調(diào)制信號識別課件

調(diào)制信號識別1-調(diào)制信號識別1-內(nèi)容安排定義及背景識別過程介紹及方法分類一些已提出的方法介紹2-內(nèi)容安排2-背景及定義調(diào)制信號識別是信號檢測和信號解調(diào)之間的重要步驟，它的目的就是在沒有其他先驗知識的情況下，通過對接收信號的處理，判斷出信號的調(diào)制方式，并估計出相應(yīng)的調(diào)制參數(shù)。其主要在兩方面得到了應(yīng)用：一方面是軟件無線電系統(tǒng)，保證不同體制通信系統(tǒng)之間實現(xiàn)互通互聯(lián)；二是電子戰(zhàn)系統(tǒng)，為截獲信息和選擇最佳干擾樣式提供依據(jù)。3-背景及定義調(diào)制信號識別是信號檢測和信號解調(diào)之間的重要步驟，它調(diào)制方式是區(qū)別不同性質(zhì)通信信號的一個重要特征。對于接收信號，要想正確解調(diào)，分析接收信號或者進行干擾，必須能夠正確識別信號的調(diào)制方式，然后采取相應(yīng)的解調(diào)方法或干擾方法。4-調(diào)制方式是區(qū)別不同性質(zhì)通信信號的一個重要特征。對于接收信號，識別過程調(diào)制識別問題實質(zhì)上是一種典型的模式識別問題5-識別過程調(diào)制識別問題實質(zhì)上是一種典型的模式識別問題5-信號預(yù)處理部分的主要功能是為后續(xù)處理提供合適的數(shù)據(jù)；特征提取部分是從輸入的信號序列中提取對調(diào)制識別有用的信息；分類識別部分的主要功能是判斷信號調(diào)制類型的從屬關(guān)系。6-6-信號預(yù)處理頻率下變頻、載頻估計、同相正交分量分解等。在多發(fā)射源環(huán)境中，隔離各個信號，保證一次只有一個信號進入后續(xù)的調(diào)制識別環(huán)節(jié)。7-信號預(yù)處理7-特征提取特征提取部分是從數(shù)據(jù)中提取信號的時域特征或變換域特征。時域特征包括信號的瞬時幅度、瞬時相位或瞬時頻率的特征參數(shù)或其它統(tǒng)計參數(shù)。變換域特征包括功率譜、譜相關(guān)函數(shù)、時頻分布及其它統(tǒng)計參數(shù)。8-特征提取特征提取部分是從數(shù)據(jù)中提取信號的時域特征或變換域特征分類識別選擇和確定合適的判決規(guī)則和分類器結(jié)構(gòu)，主要采用決策樹結(jié)構(gòu)的分類器和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的分類器。9-分類識別9-兩種分類器決策樹分類器采用多級分類結(jié)構(gòu)，每級結(jié)構(gòu)根據(jù)一個或多個特征參數(shù)分辨出某類調(diào)制類型，再下一級結(jié)構(gòu)又根據(jù)一個或多個特征參數(shù)，再分辨出某類調(diào)制類型，最終能對多種類型進行識別。這種分類器結(jié)構(gòu)相對簡單，實時性好，但需要事先確定判決門限，自適應(yīng)性差，適合分類特征參數(shù)區(qū)分很好的信號識別。神經(jīng)網(wǎng)絡(luò)分類器具有強大的模式識別能力，能夠自動適應(yīng)環(huán)境變化，較好處理復(fù)雜的非線性問題，而且具有較好的穩(wěn)健性和潛在的容錯性，可獲得較高的識別率。10-兩種分類器決策樹分類器采用多級分類結(jié)構(gòu)，每級結(jié)構(gòu)根據(jù)一個或多識別方法分類基于基本時域、頻域和功率譜特征的方法基于小波理論的方法基于分形理論的方法基于信號的星座圖的方法基于混沌理論的方法基于復(fù)雜度理論的方法基于人工神經(jīng)網(wǎng)絡(luò)的方法11-識別方法分類基于基本時域、頻域和功率譜特征的方法11-基于窗口平均頻率算法的調(diào)制信號識別系統(tǒng)組成：12-基于窗口平均頻率算法的調(diào)制信號識別系統(tǒng)組成：12-算法思想：用一個寬度為N的矩形窗去截取采集到的已離散化處理的信號x(n)，得到N點數(shù)據(jù)，對這N點數(shù)據(jù)進行離散傅里葉變換(DFT)得到這N點數(shù)據(jù)的頻譜。計算窗口內(nèi)平均頻率。獲得時頻分布曲線。濾除算法產(chǎn)生的交叉干擾。13-算法思想：13-該算法通過移動窗口來截取信號，并計算窗口內(nèi)信號平均頻率來獲得信號的時頻分布，具有算法簡單、運算速度快的特點。ASK、FSK、PSK等數(shù)字調(diào)制信號均為非平穩(wěn)的隨機信號，在時頻分布上存在著差異，若采用移動窗口平均頻率算法對數(shù)字調(diào)制信號進行時頻分析，再根據(jù)信號時頻分布的差異識別調(diào)制信號類型一方面可以顯著提高系統(tǒng)的實時性；另一方面，由于對時頻分布曲線進行了濾波處理，能夠提高信號識別的抗干擾性能和識別精度。14-該算法通過移動窗口來截取信號，并計算窗口內(nèi)信號平均頻率來獲得優(yōu)點與不足算法簡單，速度快，宜運用于實時性要求較高的場合。窗口寬度N與抽樣頻率對移動窗口平均頻率算法的性能有較大的影響，若選擇不合適，會產(chǎn)生一定的分析誤差。如何合理選擇N和抽樣頻率還有待進一步研究。其仿真驗證是是在二進制信號上進行，識別類型少，有很大局限性。15-優(yōu)點與不足算法簡單，速度快，宜運用于實時性要求較高的場合?；诙虝r分析的調(diào)制信號識別方法該方法用短時分析提取數(shù)字調(diào)制信號在幅度、頻率和相位隨時間變化的特征，并利用這些特征對各種數(shù)字調(diào)制信號進行識別。在加性高斯白噪聲條件下給出了相應(yīng)的最佳閾值，并通過仿真研究了該識別方法的性能。仿真結(jié)果表明該方法對噪聲不敏感，在SNR為0dB時仍能獲得90%以上的正確識別率。16-基于短時分析的調(diào)制信號識別方法該方法用短時分析提取數(shù)字調(diào)制信文中提出的識別方法，能夠?qū)?ASK、4ASK、2FSK、4FSK、BPSK、QPSK、8PSK、16QAM信號有效識別。17-17-特征提取譜寬因子：用來來區(qū)分ASK信號和FSK，PSK及QAM信號。短時頻譜峰數(shù)：可以區(qū)分2FSK信號、4FSK和PSK及16QAM信號，對2FSK為2，對4FSK為4，而對PSK和16QAM信號為1。短時相位峰數(shù)：反映了信號中的相位數(shù)?？蓞^(qū)分BPSK、QPSK、8PSK和16QAM信號。在0~2π間，BPSK信號有2個峰，QPSK和16QAM有4個峰，而8PSK有8個峰。18-特征提取譜寬因子：用來來區(qū)分ASK信號和FSK，P零中心歸一化非弱信號段的標(biāo)準(zhǔn)偏差可區(qū)分PSK和QAM信號，設(shè)定適當(dāng)門限加以識別。零中心歸一化瞬時幅度絕對值的標(biāo)準(zhǔn)偏差用來區(qū)分2ASK信號和4ASK信號，對2ASK，該值為0；對4ASK，該值不為0。19-零中心歸一化非弱信號段的標(biāo)準(zhǔn)偏差19-識別流程20-識別流程20-方法總結(jié)仿真結(jié)果中得出，在SNR從0~20dB整個范圍內(nèi)都有很高的識別率，也即本方法對噪聲不敏感。僅當(dāng)SNR=0dB時，由于瞬時幅度受噪聲影響大，造成對2ASK和4ASK的識別率降低，但仍達到90%以上。而對其它調(diào)制方式的信號識別率都在97%以上。該方法有很高的識別率和抗干擾能力，有較好的工程應(yīng)用價值。21-方法總結(jié)仿真結(jié)果中得出，在SNR從0~20dB整個范圍內(nèi)都有基于決策理論的方法文獻針對2ASK、2FSK、2PSK、4ASK、4FSK、4PSK6種數(shù)字調(diào)制信號，提取了4個基于瞬時幅度、瞬時頻率、瞬時相位統(tǒng)計特性的參數(shù)，采用決策樹判別方法對其進行分類識別。22-基于決策理論的方法文獻針對2ASK、2FSK、2PSK、4A特征參數(shù)零中心非弱信號段瞬時相位非線性分量絕對值的標(biāo)準(zhǔn)偏差：主要用于區(qū)分二、四進制的PSK信號(2PSK與4PSK)?；谛盘査矔r幅度的統(tǒng)計參數(shù)A

