基于高阶累积量和小波变换的调制识别算法

针对当前调制识别算法在低信噪比下识别率不高的问题,提出结合高阶累积量和小波变换的混合调制识别算法。该算法利用了小波变换提取的两个特征参数,以及基于四阶和六阶累积量构造出一个新的特征参数,并应用反向传播神经网络分类器对调制信号进行识别。仿真结果证明,该算法能够在信噪比低至2 dB时,识别率仍可达到98%以上,由此证明了该方法的有效性和稳健性。     

基于联合特征参数的数字调制识别优化算法

针对数字调制识别在低信噪比下的应用,提出了一种基于联合特征参数的数字调制识别优化算法。该算法利用调制信号的高阶累积量和时域瞬时信息,并结合星座图特征进行特征提取,采用弹性反向传播（resilient back-propagation, RPROP）算法训练的反向传播（back propagation, BP）神经网络对多进制数字幅度调制（M-ary amplitude shift keying, MASK）、多进制数字频率调制（M-ary frequency shift keying, MFSK）、多进制数字相位调制（M-ary phase shift keying, MPSK）、多进制正交幅度调制（M-ary quadrature amplitude modulation, MQAM）共4类12种信号进行分类识别。仿真结果表明,当信噪比低至-2 dB时,提出的调制识别优化算法可使12种数字调制信号的正确识别率均达97%以上,极大地改善了低信噪比下的识别性能。     

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。     

线性平滑的信号调制识别方法

针对如何提高调制识别算法在低信噪比时的识别性能,是调制识别技术走向实用中必须解决的问题,提出采用线性平滑方法对接收信号进行预处理,然后再提取特征。提取的分类特征削弱了噪声影响,提高了抗干扰性能,能够在较低信噪比条件下正确区分信号。实验表明,平滑处理实现简单,对算法在低信噪比时的识别性能改善明显。     

基于TCNN-BiLSTM网络的调制识别算法

针对传统调制识别算法在低信噪比下识别率不高的情况,提出双路卷积神经网络级联双向长短时记忆(two-way convolutional neural network cascaded bidirectional long short-term memory, TCNN-BiLSTM)网络的调制识别算法。首先,该算法并联不同尺度卷积核的卷积层,提取调制信号不同维度的特征。然后,级联BiLSTM层,对多维特征构建LSTM时间模型。最后,使用softmax分类器完成识别。仿真实验表明,所提算法结构在加性高斯白噪声和特定信道参数的瑞利衰落信道下，性能要优于基于传统特征和其他网络结构的识别算法。在特定信道参数的瑞利衰落信道下信噪比低至6 dB时,该算法对6种数字调制信号的识别率仍可达到92%以上。     

基于JADE与特征提取的正交/非正交空时分组码盲识别

针对非协作多输入多输出通信系统中正交空时分组码(orthogonal space-time block codes, OSTBC)与非正交空时分组码(non-orthogonal space-time block code, NOSTBC)的盲识别问题,提出结合特征值矩阵联合近似对角化(joint approximate diagonalization of eigenvalue matrix, JADE)与特征提取的盲识别方法。首先将接收信号转换为盲源分离问题中的线性瞬时混合模型,然后利用JADE算法估计出该模型的虚拟信道矩阵,根据该信道矩阵的相关矩阵为数量矩阵的特点,从相关矩阵中提取特征参数,利用此特征参数识别OSTBC与NOSTBC。仿真结果表明,在较低信噪比以及不同的调制模式下,所提方法均可有效识别出OSTBC与NOSTBC。     

基于熵特征和支持向量机的调制识别方法

通信信号调制识别在非合作通信领域是一项重要的研究课题。针对当前算法计算量大,能识别的调制类型少的特点,提出了一种基于熵特征和支持向量机（support vector machine, SVM）的调制识别新方法。该算法通过提取接收信号的多维熵特征,作为调制识别的特征参数,并利用基于二叉树的SVM作为分类器,对接收信号进行调制识别。除了信号的信噪比,该算法不需要信号带宽和载频等其他先验知识。理论分析与计算机仿真结果表明,该方法具有很高的识别率,计算量小,具有很好的应用价值。     

