基于无线传感网的分布式协作调制识别算法

针对低信噪比时单接收节点调制识别率低的问题,提出了基于无线传感网的分布式协作调制识别方法,在低信噪比下实现对四种典型调制方式的正确识别。首先利用网络中相互协作的多个传感器节点,从提高性能出发,在节点能耗最小的前提下,根据特征的识别能力与信噪比的关系以及特征计算量来设计协作方案,每节点只提取部分特征。中心节点处将汇聚来的特征组合成特征向量,并利用支持向量机分类器对其进行分类。仿真表明,该方法的识别性能优于单节点和已有的多节点方法,传感器节点能耗降低,并且对信噪比环境具有更好的自适应性。     

基于特征融合的多节点调制识别方法

针对传感器网络节点的分布式结构,给出了基于特征融合的多节点联合调制识别方法。首先利用似然比推导了特征融合的联合识别准则;然后依据准则给出了多节点调制识别的仿真性能;最后和基于决策融合的多节点调制识别方法进行了比较。仿真结果表明,在没有过多增加网络通信负载的情况下,特征融合相比决策融合提高了识别性能。     

基于高阶统计量和星座图的通信制式识别研究

针对实际工程中基于高阶累计量的调制方式识别方法对信噪比要求较高且对部分调制方式识别率低的问题, 本文提出了基于双谱分析和星座图相结合的一种新的调制方式识别方法。基于高阶累积量提取特征值,进一步对取得的累积 量特征值求傅里叶变换得到接收信号的双谱分析,对QPSK、OFDM和QAM调制信号进行分类识别,对于QAM调制中的 16QAM、32QAM和64QAM调制方式再依据星座图结果进行识别。通过实验数据表明,此调制方式识别方法识别率较高,高 阶谱分析对信噪比要求低。     

基于循环谱包络的多信号调制识别

针对单通道接收机在多信号环境下难以处理信号调制识别的问题,提出一种不经信号分离直接提取各独立分量信号特征以有效识别多个相移键控(PSK)信号的新方法。该方法从理论上推导了时频重叠多分量信号在循环频率轴上的可分性,在此基础上提出了信号调制特征的提取方法和易于工程实现的信号识别方法。理论分析和仿真实验表明：该方法能不受干扰地提取各分量信号的调制特征,并能有效识别调制集内任意组合的双相移键控信号,当信噪比(SNR)为0dB时,各信号组合的平均正确识别率能达到97%。     

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CLDNN的调制信号识别方法

调制信号的识别在军用的电子战和民用的智能化无线通信中占有重要的地位,针对现有识别方法识别种类少、整体识别率不高和需要预处理等缺点,设计一个CLDNN端到端深度神经网络.该网络无需人工干预或数据统计,自动提取特征并进行多类调制信号类型识别.实验结果表明,该方法能够同时识别11种信号的调制方式,在低信噪比下识别效率相比现有方法有所提升,当信噪比在-4 dB以上时,整体识别精度达到94％以上.     

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。     

基于深度卷积神经网络的数字调制方式识别

针对非协作通信条件下信号调制方式识别问题,提出了一种基于深度神经网络的调制方式自动识别新方法。该方法对接收到的信号进行预处理,生成星座图,并将星座图形状作为深度卷积神经网络的输入,根据训练好的网络模型对调制信号进行分类识别。与以往的识别方法相比,该方法利用卷积神经网络自动学习各种数字调制信号的星座图特征,克服了特征提取困难,通用性不强,抗噪声性能差等缺点,处理流程简单,并对星座图的形变具有不敏感性。针对4QAM、16QAM和64QAM三种典型的数字调制方式,进行了仿真实验,当信噪比大于4时,调制方式的识别正确率大于95％,实验结果表明,基于深度卷积神经网络的信号调制方式识别方法是有效的。     

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。     

机场终端区RF信号深度调制识别方法

论文构建了24种不同信号调制类型的数据集,并提出一款端到端的信号调制识别神经网络.研究了网络卷积层数、卷积核以及训练数据集大小对信号调制识别性能的影响.所提方法避免了基于特征提取的信号调制识别方法中所需的特征选择、信号同步、载波跟踪、信噪比估计等繁杂的处理流程.最后,引入迁移学习技术解决因信道环境变化导致网络识别性能下...     