為取樣點數(shù)，為瞬時幅度。

23-特征參數(shù)零中心非弱信號段瞬時相位非線性分量絕對值的標(biāo)準(zhǔn)偏差參數(shù)A主要用來區(qū)分是MASK信號還是MFSK或MPSK信號。對MASK信號，A不為0；對MFSK，A為0；對MPSK，A接近0。參數(shù)A還可以用來進一步區(qū)分是2ASK信號還是4ASK信號?；谒矔r頻率的統(tǒng)計參數(shù)F24-參數(shù)A主要用來區(qū)分是MASK信號還是MFSK或MPS是信號的瞬時頻率。對FSK信號，F(xiàn)值較?。粚SK信號，F(xiàn)值較大。瞬時頻率平方的均值該值可以用來區(qū)分2FSK信號和4FSK信號。因為對2FSK信號，它的瞬時頻率只有2個值，而對4FSK信號，其瞬時頻率有4個值，故4FSK的該特征值比2FSK的要大。25-是信號的瞬時頻率。對FSK信號，F(xiàn)值較??；分類識別26-分類識別26-仿真驗證結(jié)論在時，識別正確率可達到99%以上，且當(dāng)時，識別正確率達到100%。本算法不但在低信噪比條件下識別正確率高，而且在進行識別的過程中，用到的特征參數(shù)較少。但是，文中的算法只適用于在基帶數(shù)字信號中。27-仿真驗證結(jié)論在時，識別正確率可達到基于信號時域瞬時統(tǒng)計特性的一種通用識別方法基本思想：在AWGN信道下，通過分析信號時域特征和頻域功率譜特征，并結(jié)合前人的研究成果，給出一組性能穩(wěn)健的、具有高識別率的特征參數(shù)。利用這些參數(shù)先進行調(diào)制信號四種基本調(diào)制類型的分類，再利用具體算法進行調(diào)制階數(shù)的識別。28-基于信號時域瞬時統(tǒng)計特性的一種通用識別方法28-特征提取歸一化瞬時幅度功率譜密度最大值

其中N為樣點數(shù)，為中心歸一化瞬時幅度，。

29-特征提取歸一化瞬時幅度功率譜密度最大值29-該特征參數(shù)能夠充分反映調(diào)制信號的幅度變化，可以用該參數(shù)來區(qū)分開ASK/QAM和FSK/PSK調(diào)制信號。判決門限：，可區(qū)分ASK/QAM和FSK/PSK調(diào)制信號。歸一化中心瞬時頻率的四階矩緊致性是歸一化中心瞬時頻率，為信號的瞬時頻率，該參數(shù)反映瞬時頻率變化的特征量，可用來區(qū)分FSK和PSK調(diào)制信號并輔助進行MFSK調(diào)制階數(shù)M的識別。30-該特征參數(shù)能夠充分反映調(diào)制信號的幅度變化，可以用該參數(shù)歸一化中心信號的四階矩緊致性

