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。     

低信噪比下数字幅度调制的调制进制快速识别

为了快速自动识别低信噪比下的数字幅度调制进制,提出了一种识别M进制正交幅度调制(M-QAM)和M进制幅度键控(M-A SK)的调制进制的方法。该方法利用优化的缩放尺度对信号进行小波变换,以识别M-QAM和M-A SK信号的调制进制,并进行了仿真。仿真结果表明:仅利用100个观测符号,当信噪比大于或等于-4 dB时,M-QAM信号的正确识别率大于93%;当信噪比大于或等于-10 dB时,M-A SK信号的正确识别率大于90%。这说明该方法在低信噪比下能够快速获得很好的识别性能。     

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。     

基于高阶累积量的调制方式识别研究

通信信号调制方式自动识别技术在非协作通信的信号识别中具有重要作用,基于高阶累积量的方法,对常见的8种数字信号的调制方式识别进行了研究。调制方式包括2ASK,BPSK,QPSK,8PSK,16QAM,32QAM,16APSK,32APSK,给出了各调制信号的二、四、六、八阶累积量理论值,提取5个特征参数,根据不同调制信号的特征参数差异情况,设计合理的分类决策树和阈值对信号进行有效识别。仿真结果显示,在信噪比大于-3 d B时,信号识别率可达90%以上。     

一种多径信道下多体制信号识别方法

针对多径干扰下调制信号识别难的问题,提出了一种基于循环谱的调制信号识别方法.根据信号循环谱的性质,提取频率谱截面和循环谱截面的相关系数作为特征参数,并证明了该特征参数能够消除多径信道参数的影响,克服了利用循环谱或循环相关系数识别信号时受多径干扰影响大的缺点.仿真结果表明：在信噪比为0dB的多径瑞利衰落信道下,2PSK,4QAM和ODFM信号的识别率达到90%以上,与基于循环谱的方法相比,该方法识别率有显著的提高,且具有更强的抗多径能力.     

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。     

数字通信信号调制方式识别算法的改进研究

为克服数字通信信号调制方式识别算法识别类型少,步骤复杂,识别率低等问题,在已有识别算法的基础上,通过对信号特征参数的分析和提取,提出一种基于决策理论的数字通信信号调制样式识别的改进算法。该算法通过比较不同信噪比下特征参数的取值概率直方图,选择判决门限值。同时,应用最大似然法则,并采用了可变的判决门限值,以得到最佳判决门限。研究结果表明,在信噪比（SNR：Signal to Noise Ratio）为10 dB时,算法的正确识别率达到96%以上,可识别包括噪声在内的7种信号,且信噪比为6～15 dB时,该算法的正确识别率不低于92%。     

一种单信道时频重叠MPSK信号调制识别方法

针对单信道两个时频重叠MPSK信号的调制识别问题,提出了一种基于联合特征参数的调制识别方法。根据时频重叠信号在循环频率上的可分性,结合信号的瞬时自相关特性,提出了两个特征参数,对任意组合的双相移键控信号（共6种）进行分类识别。仿真结果表明,在信噪比大于6dB时,各信号组合的平均正确识别率能达到90%。     

基于CNN-SVM的调制方式识别优化算法

信号调制方式识别在通信领域是一个研究热点,针对目前已调信号分类识别率受噪声的影响较大的问题,提出一种基于CNN-SVM的调制方式识别算法.该算法对不同已调信号做循环谱估计,生成相应的循环谱图,并截取等高截面图作为特征图,然后借助卷积神经网络提取相应的特征,并采用t分布邻域嵌入算法对特征值降维处理,最后输入到支持向量机对已调信号进行分类识别.经实验仿真,当信噪比高于-2 dB时,算法识别率高于96%,证实了该算法具有很好的识别效果.     

