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。