识别信号（精选11篇）
识别信号 篇1
摘要：为了识别两路频谱混叠语音信号, 多采用盲信号分离的方法。但是该方法在工程实践中实现较困难。因此给出了一种利用盲源信号分离的原理及特点的实现方法, 具体说明了用FastICA算法在ADSPBF533平台上实现盲源信号分离时的具体流程。该设计方案所需时间短, 效率高, 而且占用内存较少。
关键词：盲信号分离,DSP,FastICA,ADSPBF533平台
0 引 言
近年来, 许多学者都针对盲信号分离不断地提出新的理论算法, 盲信号分离 (BSS) 发展也日趋完善。而用DSP器件实现这种技术具有很大意义。本文提出了盲源信号分离的实现原理、算法和实现步骤, 并对利用DSP实现时经常出现的问题提出了解决方案。
盲信号分离是指在传输信道特性和输入信息未知或者仅有少量先验知识的情况下, 只由观测到的输出信号来辨识系统, 以达到对多个信号分离的目的, 从而恢复原始信号或信号源。它是一种在神经网络和统计学基础上发展起来的技术, 并在近十年来获得了飞速发展。盲源信号分离对很多领域的多信号处理与识别提供了很大方便。该技术在通信、生物医学信号处理、语音信号处理、阵列信号处理以及通用信号分析等方面有着广泛的应用前景。它不仅对信号处理的研究, 而且也对神经网络理论的发展起着积极的推动作用[1]。
1 盲源信号分离的数学模型及常见算法
1.1 数学模型
盲分离问题的研究内容大体上可以划分为瞬时线性混叠盲分离、卷积混叠盲分离, 非线性混叠盲分离以及盲分离的应用四部分。当混叠模型为非线性时, 一般很难从混叠数据中恢复源信号, 除非对信号和混叠模型有进一步的先验知识。图1所示是瞬时线性混叠盲分离信号模型示意图[2]。
图1中, S=[s1 (t) , s2 (t) , …, sN (t) ]T是未知的N维源信号向量, A是未知的混合矩阵, n=[n1 (t) , n2 (t) , …, nN (t) ]T是M维噪声向量, X=[x1 (t) , x2 (t) , …, xM (t) ]T是传感器输出的M维观测信号向量, 有X=AS+n, 盲源分离算法要求只知道X来确定S或A。独立分量分析 (Independent Component Analysis, ICA) 是BSS的一种, 其基本含义是把信号分解成若干个互相独立的成分。图1中, ICA的目标就是寻找一个分离矩阵W, 使X经过变换后得到的新矢量Y=[y1 (t) , y2 (t) , …, yN (t) ]T的各分量尽可能的独立。Y=WX为待求的分离信号向量, 也就是源信号S的估计值。
1.2 盲信号预处理常见算法
在盲信号处理过程中, 为了减少计算量, 提高系统效率, 通常需要经过预处理。预处理一般包括中心化和白化。中心化是使信号的均值为零。由于在一般情况下所获得的数据都具有相关性, 所以通常都要求对数据进行初步的白化处理, 因为白化处理可去除各观测信号之间的相关性, 从而简化后续独立分量的提取过程。而且, 通常情况下, 对数据进行白化处理与不对数据进行白化处理相比, 其算法的收敛性较好、工作量少、效率高。
线性混叠盲分离信号模型一般都采用独立分量分析的方法。ICA的主要依据和前提是假设源信号是独立的, 因此, 自然就可以设想ICA算法的第一步是建立目标函数来表征分离结果的独立程度。目标函数确定后, 可通过各种不同的优化算法进行优化, 进而确定分离矩阵W, 其中有代表性的算法主要有最大信息量 (Infomax) 法、自然梯度法、快速独立元分析算法 (FastICA) 、矩阵特征值分解法等。盲分离中经常要用到优化运算, 就优化手段而言, Infomax算法、自然梯度算法属于梯度下降 (上升) 寻优算法, 收敛速度是线性的, 速度略慢一些, 但属于自适应方法, 且具有实时在线处理能力;FastICA算法是一种快速而数值稳定的方法, 采用拟牛顿算法实现寻优, 具有超线性收敛速度, 通常收敛速度较梯度下降寻优算法快得多;矩阵特征值分解方法一般通过对矩阵进行特征分解或者广义特征分解来估计分离矩阵, 这是一种解析方法, 可直接找到闭形式解 (Closed Form Soutions) , 由于其没有迭代寻优过程, 因此运行速度最快[3,4]。
2 盲源信号分离的DSP实现方法
2.1 实现原理
由于FastICA算法和其他的ICA算法相比, 具有许多人们期望的特性:如收敛速度快、无需选步长参数、能够通过选择适当的非线性函数g来最佳化、能减小计算量等。同时也有许多神经算法的优点, 如并行、分布式且计算简单, 内存要求很少等。因此, FastICA得到了广泛的应用。本文就采样了这种算法[5,6,7]。
2.2 实现方法
基于负熵最大的FastICA算法的基本原理是基于中心极限定理。即:若一随机变量X由许多相互独立的随机变量Si (i=1, 2, …, N) 之和组成, 那么, 只要Si具有有限的均值和方差, 则不论其为何种分布, 随机变量X较Si更接近高斯分布。由信息论理论可知:在所有等方差的随机变量中, 高斯变量的熵最大, 因而可以利用熵来度量非高斯性, 常用熵的修正形式, 即负熵。因此, 在分离过程中, 可通过对分离结果的非高斯性度量来表示分离结果间的相互独立性, 当非高斯性度量达到最大时, 表明已完成对各独立分量的分离。
负熵的定义公式如下:
式中:YGauss是与Y具有相同方差的高斯随机变量, H (·) 为随机变量的微分熵, 其表达式为:
当Y具有高斯分布时, Ng (Y) =0;Y的非高斯性越强, 其微分熵越小, Ng (Y) 值越大, 所以, Ng (Y) 可以作为随机变量Y非高斯性的测度。由于根据公式计算微分熵时, 要知道Y的概率密度分布函数不切实际, 于是可采用如下公式:
式中:E[·]为均值运算;g (·) 为非线性函数, 其表达式可用下列非线性函数表示:
根据Lagrange定理和约束条件, 可得出代价函数为:
式 (7) 要求wi使F取得极大值, 故有:
令其等于零, 再利用牛顿迭代法求解wi, 则可得:
这样就可以算出一个独立分量, 但每次迭代完成后, 还应对wi进行归一化处理。当计算n个独立分量时, 需要n个列矢量, 并且每次迭代后, 都需进行线性组合以去掉相关性。
3 软硬件实现
3.1 硬件平台
Blackfin 处理器以RISC编程模型突破性地把信号处理性能和电源效率结合起来。这种处理器在统一的结构中可提供微控制器 (MCU) 和信号处理两种功能, 并可以在控制和信号处理两种功能需求之间灵活的划分。
本硬件系统包含ADSP-BF533处理器, 32 MB SDRAM MT48LC32M16A2TG, 2 MB FLASH PSD4256G6V, ADVl836音频编解码器等, 其系统结构框图如图2所示。
3.2 软件实现
Matlab仿真成功后, 还需要用硬件来实现。这里以选用ADSP_ BF533为例进行阐述。其流程图如图3所示。在用DSP编程实现时, 其常见问题首先是白化处理中要用到特征值分解, 采用的方式是进行多次QR分解。
为了使人耳可以分辨出不同的声音, 观测时间应该足够大, 在AD1836采集频率为48 kHz时, 采集约为22 s的声音信号, 其需要处理的数据长度为48K×22 b, 约为一百万个点。在常规的程序设计中, 对此信号的处理就需要定义长度为一百万的数组, 这远远的超出了内存容量, 故其解决方案是直接访问 (包括读写) 存储在SDRAM中的数据, 并把原来程序中的数组运算修改为针对每个元素的运算。每个元素均可直接访问SDRAM, 而不必将保存在SDRAM中的数据通过数组的方式传递到内存中。这就相当于用时间换取内存空间。
AD1836采集的数据为24位的二进制有符号整形数据。为了提高精度, 减小误差, 应选用32位而不是16位的数据格式进行处理。从24位到32位的转换可采用的方案如下:
对于负数:
data>=0x800000
if (data>=0x800000) //判定正负数
data=data&0x7fffff;
data=～data+1; //求解该负数的原码
data=data&0x7fffff;
data=data|0x80000000; //转为32位原码
data=data&0x7fffffff;
data=～data+1; //求解32位的补码
对于正数:
data<0x800000 不需要处理
其次, 为了保证处理过程中的精度, 还可选择将data转为float运算的方法。
一般地, 处理完的数据数值很小, 范围在 (-10, 10) 之间, 而播放时必须经过D/A, 但D/A本身的热噪声会带来很大的误差, 信噪比显然无法容忍。对此, 其解决办法是将处理完的数据乘以较大的数值, 这样, 声音信号的相对值并没有发生改变, 因而播放时可达到良好的效果。这一方法也是用数字电路工具 (如DSP, FPGA等) 处理模拟信号时的常用方法[8]。
4 实际效果
图4所示是两段录音的音频信号时域图, 图5则是经过瞬时线性混合后的信号时域图, 图6是经过在BF533平台上利用FastICA算法得到的分离后的信号时域图。实验发现, 图6所示的结果分离效果良好, 可以清楚地听到不同的源信号。
5 结 论
本文首先简单介绍了盲信号分离的数学模型以及常用的理论算法。之后详细介绍了用ADSP_BF533实现盲信号分离时的具体流程以及实现过程中常见问题的解决方案。本设计方案所需时间短, 效率高, 而且占用内存较少。在工程应用方面具有一定的参考价值。
参考文献
[1]孔薇, 杨杰, 周越.基于独立成分分析的强背景噪声去噪方法[J].上海交通大学学报, 2004, 38 (12) :1957-1961.
