自动调制识别技术

2024-06-15

自动调制识别技术（共7篇）

自动调制识别技术篇1

数字通信信号自动调制识别技术是实现非合作接收的关键性技术, 但在实际使用过程中会发现存在很多问题, 如多径信道中的单载波和多载波信号的盲识别、基带信号的调制识别方法会受到载波较大的影响等, 这些问题的存在使得数字通信信号自动调制识别技术的实践应用存在一定困难, 因此进行数字通信信号自动调制识别技术研究具有实际应用价值。本文将结合数字通信信号自动调制技术的相关概念, 分别介绍基于决策理论的数字信号调制识别技术、基于高阶累积量的数字信号调制识别技术、基于人工神经网络的数字信号调制识别技术等三种信号自动调制识别技术。

1 数字通信信号调制技术

1.1 通信中的调制技术

调制就是指对原始信号进行频谱搬移, 使其能满足复杂信道中传输的要求。在通信信号传输系统中, 信号发送端发出的信号我们称之为原始电信号, 一般的原始电信号的频率都比较低的, 不能或者很难在信道中传输, 为了解决这个问题, 就要对原始电信号进行处理, 处理的结果就是使原始电信号的频率能满足信道传输的要求, 成为频带较为合适的信号, 经过处理的信号我们称之为已调信号, 它们不仅能在信道中传输, 且能携带一定的信息。通信信号调制技术对于通信信号的传输具有重要意义。通信信号调制的样式也将对整个通信系统信号传输的稳定性、可靠性和有效性产生严重影响。因此, 为了保证通信系统能正常、高效的工作, 应选用合适的信号调制技术。

1.2 数字调制样式

数字调制的样式有很多, 按照不同的分类标准可以将数字调制样式分成不同的类别, 本文中对数字调制样式的分类是依据载波信号参数的不同进行的。依据载波信号参数的不同可以将数字调制样式分成很多种, 本文主要介绍常用的几种数字调制样式, 分别为幅度键控 (ASK) 、相移键控 (PSK) 、频移键控 (FSK) 以及正交幅度调制 (QAM) 。

振幅键控是根据载波的振幅随数字基带的变化而进行信息传递的一种数字调制方式。目前使用较多的振幅键控调制方式为二进制振幅键控, 二进制振幅键控调制方式中会有两种载波幅度变化状态, 分别由二进制中的“0”和“1”对应。二进制振幅键控调制方式可以通过模拟振幅调制方法和数字键控方法二种方法来产生信号。多进制振幅键控调制方式与二进制振幅键控调制方式原理相同, 只是多进制振幅键控可以传输具有多种不同幅度值的载波。多进制振幅键控信号可以视为多个二进制振幅键控信号的累加;

频移键控是通过随数字基带信号变化的载波频率的变化来进行信息传输的。二进制频移键控中会有两个不同的载波信号频率, 分别由二进制中的“0”和“1”对应。二进制频移键控信号与二进制振幅键控信号之间具有相关性, 两个二进制振幅键控信号可以看作为一个二进制频移键控信号。二进制频移键控信号可以通过两种方式产生, 分别为模拟调频电路和键控法。模拟调频法具有实现方式简单的优势, 而键控法具有产生的信号频率稳定性高、信号转换速度快的优势;

相移键控通过随着数字基带信号的变化而变化的载波相位的变化来进行信息传输的。根据相位变化方式的不同, 相移键控可以分为绝对相位键控和相对相位键控两种方式。二进制相移键控有0和π两种载波相位状态, 分别由二进制信息中的“0”和“1”对应。二进制相移键控产生信号的方式有两种, 分别为模拟调制法和键控法;

正交振幅调制通过振幅和相位的联合变化来传输信号的, 正交振幅调制也有两个载波, 但这两个载波不仅是同频率的还是正交的。正交振幅调制的原理是通过两路相互独立的基带信号完成对两个正交载波的调控。

2 数字信号调制识别技术的类型

2.1 基于决策理论的数字信号调制识别技术

基于决策理论的数字信号调制识别技术就是指利用决策理论的调制算法进行信号调制。目前, 这种数字信号调制识别技术已经逐渐成熟, 在通信系统中使用的频率较高。使用这种信号调制识别技术第一步就是要根据接收到信号的瞬时特征进行特征参数构造, 再选取合适的判别方法, 将构造的特征参数和门限值作比对, 以此来完成信号调制样式的识别工作。在使用这种调控识别技术时还会遇到一些问题, 这些问题的存在可能会影响信号传输的质量。常见的问题有非弱信号段判决门限的选取和确定特征参数的门限值的选取。如何解决这两个问题成为人们关注的重点。

2.2 基于高阶累积量的数字信号调制识别技术

最早使用信号调制识别技术都是以二阶统计量为基础的进行的, 但随着科学技术的发展以及信号传输要求的提升, 人们逐渐发现以二阶统计量作为信号调制识别的基础是有很大的局限性的, 在这种背景下, 以高阶累积量作为分析工具的通信信号调制识别技术应运而生。这种调制识别技术克服了二阶统计量的缺点, 具有更为广阔的应用前景, 现在已经成为通信领域中较为常用的一种信号调制识别技术。

2.3 基于人工神经网络的数字信号调制识别技术

基于人工神经网络的数字信号调制识别技术是在以决策理论为依据的信号调制识别技术的基础上发展起来的。基于决策理论的调制识别技术是一种传统的信号调制识别方法, 随着科学技术的不断发展, 这种技术愈加成熟, 但在实际的使用过程中却发现它具有一定的缺陷性。针对这种情况, 专家提出了基于人工神经网络的数字信号调制识别技术, 这种技术具有自动选取参数的判决门限的优势。

3 总结

总之, 随着现代科学技术的不断发展以及信号传输环境的不断变化, 进行数字通信信号自动调制识别技术的研究具有很强的应用价值。现阶段, 数字通信信号自动调制识别技术的发展取得了有效的成果, 但还存在一些问题没有解决, 专家学者应投入更多的时间和精力进行相关方向的研究。

参考文献

[1]李少凯, 董斌, 刘宁等.基于谱线特征的MPSK调制识别[J].通信技术, 2010, 43 (8) :127-128, 131.

[2]王晓侠, 窦红真, 王芳等.基于小波分析的调制识别技术研究[J].数字技术与应用, 2013, (10) :113-115.

自动调制识别技术篇2

资料调研

姓名：朱x 班级：13电信3班学号：2013xx 指导老师：张x

目录自动识别技术的发展

1.1概况

1.2一维条码技术 1.3 二维条码技术 1.4射频识别技术

1.4.1 标签识读器技术 1.4.1 标签识读器技术 1.4.2 中间件技术 1.4.3NFC、UWB等技术 1.4.4 RFID国际标准化工作 1.4.5 我国RFID技术的发展在物流系统中的应用

2.1条码技术在物流系统的应用 2.2 二维条码技术在物流领域的应用 2.3 射频识别技术在物流领域的应用 3 发展展望

3.1 条码技术发展 3.2 RFID技术发展

自动识别技术(Automatic Identification Teehniques)，是指以标识技术为基础，通过获取标识载体承载的标识信息，实现标识对象信息获取的技术。它是信息数据自动识读、自动输入计算机的重要方法和手段，也是物流信息技术中的核心技术。自动识别技术作为信息技术的重要分支，已经成为推动我国国民经济信息化发展的重要支撑技术，自动识别技术的发展

1.1 概况

自动识别技术主要包括一维条码技术、二维条码技术以及射频识别技术等。近年来，我国自动识别技术呈现出快速发展、注重创新的发展势头，各项技术都有较大突破，在市场应用上的拓展力度不断加大，新的技术、产品与服务层出不穷。自动识别技术已经成为引领物流信息化发展的强力引擎。

自动识别技术近几十年在全球范围内得到了迅猛发展，初步形成了一个包括条码技术、磁条磁卡技术、IC卡技术、光学字符识别、射频技术、声音识别及视觉识别等集计算机、光、磁、物理、机电、通信技术为一体的高新技术学科。而中国物联网校企联盟认为自动识别技术可以分为：光符号识别技术、语音识别技术、生物计量识别技术、IC卡技术、条形码技术、射频识别技术（RFID）。

目前自动识别技术广泛应用于物联网的智能交通、智能安防、智能家居、智能仓储、智能物流及零售领域。

1.2 一维条码技术

条码技术是最传统的一种自动识别技术。从20世纪70年代产生后经过30多年的发展，条码技术作为一种关键的信息标识和信息采集技术，在全球范围内得到了迅猛发展。国际上，随着应用的不断深入，条码技术正处于一个强劲的集成创新发展期，是商业贸易、物流、产品追溯、电子商务等领域的主导信息技术。

国际上，从20世纪70年代至今，条码技术及应用都取得了长足的发展：条码技术介质由纸质发展到特殊介质甚至到手机载体；条码的应用已从商业领域拓展到物流、金融等经济领域，并向纵深发展，面向企业信息化管理的深层次的集成；条码技术产品逐渐向高、精、尖和集成化方向发展。

