调制信号识别 .ppt

该特征参数能够充分反映调制信号的幅度变化，可以用该参数来区分开ASK/QAM和FSK/PSK调制信号。判决门限： ，可区分ASK/QAM和FSK/PSK调制信号。 归一化中心瞬时频率的四阶矩紧致性 是归一化中心瞬时频率， 为信号的瞬时频率，该参数反映瞬时频率变化的特征量，可用来区分FSK和PSK调制信号并辅助进行MFSK调制阶数M的识别。 归一化中心信号的四阶矩紧致性 其中 是归一化中心信号， 该参数可将ASK、QAM和FSK/PSK三者分开。 信号识别 MFSK识别 MFSK信号的功率谱必有M个谱峰，只要得到其功率谱在 上的谱峰个数n，就能实现MFSK信号调制阶数的识别。 对频率个数敏感，可用于调制阶数的识别。 MASK和MQAM识别 经过大类判别后，MASK和MQAM已经被完全分开，这两种调制模式的时域特征比较明显，即就L个码元时隙而言，有M种振幅，故采用振幅种类个数来区别各自的调制阶数。 MPSK识别 对BPSK和QPSK来说，选择A. K. Nandi和E. E. Azzouz提出的特征参数 能将二者很好的分开。 识别流程图 验证结论 文中提出的识别方案，利用提出的新参数和已知参数 、 对调制信号进行调制大类识别，在信噪比不低于5dB时，正确识别率达到96% 。 特点：流程简单，运算量小 基于小波变换的数字信号调制识别方法 该文介绍了一种基于小波分类特征的数字调制信号的识别方法，创新之处在于同时应用了连续小波变换和多层小波分解两种方法提取信号的特征，并且对于不同调制信号采用了不同的分类特征。算法实现时不需要进行码元周期估计以及同步时间估计，从而使分类器的设计变得简单，判决准则简化，提高了运算速度和识别率。 小波变换是一种时间—尺度分析方法，具有多分辨分析的特点，并且在时频域都具有表征信号局部特征的能力。 小波变换主要用于信号特征的提取，然后结合神经网络或分形作为分类器，实现信号的调制识别。 特征提取 小波变换主要采取两种方法提取信号的特征：一是采用多分辨分析，对调制信号进行多层小波分解，提取信号在各个频率段的特征向量；另一种方法是利用连续小波变换的模极大值(|CWT|)，提取信号的奇异点特征。本文中同时应用了这两种特征的提取方法，MFSK信号包含多种频率分量，因此应用多层小波分解提取特征向量；MPSK信号的信息包含在相位里，由于相位的突变造成了信号的奇异性，因此利用信号连续小波变换的模极大值提取特征。 多层小波分解提取分类特征 对信号的低频部分做进一步分解，而高频部分则不予以考虑 。如下是一个3层分解图： 多层分解只对低频空间做进一步的分解，随着分解层数的增加，频率的分辨率变得越来越高，因此当信号具有不同的频率成分时，可以通过多层小波分解提取信号的分类特征。 小波分析用于信号奇异性检测 信号的突变点意味着信号的不连续性，可能是调幅信号的幅度突变引起的，也可能是调相信号的相位突变引起的，因此信号中的奇异点及不规则的突变部分通常携带重要的信息。 识别算法 通过对一定样本的调制信号做小波多层分解，提取信号的小波分解特征向量并进行统计分析，建立各调制信号的阈值列表，判断信号是否属于MFSK信号，并且应用该特征向量对MFSK信号进行类内识别；当信号的特征向量超出设定的范围时，应用信号的幅度方差判断信号为MQAM或MPSK，并应用对数似然函数准则对MQAM进行类内识别；应用小波变换的模极大提取MPSK信号的相位突变点，对MPSK信号进行类内识别，从而实现信号的调制识别。 基于高阶累积量的调制信号识别 文中利用接收信号的高阶累积量为特征参数，实现了对多种常用数字调制信号(2ASK/BPSK，4ASK，QPSK，8PSK，2FSK，4FSK)的分类识别。 由于高斯噪声大于二阶的累量值恒为零，把接收的含有高斯噪声的非高斯信号变换到累量或累量谱域处理，就可以剔除噪声的影响，因此高阶累积量具有良好的抗噪声性能。 k阶平稳随机过程{x(t)}的k阶累积量定义为 高阶累积量为 参数及算法描述 设 ，利用参数 和 可将信号分为(2ASK，4ASK)、4PSK与(8PSK，2FSK，4FSK)三类；参数 用来识别信号2ASK与4ASK；将8PSK与MFSK信号微分再通过中值滤波器后，利用参数 来识别8PSK与M