基于联合特征参数和一维CNN的MIMO-OFDM系统调制识别算法

针对当前非协作通信中多输入多输出正交频分复用(multiple-input multiple-output orthogonal frequency division multiplexing, MIMO-OFDM)系统子载波的调制识别问题，提出了一种基于一维卷积神经网络(one-dimensional convolutional neural network, 1D-CNN)的调制识别方法。首先，利用特征矩阵的联合近似对角化(joint approximate diagonalization of eigenvalue matrix, JADE)算法从接收端的混合信号中恢复发送信号；然后，提取恢复信号的循环谱切片和四次方谱作为浅层特征；最后，利用1D-CNN对特征进行训练，使用测试样本对所提出的调制识别方法进行仿真验证。仿真结果表明，所提方法对MIMO-OFDM系统中的5种信号可以进行有效识别，在信噪比为10 dB时的识别精度即可达到100%。     

基于卷积神经网络和稀疏滤波的调制识别方法

针对当前通信系统所采用的主要调制方式,提出了一种基于卷积神经网络和稀疏滤波的调制识别方法。首先,分析了利用信号循环谱二维灰度图进行通信信号调制识别的可行性;然后,通过降采样和裁剪技术对循环谱图预处理;最后,设计了深度卷积神经网络架构,并提出了稀疏滤波预训练的方法。仿真结果表明:相比于经典的基于深度学习的调制识别方法,该方法模型简单,优化量少,且在小样本场景下性能最佳,具有很高应用价值。     

调制分析与识别的谱相关方法

根据谱相关函数理论和对常用通信信号的谱相关函数及谱相关平面图分析，提出了几种可用于调制分析识别的谱相关特征参数，讨论了利用这些特征参数进行调制识别的方法和过程。试验表明，这种方法具有很好的识别效果。     

基于熵的自适应加权投票HRRP融合识别方法

基于不同分类器对同一样本分类能力不同,同一分类器对不同样本可分程度不同的思想,为不同样本赋予不同融合权重,提出了一种基于熵的自适应加权投票高分辨距离像(high range resolution profile, HRRP)融合识别方法。该方法将二分类相关向量机(relevance vector machine,RVM)扩展为多类分类RVM概率模型,并对不同HRRP特征样本进行分类,利用每个多类分类RVM输出的样本后验概率信息计算出的熵值自适应为各个样本赋予权重,使得不同分类器以及同一分类器对不同样本的决策占有不同的比重,熵值越大的样本赋予的融合权重越低,最后通过加权投票方法实现融合识别,得到目标的最终识别结果。仿真实验结果验证了所提方法的有效性。     

基于SVM和EMD 包络谱的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的调制特征和传统包络分析法的缺陷以及现实中难以获得大量典型故障样本的实际情况,提出了一种基于支持向量机(Support Vector Machine,简称SVM)和经验模态分解(Empirical Mode Decomposition,简称EMD)包络谱的滚动轴承故障诊断方法.该方法首先对原始信号进行经验模态分解,将其分解为多个固有模态函数(Intrinsic Mode Function,简称IMF)之和,然后求出包含主要故障信息的若干个IMF分量的包络谱,最后定义包络谱中各种故障特征频率处的幅值比为特征幅值比,将其作为故障特征向量,并以此作为SVM分类器的输入参数来区分滚动轴承的工作状态和故障类型.实验分析结果表明了该方法的有效性.     

对射频信道非线性影响QPSK信号的分析

根据四相相移键控 (QPSK)调制信号可等效为限带高斯随机过程及射频信道中功率放大器可等效为带通非线性模型 ,及利用功率级数描述其非线性 ,分析了在码分多址 (CDMA)系统中采用QPSK载波调制时信号通过非线性射频信道后功率谱的分布 ,利用输入、输出信号的自相关函数给出了相应的表达式 ,计算了系统三阶交调指标。该结果对CDMA基站发信机的设计是非常有用的。     

基于集成学习与特征降维的小样本调制识别方法

针对有标签样本较少条件下的通信信号调制识别问题, 提出一种基于集成学习与特征降维的小样本调制方式分类模型。首先,通过集成人工特征与深度学习自动提取特征构成特征集合。然后,设计特征选择算法对特征合集进行优选生成高效特征子集。最后, 利用可快速收敛的高性能分类器对信号进行区分, 实现在少量有标签样本和大量无标签样本条件下的调制方式分类。仿真结果表明, 通过对8种数字信号进行调制识别, 在信噪比为20 dB时, 所提算法可将信号最高识别率提升至96%, 同时该算法设计简单, 具有较大应用价值。     

舰船目标噪声调制包络谱融合算法研究

舰船噪声调制包络谱是水下目标识别的重要特征.分析了调制包络谱的一般模型,把"最优"调制包络看作一种随机过程,将舰船噪声的多子带检波信号看作是对"最优"调制包络的一次观测,并将其作循环相关,用有限次观测的集种平均作为"最优"包络的估计,从而得到多子带融合包络谱,舰船噪声实测数据验证了该方法的有效性.     

