基于瞬时特征参数的数字调制识别算法

针对数字调制识别在低信噪比下的应用,提出一种基于瞬时特征参数的数字调制识别算法.该算法一方面利用 5 个相对简单的瞬时特征参数改善算法的复杂度,简化识别过程;另一方面,设计一种小波滤波器,对瞬时特征参数进行消噪处理,提高调制识别算法在低信噪比下的识别性能.同时,该算法只需在中频直接对信号进行识别,计算简单,易于实现.通...     

低信噪比下RFID调制识别方法的研究

针对RFID标准中常用的数字调制方式,提出了一种新的低信噪比下测试识别方法。该方法采用自适应阈值小波消噪方法预处理识别信号,提高了在低信噪比下的调制识别能力,设计了一种基于遗传BP神经网络的识别分类器,进一步改善了低信噪比下的识别效果。仿真结果表明,该方法在信噪比为5dB时,识别正确率也能达到95%以上。     

数字通信信号调制自动识别研究

为自动识别MASK、MFSK、MPSK和MQAM信号的调制类型,提出一种瞬时幅度提取算法。该算法不需要对信号进行Hilbert变换和实现码元同步。在此基础上,提出7个特征参数和基于判决理论的调制自动识别算法。仿真结果表明,当信噪比≥8 dB时,识别算法的平均识别成功率≥97%,证明提出的瞬时幅度提取算法和调制自动识别算法均有效,可用于实际信号的在线分析。     

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。     

瞬时频率的Prony方法提取及MATLAB实现

瞬时频率是信号重要的瞬时特征参数,由于其在通信中的信号调制样式识别、电台"指纹"识别等诸多方面有着广泛的应用,故成为信号处理领域的一个研究热点.旨在有效的提取信号的瞬时频率,介绍了瞬时频率的定义、常用的瞬时频率提取方法及扩展的Prony方法的基本原理与步骤,采用Prony方法提取信号的瞬时频率,给出了算法流程和MATLAB实现的核心程序代码,对线性扫频信号和4FSK信号进行了仿真试验,与相位建模法、WVD法相比,估计的瞬时频率在低信噪比时的均方差较小,结果表明该方法可行,在低信噪比条件下有一定的优势.     

多径信道下MPSK信号调制识别算法的研究

针对室内以及山区多径环境下MPSK信号的调制识别,提出一种基于高阶累积量的识别算法。该算法利用高阶累积量良好的抗噪性能,实现了多径信道下的有效识别。理论分析及仿真结果表明,采用本文所提出的识别算法,在中等信噪比条件的,对多径信道的MPSK信号的整体识别率在90%以上,能满足实际应用的需要。     

多注意力机制网络的调制识别算法

针对小尺度衰落信道下调制信号识别率低的问题，提出一种基于多注意力机制网络的调制识别算法。提取信号瞬时幅度/相位特征与同相/正交序列构建双通道输入方式，实现多尺度感受野。通过残差密集块提取双通道数据的频域特征，将特征向量融合后送入双向门控循环单元提取时域信息，引入改进卷积注意力机制模块和软注意力机制捕捉信号的关键特征，构建多注意力机制网络对BPSK、QPSK、8PSK、16PSK、PAM4、GMSK、CPFSK、16QAM、64QAM这9种信号进行调制识别。仿真结果表明，信噪比大于10 dB时，9种信号平均识别率达89.2%以上，与其它深度学习算法相比具有更高的识别率，验证了该算法的有效性。     

基于多节点信息融合和协作的信号调制方式识别

针对单节点在低信噪比环境下调制识别率低的难题,提出了基于一种多节点信息融合和协作的信号调制方式识别方法。首先设计多个传感器节点协作方案,并提取每节点特征,然后中心节点将各节点特征进行融合,最后采用最小二乘支持向量机建立信号调制分类器。仿真结果表明,相比于其他信号调制识别方法,该方法提高了信号调制识别精度,对信噪比环境具有更好的自适应性。     

一种带有二次调制信号的调制识别算法与仿真

针对卫星测控链路中的一种带有二次调制信号,研究了该信号调制识别的算法.从信号的数学描述、频谱分析人手.讨论了不同调制指数下二次调制信号的特点,确定了基于谱分析的调制识别方法.算法先对外调制进行识别,进而采用CZT与FFT联合算法进行信号频率进行估计,然后对信号进行解调,得到内调制信号.对于两路内调制信号的识别,算法采用滑动窗的思想及离散化的方法进行处理,平滑凸现信号后再进行分路,最后对各路内调制信号进行识别.计算机仿真及实际应用证明了该算法在较低的信噪比条件下具有良好的工作性能.方案可以适用于多路内调制信号的情况.     