基于奇异值熵和分形维数的雷达信号识别

针对低信噪比条件下雷达信号脉内调制方式识别算法识别率低的问题,提出了基于奇异值熵和分形维数的雷达信号识别算法。该方法首先通过Choi Williams分布得到信号的时频图像,提取时频图像的奇异值熵;然后再提取信号频谱的盒维数与信息维数,组成三维特征向量;最后使用基于支持向量机的分类器实现雷达信号的分类识别。对8种典型雷达信号的仿真试验结果表明该方法抗噪性强、识别率高,在信噪比大于1 dB时,平均识别率能达到95%以上。     

一种适用于SINS动基座初始对准的新算法

在运载体运动情况下,提出了一种适用于捷联惯导系统(SINS)初始对准的新算法,该算法以惯性空间为过渡参考基准,即建立了初始时刻惯性坐标系(i₀系)和初始时刻捷联惯组惯性坐标系(i_b0系)两个惯性坐标系。将捷联惯组坐标系(b系)与导航坐标系(n系)之间的初始对准姿态矩阵的实现分解为三步骤:(1)通过地理位置和初始对准时间求解i₀系至n系的变换矩阵;(2)通过惯导比力方程变形,引入测速仪速度辅助,求解从i_b0系至i₀系的常值变换矩阵;(3)使用姿态更新算法实时计算b相对于i_b0系的变换矩阵。最后,载车运动环境下的初始对准试验结果表明航向角对准精度达到了0.1°(1σ)。     

AL-OFDM和SM-OFDM空频分组码信号盲识别方法

针对空频分组码-正交频分复用(space-frequency block codes with orthogonal frequency division multiplexing, SFBC-OFDM)信号盲识别问题,提出了一种基于互相关函数的空频分组码信号盲识别方法。首先根据不同SFBC-OFDM元素的相关性,推导了发射信号端信号的相关特性;然后根据发射端信号的相关性,推导了接收端SFBC-OFDM信号的相关特性;最后提出了基于峰值检测的识别算法。仿真结果表明,该算法在较低的信噪比(0 dB)下正确识别概率达到95%,且不需要预先知道信道信息、噪声信息和调制信息。该算法在不同调制方式、时延和频率偏移下正确识别概率在90%以上,能够应用于认知无线电、频谱监控等工程领域中。     

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VMD和特征融合的辐射源信号识别

在日趋复杂的电子对抗中,如何提高雷达辐射源信号(radar emitter signal, RES)识别率和抗噪性能是亟待解决的问题。为此提出了一种变分模态分解(variational mode decomposition, VMD)和特征融合相结合的RES识别方法。首先利用VMD算法对各雷达信号进行分解得到3个本征模态函数(intrinsic mode function, IMF);然后,对这3个IMF分量提取排列熵(permutation entropy, PE)和样本熵(sample entropy, SE)特征进行特征融合，构成六维特征向量；最后利用支持向量机对辐射源信号进行识别。利用6种不同的辐射源信号对该方法进行了验证,仿真实验结果表明,该方法在低信噪比(signal to noise ratio, SNR)下能取得较好的识别率,当SNR不低于0 dB时,六维特征向量的识别率达到100%,具有较强的抗噪性能。     

基于熵评价模态分解的雷达信号双谱特征识别

针对在低信噪比下雷达信号调制识别准确率低、抗噪性差的问题, 提出一种基于熵评价模态分解和双谱特征提取的识别方法。利用双谱可以抑制高斯噪声的特点, 分析了在低信噪比下进行信号调制识别的可行性并引入了噪声项。由于噪声项的干扰, 双谱在0 dB以下时, 噪声抑制效果变差, 提出了基于信息熵评价的经验模态化分解对信号进行预处理, 提高信噪比。最后, 设计了卷积神经网络分类器, 实现对不同调制类型信号的识别。仿真实验结果表明, 本文方法相比传统方法具有良好的抗噪性, 能够在低信噪比下对不同类型信号进行有效识别。     