根据美国的专业研究机构VDC(Venture Development Corp.)的统计，全球条码市场规模一直在持续稳步增长。到2008年，全球条码技术装备的市场规模将增长到155亿美元，其中美洲地区年平均增长率将超过6％，欧洲、中东和非洲地区年平均增长率接近7％，亚太地区年平均增长率将达到12％。国际条码技术产业的前景方兴未艾。随着应用的深入，条码技术装备也朝着多功能、远距离、小型化、软件硬件并举、安全可靠、经济适用方向发展，出现了许多新型技术装备。具体表现为：条码识读设备向小型化，与常规通用设备的集成化、复合化发展；条码数据采集终端设备向多功能、便携式、集成多种现代通讯技术和网络技术的设备一体化发展，从而得到更加广泛和深入的应用。条码生成设备向专用和小批量印制方向发展。例如，基于GPRS、CDMA的条码通讯终端，使条码手段更为简便。技术在现场服务、物流配送、生产制造等诸多领域应用，又如，由于现阶段手机广泛普及，通信网络更加完整，于是，能够识读条码的手机可以成为一种集数据采集、处理、交互、显示、认证等多种功能为一体的移动式数据终端，实现手机价值的最大化。

我国条码产业经过多年的发展，从小到大，从无到有，目前已具雏形。目前，我国从事条码识别技术的企业和科研院所已超过1000多家，部分企业还开发出了具有自主知识产权的条码识别技术设备，并在利用国外先进技术和产品进行二次开发和集成应用等方面也取得重大突破。虽然，我国在低端条码设备上获得了一些技术突破和竞争优势，但是，拥有自主知识产权的条码技术和产品非常有限，大部分产品的核心技术还被国外企业所掌握。目前，国内市场上的产品主要来自国外自动识别产品制造商，并已经形成了较为完整的系列，应用到国内各个行业，在市场占有率、技术方面占有绝对优势。在知识产权方面，属国外企业所有的条码识读设备专利在全球范围内形成了一个庞大的技术壁垒。随着国内市场需求的增长，国外品牌产品在中国制造的趋势逐步显现。相比之下，我国能够研发、制造具有核心自主知识产权的条码采集器的厂商还为数不多，产品品种不全，标准化程度不高，尚不能稳定形成一定的市场份额。

条码打印机的关键技术——打印头生产技术掌握在全球少数几家公司手里。目前，已有不少国产打印机系列产品，可为大量推广应用提供配套，年市场销量增长迅速，在技术指标、性能、质量上有了明显提高。总体上，我国条码打印设备生产企业品牌影响力不够大，国际市场竞争能力有待进一步提高。

总体来说，目前我国条码技术产业还处于初级阶段，产业规模偏小，在国际市场上所占份额偏低，并且也与我国巨大的条码技术应用市场不相匹配。

1.3 二维条码技术

二维条码技术是在一维条码技术基础上发展而来的一种自动识别技术。一般来说，与一维条码相比，二维条码具有信息密度更高、容量更大、能够表示中文、英文等字符，具有纠错功能等特性，是一种具有独特技术特点与优势的自动识别技术。

二维条码技术最早诞生于20世纪80年代，其发展经历了层排式一矩阵式的发展历程，众多国际自动识别巨头，如Symbol、Denso等公司都非常重视二维条码技术，研发完成了PDF417、QR、Data Matrix等二维条码码制并制定了相应的国际标准。与一维条码研制情况类似，二维条码的识读器市场也主要由国外企业如Symbol、Denso、HHP、霍尼韦尔、卡西欧等企业垄断。截至“十五”前期，我国在二维条码技术研发方面实力比较薄弱。

为改变这一现状，中国物品编码中心在“十五”期间提出并组织进行了“二维条码新码制开发与关键技术标准研究”项目的研发工作，通过中心牵头组织企业进行研发，研发我国自主知识产权的二维条码新码制，突破我国二维条码核心技术受制于人的瓶颈，打造我国自主知识产权二维条码标准体系，构建我国企业两维条码自主创新的平台。2005年，该项目的核心成果——汉信码新码制研发完成，受到了包括两位院士在内的专家组的高度评价，他们认为“......(该项目)研制的汉信码具有抗畸变、抗污损能力强，信息容量高等特点，达到了国际先进水平。其中在汉字表示方面，支持GB 18030大字符集，汉字表示信息效率高，达到了国际领先水平”。汉信码诞生后，由于其具有的先进性能与专利的开放性，吸引了国内外众多自动识别技术企业的广泛关注，HHP、Opficon、意锐新创、维深、新大陆等众多企业陆续研发了十多款汉信码的识读设备，汉信码成为我国企业自主创新的排头兵。

几乎于此同时，我国的龙贝信息有限公司、深圳矽感、点众科技等公司也研发了龙贝码、CM、GM码、点众码、E码等自主知识产权二维条码，并自主研发了相应的识读设备与应用系统，取得了一定的应用成效。

此外，随着移动通信与移动计算技术的发展，基于手机的二维条码技术在我国发展很快，清华紫光、深圳矽感等公司分别研发了用于手机识读二维条码上网业务的紫光码、GM优码等新型二维条码。

1.4 射频识别技术

RFID是一种识读器采用电磁耦合方式或微波方式与标签进行通信，获取标签承载信息的一种自动识别技术。射频识别技术与诞生于20世纪40年代的雷达技术相近，并被称为20世纪10大重要技术项目之一。RFID技术由于是采用无线电波作为信息传输的技术手段，使得射频识别技术具有识读速度陕、可穿透包装识读等特性。

传统RFID技术基本由射频标签、射频识读器以及计算机应用系统3部分构成。随着RFID技术自身以及互联网技术的飞速发展，RFID技术开始与网络技术结合，并于2002年诞生了具有革命性的物联网(Internet of Things)概念。按照该概念的构想，加贴了射频标签(在EPC系统中称为EPC标签)的物品在整个物流供应链中进行流转过程中，通过识读EPC标签，能够随时随地记录与通过网络获取与物品物流过程有关的信息，从而提供跨系统的供应链透明度。这一概念带来了RFID技术研发与应用的热潮，RFID技术也被人们视为是下一代最具有发展前途的自动识别技术。

近年来，国际上对国际RFID技术发展投入巨大，新的技术、产品与应用模式层出不穷，总体来说，国际RFID技术发展呈现出技术研发驱动的模式。

1.4.1 标签识读器技术

2008年，超高频射频识读标签与金属液体不相容问题得到解决。硅谷新成立公司Omni-ID发布的“通用标签”在有无金属或液体的环境下都能正常发挥性能；两家领先的超高频技术供应商Alien科技和Impinj，则介绍了利用此技术的新芯片；除此之外，Avery Dennison和富士通公司分别宣布推出高内存的芯片。

2008年读写器方面最关键的发展就是读取的延长：Mojix推出了一套系统，可以把网络接收器连接到多个节点上，从而增加读取面积；Convergence Systems发布的手持读写器，读距长达25英尺。

1.4.2 中间件技术

2008年微软推出新的Biz Talk RFID移动平台，以简化移动RFID应用程序的研发过程。配合使用Biz Talk Server 2006 R2软件，该平台可将研发流程扩展至Windows CE与Windows Mobile 5.0的应用程序。微软表示，客户及合作伙伴可以注册参加微软Biz Talk RFID移动技术采纳项目。2008年SAVI推出RFID平台和应用套件的升级版——Smart Chmn 5.0。该系统充分利用了SOA架构，可以提供整合之后的实时数据，这些数据主要来自各种无线技术及企业软件系统。

1.4.3 NFC、UWB等技术

在NFC方面，由国际信用卡公司和大银行组成的智能卡联盟组成了一个120名成员的理事会，用以促进NFC技术的采用及非接触式支付的应用；而另一个行业组织——NFC论坛一直都致力于标准的发展和规范的制定；同时UWB(超宽带技术)在2008年期间成为了一种主流技术，无线平台技术供应商思科系统公司、摩托罗拉公司和Aero Scout各自在其系统中增加了对UWB技术的支持。拥有条码、超高频、高频和有源RFID技术的Zebra技术公司，收购了UWB技术开发商Muhispectral Solutions，以丰富其产品线。

1.4.4 RFID国际标准化工作

年进展非常迅速。随着ISO与EPC在标签唯一编码方面协议的达成，一直困绕RFID应用的物品唯一编码问题得到了很好地解决。按照相关的规划，ISO JTCl SC31 2008年启动了RFID国际标准新一轮制修订工作，18000空中接口系列标准、ISO 15961/15962/15963系列数据接口标准以及24791系列标准开始修订或启动，并开始重新评估国际标准中的知识产权问题。

1.4.5 我国RFID技术的发展

在我国，RFID技术的创新层出不穷。近年来，上海坤锐、深圳远望谷、同方微电子、恒睿科技等多家企业研发了具有部分或全部自主知识产权的RFID商用化产品或样机，产品涵盖了标签芯片、数据采集器、识别卡、耐高温高压与防伪易碎标签、识读器模组等领域，频率上涵盖了低频、高频、超高频几个常用频段，我国RFID技术产业从无到有飞速发展起来。特别要提到的是在北京市重大科技项目的支持下，我国最小尺寸的RFID(无线射频电子标签)芯片由清华大学、同方微电子公司共同研制成功，芯片最小面积可达到0.3mm2，厚度最小达到50μm，可嵌人到纸张内，最远识别距离在5m左右。该芯片的相关技术已用于2008年奥运会门票。

我国RFID技术企业虽然在自主研发方面取得了一定的成果，但在技术方案与核心技术方面鲜有创新。因此，我国RFID技术标准的制定由于缺乏我国自主知识产权核心技术的支持，进展比较缓慢。在物流系统中的应用

2.1 条码技术在物流系统的应用

条码技术无疑是应用最简洁方便，可提高物流效率的自动识别技术。国际上，条码技术已经广泛应用于物流的各个领域。在我国，条码技术已作为一种成熟的识别技术被广泛、普及应用到商品流通领域，而且在物流及生产控制过程等方面的应用也在不断发展。2003年起，中国物品编码中心提出并启动了“中国条码推进工程”项目，以分中心为依托，截至2008年底，中国物品编码中心共设立了9批共71个推进工程项目，内容涵盖物流领域仓储、供应链管理、食品安全、建材物流、特种设备管理等多个领域，建立了多个条码物流供应链应用示范系统，使条码在食品安全追溯、医疗卫生、服装、化工、建材、机械与电子、军工、现代物流、电子商务等领域得到了广泛应用，推动了国民经济和社会发展。

