基于CWD和残差收缩网络的调制方式识别方法

针对低信噪比时莱斯信道下特征提取准确性难以保证、识别准确率偏低等问题, 提出一种基于Choi-Williams分布(Choi-Williams distribution, CWD)和深度残差收缩网络(deep residual shrinkage network, DRSN)的通信辐射源信号调制方式识别方法。利用CWD将时域复信号转换为二维时频矩阵, 对深度残差网络添加软阈值化得到DRSN, 将时频矩阵样本用于对DRSN的训练, 最终构建不同信噪比下的调制方式识别网络。仿真实验表明, 基于RadioML2016.10a数据集, 利用部分先验信息的情况下, 该分类识别方法具有较高的识别准确率和噪声鲁棒性。在0 dB时, 对11类信号的总体识别准确率达到了89.95%;在2 dB以上时, 总体识别准确率均超过91%, 优于其他深度学习识别方法。     

基于卷积神经网络和稀疏滤波的调制识别方法

针对当前通信系统所采用的主要调制方式,提出了一种基于卷积神经网络和稀疏滤波的调制识别方法。首先,分析了利用信号循环谱二维灰度图进行通信信号调制识别的可行性;然后,通过降采样和裁剪技术对循环谱图预处理;最后,设计了深度卷积神经网络架构,并提出了稀疏滤波预训练的方法。仿真结果表明:相比于经典的基于深度学习的调制识别方法,该方法模型简单,优化量少,且在小样本场景下性能最佳,具有很高应用价值。     

基于K-L变换的网络调制识别方法

针对BP网络进行通信信号调制样式识别的场合,在输入层和输出层节点数确定的条件下,提出在网络训练完成后应用K-L变换方法确定网络隐含层的节点数,对网络结构进行优化。利用K-L变换的正交性,去除了网络结构的冗余,给出了该算法的理论推导和具体应用步骤,通过仿真验证了算法的有效性和顽健性。利用BPSK、QPSK、16QAM等数字调制信号,选取了三个特征量,分别用优化前后的网络进行调制识别,实验表明优化前后网络的识别性能基本一致。     

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。     

基于幅度矩的MQAM信号调制方式识别方法

为了实现盲接收情况下多进制正交幅度调制(MQAM)信号调制方式的有效识别,提出了一种基于改进幅度矩的识别方法.该方法在传统幅度矩的基础上提出了非起始点幅度矩(NASM)作为识别不同MQAM信号的特征参数,无需预知信号的载波频率和码速率,只利用少量的数据样本即可实现盲接收情况下MQAM信号调制方式的识别.详细论述了该方法实现原理,分析并验证了成形滤波、时间延迟、数据长度和信噪比对识别性能的影响.仿真结果表明,当信噪比大于5dB时,MQAM信号的正确识别率超过了98%,验证了该方法的有效性.     

基于高阶累积量特征学习的调制识别方法

自动调制分类是确保通信安全、可靠的关键技术之一。在低信噪比(low signal-to-noise ratio, Low-SNR)环境中,自动调制分类识别率低且识别类型受限。利用零均值高斯白噪声(white Gaussian noise,WGN)的高阶累积量理论值等于0的性质,在信号分析过程中,引入高阶累积量,可使系统免受WGN的影响。同时,引入深度学习网络结构完成微弱特征的表征,可有效解决调制方式受限及Low-SNR情况下的识别率下降问题。实验结果表明,所提方法在高斯信道环境下的分类精度比现有方法要高,在Low-SNR的不同信道环境下有较高的识别率,且使模型在时间、相位和频率偏移量方面具有更好的鲁棒性。     

基于残差生成对抗网络的调制识别算法

针对小样本条件下通信信号识别准确率不高、网络训练困难的问题, 本文提出一种基于残差生成对抗网络的调制识别算法。首先, 设计一种以Leakyrelu作为隐藏层激活函数的新残差单元, 使得网络对输入为负值的数据也可以进行梯度计算; 然后, 将新残差单元组成的残差网络和卷积神经网络作为本文算法的基本网络结构, 使用卷积步幅为1的非对称小卷积核, 更好地提取信号的边缘特征信息; 最后, 用Dropout代替池化操作, 并选择Adam梯度优化算法以交替迭代方式完成网络训练。仿真实验结果表明, 小样本条件下, 残差生成对抗网络算法复杂度明显降低, 信噪比(signal to noise ratio, SNR)在0 dB以上时, 对10种调制信号的识别准确率可以达到91%, 验证了所提方法的有效性。     

