一种低信噪比信号的调制盲识别方法

提出了一种利用包络高阶特征J进行调制方式识别的方法。该方法具有计算简单、无需知道信号的先验信息,同时具有较好的噪声抑制等特点,能在低信噪比情况下快速、有效地进行盲调制识别,易于实时应用和工程的实现。其仿真结果表明:该方法在0dB信噪比条件下能够识别信号的调制方式,性能优于传统的包络调制识别方法。

通信信号调制盲识别方法研究

讨论调制识别技术的原理及发展状况,系统地总结多年来通信信号调制盲识别方法,包括基于似然比的调制盲识别方法和基于信号特征的盲调制识别方法,分析各种方法的原理和性能,最后对识别方法的发展进行展望,对分类器进行总结。

基于Gabor变换的数字通信信号调制盲识别

Gabor变换通过加窗函数的办法对Fourier变换加以改进,能较好地刻画信号中的瞬态结构。本文把Gabor变换引入到了数字通信信号调制盲识别领域,对ASK、FSK和PSK信号的Gabor变换域特征进行了理论分析和软件仿真,最后给出了识别算法和仿真结果。

一种基于深度神经网络的调制盲识别方法

调制识别技术在民用和军事领域中都具有非常重要的意义。判识信号的调制类型,是实现通信信号正确接收解调的前提。针对低信噪比下的数字调制信号类型识别问题,提出了一种基于深度神经网络的调制识别方法。该方法采用特征提取新思路,在计算处理中进行了融合,具有良好的稳健性和抗噪性。此外,改进分级判决方法,引入分层模型结构,扩展了适用范围。最后,通过计算机仿真验证了新方法结果的有效性,且其识别正确率高,具有工程实用性,性能也优于过去的一些算法。

基于CNN-LSTM的MIMO-OFDM信号盲调制识别算法

无线通信信号的盲调制识别技术作为非协作通信的核心技术之一,在提高频谱利用效率以及未知信号解调中起着至关重要的作用。另外,非协作通信中存在着电磁环境未知,噪声干扰严重,信噪比低等问题,因此在非协作通信下进行未知信号的盲调制识别较为困难。为解决非协作通信中多输入多输出正交频分复用(MultipleInput Multiple-Output Orthogonal Frequency Division Multiplexing, MIMO-OFDM)信号在低信噪比下子载波盲调制识别的问题,本文使用CNN(Convolutional Neural Network,CNN)网络与LSTM(Long Short-Term Memory,LSTM)网络构建一维CNN-LSTM网络进行盲调制识别。鉴于I/Q数据具有很强特征表达能力,该算法选取I/Q数据作为第一输入特征直接输入网络。同时为了弥补噪声对I/Q数据的干扰,本文还选用抗噪声能力强的循环谱作为另一输入特征,为进一步提升循环谱的抗噪声能力,本文对循环谱进行切片累加操作得到抗噪声性能更好的循环谱切片累加序列作为第二输入特征。仿真结果表明,本文所提方法可以在SNR=2 dB条件下实现对{BPSK,QPSK,8PSK,16QAM,32QAM,128QAM}调制方式的识别,并且识别精度达到98%。

正交基带通信信号的调制方式盲识别

基于基带信号频率低,算法计算量小的优点,提出了一种在不需信号先验知识的情况下识别基带正交调制信号的方案。该方案利用接收信号的基带谱特性和统计特性,从中提取抗噪声,且对频偏和相偏不敏感的特征,对信号进行模拟数字的联合自动识别。对真实采集信号进行实验验证,结果表明:在信噪比不小于7 dB时,对数字和模拟调制方式都未知的信号,算法可以得到95%以上的正确识别率。

多径信道下OFDM调制类型盲识别算法

针对多径信道下OFDM信号识别难的问题,提出一种利用OFDM信号的3阶累积量近似为0,而单载波信号的3阶累积量为非零值的特征来识别OFDM信号与单载波信号的算法.仿真结果表明,该算法具有一定的抗多径能力,并能够有效提高识别性能.

