基于VPRS与RBF神经网络的调制信号识别的研究-通信与信息系统专业论文.docxVIP

识别信号 X  选择簸大值 因 1-1 最大似然识.JlIJ枢图 Fig. 1-1 Maximum Likelihood Recognitiol1 Diagram 最大似然调制分类法理论上保证了以最小错误代价实现分类准则最优化， 是一种理 论可靠的判决论分类方法。但是大量的先验知识以及每种通信信号模式 下观测值的概率 分布情况(公式( 1.1)中的 p(x (k Hih需要在用此方法时提前获知。而且最大似然法鲁棒性 差 ，若模型失自己或者参数偏 差容易导致正确率 下降。在信蝶比己知的情况下， 它的建模 噪声假定为高斯分布，但是实际 情道中存在多役影响、多信号等非高斯噪 声干扰， 一旦 出现存在偏差的信噪比参数估计，那么最大似然法分类性能可能会很 不理想。 1. 2.2 统计模式识别方法的发展 H图 1-2 表示统计模式识别流程图，从图中 可见信号先经过预处理，再选搭 定性定量 的特征参量来特征提取，最后在设计好的分类器中得出分类结果 (6)。 H x →数据预处理〕特征提取 分时←分类结果 图 1-2 槟式识M枢图 Fig. 1-2 Modulation Re∞gnition Block Diagram 信号下变频、信噪比估计、正交及同相分量分解、码元速 率估计、载频估计等是数 据预处理部分的 主要任务 。特征提取符合一种映射关系，也就是从输入信 号序列提取信 号的时域和变换域特征映射到选定的特征空间 。特征的选取 关系到调制识别效果的优 劣， 因此它十分重要。理想情况下， 不 同调制模式之间的特征参数在提取特征值后差异 明旱，既使使用普通的分类器得到的调制识别正确率也能到达百分之丸十以上。相反， 若是特征参数的选取不恰当，就算设计出的分类器分类 十分精确，识别率也 可能不会太 高。 特征参量的选取与分类器的设计是相辅相成的，只有提取出的特征参量符合分类决 策函数或者符合一种判决输入所属调制类别的机制，分类器才能得到最优的决策函数 。 (1)特征参量选取的发展 1985 年， J.K.巧ho ，J .1.Perη，}? T.G.Callaghan 三人联合发表了论述调制信号的两 种识别方法的论文:其一是对比各调制信号 经过 FFT 变换后的频谱，通过频谱样 式分辨 调制类别。其二是以模式识别中相似的概念为基础，抽取时域特征并计算其输入信 号与标准调制信号之间的距离，以最近原则为依据对调制信号进行分类。结合这两种方 法， ?J识别 001- FSK，CW、AM、FM、SSB等调制信号。 他们 的方法优点在于识别速 度快、结构简单，不过还存在抗噪声干扰能力 差的缺点，大于等于 40dB 的信噪比才能 有好的效果，因而实用价值非常有限 l句。 Desimio 等研究 出一种自动识别 2ASK 、2FSK 、2PSK 、4PSK 信号的方法。他把信号 包络、信号频谱、信号的 二次方、信号的四次方作为提取的特征量。他首先学习训练所 产生权矢最，然后再进行测试，在判决调制类别时采用学习训练产 生的权矢量，达到了 较好的效果闷。 A.K.Nandi 和 E.E.Azzouz 在 1995年提 出一种能识别 2ASK，4ASK、2FSK、4FSK、2PSK、 4PSK 等数字信号以及 VSB. FM、DSB、AM、SSB等模拟信号的时频域综合识别方法。 他们对信号的瞬时相位、瞬时幅度、频谱密度及瞬时频率等多方面的时域和频域特性的 进行提取。而且在分类器的选择方面，他们首先试用以比较门限的方式决策树的方法来 判别信号调制类型，然后运用人工神经网络识别信号，取得了较理想的效果问。 文献[7]对 16QAM、8PSK、2PSK、4PAM 调制信号采用四阶累积量作为判决门限来用 决策树方法进行了识别，在 10dB 时，识别正确率不低于百分之九十丑。 文献[8]应用对调制信号星座图进行重建的聚类方法，对 MPSK、MQAM 数字信号根 据信号星座图的分布作为识别特征来进行调制识别。 文献[9]介绍了克服信道的同步误差和多径效应等干扰的盲均衡理论，再实现减法聚 类，在 15dB 时对 2AS民 QPS瓦 QAM 8PSK 进行调制识别，坝、别 率不小于百分之九十 e 文献[10]介绍了小波变换的方法，在尺度固定情况下计算小波变换的绝对值，分类 MPSK 和 MFSK 信号是基于直流电平数和峰值电平数的，在信噪比为 6dB 时， MPSK 的识别正确率不小于百分之丸十，在信噪比 15dB 时，MFSK 的识别正确率不小于百分 之九十 一 。 (2)分类器 的发展 早先的分类器是人使用肉眼把一些特征明显的事物分开 。在二维平面或者三维平面 内，我们均可以根据必要的