2.2 二维条码技术在物流领域的应用

二维条码由于具有信息容量大、抗污损、能够表示字符等复杂信息等特性，诞生之初就吸引了各国的关注，并在军事、邮政、电子、医药物流等领域取得了较广泛的应用。特别是在电子等行业的物流过程中，采用直接部件标印技术标识的二维条码符号(目前采用Data Matrix码制)出现在全球CPU、电路板、存储芯片等各类电子部件上，已经成为电子行业事实上的标准。

在我国，二维条码物流应用多年来局限于单点(单个企业内部)、封闭的应用，没有出现规模化跨系统的应用。进入新世纪以来，随着我国自主知识产权二维条码技术的产生与飞速发展，我国自主知识产权二维条码技术，如汉信码、龙贝码、点众码、矽感CMGM码等二维条码在我国建立了多个企业级应用示范系统，并积极推进在物流行业乃至国家规模的广泛应用。

2.3 射频识别技术在物流领域的应用当前RFID应用最为热门的领域就是物流供应链管理。信息在供应链当中传递的流畅性和准确性以及信息传递对供应链运作的影响一直是供应链管理研究中的热点，而RFID具有的非可视识读、同时识读多个标签、识读速度快等特性非常适于解决供应链过程中快速准确获取信息的问题，同时，物联网的上层架构解决了供应链各个环节之间的信息传递问题，使供应链的透明化有了从概念到真正实现的可能性，因此，RFID在供应链管理当中引起热烈的关注不足为奇。

2008年，射频识别技术在我国物流行业的应用取得了较多进展，国家863计划已经将RFID技术在供应链管理和物流方面的应用作为重要的项目来关注。2008年，国家860计划又以促进RFID技术的应用为核心，设立了一批新的RFID应用项目，RFID技术在各种供应链服务中已经彰显优势并代表未来供应链管理发展方向，国际巨头也都纷纷将目光投注在最具潜力的RFID供应链应用上。其中在全国范围内产生示范效应的典型行业领域包括：奥运食品安全追溯、奥运电子门票、首都国际机场行李追踪管理、解放军总医院器械包管理、国家大剧院资料检索管理以及地井、宠物等城市管理应用。

特别值得提到的是射频识别技术在奥运食品安全追溯中的应用。通过奥运食品RFID电子标签，全程监控了奥运食品的种植、运输、分类、验收和贮存过程，完善防范了食源性疾患，动物源性食品中违禁物质的滥用，高毒高残留农药和食品添加剂等食品安全问题。

2008年，RFID技术不仅在传统的交通物流行业依然蓬勃发展，而且在医疗设备追踪、食品安全追溯、资产管理等领域也取得了应用上的扩展。中国的应用仍然保留自己的特色，根据非正式统计资料显示，中国约有过万家物流及运输公司，目前并购活动在这个领域时有发生，一些大型的第三方物流企业将陆续出现。为了取得更高的运营效益，它们将会与遍布各地的运输商伙伴合作，要令其伙伴网络取得合作无间的效果，采用RFID系统将是可行的途径。IDC相关数据显示，2008年第三方物流企业RFID的应用规模可达到5534万元，到2011年这一规模将超过10亿元。此外，RFID技术在服装、图书馆管理等方面应用形成了新的热点。发展展望

3.1 条码技术发展

条码技术作为一种最传统、最经济的自动识别技术，具有强大的生命力，其低成本、使用便捷的特点决定了其能够适用于我国物流行业信息化的基本要求，具有最广泛的市场空间。

3.2 RFID技术发展根据ABI研究最新预测，2008年全球RFID销售额将超过53亿美元，年收入增长将加速超过中期的高增长，高容量的应用，如供应链管理，身份证件，票务和非接触式支付。传统RFID的应用，如存取控制，自动车辆识别，汽车制动，以及身份证件仍将主导当前和近期的RFID市场，预计5年复合年均增长率将低于两位数。不包括汽车制动在内，预计在未来4年复合增长率为15％。在2013年RFID市场总容量将达到98亿美元，或者不包括汽车制动在内是82亿美元。ABI认为目前预测出全球经济的变化如何影响RFID市场还为时过早。持续增加的投资保证了RFID发展并且增加了订单。

从RFID技术与应用发展前景来看，RFID技术正在从先前的技术、资金投入拉动型以及政府支持的发展模式，进展到关注于ROI(投入产出比)以及Bottom Line(企业净利润)的发展模式，通过RFID技术的不断仓Ⅱ新，以及在高附加值物品以及服装等非传统物流供应链行业内的应用，解决RFID成本高、投入RFID应用项目盈利模式不清等问题，从而带动RFID技术与产业的良性发展。

摘自：

自动调制识别技术篇3

软件无线电的思路是构建一个通用的硬件平台, 用软件来实现尽可能多的无线通信功能, 目标是实现多波段、多体制、多制式的接收和发送, 达到通信设备之间的互联互通。通信信号自动调制方式识别是基于软件无线电的通信系统或者通信对抗应用的关键环节, 是软件无线电接收机的必备功能之一[1]。通信信号的调制方式识别是一个典型的模式识别问题, 前人研究比较多的自动识别调制样式一般采用基于决策理论的算法或者基于人工神经网络理论, 决策论方法是用概率和符合假设检验的观点研究调制识别问题, 人工神经网络理论具有模拟人脑识别能力, 这两种方法都有计算量较大的问题[1,2]。小波变换在时频域中用宽度变化的时频窗来观察信号, 对高频有较高的时间分辨率和较低的频率分辨率, 低频则相反, 具有局部分析和细化的能力, 特别适宜于对时频信号的分析, 同样也已经应用于调制方式的自动识别。利用小波分析方法提取调制信号的特征参数来对信号的调制方式自动识别算法具有更优越的性能, 为对接收信号进行解调和进一步分析与处理提供了依据[2]。

1识别理论分析

小波变换能够把任何信号映射到一个由基本小波伸缩、平移而成的一组小波函数上去, 实现信号在不同时刻、不同频带的合理分离而不丢失任何原始信息。尤其是其良好的信号检测和分析特性, 使其在信号的特征分析和信号突变点的检测方面, 得到了更加广泛的应用。

这里通过小波域来提取调制信号的特征参数进行调制样的识别, 识别流程图如图1所示。

小波变换的基本思想是用一簇基函数去表示或逼近一信号。这一簇基函数ϕa, b (t) 称为小波[3], 它是由一母小波函数ϕ (t) 经过平移b、伸缩a得到的, 即:

$ϕ_{a, b} (t) = \frac{1}{\sqrt{a}} ϕ (\frac{t - b}{a}) (1)$

对于信号f (t) ∈L2 (R) 的连续小波变换 (CWT) 定义为[3]:

$\begin{array}{l} W_{f} (a, b) = \int_{- \infty}^{+ \infty} f (t) ϕ_{a, b}^{*} (t) d t = \\ \frac{1}{\sqrt{a}} \int_{- \infty}^{+ \infty} f (t) ϕ^{*} (\frac{t - b}{a}) d t (2) \end{array}$

式中:符号“*”表示复共轭。

若ϕ (t) 满足容许条件 $C_{ϕ} = \int_{R} \frac{| Ψ (ω) |^{2}}{| ω |} d ω < \infty$ , 其中Ψ (ω) 是ϕ (t) 的傅里叶变换, 则逆变换为:

$f (t) = \frac{1}{C_{ϕ}} \int_{R} \int_{R} \frac{1}{a^{2}} W_{f} (a, b) ϕ (\frac{t - b}{a}) d a d b (3)$

若取a = a $_{0}^{j}$ , b = ka $_{0}^{j}$ b0, a0>1 , j, k∈Z, 则对应的离散小波函数为:

$ϕ_{j, k} (t) = a_{0}^{- j / 2} ϕ (a_{0}^{j} t - k b_{0})$

离散小波变换则表示为:

$D W_{f} (j, k) = \int f (t) ϕ_{j, k}^{*} (t) d t (4)$

数字调制信号2ASK, 2FSK, 2PSK广泛应用于数字通信领域中, 对这些信号利用小波变换进行时频分析, 通过小波域中的系数反映出信号的特征, 例如幅度、频率、相位、相似性、间断点等, 本文只选择软件无线电中应用比较多的BPSK/QPSK调制样式号进行分析, 从而得到小波分析用于信号特征提取的结果, 为进一步的数字调制信号识别和分类打下基础, 对数字调制信号时钟同步提供新的方法[4,5]。

2BPSK/QPSK信号的小波域特征参数

在此采用的是对暂态信号和相位信号的变化有较强的检测能力的Haar小波函数, 其表达式如下:

$\begin{array}{l} φ (x) = {\begin{cases} 1, 0 \leq x \leq 1 \\ 0, e l s e \end{cases} ‚ \\ V_{j} = s p a n {2^{j / 2} φ (2^{j} x - k)} (5) \\ Ψ (x) = {\begin{cases} - 1, 0 \leq x \leq \frac{1}{2} \\ 1, \frac{1}{2} \leq x \leq 1 \\ 0, e l s e \end{cases} ‚ \\ W_{j} = s p a n {2^{j / 2} Ψ (2^{j} x - k)} (6) \end{array}$