基于权值自适应优化的协作频谱认知算法

提出一种基于权值自适应优化的协作频谱认知算法。根据各协作认知节点的信噪比分配合适的权值向量,反映对检测统计量的贡献大小。基于最小均方误差原则,权值向量可根据实际的各节点信噪比向量进行自适应优化,从而提高认知网络中存在低信噪比节点时的检测性能。仿真结果表明,与传统协作算法相比,该算法无论在节点高信噪比或低信噪比条件下均有更优的检测性能,且收敛速度较快。     

基于软判决的LDPC码校验向量识别算法

针对现有 码校验向量识别算法的容错性差和识别率低的问题，提出了一种 码校验向量的迭代识别算法。该算法首先利用信道输出的软信息分析校验关系对数似然比的概率分布特性，找到一种校验向量的预判决方法，大幅度降低了构造校验向量的搜索空间；然后在软判决条件下，利用广义对数似然比对搜索空间中的向量进行判决，得到校验向量；最后，利用多组数据进行迭代，求解搜索空间中的校验向量。实验结果表明，与已有算法相比，本文算法的向量搜索空间大幅度降低，算法的识别率提高约15%，而且算法获得的译码增益提高约2.3 dB。     

基于小波不变矩的雷达辐射源信号识别

针对雷达辐射源信号识别,提出一种基于时频分布的小波不变矩特征向量提取和识别分类方法。对雷达辐射源信号时频图像进行处理,对图像进行小波变换,提取小波矩的特征向量。采用支持向量机分类识别的方法,对特征向量进行训练,实现信号识别。对6种常见雷达信号进行分类,结果表明在信噪比较低的情况下也能取得较好的识别效果,在SNR为-3 dB时,识别正确率仍达到93.9%。     

改进自适应双门限协作频谱感知算法

频谱感知是认知无线电领域的关键技术之一,得到了众多学者广泛深入的研究。在低信噪比情况下,传统双门限算法阈值门限固定不变导致检测效果较差,针对该问题,提出一种自适应双门限协作频谱感知算法,通过计算各节点信噪比得到权值,调整判决门限,将当前判决结果与前后时刻充分联系,融合各节点判决信息得到最终判决结果,理论分析和仿真结果表明,相较于传统双门限和加权双门限检测算法,本文提出的算法具有更好的检测效果。     

基于侧边协作系统的物理层密钥生成方案

传统侧边协作系统下用于生成密钥的信道特征值是协作信道与直接信道的乘积,这种方案的密钥生成速率较低。为提高密钥生成速率,提出利用两个独立信道的信道特征之和来生成密钥。在前两个时隙,合法通信双方通过信道探测,获得其直接信道的信道状态信息。在后两个时隙,合法双方分别获得各自与协作信道之间的信道状态信息。最后利用直接信道与协作信道的和作为随机密钥源。基于侧边协作系统,分两种情况介绍该方案：单个侧边协作节点,单个双向协作节点。仿真结果表明,该方案可以获得更高的密钥生成速率,并且随着SNR的增加,该方案泄露的信息量趋向于一个常数。     

基于门限动态调整的最优协作检测方法

为提高协作频谱感知的检测效率、减少系统的反馈开销,提出一种基于门限动态调整的最优协作检测方法。在单节点检测错误概率最小的情况下,导出能量检测中门限值与信噪比的关系表达式,利用二分法求得不同信噪比下的动态门限值。根据系统恒虚警率和恒检测率计算最优协作用户数,并与动态门限值相结合得到系统检测错误概率。仿真结果表明,该方法协作检测概率较高,检测错误概率较低。     

基于主客观赋权的多属性空间节点选择算法

针对空间协作传输中单属性协作节点选择算法无法兼顾系统可靠性和生存时间的问题,引入多属性决策方法（MADM）,综合考虑信道衰落等级、协作节点剩余能量和误码率三个属性对空间协作节点进行多属性评估,提出一种基于主客观赋权的多属性空间协作节点选择（SOW-CNS）算法。首先,根据信道受阴影衰落影响程度,建立两状态无线信道模型,分别为无阴影Loo信道衰落模型和有阴影Corazza信道衰落模型;其次,引入基于主客观赋权的多属性决策策略,使用层次分析法和信息熵法建立空间协作节点的主观属性权向量和客观属性权向量;然后,使用最大熵原理和离差和最大法计算主客观属性权向量;最后,利用主客观属性权向量与各节点的属性值计算各潜在节点的评价值,进而选出最佳协作节点参与空间信息协作传输。仿真结果表明,与传统最佳质量协作节点选择算法（BQ-CNS）、能量公平性协作节点选择算法（EF-CNS）和随机协作节点选择算法（R-CNS）相比,基于主客观赋权的多属性决策算法不仅降低系统误码率,而且能够获得更长的系统生存期。     

基于数据驱动缺失特征检测与重建的声纹识别

声纹识别系统的识别性能会随着环境噪声的增强而急剧降低,为了使系统具备一定的噪声鲁棒性,提出了一种基于数据驱动缺失特征检测与重建的声纹识别前端处理方法。充分利用大量数据训练得到的信息估计子带信噪比,检测、标记和重建被噪声污染严重的子带特征,从而得到噪声鲁棒性特征参数。实验表明,该方法在低信噪比环境下取得了较高的识别率提升,在非平稳噪声下系统性能也有着较好的改善。