强信号全覆盖下反射式强度型传感器信号调制设计

反射式强度型传感器在强信号全覆盖环境下常常受到干扰和影响,导致传感器信号的质量下降甚至失真,给后续的信号处理和数据分析带来了困难。对此,提出强信号全覆盖下反射式强度型传感器信号调制方法。首先,判断强信号全覆盖环境下传感器信号的稀疏性,并根据环境的干扰因素建立信号的观测矩阵,通过优化算法计算出稀疏向量的估计值,使用稀疏向量的估计值对观测信号进行补偿,得到补偿后的信号;然后,应用正交锁相放大技术,将补偿后的信号与严格正交的两路参考信号相乘,提高信噪比,获得增强后的信号;最后,利用连续相位多支路调制方法,对增强后的传感器信号展开比特信息分离、二维信号映射与载波相位调制操作,完成信号调制。实验结果表明,所提方法可扩展性强、稳定性高且抗干扰能力强。

一种时间反转的参考信号调制DCSK通信方案

针对DCSK系统信息传输速率低及安全性差的问题,提出一种时间反转参考信号调制DCSK(TR-RMDCSK)通信系统方案。该方案采用RM调制实现了在一个帧时隙传输两个比特,携带偶数信息比特的混沌信号既是信息信号,也是传输奇数信息比特的参考信号,将参考信号进行时间反转,消除了同一帧时隙信号间的相关性,提升了比特传输速率及信号保密性。推导了高斯信道下的理论误码率,并在高斯信道和莱斯信道下进行了性能仿真分析。结果表明,该方案在不牺牲传输速率的情况下改善了误码性能,提高了系统安全性。

同步提取变换去噪的雷达信号调制识别方法

针对已有Cohen类时频分布等方法时频聚焦能力不足、在低信噪比(signal to noise ratio,SNR)情况下调制识别准确率低的问题,提出一种基于同步提取变换(synchro-extracting transform,SET)去噪的分组卷积神经网络调制识别方法。所提方法使用SET对雷达信号进行时频分析,以获得良好的时频聚焦性,提高时频分析的计算效率;通过Viterbi算法搜索估计时频系数矩阵中的瞬时频率轨迹,综合考虑信号能量强度分布与瞬时频率轨迹的平滑性,并对得到的瞬时频率轨迹进行中值滤波以去除脉冲噪声;保留瞬时频率轨迹邻域的时频系数,以达到时频图去噪的目的。最后,将去噪后的时频图送入具有残差连接的分组卷积神经网络进行特征提取与调制识别。实验结果表明,当SNR为-12 dB时,去噪后的SET时频图时频聚焦性好,调制识别准确率比未去噪的识别准确率提高了13.69%,证明所提出的雷达信号调制识别方法在低SNR条件下对多种复杂调制类型的信号具有良好的识别性能。

含信号调制噪声和频率波动的时滞分数阶振子的随机共振

本文研究了含信号调制噪声和频率波动的小时滞线性分数阶振子的随机共振.利用分数阶Shapiro-Loginov公式和Laplace变换技巧,本文首先推导了系统响应的一阶稳态矩和稳态响应振幅增益(Output Amplitude Gain, OAG)的解析表达式,然后讨论了分数阶、时滞和噪声参数对OAG的影响.结果显示:各参数对OAG的影响均呈现非单调变化的特点,表明系统出现广义随机共振.特别地,分数阶与时滞的协同作用可能诱导随机共振的多样化.这就为在一定范围内调控随机共振提供了可能.

基于小波阈值去噪与时频图像检测的信号调制识别技术

随着通信环境的日益复杂化,信号调制识别变得越来越重要。针对低信噪比下数字信号调制识别困难的问题,提出一种基于小波阈值去噪与时频图像检测的调制识别方法。该方法将接收到的实信号转换成解析信号,通过小波阈值法对解析信号进行去噪处理。引入时频重排技术将去噪后的一维信号转换成二维时频图像,通过双线性插值缩放图像,得到适应网络输入大小的时频图。将时频图输入VGG网络中训练识别。实验结果显示,提出的调制识别方法对于低信噪比下的调制识别问题表现优异。