设接收到的数字调制信号进行ADC后输出的信号为:

$\begin{array}{l} f (n) = A c o s [ω_{c} n Τ_{s} + φ (n Τ_{s})] + Ν (n Τ_{s}), \\ n = 0, \pm 1, \pm 2, \pm 3, \dots (7) \end{array}$

相位调制是指瞬时相位偏移随调制信号m (nTs) 而线性变化, 即式 (8) , 其中Kp是常数。

则有:

$\begin{array}{l} f (n) = A c o s [ω_{c} n Τ_{s} + Κ_{p} m (n Τ_{s})] + Ν (n Τ_{s}) \\ n = 0, \pm 1, \pm 2, \pm 3, \dots (9) \end{array}$

f (n) 的小波变换为:

$\begin{array}{l} | W_{f} (a, b) | = \frac{1}{\sqrt{a ω_{c}}} | (e^{j ω_{c} d} - e^{- j ω_{c} \frac{a}{2}}) + \\ e^{j (φ_{i + 1} - φ_{i})} (2 - e^{j ω_{c} d} - e^{- j ω_{c} \frac{a}{2}}) | (10) \end{array}$

对BPSK/QPSK信号进行小波变换后, 在码元交界处的幅度取决于前后码元的幅度、频率或相位, 前后幅度或相位相差越大, 小波变换的幅度变化越剧烈。对BPSK/QPSK信号来说, 取其小波分解的高频系数, 再进行希尔伯特变换, 取复信号的模值, 小波分解的高频系数的模值基本上是由一系列冲击脉冲再加上一些尖峰组成, 由此就可以识别出BPSK/QPSK信号来。对BPSK/QPSK信号进行小波分解, 如图2所示是各级分解的高频系数。

从图2可以看出对BPSK/QPSK信号小波变换后, Haar小波函数的几乎分析不到相位突变点, 而且对于相邻相位变化, Haar小波函数并没有检测出来。对于db2, db3虽然得到了一些相位突变点, 但是并没有检测到相邻相位变化较小的相位变化。但是, db7小波函数对BPSK/QPSK信号进行同样的分解, 它的检测特性明显比前几种小波函数好, 从图中可以清楚地看到三个相位跳变点, 而且在相位检测的仿真图中可以看到, 用db7小波函数进行相位检测时效果更好。因为小波函数对频率有很高的灵敏度, 所以可以将不同频率的信号区分开来, 所以利用信号中瞬时相位和瞬时频率的对应关系, 可以检测出BPSK/QPSK调制信号中的相位跳变点。

3仿真信号识别实验

本实验用Matlab软件进行仿真, 其中基带信号的频率f=10 kHz, 采样频率fs=100 kHz, 取200个码元用来识别, 而且假设识别器没有任何先验知识, 噪声为高斯白噪声, 对基带信号做小波分解来提取信号的特征参数, 对BPSK/QPSK信号在信噪比分别为22 dB, 18 dB, 12 dB, 8 dB, 6 dB, 4 dB情况下, 选择不同的小波函数进行250次独立实验, 结果如表1所示。

从表1中可以看出用db7小波函数做特征提取时得到的识别效果明显优于其他的小波函数。对于用db7小波函数特征提取, 当信噪比不低于8 dB时用小波分解来对信号进行识别的效果较好, 整体的识别正确率不低于98%, 信噪比低于6 dB后BPSK/QPSK的识别正确率降低至90%左右。信噪比继续降低, 信号将不可识别。

4结语

在利用小波分解进行信号识别的方法中, 选取合适的小波函数非常重要, 一般根据需要, 人为地对多种小波函数进行测试, 通过对测试结果的比较来选择小波函数。在选取到合适的小波函数的情况下, 利用小波变换可以对一些信号进行粗分类。本文只对BPSK/QPSK信号进行实验, 其他调制样式的信号ASK或者FSK也可以运用该识别器进行识别。利用小波变换对数字调制信号进行时频分析提取其特征参数, 对数字调制信号识别和分类有着更好的效果。

摘要：讨论基于软件无线电技术的一种数字信号调制样式的自动识别的算法。使用小波分析提取数字调制信号的调制特征参数, 研究了利用小波分析在软件无线电中常用的调制样式 (BPSK/QPSK) 的识别问题, 对高斯白噪声中的通信信号在不同信噪比情况下进行了识别计算机仿真。仿真及实验验证了用小波分析方法针对信噪比较低、对功耗限制严格的通信系统, 具有较为理想的识别能力。

关键词：软件无线电,调制方式,自动识别,小波分析

参考文献

[1]陈祝明.软件无线电技术基础[M].北京:高等教育出版社, 2007.

[2]杨小牛, 楼才义, 徐建良.软件无线电原理与应用[M].北京:电子工业出版社, 2001.

[3]徐长发.实用小波方法[M].上海:华中科技大学出版社, 2001.

[4]卢娜.调制模式识别和信号特征提取的研究[D].西安:西安电子科技大学, 2008.

[5]赵星.通信信号调制样式识别技术[D].成都:电子科技大学, 2006.

[6]AVCI Engin, HANBAY Davut, VAROL Asaf.An expertdiscrete wavelet adaptive network based fuzzy inference sys-tem for digital modulation recognition[J].Expert Systemwith Application, 2007, 33:582-589.

[7]NANDIAK, AZZOUZEE.Modulation recognition usingartificial networks[J].Signal Processing, 1997, 56 (2) :165-175.

[8]罗文波, 王丽敏, 杨翠娥.小波分析在调制信号自动识别中的应用[J].仪器仪表用户, 2004, 11 (2) :44-45.

[9]李伟.基于小波变换的数字调制信号的特征提取[J].洛阳理工学院学报, 2009, 19 (11) :47-50.

自动调制识别技术篇4

关键词：调制识别,自组织特征映射神经网络,后向反馈神经网络

0引言

随着通信技术的发展, 无线通信环境日益复杂, 通信信号在很宽的频带上采用不同调制参数的多种调制样式、不同体制间的通信互联, 以及如何有效地监视和识别这些信号, 在军用和民用领域都是十分重要的研究课题[1,2]。调制识别技术还是软件无线电的关键技术之一。近年来一直是理论研究和工程实现热点的软件无线电技术, 最终目的之一就是实现不同通信体制设备间的相互通信。正确识别收发双方的调制方式和调制参数, 是实现上述目标的基本条件, 也是保证信息无误转发的先决条件[1,3]。调制识别的基本任务就是在给定信道条件下, 确定接收信号的调制方式, 并给出相应的调制参数, 为进一步分析和处理信号提供依据。

近年来, 人工神经网络因为具有可分布式存储、可并行处理、自组织能力、自学习功能以及很强的容错性和鲁棒性等优点, 在模式识别、信号处理、时间序列预测等领域中应用极为广泛[4,5]。将神经网络应用于通信信号调制识别方面, 已经有一些学者作了有益研究, 但大部分都是基于监督学习的BP神经网络建立的识别系统, 而BP网络存在训练时间长、收敛速度慢, 且存在多个局部极小点等自身的缺陷。SOFM神经网络作为一种非监督学习的神经网络具有网络结构简单、学习速度快、自组织和自学习能力强等优点[6,7], 是目前分类效果较好的一种神经网络模型, 已经在多个领域获得了应用[8,9,10]。本文将SOFM神经网络应用到通信信号的自动调制识别中, 并用仿真实验加以测试, 取得了令人满意的结果。

1SOFM神经网络原理与结构

对人脑的研究说明:大脑皮层中神经元是呈二维空间排列的, 其输人信号很明显来自两个部分, 外部区域的输入和同一区域的反馈输入。神经元之间的信息交互方式有很多种, 研究表明:相邻近的神经元之间的局部交互的方式是侧向交互[6], 遵循下列规则: (1) 以发出信号的神经元为圆心, 对近邻的神经元的交互作用表现为兴奋性侧反馈; (2) 以发出信号的神经元为圆心, 对远邻的神经元的交互作用表现为抑制性。这种规则说明近邻者相互激励, 远邻者相互抑制。神经网络中, 邻近的各个神经元之间通过相互的侧向交互作用, 相互竞争, 自适应地形成了针对特殊信息的组织结构。神经网络的这种对多个特殊信息的自组织过程和行为, 可以使它成为检测多种不同信息模式的识别器, 这也是自组织特征映射神经网络的识别原理。

依据大脑对信号处理的特点, 1981年, T.Kohonen提出了自组织特征映射SOFM神经网络模型。SOFM模型可以用二维阵列表示, 二维阵列神经网络由输入层和输出层 (即竞争层) 组成。输入层是一维的神经元。竞争层是二维的神经元。输入层的神经元和二维阵列竞争层的神经元每个都相互连接。在二维阵列竞争层中, 每一个输出神经元都和最近相邻的8个神经元相连, 最边沿的神经元除外, 最边沿的神经元和3～5个神经元相连, 结构如图1所示。每个神经元通过无监督学习过程进行调整, 使之对应于特定的不同输入信号模式或模式分类。在同一时刻只有一个中心神经元或一组局部神经元会对当前输入产生积极的响应, 并且响应的位置区域倾向于越来越固定。神经元在网络中的空间位置或坐标就对应于特定域的输入信号模式, 所以神经元在某个位置是否对输入有积极的响应即对输入信号提供的不同模式信息进行了识别。