其中是歸一化中心信號，該參數(shù)可將ASK、QAM和FSK/PSK三者分開。

31-歸一化中心信號的四階矩緊致性31-信號識別MFSK識別MFSK信號的功率譜必有M個譜峰，只要得到其功率譜在上的譜峰個數(shù)n，就能實現(xiàn)MFSK信號調(diào)制階數(shù)的識別。對頻率個數(shù)敏感，可用于調(diào)制階數(shù)的識別。MASK和MQAM識別經(jīng)過大類判別后，MASK和MQAM已經(jīng)被完全分開，這兩種調(diào)制模式的時域特征比較明顯，即就L個碼元時隙而言，有M種振幅，故采用振幅種類個數(shù)來區(qū)別各自的調(diào)制階數(shù)。32-信號識別MFSK識別32-MPSK識別對BPSK和QPSK來說，選擇A.K.Nandi和E.E.Azzouz提出的特征參數(shù)能將二者很好的分開。33-MPSK識別33-識別流程圖34-識別流程圖34-驗證結(jié)論文中提出的識別方案，利用提出的新參數(shù)和已知參數(shù)、對調(diào)制信號進行調(diào)制大類識別，在信噪比不低于5dB時，正確識別率達到96%。特點：流程簡單，運算量小35-驗證結(jié)論文中提出的識別方案，利用提出的新參數(shù)和已知參數(shù)基于小波變換的數(shù)字信號調(diào)制識別方法該文介紹了一種基于小波分類特征的數(shù)字調(diào)制信號的識別方法，創(chuàng)新之處在于同時應(yīng)用了連續(xù)小波變換和多層小波分解兩種方法提取信號的特征，并且對于不同調(diào)制信號采用了不同的分類特征。算法實現(xiàn)時不需要進行碼元周期估計以及同步時間估計，從而使分類器的設(shè)計變得簡單，判決準(zhǔn)則簡化，提高了運算速度和識別率。36-基于小波變換的數(shù)字信號調(diào)制識別方法該文介紹了一種基于小波分類小波變換是一種時間—尺度分析方法，具有多分辨分析的特點，并且在時頻域都具有表征信號局部特征的能力。小波變換主要用于信號特征的提取，然后結(jié)合神經(jīng)網(wǎng)絡(luò)或分形作為分類器，實現(xiàn)信號的調(diào)制識別。37-37-特征提取小波變換主要采取兩種方法提取信號的特征：一是采用多分辨分析，對調(diào)制信號進行多層小波分解，提取信號在各個頻率段的特征向量；另一種方法是利用連續(xù)小波變換的模極大值(|CWT|)，提取信號的奇異點特征。本文中同時應(yīng)用了這兩種特征的提取方法，MFSK信號包含多種頻率分量，因此應(yīng)用多層小波分解提取特征向量；MPSK信號的信息包含在相位里，由于相位的突變造成了信號的奇異性，因此利用信號連續(xù)小波變換的模極大值提取特征。38-特征提取小波變換主要采取兩種方法提取信號的特征：一是采用多分多層小波分解提取分類特征對信號的低頻部分做進一步分解，而高頻部分則不予以考慮。如下是一個3層分解圖：多層分解只對低頻空間做進一步的分解，隨著分解層數(shù)的增加，頻率的分辨率變得越來越高，因此當(dāng)信號具有不同的頻率成分時，可以通過多層小波分解提取信號的分類特征。39-多層小波分解提取分類特征39-小波分析用于信號奇異性檢測信號的突變點意味著信號的不連續(xù)性，可能是調(diào)幅信號的幅度突變引起的，也可能是調(diào)相信號的相位突變引起的，因此信號中的奇異點及不規(guī)則的突變部分通常攜帶重要的信息。40-40-識別算法41-識別算法41-通過對一定樣本的調(diào)制信號做小波多層分解，提取信號的小波分解特征向量并進行統(tǒng)計分析，建立各調(diào)制信號的閾值列表，判斷信號是否屬于MFSK信號，并且應(yīng)用該特征向量對MFSK信號進行類內(nèi)識別；當(dāng)信號的特征向量超出設(shè)定的范圍時，應(yīng)用信號的幅度方差判斷信號為MQAM或MPSK，并應(yīng)用對數(shù)似然函數(shù)準(zhǔn)則對MQAM進行類內(nèi)識別；應(yīng)用小波變換的模極大提取MPSK信號的相位突變點，對MPSK信號進行類內(nèi)識別，從而實現(xiàn)信號的調(diào)制識別。42-通過對一定樣本的調(diào)制信號做小波多層分解，提取信號的小波分解特基于高階累積量的調(diào)制信號識別文中利用接收信號的高階累積量為特征參數(shù)，實現(xiàn)了對多種常用數(shù)字調(diào)制信號(2ASK/BPSK，4ASK，QPSK，8PSK，2FSK，4FSK)的分類識別。由于高斯噪聲大于二階的累量值恒為零，把接收的含有高斯噪聲的非高斯信號變換到累量或累量譜域處理，就可以剔除噪聲的影響，因此高階累積量具有良好的抗噪聲性能。43-基于高階累積量的調(diào)制信號識別文中利用接收信號的高階累積量為特k階平穩(wěn)隨機過程{x(t)}的k階累積量定義為高階累積量為44-k階平穩(wěn)隨機過程{x(t)}的k階累積量定義為44-參數(shù)及算法描述設(shè)，利用參數(shù)和可將信號分為(2ASK，4ASK)、4PSK與(8PSK，2FSK，4FSK)三類；參數(shù)用來識別信號2ASK與4ASK；將8PSK與MFSK信號微分再通過中值濾波器后，利用參數(shù)來識別8PSK與MFSK；參數(shù)還可用來實現(xiàn)2FSK與4FSK信號的識別。45-參數(shù)及算法描述設(shè)仿真結(jié)論對高階累積量方法來說計算復(fù)雜是其最主要的缺點，文中僅利用二階和四階累積量來識別信號2ASK、4ASK、QPSK、8PSK、2FSK、4FSK，相對來說計算的復(fù)雜度不算很高。由于8PSK與MFSK信號的二、四、六階累積量的值相同，直接計算無法區(qū)分，針對這一問題，本文首先對8PSK和MFSK信號求微分再利用四階累積量來進行識別。當(dāng)信噪比高于8dB時，識別率基本達到100%。該算法的識別率較高，并且復(fù)雜度較低，便于工程實現(xiàn)。46-仿真結(jié)論對高階累積量方法來說計算復(fù)雜是其最主要的缺點，文中僅基于多層感知器的調(diào)制信號識別目前研究的自動調(diào)制識別方法，大體可以分為兩類，即基于特征提取的模式識別方法和最大似然假設(shè)檢驗方法。最大似然假設(shè)檢驗方法是采用概率論和假設(shè)檢驗的方法來解決信號分類問題。判決規(guī)則簡單，但不易得出正確假設(shè)，檢驗統(tǒng)計量計算復(fù)雜，而且需要一些先驗信息。47-基于多層感知器的調(diào)制信號識別目前研究的自動調(diào)制識別方法，大體基于特征提取的模式識別方法不需要先驗知識，但如何正確地選擇特征集是一個難題。人工神經(jīng)網(wǎng)絡(luò)方法是該方法的分類識別部分，由于智能化水平高、識別速度快、正確識別率高等優(yōu)點獲得了充分重視，是分類器設(shè)計的發(fā)展新方向。目前應(yīng)用較多的是前饋神經(jīng)網(wǎng)絡(luò)，包括多層感知器(MLP)神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)。48-基于特征提取的模式識別方法不需要先驗知識，但如何正確地選擇特神經(jīng)網(wǎng)絡(luò)模式識別的基本原理ANN是由大量簡單處理單元(人工神經(jīng)元)廣泛互連而成的一個具有自學(xué)習(xí)、自適應(yīng)和自組織的并行分布式動態(tài)處理器，也可以認(rèn)為神經(jīng)網(wǎng)絡(luò)是可以從大量的信息中自動抽取特征，進而形成某種分類模式的信息處理系統(tǒng)。49-神經(jīng)網(wǎng)絡(luò)模式識別的基本原理ANN是由大量簡單處理單元(人工神經(jīng)網(wǎng)絡(luò)模式識別的核心為訓(xùn)練過程和分類過程，通過大量的訓(xùn)練樣本，根據(jù)某種規(guī)則不斷對連接權(quán)值進行調(diào)節(jié)，使網(wǎng)絡(luò)具有某種期望的輸出，可以使訓(xùn)練樣本正確歸類到所屬類別中。當(dāng)神經(jīng)網(wǎng)絡(luò)用作分類器時，輸出是相應(yīng)類別的后驗概率，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程就是完成待分類模式特征的后驗概率密度的逼近過程。50-神經(jīng)網(wǎng)絡(luò)模式識別的核心為訓(xùn)練過程和分類過程，通過大量的訓(xùn)練樣多層感知器神經(jīng)網(wǎng)絡(luò)的基本原理MLP神經(jīng)網(wǎng)絡(luò)因其結(jié)構(gòu)、原理簡單，硬件使用效率高而被廣泛使用。51-多層感知器神經(jīng)網(wǎng)絡(luò)的基本原理MLP神經(jīng)網(wǎng)絡(luò)因其結(jié)構(gòu)、原理簡MLP是前饋網(wǎng)絡(luò)的一種，每個神經(jīng)元為單個非線性并聯(lián)計算單元，其輸入通過網(wǎng)絡(luò)一層層傳播，提供了輸入層與輸出層的非線性映射關(guān)系：通常輸入層神經(jīng)元個數(shù)為所選特征參數(shù)個數(shù)，輸出層神經(jīng)元個數(shù)為可能的調(diào)制模式個數(shù)。52-MLP是前饋網(wǎng)絡(luò)的一種，每個神經(jīng)元為單個非線性并聯(lián)計算單元，MLP的訓(xùn)練算法是著名的反向傳播(BP)算法，其基本思想是把一組樣本的輸入輸出問題轉(zhuǎn)化為一個非線性優(yōu)化問題，在優(yōu)化中普遍使用的梯度下降法來實現(xiàn)網(wǎng)絡(luò)的實際輸出與期望輸出之間的均方差(MSE)最小，完成MLP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練任務(wù)。53-MLP的訓(xùn)練算法是著名的反向傳播(BP)算法，其基本思想是結(jié)論在判決門限的智能化方面，人工神經(jīng)網(wǎng)絡(luò)能夠在調(diào)制信號模式的自動識別中進行成功的應(yīng)用，可以實現(xiàn)判決門限的自動化，實現(xiàn)調(diào)制模式的自動識別。在少量的試驗數(shù)據(jù)和簡明的判決門限下，神經(jīng)網(wǎng)絡(luò)可能不及利用人工進行判決，但在大量的試驗數(shù)據(jù)和比較模糊的判決門限下，神經(jīng)網(wǎng)絡(luò)比用人工進行判決簡單、準(zhǔn)確，才能體現(xiàn)出神經(jīng)網(wǎng)絡(luò)的優(yōu)越性。54-結(jié)論在判決門限的智能化方面，人工神經(jīng)網(wǎng)絡(luò)能夠在調(diào)制信號模式的基于譜相關(guān)特性和組合神經(jīng)網(wǎng)絡(luò)的調(diào)制信號識別文獻針對通信信號非穩(wěn)定、信噪比(SNR)變化范圍大的特性，利用調(diào)制信號的循環(huán)平穩(wěn)特性，提取出五種對SNR和信號調(diào)制參數(shù)不敏感但對調(diào)制類型敏感的特征參量。為提高分類性能，設(shè)計了一種采用多個不同神經(jīng)網(wǎng)絡(luò)的組合分類器結(jié)構(gòu)，比單個神經(jīng)網(wǎng)絡(luò)分類器有更高的識別率。55-基于譜相關(guān)特性和組合神經(jīng)網(wǎng)絡(luò)的調(diào)制信號識別文獻針對通信信號非特征提取譜相關(guān)函數(shù)的定義信號的循環(huán)譜密度函數(shù)(也稱為譜相關(guān)函數(shù))定義為：函數(shù)的譜相干系數(shù)是指在與處的頻譜分量的相關(guān)程度，定義如下：56-特征提取譜相關(guān)函數(shù)的定義56-應(yīng)用譜相關(guān)特性分析是出于以下兩點考慮的：a)功率譜密度函數(shù)相同的不同類型的調(diào)制信號(如2PSK、QPSK)可能具有容易區(qū)分的譜相關(guān)函數(shù)；b)靜態(tài)噪聲不具備譜相關(guān)性。57-應(yīng)用譜相關(guān)特性分析是出于以下兩點考慮的：57-特征提取頻譜在時軸上呈現(xiàn)的脈沖的數(shù)量；在時軸上的周期譜線分布數(shù)量k；調(diào)制信號的譜相干系數(shù)的最大值c；在處的最大歸一化下降值v(所謂最大歸一化下降值，指在處的躍變值)；的最大值與在處的最大歸一化下降值的比值r。58-特征提取頻譜在時軸上呈現(xiàn)的脈沖的數(shù)量組合分類器設(shè)計組合神經(jīng)網(wǎng)絡(luò)分類器結(jié)構(gòu)