[2]张贤达, 保铮.盲信号分离[J].电子学报, 2001, 29 (12) :1766-1771.
[3]张发启.盲信号处理与应用[M].西安:西安电子科技大学出版社, 2006.
[4]程沛青.数字信号处理[M].北京:清华大学出版社, 2007.
[5]朱孝龙, 张贤达.基于选优估计函数的盲信号分离[J].西安电子科技大学学报, 2003, 30 (3) :335-339.
[6]贾鹏, 从丰裕, 周士弘, 等.非正则复向量的扩展MVDR算法研究[J].声学技术, 2008, 27 (1) :106-109.
[7]陈志刚, 张来斌, 王朝晖, 等.基于ICA技术的管道泄漏特征信号提取方法[J].微计算机信息, 2008 (1) :65-66.
[8]王林章, 李双田.多路实时数字音频系统中的PCI通信[J].电声技术, 2003 (6) :10-13.
识别信号 篇2
1)提出意见，挑剔产品。俗话说“挑剔是买家”。当顾客提出异议或对产品评头论足，甚至表现出诸多不满时，有可能是产生购买的欲望，在尽可能地为自己争取利益。
2)褒奖其他品牌。其实和上边的道理一样，顾客是在为自己争取好的谈判地位，以便在下步的购买中得到更多的“便宜”。
3)问有无促销或促销的截止期限。顾客总是想买到价廉物美的产品。能少掏点就少掏点，必竟掏腰包对顾客是最痛苦的过程，能有优惠打折赠品的促销活动消费者是绝对不会放过的。
4)问团购是否可以优惠。这也是顾客在变相地探明厂家的价格底线。
5)声称认识厂家的某某人，是某某熟人介绍的。中国是关系社会、面子社会，人情世故还是非常重要的。
6)打听产品保养、保修之类的售后问题。中国消费者最缺乏的就是消费的安全感，所以顾客对保修等售后问题是必问的问题之一。
7)问与自己同行者的意见。人是需要认同和被认可的。在自己拿不定主意或主意已定时，用别人的意见佐证一下是人之常情。
8)问送货的时间或到货的时间，特别是对一些没有库存、需要厂家定制类的、有一定生产和送货周期的产品。
9)问付款方式。如定金还是全款，分期还是全额等。
10)顾客直接“投降”：“你介绍的真好”“真说不过你了”等等。
二、成交的动作信号：
1)由静变动。在动作上有抄手、抱胸等静态的戒备性动作，转向“东摸摸、西看看”的动态动作。俗话说“爱不释手”。如果，顾客对产品动“手”了，至少说明顾客有了购买的意向。推荐添加ASON微信ason1111111从此你的人生便多一个成功教练
2)由紧张到放松。顾客在决定购买前，心理大都比较紧张，弦绷得比较紧，有一种购买前，很难决策的焦虑和不安。一旦顾客确定下来，心理一般就如释重负，自然在行为动作上会表现出放松的状态。如坐着的顾客动作有原来的前倾变成后仰。
3)看顾客的双脚。顾客的双脚可能透露顾客真实的购买意愿。当顾客说，“你不降价，不给我优惠，我真得走了啊”，上身已经有转身的意思，但顾客的双脚还死死地冲着想买的这套产品时，说明顾客还是在测商家的价格底线，这时候就要看谁撑得住了。
三、成交的表情信号：
1)目光在产品逗留的时间增长，眼睛发光，神采奕奕。俗话说，眼睛是心灵的窗户。观察顾客眼睛、目光的微妙变化可以洞察先机。
2)顾客由咬牙沉腮变成表情明朗、放松、活泼、友好。
3)表情由冷漠、怀疑、拒绝变为热情、亲切、轻松自然。
四、成交的进程信号：
1)转变洽谈环境，主动要求进入洽谈室或在导购要求进入时，非常痛快地答应，或导购在订单上书写内容做成交付款动作时，顾客没有明显的拒绝和异议。
2)向导购介绍自己同行的有关人员，特别是购买的决策人员。如主动向导购介绍“这是我的太太”，“这是我的领导XXX”等。
识别“智慧地球”中的新信号 篇3
奥巴马政府经济团队与IBM共同研究“智慧的地球”对美国经济的影响，不久前，由IBM全球CEO彭明盛先生向政府郑重提出了帮助美国建立21世纪的长期竞争优势的建议。人们不难发现美国政府近来提出的“智慧的实力”，与IBM“智慧地球”，用的都是同一个核心词SMART(智慧)。面对IBM凭借百年经验和全球洞察提出的这一新理念，轻轻放过，肯定是一种智力上的冒险。
现在要做的，是尽可能从合理的角度去思考它。从下一代经济的高度上，识别“智慧地球”向我们发出的新信号。
新的世界维度信号：第三种世界
国际金融危机后，会不会出现一个美丽新世界?对上代经济的建设性的反思，就是把下一代经济创造出来。互联网革命已经发生了十多年，智慧的地球正带来新的机遇。
波普尔曾把世界区分为物质性的世界一、精神性的世界二和智慧性的世界三。波普尔将“人的精神世界”与“客观知识世界”区分为两个不同维度，这有助于我们从顶层理解智慧地球的逻辑位置。它透露的信息，是一种文明级的新维度正在成熟；回答的是，美丽新世界建立在哪里?一定是在一个有别于上一代经济的地方。新维度就是新文明的基础形式。
智慧地球从文明维度看是“一块新的世界公地”，它意味着两个基本点：第一，世界的基础结构正在向“智慧”的方向发展。从世界一的物质维度，世界二的货币维度，向世界三的智慧维度发展。新文明不再是寄居在上一代的家里，要给未来搭一个独立的家。现在人类的金融家园塌了，未来要建立一个智慧家园。这样一来，智慧基础设施建设的意义就显示出来。奥巴马已经听明白了，在回应诺贝尔奖得主克鲁格曼公开信时，马上举一反三地说，建设智慧基础设施，除了建设先进医疗系统外，“我们还将投资于宽带和新兴技术，这些是美国在21世纪保留和重夺竞争优势的关键”。IBM也向中国发出了含蓄的信号，希望在4万亿投向物质基础设施(世界二的基础设施)时，“植入‘智慧’的理念”，“打造一个成熟的智慧基础设施平台”。如果19世纪有人提醒清代将文明维度重心从世界一，早点转向日本所在的世界二维度，历史也许会有所不同。这是一个一两百年才会出现一次的重要信号。第二，世界的基础结构正向传统与智慧融合的方向演进。“开天辟地第一回，世界的数字基础架构和物理基础设施开始相互融合了”。这是对第一个要点的补充。三楼是不能离开一二楼单独建设的。世界三的基础设施与世界二、世界一的基础设施，是相互融合的关系，表现为物联网(the Internet of things)与互联网的融合。我们提倡信息化与工业化融合、虚拟经济与实体经济结合，有类同之处。当然IBM提的这种结合是有方向的，“实体基础设施和信息基础设施正在合为统一的智慧全球基础设施”。
从这个认识上说，只有转变文明价值观，才能发现新大陆。那些误以为智慧地球没什么新意的人，在价值观上没有发现新大陆的划分根据，没有跟上时代。
新的价值信号：第三种价值
关于智慧地球，有许多经验的描述。要识别出其中的新价值信号，需要进一步概括。我认为智慧地球与上一代经济，在价值的性质上，有以下非常不同之处：
第一，智慧在于通过洞察力把握事物的意义价值，提供“更有意义的、崭新的发展契机”。从价值理论说，货物对应的是使用价值，货币对应的是交换价值，智慧对应的是意义价值。IBM反复谈洞察力。洞察力显然不同于X光，不是对付物的，也不同于验钞机，不是对付货币的，洞察力用来发现这个世界(包括物质与价值)与自己的关系，也就是用来发现“此事对我有什么意义”。以前不能识别，现在能识别了。智慧地球无意中包含了一种新价值论：意义价值从依附使用价值和交换价值，独立为可感应和可度量的新价值种类，已不是《资本论》那种价值二分法，而是三分法。“感应和度量”不是为了搞统计调查，而是在建立新的价值尺度，以显现新的价值。其次，“我们的世界正在更加全面地互联互通。在此基础上所有的事物、流程、运行方式都具有更深入的智能化，我们也获得更智能的洞察”。让所有的地方显出“智慧”——如智慧机场、智慧能源、智慧电网等等——为的是让所有事物包含的意义，成为洞察力的对象，显示出对我的意义。它使第三种价值(世界三的价值)落地成为可服务对象、可创造价值。将意义这种信息价值，由过去看不见摸不着的东西转变为实实在在的经济。
