数字信号处理资料.pptxVIP

卫星通讯中的调制识别算法研究;通信网络 神经网络 高阶累积量 实验仿真与结果分析;计算机网络7层开放系统互联(open systems interconnection, OSI)标准.其核心内容包含高,中,低三大部分,高层是面向网络应用,低层是面向网络通信的各种功能划分,而中间层是起信息转换,信息交换(或转接)和传输路径选择等作用,即路由选择核心。; 自从20世纪60年代中期卫星通信投人使用以来，已经经历了近40年的发展。随着信息化社会的到来，卫星通信已成为信息化的主要支柱之一。现如今，卫星通信的发展已经开辟了全球个人通信的新时代。由此可见，对于卫星通信各组成部分及关键技术的研究，已经成为当今通信发展的一个主要方向。其中，调制信号自动识别技术备受关注，成为研究热点。 如果我们在卫星通讯中发射端能够根据信道状况选择适宜的信号调制方式（这里必须应用高层复杂算法）发送信号，而在接收端能够自动识别信号的调制方式，并加以解调，那么通信的效率将会提升很多。;RBF神经网络以其简单的网络结构、快速的学习方法、较好的推广能力，已经广泛地应用于许多领域，特别是模式识别和函数逼近等领域。在RBF神经网络中需要确定的参数包括隐含层节点数、隐含层基函数的中心值和宽度、隐含层到输出层的连接权值。 ;;神经网络不需要预先给出关于模式的先验知识和判别模型，能够通过自组织和自学习机制自动形成所要求的决策域，在应用中易于实现；同时，由于网络内部的非线性传递函数，使其对高维空间及非线性空间数据模式具有较强的分类能力。 神经网络的泛化能力(Generalization)是指学习后的神经网络对测试样本或工作样本作出正确反应的能力。对神经网络进行过多的训练会增加网络的训练时间。所以在我们保证精度的情况下，神经网络会在训练中，利用其泛化能力，不断根据样本值调整其权重和对应门限阈值，无限逼近所要求的精度值。;高阶累积量;在许多实际应用(如地震勘探、水声信号处理、远程通信)中，往往不能满足最小相位，高斯噪声；甚至系统是非线性的。 对于非高斯信号的模型参数，如仅仅考虑与自相关函数匹配，就不可能充分获取隐含在数据中的信息。 若信号不仅是非高斯的，而且是非最小相位的，采用基于自相关函数的估计方法所得到的模型参数，就不能反映原信号的非最小相位特点。 ; 针对卫星通信中各种数字调制信号，将其高阶累积量的理论值给出。这些理论值是在符号等概率发出、零噪声、平均功率归一化的条件下计算得出的如表1所示。 ;从表1中可看出，各调制方式的高阶累积量不完全相同(除2FSK,4FSK和8PSK外)。因此，可通过支持向量机的方法来进行分类，但这需要训练，存在时间损耗的问题。而且，各值相差不大，为了能更好地进行调制方式的识别，在这里进行特征参数的提取，其定义如下：;利用表1中的理论值，对各种调制方式的参数进行计算，得到特征参数的理论值(见表2)。从表2中可看出，利用F，值就可以将调制方式分成2个集合 和 ，再利用F:值对前者进行分类。 ;利用matlab中的newrb函数自动生成神经网络，生成x序列，并对生成的序列经行调制，这里我们选取6种调制方式，分别为BPSK调制，QPSK调制，8PSK调制,16QAM调制,32QAM调制,64QAM调制。每种调制方式训练样本数为500，并用100个加高斯白噪声的测试序列，在信噪比为5dB的噪声环境下，检测神经网络训练效果。 下图为训练中神经网???逼近进度曲线图，这里选取精度为0.001。;;下图为检测结果，各行代表各种调制方式中，检测错误的调制个数。 从结果分析来看，由于测试样本个数较少，并不能很好地说明利用神经网络进行信号调制识别的效果。在提高精度和训练样本数的情况下可以得到更好的检测率，但是与此同时带来的代价势必会增高。从实验仿真实际来看，在利用matlab仿真的过程中，选取检测样本数为500时，造成内存溢出现象。和传统的门限阈值检测方案相比，利用神经网络进行调制方式采用动态样本权重和偏值使得计算量大大增加，但能将信号的识别率从80%提升至95%以上，与此同时带来的代价较高，在要求识别率较高的系统中仍有较好的应用。 ; 实验中采用未加噪声的调制序列中作为样本训练，而检测信号采用加高斯白噪声的调制序列进行检测。在实际应用中，如果我们利用神经网络进行信号调制识别，采用训练样本即为带有噪声的调制序列，再进行检测时，有噪声带来的影响势必会对检测结果产生影响，在后续的实验分析中可以作为扩展研究的方向。