面向图像高清传输的解码器同步触发信号调制技术

当前解码器同步触发信号在调制过程中容易受到噪声影响造成信号失真,导致解码后的图像细节模糊;为了增强图像清晰度,提出面向图像高清传输的解码器同步触发信号调制技术;在设计的FPGA平台中,采用并发控制机制确保SRAM存储模块多任务访问时避免数据冲突与不一致;并结合电力载波模块和PLC网络传输器保证系统的同步性与一致性;基于16×16并行累加器输出对SRAM进行寻址,并通过同相与正交频率运算获取基带信号;同时结合DDS数字合成理论实现符号速率自由控制,在此基础上,使用5通道解码器同步触发信号调制将传输信息位映射成同步传输序列,并通过施加振荡电流,并利用数据拟合辨识方法构建传递函数,调整调制信号以改善传输中的畸变与衰减,由此完成信号调制;实验结果表明,该技术对BPSK、QPSK、FSK信号的调制误差分别为1 dB、1 dB、2 dB,对图像解码效果的影响较低,能够获得细节清晰的高清图像。

基于CNN-BiLSTM混合神经网络的雷达信号调制方式识别

针对具有时频特性的雷达信号,传统的雷达信号识别方法已经无法满足对信号类型精准识别的需求,因此需要通过采集并分析雷达信号脉内的时频特征实现对目标雷达的具体信息进行有效评估。设计了一种卷积-双向长短时记忆(Convolution-Bidirectional Long Short-Term Memory,CNN-BiLSTM)混合神经网络模型,主要通过BiLSTM的时序记忆特性深度挖掘雷达信号的时域特征,结合权值共享特性和CNN层捕获雷达信号的时频特征,再利用二者信号特征联合完成对雷达信号调制方式的识别。通过对比实验验证,所提方法对若干种雷达信号的识别具有较高的准确度,平均值达到95.349%;优于只使用单一特征的网络和传统算法,具有良好的抗噪声能力。

一种Wi-Fi 6信号调制分析载波同步技术

近年来,无线局域网飞速发展,随着Wi-Fi 6标准的发布,各大无线设备制造商纷纷推出基于Wi-Fi 6标准的产品。然而Wi-Fi 6产品指标测试、故障诊断、标准符合性测试等均需测量仪器的支撑,为Wi-Fi 6信号测试分析仪器带来广泛的市场需求。文章主要研究Wi-Fi 6信号调制分析载波同步技术,提出基于训练序列和高效信号域频偏的估计方法,实现对WiFi 6信号的高精度解调。

一种无线信号调制分析算法改进技术

Wi-Fi信号调制分析技术是一种对Wi-Fi信号进行高精度解调,并测试信号的误差矢量幅度(Error Vector Magnitude,EVM),最终展现信号调制特性的测试分析技术。针对Wi-Fi被测设备发射及传输过程中信号质量测试需求,该技术为Wi-Fi相关设备的故障诊断及出厂测试提供了重要检测手段。基于此,提出相位跟踪修正技术和高精度信道估计技术,提高对信号进行调制分析的精度。

超宽频带范围开关磁阻电机电子干扰信号调制方法

传统的电子干扰信号调制方法,只能对特定频段的干扰信号进行抑制,导致误比特率值较大,因此设计一种超宽频带范围开关磁阻电机电子干扰信号调制方法。构建一个可调的开关磁阻电机电子干扰信号模型。该模型可模拟不同频段和幅度的干扰信号,对干扰信号进行振幅调制,通过改变信号的幅度调整其对电机性能的影响,采用多比特差分检测方法对调制后的信号进行检测。实验结果表明,设计的超宽频带范围开关磁阻电机电子干扰信号调制方法,误比特率明显低于其它两种方法,误比特率最低达0.02,证明该方法的信号调制最佳。

基于动态加权深度集成学习模型的小样本雷达信号调制识别方法

通过对雷达信号调制方式的识别有助于分析雷达工作的模式和目的,可为及时采取恰当的应对措施提供重要依据。为了解决小样本雷达信号调制识别问题,本文提出一种基于动态加权的深度集成学习(Ensemble Learning, EL)模型,该模型通过将多个简单、高效的深度学习模型集成,并根据不同学习模型的预测误差自动调整其权重,以提高集成学习模型的预测准确性与稳定性。仿真结果表明,通过对6种不同信噪比条件下的雷达信号进行识别,该算法可提高单个学习模型的识别效率。