低信噪比下PSK子类调制信号盲识别方法

相位调制是现代通信系统中最常用的数字调制方式之一,对其准确的分类识别是通信侦察领域中的热点和难点问题。对于这一问题可以采用时频域法、高阶累积量法、星座图法等常用方法,但是这些方法或抗噪能力差,或计算量太大,不适合工程实现。提出了一种不仅计算量小,而且可以在低信噪比下正确识别相位调制信号的方法。利用Matlab工具进行仿真,仿真结果表明,在信噪比不低于2dB的情况下,对PSK子类调制信号的识别率可以达到93%以上。

基于高阶累积量和信号平方谱特征的复合调制信号盲识别

针对符合CCSDS(Consultative Committee for Space Data Systems,国际空间数据系统咨询委员会)标准的多种复合调制体制测控信号,本文在建立8类典型调制信号数学模型的基础上,分析了信号的频域和统计域特征,并基于高阶累积量和信号平方谱提取了4个特征参数.根据所提的特征参数,针对复合调制信号提出了一种基于特征提取的直接识别方法,给出了具体的识别流程,并在11种信噪比下对该识别方法进行了MATLAB仿真实验.仿真结果表明在2 dB信噪比条件下,8类信号的识别率均达到98%,证明了所提复合调制盲识别方法的有效性.

基于多端特征融合模型的MIMO-OFDM系统盲调制识别

自动调制分类(Automatic Modulation Classification,AMC)在认知无线电中起着提高频谱利用率的重要作用,然而,现有的大多数工作都集中在单输入单输出系统中的单载波通信。针对当前非协作通信中多输入多输出正交频分多路复用(Multiple-Input Multiple-Output Orthogonal Frequency Division Multiplexing,MIMO-OFDM)系统子载波的盲调制识别问题,本文提出了一种基于多端特征融合模型的盲调制识别方法。首先,利用特征矩阵的联合近似对角化算法(Joint Approximate Diagonalization of Eigenvalue Matrix,JADE)从接收端的混合信号中恢复发送信号。然后,提取恢复信号的循环谱剖面和同向正交分量作为浅层特征。最后,搭建多端特征融合模型,利用一维卷积网络(One-Dimensional Convolutional Neural Network,1D-CNN)与通道注意力模块(Channel Attention Module,CAM)的串联模型完成对浅层特征的提取和映射,并使用测试样本对所提出的调制识别算法进行仿真验证。仿真结果表明,本文方法在不需要先验信息的情况下对MIMO-OFDM系统的调制方式可以进行有效识别,在信噪比为4 dB时的识别精度可达到90%。

基于盲调制识别的工业控制MIMO-STBC通信系统性能研究

为了提高无线工业控制系统中通信传输系统的性能,本文设计了基于盲调制识别的工业控制MIMO-STBC通信系统,并对所设计的通信系统以Alamouti空时分组码为例,结合盲调制识别分类算法进行了仿真实验.实验结果表明:在瑞利衰落信道下,当调制方式组合为BPSK、QPSK、8PSK和BPSK、QPSK、16QAM时,相比于传统的基于盲调制识别的工业控制SISO通信系统,本文设计的基于盲调制识别的工业控制MIMO-STBC通信系统分别约有2.6 dB和4.3 dB增益,具有更优的误码性能.

基于AG-CNN的轻量级调制识别方法

针对传统卷积神经网络在调制方式盲识别过程中,存在模型体积大、运算量高、无法部署至移动端等问题,提出了一种基于双注意力机制与Ghost模块的轻量级CNN模型AG-CNN(attention and Ghost convolution neural network)调制识别方法,该方法首先将调制信号映射至复空间,并根据归一化点密度对映射点进行颜色处理,得到高阶特征密度星座图;将该特征作为AG-CNN模型的输入进行学习训练,最后使用训练好的模型对接收端接收到的未知信号进行识别。实验表明,AG-CNN模型对散点为10000的密度星座图识别率在99.95%以上,与相同层数的CNN模型相比,卷积层参数量压缩6.01倍,计算量压缩6.76倍,且相较于VGG-16、InceptionV3、ResNet-50、Shufflenet、Efficientnet等卷积网络模型,参数量与浮点数运算数下降明显,且在大幅节省学习参数量、降低模型复杂度的情况下,表现出优秀的分类性能。

基于星座图匹配的OFDM子信道调制识别改进算法

文章针对OFDM信号侦察系统中已有的子信道调制识别方法难以满足实时性要求的问题,提出了一种基于星座图匹配的子信道调制识别改进算法,该方法采用标准信号星座图的幅度和相位分布构建识别函数,消除了抽取聚类法的调制阶数估计误差,提高了识别的正确率。通过理论分析和仿真试验,验证了该改进方法的有效性和可行性。

OFDM信号的盲侦察技术分析

正交频分复用传输系统,以其可对抗频率选择性衰落,高频谱利用率等优点,得到了广泛的应用。论述了正交频分复用(OFDM)信号非协作接收中的某些关键算法,研究了基于循环前缀的符号同步算法及最大联合似然估计(ML)算法、基于高阶累量的OFDM信号调制样式识别算法,解决了OFDM信号和常规通信信号之间的类间信号识别问题。仿真结果进一步说明了该方法的有效性。