对基于决策论的数字信号调制识别方法的改进

从特征参数提取的角度对基于决策论的数字信号调制识别算法进行改进,提取五个相对简单的瞬时信息特征参数,并利用决策树方法对信号进行调制识别.改进后的算法除了识别2ask、2fsk、2psk、4ask、4fsk和4psk六种典型数字信号外,还可识别16qam,若进一步增加参数(递归零中心归一化瞬时相位绝对值的平均值),又可识别8psk.实验结果表明:改进算法的复杂度明显降低,且信号识别正确率及适用信噪比范围都有很大程度的提高.     

含噪语音实时迭代维纳滤波

针对传统去噪方法在强背景噪声情况下,提取声音信号的能力变弱甚至失效与对不同噪声环境适应性差,提出了迭代维纳滤波声音信号特征提取方法。给出了语音噪声频谱与功率谱信噪比迭代更新机制与具体实施方案。实验仿真表明,该算法能有效地去噪滤波,显著地提高语音识别系统性能,且在不同的噪声环境和信噪比条件下具有鲁棒性。该算法计算代价小,简单易实现,适用于嵌入式语音识别系统。     

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。     

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。     

基于自适应正则化的全变分去噪算法

Stanley Osher和Martin Burger提出的基于Bregman距离的迭代正则化全变分去噪算法运算速度较快,但是应用于图像去噪时,没有考虑不同区域的灰度分布特性,从而容易导致纹理等重要信息丢失或模糊的缺陷.针对这一现象,提出了一种基于自适应正则化的全变分去噪算法.论文对Osher的去噪模型中的全局正则化参数进行改进,给出了一种根据图像中不同区域的灰度分布特性,自适应选取正则化参数的方法.该算法可以保留图像的边缘和纹理细节信息.实验结果证实了所提算法的有效性,其信噪比较原有方法至少提高1.0 dB以上.     

分布式光纤拉曼测温系统信噪比优化研究

针对分布式光纤拉曼测温系统(ROTDR)信噪比较低的问题,在传统累加平均算法的基础上,提出利用小波包去噪以及埃尔米特插值算法对后向拉曼散射信号进行处理来提升系统信噪比。该方法首先在数据采集端对散射信号进行累加平均去噪,然后使用埃尔米特插值算法进行色散补偿,最后选取sym6小波基对散射信号进行小波包去噪处理。实验表明,该方法将系统信噪比由27.6159 dB提升至32.6988 dB,而且有效补偿了系统的色散效应。选取8 km光纤进行实验,光纤全程温度波动范围从0.65℃~1.15℃降低至0.36℃~0.75℃,不同温度的测量误差中位数小于0.5℃。综上,本文提出的信号处理方案可有效提升系统信噪比及降低系统测温误差。     

基于自适应阈值的脑电信号去噪方法

脑电采集后得到的脑电信号(Electroencephalogram,EEG)中含有噪声信号,为了有效去除噪声并保留有用信息,本文在软阈值去噪的基础上,提出一种改进阈值去除EEG噪声的算法。利用小波变换对EEG信号分解,得到多层的高频系数和低频系数;根据分解层次不同,对小波系数进行自适应的阈值处理;将缩放后的小波系数重构,得到去噪后的EEG信号。以信噪比、均方根误差作为去噪效果的定量指标,将改进算法与硬阈值法、软阈值法、Garrote阈值法进行比较,结果表明,改进阈值法优于其他3种阈值法。     

基于EMD的脉冲星信号消噪算法

为了提高脉冲星辐射信号的信噪比,提出了一种基于经验模态分解(EMD)的脉冲星信号去噪算法。利用经验模态分解将信号分解为一组固有模态函数(IMF)。针对EMD阈值消噪算法性能不稳定这一问题,该算法滤除固有模态函数噪声时,利用相邻信号标准差作为噪声水平的判断准则,并采用自适应阈值,对于噪声含量较高的信号采用低通滤波器消噪。实验结果表明,与EMD阈值消噪方法相比,该算法能获得更高的信噪比,并具有较好的稳定性。     

基于决策理论的模拟数字混合信号调制识别

提出一种基于决策理论的模拟数字混合调制信号自动识别算法,采用基于I/Q正交双路的信号处理架构,利用扩展收敛域的CORDIC算法提取信号的瞬时幅度、瞬时相位和瞬时频率,结合软件无线电中具体的工程实现方法,修改部分识别特征参数,介绍基于判决树的识别流程。仿真结果表明,在信噪比不小于6 dB时,采用该算法的平均正确识别率在94%以上。