第二，通过差异竞争优势创造最有意义的新价值。由洞察力所能特殊加以把握的价值(意义价值)有什么不同的特点，特别是与同质化的交换价值有什么不同?把IBM林林总总谈的归纳起来，无非以下几种：首先是差异化价值；其次是多样化价值，即异质性价值；其三是不确定价值，即风险价值；其四是复杂系统价值，包括生态系统价值。所有这些上升到理论上加以概括，都是品种价值。这里的品种从窄义的产品品种，扩展为泛指所有在数据级可分辩的异质要素。它是意义、信息得以区别于使用价值、交换价值的不同之处。我个人认为，用品种经济性，可以充分概括IBM所说用洞察力所把握的智慧经济，即：品种越多，成本越低，效益越高。以此区别于智慧经济之前那种品种越少，成本越小，效益越高的头脑简单的工业经济。
新的制度信号：第三种组织
智慧地球在制度创新上释放出的重大信号，体现在价值网络中。价值网络将成为人类继市场、企业之后的第三种组织。
第一，世界不仅正变得更小、更扁平，而且“更智慧”。IBM在宣传智慧地球时，一再提醒人们，下一代经济中的组织制度特点，不是只有扁平化。依我看，这是在针对过去十年把互联网误解为扁平化，及《世界是平的》对人们的误导而言的。原说法的问题在于，市场才是扁平的，说互联网是扁平的，岂不等于说互联网与市场一样，没有组织创新?事实是，网络组织兼有市场的扁平特征与企业的结构特征，是介于二者之间的组织形态。IBM把这种组织形态称之为价值网络。一方面，价值网络是扁平的，但有别于市场在于它是组件化的；另一方面，价值网络具有企业特征，但有别于企业在于它是扁平的、开放性成长的，所以它是第三种组织。
第二，“聪明地运作，将整个社会生活建立在灵活而动态的基础设施之上。建设‘智慧的地球’，能够让世界运转得更美好”。我个人认为，智慧地球对下一代经济组织方式的愿景中，隐含着一条没有言明的思考线索，这就是社会有机体论。智慧地球之前的工业组织观，是建立在原子论、机械论基础上的。社会有机体论把个人、企业、组织、社会、政府和自然，想象为一个有机生命体。个人间形成网络智慧、企业之间的生态合作、社会和谐、人与自然和谐，都可以得到社会有机体论的支持。
数字通信信号自动调制识别技术 篇4
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.
识别宝宝是否生病的7种信号 篇5
信号1：食欲减退
正常情况下，宝宝吃奶时会大口吸，15～30分钟可吃饱，饱后有满足感，不哭闹。当宝宝出现拒食或食欲不佳、吃奶后哭泣、流口水、精神萎靡等现象时，可能存在以下问题。
1.口腔疾病 如果宝宝不肯吃奶，或者吃奶以后不断哭泣，并且伴有流口水，妈妈就要注意观察宝宝的嘴巴里面有无破损，有无口腔炎或鹅口疮。
2.鼻阻塞 如果宝宝不肯吃奶，还大声地哭闹、张着嘴巴呼吸，就可能是因为鼻腔里面有分泌物，没办法顺畅地呼吸。父母可以检查一下宝宝的鼻子，如有分泌物可用棉签将其清理出来。
3.感冒发热 如果宝宝食欲下降，吃奶次数减少，奶量减少，而且没什么精神，伴有全身性的症状，如咳嗽、精神不振等，父母要给宝宝量一下体温，看看宝宝有没有发热。
信号2：哭闹
哭闹是宝宝最初的表达方式，饿了、尿了、困了都会哭。但是，哭闹往往也是疾病的第一信号，如果排除以上情况后宝宝依然哭，父母就要注意宝宝是否生病了，需帯宝宝到医院仔细捡查。引起宝宝哭闹的常见疾病有以下几种。
1.肠痉挛 这是宝宝常见的哭闹原因之一，主要是因添加食物不当、含糖食物过多、食物过敏、腹部受冷等，使肠道平滑肌痉挛收缩所致的腹痛。患儿常不规则、阵发性反复啼哭，出冷汗，面色苍白，肠呜音亢进，常持续数分钟至数十分钟，疼痛消失后宝宝又安然入睡，一般状况良好。
2.肠套叠 肠套叠是由于肠蠕动紊乱，诱发近端肠管套入远端肠管，引起腹痛。患儿表现为突然阵发性哭闹、面色苍白、拒食，持续数分钟后安静入睡，间隔十多分钟又发作腹痛，再次哭闹，不久发生呕吐和便血。
3.肠寄生虫病 在农村，会爬的宝宝常会感染肠道寄生虫，引起腹痛哭闹，腹痛时如大人轻揉其腹部，啼哭即止。如患蛲虫病，蛲虫在夜间爬出肛门，引起肛门口瘙痒，宝宝也会哭闹。
4.皮肤感染 如果宝宝一直在哭，不发烧，大人碰到其身体局部，宝宝哭得更厉害，则可能是皮肤方面的问题。父母要细心查看宝宝身体各部位有没有异常，如臀部、颈下、腋下皮肤皱褶处有没有发生糜烂，耳朵、脐部是否流脓等。
5.脱臼或骨折 体位、姿势不佳或成人手法不当，可致宝宝出现关节脱臼或肢体骨折，患肢会软而无力。
6.脑部疾病 哭声高而尖，可能是宝宝脑部病变的信号。如果发现这个现象，父母应该马上带宝宝到医院就诊。
信号3：大便异常
大便是胃肠道的一面“镜子”，宝宝大便的状况可以反映胃肠道的生理和病理状态。正常情况下，单纯母乳喂养的宝宝的大便呈金黄色或黄色，如膏状，有酸味，但不臭，每天2～4次；以牛乳为主食的宝宝，大便呈淡黄色，性状较干，每日1～2次。大便异常，往往有以下几种情况。
1.饮食过量有食积的宝宝，大便常见到多量奶瓣，呈酸臭味。
2.不论是母乳喂养还是牛乳喂养的宝宝，如果大便呈蛋花汤样、次数增加，表明患了肠炎。
3.如果宝宝大便呈脓血样，伴有肛门重坠、时时想解大便，可能是患了菌痢或其他细菌引起的肠炎。
4.大便带有多量鲜血，提示宝宝可能患了肠息肉或肠套叠。
5.大便呈柏油状，是上消化道出血的表现。
6.大便呈灰白色，皮肤黄染，可考虑宝宝有黄疸病。
对于以上异常大便，父母需注意，最好保留大便送医院化验，以便宝宝得到及时诊治。
信号4：小便异常
正常情况下，宝宝小便呈淡黄色，冬季有时尿较混浊，这是尿酸盐遇冷后沉淀的结果，夏季天气炎热、饮水少，小便浓缩，量少而深，这可视为正常。小便异常有以下几种情况。
1.当宝宝小便频而急、呈黄赤色、混浊而有刺痛、气味臊臭时，多为尿路感染。
2.当宝宝小便呈洗肉水样或茶色，伴有浮肿，极有可能患了肾炎；若同时伴腹痛，则有可能患了尿道结石。
3.如果宝宝小便呈深黄色，染衣裤不退，可能患有黄疸性肝病或蚕豆病（遗传性葡萄糖-6-磷酸脱氢酶缺乏症）。
4.小便色清而量多，伴口渴，常见于尿崩症或夏季热。
信号5：面色异常
健康宝宝面色红润、有光泽，皮肤光滑。如果面色看上去有异常，应警惕以下几种可能。
1.贫血 贫血或失血的宝宝可见面色苍白，并有口唇、甲床苍白。
2.感冒发热 宝宝发热时，面色发红，而且伴有哭闹或精神不佳等症状。
3.腹痛 宝宝过食生冷寒凉的食物，发生腹胀、腹痛、腹泻等症状，可表现为面色发青，特别是鼻梁两侧发青较为明显。
4.先天性心脏病 某些先天性心脏病引起的缺氧，会导致面色青紫。
5.黄疸 若宝宝皮肤发黄，应区分是生理性黄疸还是病理性黄疸。
信号6：囟门异常
健康宝宝的前囟门是平的，如果突然鼓起来或逐渐变得鼓起、饱满，尤其在宝宝哭闹时更为明显，并且用手摸上去有紧绷绷的感觉，则可能是疾病发出的信号，如：颅内肿瘤、颅内感染等。颅内感染多见于各种脑膜炎、脑炎等疾病，因颅内压力增高所致，除囟门鼓起外，同时还伴有发烧、呕吐、颈项强直、抽搐等症状。如果出现这些症状，父母应尽快带宝宝上医院看急诊。
此外，长时间服用大剂量鱼肝油、维生素A或四环素以及因某种原因使用肾上腺素而又突然停药等，也可使宝宝前囟门过于饱满，停用维生素A及四环素后前囟门会变得逐渐平坦。
信号7：头发异常
1.头发稀疏 缺钙引起的脱发，一般会伴有血钙下降；缺锌、贫血、伤寒、肝炎、用抗肿瘤药、结核及营养不良等也会造成宝宝头发生长缓慢。
2.枕秃 宝宝后脑勺骨头突出的地方，横的一圈掉头发，其他部分不明显，叫枕秃，可能是因为宝宝平躺睡觉时与枕头摩擦而致。如果同时有多汗、乒乓头、囟门闭合迟、烦躁不安等表现，则可能是患了佝偻病。
3.黄头发 发黄而且稀少，多见于宝宝偏食、辅食添加不合理，或脾胃虚弱、营养不良。如果宝宝缺铁、缺锌，头发就容易发黄、无光泽、稀疏；蛋白质缺乏的宝宝，同样发质也比较差。
4.白头发 个别宝宝长出几根白头发，父母不必紧张，可能是因为这些头发的毛囊处于衰老阶段，并无大碍。但是如果发现大量白发，就需要重视了，原因主要有先天性少白头（遗传因素所致），以及某些疾病（如白癜风）所致的后天性少白头。
5.发开叉 如果宝宝头发末梢出现开叉，原因可能是未掉完的胎发或长期营养不良。若电吹风使用不当，过热损伤了头发也会引起发开叉。
局部放电信号模式识别应用研究 篇6
