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。     

短波信道下的信号调制方式识别

针对短波信道条件下的通信信号调制识别问题,提取了以信号功率谱的各种特征为主要特征参数,使用判决树分类器,对基于Watterson信道模型下的九类常用短波信号进行调制识别.仿真结果表明,所选取的特征参数具有很好的稳健性,在中等短波信道且在低信噪比条件下有较高的正确识别率,且方法简单便于工程实现.     

低信噪比弱调制AM信号的检测与识别

本文讨论高斯噪声环境下低信噪比弱调制ＡＭ信号的检测与识别问题。利用循环平稳信号谱相关函数和特点和单循环检测器（ＳＣＤ）完成对低信噪比弱调制ＡＭ信号的检测与调制识别。文中给出循环平稳信号频率平滑谱相关算法（ＦＳＭ）和用于低信噪比弱调制ＡＭ信号的检测的单循环检测器,并给出计算机模拟计算结果。     

基于ResNet_NSCS的通信信号调制识别

针对通信信号调制识别的特征提取问题,为进一步提高识别准确率,提出了一种基于嵌套式跳跃连接结构的残差网络（ResNet of Nested Shortcut Connection Structure,ResNet_NSCS）调制识别算法。该算法在残差神经网络（Residual Neural Network,ResNet）基础上,通过借鉴ResNet多通路选择思路,引入嵌套式恒等跳跃连接结构,利用提取的特征实现不同调制方式的分类。仿真结果表明,面向RadioML2016.10a数据集,较卷积神经网络（Convolutional Neural Network,CNN）算法和卷积神经网络_长短时记忆网络（Convolutional Neural Network_Long Short Term Memory Network,CNN_LSTM）算法,以增加网络复杂度为代价,ResNet_NSCS算法收敛速度快,识别准确率高。     

调制方式的动态TOPSIS识别

提出了基于动态理想解法（TOPSIS）的调制识别方法,将各特征参数看成一个整体,对各个调制方式判别打分,根据得分高低来判定调制样式。该方法简单、方便,弥补了传统判决树法判决门限难于选取的缺点,同时克服了神经网络法训练时间长、对算法要求高的难题。仿真验证了所提方法的有效性,在信噪比10 dB以上时正确识别率接近100%。     

基于FrFT的线性调频-伪码调相复合调制雷达信号截获与特征提取

针对线性调频-伪码调相复合调制雷达信号（LFM-PRBC）的截获与特征提取问题,提出了一种基于分数阶傅里叶变换（FrFT）平面切割与相关检测相结合的新方法。理论分析和计算机仿真验证表明,该方法具有较好的有效性和准确性,能快速完成高斯白噪声背景下低信噪比复合调制雷达信号的截获与特征提取,有一定的实际应用价值。     

基于BP神经网络的通信信号调制体制识别技术

本文研究了基于BP神经网络的通信信号调制体制识别技术。提取了反映信号调制体制差异的特征参数,并从提高收敛速度和正确识别概率出发,构建了最佳的神经网络分类器。实验结果表明,该技术拥有较好的通信信号调制体制识别性能。     

一种欠完备自编码器调制识别技术

基于信号特征进行模式识别的调制识别方法需要先计算信号的高阶特征、高阶累积量再进行模式识别,整体设计复杂,特征不易计算。机器学习技术由于其强大的特征提取能力和分类能力,被广泛应用到模式识别领域中。针对调制识别问题,提出了一种基于欠完备自编码器的调制识别技术,使用欠完备自编码器进行调制信号的特征自动提取,再使用神经网络分类器进行分类识别。整体模型更为简洁,运算复杂度较低,有利于部署在硬件上进行实时识别。对常见的BPSK、QPSK、2ASK、2FSK、16QAM数字调制方式进行的识别实验表明,算法在信噪比10 dB时平均识别率高于0.97,并且在信噪比为0 dB时仍然有0.92以上的平均识别率。     

基于循环谱理论的时相调制信号分析

针对传统数字调制信号频谱扩展问题,提出具有相位突变特性的时相调制(TPM)方式.基于循环谱理论对TPM已调信号的谱相关特性进行了详细的理论分析,计算机仿真实验验证了分析得到的结果,为TPM调制信号的干扰与噪声抑制提供了一种较好的非平稳信号处理方案.     

