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.     

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。     

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。     

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。     

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.     

瑞利信道下基于累积量的调制识别方法

针对瑞利信道下调制方式分类的问题,提出了一种基于累积量的识别方法。该方法利用四阶累积量和六阶累积量的组合作为特征参数,采用决策树分类器,能够实现二相相移键控(BPSK)、四相相移键控(QPSK)、四进制幅移键控(4ASK)、四阶正交幅度调制（16QAM）、五阶正交幅度调制（32QAM）、六阶正交幅度调制（64QAM）和正交频分复用（OFDM）七种调制方式的识别分类,且计算量小,易于实现。从理论上进行推导与分析,所提方法对瑞利衰落和加性高斯白噪声干扰不敏感。计算机仿真结果表明：信噪比大于4dB时,正确识别率达到90%以上,说明了所提方法的可行性及有效性。     

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。