基于深度学习的半监督信号调制样式识别算法

得益于深度学习的发展,使用神经网络提升信号识别性能取得了很大进步。使用半监督方法充分利用未标记数据来辅助深度模型的训练,但是现有的半监督信号识别方法未考虑噪声的影响,因此提出了一种基于深度残差网络(Resnet)的半监督信号识别方法,并利用梯度逆转层改善了噪声对性能的影响。在开源数据集RML2016.10A、RML2016.10B和RML2016.10C上的实验结果表明,该半监督方法可借助少量标签数据信息和未标记数据来有效地训练深度模型,并且能缓解噪声对性能的影响。

基于BSRes_SK_GRU的雷达信号调制样式识别

针对基于图像识别的雷达信号调制样式识别方法生成图像耗时长,收敛速度慢,且在低信噪比条件下识别准确率低的问题,提出了一种新的雷达信号调制样式识别模型。此模型将雷达信号时间序列经简单预处理后直接作为网络输入,避免了将信号转换为图像的复杂过程;网络能够自主提取雷达信号空间和时间两个方面特征,完善了特征提取的方式;同时,对网络结构进行了优化,并引入了选择性核网络,以获取特征在不同尺度上的重要信息。实验结果表明,此模型在低信噪比条件下具有较快的训练速度和较高的识别准确率。

基于多特征融合的LPI雷达信号调制样式识别

针对情报侦察在雷达电子战中的实际应用,在对LPI雷达信号调制样式特点研究的基础上,结合时频分析方法和神经网络分类算法的功能特性,提出了一种基于多特征融合和组合网络(MFCN)的识别方法。首先构建了较为完备的LPI雷达信号仿真模型。其次提取了信号的高斯降噪模糊函数图(GDAFI)和短时傅里叶图(STFTI)等多种特征。最后搭建了融合Resblock、DAE和LIBSVM模块的组合网络,完成LPI雷达信号调制样式的分类识别。仿真结果表明,提出的方法在SNR=-6dB时,对BPSK、Costas、Frank、LFM、T1~T4、P1~P4共12类LPI雷达典型调制样式能达到95%的PSR,并具有较强的稳定性和鲁棒性,相比其它方法具有更好的识别性能。

MPSK信号类内调制样式识别研究

针对多进制相移键控(MPSK)类内信号,提出了一种以四阶累积量和差分星座最小环带模值方差作为特征的识别算法。通过仿真表明,信号长度为1600,信噪比为10 dB情况下,几种信号识别率达到100%。同时,该识别算法对载波剩余相位不敏感。

调制样式BP神经网络分类器

给出从信号幅度、相位、频率及功率谱等特性中提取的五种特征参数的定义 ,详细研究了应用这 5种参数识别CW、AM、SSB、FM、2FSK、2PSK、NOISE信号的BP神经网络分类器。该分类器采用Levenberg arquardt神经网络学习算法 ,隐含层采用log sigmoid函数为激励函数 ,输出层采用tan sigmoid函数为激励函数 ,隐含层的神经元个数取 10个。

雷达PRI调制样式识别新方法

针对雷达PRI调制样式识别难题,在分析雷达PRI类型的基础上,提出了能够有效描述雷达PRI调制特征的五种分类特征参数,分析了对存在丢失和虚假脉冲的处理方法,并据此提出了PRI调制样式的识别算法与实现流程,实现了五种典型PRI调制样式的有效识别。理论分析与计算机仿真结果表明,该方法在PRI测量精度较低和丢失虚假脉冲比例较高的情况下具有稳健的识别性能。

雷达PRI调制样式特性曲线的识别

针对PRI调制样式特性曲线的特点提取了其最大值、等值比以及连续性参数作为特征参数,对PRI调制样式进行了分类,分析了非调制参数和调制参数对特性曲线和特征值的影响,利用支持向量机验证了存在脉冲丢失等噪声的情况下利用本研究提取的特征参数识别PRI调制样式的有效性。

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。

几种信号调制样式识别方法的分析与比较

信号调制样式的识别是近年来信号处理领域研究的热点问题 ,其中对于统计量方法的研究更为集中。通过对信号调制样式识别的统计量方法 ,包括基于信号时频域瞬时参数的算法、谱相关算法的仿真与比较 ,这里提出一种将瞬时幅度的统计信息与频点个数相结合的新算法 ,将谱估计方法应用到这一领域。试验表明 ,这种新算法具有很好的识别效果 ,在信噪比不低于 10dB的情况下 ,正确识别率可以达到 90 %以上。

基于决策理论的软件无线信号调制样式自动识别

信号调制样式的自动识别是软件无线电台必须具备的功能之一.主要讨论了基于决策理论的信号调制样式自动识别的基本原理和算法,论述了模拟信号调制样式的自动识别,数字信号调制样式的自动识别方法.也分析了在实现这些算法时会碰到的许多具体的实际问题,提出了能解决这些问题的调制识别新方法——人工神经网络识别法.