随着计算机的出现及人工智能的兴起, 模式识别在很多领域得到了广泛的应用, 和传统的依靠专家目测进行放电类型判定相比, 其显著提高了识别的科学性和有效性。但局部放电模式识别技术的研究尚处于起步阶段, 一方面由于很多非确定性因素使局部放电信号的采集过程中混杂着干扰信号, 需要更好的信号处理技术获取准确的局部放电信息;另一方面, 对局部放电信号中所包含信息的内涵及规律尚未完全清楚。因此, 局部放电信号模式识别尚处于研究阶段。
2 局部放电信号的分类
要对局部放电信号进行识别, 需了解局部放电信号的特性和分类。局部放电一般指在电场作用下, 绝缘系统中只有部分区域发生放电而没有形成贯穿性放电通道的一种放电现象。局部放电的表现形式为脉冲放电电流、超声波、粒子碰撞发出的光和热、介质分解形成的分解物等。可以利用这些特征采用相应的方法对局部放电进行测试。目前应用比较多的是基于脉冲电流的电测法。
实际设备的局部放电信号看似复杂, 但这些信号都可以归结为基本的放电类型。在进行模式识别前, 要首先确定局部放电信号的放电类型, 然后进行分类, 根据不同放电类型的特征, 研究识别算法, 最后将识别算法应用与未知的局部放电信号, 进行放电类型判断。根据放电的位置和机理的不同将局部放电分为以下几种类型。
1) 内部放电:
指发生在设备或者是发生在绝缘材料内部的放电。这种放电的特征与绝缘介质的特性和放电间隙的形状、大小、位置都有关。
2) 悬浮电位放电:
悬浮电位指高压设备内部或外部金属部件因与设备松脱从而失去有效接地, 处于高压设备和地之间产生悬浮电位, 当该悬浮电位所在部件与高压设备或地的电场场强低于其间介质场强时将发生放电, 这种放电形式称之为悬浮电位放电。
3) 电晕放电
气体介质在不均匀电场中的局部自持放电, 是常见的一种气体放电形式。在曲率半径很小的尖端电极附近, 由于局部电场强度超过气体的电离场强, 使气体发生电离, 出现电晕放电。
4) 表面 (沿面) 放电
在沿介质表面 (两种绝缘材料的交接面) 的电场强度达到击穿场强时所发生的局部放电, 属于表面放电。
3 局部放电信号的模式识别
通常模式识别系统由四部分组成:数据获取, 预处理, 特征提取和选择, 分类决策。前两者是数据量的获取过程, 特征量提取是对原始数据进行变换, 得到反映模式本质的特征量或是统计量。分类决策则是在特征空间中用一定的方法把被识对象区分归为不同类型。对于局部放电信号, 数据获取和预处理一般由仪器完成, 特征量提取和选择与分类决策由计算机完成。通常后面两个过程是局部放电模式识别的重点。
3.1 局部放电信号特征量提取
为了解具体事物或事件的真实特征, 在进行模式识别时尽可能多地采集数据, 这使得样本在模式空间的维数很大, 不方便处理和应用。信号的特征选择与特征提取成为必要。模式识别系统的特征量指用于描述局部放电故障模式识别系统的一组与分类有关的参数。特征量提取的目的就是通过映射或变换的方法计算模式的某种“特征”或“属性”, 把模式空间的高维特征变成特征空间的低维特征, 以减少原始信号图的维数。其前提条件就是所提取的特征必须像原始图形那样能准确地分辨不同的模式。目前, 多采用以下方法进行局部放电信号特征量提取。
1) 相位统计特征:
在工频交流电压作用下, 局部放电的发生具有明显的相位特征。每个局部放电脉冲具有特定的幅值以及相对于工频试验电压特有的相位角。因此可以把局部放电基本参数:放电量q和脉冲放电次数n看作放电发生相位角φ的函数, 用以表示局部放电特征。
2) 放电统计特征:
由于局部放电具有明显的随机性, 而且它可能随着放电位置的不同以及局部场强和电压作用时间而发生变化, 因此可以采用与随机特性有关的识别方法, 即提取统计参数特征作为局部放电信号特征量。
3) 脉冲波形特征:
在局部放电测量中应用高速采样和宽带检测技术, 可以记录每个脉冲的时域波形。不同类型放电与其电流脉冲信号的波形是相对应的, 可直接用测得的局部放电脉冲信号的波形特征对放电源进行分类。提取局部放电信号波形的特征量, 包括时域、幅值域、频域等特征量作为分类器的学习训练输入样本。
4) 分形特征:
分形学是以复杂事物 (信息) 为研究对象的新兴学科, 其分形信息论是用信息度量理论原理和方法来研究信号的分形及其度量和属性。由于电器结构的复杂性和局部放电的随机性, 导致局部放电信号不规则性;但局部放电本身又有许多规律性, 因此表现为一种无周期的有序态, 总体表现为无序性和局部规律性, 这使得局部放电信号具有分维性质。基于分形特征的局部放电模式识别研究也表明, 局部放电的多种模式集合具有分形特征, 属于分形几何研究的对象范畴。
5) 矩特征:
矩特征是一种被广泛应用的图形识别特征, 它在统计意义上描述了一幅灰度图象中所有象素点的整体分布情况, 与一些最基本的图象形状特征有直接关系。局部放电信号有其自身的特点:如果按照局部放电发生的工频相位分布, 可将三维统计图谱划分成工频正、负两部分, 不同类型局部放电的两幅图象具有不同的相关程度。研究描述这种相关程度的统计特征, 有助于局部放电模式识别的应用。
3.2 自动识别理论
针对不同的对象和不同的目的, 可以用不同的模式识别理论、方法, 目前应用与局部放电识别的识别方法有统计模式识别 (又称决策理论方法) 、模糊识别、神经网络等方法, 它们之间又存在一定的联系和借鉴。根据这几种方法, 设计出局部放电的模式识别的决策分类器, 主要有:基于距离的模式分类器、线性及非线性分类器、聚类分析分类器、模糊识别分类器、人工神经网络分类器。基于距离的模式分类法是依据待检模式与样本之间的距离判别模式匹配的程度, 距离越小则模式匹配程度越高。线性及非线性分类法可归结为找到一个能够返回某种度量值的线性或非线性函数, 而且该度量值能够成为区分样本不同类别的依据, 根据这些依据来训练分类器。聚类分析是对一批没有标出类别的模式样本集, 按照样本之间的形似程度分类, 相似的归为一类, 不相似的归为另一类。人工神经网络是由大量简单的基本单元 (神经元) 相互联接而成的非线性动态系统, 每个神经元结构和功能比较简单, 而由其组成的系统且可以非常复杂, 具有人脑的某些特征, 能用于联想、识别和决策。近年来采用BP (back propagation) 算法的前馈网络是当前应用最为广泛的人工神经网络 (如图1所示) 。BP网络基本思想是将输出层产生的误差, 通过连接权值传到隐含层, 逐步后退最后达到输入层, 从而根据误差调整各层间的权值。最终使输出层达到某种要求。
3.3 局部放电信号模式识别应用
为了研究具体设备的局部放电的特征, 选取干式互感器作为研究对象, 其原因是因为干式互感器的结构简单, 可能存在的局部放电的原因多是环氧树脂浇注时真空不够, 内部存在气泡、裂隙。内部放电是干式互感器 (固体绝缘, 绝缘材料为环氧树脂) 产生局部放电的主要原因。为了方便研究, 假设所测试具有相似局部放电谱图的干式互感器均为内部放电 (如气泡、裂隙) 原因造成, 根据30只干式互感器的局部放电的相似放电图谱可以发现, 内部放电发生在第一、第三象限, 即电压幅值上升的部分, 而且正负半周的放电基本对称, 最大放电的相位在正负半周45度左右。
在软件中将相位分成若干个区间, 通过软件计算得出每个相位区间放电次数和平均局部放电量即Hn、Hqn。同时由软件统计功能由可以得出Hn、Hqn的统计量偏斜度Sk、陡峭度Ku、放电量因数Q、互相关系数cc以及局部峰点数Peaks。由样本值和样本均可以得出以下规律, 正负半周Hn、Hqn的Peaks差异较小, 且正负半周Hn、Hqn的Peaks均较大, 说明正负半周局部的放电特征相似, 即局部出现最大放电次数、最大放电量的次数接近;Q较小说明正负半周放电量差异不大。同时cc的较大说明正负半周平均放电量相似程度较高。正负半周Hn的Sk的样本值及均值大于0, 说明正负半周的放电次数的统计谱图相对于正态分布左偏。正负半周Hqn的Ku的样本值大部分 (>75%样本值) 小于0, 均值小于0, 说明正负半周的平均放电量的统计谱图相对于正态分布平坦的概率较大。
