Alpha稳定分布噪声下通信信号的载波频率估计

针对在Alpha稳定分布噪声环境下循环谱估计通信信号载波频率失效问题,提出了基于广义循环谱的载波频率估计方法.首先用非线性变换定义广义循环谱,并对信号幅度进行变换;然后利用非线性变换抑制夹杂在通信信号中的非高斯脉冲噪声.通过检测广义循环谱的谱线位置与数字调制信号载波频率的关系实现载波频率估计.通过Matlab仿真实验和性能分析对比,证明该方法可较好地在Alpha稳定分布噪声环境下估计通信信号的载波频率.     

基于分形特征和ILST-KSVC的调制方式识别

针对传统的信号调制识别方式在信噪比较低的情况下识别精度低与种类少的问题,提出了一种新的基于分形理论及多分类最小二乘双支持向量机的通信信号识别方法.首先采集数字信号,对接收到的信号进行预处理,提取其分形特征作为识别的特征参数,然后采用多分类最小二乘双支持向量机分类器实现对未知信号的识别.该方法与传统的神经网络分类法及决策树分类法相比,具有更好的泛化推广能力.实验仿真结果表明,该方法在低信噪比情况下,调制识别准确率要优于其他调制识别方法,且在信噪比SNR-5dB时,平均识别成功率达到91%以上.     

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.     

Alpha稳定分布噪声下MPSK信号调制识别算法研究

针对Alpha稳定分布噪声中信号四次方谱失效的问题,提出了广义四次方谱的概念,在此基础上研究了基于广义四次方谱的多进制相移键控(M-ary Phase Shift Keying,MPSK)信号调制识别算法.首先分析了待识别信号的广义四次方谱,然后提取广义四次方谱中二倍载频和四倍载频处的谱线作为特征参数,最后通过判断谱线是否被冲击来实现信号的分类.仿真结果表明,这种算法在Alpha稳定分布噪声下的性能优于基于四次方谱的算法,且该算法在高斯噪声下也具有良好的性能.     

小波变换在通信信号调制识别中的应用

空间传播的通信信号采用了不同的调制方式。在许多应用中,需要监视通信信号的活动情况,区分信号的性质,甚至截获其传输的信息内容。调制方式是区分不同性质通信信号的一个重要特征,而要截获通信信号的信息内容,就必须知道信号的调制方式和调制参数。给定一段接收的通信信号,调制识别的目的就是在未知调制信息内容的前提下判断出通信信号的调制方式,并估计出相应的调制参数。随着通信信号体制及调制样式的多样化和复杂化,信号环境越来越密集,识别难度越来越大。小波变换具有良好的时间,频率局域化特征和多分辨率分析的特性,所以小波变换是一种能有效地从不同调制类型的信号中提取瞬时特征的技术,而且不需要已调信号任何的先验知识。不同类型信号的小波变换系数的明显不同非常适合对调制信号的调制类型进行识别。本文在学习MFSK调制信号的基本特征的基础上,分析研究了三种类型的小波变换。     

一种基于Swin Transformer神经网络的低截获概率雷达信号调制类型的识别方法

本文针对低截获概率（Low Probability of Intercept, LPI）雷达信号调制类型的识别问题提出了一种基于Swin Transformer神经网络的识别方法. 该方法首先用平滑伪Wigner-Ville分布对信号进行时频变换,将一维时域信号变换为二维时频图像,然后使用Swin Transformer神经网络对图像进行特征提取及调制类型识别. 仿真结果显示,该方法具有较强的抗噪声能力,在低信噪比条件下识别准确率高,且具有较强的小样本适应能力.     

基于独立感知理论的鲁棒语音识别算法

为了提高在噪声环境下语音识别系统的性能,对基于子带独立感知理论的语音识别方法进行了研究.这些方法利用人耳对不同频率信号感知的差异,以及噪声和识别对象的频域特征差异,分别采用线性分析、判决分析、多层感知机以及子带最大似然估计对噪声影响进行补偿.实验表明,子带分析采用非线性策略优于线性策略.基于独立感知假定的子带模型,虽然由于独立性假定丢失了带间相关性,但对于噪声环境下语音识别而言可以捕获噪声和识别对象的频谱差异,从而获得比全带分析更高的鲁棒性.     

一种基于小波的数字调制信号识别算法

小波包变换理论上可以实现信号频带的均匀划分，从而更好地提取信号的时频特征.作者首先介绍了卷积型小波包算法，然后分析了三种主要的数字调制信号的小波变换特征，提出了一种基于小波的数字调制信号识别算法，仿真结果表明该算法能够识别典型的数字调制信号，而且具有较好的抗噪声性能.     

DVB-T系统中OFDM信号子载波调制方式的识别

为了解决多径信道下DVB-T系统中OFDM信号子载波调制方式识别性能差的问题,文中提出了一种新的子载波调制方式识别方法.该方法首先采用子载波的归一化功率对空子载波信号进行识别,然后利用循环谱截面相关系数识别出导频子载波信号,最后通过混合高阶矩对调制子载波信号进行识别,从而完成了OFDM信号子载波调制方式的识别.仿真结果表明,在多径信道下,该方法不但具有良好的识别性能,而且具有较低的计算复杂度.     

