基于MLP神经网络的超宽带信号自适应识别算法的研究

提出一种利用人工神经网络进行超宽带信号调制模式自适应识别的方法。采用三层MLP神经网络进行调制模式识别。首先对超宽带数字调制信号进行统计特征参数提取,特征参数作为MLP网络的输入层神经元参数,隐含层是双层结构。实验证明,当中间层采用正切型激活函数、输出层采用线性激活函数时,MLP分类器的识别性能最好。在5 dB信噪比环境下,算法的正确识别率高于95%。与传统的统计判决方法相比,神经网络分类器不需要设定判决门限就能实现自适应识别,并且达到更好的识别率,解决了软件无线电系统中的超宽带信号自动识别的问题。     

某型装备数字通信信号识别能力的改进

针对某机载电子对抗任务系统数字通信信号识别正确率较低,影响该系统工作效能的问题,对Azzouz决策论的信号调制识别算法进行改进,改变了识别步骤,并采用可变的门限值,从而大大提高了该系统对数字通信信号的识别概率。经Matlab仿真得出,改进算法在信噪比大于8dB时,对信号的识别概率提高至95％,远高于原算法在信噪比大于10dB时,90％的识别概率。该算法仅用了5个门限参数,识别了包括噪声在内的7种信号,识别步骤最多3步,具有计算量小,实现简便的特点。     

数字通信信号自动识别算法

在低信噪比条件下，对6种数字通信信号的自动识别进行了研究，根据数字通信信号高阶矩和高阶累积量的特性提取了1组特征参数，采用分层结构的BP神经网络进行识别。仿真结果表明：当样本数据足够多，信噪比为4dB时，正确识别率接达98％。     

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%。     

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。     

混合调制信号调制识别方法

研究基于决策理论算法的混合调制信号特征参数提取与自动识别技术,提出适合混合调制信号调制识别的树型分类器及相应识别步骤。在外调制、内调制识别时首次分别采用副载波信号个数构成的特征矢量、均值归一化包络方差、副载波信号瞬时幅度分布区域统计值等算法,抑制噪声干扰,提高特征参数的准确性,仿真结果表明,在信噪比为6 dB情况下,调制识别率接近90%,和现有混合调制识别方法相比取得较好的识别效果,在混合信号调制识别管理中具有广泛的应用前景。     

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。     

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%。     

一种新的对数能量谱熵语音端点检测方法

将一种新的对数能量(LE)特征和谱熵(SE)特征相结合,提出一种新的对数能量谱熵(LESE)特征,采用模糊C均值聚类算法和贝叶斯信息准则算法进行LESE特征门限估计,并使用双门限法进行语音端点检测.在TIMIT连续语音库上的实验结果表明,相比于能量谱熵(EE)法和对数能量(LE)法,在噪声环境下LESE法具有更好的检测性能,表现出更好的稳健性.当信噪比为-5 dB时,LESE法的检测错误率仅为18.02%,在信噪比为0～10 dB时,其检测错误率要明显低于EE法和LE法.     

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.     

一种基于过采样技术的非最小相位系统盲辨识方法

提出了一种在时域中盲辨识非最小相位系统传递函数的方法,该方法通过对系统输出过采样来获得系统结构参数的信息.对于单输入单输出的线性离散系统,经过输出过采样后可以等价为单个输入、多个输出的传递函数模型,这多个输出函数具有相同的分母多项式和不同的分子多项式.采用子空间分解法可以确定分子多项式的参数,通过对系统输出信号自相关函数的处理可以得到分母多项式,最终可以得到原系统的结构参数.与传统高阶矩方法相比,该方法对噪声的敏感度更低,辨识的精度和速度也有很大提高.仿真结果表明,当信噪比大于15dB时,该方法可以有效地辨识出系统参数.与高阶矩方法相比,辨识门限信噪比降低了10dB,估计精度提高了20%,辨识速度加快了3倍.     

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.     

基于信噪比控制的自适应伪码捕获算法

针对复杂电磁环境下接收信噪比随机变化的特点,提出了一种基于信噪比控制的自适应伪码捕获算法,减少了捕获时间,降低了虚警概率。在分析滑动相关捕获法的性能基础上,构建了滑动相关伪码捕获的自适应结构,实现了在接收信噪比控制下积分时间和门限值的设置,研究了上述参数对捕获性能的影响,仿真结果表明:根据积分时间不同,在SNR>-3 dB时,平均捕获时间最大可以减少50％,在SNR<-7 dB时虚警概率下降5％～35％,满足信噪比变化情况下对捕获性能的设计需求。     

基于改进小波包去噪与梅尔倒谱系数的低信噪比交通环境声音识别

随着自动驾驶汽车研究的不断深入,对其环境感知系统提出了更高的要求。为了使自动驾驶汽车适应更复杂的交通环境,本文研究了低信噪比声学环境感知技术,提出改进的小波包去噪方法;采用经验模态分解(EMD)的方法改进梅尔频率倒谱系数(MFCC)的提取;采用支持向量机(SVM)识别模型完成低信噪比交通环境声音识别。实验结果表明,本文提取的去噪方法提高声音事件信噪比的同时保持声音特征,且对噪声有自适应性;改进的MFCC提取方法一定程度上提高了特征参数的抗噪性能。通过对低信噪比交通环境声音去噪和特征参数优化后,其平均识别率比优化前提高了33.34%,并改变了识别率骤降的趋势。     

基于四阶累积量Root-Music的近场信源二维参数估计

为了对近场信源的距离参数和方向角参数同时进行有效估计,降低算法的计算量,提出了一种基于四阶累积量的Root-Music算法及相应的参数配对方法。该方法无需进行谱峰搜索运算,利用相应的配对程序能够直接得到近场信源的参数值,降低了运算复杂度。仿真实验表明,在估计两个信源参数时,信噪比为0时就能正确分辨方向角和距离参数,信噪比由-5 dB变化到15 dB时,估计参数的均方误差呈下降趋势。     

存在定时误差的MQAM信号调制方式识别

为了提高在定时误差情况下的多电平正交幅度调制(MQAM)信号调制方式的识别率,提出了一个改进的聚类分析算法(MQAM基带信号进行识别).该算法采用γ和N两个参数进行聚类,对接收到的数据进行盲定时估计并经过插值滤波消除定时误差,提高识别率.仿真结果表明,该算法对定时误差20%Ts,信噪比为5 dB的64 QAM信号也有85%的识别率.