基于Att-BiLSTM的雷达信号调制方式识别

识别雷达信号的调制方式有助于分析雷达的工作模式和目的,为及时采取恰当的应对措施提供依据。长短时记忆网络(LongShort-Term Memory,LSTM)深度学习模型在基于特征的调制方式识别领域中有着广泛应用,但LSTM模型的时间性能会随着输入数据规模的增大而下降。针对以上问题,文中提出了一种基于注意力机制的双向长短时记忆网络(BidirectionalLongShort-Term Memory,BiLSTM)的雷达信号调制方式识别算法。该算法通过BiLSTM提取信号原始数据的特征,再使用注意力机制为学习到的特征分配相应权重,最后由分类器根据学习到的特征输出分类结果。使用Python框架构建基于注意力机制的BiLSTM网络模型,以雷达辐射源信号特征仿真数据作为网络的输入和训练基础,实现对辐射源的调制方式的识别。结果表明,该模型在识别雷达信号的调制方式方面具有良好的效果。

基于改进卷积神经网络的信号调制识别

信号调制识别是通信侦察的重要环节。在现代战争中,信号密度日益增大、波形更加复杂、调制类型越来越多、环境干扰大等情况都导致通信侦察的电磁环境更加复杂,信号调制识别越来越困难。近年来神经网络算法得到了极大的发展,卷积神经网络算法被广泛应用于各个领域。应用一种改进卷积神经网络进行信号的调制识别工作,得到了较为准确的识别效果。

基于FPGA的信号调制方式识别和参数估计设计

调制是各种通信系统的重要基础,广泛应用于广播、电视、雷达、测量仪等领域,在频谱搬移的过程当中起着重要作用。文章基于STM32F407单片机和FPGA芯片的信号处理方式进行研究,设计一款高性能、高精度、低成本、运算速度快的信号调制方式识别和参数估计装置。根据实验测试,该装置可测量信号频率为1~30 kHz,幅度为30~100 mV,解调显示调制系数误差约为0.01,调制信号频率约为50 Hz,最大频偏在200 Hz左右。该信号装置能够精确获得测量结果,提高了信息传输速率和正确率。

新特征选择方法下的信号调制识别

针对通信信号的特点,该文提出了一种适用范围较广的新的特征选择方法。它运用高效、稳健的遗传算法,按照使同一类别特征的集群程度和不同类别特征的分离程度达到最佳的评价准则,筛选出一高质量的特征子集,并结合证据理论的精细结构,在一个较大的信噪比变化范围内,得到了较高的调制识别率,计算机模拟结果证实了该方法的优越性。

乘性与信号调制噪声在线性模型中的随机共振

研究了乘性噪声和信号调制噪声作用下一阶线性模型的随机共振现象.根据线性系统理论,利用噪声的统计特性,得到了系统输出幅度增益的解析表达式.研究发现,输出幅度增益是激励信号频率和系统参数的非单调函数,即出现了"真实的"随机共振和广义的随机共振现象;另外,输出幅度增益是噪声强度和噪声相关率的单调函数:随噪声强度的增大而增大,随噪声相关率的增大而减小.

基于统计特征主分量的信号调制识别

采用数字信号处理方法提取待识别信号的瞬时特征统计参量,利用多元统计的主分量分析方法对特征参量进行其主分量组合,以消除特征参量间的相关性和压缩特征向量的维数,并采用统计模式识别的模板匹配判决进行信号调制方式的自动识别,模拟结果证实了此方法的有效性和高识别率。

基于分形和测度理论的信号调制识别

为提高信号调制识别的能力 ,提出了一种以最直接、最直观的信号波形的复杂度 -分形维数为特征 ,并运用测度理论来组合多个在小信噪比范围内对通信信号调制类型有较高识别率的分类器 ,从而实现大信噪比范围内识别率明显改善的新方法 ,同时 ,应用该方法也可简化单个分类器的设计 ,提高分类识别效率。

基于小波分析的工程信号调制解调方法及其应用

该文从工程应用角度出发,以信号渐进性为基础分析了Hilbert变换解调、小波变换多尺度解调和小波脊提取等3种信号解调方法的实用算法、应用特点和局限性。文中通过一个结构振动分析的工程应用实例,讨论了利用渐进小波分析方法同时获取信号调幅、调频信息的解调方法的优越性及其应用问题。

信号调制色噪声作用下线性系统的随机共振

研究系统的阻尼系数受二值噪声扰动时,信号调制二值噪声驱动的二阶过阻尼线性系统的随机共振现象。基于线性系统理论和相关删去法方法,得到了系统平均输出幅度增益的精确表达式。研究表明:系统的输出幅度增益是二值噪声的强度和相关率、系统固有频率、系统阻尼系数,以及激励信号的频率的非单调函数,适当的噪声参数可以使系统的输出幅度增益大于无噪声时的输出幅度增益。