基于时频分析的自适应PCA辐射源调制识别

针对复杂环境非合作通信模式下,识别调制方式运算复杂度高、识别率低的问题,提出一种基于时频分析的自适应特征提取识别算法。该算法结合二阶四阶矩估计法,利用信噪比自适应选取主成分分析特征,通过支持向量机分类器对辐射源调制方式进行识别。仿真结果表明,所提算法识别效果优于其他特征提取识别算法。在信噪比为0 dB时,识别率达到98%以上,较Hu矩和伪Zernike矩有12 dB左右的提升。该算法识别率高、运算量低,有较好的工程应用价值。     

基于改进神经网络的自动调制识别研究

自动调制识别技术可以用于排除通信系统中的非法用户及其干扰,是保证合法通信的关键措施之一.选取了几种典型的调制方式MFSK,MASK,BPSK,QPSK,OFDM,通过分析其时域特征,提取了反映调制类型显著差异的5个特征参数的新组合.为了克服标准BP算法收敛速度慢且存在多个局部最小点等缺陷,采用改进的弹性BP算法,从提高收敛速度和网络识别性能出发,构建了有效识别调制信号的弹性BP神经网络分类器.仿真结果表明,与基于决策理论的逐级判决调制识别方法相比,所设计的弹性BP神经网络分类器在SNR=0～20dB时对以上的调制方式均具有较高的识别率,即使在SNR=0 dB时也达到了95%以上的识别率.     

基于改进神经网络的自动调制识别研究

自动调制识别技术可以用于排除通信系统中的非法用户及其干扰,是保证合法通信的关键措施之一。选取了几种典型的调制方式MFSK,MASK,BPSK,QPSK,OFDM,通过分析其时域特征,提取了反映调制类型显著差异的5个特征参数的新组合。为了克服标准BP算法收敛速度慢且存在多个局部最小点等缺陷,采用改进的弹性BP算法,从提高收敛速度和网络识别性能出发,构建了有效识别调制信号的弹性BP神经网络分类器。仿真结果表明,与基于决策理论的逐级判决调制识别方法相比,所设计的弹性BP神经网络分类器在SNR=0~20 dB时对以上的调制方式均具有较高的识别率,即使在SNR=0 dB时也达到了95%以上的识别率。     

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.     

基于灰度共生矩阵的微动干扰分类识别

针对雷达成像中面临的调制转发微动干扰、微动散射波干扰、脉冲卷积微动干扰3种新型微动干扰样式的识别问题,提出一种基于灰度共生矩阵的干扰识别方法。该方法从图像域角度出发,首先对雷达接收信号矩阵进行灰度化处理,然后利用灰度共生矩阵提取其纹理参数并构造特征参数,最后采用KNN分类器实现了对雷达接收信号中目标回波和3种微动干扰样式的检测与识别。仿真实验结果表明,当信噪比为-5 dB时,不同干信比下4种信号样式的识别率均能够达到90%以上,每种信号样式整体识别率在98%以上;当信噪比为5 dB时,不同干信比下4种信号样式的识别率均能够达到95%以上,每种信号样式整体识别率在99%以上。     

二次调制信号与PSK类信号的自动盲识别算法

研究了卫星通信中常用的二次调制信号和PSK类信号的自动盲识别算法。从信号时域和频域出发,提取了能反映调制方式差异的瞬时特征,并对这些特征进行了理论分析。在区分非恒包络信号时,引入了自相关处理,改进后瞬时幅度包络特征差异更加明显,在对二次调制信号进行识别时,引入了FM盲解调用于恢复内调制信号,内调制PSK信号的识别采用基于谱线特征的识别算法。最后通过计算机仿真验证了其识别性能,在信噪比不低于4 dB时,对信号集内的信号识别率达到90%以上。     

基于密集连接机制的无线信号调制识别

为提高复杂信道环境下无线通信系统对调制信号的检测识别能力,以及针对当前调制识别方法存在的模型复杂、计算量大、输入数据特征不完备等问题。提出一种改进的深度学习算法模型,对真实无线环境下的9种常见调制信号进行识别研究。该算法通过对原始的同相正交(in-phase quadrature, IQ)数据进行幅度相位计算,以此增加模型输入数据的特征信息,采用改进的密集神经网络(dense neural network, DenseNet)对常见调制信号进行识别分类。实验结果表明：在相同的训练数据样本中,相比其他深度学习调制识别算法,改进算法性能最优。在信噪比为0时,DenseNet平均识别率达到84.6%。改进的IQ输入数据明显提高了无线信号的检测识别率,在信噪比为-10 dB和-5 dB时,调制信号的识别率提高了10%。     

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.     

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。     

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.