目前神经网络系统的网络结构大致可分为三类[4,5]: (1) 前馈式神经网络:将输入信号集变换到输出信号集, 期望的输出变换经常由外部有监督的修正系统参数来决定。 (2) 反馈式神经网络:将输入信息定义为反馈系统初始的活动状态, 经过状态转换, 由渐进的最终状态确定计算结果。 (3) 非监督学习神经网络即自组织特征映射神经网络:神经网络中相邻的神经元通过相互的侧向作用在它们的活动中相互竞争, 并且自适应地发展成为不同信号模式的特殊探测器。它的学习过程是竞争的、无监督学习的或自组织的。由于BP神经网络是最早也是最多应用到通信信号调制识别中的, 所以本文将SOFM神经网络的识别性能与之进行比较。

2改进的SOFM神经网络训练算法

令l表示输入特征矢量的维数, 也就是网络输入层的神经元数, 竞争层是由M=m2个神经元构成二维的网格状。在初始化后算法的应用中涉及3个基本步骤:取样, 相似性匹配, 更新。重复这几个步骤直到特征映射的形成。传统S0FM网络学习算法的主要步骤为:

(1) 初始化

对初始权值向量wj (0) (j=1, 2, …, M) 赋予[0, 1]之间的随机值, 确定学习率参数η (n) 的初始值η0、领域半径σ0和网络学习次数N。

(2) 取样

从输入空间中选取样本x= (x1, x2, …, xl) T, 向量x的维数为l。对所有样本都执行步骤 (3) 和步骤 (4) 。

(3) 相似性匹配

在时间步n使用最小欧式距离准则寻找最匹配 (获胜) 的神经元i (x) :

undefined (1)

(4) 更新

按公式 (2) 调整所有神经元的权值向量:

wj (n+1) =wj (n) +η (n) hj, i (x) (n) (x (n) -wj (n) ) (2)

其中, η (n) 是学习率参数, hj, i (x) (n) 是获胜神经元i (x) 周围的领域函数。为了获得最好的结果, η (n) 和hj, i (x) (n) 在学习过程中是动态变化的。

(5) 继续

n=n+1, 返回步骤 (2) , 直至n=N为止。

传统SOFM 学习算法的效率往往取决于学习率、邻域半径大小的选择以及连接权值的初始值等, 选择不当将不能达到快速学习的目的, 甚至导致学习失败。为了克服传统SOFM 学习算法的局限性, 本文从以下几个方面对其进行了改进:

(1) 传统SOFM网络算法在学习样本较少时, 竞争层聚类中心对应的输入样本次序直接决定了权值的训练速度, 本文在步骤 (2) 中以一定的概率从输入样本空间中选取样本, 以降低学习效率对样本的输入次序的依赖性。

(2) SOFM 算法中学习率的调整方式对网络的收敛速度和聚类精度都有直接的影响。当学习率以线性变化时, 聚类效果较好, 但收敛速度慢;当学习率以指数形式变化时, 聚类效果较好, 收敛速度也快。本算法采用公式 (3) 作为学习率的调整函数:

undefined (3)

其中τ1为时间常数。

(3) 对邻域函数进行正确估计的目标是使SOFM网络实现保持拓扑特性的映射, 即SOFM网络中各个神经元的几何距离越小则相应权向量的欧式距离也越小, 反之亦然。因此, 合理选择邻域函数对网络权值训练有直接影响。本文选择高斯函数作为邻域函数使SOFM 算法的收敛速度比矩形或者圆形邻域更快, 其形式如下:

undefined (4)

式中, dj, i是获胜神经元i和兴奋神经元j在输出空间的侧向距离, 其定义为:

dundefined=‖rj-ri‖2 = (jx-ix) 2 + (jy-iy) 2 (5)

其中, jx和jy为兴奋神经元在二维网格上的坐标, ix和iy是获胜神经元的坐标。σ (n) 为领域半径, 采用指数衰减函数, σ0为领域半径的初始值:

undefined (6)

其中τ2为另一时间常数。

3仿真结果与性能分析

仿真实验中, 信号数据集由安捷伦4434B信号发生器叠加噪声发生器产生, 共产生2FSK、4FSK、BPSK、QPSK、8PSK、16QAM, 6类信号。信号载波频率为100kHz, 采样频率为1024kHz, 为了让信号数据集更具普遍性, 信号符号速率随机取以下5种之一, 分别为8K、16 K、32 K、64 K、128KBd, 叠加噪声发生器后产生不同信噪比 (10dB、15dB、20dB) 下的数据集, 信号数据集共6000个样本, 每类信号各有1000个样本。将数据集分为2组, 任选3000个样本 (每类信号500个) 作为训练样本集, 剩下的3000个 (每类信号500个) 作为测试样本集。从信号中提取的特征参数共5组, 包括信号平方谱单频分量检测值、归一化中心瞬时幅度最大值、信号段非微弱区内归一化中心瞬时幅度的标准偏差、信号段归一化中心瞬时幅度绝对值的标准偏差、信号段非微弱区内归一化中心瞬时频率的绝对值的标准偏差。

根据给定的实验数据, 选用的SOFM神经网络结构为:输入层由5个神经元组成, 竞争层神经元分别为10×10、20×20、30×30、40×40的二维阵列, 以便确定最佳输出层神经元个数。网络初始参数选择如下:学习速率的初值为0.8, 邻域半径的初值为8。

本文用VC编程实现SOFM神经网络的算法仿真。首先用训练样本集训练竞争层神经元的权值, 然后用测试样本集对网络进行测试。仿真结果如下:表1给出了在SNR=15dB时, 不同网络结构对应的各类调制信号的正确识别率。结果表明随着竞争层神经元个数的增多, 分类精度也得到提高, 当竞争层神经元结构为40×40时, 网络的测试效果最好。但伴随竞争层神经元个数的增多, 计算复杂度的增加, 综合考虑识别率和计算复杂度, 竞争层神经元结构为30×30时, 网络对各类调制信号的识别率已达90%以上, 确定竞争层30×30的神经元结构为最佳网络。图2给出了在信噪比由0dB至30dB, 信噪比间隔为2dB的最佳网络的识别结果, 由此可知该网络在信噪比较低 (10dB) 的情况下, 仍有较好的识别率 (80%以上) , 具有较好的抗噪声性能。图3为最佳网络下改进的SOFM算法、传统SOFM算法、BP算法的训练次数与误差之间的关系, 数据集信噪比SNR=15dB。由此可知改进后的SOFM算法在训练次数为4500时, 误差已几乎为零。传统SOFM算法当训练次数大于5500时, 误差几乎为零, BP算法则要求的训练次数至少为6500, 误差才接近零。由此可知, 改进后的SOFM算法与传统SOFM算法和BP算法相比, 在相同误差下, 所需的训练次数有明显改善。图4为最佳结构的竞争层神经元的映射图, 每种颜色代表一类信号, 从图中可以明显看出输入样本可以分为6类, 除了位于区域中间的8PSK和16QAM有部分重叠边界外, 其余信号区分比较明显。

4结束语

本文根据SOFM神经网络具有能够自组织、自适应、快速地建立输入信号不同特征的本质表示的特性, 将它应用到通信信号调制识别中。为了提高识别率, 减少运算时间, 本文将传统的SOFM神经网络算法的学习率调整函数和领域选择函数进行了改进, 改进后的SOFM算法收敛快速, 对信噪比适应性强, 识别性能好。下一步的研究内容是选择更能反映调制类型特征的通信信号特征, 提高识别率;更快速地、自适应地调整输出层网络结构, 确定最佳网络结构;在保证识别率的前提下, 进一步提高神经网络的学习速度。

参考文献

[1] Alyaoui N, Ben Hnia H, Kachouri A, et al.The modulation recognition approaches for software radio[C]//2nd International Conference on Signals, Circuits and Systems 2008.Monastir, Nov.79, 2008:15.

[2] Li Xueyao, Han Bing, Fan Dongmei, et al.A digital modulation signals recognition method under the lower SNR[C]//Intelligent Control and Automation 2008, Chongqing, Jun.2527, 2008:39583962.

[3]John Bard, Vincent J.Kovarik Software defined radio:the software com-munications architecture[M].John Wiley and Sons, 2007, chapter 1-chanpter 2.

[4] Simon Haykin.Neural networks and learning machine[M].Prentice Hall 2008, chapter 2.

[5]Brian D Ripley.Pattern Recognition and Neural Networks[M].Cam-bridge University Press, 2008, chapter1-chapter 2.

[6]Jose E B M, Barreto G A, Coelho A L V.On Self-Organizing FeatureMap (SOFM) formation by direct optimization through a genetic algo-rithm[J].Hybrid Intelligent Systems, 2008.Barcelona, Sept 1012.2008:661666.

[7]Van Heerden W S.Engelbrecht A P.Comparison of map neuron labe-ling approaches for unsupervised Self-organizing Feature Maps[C]//IEEE International Joint Conference on Neural Networks, 2008, June 182008, Hong Kong:21392146.

[8]Chung Kuoliang, Wang Junpin, Cheng Mingshao, et al.Speedup of colorpalette indexing in self?organization of kohonen feature map comput-er analysis of images and patterns[J].Springer Berlin, 5702, 2009:402409.

[9]Zhao Jinchang, Yuan Sicong, Zhang Manyi, et al.Application of Self-or-ganizing Feature Map Neural Network for destructive test of compositematerial[J].Coal Mine Machinery.Apr.2009, 30 (4) :201203.

