基于高阶累积量的OFDM信号子载波的调制识别

提出一种在多径信道下的OFDM信号的子载波调制方式识别算法,利用两个高阶累积量特征先后识别出OFDM信号中空子载波信号和导频子载波信号,再通过一个特征矢量对OFDM子载波的调制方式进行识别,从而完成OFDM信号子载波调制方式的识别。该方法不但可消除多径效应带来的影响,而且减小了噪声对识别性能的影响。通过仿真可以看出,在信噪比为10d B时,正确识别率可达95%以上。     

基于高斯和功率谱特性的小波调制识别研究

小波调制是一种全新的多载波通信调制方式,该文基于OFDM和小波调制信号的渐近高斯分布和频谱特性,探讨了加性高斯白噪声信道条件下小波调制信号的识别。利用调制信号的高阶统计量和功率谱峰度为分类特征,采用信噪比与特征参数联合估计的方法,分别实现多载波与单载波调制信号、OFDM与小波调制信号的识别。仿真实验结果表明,该方法具有良好的识别性能,且能很好的抑制高斯噪声的干扰。     

基于相位融合特征和残差网络的调制智能识别

针对调制识别依赖人工提取的经验特征、识别准确率低的问题,提出基于相位星座图和矢量轨迹图融合聚类的智能识别算法.通过对接收信号进行滤波、定时同步预处理,恢复出较理想的基带信号,将信号的波形数据转化为星座图和矢量轨迹图特征.利用深度学习（DL）将调制识别转换成图像的分类问题,将所提取的特征通过2路并行输入的轻量级残差结构网络,开展分层学习和特征融合训练,完成对目标调制方式的识别.仿真实验表明,基于融合特征的识别结果优于目前的基于高阶累积量、星座图和波形数据的识别结果,当信噪比（SNR）高于2 dB时,对MPSK（调制的阶数为2、4、8）、MQAM（调制的阶数为16、64）、MAPSK（调制的阶数为16、32）这7类调制的识别率可以达到95.14%.     

用高阶累积量实现数字调相信号的分级识别

针对BPSK,QPSK,OQPSK和8PSK信号的调制模式自动识别,传统的基于高阶累积量算法无法区分QPSK和OQPSK,因此提出了一种基于差分高阶累积量的识别算法。该算法首先用四阶累积量提取待识别信号和其差分序列的特征参数,然后用决策树分类法实现信号的分级识别。理论分析和计算机仿真结果表明该算法有较强的抗噪声和抗相位抖动能力,在信噪比〉3dB时识别率达95％以上,更适用于较低信噪比下信号的识别。     

利用累量不变量对MPSK信号分类

针对MPSK信号的分类问题，提出一种新的基于高阶统计计量的分类特征。新特征对MPSK信号星座图的平移、尺度和相位旋转变换具有不变性，并可抑制有色和白的加性高斯噪声。新特征用于MPSK信号分类，在给定的数据长度和中等信噪比条件下，得以了很高的识别概率。最后给出了计算机仿真结果，并与已有算法进行了比较。     

矿井通信中酉空时调制信号的高阶统计特性识别

多天线系统的酉空时调制(USTM)技术能够在矿井通信中提供可观的分集增益,且无需信道估计,具有良好的抗衰落能力,但目前尚未见有效的识别方法.针对矿井通信的特点,根据酉空时调制的特殊性,利用随机矩阵的特征函数,提出与之适应的高阶联合矩和高阶联合累积量算法;依据高阶联合统计量的差异,分别在单天线和多天线系统中实现了USTM信号与相移键控信号(MPSK)及垂直分层空时码信号(V-BLAST)的分离,从而完成了对酉空时调制信号的调制识别.结果表明:所提取的特征参数在矿井通信中对噪声有很好的抑制作用,算法简单,易于实现,而且在低信噪比下依然有很好的识别率,能有效提高矿井通信数据传输能力和可靠性.     

多径信道下调制信号识别新方法

针对多径信道中存在调制信号识别难以实现及识别率低的问题,提出了一种全盲的基于小波变换和高阶循环累积量相结合的算法(W-HOCC).该算法利用小波变换的线性性质和循环累积量的叠加性质构造识别特征,即把接收信号在小波变换前后的四阶累积量的比值作为识别特征参数.从理论上证明了该算法能够消除多径信道参数的影响.仿真结果表明:在信噪比为0dB的多径瑞利衰落信道下,分类2ASK、2PSK和4QAM信号的识别率几乎达到100%;与基于高阶累积量的算法相比,在识别BPSK和QPSK时,W-HOCC算法的性能明显优于基于高级累积量的算法,而且具有更强的抗噪声和抗多径能力.     

多径衰落信道下OFDM信号盲识别

针对多径衰落信道下正交频分复用(OFDM)信号调制识别难题,提出一种基于循环自相关的OFDM信号调制识别算法.通过对多径衰落信道下具有循环前缀的OFDM信号循环自相关特性的数学推导,验证了在一定延时处,OFDM信号的循环自相关会出现峰值,而单载波信号无此峰值,据此特性可以实现多径衰落信道下OFDM信号和单载波信号的调制识别.该算法消除了如符号时间估计、载波估计、波形恢复、信噪比估计等预处理过程,计算复杂度低,识别率较高.理论分析及仿真结果均验证了该算法的正确性和有效性.     

基于AR模型谱估计的调制方式自动识别算法

使用现代谱估计技术估计出平滑的调制信号功率谱,从信号的功率谱和信号平方的功率谱中提取出谱峰个数和谱峰的峰态量两个特征参数.在不需要先验知识的情况下,可对常用的MPSK和MFSK信号进行自动识别.仿真结果表明,两个新特征值在信噪比较低时（-2 dB）仍然能有较高的识别率.     

一种引力搜索优化神经网络的调制识别算法

为了提高低信噪比条件下调制信号识别率,提出一种基于引力搜索算法优化神经网络的数字调制识别算法。首先通过瞬时特征、高阶累积量和小波变换提取信号的6个特征参数。然后基于Tent映射初始化神经网络的权值和阈值,降低局部收敛的概率;当陷入局部最优时,对精英粒子进行柯西扰动,增加全局搜索能力;通过自适应改变引力衰减因子代替原有固定取值,从而提高引力搜索算法的收敛速度。最后利用混合引力搜索算法优化神经网络,将特征参数输入优化后的神经网络分类器对信号进行分类识别。仿真结果表明,该识别算法在信噪比为-1dB时,信号的整体识别率达到95%以上。