基于高统计量方法对OFDM信号进行检测的研究

针对OFDM信号与单载波信号统计特性的不同,本文采用了一种基于四阶累积量对OFDM信号检测的算法,用以区别多载波信号（OFDM）与单载波信号（MFSK,MQAM）。通过理论分析与仿真验证,该方法性能稳定,识别率高。但在信号经过Rayleigh衰落信道后该算法会失效。针对Rayleigh衰落信道中使用高阶累积量进行OFDM识别的缺陷本文采用了更加实用的基于高阶矩的识别算法,通过理论分析与仿真验证,对OFDM信号具有很好的监测和识别效果,具有很高的理论和实用价值。     

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。     

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...     

基于高阶累积量的LCP-GLSTBC-OFDM信号调制识别

提出了频率选择性衰落信道条件下基于高阶累积量的LCP(Linear Constellation Precoding)-GLSTBC (Group Layered Space-Time Block Coding architecture)-OFDM (Orthogonal Frequency-Division Multiplexing) 信号识别算法，用以区分LCP-GLSTBC结构下的多载波信号(OFDM)和单载波信号(MPSK、MQAM)。该算法不需要预先知道信号和信道噪声的先验信息，也不需要对接收的信号进行解调，只需从接收的中频信号直接进行识别处理，分别求出接收信号的2阶和4阶累积量，然后构造特征参数消除信道衰落的影响。仿真结果表明：在SNR高于5dB时，对多载波和单载波信号的识别率大于90%。     

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.     

比例微分变步长盲源分离中高阶累积量的影响

介绍比例微分变步长法在盲源分离中的应用,着重阐述对于非高斯混合输出信号,高阶累积量对比例微分变步长盲源分离结果的影响.研究表明,比例微分变步长法不仅适用于高斯型混合输出信号,也适用于非高斯型混合输出信号.对于非高斯型信号,应考虑高阶累积量的贡献.将二阶、三阶和四阶累积量分别作为比例微分算法的控制量,结果表明,三者均能获得相同量级的收敛速度和分离精度,但四阶累积量的初始步长取值范围最大,为0.1~1.2;而二阶和三阶累积量的初始步长取值范围相对较小,仅为0.1~0.4.因此,基于比例微分变步长算法的盲源分离技术,通过合理选择累积量阶数,可适用于不同类型的混合源信号的分离.     

利用高阶统计量进行非最小相位FIR系统识别研究

该文将高阶统计量应用于线性，时不变非最小相位ＦＩＲ系统的识别问题。对由非高斯、非对称分布白噪声激励的非最小相位ＦＩＲ系统，当仅已知其输出信号（可能含有噪声）时，该文提出一种利用输出信号三阶，四阶累积量进行系统辨识的新算法，在计算机仿真中，将该算法与ＧＭ法和Ｔ法进行比较，结果表明，当输出信号中含有高斯有色观测噪声时，新算法的处理效果明显好于ＧＭ法和Ｔ法。     

基于高阶谱和Tamura纹理的滚动轴承故障诊断

为了提高滚动轴承的故障诊断率,提出了一种基于高阶谱(high order spectrum, HOS)和Tamura纹理特征相结合的故障诊断方法。首先,通过高阶谱方法将滚动轴承故障振动信号的冲击提取出来;然后,对高阶谱进行处理得到二维等高线图;最后依据轴承故障相同时等高线图具有相似性以及不同时具有差异性这一特性,采用基于人类视觉感知的Tamura纹理描述方法提取特征参数后输入到多分类支持向量机(support vector machines, SVM)中进行分类。结果表明：高阶谱结合Tamura纹理特征的滚动轴承故障诊断方法在较少特征参数下故障识别准确率能达到较高的精度,对于故障尺寸不同的混合振动信号识别准确率稳定,诊断效果良好。     

旋转机械故障诊断的11/2维循环谱分析方法

首先介绍了谱相干及高阶循环累积量谱的定义,说明了高阶循环累积量谱具有的抑噪和相位保留的能力.但由于高阶循环累积量谱分析需要更长的时间序列,因此本文从循环谱相干定义出发,提出了利用1 1/2维循环谱区分线性与非线性特征的方法.指出1 1/2维循环谱分析方法,不仅保留了高阶循环累积量谱的抑制噪声、提取非线性耦合特征和分离循环平稳分量与平稳分量的能力,而且减少了所需时间序列长度,提高了监测的实时性,最后以非线性平方相位耦合信号和轴承故障信号为例进行了仿真验证.     

基于高阶累计量的车辆上下行声频检测方法

提出了一种基于麦克风阵列信号处理的车辆上下行估计的新方法,将车辆的上下行估计归结为阵列信号处理中的波达方向变化的估计。针对车辆噪声信号的复杂性和二阶统计量的局限性,采用高阶累计量实现了DOA估计,并说明了基于高阶累计量实现的估计结果明显优于二阶统计量。最后通过试验论证了该方法在实现行车方向估计时的有效性。     

基于Matlab的离散时间系统分析

由人工完成信号与系统中的离散系统的高阶系统的分析十分的困难,计算量大,难于实现.本文结合离散LTI系统的系统函数和高阶差分方程给出了如何应用MATLAB工程计算语言简便解决这些问题的方法与技巧.     

MATLAB在信号与系统中的应用分析

信号与系统是信息类专业的重要课程，MATLAB是一套功能十分强大的工程计算和数据分析软件。本文通过两个典型实例介绍了MATLAB在信号与系统中的应用，生动地展示了MATLAB在S域分析，复杂线性系统的系统函数的求解过程。     

利用高阶谱恢复信号相位信息的非参数方法

高阶谱分析是信号处理领域的一种新方法，近年来得到迅速发展。本文介绍几种利用高阶谱知识恢复信号相位信息的非参数方法。     

基于流形学习和流形高阶近似的图像距离度量

为克服切距离方法的不足,提出了流形高阶近似距离（HMD）.HMD度量方法通过最大差异延展方法（MVU）学习出非线性图像流形的内蕴变量,然后在原型图像处用基于流形高阶泰勒展开式的非线性曲面来局部近似图像流形.HMD定义为待识别图像与图像流形的高阶近似曲面间的最小距离,通过计算待识别图像与图像流形上多个基准图像间的HMD距离能够实现图像的分类和识别.人脸识别和手写数字识别的结果表明：HMD距离在识别精度和稳定性上要优于切距离和当前一些典型的图像距离度量方法.     

随机噪声雷达信号性能分析

针对随机噪声信号的分辨能力,推导出了不同功率谱形式的噪声信号的雷达目标距离分辨率表达式。理论分析基于信号的时间相关函数,利用Taylor级数和高次方程求解方法。理论结果表明:在相同的信号带宽情况下,具有高斯功率谱形式的噪声信号比矩形功率谱噪声信号具有更好的距离分辨率,也比常规线性调频信号有更高的距离分辨率,但高斯功率谱形式的噪声信号和线性调频信号可以具有相同的能量。仿真结果验证了理论分析的正确性。