莱斯衰落信道下 MQAM 信号调制方式自动识别方法

针对受莱斯衰落影响的4QAM、16QAM、32QAM、64QAM、128QAM、256QAM六类信号,分别研究了卷积神经网络（CNN）模型以及特征参数结合深度神经网络（DNN）分类器模型的调制方式识别性能。CNN模型需要大量带标签的数据集以及很长的训练时间才能获得较好的识别性能,而特征参数结合深度神经网络分类器模型所需训练时间较短,但其分类性能受限于特征参数的设计。针对以上问题,研究了混合高阶矩作为特征参数集,再将DNN作为分类器对多进制正交幅度调制（MQAM）信号进行识别的方法。仿真结果表明,该方法在低信噪比情况下对受莱斯衰落影响的MQAM信号识别准确率高于CNN模型,且分类准确率上限明显高于采用高阶累积量作为特征参数的方法。     

一种非协作通信信号特征提取方法

在非协作通信中,如何在低信噪比的衰落信道下,从截获的信号中提取特征参数,从而准确的判别其调制方式是研究的重点。特征参数的高阶累积量可以去除噪声干扰,针对当前非协作通信领域中低信噪比下调制识别率不高的问题,结合高阶累积量的自身特性,提出新的信号特征提取方法。以Nakagami信道为例,以信号的四阶累积量作为特征参量,并对四阶累积量进行分类门限的划分,主要讨论BPSK,8PSK和16QAM这3种信号在不同符号数下的准确识别率。仿真表明,8PSK在符号数为500时,在信噪比为-5 dB到0 dB的高斯白噪声信道下,识别率在90%以上。     

卫星通信中32APSK调制方式的研究

本文研究APSK调制方式的星座优化,根据最小欧氏距离得到优化后的APSK星座。在MATLAB下,搭建了32APSK调制解调的系统仿真模型,对其星座图进行了优化,并仿真32APSK的性能,和传统的QAM调制方式性能进行比较分析。     

基于混合统计参数识别多种数字信号调制方式

为识别QAM等阶数高于4的数字调制信号及提高调制识别算法对高斯白噪声(AWGN)的鲁棒性,在决策论识别参数的基础上,增加了高阶统计量识别参数,并利用混合参数的经向基函数(RBF)神经网络实现数字信号调制样式自动识别,提高了对数字调制信号的识别能力.仿真结果表明,所提出方法对信噪比SNR=-5~20 dB的2ASK、4ASK、8ASK、2PSK、4PSK、8PSK、2FSK、4FSK、8FSK、16QAM和64QAM 11种数字调制测试信号均可以较好地识别.     

基于盲调制识别的工业控制MIMO-STBC通信系统性能研究

为了提高无线工业控制系统中通信传输系统的性能,本文设计了基于盲调制识别的工业控制MIMO-STBC通信系统,并对所设计的通信系统以Alamouti空时分组码为例,结合盲调制识别分类算法进行了仿真实验.实验结果表明:在瑞利衰落信道下,当调制方式组合为BPSK、QPSK、8PSK和BPSK、QPSK、16QAM时,相比于传统的基于盲调制识别的工业控制SISO通信系统,本文设计的基于盲调制识别的工业控制MIMO-STBC通信系统分别约有2.6 dB和4.3 dB增益,具有更优的误码性能.     

利用高阶累积量的时频重叠MPSK信号调制识别

针对多信号的互相干扰,在时频重叠情况下调制识别困难的问题,提出一种基于高阶累积量的识别方法。由于不同数字调相信号的高阶累积量存在差异;并利用高阶累积量对噪声的不敏感性,从中选取四个特征参数。采用决策树的分类方法,对任意方式组合而成的十种相移键控三信号进行制式识别。实验结果表明,在信噪比不低于0 dB的情况下,可以有效地识别十种时频重叠三信号。与现有的算法对比,该算法在提高信号识别率的基础上,同时也增加了可识别时频重叠信号的个数。     

基于高阶循环累积量的OFDM信号子载波调制识别算法

针对OFDM(正交频分复用)信号的子载波调制方式在高斯信道下的盲识别问题,提出一种基于高阶循环累积量调制识别方法。本文通过理论分析了高斯信道下子载波采用不同调制方式的OFDM信号的四阶循环累积量,并证明了只有当循环频率等于子载波频率时,OFDM信号的四阶循环累积量才不为零_[8],由于不同调制方式的OFDM信号的四阶循环累积量值不同,因此将信号四阶循环累积量值作为特征量来区分信号的不同调制方式。该方法不需要任何的先验信息就能识别子载波调制方式,仿真表明该方法具有一定可行性。     

