基于时频重排和时频脊线的信号脉内特征提取

针对小波脊线法在提取雷达信号脉内特征时信噪比性能较差的缺点,本文基于小波变换谱,将时频重排和时频脊线相结合,提出了一种新的时频联合分析方法.该方法借助于时频重排在改善谱图时频凝聚性方面的优势,使算法的信噪比性能得到有效改善.仿真表明,在低信噪比条件下,该方法仍可得到准确的估计值.     

基于Morlet小波在雷达信号脉内特征提取中的应用

为识别雷达信号不同调制方式,可通过准确估计雷达信号瞬时频率来分析信号脉内特征。通过分析小波脊线原理和Morlet小波各种参数对提取调制雷达信号小波脊线特征的影响,提出改进Morlet小波原子。针对不同调制类型雷达信号,分析了正确提取信号脊线特征的条件。提出一种基于改进Morlet小波的小波脊线方法估计雷达信号的瞬时频率。通过仿真实验表明,与普通Morlet小波相比,基于改进Morlet小波在提取信号脊线特征时精确度和抗噪性得到提高。     

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。     

低信噪比下数字调制信号脉内特征提取

为了改善小波变换法在低信噪比下提取数字调制信号脉内特征时的性能,首先利用WVD变换在零频处既可以保持原始信号调制特性不变,又具有很好的噪声抑制作用的特性,对信号进行降噪处理,然后从理论上分析了PSK信号和FSK信号小波脊线的性质,根据不同调制信号小波脊线的差异可以得出其调制类型,进而可以得到信号的频率和码速等脉内调制信息.通过对低信噪比下PSK信号和FSK信号的计算机仿真,取得了较好的效果,也验证了方法的可行性.     

基于时频回归特性分析的信号脉内调制识别

研究雷达识别优化问题,在电子侦察领域,对所截获信号的脉内调制是介于信号检测与解调之间的重要识别方式.为了提高雷达功能,通过短时傅立叶变换,获取信号的时频曲线,在分析线性回归特性的基础上,将脉内调制识别转化为时频曲线线性回归模型.进行计算机仿真,结果表明,方法在无接收信号的任何先验知识,信噪比4dB时,平均识别正确率达98%,仿真也证明了对常用雷达脉内调制方式可提高识别效率.     

复杂脉内调制雷达信号的识别方法

提出一种识别包括相位编码、频率编码,以及脉内混合调制等复杂雷达信号的方法。该方法结合AR模型功率谱估计分析方法和小波变换模极大值方法,将复杂混合调制信号转化成相位编码信号,然后基于高次方频谱分析的方法提取信号的频率特征,首次实现了对6种复杂雷达信号的分类。实验表明,在信噪比为0 dB时,大多数信号的识别率可以达到93%以上。     

基于小波包络差异性的数字调制方式识别技术

针对通信系统中数字信号调制方式难以准确识别的问题,根据归一化前后小波变换包络的差异性,提出基于小波变异系数差值(ΔCV)和相似度特征的识别算法。该算法对MASK、MFSK、MPSK和MQAM 4种数字调制信号进行分类识别。理论分析和仿真实验表明算法简单易行,适用范围广,且在信噪比大于2 dB时数字调制信号识别率均在92.39%以上。     

基于小波熵的辐射源指纹特征提取方法

在对辐射源信号进行小波分析的基础上,提出一种基于小波熵的辐射源指纹特征提取方法。 首先计算辐射源信号的功率谱,对功率谱进行连续小波变换,提取不同尺度下小波系数的熵 特征作为辐射源信号指纹特征。识别分类器采用概率神经网络,对20部手持机进行识别实验 ,并与传统矩形积分双谱进行对比。实验结果表明,该方法能够把辐射源信号的时频特性信 息通过小波系数的熵特征映射到特征向量中,从而实现对辐射源个体的有效识别,而且该特 征参数对噪声干扰不敏感,在信噪比为20 dB时,系统识别率达到95%以上,在信噪比为5 dB 时系统识别率仍优于80%,验证了所提方法的有效性。     

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%。     

基于小波变换的电力线通信信号识别研究

在电力线数字通信信号识别研究中,针对电力线通信强噪声干扰和识别器算法复杂的现状,设计了一种算法简单、计算量小的信号识别器。在输入噪声为背景噪声的条件下,通过小波变换的方法提取电力线数字通信信号的特征值,由统计识别模式得到最优识别阈值,将阈值和信号的特征值进行比较,最终识别信号的调制类型。仿真结果表明,当信噪比为5dB时,类间和类内的正确识别率分别达到93%和95%。     

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...     

Towards an accurate radar waveform recognition algorithm based on dense CNN

Existing algorithms for radar waveform classification currently exhibit the lower recognition accuracy, especially at the lower signal to noise ratio (SNR) environment. To remedy these flaws, this paper proposes an accurate automatic modulation classification algorithm based on dense convolutional neural networks (AAMC-DCNN). The algorithm owns the competitive advantages of strengthening the feature reuse and extracting the detailed feature, for improving the recognition performance of radar waveform at the lower SNR. First, the dense convolutional neural networks (CNN) are designed, which connects each layer to every other layer in a feed-forward pattern. In the latter, 8 types of signals are converted into time-frequency images by choi-williams distribution (CWD), and the large training and testing datasets are fabricated. Then, the transfer learning and Adam optimization are introduced. Finally, the experimental analyses are carried out to evaluate the recognition performance. It is worth mentioning that the classification accuracy can be up to 93.4% when the SNR is ?8 dB, and even reach to 100% at 0 dB, which demonstrates the superior performance over others. The present work provides a sound experimental basis for further studying automatic modulation classification for the sake of future field application in electronic warfare systems.

     

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。     

基于小波调制尺度的语音特征参数提取方法

时频分析的理论基础上,提出了一种基于小波调制尺度特征的参数提取方法。根据人对调制谱信息的感知特性及干扰在调制谱中的特点,采用小波分析技术及归一化处理求得归一化的小波调制尺度特征参数,并以此作为语音的动态特征应用于语音识别系统。通过与MFCC一阶、二阶系数对比的汉语音节识别实验表明,该方法在抗噪声干扰和说话速率变化等方面比MFCC的一阶、二阶系数的性能优越,为提高语音识别鲁棒性提供了一种新途径。     

超声波测距信号小波阈值去噪参数的选定方法

讨论了超声波测距信号小波阈值去噪参数的选定方法和最优选取原则.在超声波测距回波信号中加入10 dB的噪声信号,在MATLAB仿真环境下,用硬阈值函数、软阈值函数、半软阈值函数,分别对超声波回波信号进行处理,通过实验分析得出,在选取2层分解、消失矩阶数为5时,选择Sym7小波基、半软阈值函数降噪时,信号SNR改善较大,为5.35 dB,RMSE最小,为0.094 dB,说明在有效去除信号噪声的同时,重构后的失真最小.