浅论通信信号调制识别方法

通信信号调制类型的分类识别是一种典型的模式识别问题,它涉及到很多复杂的特殊因素。随着通信技术的飞速发展,通信信号的体制和调制样式变得更加复杂多样,信号环境日趋密集,使得常规的识别方法很难适应实际需要,无法有效地对通信信号进行识别,这也给通信信号的识别研究提出了更高的要求。本文首先详细介绍了判决理论识别方法和统计模式识别方法这两种数字信号调制方法,然后对它们的优缺点进行了分析比较。     

认知无线电Underlay模式下MQAM信号的调制识别

针对传统的认知无线电Underlay中时频重叠MQAM信号调制识别方法性能低的问题,提出了一种采用时频分析图像纹理特征的时频重叠信号调制识别方法。首先对接收到的时频重叠MQAM信号做频率切片小波变换得到时频分析图像,并选取纹理差异明显的切片部分进行灰度化处理,然后通过提取时频分析图像的灰度-梯度共生矩阵特征,最后利用径向基函数神经网络分类器有效地实现了时频重叠MQAM信号调制方式的识别。仿真结果表明:在信噪比为4dB下,所提出的方法的平均识别率可达到95%以上;在信噪比大于0dB时,所提方法的识别性能优于基于高阶累积量的识别方法。     

小波包变换和极限学习机相融合的脑电信号识别方法

为了提高脑电信的识别效果,提出一种小波包变换和极限学习机相融合的脑电信号识别方法.采用傅里叶变换对采集的脑电数据进行去噪处理,用小波包变换方法提取小波节律能量均值和小波包能量熵作为特征量,并用极限学习机进行分类.仿真实验结果表明,极限学习机分类速度快、泛化性能好,相对于其他脑电信号识别方法,能有效地提高脑电信号识别的正确率.     

db3小波神经网络与通信信号调制识别

调制识别在通信侦察和对抗中有重要应用,提出了用db3小波神经网络的组合分类来实现通信信号调制识别一种识别方法,并拟对非稳定、低信噪比的通信信号实现复杂调制类型信号识别,计算机仿真结果证实此方法的可行性.     

基于双曲正切特征和双特征融合神经网络的调制方式识别

由于调制方式识别能够在先验知识不足的情况下判断接收信号的调制类型，故而在各类无线通信系统中起到重要作用，许多学者也围绕该问题进行了深入的研究，并在高斯噪声条件下取得了诸多进展.但是，由于自然或人为因素，有时候噪声中会出现尖峰，导致其具有脉冲性.此时，就无法继续采用高斯模型对其进行描述，因为相关的方法会发生严重的性能退化或者完全失效.为了解决该问题，首先借助双曲正切函数提出了两类改进的特征；然后基于注意力机制和门控循环单元等设计了一种双特征融合的深度神经网络作为分类器；最后，在模式识别框架下提出了一种新的调制方式识别方法.实验结果表明，所提方法能够有效抑制高斯和非高斯混合噪声，同时取得良好的调制方式识别结果.     

基于小波神经网络的数字信号调制方式识别

针对当前数字信号调制方式识别方法易受噪声影响、 识别误差较大等问题, 设计一种基于小波神经网络的数字信号调制方式识别方法. 首先采集数字信号, 并从信号中提取调制识别特征, 作为数字信号调制方式分类依据; 然后采用小波神经网络建立数字信号调制方式识别的分类器, 并选择粒子群优化算法确定神经网络的参数, 实现数字信号调制方式识别; 最后在MATLAB[KG*6]2016平台上实现数字信号调制方式识别的仿真测试. 测试结果表明, 即使数字信号的信噪比较低时, 小波神经网络仍可获得较理想的数字信号调制方式识别结果, 且数字信号调制方式识别率高于对比方法, 从而提高了数字信号调制方式识别性能.     

基于调制域谱减法的鲁棒性说话人识别

针对说话人识别性能在噪声环境下急剧下降的问题,提出了基于调制域谱减法的鲁棒性说话人识别方法。首先在说话人识别前端通过调制域谱减法对含噪语音进行增强处理,然后通过Gammatone滤波器组提取对噪声具有抑制作用的特征,最后与说话人模型进行匹配识别。仿真结果表明,运用此方法能显著抑制噪声对说话人识别系统的影响,提高系统的识别率。     

分块统计特征和最优分辨力选择特征相融合的掌纹识别

为提高掌纹识别的性能,提出一种分块统计特征和最优分辨力选择特征相融合的掌纹识别方法。首先对预处理后的掌纹图像进行多方向、多尺度Gabor变换;然后将掌纹划分多个子块提取特征,将各子块特征进行拼接得到整个掌纹特征向量;最后以特征分辨力为准则选出最优掌纹特征子集建立两分类器,通过投票机制建立掌纹多类分类器,并采用Po1yU掌纹库进行性能测试。测试结果表明,该方法的掌纹识别性能优于对比掌纹识别方法。     

无线电监测中调制信号特征提取算法

针对传统调制信号特征提取算法在噪声环境下存在识别准确度低、分类效果差等问题,基于已有的调制 信号处理方法,提出一种新的无线电监测中调制信号特征提取算法。首先构建无线电监测中各类调制信号的 数学模型,以此为基础通过仿真得到信号瞬时幅值、瞬时相位及瞬时频率的特征。分析当前信号调制方式识别 各类算法的优缺点,采用小波变换完成调制信号的降噪处理与突变边界特征提取算法的设计,利用零中心归一 化瞬时幅度的谱密度最大特征提取算法以及核判别分析算法对各类调制信号进行逐层提取,实现了各类调制 信号的完整分类与提取,提升了噪声环境影响下的特征信号提取精度、且分类效果较好,为无线电监测中调制 信号特征提取提供了有利科学依据。     

OFDM信号的多重分形谱特征盲识别算法

针对非合作通信条件下的调制方式识别问题,提出了一种正交频分复用(OFDM)信号的多重分形谱特征盲识别算法.该算法首先提取通信信号多重分形谱最大值对应的奇异性指数以及通信解析信号平方处理后经两次傅里叶变换的幅频信号的多重分形谱跨度作为信号特征参数,然后通过多层决策树分类器完成对OFDM信号和单载波信号的识别.该算法提取的...