基于SAMME+ResNet的多相码信号识别方法

针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function, SAMME)算法和残差神经网络(residual neural network, ResNet)的多相码信号识别方法。通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比。仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10%的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势。     

基于SAMME+ResNet的多相码信号识别方法

针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function, SAMME)算法和残差神经网络(residual neural network, ResNet)的多相码信号识别方法。通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比。仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10%的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势。     

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。     

基于复杂度方法的地震波信号频谱特性分析

研究非平稳加速度时间历程,有时并不需要知道随机变量的全部统计信息,而只需求得随机变量的某些既重要又有代表性的信息.基于兰帕尔一齐夫复杂度理论的符号基概念,由随机信号经粗粒化处理后得到符号序列,然后计算每个符号基的权系数,再将符号基线性叠加得到符号空间.将随机信号的采样数据分为n段再构建一个n行数据矩阵,计算此n行矩阵的符号空间.将该符号空间的系数矩阵进行奇异值分解,所得的奇异值即为频率,数据矩阵对应行的标准差即为相应频率的幅值.算例结果表明,该方法能够获得随机信号的代表性频率信息.对非平稳随机信号不需引入人为假定,可直接对数据进行计算.     

利用频移滤波的直扩信号循环谱检测

循环谱检测方法能在较低信噪比下检测信号,频移滤波（FREquency-Shift）滤波器具有很好的抑制噪声能力。文中在循环谱检测信号之前,引入频移滤波技术,在循环频率域对信号进行滤波,以降低噪声对信号的影响,从而提高循环谱对信号的检测能力。仿真结果表明,本文方法可以在-15.5dB下检测到直扩信号和-8.5dB下估计伪码速率。     

DS-UWB信号伪码周期的谱估计

针对接收端接收到缺乏先验知识的超宽带信号以后,如何确定其伪噪声(PN)码周期的难题,提出了一类基于信号功率谱二次处理的方法.该方法首先对直接序列扩频超宽带信号的功率谱进行估计,然后把估计出的信号功率谱作为输入信号再求功率谱,发现信号的二次功率谱脉冲位置与PN码周期密切相关,将本方法运用于非合作方式通信信号估计场合,只要检测出其相邻脉冲峰值的间隔就能估计出PN码的周期.最后通过计算机模拟程序验证了该方法在较低的输入信噪比条件下与理论分析结果一致,显示了该方法的有效性.     

基于拉普拉斯特征映射的故障模式识别方法

拉普拉斯特征映射算法能有效提取高维非线性数据中嵌入的低维流形特征.将其引入到设备故障诊断领域,应用于故障模式识别问题,提出了一种基于拉普拉斯特征映射的故障模式识别新方法.运用基于拉普拉斯特征映射的非线性降维算法直接对原始故障信号进行学习,提取出数据内在的流形特征,极大地保留了信号中内含的整体几何结构信息,有效克服了常规模式识别方法仅能获得局部线性结构的不足,明显改善了故障模式识别的分类性能.仿真和工程实例结果表明了所提方法的可行性和有效性.     

改进的直扩序列估计算法仿真研究

针对通信侦察中直扩信号伪随机（PN）序列估计的实际应用,对基带数据采用子空间分解的方法求得相互正交的特征向量;根据PN码序列自相关函数旁瓣能量低的原理,提出旁瓣能量检测系数,确定该对向量的相对相位,实现直扩序列波形的重构。该仿真算法克服了单纯子空间分解法中求解的部分数据段反相的缺点。仿真实验给出了不同信噪比下和不同数据长度时算法的性能仿真分析,表明该算法对PN序列的估计是十分有效和可靠的。     

一种基于小生境遗传算法的星座识别方法

提出了一种新的PSK/QAM星座识别方法,将星座聚类问题转化为星座二维密度函数的数值优化问题,采用小生境遗传算法对该多峰值函数数值矩阵进行有效搜索,获取星座中心,最后结合聚类有效性评价和星座模板匹配,实现了信号星座类型的识别。与基于模糊C-均值的星座聚类方法相比,新方法与初始聚类中心和样本输入次序无关,缩减了星座识别过程中对聚类结果的评价,减小了运算量。     

基于距离和相关性准则的混合参数说话人识别

传统的说话人识别方法在识别能力和稳定性上存在不足,对各种方法没有较好的评价标准。提出了基于平均距离和相关性的评价准则,在比较应用MEL滤波器组和小波包分解提取特征参数的基础上,提出了混合特征参数的提取方法。实验结果表明,距离和相关性准则可以较好的评价各种参数模式的分类能力,在无关的说话人识别中,混合参数在分类能力和抗噪性方面优于传统方法。