频率选择信道下STBC-OFDM信号盲识别

针对多输入单输出(multiple input single output, MISO)通信系统的空时分组编码正交频分复用(space-time block codes-orthogonal frequency-division multiplexing，STBC-OFDM)信号盲识别问题,提出了一种基于四阶统计量的盲识别算法。该方法首先对MISO通信系统的STBC-OFDM信号进行建模;然后利用STBC-OFDM信号编码矩阵的相关性,构造了不同时延向量下接收信号OFDM块的时延四阶矩作为特征函数;最后通过时延四阶矩理论值与实验值的最小欧式距离盲识别发射端STBC-OFDM信号的编码方式。该方法不需要信道系数、噪声信息和调制信息等先验信息,适合非合作通信场合。仿真结果表明，所提出的算法即使在低信噪比(SNR=0 dB)下识别效果接近100%,且对载波频偏、时间同步偏差和多普勒频移不敏感,实用性较强。     

低信噪比长伪码直扩信号伪码周期的估计方法

针对低信噪比长伪码调制直扩(DS-SS)信号的伪码(PN码)周期参数估计的难题,提出了一类基于信号功率谱二次处理的新方法。该方法首先对信号的功率谱进行估计,接着将估计出的功率谱作为输入信号再来求取功率谱,最后得到的二次谱就会在长伪码调制DS-SS信号PN码周期的整数倍处得到一列尖锐的二次谱线,通过估计这些谱线的间距就可以获得其PN码的周期估计。为了在低信噪比情况下增强二次谱线和估计效果,采用了由多个接收信号矢量计算得到的二次谱结果进行平均累积的办法。理论分析和计算机模拟表明,该类方法在较低的输入信噪比条件下能良好地工作。     

基于卷积稀疏编码与多分类器融合的雷达HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别问题,提出基于卷积稀疏编码与多分类融合(convolutional sparse coding and multi-classifier fusion,CSCMF)的识别方法。首先,该方法利用CSC方法对目标HRRP进行特征提取,同时实现数据压缩;然后,将测试样本的特征分别输入随机森林分类器、朴素贝叶斯分类器和最小值分类器进行预分类,得到3个预测标签。采用多数投票法对3个预测标签进行分类器融合,得到最终的识别决策。实验中研究了分类器融合方法。基于5种飞机目标的HRRP仿真数据进行了实验验证,实验结果表明该方法的分类准确率较高,而且对噪声有较强的鲁棒性。     

MIMO-OFDM系统中联合时域和空间域信号处理的改进PTS算法

为了降低多输入多输出正交频分复用(multiple input multiple output orthogonal frequency division multiplexing, MIMO-OFDM)系统中传统部分传输序列(partial transmit sequence, PTS)算法的计算复杂度,提出了联合时域和空间域信号处理的改进PTS算法。在时域信号处理部分,通过信号子块循环移位实现备选序列的增加;在空间域部分,利用天线间信号子块交换实现峰均功率比(peak to average power ratio, PAPR)抑制。同时在接收端 ,利用子块相位旋转引起的相位差异,本方法通过比较接收信号与星座点的距离,可以实现信号的盲检测,从而有效高MIMO-OFDM系统的频谱利用率。仿真结果表明,提出的方法能有效地抑制MIMO-OFDM信号的PAPR,而且明显降低了传统PTS算法的计算复杂度,同时可获得跟传统PTS方法已知边带副信息时相似的比特误码率(bit error rate, BER)性能。     

基于循环平稳特性的MIMO-OFDM符号定时和载波频率联合盲同步算法

提出了一种基于接收信号循环平稳特性(CS)的多输入多输出正交频分复用(MIMO-OFDM)系统符号定时和载波频率联合盲同步算法。该算法通过初始信号检测与符号定时粗同步、符号定时精同步、载波频率粗同步、载波频率精同步四个步骤完成MIMO-OFDM系统符号定时和载波同步。理论分析表明算法适用于无导频符号或训练序列、任意数目收发天线、任意分布加性平稳噪声条件下的同步。仿真结果验证了算法精度可满足MIMO-OFDM系统的符号定时和载波同步要求,并在低信噪比下性能保持稳定。     

