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OLS的径向基函数神经网络实现多种数字信号调制方式自动识别

基于决策论的信号调制样式自动识别方法具有简单易行、适合在线分析的优点,针对一些参数的计算进行了改进,并提出了基于该方法,利用正交最小二乘法(OLS)的径向基函数(RBF)神经网络,实现数字信号调制样式自动识别的方法.提高了该方法的识别能力,对信噪比(SNR)为6～30 dB的测试信号识别得到了较好的结果.识别的数字信号为2ASK、4ASK、2PSK、4PSK(QPSK)、2FSK、4FSK与16QAM.     

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.     

数字信号调制识别的研究

利用幅度归一化、小波变换等方法,在先验信息未知的情况下,通过对2ASK、2PSK、2FSK三种不同调制信号进行特征提取,并选取合适的阈值加以识别,实现了数字通信信号调制方式的分类识别。仿真表明对于信噪比在8dB以上的调制信号具有很高的正确识别率。     

基于谱分析MFSK信号调制方式的自动识别

本文提出了一种基于功率谱特征的MFSK信号调制方式分类与识别的方案,该方案直接从信号的功率谱中提取一种顽健性强的特征参数,在不需要先验知识的情况下对MFSK信号的调制方式进行了分类与识别,本文采用了MATLAB软件对两类信号进行了仿真。仿真结果表明,在信噪比大于5dB时其总体识别率可达98%以上,在信噪比大于10dB时其总体识别率可达99%以上。该方案具有实用性和可用性。     

基于分数阶傅里叶变换和循环谱的雷达信号调制方式识别

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,提出了一种基于分数阶傅里叶变换(FRFT)和循环谱的雷达信号识别方法。通过分数阶傅里叶变换搜索出最大峰值对应的分数阶,把信号粗分为非调频信号和调频信号2大类。对于非调频信号,利用信号的谱峰特征和频谱复杂度以及循环谱特征,对二频编码信号、常规雷达信号、二相编码信号和四相编码信号进行分类识别;对于调频信号,利用自相关得到功率谱特征实现线性调频信号与非线性调频信号的细分类。经实验验证,本文提出的方法在信噪比大于2 dB时,总体识别率达到90%以上。     

基于循环谱和距离判别的雷达信号调制类型识别

循环谱对雷达调制信号具有良好的可分性,文中提取雷达信号的循环谱对信号的调制类型进行分类识别。为了减小循环谱作为分类特征的计算量,采用距离判别的方法寻找最利于分类的一行循环谱信号作为样本信号的分类特征,并结合支持向量机对雷达信号的调制类型做了分类识别的计算机仿真。仿真结果表明,在0 d B时该方法对多种单个雷达信号的识别率高达92.7%,对混合雷达信号的识别率为89.7%,说明该方法在较低信噪比下对于常见的5种雷达调制信号及其相应混合而成的信号具有较高的识别率。     

基于随机森林的认知网络主用户信号调制类型识别算法

针对低信噪比情况下主用户信号调制类型识别率低的问题,提出了一种使用信号循环谱中特征参数作为样本参数的基于随机森林的认知网络信号类型识别算法,通过使用训练完成的随机森林对主用户信号类型识别,有效抑制了采用ANN和SVM进行识别所造成的误差影响,提高了低信噪比下信号识别的精确度,实现了不同调制类型信号的有效检测与识别.实验结果表明:所提出的算法有较高的主用户信号调制类型识别精度,进而验证了算法的有效性.     

一种基于FRFT的低截获信号识别算法

针对低截获概率雷达信号的调制识别问题,提出了一种新的调制类型识别算法,完成了LFM、BPSK、2FSK、Frank/P1/P2/P3/P4码8种低截获信号的识别分类。首先,根据有无调频斜率,利用FRFT完成低截获信号的预分类;然后,综合利用分数阶域主副脊线、相位差分以及功率谱估计完成信号的自动分类识别。给出了分类识别算法的流程图及具体步骤。最后通过仿真实验,表明该算法具有很好的识别效果,证明了该方法的有效性和可行性。     

循环谱相关方法在调制信号参数估计中的应用

通信过程中的调制信号具有循环平稳特性,本文通过分析调制信号的循环谱相关特点,提出了利用循环频率谱峰的位置与大小来估计调制信号载波频率和码元速率的方法,给出了具体的实现步骤,实验结果表明该方法在信噪比较低的情况下仍能完成对调制信号参数的估计。     

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.     