由此可以得出假设的内部放电的统计规律。假设30个个体的统计量取自同一放电类型的随机样本的统计量, 根据我们得出的该放电类型的统计规律, 计算样本中的统计量Q[Hqn (φ) ]、Sk[Hundefined (φ) ]、Ku[Hundefined (φ) ]、Pe[Hundefined (φ) ]、Pe[Hundefined (φ) ]的99%置信区间, 经过计算上述统计量置信度99%的置信区间分别为[0.86, 1.36], [0.48, 0.91], [-1.02, -0.47], [22, 28], [23, 30], 对cc求置信度99%的单侧置信区间为[0.60, 1]。以上统计量构成对局部放电模式识别的特征量, 各统计量在模式识别中的权重相当, 在对模式判别中, 计算被测试品局部放电的相关统计量是否落在上述置信度为99%置信区间内, 依据测试对象中6个统计量值落入置信区间的概率来确定为环氧树脂内部放电的概率。
图2、图3为两个试品的放电谱图, 根据上述计算方法计算图2为环氧树脂内部放电的概率为33%, 图3为环氧树脂内部放电的概率为83%, 根据局部放电的特点可直观判断图2为较明显的电晕放电谱图。可见这种内部放电的识别方法具有一定的合理性和代表性, 其识别结果有助于对环氧树脂内部放电类型的判断。
4 结束语
由于样本数量受试品个数限制, 以上方法存在一定的误差和限制。同时统计量落入样本置信区间的概率来代表放电可能性的概率还值得进一步的深入研究。随着计算机及数字处理技术的不断发展, 信号的处理及自动识别技术将得到广泛应用。但由于局部放电信号存在的多样性、复杂性、形成因素的不确定性等, 造成现有大多的局部放电识别系统与实际脱节, 识别效率不高, 应针对具体某种类型的设备, 根据设备的特点, 对局部放电信号进行分类, 根据其放电信号所具有的特征, 选择合适的识别方法进行识别;进行大量的设备局部放电信号的统计, 来验证识别方法的效率, 来形成一套高效、准确、方便的识别方法。
参考文献
[1]李剑, 孙才新, 廖瑞金, 等.用于局部放电图像识别的统计特征研究[J].中国电机工程学报, 2002, 22 (9) :104-107.
[2]郑重, 谈克雄, 高凯.局部放电脉冲波形特性分析[J].高电压技术, 1999, 25 (4) :15-20.
短波LFM信号宽带识别算法 篇7
短波通信具有顽存性、灵活性、机动性和抗毁性等优点,同时兼具设备简单、成本低廉、发射功率小,使用简便、通信方式灵活等固有特点,因而成为军事通信中主要的通信手段之一。LFM信号在雷达、通信等众多领域有着广泛的应用。有效地对其实现检测并估计参数信息是获取目标信息的主要依据。传统的LFM信号检测算法大多是针对窄带接收机的,针对宽带接收机的信号侦察识别算法报道甚少。而宽带接收机具有搜索速度快、设备量小等优点,尤其在军事情报侦察和电子对抗方面应用越来越广泛,因此,研究宽带信号的自动侦察算法是电子对抗的一个重要课题。在深入分析LFM信号特征和短波宽带信道特征基础上,提出了一种LFM信号宽带自动侦察和参数估计算法
1 LFM信号特征
1.1 理想LFM信号特征
线性调频信号的数学模型[1]是:
式中,A为信号辐度;f0为初始频率;fm为线性调频率,又称调频斜率;φ为初相;
LFM信号的时域波形、频谱图和时频分布图分别如图1(a)、图1(b)和图1(c)所示。
由图图和图可以看出理想的LFM信号具有以下特征:
(1)包络为矩形脉冲,其时宽为:T=τ;
(2)具有近似矩形的幅频特性;
(3)信号的瞬时载频是随时间变化的,其瞬时频率为:ft=f0+fmt,在脉冲宽度内,信号频率由f0变化到f0+fmτ;
(4)带宽为:B=fmT,调频斜率即由时宽与带宽得出:fm=B/T。
1.2 短波宽带信道环境下LFM信号特征
短波信道环境极其复杂,多径传播、衰落和多普勒频移等因素的影响造成接收到的信号出现幅度畸变和相位畸变,从而使截获的短波信号存在很大的随机性和不稳定性,信号时强时弱,背景噪声较大,信噪比低,并且,短波信道信号拥挤,带宽大小不一,信道间隔参差不齐,这就给宽带情况下的信号分离和识别带来了极大的困难。
宽带接收机从短波信道接收的信号模型可描述如下:
式中,xi(t)为发射波形;Vi(t)为经信道传输引起的幅度畸变函数;φi(t)为经信道传输引起的相位畸变函数。
通过对实际短波环境接收的大量信号数据分析得出LFM信号具备以下3个特征:
(1)最大保持谱具有近似矩形的幅频特性;
(2)累积谱上信号基本被平滑掉,淹没在噪底中;(3)瞬时谱在其工作带宽内存在一单峰,且随时间在其工作带宽内周期性的呈线性增长趋势。
而其他大部分信号不能同时具备上述特征,这就为LFM信号的宽带自动侦察提供了理论前提。
2 算法分析
基于LFM信号的上述性质,得到如图2所示短波LFM信号的宽带自动侦察和参数估计算法处理流程。
上述算法处理流程主要包括3个步骤。
2.1 快速筛选
快速筛选主要依据LFM信号的以下特性:最大保持谱具有近似矩形结构而累积谱上信号被平滑掉,二者作差必然仍存在一近似矩形结构。输入的数据为具有一定时长(应至少包含一个完整的扫频周期)的连续宽带频谱数据,考虑到短波信道内LFM信号常用的工作带宽和搜索速度,宽带频谱的谱线分辨率取800 Hz左右。
对宽带频谱数据进行频谱分析,检测最大保持谱与累积谱的差序列上存在近似一矩形结构的频率位置,形成频率集Υ1和Υ2分别对应该矩形结构的起始和结束位置。
2.2 精确识别
精确识别主要依据图1(c)所示的时频特征,由图1可看出,对瞬时频率微分再对工作带宽取模值应为一常数。
根据每段瞬时谱上起始频率Υ1和结束频率Υ2对应范围内频谱幅度最大值位置得到疑似LFM信号的瞬时频率;微分再对相应每段的带宽求模;然后,检测是否近似为一常数来判定是否LFM信号。
2.3 测量参数
频率集Υ1和Υ2中判为LFM信号的位置之差即为带宽;瞬时频率微分后的向量每个峰值点的最小间隔再除以频率分辨率即为扫频周期;根据扫频斜率=扫频带宽/扫频周期,得到LFM信号的扫频斜率。
3 性能分析
图3(a)、图3(b)和图3(c)分别给出了信噪比为6 dB、频率分辨率为800 Hz时的宽带信号最大保持谱、累积谱、最大保持谱与累积谱的差图。
由图3(a)、(b)、(c)可以看出,对于LFM信号附近存在CW、ASK和BPSK强干扰信号的情况,虽然累积谱和最大保持谱上干扰信号幅度远远高于LFM信号,但是,计算最大保持谱与累积谱的差后,仅有LFM信号出现一近似矩形结构,据此,即可初步识别出LFM信号。
取采样率204.8 kHz,LFM信号的起始频率50 kHz,带宽30 kHz,扫频周期30 ms;并加入CW、BPSK、ASK三个干扰信号仿真宽带多信号情况,参数设置分别为:ASK信号中心频率为42 kHz,码速率为800 Bd;BPSK信号中心频率为30 kHz,码速率为1 600 Bd;CW信号中心频率为85 kHz,不同信噪比下仿真试验结果表明,在2FSK信号有效带宽内的信噪比>6 dB时,自动侦察正确率达95%以上,虚警率0,漏警率<5%。
信噪比为6 dB、频率分辨率为800 Hz时检测到的LFM信号瞬时频率图如图4所示。
由图4可以看出,只有LFM信号的瞬时频率随时间变化呈周期性的线性增长,因此,可提取出每段疑似LFM信号范围内的瞬时频率,并检测是否满足随时间变化呈周期性的线性增长的特性,以进一步确认是否LFM信号,从而验证了算法的可行性。
另外,信噪比为6 dB时LFM信号参数估计结果如表1所示。
由表1可以看出,起始频率、结束频率、带宽的估计误差小于频率分辨率;扫频周期的估计误差小于时间分辨率;而斜率的估计精度取决于带宽和扫频周期的估计精度。
4 结束语
上述首次基于宽带频谱数据完成了短波信道LFM信号的自动侦察仿真表明在低信噪比下仍可实现很高的识别概率,为进一步解调以及实施干扰提供了前提。该算法运算复杂度低、运算速度快、工程易于实现具有很高的工程应用价值
参考文献
[1]叶俊龙.短波高速跳频系统下的信道估计与LFM干扰检测[D].成都:电子科技大学,2009.