自动调制识别技术篇5

1 PSK/FM二次调制信号

PSK/FM二次调制信号外调制为FM调制, 内调制为PSK调制, 二次调制框图如图1所示。

图1中D (t) 为二进制数字信息序列, 在多进制相移键控 (MPSK) 信号中, 载波相位有M种取值, 信号模型为[4]

式 (1) 中Tb为码元宽度, g (t) 为成型滤波器波形, 滤波器滚降系数α可根据需要进行设置, fc1为载波, θM为M个可能的相位取值, 且在同一码元内取值相同。

PSK调制完成后再经过FM调制形成PSK/FM二次调制信号, 表示为

式 (2) 中, Ac为幅度, fc2为FM的载波频率, KFM为调频系数, 一般取KFM<<1。FM调频信号的另一重要参数调制指数h定义为信号允许的最大频偏与调制信号最高频率的比值, 即由式 (2) 可得

式 (3) 中, ωM为调制信号的最高频率, Max用于取信号幅值的最大值。FSK/FM调制原理与PSK/FM类似, 这里不再单独介绍。

实际通信中, FM调频只能对实信号进行调制, 而通常正交调制器产生的PSK信号为正交两路复信号, 只能对其同相分量或正交分量进行单独调制, 这就要求每个分量都完整地包含PSK基带信号的信息, 由正交调制原理可得, 要满足该条件内调制PSK信号必须有载波分量, 即fc1≠0, 同时为了保证FM解调后能低通滤波恢复PSK基带信号, fc1应大于信号的符号速率fb。

式 (2) 可写为

令x (t) =∫Re (s PSK (τ) ) dτ, 对式 (4) 进行三角函数运算及泰勒纲数展开, 并化简得到[3]

对式 (5) 进行傅里叶变换, 其频谱表达式为

式 (6) 中, X (ω) 为x (t) 的傅里叶变换, 综上所述, PSK/FM二次调制信号的频谱近似表现为调频信号, 除了载频外, 还包含基带信号频谱经平移和幅度变化后的分量, BPSK/FM的频谱如图2所示。

2 FM信号盲解调

FM二次调制信号表现出同FM类似的特征, 在信号识别时, 因为外调制的原因, 会首先被识别为FM信号, 要想进一步的识别内调制类型, 需要进行FM解调恢复内调制信息, FM解调采用正交相干解调, 由于全盲条件下, 没有信号的先验信息, 需要对其带宽、载波频率进行估计, 参数估计的精度会直接影响解调器的性能, 带宽、载波估计的方法很多这里不再赘述, 具体可参看文献[6, 7], FM盲解调的原理框图如图3所示。

FM解调后, 得到的是带有载波的内调制信号的同相分量或正交分量, 进行Hilbert变换得到复解析信号, 对其进行载波恢复后再进行识别。

3 信号自动调制识别方案

待识别的信号集为{BPSK、QPSK、BPSK/FM、QPSK/FM、FSK/FM}。从信号的瞬时特征出发, 提取出2个特征参数将信号识别出来。

3.1 参数设计

3.1.1 改进的包络特征参数RNew

信号的包络特征参数R反映的是信号包络的变化程度[8]。PSK类信号受成型滤波器和瞬时相位跳变的影响, 其瞬时幅度波动明显增大, 而FM、FSK信号属于恒包络信号, 可以通过该参数将PSK信号同其余信号分离开来。

常用的信号包络特征是直接对接收到的信号进行包络特征分析, 但由于瞬时幅度特征在低信噪比下受噪声影响增大, 差异减弱, 导致该参数抗干扰性能欠佳, 改进后的包络特征使用接收信号的自相关函数作为其输入信号, RNew定义如下

式 (7) 中, R (τ) 为信号的自相关函数, σ2为自相关瞬时幅度的方差, E为均值, 计算中为保证量纲一致, 对均值作了平方处理。

FM信号的自相关函数可表示为

FSK信号的自相关函数可表示为

式 (9) 中, Eb为码元内正弦脉冲信号的能量, Tb为码元周期, ωi为第i个载波频率分量。

对PSK信号, 其自相关函数可表示为

由式 (8) ~式 (10) 可知, FM信号的自相关函数受时延τ和调制信号m (t) 积分的影响, 但由于余弦函数的作用其瞬时幅度恒定不变。FSK信号的自相关函数只与时延τ有关, 其瞬时幅度也恒定不变。PSK信号的自相关函数除了受时延的影响, 还受升余弦函数自相关的影响, 可以发现经过自相关后, FM、FSK依然是恒包络信号, 而PSK信号瞬时幅度差异被放大, 有效的改善了包络参数的识别性能。对信号集内的信号在不同信噪比条件下进行了仿真, 得到常用和改进后的包络参数特征图如图4、图5所示。

由图4、图5可知, 常用包络参数在12 d B处, 特征值已比较接近, 不能识别出PSK类信号, 而改进后的参数特征在-8 d B处仍表现出较大差异且较为稳定, 故改进后的参数能在更低的信噪比下将PSK类信号识别出来, 有效的改善了识别性能。

3.1.2 基于谱线特征的参数Spn

不同调制方式的信号经过非线性变化后往往具有丰富的谱线特征[9]。对于PSK类信号, 其n次方谱表现出丰富的谱线信息, 如BSPK信号的2次方谱、QPSK信号的4次方谱含有明显的离散谱线, 故可以通过检测信号的n次方谱是否存在离散谱线将这类信号识别出来, 信号n次方谱检测参数Spn定义为

Spn用于反映信号n次方谱的波动情况, 当有离散谱线存在时, n次方谱波动较大, 当离散谱线不存在时, n次方谱较为平坦, 通过设置阈值加以区分。

3.2 分类器设计

根据上文对信号特征及特征提取算法的讨论和分析, 提出了一种基于决策树的信号调制自动识别算法, 共提取出2个特征参数, 设置了4个不同的门限, 完成对{BPSK、QPSK、BPSK/FM、QPSK/FM、FSK/FM}信号的识别, 本文中的待识别信号为经过下变频后的近似零中频信号, 具体的调制识别流程图如图6所示。

4 算法仿真及性能分析

计算机仿真采用Matlab软件实现, 实验条件如下:调相信号BPSK和QPSK的码元速率fb为20Kbps, 频偏Δf为码速率fb的0.05倍, 采样率fs为带宽Bw的4倍, 成型使用升余弦滚降滤波器, 滚降系数α为0.35;2FSK信号码元速率fb为20 Kbps, 调制指数为1, FM二次调制内调制采用上述BPSK、QPSK、2FSK信号, 调制指数h为0.5, 内调制信号载波等于码速率, 参与识别的信号采样点数为4 096点, 在高斯白噪声环境下, 信噪比在-5~35 d B范围内变化, 在每个信噪比下进行100次蒙特卡罗实验, 统计不同信噪比条件下信号的识别率, 信号识别率曲线如图7所示。

由图7可知, BSPK信号在0 d B时, 识别率能达到90%以上, 当信噪比高于2 d B时, 识别率达到了100%, QPSK、FSK/FM信号在-5 d B识别率达到了100%, 识别效果较好。PSK/FM信号的内调制为PSK信号, 在盲解调过程中由于参数估计精度的原因, 导致PSK信号相位信息有一定的损失, 识别效果有所下降, 在SNR高于4 d B时, 识别率能达到90%。

改变仿真参数设置条件, 包括数字信号的码速率fb、频偏Δf、成型滤波器滚降系数α以及FM调频信号的调制指数h, 采用相同的方法进行仿真。

测试发现在表1给出的参数范围内, 仍能达到相同的识别效果。综上所述, 本文提出的算法抗干扰能力强, 适应范围广, 能在较低信噪比下达到较为理想的识别效果。

5 结束语

针对卫星链路中常用的二次调制信号和PSK类进行了识别研究, 通过提取信号时域频域的瞬时特征, 提出了一种基于决策树的调制识别算法, 完成了对信号{BPSK、QPSK、BPSK/FM、QPSK/FM、FSK/FM}调制方式的自动盲识别。该算法简单易于实现, 通过计算机仿真表明, 在不依赖先验信息的条件下, 算法对载波频偏、码速率、滚降系数、调制指数不敏感, 抗干扰能力强, 稳健性高, 能很好的满足非协作通信中信号调制识别的要求。

摘要：研究了卫星通信中常用的二次调制信号和PSK类信号的自动盲识别算法。从信号时域和频域出发, 提取了能反映调制方式差异的瞬时特征, 并对这些特征进行了理论分析。在区分非恒包络信号时, 引入了自相关处理, 改进后瞬时幅度包络特征差异更加明显, 在对二次调制信号进行识别时, 引入了FM盲解调用于恢复内调制信号, 内调制PSK信号的识别采用基于谱线特征的识别算法。最后通过计算机仿真验证了其识别性能, 在信噪比不低于4 dB时, 对信号集内的信号识别率达到90%以上。

关键词：二次调制,调制识别,FM盲解调

参考文献

[1] 刘洛琨, 和昆英, 许家栋.一种带有二次调制信号的调制识别算法与仿真.计算机仿真, 2008;25 (1) :74—76, 125Liu L K, He K Y, Xu J D.A Method for modulation recognition of multi-modulation signal.Computer Simulation, 2008;25 (1) :74—76, 125

[2] 张丽, 常力, 郭虹.PM/BSPK复合调制信号的数字解调技术研究.通信技术, 2006; (增刊) :28—30Zhang L, Chang L, Guo H.Research on digital signal processing for PM/BPSK demodulation.Communications Technology, 2006; (Supplem-ent_:28—30

[3] 熊伟, 江桦, 崔伟亮.FM-FSK复合调制信号特征分析与提取.仪器仪表学报, 2008;29 (8) :46—49Xiong W, Jiang H, Cui W L.Feature analysis and extraction of hybrid FM-FSK signal.Chinese Journal of Scientific Instrument, 2008;29 (8) :46—49

