基于伸缩窗口STFT的信号调制的识别研究

伸缩窗口短时Fourier变换(STFT)通过对窗函数引入伸缩变换对短时Fourier变换进行改进,实现时频分辨率随信号频率变化自动可调,能较好地刻画信号中的瞬态结构.本文把伸缩窗口短时Fourier变换这种时间-频率-尺度三维信号处理方法引入到了数字通信信号调制盲识别领域,对ASK、FSK和PSK信号的伸缩窗口STFT——域特征进行了理论分析和软件仿真,最后给出了识别算法和仿真结果.仿真实验结果及性能分析表明,该算法是可行的,具有较好的抗噪声性能.     

时变多径信道中通信信号调制识别算法

为解决时变多径信道中调制分类问题,提出对数字通信信号先分段盲均衡,后星座图匹配的识别策略,保证了每段信号对应的信道环境近似静态以及降低码元速率和载波频率的估计误差对均衡的影响。选取与信号星座图形状无关的分数阶盲均衡算法,以满足调制识别过程中均衡算法对调制类型盲的要求。信道时变使得各段序列均衡效果表现很大差异,采用极大似然比方法挑选最佳均衡段。对最佳均衡段通过星座图匹配实现调制类型判别。仿真结果表明:在典型城市和恶劣城市模型下,信噪比大于5 dB时,平均正确率在90%以上,该算法对时变多径信道非常有针对性。     

时变多径信道中通信信号调制识别算法

为解决时变多径信道中调制分类问题,提出对数字通信信号先分段盲均衡,后星座图匹配的识别策略。保证了每段信号对应的信道环境近似静态以及降低码元速率和载波频率的估计误差对均衡的影响。选取与信号星座图形状无关的分数阶盲均衡算法,以满足调制识别过程中均衡算法对调制类型盲的要求。信道时变使得各段序列均衡效果表现很大差异,采用极大似然比方法挑选最佳均衡段。对最佳均衡段通过星座图匹配实现调制类型判别。仿真结果表明:在典型城市和恶劣城市模型下,信噪比大于5dB时,平均正确率在90%以上,该算法对时变多径信道非常有针对性。     

浅析通信信号的调制识别

本文介绍了常用的通信信号调制方式,并分析了目前的一些信号识别方式的优缺点,最后对信号调制识别技术的发展进行了展望。     

基于神经网络调制信号识别技术的发展

信号调制样式的自动识别是软件无线电必备的功能之一,基于人工神经网络的识别方法因其较其他方法具有更好的性能受到广泛关注。分析了基于神经网络调制信号识别技术的基本原理,将目前研究的调制信号识别分为基于多层感知器神经网络的调制信号识别和基于径向基函数神经网络的调制信号识别,提出了神经网络调制信号识别技术进一步的研究方向。     

最小错误准则下多传感器信号检测与调制识别

针对多传感器分布式接收中的弱信号检测与调制识别稳健性不足的问题,提出了一种基于深度学习的联合处理算法。该方法采用分布式软信息融合处理策略,将信号检测与调制识别综合为一个多元假设检验问题,借助深度神经网络优异的函数逼近能力,在对网络结构、目标函数和网络输入输出进行分析基础上,给出了基于深度神经网络的联合后验概率求解及分类判决方法。通过仿真实验对所提方法性能进行了验证,结果表明,该方法能实现多个传感器信号有效融合,并且随着接收单元数目增加,分类准确率明显提升;与现有基于等权值合并的置信度融合方法相比,该方法性能更优,且在低信噪比、短数据和接收单元数目较多时优势体现更加明显。     

关于通信信号调制识别技术的分析研究

本文首先阐述了通信信号调制识别技术的发展情况,然后对常见的调制识别方法的框架结构进行了介绍,最后对近些年出现的调制识别方法进行了总结,将自己对调制识别技术的观点提了出来,并对其进行了展望。     

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。     

多径信道下的OFDM信号带宽盲估计

针对传统的正交频分复用（OFDM）信号的带宽估计方法在低信噪比多径信道下,估计精度低且计算量大的问题,提出一种OFDM信号带宽盲估计方法.本方法首先根据接收到的观测信号建立自回归（AR）模型,通过AR模型计算信号的功率谱;然后将其功率谱等效成矩形谱,并将矩形谱的带宽作为OFDM信号的估计带宽;最后通过多次循环求统计平均...     

