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。     

一种改进的CNN端到端自编码器通信系统

针对现有端到端神经网络通信系统的泛化能力改进及自编码器优化等问题,提出了一种基于卷积神经网络（Convolutional Neural Network,CNN）的端到端通信系统改进方案。该方案在自编码器结构中引入一维卷积层（Conv1D）,通过对参数的重新设计,优化了网络性能。发送端采用多层Conv1D对输入序列进行特征提取,通过训练获得发送信号的最佳调制和编码方案;接收端同样采用多层Conv1D,来恢复受到噪声污染的符号。仿真实验表明,在不同输入比特长度及编码速率条件下,所提系统表现出了良好的泛化能力。并且,在加性高斯白噪声信道和瑞利衰落信道下,训练模型的误码性能与传统的调制方式性能相吻合,验证了系统方案的可行性和有效性。此外,对于数字传输常见的突发信道,所提方案具有良好的适应性,可获得1 dB左右误码性能的改善。     

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。     

基于冲激谱线检测的调制识别

现代卫星通信系统为满足传输速率和加密等要求,采用了多种复杂或高阶复合调制信号。为实现各类调制信号的检测与识别,信号之间不同类型谱的谱线分布是重要特征之一。在介绍常见通信卫星调制信号在不同类型谱下的冲激谱线特征基础上,提出了一种基于线性调频Z变换的冲激谱线检测方法,消除了离散频谱“栅栏效应”对检测值的影响。通过高次方谱和分数低阶循环自相关谱的区域谱线检测方法,构建特征向量进行分类设计,实现对常见通信卫星调制信号的分类识别。该算法在低信噪比、未知码元速率等先验信息的情况下具有较好的识别效果。     

基于三维特征的雷达信号脉内调制识别

针对低信噪比条件下雷达信号识别算法对噪声敏感的问题，提出了一种基于三维特征的雷达信号脉内调制识别算法。该方法通过提取信号的差分近似熵、调和平均分形盒维数和信息维数特征组成三维特征向量，使用遗传算法优化的BP神经网络分类器实现雷达信号的分类识别。仿真结果表明，所提取的三维特征在信噪比为-4~10 dB变化范围内具有较好的类内聚集度和类间分离度，可以实现对不同雷达信号进行识别，证实了该方法的有效性。     

一种单信道时频重叠信号调制识别方法

针对单信道时频重叠信号调制方式的识别分类问题,提出了基于信号相关特性的调制识别方法。在研究所选数字通信信号的相关特性的基础上,提取信号延迟相关和瞬时自相关谱峰的数量、幅度和位置方差作为特征参数,实现了同载频时频重叠双信号的调制识别。仿真结果表明,在理想高斯白噪声背景下,该方法具有良好的识别性能,当信噪比大于-5 dB时,其正确识别率达到95%以上。     

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。     

一种新的卫星信号调制方式识别方法

根据采样数据恢复信号频谱后,采用频域估计法检测卫星信号中心频率,再利用延 迟相乘法估计卫星信号调制速率。通过内插恢复得到信号星座图,根据星座图特征对无先验 信息的卫星信号调制方式进行识别。利用实测的8PSK和QPSK卫星信号检测了识别的效果, 在信号信噪比低于5 dB时无法得到信号星座图。     

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。     

一种基于视觉感知的舰船目标智能化识别方法

为有效识别视觉系统采集的可见光图像中的舰船目标，提出了基于YOLO（You Only Look Once）网络模型改进的10层的卷积神经网络（Convolutional Neural Network,CNN）用于水面舰船目标的智能识别，通过反卷积的方法可视化CNN中不同卷积层提取到的舰船目标特征。按照传统目标识别方法提取了舰船目标的四类典型人工设计特征，将所提CNN的舰船目标识别结果与YOLO网络模型及四类人工设计特征结合支持向量机用于舰船目标识别的结果进行比较。实验结果表明，与YOLO网络模型相比，综合精确率、召回率和效率3个舰船目标识别的性能指标，改进后的CNN性能更好，从而验证了所提方法的有效性。不同数据量下采用典型特征识别舰船目标与基于深度CNN识别舰船目标的识别结果比较说明了不同类型目标识别算法的优劣势，有利于推动综合性视觉感知框架的构建。     

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。     

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。     

基于参量直方分布的数字信号调制识别

本文就美国针对中国产品采取特定产品保障措施第一案,从基本案情、裁决推理、裁决结果和最终结果作了归纳,并就该案的相关法律问题和潜在影响做出分析。     

采用USRP、RFNOC和Keras的信号盲识别

随着信号采集设备的带宽越来越宽，大量感兴趣或者不感兴趣信号被捕捉，多信号的盲识别问题是一个难题，更是一个亟需解决的问题。传统的识别大都基于功率、频谱或相位等诸多先验知识进行模板匹配，但在全盲条件下对多信号进行自适应识别是一个更加复杂的问题。为此，提出了一种基于通用软件无线电外设（Universal Software Radio Peripheral,USRP）、片上射频网络（RF Network on Chips,RFNOC）和Keras的自适应信号盲识别算法。首先构造基于深度学习的神经网络，然后使用初始IQ数据、初始功率谱密度数据和快速傅里叶变换(Fast Fourier Transform,FFT)累积算法处理后的谱相关密度数据等三种不同的初始数据去训练它，利用其自适应性实现多信号的盲识别，最后通过基于USRP、RFNOC和Keras的软硬件验证了该算法的有效性和鲁棒性。