59-組合分類器設(shè)計組合神經(jīng)網(wǎng)絡(luò)分類器結(jié)構(gòu)59-為實現(xiàn)各分類器的優(yōu)劣互補，選擇的單分類器應(yīng)盡量差異化。BP算法是目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法；RBF神經(jīng)網(wǎng)絡(luò)是一種局部逼近網(wǎng)絡(luò)，能夠自適應(yīng)確定徑向基函數(shù)神經(jīng)元，收斂速度快。本文選用了具有不同結(jié)構(gòu)的BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)構(gòu)成的組合神經(jīng)網(wǎng)絡(luò)作為分類器，單分類器的輸入層與輸出層神經(jīng)元個數(shù)由待識別特征參數(shù)與待識別的種類決定。60-為實現(xiàn)各分類器的優(yōu)劣互補，選擇的單分類器應(yīng)盡量差異化。BP仿真結(jié)論不同調(diào)制信號的循環(huán)譜特性具有明顯的區(qū)別，驗證了利用譜相關(guān)特征識別信號調(diào)制類型的可行性。另外，進行譜相關(guān)分析時，采樣點數(shù)的選擇對譜相關(guān)特征的提取有很大影響。應(yīng)用單個神經(jīng)網(wǎng)絡(luò)進行調(diào)制識別時，只有當(dāng)時，各類數(shù)字調(diào)制信號的正確識別率才高于90%，而組合神經(jīng)網(wǎng)絡(luò)在時就能達到90%以上的正確識別率。61-仿真結(jié)論不同調(diào)制信號的循環(huán)譜特性具有明顯的區(qū)別，驗證了利用譜不足利用譜相關(guān)特性識別的方法計算量大，運算時間長。62-不足利用譜相關(guān)特性識別的方法計算量大，運算時間長。62-基于功率譜和瞬時統(tǒng)計特性的神經(jīng)網(wǎng)絡(luò)識別方法本文在對信號功率譜和高次方譜(信號非線性變換后的功率譜)研究的基礎(chǔ)上，提出了兩個新的譜特征參數(shù)，改進了兩個相關(guān)特征的描述。這些參數(shù)具有運算復(fù)雜度低、抗噪聲能力強、對調(diào)制參數(shù)穩(wěn)健性好的特點。63-基于功率譜和瞬時統(tǒng)計特性的神經(jīng)網(wǎng)絡(luò)識別方法本文在對信號功率譜特征參數(shù)集構(gòu)造調(diào)制信號的功率譜及其高次方譜可以較好地反映多種調(diào)制方式的特性，有效地提取這些特性可以作為調(diào)制識別的特征參數(shù)。文中歸一化峰間距離PD、離散譜線檢測值LV為文中提出的新參數(shù)，峰谷幅值比PV、和離散譜線數(shù)目LN為對譜平坦度和譜峰數(shù)目的改進描述。64-特征參數(shù)集構(gòu)造調(diào)制信號的功率譜及其高次方譜可以較好地反映多種功率譜形狀特征MFSK信號在各調(diào)制頻率上會出現(xiàn)明顯的譜線或存在多個譜峰，這與MSK以及PSK/QAM信號無離散譜線的單峰有著明顯的區(qū)別。因此，以信號功率譜形狀為特征可以識別出FSK調(diào)制及其調(diào)制階數(shù)。65-功率譜形狀特征MFSK信號在各調(diào)制頻率上會出現(xiàn)明顯的譜線或功率譜及高次方譜的離散譜線特征通過高次方譜分析可知，非連續(xù)相位的FSK調(diào)制的功率譜在各調(diào)制頻率上均為一沖激譜線，離散譜線數(shù)目與調(diào)制階數(shù)相同；MSK在平方或四次方變換后才會出現(xiàn)兩條沖激譜線；BPSK經(jīng)過平方變換后或者QPSK和16QAM經(jīng)過四次方變換后，也在對應(yīng)2倍或4倍載頻位置上出現(xiàn)一條離散譜線。66-功率譜及高次方譜的離散譜線特征通過高次方譜分析可知，非連續(xù)瞬時幅度統(tǒng)計特性頻率調(diào)制信號為恒包絡(luò)信號，線性調(diào)制信號的基帶碼元通常都要經(jīng)過脈沖成形濾波，其瞬時幅度變化各不相同。因此可以通過瞬時幅度統(tǒng)計參數(shù)進行識別，如歸一化中心瞬時幅度的標(biāo)準(zhǔn)偏差67-瞬時幅度統(tǒng)計特性頻率調(diào)制信號為恒包絡(luò)信號，線性調(diào)制信號的基分類器設(shè)計各分類器均可選擇使用判決樹結(jié)構(gòu)或者神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，本文采用神經(jīng)網(wǎng)絡(luò)代替判決樹用作調(diào)制識別分類器，可以不受判決門限設(shè)置約束。68-分類器設(shè)計68-結(jié)果從神經(jīng)網(wǎng)絡(luò)集成分類器識別率仿真結(jié)果中得出，SNR=5dB時所有信號的識別率均達到94%以上，隨SNR的增加各信號識別率平穩(wěn)增加，最終達到100%；并且與單一分類器的識別率相比，神經(jīng)網(wǎng)絡(luò)集成對各特征的融合效果顯著，識別性能有顯著改善。69-結(jié)果從神經(jīng)網(wǎng)絡(luò)集成分類器識別率仿真結(jié)果中得出，SNR=5dB優(yōu)點文中提出了兩個新的譜特征參數(shù)，并結(jié)合瞬時統(tǒng)計參數(shù)實現(xiàn)了常用數(shù)字調(diào)制信號的識別。這些特征參數(shù)運算復(fù)雜度低，具有較強的抗噪聲能力，與現(xiàn)有類似參數(shù)相比，新參數(shù)LV對PSK/QAM信號的基帶成形滾降具有更好的穩(wěn)健性。70-優(yōu)點文中提出了兩個新的譜特征參數(shù)，并結(jié)合瞬時統(tǒng)計參數(shù)實現(xiàn)了常各類型識別方法的特征對于利用時域特征來區(qū)分信號的，涉及參數(shù)多，受信噪比影響較大。頻域分析法：如譜相關(guān)分析法，其特征參數(shù)的共同特點是隨調(diào)制形式的不同而區(qū)別明顯，穩(wěn)定性好，受信噪比影響相對較小，但計算量大且不利于實時識別。71-各類型識別方法的特征對于利用時域特征來區(qū)分信號的，涉及參數(shù)多利用從時域和頻域提取的信號基本特征對通信信號的調(diào)制方式進行識別，在信噪比發(fā)生變化時，識別能力也隨著改變。由于一般通信信號在傳播過程中極易受到各種噪聲的干擾，信噪比變化比較大，又由于從時域和頻域提取的基本特征對信噪比的變化較敏感，所以在信噪比未知的情況下，該方法的分類識別能力很難得到改善。72-72-小波理論法是一種時頻分析法，適用于局部平穩(wěn)長度比較大的非平穩(wěn)信號的研究。但適合于較高信噪比條件，對于低信噪比情況不太適用。因為在低信噪比下，噪聲幅度可能淹沒了小波變換的尖峰。小波變換對信號波形突變信息有較高的識別能力，所以它對瞬態(tài)信號的檢測識別相當(dāng)有效。利用其模極大值與調(diào)制參量突變的關(guān)系可以有效識別信號。73-73-74-74-調(diào)制信號識別75-調(diào)制信號識別1-內(nèi)容安排定義及背景識別過程介紹及方法分類一些已提出的方法介紹76-內(nèi)容安排2-背景及定義調(diào)制信號識別是信號檢測和信號解調(diào)之間的重要步驟，它的目的就是在沒有其他先驗知識的情況下，通過對接收信號的處理，判斷出信號的調(diào)制方式，并估計出相應(yīng)的調(diào)制參數(shù)。