变速率调制技术在移动通信中的应用

为解决自适应调制在高速数据传输时带宽增加导致的频率资源紧张所带来的一系列问题,本文研究了变速率正交幅度调制(VR2QAM调制)和其中的VR2MQAM调制及其关键技术,即评估信道特性的参数选取、评估参数与调制电平数之间关系式的建立、评估信道特性的算法等。     

多电平变频器输出谐波及抑制策略的研究

鉴于两电平逆变器的输出共模电压只能依靠外接滤波器进行消除,本文研究了共模电压的三电平抑制技术.利用三电平逆变器的有效开关状态,分析了三电平逆变器中产生共模电压的原因.针对常用逆变器控制策略svm,提出了降低和消除共模电压的改进策略,并用仿真结果验证了其正确性.     

一种适用于16QAM的自适应阈值载波锁定检测算法

为避免传统16阶正交幅度调制（16-Quardrature Amplitude Modulation，16QAM）载波锁定指示锁定阈值受输入信号电平的影响，提出了一种基于归一化信号高阶矩的16QAM载波锁定检测算法。针对传统基于固定阈值的检测算法在数据不满足均匀分布时失效的情况，提出了一种基于输入数据统计特性的自适应阈值载波锁定检测算法。实验结果和工程应用结果表明，所提出的自适应门限能更好地适应不同数据下的载波锁定检测。该方法已经在某卫星对接试验中得到了应用验证，取得了满意的效果。     

高阶QAM调制MIMO系统高斯逼近简化算法

针对多输入多输出(MIMO)高阶正交幅度调制(QAM)系统检测算法使用传统的高斯逼近算法检测复杂度高的问题,研究了其简化算法.MIMO系统高斯逼近算法通过采用树形搜索的办法,对符号后验概率影响大的符号序列加以保留,其算法复杂度与保留符号序列数目成线性,且与调制阶数成指数关系.针对高阶调制QAM符号的特点,用多级映射的方法来进行高斯逼近,新方法结合树形搜索算法的思想,通过将高阶调制QAM符号拆分成多个4-QAM符号,从而可以每次两个比特的计算序列权重,其算法复杂度与调制阶数成线性关系,从而使得高阶调制系统的检测复杂度大大降低.仿真结果表明,多级映射高斯逼近算法能取得接近传统高斯逼近算法的性能.     

锁相接收信道寄生调制对测距精度的影响

在锁相测距信道中,当接收信号低于某一电平后,测距漂移误差显著地增加。这种现象称为“测距漂移误差门限”效应;对应的电平,称为“测距漂移误差门限”电平。本文阐述了这种“门限”效应产生的物理过程及其数学表达式。讨论接收信号电平变化时,信道的寄生调制对测距漂移误差的影响。分析了信道中几个主要部件,如带通滤波器、中频放大器、限幅器、解调器等对测距漂移误差所起的作用。保持接收信道频率特性的对称和解调器的正交,采用小信号限幅,可以减小奇生调制,提高测距精度。     

一种高稳定度FSK调制解调方法及其性能分析

本文介绍一种高稳定度频移键控(FSK)调制解调方法,它的调制解调中心频率全部由晶体确定,其稳定度比传统的压控振荡器和锁相环实现方法提高3～4个数量级。当调制信号的任一逻辑电平在一个较宽范围内波动时,调制输出的FSK信号能够保持一个固定大小的频偏。作者用全数字TTL集成电路实现了这种调制解调器,并且在以电源线为介质组成的计算机通信网络中进行了成功的实验。     

一种适合软件无线电的符号定时估计算法

研究了一种适合软件无线电的符号定时估计算法,该算法通过并行方法估计线性和非线性调制方式的符号定时。计算机仿真结果表明,通过设置观测时间间隔数和并行估计样本值的个数,算法可以满足多种调制方式对符号定时估计指标的要求,在误比特率为10-5时,相对于理想的相干解调性能,信噪比最大损失0. 5dB。算法全数字实现,复杂度适中,适合于软件无线电系统中对多种调制方式条件下符号定时估计的需要。     

分离通道联合卷积神经网络的自动调制识别

针对通信信号的自动调制识别需要大量特征提取的问题,提出了一种分离通道卷积神经网络自动调制识别算法。该算法通过结合深度学习中卷积神经网络(CNN),分别提取时域信号的多通道和分离通道调制特征,再利用融合特征实现不同信号的分类。仿真结果表明,相比基于CNN的算法,所提算法在高信噪比下针对两个数据集的识别率分别提升7%和18%;此外,相比于基于特征提取的传统识别算法,其高阶调制识别性能平均提升3 dB。     

通信信号调制模式的自动识别技术及发展前景

概述了通信信号调制识别的研究内容、识别算法和发展前景,并对以后的发展提出了自己的建议。     

AIS系统中GMSK的调制解调

从AIS基带处理模块的研究出发，系统地介绍了GMSK调制解调的原理，在System View仿真平台上设计出一套GMSK调制解调的算法，效果良好，在AIS应答机中得到了充分的应用。     

基于高阶循环累积量和支持矢量机的分级调制分类算法

利用观测样本的高阶循环累积量特征,提出一种基于支持矢量机的分级调制分类算法 ,实现了对QAM调制信号的自动识别。该算法具有较快的分类器训练速度和较低的复杂度, 对时延和相位旋转具有稳健性,并可在干扰环境下实现对感兴趣信号调制类型的识别。理论 分析和仿真结果均证明了算法的正确性和有效性。     