雷达测速信号的BP网络识别 篇8
近年来,人们对神经网络的研究已广泛兴起,神经网络在信号处理领域中的应用极为引人注目。由于神经网络是根据现代神经生理学和认知科学对人类信息处理的研究成果提出来的。他是模拟人的大脑来实时地处理信息,因而具有很强的自适应能力、容错能力和非线性并行处理能力,神经网络的这些特征[1]为其应用奠定了基础。随着神经网络本身的发展和完善,神经网络己应用到信息处理的各个方面,如语音识别、图像处理、信号的分类、自适应均衡、自适应噪声对消、自适应波束形成、自适应编码、非线性滤波、功率谱估计、信号重构等,使信息处理带上智能的特点。
目前,在人工神经网络的实际应用中,绝大部分的神经网络模型是采用BP网络和他的变化形式,他也是前向网络的核心部分,体现了人工神经网络最精华的部分。本文提出一种用BP(Back Propagation)网络实现对雷达测速[2]的三类信号进行识别分类的算法。
2 BP网络
(1) BP网络模型结构为多层网络结构,不仅有输入节点和输出节点,而且有一层或多层隐节点,如图1所示。
(2) BP网络传递函数一般为(0,1)S型函数:
(3) 误差函数:对第p个样本的计算公式[3]为:
其中,tpt,Opt分别为期望输出和网络的计算输出。
3 信号的分析与处理
信号来自一部测速雷达获得的三种目标的回波信号,三种目标分别是行人W、自行车B和卡车T,信号中包含目标的速度信息。
根据获得的三类信号的样本,每个样本中均包含1 024个数据,由于每一个样本的数据量较大,不可能将所有1 024个数据全都作为神经元的输入,计算量太大,所以必须首先对信号进行分析,提取最有价值的特征信息。
首先可以看看每一个样本中的数据图,以行人信号中的第一个样本为例,如图2所示。
从图2的时域数据基本上观察不出规律,因此要对数据进行傅里叶变换,从频域分析数据的特征。频域分析表明,行人的数据的频谱的幅度很小,原因是因为信号在零点处的值特别大,所以要将在零点处的值去掉,得到的数据如图3所示。
这时可以观察到信号的一些特征,从图中发现信号的频谱图是基本对称分布的,而且信号的峰值也很大,可以对他首先进行归一化,如图4所示。
同时将自行车和卡车的频谱图来做比较,可以观察到信号都有明显的峰值,但是出现的位置不同,另外,信号的均值和方差明显不同。但是考虑到雷达所测数据中,会有一些速度反常规的游离数据,所以考虑采用受游离数据影响小的平均绝对值偏差来代替样本方差作为输入特征。同时,以数据的样本中位数作为输入特征来减少游离数据的影响。根据这些特征进行提取来作为输入。
4 信号特征提取
(1) 取信号归一化后的均值作为一个特征量。
(2) 取信号归一化后的平均绝对值偏差作为一个特征量。
(3) 取信号归一化后的样本中位数作为一个特征量。
(4) 由三幅图的比较可以发现,信号的每两点之间的起伏程度也不尽相同,所以可以设定一个特征量,来记录信号两点间的起伏程度的大小。
(5) 信号在经过归一化后,可以将信号全部的值加起来,用这个总的值来作为一个特征量。
除了上述的特征,还有很多特征可以提取,但是特征越多,需要的输入神经元越多,依照隐层神经元约为输入神经元的两倍的原则,隐层的神经元也将越多,则网络训练的时间将花费很大。所以,本仿真实验只提取了上述特征中的(1),(2),(3),其流程如图6所示。
5 算法与实现
根据提取的特征的维数,来决定输入神经元的个数。因为提取的3个特征的维数分别为8,1和1,所以输入神经元的个数为10。输出神经元的个数定为3个,考虑到被识别的三种信号分别对应三个输出,虽然用两个神经元就可以表示三种输出状态,但是用三个神经元能更好地分辨,减少出错的概率。至于隐层的神经元个数则按照约为输入神经元个数的两倍的原则[4],设为20个。当然还可以在调试过程中根据输出的识别率来一个一个找到较为合适的个数。
由BP算法非线性函数S型函数为:
各输入层的神经元的输入为:
输入层的各神经元的输出为:
由公式可得:
隐层输入:
隐层输出:
输出层各神经元输入为:
输出层实际输出为:
均方误差函数定义为:
对所有样本可分别求出Ep,则总误差为:
采用梯度下降法[5]对权值进行调整,对于输出层与隐层间的权值以及阈值调整量为:
对于隐层与输入层之间的权值调整为:
其中:
BP网络的识别流程如图7所示。
均方误差E的收敛情况是反映神经网络性能的一个重要标准。如果E值出现振荡,那么就要调整学习速率η的值,或者重新设置初值,直到E的值连续单调递减为止。在刚开始调试程序的时候,E的收敛速度很慢,在改变了学习速率后,收敛速度明显加快,并且未出现震荡。如图8为E值的收敛图,最后稳定在10左右,迭代次数设定为2 000,但基本上在1 000以后变化就很小了。
6 结 语
仿真实验所得结果如表1所示。
在识别的过程当中,卡车和行人的识别率一直都比较高,自行车的识别率较低,究其原因是因为自行车的速度有的和行人接近,有的又和卡车接近,介于卡车和自行车之间,容易出现交叠现象。这就导致了自行车的数据有一部分被识别为行人,有一部分被识别为卡车,所以自行车的识别率相对于行人和卡车来说低一些。所以要想进一步提高识别率的话,必须对三类数据进行深入的分析,针对自行车信号频谱的特点来更多地寻找一些区别于行人和卡车的有效的特征值,这样才能将识别率提高到一个较高的水平。
摘要：测速雷达信号识别是进行辅助决策的关键。介绍一种在实际生活中有着广泛应用的神经网络模型——BP网络,通过对他的结构及工作原理的分析,结合三类雷达测速信号的特征,归纳出一种基于BP网络进行雷达测速信号识别的方法,并且给出了仿真实例。实验结果表明,此方法能够快速识别三类信号,具有识别率高的特点。
关键词：BP网络,神经网络,测速雷达,信号识别
参考文献
[1]Hampshire J,Waibel A.A Novel Objective Function for Im-proved Phone Recognition Using BP Neural Network[J].IEEE Trans.Neural Networks,1990,1(2):216-228.
[2]White H.Commentionist Nonparametric Regression Multi-layer Feedforward Networks Can Learn Arbitrary Mapping[J].Neural Networks,1990,(3):47-51.
[3]杨建刚.人工神经网络实用教程[M].杭州:浙江大学出版社,2001.
[4]胡伍生,沙月进.神经网络BP算法的误差分级迭代法[J].东南大学学报:自然科学版,2003,33(3):376-378.
