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。

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。

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。

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。

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。

基于多尺度时序特征的信号调制样式识别算法

在认知无线电应用中,当前基于深度学习的信号调制样式识别算法存在运算效率低、复杂度较高的问题,为此本文提出了一种基于多尺度时序特征的信号调制识别算法。该算法首先利用多层卷积层提取不同尺度的时序数据,将数据进行特征融合后使用长短期记忆网络提取时序特征,最后由输出层输出识别结果,并通过网络结构的设计和优化,降低了算法复杂。实验结果表明,在包含11种调制信号的原始I/Q信号测试集上,在信噪比为4 dB及以上时,该算法识别准确率达到90%以上。与同等识别准确率的算法相比,该算法的复杂度更低,在嵌入式设备Jetson Nano和树莓派4B上的推理时间更短,具有更好的工程应用价值。

基于矩特征的雷达信号脉内调制样式识别方法研究

相控阵雷达为了获得良好的低截获(LPI)特性,同时兼顾距离和速度分辨率,需要对信号进行复杂的脉内调制,将发射能量扩散到很宽的频率范围上,甚至与噪声水平相近。对雷达脉内调制信号进行识别,可以获取敌方雷达作战性能并制定相应的干扰策略。针对不同调制信号的时频图几何分布不同的特点,对CW、LFM、PARFM、PSK、FSK五类信号进行Choi-Williams变换,提出将不同信噪比下时频图像中最能反映图像区域几何特征的四个不变矩作为输入特征向量,利用梯度下降算法构建神经网络,对调制样式进行识别的方法。仿真结果表明,方法的识别效果良好。

基于深度学习的通信辐射源调制样式识别方法

针对自动调制分类中通信辐射源调制方式识别率低问题,提出了一种基于短时傅里叶变换(STFT)和卷积神经网络(CNN)结合的方法.该方法首先对通信辐射源信号进行小波阈值降噪,去除混在信号中的高斯白噪声;然后经过短时傅里叶变换,将一维时域信号变换成二维时频域图像,利用临近插值法降维;将时频图输入卷积神经网络进行训练,通过对超参数的选取,得到优化的卷积神经网络;最后采用softmax函数给出识别结果.仿真结果表明,当信噪比(SNR)为0 dB时,利用本文识别方法的宏平均值达到0.874以上,其性能显著优于传统方法.

MQAM信号的调制样式识别

提出了一种适用于非协作通信的基于星座图匹配多进制正交调幅(MQAM)信号识别方法。该方法无需信号载频、带宽等先验知识,而是利用高精度测频、全相位快速傅里叶变换(FFT)等方法对信号载频、码速率及初相位进行精确估计,并利用插值滤波消除定时误差,最后将星座图与参考星座图进行匹配,进而得到识别结果。仿真结果表明,当信号Eb/N0>5dB且码元数为1 000时,对信号的识别正确率大于95%。

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。

基于数学形态滤波的调制方式识别

简要介绍了数学形态滤波的基本原理与形态滤波器的构建,针对通信信号中存在的加性高斯白噪声问题,提出了一种运用数学形态滤波方法对信号瞬时包络进行整形滤波,再提取相应的特征参数J进行调制样式识别的新方法。并将该方法用于对2ASK、4ASK、QPSK、8PSK和2FSK等信号的识别中,实验结果表明,该方法对高斯白噪声有很好的滤波效果,亦表明数学形态滤波在通信领域有很好的应用前景。

一种基于小波变换的MQAM信号调制识别方法

MQAM调制样式识别是非合作通信研究的重要内容之一。通过分析MQAM信号在小波域具备的特征,提出了一种基于小波变换的MQAM信号识别算法,该算法不需要预先知道载频、波特率等参数,步骤简单,可在低信噪比情况下实现对MQAM信号的分类。

软件无线电中调制识别算法的研究

在非合作通信体制下,通信信号的调制样式识别已经越来越占据重要作用。以往文献中可以参考到的算法一般要求信噪比比较高,一般要求在10db以上。该文基于软件无线电体系结构,在低信噪比情况下对数字通信信号的识别算法作了一些改进。通过在参数提取时适当选取预处理滤波器和合理对相位进行修正来降低噪声的影响,并选择适当的判别参数来提高算法的鲁棒性,使得算法在信噪比为3db的环境下对常用数字调制样式识别的仿真结果达到90%以上。

基于谱域联合特征的信号调制类型识别

为了在低信噪比条件下识别信号的调制类型,提出了一种由信号瞬时包络的高阶组合矩、零中频信号的高阶组合累积量和谱相关函数共同构建的联合特征,用于数字调制信号调制类型识别的方法。新方法分析了多种常规数字调制信号的瞬时包络的幅度分布特性,利用了高斯过程的高阶累积量当阶次大于2时恒等于零的特性和谱相关函数突出周期平稳信号的特性,对高斯噪声具有较好的抑制作用。仿真试验结果表明,该方法运算简单,适应性强,在低信噪比下正确识别率高。

模拟调制信号的神经网络识别方法

首先介绍从信号幅度、相位、频率及功率谱等特性中提取的三种特征参数 ,应用这三种参数采用人工神经网络对模拟调制信号进行了识别。在基于网络输出最小均方误差和最佳正确识别率的原则下 ,提出识别CW、AM、SSB、FM信号的隐含层的神经元个数为 10个时较佳 ;得出输出层采用log -sigmoid函数为激励函数时 ,可以达到较佳的识别效果的结论。

基于DSP的数字调制信号神经网络识别算法

DSP处理模块是软件无线电的核心,TMS320C6701芯片以其优越的性能越来越成为其首选。本文研究了在该芯片上实现数字调制信号的人工神经网络识别算法的方法和过程,并通过实验验证了其正确性和合理性。

基于小波变换的数字通信信号识别

小波变换对瞬态信息具有较强的检测能力。不同的数字通信信号在码元变化时呈现不同的瞬态信息。分别对幅度未归一化和幅度归一化的3种数字信号(ASK、FSK、PSK)进行小波变换,提取变换后包络方差与均值平方之比作为分类的特征参数,最后利用人工神经网络进行分类识别。仿真结果表明,在低信噪比(5dB)时该算法仍具有很高的识别率。