AWGN信道中基于时频分布的超窄带解调算法

针对脉冲位置相位翻转键控（Pulse Position Phase Reversal Keying,3PRK）调制的解调 问题,基于时频分析方法,对3PRK信号的伪魏格纳-威利（PWVD）分布特 性进行了详细分析,建立了3PRK调制信号相位突变与PWVD分布幅度的关系模型,利用该模型 提出了一种新的基于PWVD分布的3PRK调制解调算法,并对该解调算法性能进行了仿真分析。 仿真结果验证了该算法的有效性。     

基于排序时频特性的雷达脉内调制信号识别

提出了一种基于排序时频特性的雷达脉内调制信号识别算法。该 算法可分为三步：首先,通过检验信号时频曲线的互易回归特性,识别出线性调频信号;然 后,通过检验信号时频RANKIT图的正态性,识别出常规信号;最后,检验信号平方后时频RA NKIT图的正态性,用以区分二相编码与四相编码信号。仿真结果表明,该算法无需接收信号 的任何先验知识,在较低信噪比条件下可实现对常用雷达脉内调制方式的有效识别。     

干扰环境下的信号调制识别

针对干扰环境提出了一种基于独立成分分析（ICA）和支持矢量机（SVM）的通信信号调制识别算法。算法利用多天线接收技术,采用独立成分分析方法寻求观测样本矢量的统计独立分量,设计了以二值支持矢量机（SVM）为基础的多值分类器,该算法具有较高的训练速度和较好的分类性能。仿真表明,当信干比大于10 dB、移动速度小于12 m/s时,算法的总体正确识别率超过0.9。干扰环境下的信号调制识别研究具有较重要的实际工程应用意义。     

利用累积量和似然特征的卫星单-混信号调制识别算

针对卫星通信中常用调制信号和PCMA类混叠信号的调制识别问题,提出了一种利用 高阶累积量和似然特征的识别算法。算法先对接收数据进行预处理,在此基础上提取4个高 阶累积量特征和1个似然特征,构造一个树形分类器进行调制识别。算法不需要知晓信号的 定时等先验信息,对收发载频存在的频差不敏感。仿真结果表明,算法在正常通信所需的载 噪比下具有较高的正确识别率。     

3G短波网络物理层仿真算法设计与分析

针对3G(第三代)短波网络物理层特性,提出一种短波网络物理层仿真算法.该算法采用Walnut Street模型对信道传播特性进行模拟,实现仿真过程中的信噪比序列重放,通过搭建波形性能模型模拟调制波形的信噪比-误码特性.结合模型解算流程,提出将上述模型分别嵌入到OPNET仿真器无线Pipeline Stage和Modulation Curve中进行仿真实现,给出了具体仿真流程.仿真结果表明,该算法具有高效、精确的特点,可为短波网络研究提供一个良好的仿真平台.     

采用广度优先搜索邻居聚类的通信信号调制识别

针对短波通信中无法避免的码间串扰问题,研究了聚类算法在信号调制识别中的作用,提出了一种利用广度优先搜索邻居(BFSN)聚类处理循环统计量特征的分类算法。该算法将循环统计量特征峰值作为聚类输入对象,通过BFSN聚类分析,剔除延时信号、噪声等造成的奇异类峰值,克服了多径效应产生的码间串扰影响,实现了2FSK、4FSK、BPSK、QPSK、16QAM、π/4-QPSK、π/4-DQPSK、8PSK等8种调制信号的自动识别。仿真表明,该算法聚类后提取的特征参数抗多径干扰能力强,同信道均衡方法相比识别正确率有5%的性能优势。低信噪比环境下的信号调制识别具有重要的工程应用意义。     

一种改进的电力系统频率测量算法

本文研究了一种新的电力系统频率测量的新算法,利用正弦信号的频率的特性,对含有谐波、噪声、直流干扰下的电力系统频率信号进行多重自相关运算,得到原始信号的自相关函数。分析了各个因素对本文算法精度的影响,给出了仿真结果,理论和实验结果表明本文算法有效的提取电力信号的基波频率,对谐波、噪声及直流电平干扰具有很强的抑制能力。算法简单,物理意义明确,具有一定的实用价值。     

自适应编码调制的一种高效半盲检测算法

给出一种基于协议信息的自适应编码调制高效半盲检测算法,该算法同时采用信号多序列抽取和信号多频点滑动匹配两种方法,能够有效克服中频调制信号最佳采样点偏差和频率偏差的影响,可以准确高效地识别出信号类型、信道编码方式、调制类型。实验表明,该算法在低信噪比下就能达到很高的识别率,性能明显优于传统模式识别的检测算法,具有较好的实用前景。     

一种优化的卷积神经网络调制识别算法

针对非合作接收条件下信号的调制识别问题,提出了一种基于循环谱特征和深度卷积神经网络的自动调制分类算法。该算法首先利用二值化、形态学操作等技术对循环谱数据集预处理,提高网络泛化能力;然后将数据集输入到卷积神经网络模型中,经过网络的特征提取实现分类识别。在网络中添加残差块网络增大感受野,提高特征提取能力。采用Dropout、优化函数等技术优化网络结构,防止训练过拟合。仿真结果表示,与传统方法和现有的一些深度学习调制识别方法相比,该算法在低信噪比条件下有更高的准确率,具有明显的抗噪声优势,是一个有效的调制识别算法。