其主要在兩方面得到了應(yīng)用：一方面是軟件無線電系統(tǒng)，保證不同體制通信系統(tǒng)之間實現(xiàn)互通互聯(lián)；二是電子戰(zhàn)系統(tǒng)，為截獲信息和選擇最佳干擾樣式提供依據(jù)。77-背景及定義調(diào)制信號識別是信號檢測和信號解調(diào)之間的重要步驟，它調(diào)制方式是區(qū)別不同性質(zhì)通信信號的一個重要特征。對于接收信號，要想正確解調(diào)，分析接收信號或者進行干擾，必須能夠正確識別信號的調(diào)制方式，然后采取相應(yīng)的解調(diào)方法或干擾方法。78-調(diào)制方式是區(qū)別不同性質(zhì)通信信號的一個重要特征。對于接收信號，識別過程調(diào)制識別問題實質(zhì)上是一種典型的模式識別問題79-識別過程調(diào)制識別問題實質(zhì)上是一種典型的模式識別問題5-信號預(yù)處理部分的主要功能是為后續(xù)處理提供合適的數(shù)據(jù)；特征提取部分是從輸入的信號序列中提取對調(diào)制識別有用的信息；分類識別部分的主要功能是判斷信號調(diào)制類型的從屬關(guān)系。80-6-信號預(yù)處理頻率下變頻、載頻估計、同相正交分量分解等。在多發(fā)射源環(huán)境中，隔離各個信號，保證一次只有一個信號進入后續(xù)的調(diào)制識別環(huán)節(jié)。81-信號預(yù)處理7-特征提取特征提取部分是從數(shù)據(jù)中提取信號的時域特征或變換域特征。時域特征包括信號的瞬時幅度、瞬時相位或瞬時頻率的特征參數(shù)或其它統(tǒng)計參數(shù)。變換域特征包括功率譜、譜相關(guān)函數(shù)、時頻分布及其它統(tǒng)計參數(shù)。82-特征提取特征提取部分是從數(shù)據(jù)中提取信號的時域特征或變換域特征分類識別選擇和確定合適的判決規(guī)則和分類器結(jié)構(gòu)，主要采用決策樹結(jié)構(gòu)的分類器和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的分類器。83-分類識別9-兩種分類器決策樹分類器采用多級分類結(jié)構(gòu)，每級結(jié)構(gòu)根據(jù)一個或多個特征參數(shù)分辨出某類調(diào)制類型，再下一級結(jié)構(gòu)又根據(jù)一個或多個特征參數(shù)，再分辨出某類調(diào)制類型，最終能對多種類型進行識別。這種分類器結(jié)構(gòu)相對簡單，實時性好，但需要事先確定判決門限，自適應(yīng)性差，適合分類特征參數(shù)區(qū)分很好的信號識別。神經(jīng)網(wǎng)絡(luò)分類器具有強大的模式識別能力，能夠自動適應(yīng)環(huán)境變化，較好處理復(fù)雜的非線性問題，而且具有較好的穩(wěn)健性和潛在的容錯性，可獲得較高的識別率。84-兩種分類器決策樹分類器采用多級分類結(jié)構(gòu)，每級結(jié)構(gòu)根據(jù)一個或多識別方法分類基于基本時域、頻域和功率譜特征的方法基于小波理論的方法基于分形理論的方法基于信號的星座圖的方法基于混沌理論的方法基于復(fù)雜度理論的方法基于人工神經(jīng)網(wǎng)絡(luò)的方法85-識別方法分類基于基本時域、頻域和功率譜特征的方法11-基于窗口平均頻率算法的調(diào)制信號識別系統(tǒng)組成：86-基于窗口平均頻率算法的調(diào)制信號識別系統(tǒng)組成：12-算法思想：用一個寬度為N的矩形窗去截取采集到的已離散化處理的信號x(n)，得到N點數(shù)據(jù)，對這N點數(shù)據(jù)進行離散傅里葉變換(DFT)得到這N點數(shù)據(jù)的頻譜。計算窗口內(nèi)平均頻率。獲得時頻分布曲線。濾除算法產(chǎn)生的交叉干擾。87-算法思想：13-該算法通過移動窗口來截取信號，并計算窗口內(nèi)信號平均頻率來獲得信號的時頻分布，具有算法簡單、運算速度快的特點。ASK、FSK、PSK等數(shù)字調(diào)制信號均為非平穩(wěn)的隨機信號，在時頻分布上存在著差異，若采用移動窗口平均頻率算法對數(shù)字調(diào)制信號進行時頻分析，再根據(jù)信號時頻分布的差異識別調(diào)制信號類型一方面可以顯著提高系統(tǒng)的實時性；另一方面，由于對時頻分布曲線進行了濾波處理，能夠提高信號識別的抗干擾性能和識別精度。88-該算法通過移動窗口來截取信號，并計算窗口內(nèi)信號平均頻率來獲得優(yōu)點與不足算法簡單，速度快，宜運用于實時性要求較高的場合。窗口寬度N與抽樣頻率對移動窗口平均頻率算法的性能有較大的影響，若選擇不合適，會產(chǎn)生一定的分析誤差。如何合理選擇N和抽樣頻率還有待進一步研究。其仿真驗證是是在二進制信號上進行，識別類型少，有很大局限性。89-優(yōu)點與不足算法簡單，速度快，宜運用于實時性要求較高的場合。基于短時分析的調(diào)制信號識別方法該方法用短時分析提取數(shù)字調(diào)制信號在幅度、頻率和相位隨時間變化的特征，并利用這些特征對各種數(shù)字調(diào)制信號進行識別。在加性高斯白噪聲條件下給出了相應(yīng)的最佳閾值，并通過仿真研究了該識別方法的性能。仿真結(jié)果表明該方法對噪聲不敏感，在SNR為0dB時仍能獲得90%以上的正確識別率。90-基于短時分析的調(diào)制信號識別方法該方法用短時分析提取數(shù)字調(diào)制信文中提出的識別方法，能夠?qū)?ASK、4ASK、2FSK、4FSK、BPSK、QPSK、8PSK、16QAM信號有效識別。91-17-特征提取譜寬因子：用來來區(qū)分ASK信號和FSK，PSK及QAM信號。短時頻譜峰數(shù)：可以區(qū)分2FSK信號、4FSK和PSK及16QAM信號，對2FSK為2，對4FSK為4，而對PSK和16QAM信號為1。短時相位峰數(shù)：反映了信號中的相位數(shù)?？蓞^(qū)分BPSK、QPSK、8PSK和16QAM信號。在0~2π間，BPSK信號有2個峰，QPSK和16QAM有4個峰，而8PSK有8個峰。92-特征提取譜寬因子：用來來區(qū)分ASK信號和FSK，P零中心歸一化非弱信號段的標(biāo)準(zhǔn)偏差可區(qū)分PSK和QAM信號，設(shè)定適當(dāng)門限加以識別。零中心歸一化瞬時幅度絕對值的標(biāo)準(zhǔn)偏差用來區(qū)分2ASK信號和4ASK信號，對2ASK，該值為0；對4ASK，該值不為0。93-零中心歸一化非弱信號段的標(biāo)準(zhǔn)偏差19-識別流程94-識別流程20-方法總結(jié)仿真結(jié)果中得出，在SNR從0~20dB整個范圍內(nèi)都有很高的識別率，也即本方法對噪聲不敏感。僅當(dāng)SNR=0dB時，由于瞬時幅度受噪聲影響大，造成對2ASK和4ASK的識別率降低，但仍達到90%以上。而對其它調(diào)制方式的信號識別率都在97%以上。該方法有很高的識別率和抗干擾能力，有較好的工程應(yīng)用價值。95-方法總結(jié)仿真結(jié)果中得出，在SNR從0~20dB整個范圍內(nèi)都有基于決策理論的方法文獻針對2ASK、2FSK、2PSK、4ASK、4FSK、4PSK6種數(shù)字調(diào)制信號，提取了4個基于瞬時幅度、瞬時頻率、瞬時相位統(tǒng)計特性的參數(shù)，采用決策樹判別方法對其進行分類識別。96-基于決策理論的方法文獻針對2ASK、2FSK、2PSK、4A特征參數(shù)零中心非弱信號段瞬時相位非線性分量絕對值的標(biāo)準(zhǔn)偏差：主要用于區(qū)分二、四進制的PSK信號(2PSK與4PSK)?；谛盘査矔r幅度的統(tǒng)計參數(shù)A