基于累积量的通信信号调制样式类间识别

为了避免通信信号调制识别过程中的去载波、波形恢复和符号定时等预处理过程,该文将高阶累积量直接用于中频数字信号的识别。该算法通过估算信号功率对高阶累积量进行归一化,克服了信号幅度缩放的影响,从而使该算法不需要信号的任何先验知识。仿真证明高阶累积量对具有不同包络特征的信号具有良好的识别能力,并且在高信噪比时六阶累积量比四阶累积量的识别效果更好。     

16QAM与16PSK性能对比分析研究

在通信理论中,数字调制相比模拟调制方式具备许多优点,但都以增加信号带宽为代价。带宽作为有限资源,为提高利用率,就必须改进调制技术,引入多进制调制。文中研究了目前主流的两种多进制数字调制方式16PSK和16QAM,从多个角度对比分析两种调制方式的性能并得出结论,16QAM具有更加广泛的应用。     

基于谱相关和神经网络的信号调制识别

由于通信信号的体制及调制及调制方式的复杂多样,通信信号调制类型的识别显得尤为重要和迫切.基于调制信号的谱相关特征,提取了5个特征参数,给出了各个参数随信噪比变化的曲线图.分类器采用RBF神经网络,并从提高网络识别性能出发,构建了大容量和高质量的网络训练样本,能够扩大识别范围,提高识别精度.基于谱相关特征参数和RBF神经网络结合的算法能动态识另q信号的调制方式,仿真结果表明:该算法在低信噪比下能取得较高的正确识别概率.     

基于支持向量机的分级调制识别方法

目前大部分调制识别方法存在计算量过大和分类器训练困难等问题.针对这一现状,提出了一种基于支持向量机(SVM)的分级调制识别新方法.将接收信号的累积量和瞬时频率统计量作为分类特征参数,并利用支持向量机作为分类器对其进行分级调制分类.该方法相比其他非分级调制识别方法具有较低的计算复杂度和较快的分类器训练速度,并且对于载波频率偏移、相位抖动以及Gauss噪声均具有良好的鲁棒性.计算机仿真表明,针对ASK、FSK、PSK、QAM等11种数字调制信号,当噪声采用Gauss白噪声,并且信噪比≥5 dB时,正确识别率高于95%.     

基于MDAPSK的OFDM水声通信研究

将高阶差分幅度相移键控调制(MDAPSK)技术与正交频分复用(OFDM)技术相结合,提出了一种应用于水声信道的高阶调制传输体制,以实现水下无线通信高速率数据的有效可靠传输.在分析MDAPSK调制原理的基础上,研究其在OFDM水声通信系统中的应用,仿真和水池试验比对分析了MDAPSK与幅度相移键控调制(APSK)、正交振幅调制(QAM)、差分相移键控调制(DPSK)等不同调制方式的性能,试验结果表明:在未使用纠错编码情况下,采用16DAPSK调制的OFDM水声通信系统有最低的误比特率,无须插入导频进行信道估计,因此具有最高的有效传输速率.验证了MDAPSK调制方式在高阶调制通信系统中综合性能更为优越.     

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>3 dB时识别率达95%以上,更适用于较低信噪比下信号的识别。     

基于高阶累积量构造特征参数的调制识别方法

针对传统基于高阶累积量的无线通信信号调制识别方法存在不含频率信息、低信噪比(signal to noise ratio, SNR)下识别率低及识别种类较少等问题，设计了一种新的基于高阶累积量构造特征参数的调制识别方法.该方法引入一阶微分和中值滤波预处理等技术，有效解决了多进制频移键控(M-ary frequency-shift keying, MFSK)信号的组内识别问题.进一步地，改进特征参数设置，设计识别流程，提升低信噪比下多达10种常用调制信号的识别率.蒙特卡洛仿真实验验证了所设计方法具有识别信号种类多和识别率高等优点，有望应用于实际场景.     

