[调制信号识别.pptVIP

调制信号识别 内容安排 定义及背景 识别过程介绍及方法分类 一些已提出的方法介绍 背景及定义 调制信号识别是信号检测和信号解调之间的重要步骤，它的目的就是在没有其他先验知识的情况下，通过对接收信号的处理，判断出信号的调制方式，并估计出相应的调制参数。其主要在两方面得到了应用：一方面是软件无线电系统，保证不同体制通信系统之间实现互通互联；二是电子战系统，为截获信息和选择最佳干扰样式提供依据。 调制方式是区别不同性质通信信号的一个重要特征。对于接收信号，要想正确解调，分析接收信号或者进行干扰，必须能够正确识别信号的调制方式，然后采取相应的解调方法或干扰方法。 识别过程 调制识别问题实质上是一种典型的模式识别问题 信号预处理部分的主要功能是为后续处理提供合适的数据；特征提取部分是从输入的信号序列中提取对调制识别有用的信息；分类识别部分的主要功能是判断信号调制类型的从属关系。 信号预处理 频率下变频 、载频估计、同相正交分量分解等。 在多发射源环境中，隔离各个信号，保证一次只有一个信号进入后续的调制识别环节。 特征提取 特征提取部分是从数据中提取信号的时域特征或变换域特征。时域特征包括信号的瞬时幅度、瞬时相位或瞬时频率的特征参数或其它统计参数。变换域特征包括功率谱、谱相关函数、时频分布及其它统计参数。 分类识别 选择和确定合适的判决规则和分类器结构，主要采用决策树结构的分类器和神经网络结构的分类器。 两种分类器 决策树分类器采用多级分类结构，每级结构根据一个或多个特征参数分辨出某类调制类型，再下一级结构又根据一个或多个特征参数，再分辨出某类调制类型，最终能对多种类型进行识别。这种分类器结构相对简单，实时性好，但需要事先确定判决门限，自适应性差，适合分类特征参数区分很好的信号识别。 神经网络分类器具有强大的模式识别能力，能够自动适应环境变化，较好处理复杂的非线性问题，而且具有较好的稳健性和潜在的容错性，可获得较高的识别率。 识别方法分类 基于基本时域、频域和功率谱特征的方法 基于小波理论的方法 基于分形理论的方法 基于信号的星座图的方法 基于混沌理论的方法 基于复杂度理论的方法 基于人工神经网络的方法 基于窗口平均频率算法的调制信号识别 系统组成： 算法思想： 用一个宽度为N的矩形窗去截取采集到的已离散化处理的信号x(n)，得到N点数据，对这N点数据进行离散傅里叶变换(DFT)得到这N点数据的频谱。 计算窗口内平均频率。 获得时频分布曲线。 滤除算法产生的交叉干扰。 该算法通过移动窗口来截取信号，并计算窗口内信号平均频率来获得信号的时频分布，具有算法简单、运算速度快的特点 。 ASK、FSK、PSK等数字调制信号均为非平稳的随机信号，在时频分布上存在着差异，若采用移动窗口平均频率算法对数字调制信号进行时频分析，再根据信号时频分布的差异识别调制信号类型一方面可以显著提高系统的实时性；另一方面，由于对时频分布曲线进行了滤波处理，能够提高信号识别的抗干扰性能和识别精度。 优点与不足 算法简单，速度快，宜运用于实时性要求较高的场合。 窗口宽度N与抽样频率对移动窗口平均频率算法的性能有较大的影响，若选择不合适，会产生一定的分析误差。如何合理选择N和抽样频率还有待进一步研究。 其仿真验证是是在二进制信号上进行，识别类型少，有很大局限性。 基于短时分析的调制信号识别方法 该方法用短时分析提取数字调制信号在幅度、频率和相位随时间变化的特征，并利用这些特征对各种数字调制信号进行识别。在加性高斯白噪声条件下给出了相应的最佳阈值，并通过仿真研究了该识别方法的性能。 仿真结果表明该方法对噪声不敏感，在SNR为0dB时仍能获得90%以上的正确识别率。 文中提出的识别方法，能够对2ASK、4ASK、2FSK、4FSK、BPSK、QPSK、8PSK、16QAM信号有效识别 。 特征提取 谱宽因子 ：用来来区分ASK信号和FSK，PSK及QAM信号。 短时频谱峰数 ：可以区分2FSK信号、4FSK和PSK及16QAM信号，对2FSK为2，对4FSK为4，而对PSK和16QAM信号为1。 短时相位峰数 ：反映了信号中的相位数。可区分BPSK、QPSK、8PSK和16QAM信号。在0 ~ 2π间，BPSK信号有2个峰，QPSK和16QAM有4个峰，而8PSK有8个峰。 零中心归一化非弱信号段的标准偏差 可区分PSK和QAM信号 ，设定适当门限加以识别。 零中心归一化瞬时幅度绝对值的标准偏差 用来区分2ASK信号和4ASK信号 ，对2ASK，该值为0；对4ASK，该值不为0。 识别流程 方法总结 仿真结果中得出，在SNR从0~20dB整个范围内都有很高的识别率，也