為取樣點數(shù)，為瞬時幅度。

97-特征參數(shù)零中心非弱信號段瞬時相位非線性分量絕對值的標(biāo)準(zhǔn)偏差參數(shù)A主要用來區(qū)分是MASK信號還是MFSK或MPSK信號。對MASK信號，A不為0；對MFSK，A為0；對MPSK，A接近0。參數(shù)A還可以用來進一步區(qū)分是2ASK信號還是4ASK信號。基于瞬時頻率的統(tǒng)計參數(shù)F98-參數(shù)A主要用來區(qū)分是MASK信號還是MFSK或MPS是信號的瞬時頻率。對FSK信號，F(xiàn)值較?。粚SK信號，F(xiàn)值較大。瞬時頻率平方的均值該值可以用來區(qū)分2FSK信號和4FSK信號。因為對2FSK信號，它的瞬時頻率只有2個值，而對4FSK信號，其瞬時頻率有4個值，故4FSK的該特征值比2FSK的要大。99-是信號的瞬時頻率。對FSK信號，F(xiàn)值較??；分類識別100-分類識別26-仿真驗證結(jié)論在時，識別正確率可達到99%以上，且當(dāng)時，識別正確率達到100%。本算法不但在低信噪比條件下識別正確率高，而且在進行識別的過程中，用到的特征參數(shù)較少。但是，文中的算法只適用于在基帶數(shù)字信號中。101-仿真驗證結(jié)論在時，識別正確率可達到基于信號時域瞬時統(tǒng)計特性的一種通用識別方法基本思想：在AWGN信道下，通過分析信號時域特征和頻域功率譜特征，并結(jié)合前人的研究成果，給出一組性能穩(wěn)健的、具有高識別率的特征參數(shù)。利用這些參數(shù)先進行調(diào)制信號四種基本調(diào)制類型的分類，再利用具體算法進行調(diào)制階數(shù)的識別。102-基于信號時域瞬時統(tǒng)計特性的一種通用識別方法28-特征提取歸一化瞬時幅度功率譜密度最大值