基于高阶累积量和星座图的调制识别算法

提出了一种基于高阶累积量和星座图的数字调制信号识别的算法.该算法利用信号的高阶累积量,并结合改进的星座图聚类分析法,采用一种分层的多分类器对信号进行分类.算法中所选用的特征参数对信号的幅度和相位抖动不敏感,同时能有效地抑制加性高斯噪声.仿真结果表明,在接收数据长度为800和信噪比不低于6 dB的情况下,该算法对不同调制...     

基于高阶循环累积量的正交频分复用(OFDM)信号子载波调制识别算法

针对OFDM(正交频分复用)信号的子载波调制方式在高斯信道下的盲识别问题,提出一种基于高阶循环累积量调制识别方法。通过理论分析了高斯信道下子载波采用不同调制方式的OFDM信号的四阶循环累积量,并证明了只有当循环频率等于子载波频率时,OFDM信号的四阶循环累积量才不为零,由于不同调制方式的OFDM信号的四阶循环累积量值不同,因此将信号四阶循环累积量值作为特征量来区分信号的不同调制方式。该方法不需要任何的先验信息就能识别子载波调制方式,仿真表明该方法具有一定可行性。     

软件通信适配器的调制模式识别算法

在异构卫星网络动态组网时,为了解决星上软件通信适配器对物理层调制模式识别率低的问题,提出了一种适合低信噪比和贫先验知识的自动调制模式识别算法.该算法以高斯白噪声信道作为信道模型,选取信号高阶累积量和经典统计量作为特征参数,采用引力搜索算法对径向基神经网络基函数中心进行优化,并在引力搜索算法中引入粒子群的信息熵来调节算法执行过程中探索与开采的关系,进一步提高了算法的分类和泛化能力.然后,利用仿真试验测评了该算法对6种卫星常用调相调制信号的识别效果.仿真试验结果表明,没有先验知识的情况下,该算法在调制信号信噪比大于4 d B时就可以达到100%的识别率,从而证明了该算法在低信噪比和贫先验知识条件下的有效性,说明算法满足星上软件通信适配器对物理层调制模式的识别要求.     

对流层散射信道下MIMO-OFDM系统性能分析

针对对流层散射信道下的通信存在信号微弱和多变的问题,采用MIMO-OFDM技术能够有效解决。论文分析了对流层散射信道的突出特性,建立了散射信道模型;在MIMO-OFDM系统模型基础上,结合实际进行了参数选取,搭建了散射信道下MIMO-OFDM系统实验平台;在验证散射信道下MIMO-OFDM系统性能的基础上,对不同传输速率和不同调制方式在同一散射信道下的系统性能进行了仿真分析。仿真结果表明,MIMO-OFDM在高速率信号传输情况下带来的信道容量的提升是明显的,在满足系统BER要求前提下,能够实现高速率散射通信;在高速率传输时,64QAM调制更加有利于降低散射通信中的BER,而BPSK、QPSK和16QAM调制方式差别不大。该仿真为散射通信设备中多速率多体制调制解调器设计与优化提供了思路,为实现大容量高可靠度散射通信提供了方向指导。     

基于混合统计参数识别多种数字信号调制方式

为识别QAM等阶数高于4的数字调制信号及提高调制识别算法对高斯白噪声（AWGN）的鲁棒性，在决策论识别参数的基础上，增加了高阶统计量识别参数，并利用混合参数的经向基函数（RBF）神经网络实现数字信号调制样式自动识别，提高了对数字调制信号的识别能力．仿真结果表明，     

基于半监督聚类的MQAM信号盲识别算法研究

传统的聚类算法用在MQAM(multilevel quadrature amplitude modulation,多进制正交幅度调制)信号的调制识别中,算法的迭代次数多,特别对高阶调制信号运算时间长。针对此问题,提出了一种半监督聚类重构星座图的方法,由自适应减法聚类确定初始聚类中心,在其周围标记部分样本点并赋予初始隶属度值fik,根据标记的样本点数目确定可信度参数α的值。用fik和α来监督隶属度和聚类中心的更新,误差平方和函数迭代次数减少1/2。接收端识别时,提出基于星座图圆半径的调制识别方式,该方法能很好应对初始聚类中心数目不准确的情况,不需要进行聚类中心的合并与分裂。通过提取接收端星座图的特征参数R并与标准参数Rs进行比较,实现对MQAM信号调制方式的识别。仿真结果表明运算时间是传统聚类算法的1/3,对4~256QAM信号的调制方式识别率在93%以上。