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.     

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。     

一种改进的BPSK/QPSK信号调制识别算法

提出了一种基于顺序统计量特征的二进制相移键控/正交相移键控（BPSK/QPSK）信号调制识别算法。对观测信号进行平方并做离散傅里叶变换运算,将变换结果取模后去除最大值得到修正频谱,并取修正频谱的最大值作为识别特征量,利用恒虚警准则确定判决门限,将识别特征量与门限比较来完成对BPSK和QPSK两种调制信号的识别。计算机仿真表明,当信噪比适度时,所提算法可对BPSK及QPSK两类信号进行有效识别。当信噪比大于1 dB时,算法的平均识别正确率达到90%以上。     

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。     

一种基于星座图恢复的多进制相位调制信号识别算法

在实际调制过程中,无线电波传输多径及衰落引起的符号间干扰和信号接收端的载波频偏会造成星座图难以识别。针对这一问题,提出了一种基于星座图恢复和卷积神经网络的多进制相位调制信号识别算法。首先,设定相邻采样点距离和相位角的阈值以筛除发生符号间干扰时的采样点,保留剩余的有效采样点并形成聚类组;然后,通过旋转相邻聚类组抵消载波频偏带来的影响,实现星座图的恢复;最后,利用卷积神经网络对星座图进行特征自动提取和调制识别。实验结果表明,对于实测信号,所提算法能够较好地恢复星座图并实现BPSK、QPSK和8PSK的准确识别。最终的识别准确率达到了99.9%,较星座图恢复前提高了24.2%。     

基于模糊聚类的常规通信信号自动分选方法

为解决从干扰环境中自动分选出常规通信信号的问题,提出了一种基于模糊聚类的常规通信信号分选方法。该方法首先利用区分度函数确定最优的相关度阈值参数,然后利用模糊聚类算法对利用频域检测和测向得到的测量集进行信号分选,并对分选后的通信信号进行特征参数估计。实验结果表明,该算法能够在不做任何假定的条件下对常规通信信号进行正确分选,并对窄带信号的特征参数进行准确估计。     

短波通信中的低复杂度时域均衡

提出了一种基于Chase算法的低复杂度时域均衡技术。首先通过传统的自适应均衡器获取软值,再利用Chase算法计算可信度找到不可靠位,同时构造测试序列,然后进行滑动窗搜索和逐比特译码。此算法在减小计算量的同时消除了译码时延,并且误码率逼近最大似然序列估计,实现了复杂度和性能的折衷。     

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。     

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。     

自适应干扰抵消系统的双边带调幅干扰抵消特性

根据系统模型给出了自适应干扰抵消系统针对双边带调幅制干扰时的稳态权值表达式,推导出干扰抵消比计算式,分析了影响干扰抵消效果的因素及其作用规律,并给出了提高干扰抵消比的设计思路和方法。对于双边带调幅制信号,通过提高系统增益来提高干扰抵消比,将受到信号带宽和等效传输延迟距离的制约。信号带宽越宽或等效传输延迟距离越大,通过增大增益所能实现的干扰抵消比提高越有限。对于一定的信号带宽,可以通过增益和等效传输延迟距离的联合设计来提高干扰抵消比。仿真结果验证了理论分析的正确性和可行性。     

基于主成分分析和独立成分分析的调制分类算法

基于主成分分析（PCA）和独立成分分析（ICA）,提出了一种新的调制分类算法。算法采用PCA对样本数据降维、去除冗余成分,采用FastICA方法提取分类特征;采用支持矢量机（SVM）作为分类器,以解决数据在低维空间中的不可分问题。该算法具有较低的复杂度和较高的训练速度。仿真表明,与最大似然（ML）算法相比,算法仅具有1.8 dB的信噪比损失,在Rayleigh慢衰落信道和中速运动的条件下,算法对5种QAM调制类型具有较好的分类性能。     

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。     

变换域通信系统QAM调制及抗干扰性能仿真

针对变换域通信系统现有调制方式频谱效率较低的情况,提出了在变换域通信系统中实现QAM调制(TD-QAM)的方法。基于MATLAB,验证了TD-QAM的正确性,仿真了TD-QAM在部分频带干扰下的性能。结果表明,所提出的TD-QAM差错概率与常规数字QAM调制一致,同时具备较强的抗部分频带干扰的能力。     

电力线OFDM/OQAM通信系统信道相位预处理均衡算法

针对电力线通信（PLC）正交频分复用（OFDM）系统存在频率掩码和频谱资源利用率低等问题,提出将正交频分复用/偏移正交幅度调制（OFDM/OQAM）技术应用到PLC系统中。该技术通过选用频率选择性较好的滤波器来抑制带外干扰,且不需要循环前缀,但是OFDM/OQAM系统在PLC频域复数信道下会产生严重的自干扰,传统的均衡算法并不能有效地消除OFDM/OQAM系统的固有干扰。针对这种情况提出了一种基于信道相位预处理的均衡算法。该算法的思想是让接收信号乘以一个信道相位调整因子,使等效信道的虚部尽量小,以此来减小接收信号中的干扰分量。仿真结果表明,与传统的均衡算法相比,所提算法在误比特率为1.0×10－6时可以获得0.5dB的性能提升。     

一种新的短波自适应天线调谐器的设计

针对短波自适应的跳频系统的天线接口——自动天线调谐器,提出了一种新颖可行的实施方案,这个方案采用先整体预调谐后再实时配置调配参数的方法从而大大改善了系统的性能。