数字通信信号自动调制识别的谱相关方法

该文提出了一种用于数字通信信号自动调制识别的新方法。一些调制类型有着相同的功率谱密度,但它们的谱相关函数却有明显区别。利用谱相关性质可以识别出噪声中的调制信号。该文对高斯噪声中数字通信信号的自动识别进行了计算机仿真。实验结果表明,在信噪比为５ ｄＢ时,识别成功率不低于９０ ％ 。     

基于聚类与神经网络的无线通信联合调制识别新方法

针对现有基于聚类算法的信号调制识别在低信噪比时识别率低的缺点,文中采用聚类算法提取信号特征参数,通过变梯度Polak-Ribiere BP修正算法对神经网络进行训练,以提高收敛速度,改善在低信噪比条件下网络识别性能,实现对基于星座图调制方式信号的调制识别,仿真结果表明,在低信噪比条件下,调制识别率和单独采用聚类算法或基于BP算法的神经网络识别时比较提高30%以上,在信噪比为4d B条件下识别率可达到90%,且系统易于实现,在信号调制识别中具有广泛的应用前景。     

PSK信号的调制参数估计与识别

针对PSK信号,分析了BPSK信号和QPSK信号的谱相关特性,并通过计算机仿真了这2种信号的谱相关平面图（即循环频率一频率双频三维图）,提出了利用循环谱相关函数的截面图估计BPSK信号和QPSK信号的调制参数（即载频和码元速率）并识别这2种信号的方法．搜索最大峰值可估计信号的载频,计算最大峰值与次大峰值差可估计出信号的码元速率,通过仿真得到载频估计与码元速率估计的归一化均方误差,并根据谱相关特性设置阈值识别出BPSK信号和QPSK信号．该方法在低信噪比下也可达到很好的识别估计效果,适于雷达电子对抗信号识别估计的应用．     

低轨卫星移动通信中调制分类器的研究与设计

利用小波变换对低轨卫星移动通信中常见数字调制样式的分类方法进行了研究,提出了以相邻码元间相位差为特征量的不同调制数调相信号的分类算法,研究了以小波变换产生的阶梯波为特征量的不同调制数调频信号的分类算法和调频调相信号之间的分类算法,最后利用这些算法对其分类器进行了设计,通过MATLAB仿真证明,所设计的分类器,在低信噪比下对低轨卫星移动通信中常见的调制信号有较好的分类效果.     

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.     

基于决策理论的数字调制信号识别

由于多调制的存在，对于一个通信信号进行接收解调的前提条件是首先要确定该信号的调制样式，因此信号调制样式的自动识别是软件无线电接收机中必须具备的功能之一。文中研究了6种常用数字调制信号识别的特征参数集，并采用决策树判别方法进行分类识别。仿真结果表明，在趼氓≥5dB时，识别正确率在99％以上，且当SNR≥20dB时，识别正确率达到100％。其特点是，算法简单，识别正确率高．达到了自动分类识别的目的．并有利于实现识别的实时化。     

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%.     

基于调和平均分形盒维数的无线通信信号调制识别算法

为了能够在低信噪比下快速有效地实现对免授权频段频谱共存条件下调制信号的识别,基于分形理论,通过构造峰度调和函数,提出了一种基于调和平均分形盒维数的新型无线通信信号调制识别方法.对接收到的信号通过希尔伯特变换进行预处理,然后提取其盒维数以及峰度调和参数,并将这两个参数进行调和平均,构成调和平均分形盒维数这一特征参数,并采用决策树理论进行分类识别.采用WiFi(802.11a)等4种常用无线通信信号,运用Matlab进行了仿真.结果表明:所提出的算法在-5 dB低信噪比下对WiFi(802.11a)等无线通信信号的识别率高达80%,远高于传统算法;新算法具有较低的复杂度和特征稳健性,易于工程应用.     

基于Hilbert倒谱的齿轮剥落故障识别

文章在倒谱的基础上,提出Hilbert倒谱的概念。并将其应用于齿轮箱的齿轮剥落故障识别中,实验表明Hilbert倒谱能有效识别故障信号的特征成分,并且对信号中存在的调制成分,具有抑制能力,提高信噪比。能快速、准确地识别齿轮故障,具有很大的实用价值。