其中N為樣點數(shù)，為中心歸一化瞬時幅度，。

103-特征提取歸一化瞬時幅度功率譜密度最大值29-該特征參數(shù)能夠充分反映調(diào)制信號的幅度變化，可以用該參數(shù)來區(qū)分開ASK/QAM和FSK/PSK調(diào)制信號。判決門限：，可區(qū)分ASK/QAM和FSK/PSK調(diào)制信號。歸一化中心瞬時頻率的四階矩緊致性是歸一化中心瞬時頻率，為信號的瞬時頻率，該參數(shù)反映瞬時頻率變化的特征量，可用來區(qū)分FSK和PSK調(diào)制信號并輔助進行MFSK調(diào)制階數(shù)M的識別。104-該特征參數(shù)能夠充分反映調(diào)制信號的幅度變化，可以用該參數(shù)歸一化中心信號的四階矩緊致性

其中是歸一化中心信號，該參數(shù)可將ASK、QAM和FSK/PSK三者分開。

105-歸一化中心信號的四階矩緊致性31-信號識別MFSK識別MFSK信號的功率譜必有M個譜峰，只要得到其功率譜在上的譜峰個數(shù)n，就能實現(xiàn)MFSK信號調(diào)制階數(shù)的識別。對頻率個數(shù)敏感，可用于調(diào)制階數(shù)的識別。MASK和MQAM識別經(jīng)過大類判別后，MASK和MQAM已經(jīng)被完全分開，這兩種調(diào)制模式的時域特征比較明顯，即就L個碼元時隙而言，有M種振幅，故采用振幅種類個數(shù)來區(qū)別各自的調(diào)制階數(shù)。106-信號識別MFSK識別32-MPSK識別對BPSK和QPSK來說，選擇A.K.Nandi和E.E.Azzouz提出的特征參數(shù)能將二者很好的分開。107-MPSK識別33-識別流程圖108-識別流程圖34-驗證結(jié)論文中提出的識別方案，利用提出的新參數(shù)和已知參數(shù)、對調(diào)制信號進行調(diào)制大類識別，在信噪比不低于5dB時，正確識別率達到96%。特點：流程簡單，運算量小109-驗證結(jié)論文中提出的識別方案，利用提出的新參數(shù)和已知參數(shù)基于小波變換的數(shù)字信號調(diào)制識別方法該文介紹了一種基于小波分類特征的數(shù)字調(diào)制信號的識別方法，創(chuàng)新之處在于同時應(yīng)用了連續(xù)小波變換和多層小波分解兩種方法提取信號的特征，并且對于不同調(diào)制信號采用了不同的分類特征。算法實現(xiàn)時不需要進行碼元周期估計以及同步時間估計，從而使分類器的設(shè)計變得簡單，判決準(zhǔn)則簡化，提高了運算速度和識別率。110-基于小波變換的數(shù)字信號調(diào)制識別方法該文介紹了一種基于小波分類小波變換是一種時間—尺度分析方法，具有多分辨分析的特點，并且在時頻域都具有表征信號局部特征的能力。小波變換主要用于信號特征的提取，然后結(jié)合神經(jīng)網(wǎng)絡(luò)或分形作為分類器，實現(xiàn)信號的調(diào)制識別。111-37-特征提取小波變換主要采取兩種方法提取信號的特征：一是采用多分辨分析，對調(diào)制信號進行多層小波分解，提取信號在各個頻率段的特征向量；另一種方法是利用連續(xù)小波變換的模極大值(|CWT|)，提取信號的奇異點特征。本文中同時應(yīng)用了這兩種特征的提取方法，MFSK信號包含多種頻率分量，因此應(yīng)用多層小波分解提取特征向量；MPSK信號的信息包含在相位里，由于相位的突變造成了信號的奇異性，因此利用信號連續(xù)小波變換的模極大值提取特征。112-特征提取小波變換主要采取兩種方法提取信號的特征：一是采用多分多層小波分解提取分類特征對信號的低頻部分做進一步分解，而高頻部分則不予以考慮。如下是一個3層分解圖：多層分解只對低頻空間做進一步的分解，隨著分解層數(shù)的增加，頻率的分辨率變得越來越高，因此當(dāng)信號具有不同的頻率成分時，可以通過多層小波分解提取信號的分類特征。113-多層小波分解提取分類特征39-小波分析用于信號奇異性檢測信號的突變點意味著信號的不連續(xù)性，可能是調(diào)幅信號的幅度突變引起的，也可能是調(diào)相信號的相位突變引起的，因此信號中的奇異點及不規(guī)則的突變部分通常攜帶重要的信息。114-40-識別算法115-識別算法41-通過對一定樣本的調(diào)制信號做小波多層分解，提取信號的小波分解特征向量并進行統(tǒng)計分析，建立各調(diào)制信號的閾值列表，判斷信號是否屬于MFSK信號，并且應(yīng)用該特征向量對MFSK信號進行類內(nèi)識別；當(dāng)信號的特征向量超出設(shè)定的范圍時，應(yīng)用信號的幅度方差判斷信號為MQAM或MPSK，并應(yīng)用對數(shù)似然函數(shù)準(zhǔn)則對MQAM進行類內(nèi)識別；應(yīng)用小波變換的模極大提取MPSK信號的相位突變點，對MPSK信號進行類內(nèi)識別，從而實現(xiàn)信號的調(diào)制識別。116-通過對一定樣本的調(diào)制信號做小波多層分解，提取信號的小波分解特基于高階累積量的調(diào)制信號識別文中利用接收信號的高階累積量為特征參數(shù)，實現(xiàn)了對多種常用數(shù)字調(diào)制信號(2ASK/BPSK，4ASK，QPSK，8PSK，2FSK，4FSK)的分類識別。由于高斯噪聲大于二階的累量值恒為零，把接收的含有高斯噪聲的非高斯信號變換到累量或累量譜域處理，就可以剔除噪聲的影響，因此高階累積量具有良好的抗噪聲性能。117-基于高階累積量的調(diào)制信號識別文中利用接收信號的高階累積量為特k階平穩(wěn)隨機過程{x(t)}的k階累積量定義為高階累積量為118-k階平穩(wěn)隨機過程{x(t)}的k階累積量定義為44-參數(shù)及算法描述設(shè)，利用參數(shù)和可將信號分為(2ASK，4ASK)、4PSK與(8PSK，2FSK，4FSK)三類；參數(shù)用來識別信號2ASK與4ASK；將8PSK與MFSK信號微分再通過中值濾波器后，利用參數(shù)來識別8PSK與MFSK；參數(shù)還可用來實現(xiàn)2FSK與4FSK信號的識別。119-參數(shù)及算法描述設(shè)仿真結(jié)論對高階累積量方法來說計算復(fù)雜是其最主要的缺點，文中僅利用二階和四階累積量來識別信號2ASK、4ASK、QPSK、8PSK、2FSK、4FSK，相對來說計算的復(fù)雜度不算很高。由于8PSK與MFSK信號的二、四、六階累積量的值相同，直接計算無法區(qū)分，針對這一問題，本文首先對8PSK和MFSK信號求微分再利用四階累積量來進行識別。當(dāng)信噪比高于8dB時，識別率基本達到100%。該算法的識別率較高，并且復(fù)雜度較低，便于工程實現(xiàn)。