基于加权表决的决策层融合多系统调制识别

利用信息融合技术研究多系统调制识别问题，提出一种加权表决融合算法。该算法首先定义系统对识别结果的贡献度，用来描述多个系统的联合对识别性能的提升，并将其作为分配权重的依据。然后将这种多系统识别问题建模为合作对策模型，利用合作对策的Shapley值来决定各系统的权重。最后通过所提出的加权表决算法，对多个系统的调制方式判决结果进行决策层融合。计算机仿真表明该算法有助于提高调制识别的性能。     

基于深层卷积神经网络和双谱特征的雷达信号识别方法

针对复杂电磁环境下利用人工提取特征识别雷达信号存在的主观性强、特征冗余的问题,提出了一种基于深层卷积神经网络的识别方法。该方法首先提取雷达信号的双谱信息作为深层卷积神经网络模型的输入,然后利用模型的自学习能力提取深层特征,实现对不同调制样式雷达信号的识别,最后对不同结构网络模型的识别结果进行对比。仿真实验结果表明,相比传统雷达信号识别方法,该方法对于不同调制类型信号的识别效果优异,并且在识别率、抗噪性上都有所提升。     

在残余频偏下微弱直扩信号伪码周期的谱检测

针对存在残余频偏调制下的微弱直扩(DS)信号的伪码(PN码)周期截获的难题,拓展了先前提出的基于信号功率谱二次处理的方法。该方法先对带残余频偏调制的微弱DS信号求取功率谱,然后将所得到的功率谱作为一输入信号求取其第二次功率谱,于是所得二次功率谱将在PN码周期整数倍处出现代表信号存在的尖锐脉冲。通过对这些尖脉冲间的距离进行检测,就可以获得DS信号PN码周期参数的检测估计。理论分析和计算机仿真表明,该方法基本不受输入信号残余频偏的影响,在很大频偏和较低的输入信噪比条件下都能良好地工作。     

基于循环谱截面智能分析的混合信号调制识别方法

针对已有混合信号识别方法存在智能化程度低、适应性差等问题，提出了一种基于循环谱截面和深度学习相结合的智能识别方法。理论推导分析了常见混合通信信号的循环谱零谱频率截面特征；利用提出的非线性分段映射和指向性伪聚类新方法对上述截面图进行预处理特征增强，提高了截面特征的适应性和一致性；并将预处理后的特征图与经典残差网络相结合，利用深度学习网络对特征图中调制信息的深层次细节挖掘分析能力，实现了混合信号的有效识别。仿真结果表明，该方法对噪声不敏感，当信噪比不低于-2 dB时，平均识别率大于90%；且该方法对信号参数及信号间能量比变化有较好的适应能力。     

基于信息熵和GA-ELM的调制识别算法

针对当前通信信号调制识别算法在低信噪比（signal-to-noise ratio，SNR）下识别率低、训练速度慢、识别调制类型少的问题，提出了基于信息熵特征和遗传算法-超限学习机（genetic algorithm-extreme learning machine，GA-ELM）的调制识别算法。首先，提取信号的4种熵特征：奇异谱香农熵、奇异谱指数熵、功率谱香农熵和功率谱指数熵作为调制识别的特征参数；其次，采用GA-ELM作为分类器。仿真实验表明，对11种模拟、数字调制信号进行分类识别，在SNR大于4 dB时算法的总体识别率均超过98%，同时该算法训练速度快，识别系统设计简单，具有较大的应用价值。     

基于K-L变换的网络调制识别方法

针对BP网络进行通信信号调制样式识别的场合,在输入层和输出层节点数确定的条件下,提出在网络训练完成后应用K-L变换方法确定网络隐含层的节点数,对网络结构进行优化。利用K-L变换的正交性,去除了网络结构的冗余,给出了该算法的理论推导和具体应用步骤,通过仿真验证了算法的有效性和顽健性。利用BPSK、QPSK、16QAM等数字调制信号,选取了三个特征量,分别用优化前后的网络进行调制识别,实验表明优化前后网络的识别性能基本一致。     

基于残差生成对抗网络的调制识别算法

针对小样本条件下通信信号识别准确率不高、网络训练困难的问题, 本文提出一种基于残差生成对抗网络的调制识别算法。首先, 设计一种以Leakyrelu作为隐藏层激活函数的新残差单元, 使得网络对输入为负值的数据也可以进行梯度计算; 然后, 将新残差单元组成的残差网络和卷积神经网络作为本文算法的基本网络结构, 使用卷积步幅为1的非对称小卷积核, 更好地提取信号的边缘特征信息; 最后, 用Dropout代替池化操作, 并选择Adam梯度优化算法以交替迭代方式完成网络训练。仿真实验结果表明, 小样本条件下, 残差生成对抗网络算法复杂度明显降低, 信噪比(signal to noise ratio, SNR)在0 dB以上时, 对10种调制信号的识别准确率可以达到91%, 验证了所提方法的有效性。