[4] Azzouz E E, Nandi A K.Procedure for automatic recognition of analogue and digital modulation.IEE Proceedings Communications, 1996;143 (5) :259—266

[5] Nandi A K, Azzouz E E.Algorithms for automatic modulation recognition ofcommunication signals.IEEE Transactions on Communications, 1998;46 (4) :431—436

[6] 王戈, 严俊.一种基于功率谱估计的盲载频估计新算法.计算机工程与应用, 2012;48 (13) :114—117, 129Wang G, Yan J.Novel algorithm for blind carrier frequency estimation based on power spectrum calculation.Computer Engineering and Applications, 2012;48 (13) :114—117, 129

[7] 汤素华, 尹华锐, 徐佩霞.短波通信调制方式自动识别.军事通信技术, 2002;23 (3) :13—15 Tang S H, Yi H R, Xu P X.Automatic modulation recognition and blindly decoding in short-wave communication.Journal of Military Communications Technology, 2002;23 (3) :13—15

[8] 胡延平, 李广森, 李纲, 等.利用参数统计方法自动识别数字调制信号.通信学报, 2002;23 (2) :58—65Hu Y P, Li G S, Li G, et al.Automatic classification of digital modu-lation signals using statistical parameters methods.Journal on Communications, 2002;23 (2) :58—65

自动调制识别技术篇6

在统计模式识别方法中,分类识别系统分成两个子系统,即特征提取子系统和分类器子系统。国内外对信号的特征参数研究较多,比较有代表性的是:Chan和Gadbois提出基于包络特征的调制识别器[1],即R参数法,但是该特征只利用了幅度信息,因此无法识别调幅调频混合调制;Hsue和Soliman提出了一种基于信号相位统计矩的调制识别方法[2],但是识别类型较少;Swami等人提出的基于高阶累积量的数字调制识别方法[3],是近期讨论较多的方法之一,但是其运算量较大,实时性较差。本文从混合信号的特点出发,从信号的瞬时信息中提取了七种特征参数,并且结合支持向量机分类器,完成了对8种混合调制信号的调制模式分类,其算法相对简单,分类准确率高。

1 算法原理

本文对MASK(M=2,4),MFSK(M=2,4),MPSK(M=2,4),AM,FM共8种调制信号的模式进行识别。采用的模式识别主要由两部分组成:特征提取模块和分类器模块。识别流程如图1所示。

1.1 特征提取

本文从信号的瞬时信息中提取七个特征参数[7,8,9]:

(1)零中心归一化瞬时幅度功率谱密度的最大值γmax,如可以区分AM信号和FM信号:

式中:acn(i)=an(i)-1为零中心归一化瞬时信号幅度,为信号的瞬时幅度的平均值,a(i)为信号的瞬时幅度,Ns为信号的采样点个数。

(2)零中心非线性直接瞬时相位的标准差σdp,用于区分具有直接相位信息与不具有直接相位信息的信号:

式中:为瞬时相位的平均值,ϕ(i)为瞬时相位;at为判断信号强弱的门限值,c为采样数据Ns中非弱信号的个数。

(3)零中心非线性瞬时相位绝对值的标准差σap,如可以区分2PSK和4PSK信号。

(4)零中心归一化瞬时幅度绝对值的标准偏差σaa。主要用来区分2ASK和4ASK信号。

(5)归一化瞬时频率绝对值的标准偏差σaf。主要用来区分2FSK与4FSK信号。

式中:为信号频率的平均值,rs为码速率。

(6)归一化瞬时幅度的峰度系数ua42(实质就是变异系数)。如区分ASK与AM信号。

(7)归一化瞬时频率的峰度系数uf42,如区分FSK与FM信号。

1.2 支持向量机原理

支持向量机(SVM)是建立在结构风险最小化原理和统计学习理论基础上的机器学习方法。它能够有效地解决高维、非线性以及局部小样本下的模式识别问题,与其他的学习机相比,其最大的优点是在同样数量的训练样本下,其具有最大的推广性能[10]。下面对支持向量机进行二分类问题的原理进行简要描述。

利用支持向量机进行分类,目的就是针对所给的训练样本,求出一个最优分类超平面。所说的最优,就是在允许个别分类的错误前提下,使两类分类样本间隔最大。设训练样本集为{xi,yi},xi为提取的样本参数,yi∈{+1,-1}为类别标签,i=1,2,3,…,n。

这些向量可以被一个超平面分开:

超平面要满足yi((w,xi)+b)≥1-ξi的约束条件。其中(w,x)为两向量的内积,b为分类阈值,ξi为松弛变量,即样本xi关于分类超平面的偏差,当训练样本线性可分时,ξi=0,当训练样本线性不可分或者不知道先验知识的情况下,ξi≥0。目标函数为:

式中:C为惩罚因子,控制每一个偏差值对目标函数的影响。应用标准的拉格朗日乘子法和对偶算法求解,可得到分类函数:

式中:ai*为拉格朗日乘子;b*为分类阈值。

SVM可以通过一个非线性映射将输入空间变换到高维空间来求解最优分类面,并引入核函数K(xi,x)来代替(xi,x)点积运算,由此得到的分类函数为:

使用此分类函数,即可完成对二分类情况的分类。式(11)中K(xi,x)为核函数,核函数可以把高维空间中的点积运算,用输入的低维空间中数值运算代替,从而简化运算,解决高维空间运算的复杂问题,即解决“维数灾难”的问题。常用的核函数有以下几种:

(1)多项式函数

(2)RBF函数

(3)Sigmoid函数

因为SVM分类是一个二分类问题,要进行多分类情况的分类,就要对SVM分类器进行扩展,现在主要的扩展方法有:一对多法、一对一法和二叉树法。

如图2(a)所示,一对多的扩展方法所需分类器数量较少,分类流程简单,但是需要输入所有的样本信息,运算量较大;如图2(b)所示,一对一的扩展方法所需分类器数量较多,分类流程复杂。

如图3所示,二叉树扩展方法对多分类情况进行分类,流程简单,运算量相对较小,实时性较好。

结合以上分析,本文选择二叉树扩展方法。

2 算法仿真

在仿真中,提取了信号的七个特征参数作为调制识别输入特征向量。分类是利用二叉树支持向量机分类器,对2ASK,2FSK,2PSK,4ASK,4FSK,4PSK,AM和FM共8种混合调制信号进行分类,具体分类流程如图3所示。

分类过程中,采用交叉检验和网格搜索的方法确定最佳惩罚因子和最佳核参数,如图4所示,横轴为惩罚因子取对数值,纵轴为核参数取对数值,在惩罚因子C=0.5,核参数g=0.5时,分类器分类准确率达到100%,此时的分类器即为最佳分类器。

实验仿真参数为fc=20 kHz,采样频率为fs=45 kHz,信号码速率fd=200 b/s,2FSK和4FSK频偏为20 kHz,噪声为高斯白噪声。选择径向基核函数,采用二叉树分类方法,在5 d B,10 dB,15 dB和20 d B信噪比下的各分类器的分类性能见表1。

从表1可以看出,本文设计的分类器在信噪比为5 dB时各调制模式分类精度非常高,均在90%以上,当信噪比大于15 d B时,几乎可以达到完全识别。

选择不同的核函数,计算5 dB条件下,ASK分类器的性能仿真识别率见表2。

从表2可以发现,对于同一分类问题,选择不同的核函数,其分类性能相差较大。

3 结论

本文采用二叉树的支持向量机作为分类器,提取了信号的七种瞬时特征,采用RBF函数作为核函数,使用交叉验证和网格搜索的方法,寻找最优参数,实现了数字模拟混合调制信号的调制模式的识别。在选择合适的参数的条件下,SVM分类器具有良好的分类性能,同时,SVM分类器受核函数的影响较大,针对具体分类问题,要选择合适的核函数。

摘要：为了完成对8种模拟数字混合信号的调制模式识别,采用了基于二叉树扩展的支持向量机作为分类器,从待识别的信号的瞬时幅度,瞬时频率和瞬时相位中提取七类特征作为特征参量的方法,获得了对8种调制模式精确稳定估计的结果,具有实时性好、分类模式多和扩展性能好的特点。

关键词：支持向量机,调制识别,特征参数,二叉树

参考文献

[1]CHAN Y T,GADBOIS L G.Identification of the modulationtype of a signal[J].Signal Processing,1989,16(2):149-154.

[2]SOLIMAN S S,HSUE G S.Signal classification using statisti cal moments[J].IEEE Trans.on Communication,1992,40(5):908-916.

[3]SWAMI B M S.Hierarchical digital modulation classificationusing cumulants[J].IEEE Trans.on Communication,2000,48(3):416-429.

[4]张岩.基于SVM算法的文本分类器的实现[D].成都:电子科技大学,2009.

[5]NANDI A K,AZZOUZ E E.Automatic analogue modulationrecognition[J].Signal Processing,1995,46(2):211-222.

[6]NANDI A K,AZZOUZ E E.Algorithms for automatic analogueof recognition communication signals[J].IEEE Transactions oncommunications.1998,46(4):431-436.

[7]张鸣.数字调制信号的自动识别[J].通信技术,2008,41(12):221-223.

[8]杨小牛,楼才义,徐建良.软件无线电原理与应用[M].北京:电子工业出版社,2001.

[9]AZZOUZ E E,NANDI A K.Automatic Modulation Recognition-I[J].Elsevier Science Ltd,1997,334B(2):241-273.