基于振动信号的铣刀磨损状态识别 篇9
在金属切削加工中,刀具磨损会使工件加工精度降低,表面粗糙度增大,并导致切削力和切削温度增加,甚至产生振动,不能正常切削。因此,刀具磨损直接影响加工效率、质量和成本[1]。随着柔性制造系统和计算机集成制造系统等自动化加工系统的快速发展,机械加工的自动化程度得到大幅提高。为了保证机械制造自动化生产的顺利进行,需要对加工过程中刀具的磨损状态进行有效检测[2,3]。本文针对铣削加工中铣刀的磨损状态,以加工中的振动信号为分析对象,采用小波分析的方法,提取出能够充分表征刀具磨损的特征信号,实现铣削加工中刀具磨损状态的识别。
1 铣削加工过程中刀具状态信号的检测
在铣削过程中,切削系统所产生的过程状态信号中包含着大量的加工信息。根据特定的识别方法,通过对典型信号的选择、分析及检测,即可识别刀具的磨损情况。刀具状态信号的检测分为直接和间接方法,目前采用的主要方法是间接方法。铣削加工过程中,刀具对工件的冲击会产生振动,从振动信号中可以获取有关刀具磨损状态的信息,可以把振动信号的时域幅值、频域能量和模态阻尼等参数的变化作为判别刀具状态的指标,并且振动信号采集方便、快捷,不需对机床结构进行改动,测量装置成本较低。本文选择X5032A铣床,立铣刀进行实验研究,振动信号检测系统见图1。
2 基于振动信号的刀具磨损状态识别
2.1 刀具磨损特征信号的提取与分析
近年来信号处理技术向时频分析和智能技术方向发展,尤其是时频分析成为信号分析的主流方向。小波技术是当前进行信号处理的主要方法,小波变换是突变信号和非平稳信号分析的数学工具,其主要特点为:线性变换,不产生畸变;能在时域和频域同时对信号进行局部分析;主要适用于宽带信号处理以及局部化分析[4,5]。这些特点对加工过程状态信号分析最为适合,同样也适用于反映刀具磨损状态信号的分析。本文采用Daubechies小波系中N=7的小波函数对振动信号进行多分辨率分析。根据Mallat快速算法计算Daubechies小波的φ(χ)、ψ(χ),选用a=20,21……27和b=KTs进行七尺度小波分解,得到不同频率随时间变化的振动信号。随着铣削过程的进行,刀具也在逐渐磨损,在加工过程中测得的振动信号必然包含刀具的磨损信息。利用小波变换对振动信号进行分解,通过分析某种或某几种频带内振动信号幅值的改变,可以确定刀具磨损的状态。
2.2 振动信号的小波变换
铣削工件时,沿工件长度在反映刀具磨损的各个阶段分别测量了振动信号,并对其进行分解,得到七个尺度上的低频信号和高频信号。本文实验中最高频率为1k HZ,小波分解的频率如表1所示。
振动信号的分解,如图2所示。
3 铣削加工实验分析
在小波变换尺度分解中,低频部分随着分解层次的增加,含有的高频部分信息随之减少。从图中可以看到低频第七层信号已经成为滤除高频信息的光滑曲线,具备了作为特征信号的条件,固选取该层信号进行分析,就可以得到刀具的磨损情况。下面就平面加工和斜面加工两种情况进行分析。
3.1 平面加工
平面铣削加工过程中,刀具不同磨损状态的小波信号如图3、图4和图5所示。
由图3、图4和图5的分析可知:
1)随着刀具磨损的加剧,在低频部分,信号幅值明显增大,而在高频部分受此影响相对较小。这表明在低频信号中含有大量的刀具磨损信息。因此可以从信号低频部分提取刀具磨损的特征信号。
2)刀具处于新锐状态时,加工初始阶段数据
变化明显,随着切削加工的进行,振动信号变化比较平缓。振动信号小波的波形幅值变化范围比较小。
3)平面加工时,刀具是逐渐磨损的,实验中,刀具在数据144左右,出现一个较大的破损。从图中数据150、170和190可以看出,波形变化反映剧烈,刀具处于磨损后的强迫加工中。经过一段时间后,刀具磨损处变的光滑,波形逐渐光滑。
3.2 斜面加工
进给速度75mm/min,切宽从5到12mm,分别为5、7、10、12,小波分解见图6。由图6可知,斜面铣削加工过程中,进给速度一定时,切深逐渐增加,刀具逐渐磨损。从图中数据95到110可知小波曲线幅值逐渐增加,数据105和110的幅值明显高于数据95和100。也可固定切宽,改变切削速度进行分析,可知切宽增加后,波形振动频率加快,幅值增大。
4 结论
本文对铣削过程中的振动信号,采用小波变换的方法,将振动信号划分成不同频带,利用Mallat算法的多分辨率性提取出刀具磨损特征信号,进而得到刀具磨损特征值,该特征值能够准确反映刀具磨损的变化规律,并以定量的形式体现。通过铣削平面和斜面的实验分析,该种方法能够实现铣削加工过程中刀具磨损状态的有效识别。
参考文献
[1]陈日曜.金属切削原理[M].北京:机械工业出版社,2008.
[2]杨永,廖力清.刀具磨损在线监控系统研究[J].制造技术与机床,2008,(6):34-36.
[3]邵建中.基于BP神经网络的刀具状态监控系统[J].机械制造与研究,2010,(2):81-82.
[4]潜凌,齐明侠,吴苗法.小波技术在机械设备故障诊断中的研究现状[J].石油矿场机械,2006,(2):13-17.
识别信号 篇10
关键词：分形理论 神经网络 雷达信号
0 引言
雷达信号识别[1]在现代雷达对抗中占有着举足轻重的地位。其中，特征提取和分类器设计是雷达信号类型识别的关键步骤。随着新体制雷达的不断涌现，雷达信号电磁环境日益复杂，利用传统的特征参数对雷达信号进行识别已经难以满足要求，因此需要更精细的，更有效的特征进行识别。
由于传统方法[2]都是利用雷达信号的外部参数特征参数，只能识别出常规雷达辐射源信号和特征参数基本不变的雷达辐射源信号，而且识别率低，对新体制雷达信号往往无法识别。分形理论[3]近几年已经比较广泛的应用到地震波检测[4]、图像处理[5]等领域。其可以定量的描述信号的复杂程度和不规则程度。其中，豪斯道夫维数[6]是分形理论中一种最基本的分形维数，但在实际应用中，豪斯道夫维数的计算很困难，通常用盒维数对信号的复杂程度进行度量。关联维数相对于盒维数而言，能够计算出信号内部不同采样点之间的关联程度，从而进一步衡量信号的复杂程度，相对于盒维数而言，能够更为精确的提取出雷达信号的特征。在对信号进行有效地特征提取之后，分类器的设计[7]也直接影响着雷达信号识别效果。目前，分类器的主要种类有邻近分类器、模糊逻辑分类器、支撑矢量机分类器等，其中最常用的为判决树分类器[8]和神经网络分类器[9]。而神经网络分类器具有高鲁棒性和容错能力以及能够自适应环境变化等优点。因此得到较为广泛的应用。
文章提取了4种雷达信号的关联维数特征，并利用神经网络分类器——BP网络对提取到的特征进行训练测试，进而达到对不同体制雷达进行识别的目的。
1 关联维数理论
关联维数是多重分形维数的一种特例。这里从另一个角度——多重分形维数来简单介绍关联维数。多重分形描述的是事物不同层次的特征，讨论的是参量的概率分布特性。其把研究对象（取其线度为1）分为N个小区域，设第i个区域的线度大小为ei，则第i个区域的密度分布函数Pi用不同的标度指数αi描述为：
Pi=e■■，i=1，2，…，Ni （1）
非整数αi一般称为奇异指数，其取值与区域有关。
为了得到一系列子集的分布特性，定义函数Xq（e），它为各个区域的概率加权求和：
Xq（e）=■P■■（2）
由此进一步定义广义分形维数Dq为：
Dq=■■■=■■■
当q=2时，得到的分形维数D2即为关联维数。
2 神经网络理论
针对现代环境中SNR变化范围比较大的特点，要获得较高的识别率，除了提取在SNR变化下仍比较稳定的特征参数外，分类器的选择也比较关键，传统分类器的一般自适应能力比较差，在SNR变化的情况下，即使特征参数比较稳定，也难以达到令人满意的识别效果。神经网络的提出为分类器的设计开辟了一条很好的道路。
神经网络的工作过程可以概括如下：
设输入模式向量为：
Ak=（a1，a2，…，an） k=1，2，…，m
式中：m——学习模式对数；
n——输入层单元个数。
对应输入模式的希望输出量为：
Yk=（Y1，Y2，…，Yq） q=输出层单元数
首先计算中间层各单元的输入：
Sj=■ω■a■-θ■ j=1，2，…，p（3）
式中：ω■——输入层至中间层的连接权；
θ■——中间层单元的阀值；
p——中间层单元数。
以Sj作为函数（Sigmoid函数），计算中间层各单元的输出：
bj=f（Sj）=■（4）
式中：bj——中间层j单元的激活值。
同样以式（5）、（6）计算输出层各单元的输入和输出：
Lt=■υ■b■-Y■（5）
Ct=f（Lt）=■ t=1，2，…，q（6）
式中：υ■——中间层至输出层连接权；
Yt——输出层单元阀值。
神经网络具有强大的模式识别能力，很好的自动适应环境变化的能力，能够较好的处理复杂的非线性识别问题。其较强的稳健性以及潜在的容错能力，使得其在信号分类器设计上得到了较为广泛的应用。
3 仿真实验及分析
选取4种雷达信号，频率键控信号（FSK）、相位键控信号（PSK）、线性调频信号（LFM）以及频率步进信号（CSF）作为待识别信号。提取4种信号的关联维数特征，利用不同信号的复杂程度区别，进而对4种信号进行区分。
图1为信噪比为0dB和15dB时4种信号的关联维数Ine～InXq关系曲线图。
从图1中可以看出，不同信号的Ine～InXq关系曲线图有所差别，再利用Dq=■■■在q=2时，求出的D2值即为信号的关联特征。由于得出的Ine～InXq关系曲线不具有很好的线性关系，因此，在计算D2时必然存在较大的误差，本实验直接提取不同Ine对应的InXq值作为不同雷达信号的特征输入神经网络，进而再进行训练识别，这样，每种信号均有一个特征向量作为识别特征，这样，能够更加细微的提取不同信号之间的差别，为后续的神经网络进行识别提供了一个很好的依据。
在提取了信号的关联维数的基础上，将信号输入到神经网络，利用神经网络对信号进行训练，测试，进而得到识别率曲线如图2所示。
对于4种雷达信号，每种信号提取100个样本，50个作为训练样本，50个作为测试样本，4种信号共200个测试样本，200个训练样本，输入神经网络进行计算。神经网络输入层单元数为4，输出层为4，隐含层单元数设定为3。从图2中的识别率结果中可以看出，在信噪比大于-5dB的时候就已经达到了比较好的识别率，在信噪比大于5dB时，识别率基本达到了100%，因此，利用关联曲线特征与神经网络的雷达信号识别算法具有很好的分类效果。
4 结论
文章提出了基于关联特征和神经网络的雷达信号识别算法。由于提取出的关联特征不具有很好的线性特性，因此，采用一种新的方法将关联曲线上不同的点作为雷达信号的特征向量，输入到神经网络再进行。仿真分析表明，这种利用关联点进行特征提取，再利用神经网络进行识别的算法具有很好的识别效果，在信噪比大于-5dB的时候就可以达到很高的识别率。且在现今这种雷达体制多变的环境下，这种特征提取方法具有更为广泛的应用价值。
参考文献：
[1]Avci，D.，Nsiala Nzéza，C.，Berbineau，M.，etal.An intelligent system using adaptive wavelet entropy for automatic analog modulation identification[C].GLOBECOM - IEEE Global Telecommunications Conference，2010.