120-仿真結(jié)論對高階累積量方法來說計算復(fù)雜是其最主要的缺點，文中僅基于多層感知器的調(diào)制信號識別目前研究的自動調(diào)制識別方法，大體可以分為兩類，即基于特征提取的模式識別方法和最大似然假設(shè)檢驗方法。最大似然假設(shè)檢驗方法是采用概率論和假設(shè)檢驗的方法來解決信號分類問題。判決規(guī)則簡單，但不易得出正確假設(shè)，檢驗統(tǒng)計量計算復(fù)雜，而且需要一些先驗信息。121-基于多層感知器的調(diào)制信號識別目前研究的自動調(diào)制識別方法，大體基于特征提取的模式識別方法不需要先驗知識，但如何正確地選擇特征集是一個難題。人工神經(jīng)網(wǎng)絡(luò)方法是該方法的分類識別部分，由于智能化水平高、識別速度快、正確識別率高等優(yōu)點獲得了充分重視，是分類器設(shè)計的發(fā)展新方向。目前應(yīng)用較多的是前饋神經(jīng)網(wǎng)絡(luò)，包括多層感知器(MLP)神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)。122-基于特征提取的模式識別方法不需要先驗知識，但如何正確地選擇特神經(jīng)網(wǎng)絡(luò)模式識別的基本原理ANN是由大量簡單處理單元(人工神經(jīng)元)廣泛互連而成的一個具有自學(xué)習(xí)、自適應(yīng)和自組織的并行分布式動態(tài)處理器，也可以認(rèn)為神經(jīng)網(wǎng)絡(luò)是可以從大量的信息中自動抽取特征，進而形成某種分類模式的信息處理系統(tǒng)。123-神經(jīng)網(wǎng)絡(luò)模式識別的基本原理ANN是由大量簡單處理單元(人工神經(jīng)網(wǎng)絡(luò)模式識別的核心為訓(xùn)練過程和分類過程，通過大量的訓(xùn)練樣本，根據(jù)某種規(guī)則不斷對連接權(quán)值進行調(diào)節(jié)，使網(wǎng)絡(luò)具有某種期望的輸出，可以使訓(xùn)練樣本正確歸類到所屬類別中。當(dāng)神經(jīng)網(wǎng)絡(luò)用作分類器時，輸出是相應(yīng)類別的后驗概率，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程就是完成待分類模式特征的后驗概率密度的逼近過程。124-神經(jīng)網(wǎng)絡(luò)模式識別的核心為訓(xùn)練過程和分類過程，通過大量的訓(xùn)練樣多層感知器神經(jīng)網(wǎng)絡(luò)的基本原理MLP神經(jīng)網(wǎng)絡(luò)因其結(jié)構(gòu)、原理簡單，硬件使用效率高而被廣泛使用。125-多層感知器神經(jīng)網(wǎng)絡(luò)的基本原理MLP神經(jīng)網(wǎng)絡(luò)因其結(jié)構(gòu)、原理簡MLP是前饋網(wǎng)絡(luò)的一種，每個神經(jīng)元為單個非線性并聯(lián)計算單元，其輸入通過網(wǎng)絡(luò)一層層傳播，提供了輸入層與輸出層的非線性映射關(guān)系：通常輸入層神經(jīng)元個數(shù)為所選特征參數(shù)個數(shù)，輸出層神經(jīng)元個數(shù)為可能的調(diào)制模式個數(shù)。126-MLP是前饋網(wǎng)絡(luò)的一種，每個神經(jīng)元為單個非線性并聯(lián)計算單元，MLP的訓(xùn)練算法是著名的反向傳播(BP)算法，其基本思想是把一組樣本的輸入輸出問題轉(zhuǎn)化為一個非線性優(yōu)化問題，在優(yōu)化中普遍使用的梯度下降法來實現(xiàn)網(wǎng)絡(luò)的實際輸出與期望輸出之間的均方差(MSE)最小，完成MLP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練任務(wù)。127-MLP的訓(xùn)練算法是著名的反向傳播(BP)算法，其基本思想是結(jié)論在判決門限的智能化方面，人工神經(jīng)網(wǎng)絡(luò)能夠在調(diào)制信號模式的自動識別中進行成功的應(yīng)用，可以實現(xiàn)判決門限的自動化，實現(xiàn)調(diào)制模式的自動識別。在少量的試驗數(shù)據(jù)和簡明的判決門限下，神經(jīng)網(wǎng)絡(luò)可能不及利用人工進行判決，但在大量的試驗數(shù)據(jù)和比較模糊的判決門限下，神經(jīng)網(wǎng)絡(luò)比用人工進行判決簡單、準(zhǔn)確，才能體現(xiàn)出神經(jīng)網(wǎng)絡(luò)的優(yōu)越性。128-結(jié)論在判決門限的智能化方面，人工神經(jīng)網(wǎng)絡(luò)能夠在調(diào)制信號模式的基于譜相關(guān)特性和組合神經(jīng)網(wǎng)絡(luò)的調(diào)制信號識別文獻針對通信信號非穩(wěn)定、信噪比(SNR)變化范圍大的特性，利用調(diào)制信號的循環(huán)平穩(wěn)特性，提取出五種對SNR和信號調(diào)制參數(shù)不敏感但對調(diào)制類型敏感的特征參量。為提高分類性能，設(shè)計了一種采用多個不同神經(jīng)網(wǎng)絡(luò)的組合分類器結(jié)構(gòu)，比單個神經(jīng)網(wǎng)絡(luò)分類器有更高的識別率。129-基于譜相關(guān)特性和組合神經(jīng)網(wǎng)絡(luò)的調(diào)制信號識別文獻針對通信信號非特征提取譜相關(guān)函數(shù)的定義信號的循環(huán)譜密度函數(shù)(也稱為譜相關(guān)函數(shù))定義為：函數(shù)的譜相干系數(shù)是指在與處的頻譜分量的相關(guān)程度，定義如下：130-特征提取譜相關(guān)函數(shù)的定義56-應(yīng)用譜相關(guān)特性分析是出于以下兩點考慮的：a)功率譜密度函數(shù)相同的不同類型的調(diào)制信號(如2PSK、QPSK)可能具有容易區(qū)分的譜相關(guān)函數(shù)；b)靜態(tài)噪聲不具備譜相關(guān)性。131-應(yīng)用譜相關(guān)特性分析是出于以下兩點考慮的：57-特征提取頻譜在時軸上呈現(xiàn)的脈沖的數(shù)量；在時軸上的周期譜線分布數(shù)量k；調(diào)制信號的譜相干系數(shù)的最大值c；在處的最大歸一化下降值v(所謂最大歸一化下降值，指在處的躍變值)；的最大值與在處的最大歸一化下降值的比值r。132-特征提取頻譜在時軸上呈現(xiàn)的脈沖的數(shù)量組合分類器設(shè)計組合神經(jīng)網(wǎng)絡(luò)分類器結(jié)構(gòu)

133-組合分類器設(shè)計組合神經(jīng)網(wǎng)絡(luò)分類器結(jié)構(gòu)59-為實現(xiàn)各分類器的優(yōu)劣互補，選擇的單分類