角度调制中调制指数,带宽与调制信号参数的关系研究

在通信原理中，关于角度调制中调制指数β和带宽Ｗ与调制信号参数的关系是一个重要的问题。本文给出了调频指数和调相指数的统一定义式，并在此基础上，得出了β，Ｗ与调制信号参数的关系。从而要根本上解决了这一难题。     

基于信噪比估计和盒维数的调制信号识别

针对数字调相和调频识别问题,提出采用调制信号绝对值的瞬时幅度的盒维数作为多进制数字相位调制(MPSK)和多进制数字频率调制(MFSK)信号类间识别的特征参数,并采用拟合曲线作为判决门限,该方法在保持具有较少的特征参数的同时还增强了对噪声的鲁棒性.在调制信号的类内识别中,分别采用MPSK信号的瞬时相位的盒维数和MFSK信号的瞬时频率的盒维数作为特征参数.仿真结果表明,在信噪比为5 dB时,对信号进行完全识别的正确率可以达到90％以上,从而证明了该方法的有效可行性.     

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．     

基于语音信号与心电信号的多模态情感识别

通过采集与分析语音信号和心电信号,研究了相应的情感特征与融合算法.首先,通过噪声刺激和观看影视片段的方式分别诱发烦躁情感和喜悦情感,并采集了相应情感状态下的语音信号和心电信号.然后,提取韵律、音质特征和心率变异性特征分别作为语音信号和心电信号的情感特征.最后,利用加权融合和特征空间变换的方法分别对判决层和特征层进行融合,并比较了这2种融合算法在语音信号与心电信号融合情感识别中的性能.实验结果表明:在相同测试条件下,基于心电信号和基于语音信号的单模态情感分类器获得的平均识别率分别为71%和80%;通过特征层融合,多模态分类器的识别率则达到90%以上;特征层融合算法的平均识别率高于判决层融合算法.因此,依据语音信号、心电信号等不同来源的情感特征可以构建出可靠的情感识别系统.     

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.     

基于加权型三次相位函数和FRFT的LPI信号识别研究

针对低截获概率雷达信号难以识别和分类的问题,提出了基于加权型三次相位函数和分数阶傅里叶变换的低截获概率雷达信号识别算法。用短时傅里叶变换剖析了应用较广的八种低截获概率雷达信号的时频特性,然后依据调频率将其分为两类。先用加权型三次相位函数估计信号的调频率,然后再用分数阶傅里叶变换获得信号的各分量峰值,根据峰值能量比进行细分类。通过大量的实验仿真验证,本算法在信噪比为0 d B的条件下,正确识别率能够达到95%以上。     

基于联合参数数字信号识别算法的研究

数字信号在敌情监测与侦查、卫星通信、非法电台监测等领域的使用极为广泛,因此对数字信号进行高效地识别、分析和利用具有重要的意义。为了改善信号的抗噪声性能和减小特征参数提取时的计算量,提出了一种利用联合参数对数字信号进行特征参数提取的方法。该方法先利用高阶累积量知识构造出三个参数,再利用信号瞬时幅度构造另外两个参数。最后基于联合参数法,利用神经网络对数字信号进行分类识别。实验结果表明,获取到的参数不仅能有效识别信号,而且当信噪比为10 dB时,识别的正确率可达95%以上,远远优于已有算法。     

去耦合滤波器同频干扰抑制接收机研究

针对蜂窝网络的小区间同频干扰问题,对去耦合同频干扰滤波器进行研究.该滤波器主要是对采样数据中的干扰和噪声进行白化,期望信号部分通过非线性均衡器解出符号序列.同时,根据期望信号的调制类别以及被干扰覆盖情况,研究对应的最佳接收机.仿真结果表明:所设计接收机能够在复杂度和最佳性能之间进行很好的折衷.     

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。     

基于协同学的人脸分类集成

提出了一种基于协同学的人脸分类集成方法.选择不同的训练样本作为原型模型,以增加原型模型的多样性;识别时,将序参量转化为后验概率,分别运用投票法和基于和的后验概率集成方法进行识别,并提出了一种改进的基于和的后验概率集成方法,来提高集成的效果.另外,将核主分量分析和协同模式识别进行结合,在运用协同模式识别之前,先采用核主分量分析获得原始图像的最优非线性表示,以提高模式的可分性,并消除图像冗余信息的影响,然后再进行协同人脸分类.对Y a le人脸库中的图像进行识别实验,结果表明所提方法的有效性,取得了比经典的协同模式识别方法和核主成分分析更好的结果.     

融于图像多特征的路面裂缝智能化识别

路面裂缝形状不规则复杂程度高。传统路面裂缝识别技术需要对路面图像进行复杂预处理工作进行识别,不能自动化对路面裂缝图像进行分类。为提高对路面裂缝识别精度和效率,本文将基于深度学习方法提出一种自动识别路面裂缝并能减少图像预处理工作量的方法。首先,将原始图像切割为小样本图像,根据图像多特征进行分类,各选取相同类型样本2000张图像构建数据集;其次,利用双线性内插法对裁剪后图像进行上采样,凸显图像特征便于神经网络学习;最后,使用深度学习神经网络对训练样本进行特征提取训练模型。实验结果表明：ResNet101模型评估指标均优于其他深度学习模型和机器学习模型,模型测试精度达0.898,kappa系数为0.815。