[2]Ataollah Ebrahimzadeh.Automatic Modulation Recognition Using RBFNN and Efficient Features in Fading Channels [C].2009 1st International Conference on Networked Digital Technologies，2009.
[3]Hua Jing-yu，Meng Li-min，Xu Zhi-jiang，etal.An adaptive signal-to-noise ratio estimator in mobile communication channels[J].Digital Signal Processing，2010，20（3）：692-698.
[4]Mahmoudi，Alimorad，Karimi，Mahmood.Parameter estimation of noisy autoregressive signals[C].2010 18th Iranian Conference on Electrical Engineering，2010.
无线电信号的调制识别研究 篇11
一、综述
在通信信号处理这个领域中,通信信号的调制识别占据着非常重要的地位,其在关于电子对抗以及信号信息处理分析等方面有着极其快速的发展。通信信号的调制识别的应用范围十分广泛,其在信号确认、干扰识别、卫星通讯和无线电等都有应用。
通信信号调制识别的基本任务是在有多信号的环境和有噪声的干扰之下将接收信号的调制方式和其他信号参数确定出来,从而进一步对信号进行更深程度地分析和处理。
二、通信信号的调制
2.1调制
通常来说,原始信息不适合直接作为传输信号来使用,因未经加工的源信息与传输信道并不相匹配,因此,调制就是要对这些最初信息进行加工处理并且加载到载波上,使信息的载体信号随调制信号变化。调制的根本目的就是使信源信息与传输信道相适合,从而能够有效顺利地完成信号的传输。调制不仅能够使信息变为有效的传输信号完成传输,还能各种性能,如抗干扰能力。
相反,解调则是要将信号源信息从经过改变的载波提取恢复出来,以便预定的接受者进行理解分析和处理,实际上是调制的逆反过程。
2.2调制的分类
调制的有很多种类,相应的,调制的分类也不尽相同。一般来说,调制常见有正弦波调制和脉冲调制两大类。不同种类的调制方式会有不同的性能和特点。
(1)正弦波调制。正弦波调制就是载波为正弦信号的调制。正弦波调制的主要方式有调幅(AM)、调频(FM)、双边带(DSB)、下边带(LSB)、上边带(USB)、残留边带(VSB)等。(2)脉冲调制。所谓脉冲调制就是被调制的载波为脉冲串的调制。一般来说,有用来改变脉冲载波的参数的是连续的调制信号的调制,这类调制可以用于有线传输系统;也有另一种用连续的调制信号的数字化形式去形成一系列脉冲组的脉冲编码调制(POI、^DP凸I、ΔM等),脉冲编码调制的抗干扰能力很强,这类调制可以用于信源编码。
2.3调制的作用
在无线通信系统中,调制是必不可或缺的关键技术,能够被运用到雷达,遥控,导航等领域中。同时,对于高速率的数字调控的发展也能使通信系统的容量得到不断的扩充,从而适应社会发展的巨大需求。
三、通信信号的调制识别
3.1通信信号的调制识别的发展
早期的通信信号的调制识别基本上都属于人工识别范畴。首先需要多个不同类型的调节器,将接收到的信号经过转变加工后输入到这些调节器中进行调节从而得到需要的便于观察分析的信号后导出,再由专业人员对这些信号进行统一地处理分析最终将调制方式确定下来。由于进行人工处理时,专业要求较高,而且存在主观因素,因此只能确定一些持续时间较长的如ASK以及FSK信号,但是仍然不能确保识别的高度准确性。
随着科学技术的不断发展,通信信号的调制模式的自动识别技术逐渐出现并引起了很多人的关注。1969年,关于自动调制识别的第一篇论文发表,引起了许多学者的关注并且对其进行深入研究发展。信号调制的自动识别弥补了许多人工识别的不足,自动识别技术具有很强的抗干扰能力,能够准确较快地识别出多种调制方式。
近年来,随着相关学者的不断钻研尝试,提出了许多其他新型通信信号调制识别的方案。
3.2通信信号的调制识别的基本理念
通信信号的调制识别从根本上来说就是一种典型的模式识别问题。目前最典型的两种基本识别模式即统计模式和判决理论模式。两个模式都有设计和实现这两个过程组成,其中实现通常包括这几个步骤:信号输入,信号预处理,特征提取和选择分类识别。对于通信信号的调制方法主要有假设检验的最大似然、特征提取的模式识别这两种方式。最大似然是把自动识别当成一种双重叠合的检验方式。其中的中心技术是对于所要识别的信号的似然函数进行一定的分析和判断,使得信号显示出自身的一些明显特征,从而放进适当的分类中。这样的分类和处理是目前最佳的,该方法技术的出错率十分低,实现错误概率最小。但是不得不提出,这种方法对于信号的表征过繁化,只是简单的数字表征,提高的空间很小。如果出现了实践中的信号航道噪声成为非高斯,或者说航道变得多样化,最大似然法的敏感性将急剧降低。这种情况下,特征提取的模式识别方法比最大似然法要稳定很多。
信号的输入中,通常会选择用能够在计算机运算的符号来表示研究的对象;信号预处理是要去掉噪音等影响因素,留下,复原和加强有用信息。一般包括频率下变频、同向和正交分量分解、载波频率估计等;特征提取是以变换原数据从而有效地实现分类和识别,得到最能反映分类差别的特征,是整个过程中非常重要的步骤。对于实践中混合的通信信号的识别主要识别混合信号的高阶累量特征、分类特征、参数高阶累量特征和矢量谱线特征量。如表1是混合信号的详细识别状况(SNR=sdB)。
从上面的表格中可以看出,对16QAM和64QAM的错误识别中,多数将其识别成QAM信号。这些主要可以从高阶累量矢量的数据中得到答案,主要是这2种信号在特征上比较接近。识别信号到了分别QAM类,还是PSK类这一步骤,正确的概率就近似百分百。对于信号的调控,下面介绍一下数字模拟调控中的幅度调制,其主要是通过对于信号的平流层正弦的载体,也就是微波的幅度这一热点来调节其信号。其中过程主要如图1所示:
该图只是一种一般的模拟,其中m(t)代表调制信号,cos(oct)为载波信号,h(0)为滤波器的冲击响应。
对于信号的调试主要集中在对于信号的基础在频率幅度上面的变化,而这种变化只是一种简单的线性移动。故名为线性调制系统,这是调制的全部流程和理论。
四、结束语
随着无线电通信技术的不断发展及被广泛地应用在生活中的许多方面,通信信号的调制识别目前为止已经有了很深远的发展也日渐成熟,调制识别技术在军事和民用领域都起着至关重要的作用,因此对于无线电信号的调制识别技术的研究还要继续下去,将问题更加细化,深化,从不同的新视角来不断研究和发展这项技术。
参考文献
[1]王生兵.无线电信号的调制识别研究[J].东南大学,2006年
[2]张琴,田宝玉.通信信号调制模式的自动识别技术及发展前景[J].电讯技术,2008年
【识别信号】推荐阅读：
脉冲信号识别05-13
信号的调制识别01-13
通信信号调制识别方法01-13
文字识别：在线OCR识别更轻松！05-14
车牌识别07-16
语音识别10-15
识别性能10-17
联网识别01-19
资产识别01-19
轮廓识别05-08