差和训练时间久等缺点。实验结果表明，所提方法可以有效解决梯度消失问题，具有识别率高、泛化能力强等优点。尤其是在低信噪比情况下，表现更为优异，在信噪比为-4 dB时，8种信号的分类精度便可达到100%。     

模拟调制方式识别的FPGA设计与实现

调制方式识别广泛应用于在军用和民用通信方面。为了能快速识别出模拟信号的调制方式,采用基于特征参数的调制方式识别方法进行讨论。通过对5种模拟调制信号识别原理的分析,从提高处理速度和减少资源消耗的角度设计了流水线结构的FPGA的实现方案。仿真测试结果表明该方案设计正确、有效合理,并且处理速度快,精度高。     

基于投影分类的语音端点检测方法

针对低信噪比条件下语音端点检测精度受噪声干扰严重的问题,提出了一种基于投影分类的语音端点检测方法。该方法首先利用长时语音信号变化率测度特征进行低信噪比环境中的语音特征计算,充分利用语音信号和非语音信号的不同来增强低信噪比条件下的区分度;接着,采用Fisher准则对语音和背景噪声进行分类识别,确保投影后的特征参数类内散度最小、类间散度最大。实验结果表明,方法具有较高的检测精度,在信噪比为-10 d B的白噪声干扰情况下仍然保持了86.7%以上的正确检测率。     

基于FastICA算法的电力线通信OFDM信号分离方法

提出了一种基于快速独立成分分析(FastICA)算法的电力线通信正交频分复用(OFDM)技术信号分离方法。该方法在FastICA算法对2路观测信号进行解混处理的基础上,将解混信号的前导字段幅度归一化后分别与OFDM符号的前导序列的对应字段进行互相关,取相关值中最大值较大的解混信号作为通信信号,实现了通信信号和噪声的正确识别。定义分离比值为2路相关值中最大值的比值,作为解混效果的评价标准。通过设置合适的分离比值阈值,实现了期望的解混效果。以解混信号的前导字段为参考相位,采用DBPSK调制解调方式,实现了接收数据与解混信号相位无关。建立了MATLAB通信系统仿真模型,仿真结果验证了该方法在低信噪比条件且无纠错编码功能时仍具有较好的通信效果。最后基于硬件平台对算法的可实现性进行了验证测试。     

基于维格纳分布特征的雷达信号分选

针对常规分选参数分选准确率不高和对噪声敏感的问题,应用维格纳分布脉内特征实现了低信噪比条件下未知复杂雷达信号的高准确率分选。对接收到的雷达信号首先求维格纳分布,然后求简化后二维维格纳分布的规范相关系数特征向量,该特征向量反映了信号在时间频率轴上的不同能量分布规律。通过对8种调制方式雷达信号的特征提取和分类仿真实验,结果表明:提取的维格纳分布特征参数在宽信噪比范围内均具有很好的分离性和稳定性,验证了本文方法的有效性。     

基于特征融合的调制识别增强与迁移演化

针对调制识别中单一图像的特征信息不足,区分度不够高,识别范围受限的问题。本文提出了一种基于时频图和星座图特征融合的调制识别特征增强方法,利用深度学习神经网络提取信号图像的特征,构建特征空间,通过多维特征融合,挖掘和整合不同特征的优势,增强模型算法的鲁棒性。此外运用了模型迁移的方法,仅需对分类器进行训练,大幅节约了训练时间和资源,具有很强的实时性和实用性。仿真结果显示,在0db左右的条件下,相比于单一特征图像,采用特征融合增强的方法能将信号的平均识别率提高约25%,通过模型迁移,省去了卷积神经网络的训练,所需的训练时间约为迁移前的9.6%,消耗内存约为迁移前的7.3%,同时模型的识别率损失控制在了5%以内。     

电力线噪声信道下基于小波包变换的OFDM信号检测

电力线通信中面临低信噪比下信号检测的问题。文中将电力线通信最常见的调制信号—OFDM信号作为检测对象,分析了小波包变换的良好时频分析特性,根据OFDM信号与其他单载波信号具有不同的小波包分解特性,引入利用MATLAB平台对该模型进行仿真,仿真结果表明该检测方法可以在低信噪比情况下实现OFDM信号的检测,体现了小波包变换应用于电力线通信信号检测中的优越性。