基于循环零中心归一化绝对值方差的数字信号调制识别

提出了将瞬时信息的零均值归一化绝对值方差循环化的方法，用以识别数字调制信号．该方法无需设置判决门限，也无需进行参数训练，且可以识别大于四阶的数字调制类型．仿真实验结果表明，该方法在一定信噪比下对MASK、MPSK和MQAM有较高的识别率．     

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。     

基于软件无线电的调制识别方法

调制方式的识别是在调制方式多样化的复杂情况下能够正确解调和成功通信的前提。文章针对基于软件无线电的调制方式自识别的问题,研究了一种利用包络高阶特征J进行调制方式识别的方法。该方法具有计算简单、无需知道信号的先验信息,同时具有较好的噪声抑制等特点,能在低信噪比情况下快速、有效地进行调制识别。     

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。     

基于支持向量机的通信信号调制识别方法研究

支持向量机(Support Vector Machines简称SVMs)是基于统计学习理论的一种新的模式识别技术,它不仅结构简单,而且技术性能尤其是泛化能力明显提高。介绍了支持向量机为理论基础的通信信号调制识别方法。计算机仿真结果证实此方法的可行性。     

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，     

通信信号调制样式自动识别方法

通信信号的调制识别是目前研究的热点问题。文章介绍了信号调制样式识别的概念及一般过程,对几种典型的调制样式识别方法分别做了阐述并分析了其优缺点。     

频率调制信号的恒参滤波识别方法

针对频率调制信号的识别,提出采用恒参滤波方法,将信号频率调制信息转换为信号包络的变化,再通过提取信号包络的直方图特征来识别信号调制方式．与传统方法相比,该方法特征提取简单,计算量小,识别速度快,在较低信噪比条件下,可以有效识别FM,BFSK,QFSK,MFSK等信号．该方法尤其适合软件无线电等实时性要求高的应用领域．     

软件无线电系统中的调制识别系统组成及识别方法

在软件无线电系统中,调制识别部分由预处理、特征提取和选择、识别分类三个环节组成,其功能就是准确提取已调信号的频率、相位和幅度这三个参数的瞬时特征值,以便正确地解调出已经调制的信号,三个参数是对已调信号解调的关键.软件无线电系统中调制识别有决策论方法和统计模式识别方法两大类.     

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。     

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。     

规范化自相关函数的复杂PRI调制样式识别

针对当前复杂PRI调制样式难以有效识别的问题,提出了一种基于规范化自相关函数的复杂PRI调制样式识别算法。该算法首先求出4种PRI脉冲序列的自相关函数,在对自相关函数做规范化的基础上,定义了峰值密度,陡峭度,序列能量3个特征量并建立特征空间,通过比较特征量与门限值进行判决,识别出PRI调制样式。仿真结果表明:本文算法在单组脉冲数目为100个、信噪比为4dB时,识别正确率可以达到95%;在单组脉冲数目为80个时,识别正确率可以达到95.5%;在单组脉冲数目为100个、脉冲丢失率达到25%时,识别正确率仍保持在93%以上。     

莱斯衰落信道下 MQAM 信号调制方式自动识别方法

针对受莱斯衰落影响的4QAM、16QAM、32QAM、64QAM、128QAM、256QAM六类信号,分别研究了卷积神经网络（CNN）模型以及特征参数结合深度神经网络（DNN）分类器模型的调制方式识别性能。CNN模型需要大量带标签的数据集以及很长的训练时间才能获得较好的识别性能,而特征参数结合深度神经网络分类器模型所需训练时间较短,但其分类性能受限于特征参数的设计。针对以上问题,研究了混合高阶矩作为特征参数集,再将DNN作为分类器对多进制正交幅度调制（MQAM）信号进行识别的方法。仿真结果表明,该方法在低信噪比情况下对受莱斯衰落影响的MQAM信号识别准确率高于CNN模型,且分类准确率上限明显高于采用高阶累积量作为特征参数的方法。     

基于肌音信号的四种手部动作模式的识别方法

肌音（MMG）是指肌肉收缩时发出的2～100 Hz的低频＂声音＂。近年来,有研究将前臂肌音信号作为生理信号源应用于假肢手的控制,并取得了一定的进展。利用主成分分析法（PCA）对多通道采集的前臂肌音信号的18个时、频域特征的特征空间进行降维,并采用线性分类器对4种手部动作模式（手掌握紧、手掌张开、腕部弯曲、腕部伸直）进行...     

模糊神经网络识别方法

本文提出了一种新的模糊神经网络分类器,它结合了神经网络和模糊系统的优点,在使用神经网络结构的同时又用模糊理论来处理模糊和非模糊的信息。新网络在处理分类问题时,对畸变和噪声有较好的容忍性。本文还给出了用网络识别数字和印鉴的例子。     

遥测信号仿真系统中的数字调制识别应用

针对遥测信号特性仿真系统中的数字调制方式设计了一种基于判决树的数字调制自动识别方案。在加性高斯白噪声（AWGN）信道中,对遥测信号中常见的调制方式进行识别。通过MATLAB计算机仿真,验证了该方案的可行性。实验表明,在信噪比SNR为10dB条件下自动识别正确率不低于93％。