一种利用线性调频信号的新型扩频调制技术

根据上扫频和下扫频线性调频(LFM)信号的特性,针对传统的超宽带无线通信系统中线性调频扩频技术存在的调制效率低、误码率性能低、实现复杂高等问题,结合线性调频（Chirp）扩频以及循环移位编码(CCSK)扩频,提出了一种基于线性调频信号的循环移位线性调频扩频技术(CS-CSS)。首先,将输入数据映射在循环移位因子(CSF)上;然后,根据CSF数值对基带所产生的Chirp信号进行循环移位达到调制的目的;最后,在解调端经过加窗处理、快速傅里叶变换（FFT）得到与发射端对应的CSF,从而得到发送的数据。误符号率的仿真结果与理论推导公式相吻合,从调制效率和误码率性能上讲,该方案相比线性调频二进制正交键控(Chirp BOK)系统具有超过10 dB的误码率性能。因此,该方案具有更好的误码率性能、更高的调制效率及实现更低的复杂度。     

通信信号分析工程应用关键技术

介绍了非协同方式下工程上通信信号事后分析的总体框架及流程,重点讨论了通信信号分析中的参数测量、调制识别、细微特征分析、信道盲均衡、解码、跳频分析等关键技术以及工程应用上的实际问题和解决方法。     

一种有效的雷达信号快速识别方法

针对多种调制类型的雷达信号快速侦察识别成功率较低的问题,提出了基于瞬时频率特征提取的雷达信号快速识别新算法。首先,由短时傅里叶变换（STFT）得到信号每一部分的瞬时频率特征;其次,对得到的瞬时频率进行两次归一化分别得到各自特征值;最后,用层次决策方法对雷达信号进行分类识别。仿真实验结果证明该方法能有效识别各种雷达信号,在信噪比高于-3 dB时,各种脉内调制的识别成功率都达到90%以上。     

卫星数字调制混合信号的自动识别

针对卫星数字混合信号的特征,提出了在载波速率和符号速率初判基础上的自动识别方案.该方案利用数字混合信号与常用数字调制信号在信号频谱以及星座点的差异提取特征参数进行自动识别.仿真结果表明,该方案具备实用性和可行性.     

基于分数阶傅里叶变换的脉内信号调制方式识别

针对传统的雷达脉内信号调制类型识别方法存在的抗噪性能差和识别率低等问题,提出了一种基于分数阶傅里叶变换（FRFT）的脉内信号调制方式识别算法。该算法分为两步：首先根据不同调制方式在调频斜率上的区别,通过FRFT模值随阶数变化的特点,识别出线性调频信号;然后,再根据阶数为1时FRFT的波形特点,识别出频率编码信号和相位编码信号。仿真实验表明,该算法在信噪比优于-2 dB的情况下可以完成脉内信号的调制特征识别,其抗噪性能和识别率均明显优于传统识别方法。     

基于调制域的雷达信号脉内特征提取新方法

针对传统调制域检测法在提取雷达信号脉内特征中的不足,提出了一种通过检测极值点来提取信号脉内特征的方法。首先通过检测出信号极值点,再对极值点进行运算处理,进而提取出极值点中包含的脉内特征信息。该方法借助于极值点具有最大信息量的优势,并运用二次提取频率来估计码元宽度,使得算法的信噪比性能得到有效改善。仿真结果表明,与传统调制域检测法相比,该方法在低信噪比下对于多种类型信号的脉内特征参数的估计精度平均提高30%。     

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。     

基于同步压缩短时傅里叶变换的微型无人机识别

针对利用雷达微多普勒效应的微型无人机识别问题,提出了一种基于同步压缩短时傅里叶变换（Synchrosqueezing Short-Time Fourier Transform,SSTFT）的分类识别方法。首先对无人机的微多普勒回波信号进行SSTFT从而获得信号时频谱,然后对时频谱进行多维度特征提取获得回波信号的时频特征及频率变化特征,最后将所获得联合特征输入到支持向量机（Support Vector Machine,SVM）中进而实现无人机的分类识别。基于实际雷达数据的实验结果表明,所提无人机分类方法准确率可达到97.03%。