自动调制识别技术篇7

伴随着新体制雷达的广泛应用,传统的5大参数,信号载频CF、信号到达时间TOA、脉冲宽度PW、脉冲幅度PA、信号到达角度AOA所构成的特征参数集合,已不能满足对复杂体制的雷达接受信号的识别要求[5],适应当今战场复杂电磁环境特征,是雷达信号识别领域面临的挑战。

由此,本文研究了一种新的雷达脉冲信号识别特征参数,该特征参数主要考虑信号幅度统计特性和频谱相像特性,并采用基于分层结构的人工神经元网络分类器对不同雷达信号的上述特征参数进行分类。为验证算法正确性,对FSK_BPSK复合调制信号在其他5种常规雷达调制方式信号背景下,进行分类识别实验。大量仿真结果表明,本文算法在信噪比>5 d B时,分类正确率可达98%以上。

1 信号模型

FSK/PSK信号是同时对信号的相位和频率调制。一般有两种实现模式:第一种是以频移键控信号为基础进行相位编码;第二种是以相移键控信号为基础进行频率编码[6]。本文主要讨论以第一种模式实现的FSK/PSK信号。

信号模型为

其中

其中,A为幅度;w(t)是均值为0;方差为σ2的复高斯白噪声;φ(t)为相位。信号的调制方式体现在φ(t)上;Tc是为频率编码的码元宽度,在每一个FSK码元宽度内,信号为BPSK信号。

二相编码信号相位表示为

其中,N是码元数目;Tc是码元宽度;Π是宽为Tb的矩形窗函数,在0≤t<Tb时Π(t)=1,αi取0或π,由编码规则确定。

2 参数提取

雷达信号的频谱形状因调制方式的不同而存在差异,且不同形状的频谱中包含着雷达信号的幅度、载频、相位等一系列重要信息。本文所采用的特征参数主要考虑信号幅度特性以及信号频谱的相像特性[5]。

2.1 相像系数

设f(x)和g(x)为两个一维连续的实函数,且f(x)≥0,g(x)≥0,则f(x)和g(x)的相像系数定义为

定义式积分范围是函数定义域,且f(x)和g(x)在定义域内不恒为零。因该系数可表示两个函数图像的相似程度,所以文中将其称为相像系数[7]。参数Crc可看作函数g(x)在函数f(x)上的投影归一化。假设将函数g(x)分别投影到函数f1(x)和函数f2(x)上,则本文将得到两个不一样的值,若函数f1(x)和函数f2(x)正交,则对应的值就是g(x)投影到正交坐标上的值;若函数f1(x)和函数f2(x)非正交,则就是斜投影。

相像系数Crc的值域为0≤Crc≤1。因其定义式中的函数f(x)和g(x)是正值实函数[8],所以根据Cauchy Schwartz不等式可得

故由式(5)可得Crc取值范围。因Cauchy Schwartz不等式只有在f(x)=g(x)时,相像系数Crc才等于最大值。事实上,只要函数f(x)和g(x)的比值为常数,式(5)的值就为1。而当函数f(x)和g(x)正交时,两者相乘的积分是零,即相像系数Crc的值为零。

若分解式(6)中的函数f(x)和g(x),可得

其中,sinc是采样函数;T时采样周期;sinc的表达式为

由此可得,离散信号的相像系数。设{S1(i),i=1,2,…,N}和{S2(j),j=1,2,…,N}为两个离散信号,且S(i)≥0,S2(j)≥0,(i,j=1,2,…,N),则有离散信号的相像系数

式中,{S1(i)}、{S2(j)}不恒为零。Cr的值域和Crc相同,即0≤Cr≤1,且在序列{S1(i)}和{S2(j)}比值为常数时,Cr=1,而若序列{S1(i)}和{S2(j)}正交,写Cr值为零。

由式(9)可知,相像系数的值只和函数本身的性质有关,若两个函数的曲线形状存在较大的差异,则其相像系数的值就较小,而若两个函数的曲线形状趋近相同,则其相像系数值较大,而当其相同或成比例,相像系数的值就为1。

脉内调制方式不同的雷达信号的频谱形状有着明显的区别,如图1所示常见雷达信号的频谱。频谱形状的不同透露出雷达信号载频、幅度、相位等一系列重要信息,因此只要能提取、量化不同调制方式雷达信号频谱形状的区别度,便能识别出雷达信号的脉内调制方式。相像系数可将信号频谱形状的差异较好地描绘出来,所以能作为雷达信号调制方式识别的特征参数。

设接收信号为{F(i),i=1,2,…,M},M表示信号长度。设预处理之后的信号为{D(i),i=1,2,…,N},N表示信号长度。可知矩形信号的能量分布较平均,通过比较接收信号频谱形状与矩形信号的差异程度,计算其相像系数,并可统一量化各个调制方式雷达信号频谱的能量分布。设矩形信号模型为

其中,mx表示信号{D(i)}的最大值。将信号{D(i)}与信号U(k)关联,提取其相像系数,然后按式(11)计算两个信号的相像系数

2.2 瞬时幅度功率谱密度的最大值

该参数定义为

其中,Aen(i)是在t=i/fs(i=1,2,…,Ns)时刻零中心归一化瞬时幅度值[9],定义为

其中,

为信号瞬时幅度A(i)的平均值;Ns为采样数。

瞬时幅度归一化是为了抵消雷达接收机信道增益。此参数是基于信号幅度的统计参数,描述信号的零中心归一化瞬时幅度功率谱密度的最大值。

3 神经网络分类器

神经网络由多个并行的神经元协同工作构成。神经元之间通过像生物神经系统那样相互激励而联系着。整个神经网络很大程度上由神经元的互相连接情况而确定[10]。通过用特征向量数据进行训练,可优化神经网络的节点参数,实现对雷达信号的自动识别。

3.1 神经网络的结构

神经元是组成神经网络最基本的单位,输入为向量的神经元,如图2所示。输入向量p1p2…pr经加权因子w调整后与偏差进行求和运算得到确定值n,作为后面转移函数f的输入。根据转移函数f输出的值a,调整加权因子和偏差,从而确定神经元的特征。转移函数相当于对确定值n的判决函数,其输出一般是已知的某种判决结果[11]。根据不同的实际需求,可采用多种转移函数。

将多个神经元并联合级联,可组成多种神经元网络,通过设计不同的神经元网络,可解决多种复杂的模式识别问题[10],本文采用的分层结构如图3所示。

迄今为止,神经网络模型已达数10种,常见的模型有BP网络、RBF网络、Hopfiled模型等,其中BP网络是目前应用较为广泛的神经网络。分类器的输入层与输出层神经元个数由待识别特征参数和待识别种类决定[13]。本文将采用BP分层神经网络分类器对常见雷达信号进行识别。

3.2 神经网络融合规则

融合规则的设计将直接影响分层神经网络分类器的识别正确率。设计融合规则的算法多种多样,常用的有简单平均法、多数投票法、基于均方误差的最佳线性组合法等。本文采用的融合规则是基于投票表决法设计的[10]。

设待识别信号的类别数为K,分类器个数为N,对于输入特征矢量X,则第n个分类器的第k个输出是

式中,P(ck|X)为当输入为X时判断为第k类的后验概率;enk(X)为第n个分类器第k个节点的输出误差。权矢量ωk={ω1k,ω2k,…,ωnk}为第n个分类器第k个节点的输出权值[11,12,13,14]。则各个分类器判断同一类别的输出加权和可表示为

式中,k=1,2,…,K。增加约束条件则有

当时,判断第k类信号存在。

4 仿真分析

本文的仿真对FSK_BPSK复合调制信号在正弦法调制(CW)、线性调频(LFM)、二相编码(BPSK)、四相编码(QPSK)、频移键控(FSK)共5种调制类型信号背景下进行识别实验,在Matlab仿真环境下完成。所产生的调制信号具体参数为:采样率为2 GHz,载波频率为700 MHz,脉宽为12.8μs,线性调频的频偏为50MHz,相位编码采用13位巴克码。分类器选用分层BP网络,神经网络隐层神经元个数的选择是基于网络输出最小均方误差和最佳正确识别率的原则。在信噪比5~20 d B的条件下,6种雷达信号的相像系数分布如图4所示。

观察图中相像系数数值Cr1,可以发现LFM信号频谱形状与矩形相似度最高约为0.89,而常规信号频谱形状则不像矩形约为0.11,而FSK信号与相位编码信号频谱形状的相像系数Cr1数值接近且存在交叠,无法区分。因而基于相像系数Cr1可将信号分为4类:LFM、FSK_BPSK、(FSK、BPSK、QPSK)、CW,且参数值几乎不受噪声影响,抗噪声性能较好。

在信噪比为5~20 d B的条件下,得到不同调制信号的零中心归一化瞬时幅度功率谱密度的最大值分布如图5所示。

由图6可知,特征参数γmax随信噪比增加趋于稳定,且3个信号的特征参数值区分度较大,可以较好地区分BPSK、FSK、QPSK这3类信号。

对于每一种雷达调制信号,分别在5 d B、6 d B、7d B、8 d B、9 d B、10 d B、15 d B、20 d B的信噪比上产生50个样本,这样每一种雷达调制信号共有400个样本,组成神经网络的训练集。用不同调制方式的训练集和相应的目标矩阵去训练神经网络的节点。用测试集进行1000次蒙特卡洛仿真,6种调制方式在5 d B、10 d B、15d B、20 d B信噪比的识别率,如表1所示。

5 结束语

【自动调制识别技术】推荐阅读：

调制类型识别06-23

数字调制识别11-25

车牌自动识别技术11-20

物流自动识别技术介绍05-13

调制技术10-16

OFDM调制技术09-22

饲草青贮调制技术11-15

青贮饲料调制技术12-06

数字调制信号接收技术11-15

自动缺陷识别10-16