雷达PRI调制样式识别方法综述

文章在分析雷达PRI调制样式的产生和分类的基础上，概述了目前雷达PRI调制样式识别的各种方法，并将其分为了人工识别方法和自动识别方法两大类。基于自动识别方法的共同特点，提出了“特征向量法”的概念，指出了其优缺点，为今后相关研究提供了有益的思路。

一种基于小波变换的PSK信号调制样式识别的新方法

利用PSK信号的不同相位突变点的小波变换产生不同大小冲激值的特点,对信号进行Haar小波变换,通过求取各冲激值的累计分布函数来判别相位突变值的数量,以达到识别PSK信号调制样式的目的。实验证明该方法识别效果良好,具有较大的实用价值。

基于相图的通信信号调制样式识别问题研究

通信信号的调制样式识别问题一直是困扰着电子对抗人员的重要问题之一。本文从实践出发,提出了基于相图的非线性处理方法,从理论上部分地解释了相图的呈现状况,提供了简洁实用的处理流程。从仿真的结果上看,该方法具有很强的实际意义与理论研究的空间,值得进行深入的研究与探讨。

利用稀疏自编码器的调制样式识别算法

针对传统调制样式识别算法对复杂幅相信号识别率低,所需特征参数多的问题,提出一种利用稀疏自编码器的调制样式识别算法。将稀疏自编码器和Softmax分类器级联构成识别系统,将两个高阶累积量特征参数的格雷码编码构成系统输入矢量,利用稀疏自编码器提取的深度特征作为Softmax分类器输入。在系统训练阶段,先训练稀疏自编码器,然后利用有监督算法训练分类层,接着利用有监督算法进行整体优化。对BPSK、QPSK、8PSK、16QAM、32QAM、16APSK和32APSK等7种信号识别的仿真结果表明,在低信噪比时本文算法的平均正确识别率比对比算法高。

基于卷积神经网络的调制样式识别

随着科学技术的进步,调制样式识别应用越来越广,信号调制是将原始的基带信号的频谱搬移到适合在信道中进行的传输的通带内的过程。大多数通信系统调制样式识别分为人工手动识别和机器自动识别,与人工手动识别相比,基于卷积神经网络自动识别提取数据特征的方法不仅识别率高,而且准确率更高,因此研究卷积神经网络调制样式识别具有非常重大意义。

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。

利用并联CNN-LSTM的调制样式识别算法

为了提高基于卷积神经网络的调制样式识别算法性能,利用CNN的空间特征提取能力和LSTM时序特征提取能力,设计了CNN-LSTM并联网络,上支路由一层卷积层和一层池化层组成,下支路使用单层LSTM网络。直接将同向分量和正交分量作为输入数据,上下支路提取信号的空间和时间特征,提高特征表达能力。对BPSK、QPSK、8PSK、16QAM、32QAM、16APSK、32APSK等7种信号的调制样式识别仿真实验结果表明:算法无需人为设计特征参数,减少人为因素影响,同时该算法在低信噪比下具有较好的识别性能。

一种无人机辐射源调制样式识别算法

针对小型无人机威胁低空领域且在复杂电磁环境下难识别的问题,提出了一种基于卷积神经网络的信号识别算法。首先,分析了无人机应用背景下直接序列扩频信号的特性,并采用短时傅里叶变换获取信号时频特征;然后,利用提出的能量阈值降噪法降低时频特征中噪声成分;最后,设计了卷积神经网络用于分类识别。仿真结果表明,该算法在信噪比为-6 dB时可达到0.97的识别率,具备较强的鲁棒性和低信噪比环境适应性,其性能显著优于传统算法。

ZP-OFDM信号子载波调制样式的识别

为解决零循环前缀正交频分复用(ZP-OFDM)信号子载波调制样式的识别问题,通过对信道模型和保护间隔进行分析,提出一种子载波调制样式的识别方法。该方法首先根据保护间隔的特点对其信噪比进行估计,然后采用高阶矩之间的特征值对子载波调制样式进行识别。仿真实验表明,提出的方法在多径环境和低信噪比条件下具有较好的识别效果。

数据融合应用于通信信号调制样式识别

对通信信号的频域、时域特征进行了提取，介绍了利用决策树识别其调制样式的方法。针对决策树缺点，提出了基于模糊理论和D—S证据理论对不同参数的可信度进行融合的方法，并给出了利用数据融合算法进行调制样式识别的仿真结果。