基于时频特征提取和残差神经网络的雷达信号识别

针对低信噪比(signal to noise ratio, SNR)下雷达信号脉内调制类型识别率较低的问题, 提出了基于时频特征提取和残差神经网络的雷达信号识别算法。时频特征提取首先通过分数阶傅里叶变换对信号进行Chirp基分解, 按照Chirp基载频与调频率的不同组合对信号划分类别, 并设置对应的分类特征参数。然后, 计算信号的伪Wigner-Ville时频分布并提取Zernike矩。上述特征参数组成信号特征矢量, 使用残差神经网络分类器实现雷达信号识别。仿真结果表明, 在SNR=-2 dB时识别准确率能达到93%以上, 同时鲁棒性验证良好, 算法复杂度能够满足现实要求。     

基于卷积神经网络的海面目标全极化高分辨距离像识别技术

针对雷达目标全极化高分辨距离像(high resolution range profile, HRRP)提取可分性特征时, 利用全部距离单元作为度量尺度无法保留各距离单元具体特征的问题, 在综合利用4个极化通道的舰船目标HRRP信息时选择单个距离单元作为度量尺度。在此基础上, 提出基于Pauli分解, H、α、A、α₁分解和结构相似性参数的特征提取方法对目标极化散射矩阵进行特征提取, 并将提取得到的特征与基于卷积神经网络(convolutional neural network, CNN)的舰船目标HRRP识别方法结合, 利用改进残差结构CNN从极化特征中进一步提取深层可分性特征进行目标识别。实验结果表明, 所提方法能够保留目标全极化HRRP更多特征, 提高目标识别的准确率。     

基于互相关特征图和扩张稠密卷积网络的SFBC-OFDM识别方法

针对传统的空频分组码(space-frequency block code, SFBC)识别方法存在人工提取特征困难、低信噪比(signal to noise ratio, SNR)下识别准确率低和不适用于非协作通信的问题, 提出一种基于互相关特征图和扩张稠密卷积网络的SFBC自动识别方法。首先，计算接收端频域上的互相关函数并进行维度变换, 得到二维互相关特征图。然后, 对得到的特征图进行预处理以扩大卷积核感受的有效区域, 去除图像冗余信息。最后，构建扩张稠密卷积网络以自动提取预处理图像特征, 实现SFBC分类识别。仿真结果表明, SNR为-8 dB时, 该方法对SFBC信号的识别准确率达到了96.1%。相比于传统算法, 该方法具有更好的抗低SNR和特征自提取能力, 验证了深度学习方法在SFBC识别领域的有效性, 为该领域的后续研究奠定了基础。     

基于独立成份分析的MPSK信号调制制式自动识别

针对低信噪比情况下传统的MPSK信号识别算法效率不高的问题,提出一种基于快速独立成份分析(FICA)的MPSK信号非监督识别算法.该方法借助快速独立成份分析提取具有不同分布特征的信号分量作为最大似然分类器的识别特征.实验结果表明,此算法在低信噪情况下能有效地分离信号与噪声分量,挖掘有用信息,实现对MPSK信号的高精度自动识别.     

低信噪比下卷积交织器识别

针对现有卷积交织器识别算法,在低信噪比下存在误判概率高、识别效率低等缺陷,首先分析了构建出的数据矩阵统计特性,给出了同步码以及随机数据位置上的概率密度分布函数,基于最小错误判决准则,设定了同步码检测门限,同时基于三倍标准差准则,设定出更为稳健的交织周期识别门限;其次,分析出了数据矩阵中每一行与每一列累积量的对应关系,提出了一种快速交织周期遍历方法,使得矩阵构建次数大大减少;最后定义了聚合度概念,仅通过二重循环遍历即可完成交织深度与交织宽度的快速识别。仿真结果表明,该算法能够在低信噪比下实现卷积交织器参数的有效识别,同时相比于现有的方法，识别性能提升了1 dB到2 dB,且计算效率得到了明显的提高。