基于深度学习的通信信号调制识别算法

随着通信技术的发展，信号体制、调制方式日趋复杂，例如CPM、OFDM等，这给调制识别技术带来了巨大挑战。近年来，深度学习技术由于其强大的特征提取能力和分类能力，被广泛应用到模式识别领域中。为了实现复杂调制方式的识别，文章将深度学习技术引入到调制识别领域，并提出一种基于改进的CLDNN模型的调制识别算法。CLDNN模型已被成功应用到语音识别领域，其表现出了强大的特征提取和分类能力。该方法在原有CLDNN模型的基础上，针对调制识别问题的特点，对CLDNN进行了改进。而且该方法不依赖于载波同步、码元同步等预处理。实验结果表明，该方法可同时识别12种信号调制方式和信号体制，信噪比在3dB以上时，整体识别准确率达到90%以上，并且可以较好地识别复杂调制方式和信号体制。     

一种有效的PCMA信号调制方式识别方法

从非合作接收的角度出发,建立PCMA信号的一般模型,推导PCMA信号高阶累量的解析表达式,构造新的识别特征量。深入地分析了PCMA信号四次方谱的离散谱线特征,结合构造的识别特征量,提出一种能够有效地识别PCMA信号调制方式的方法,并给出了实现流程。该方法的主要特点是不需要频偏、同步定时、信道衰落、成形滤波器的参数等先验信息,具有很强的实用性。仿真实验、实际应用的测试结果表明,在适当信噪比和数据长度的条件下,该方法对PCMA信号常用的调制方式有较高的正确识别率。     

船载遥测接收信道门限特性的研究

对船载遥测接收信道一项最重要的传输特性———门限特性进行理论分析,并指出门限特性对执行测控任务和设备性能检测的特殊意义。首先阐述门限效应产生的本质即增加传输带宽是在恶化输入信噪比的前提下提高输出信噪比,输入信噪比的域值即为门限。结合各种不同的船载遥测信道门限输入信噪比,提出统一的、具有普遍意义的标定方法:即调制度定标和载波信噪比的标定。根据信道本底噪声的不同,又分为射频有线和无线两种测试方式,给出了详细的测试过程和步骤。最后还分析双模环电路由于实现了载波的动态跟踪而能显著降低门限效应。     

基于连续小波变换的脉内调制类型识别技术

脉内调制类型识别是雷达侦察的关键技术之一,特别是低信噪比下的脉内调制识别技术是当前研究的热点.利用基于连续小波变换的瞬时频率提取技术,可以在低信噪比条件下获得不同调制类型信号的瞬时频率特征,从而实现低信噪比下的脉内调制类型识别,仿真结果表明采用这种方法可以有效地实现低信噪比下的瞬时频率提取.     

常用卫星通信信号数字调制方式的自动识别

针对常用的卫星通信信号的调制方式识别问题,提出了一种新的自动识别算法.该算法基于统计特性分类原理,通过建立一组统计特征参数,在无需先验信息的条件下,实现对信号调制方式的自动识别.对实际采集数据进行了实验验证,结果表明该算法在低信噪比环境下仍有较高的识别率,简单易用,具有较强的工程可行性和良好的扩展性.     

探空火箭通信系统最优信噪比切换阈值的设计

结合Nakagami衰落信道模型,分析了探空火箭飞行过程中经历的瑞利信道和莱斯信道的特性,以BPSK、QPSK、16QAM、64QAM 4种调制方式结合的可变调制传输系统为例,提出了可根据地面数据接收站天线的不同仰角,计算最优信噪比切换阈值的方法。最优信噪比切换阈值在满足误码率指标的前提下,使系统的数据吞吐量最大。进一步比较了采用最优信噪比阈值与采用BPSK固定调制方式、恒定误码率信噪比阈值的吞吐量差异,结果表明,采用最优信噪比阈值法得到的数据平均吞吐量分别是另外2种方法的3.89倍和1.043倍。其结果为可变调制技术在探空火箭工程中的应用提供参考依据。     

数字调制方式的自动识别

文中对 6种数字调制方式的自动识别进行研究 ,在信号大部分先验信息未知的情况下 ,根据不同调制方式幅度、频率、相位的随机分布规律提取一组特征参数 ,在相同信噪比及不同信噪比下保持一定稳定性 ;识别方法选用 BP神经网络法。仿真结果表明 ,在 1 0 d B信噪比时 ,识别成功率在 98%以上。     

基于FFT的扩频码快捕模块的设计实现

介绍基于FFT的扩频码快速捕获原理,给出一种利用探测数据跳变来降低数据调制带来的检测信噪比损失的方法,并对快捕模块的核心单元——采样率转换单元和FFT/IFFT计算单元的FPGA实现进行详细的论述。仿真和实验结果表明,该方法在高数据率调制和低信噪比的情况下实现了扩频码的快速捕获和硬件资源的合理利用。     

基于高阶相关的盲突发信号检测技术

盲突发信号检测在非合作通信领域具有十分重要的意义,但是传统的时域算法对于信噪比较低情况的适应性较差。提出了一种基于高阶相关的盲突发信号检测技术,利用高阶相关的方法提高了传统时域检测算法的低信噪比适应性,自适应门限算法解决了传统时域检测算法判决门限选取存在困难的问题。仿真结果表明,该算法有着较好的低信噪比适应能力,较同类型算法在低信噪比条件下有着更高的检测正确率和更低的虚警率。     

一种用于卫星侦察的直扩信号参数估计方法

针对卫星通信侦察过程中,信号参数未知的特点,提出了一种直接序列扩频(DS-SS)信号的参数估计算法.首先利用直扩信号中PN序列调制信息码的循环平稳特性,采用循环自相关函数对PN码周期进行估计,再利用相关特性估计出信息码与PN码的同步调制起始点,进行伪码序列的识别.计算机仿真实验验证了该方法的有效性,在极低信噪比条件下可以得到准确的伪码序列估计.     

3D传感器检测和跟踪的联合优化

在杂波环境下实现检测－跟踪的联合优化是目标跟踪中的一个重要研究课题。对3D传感器使用PDAF进行目标跟踪的情况，本文以先验检测门限优化准则为设计准则，通过用解析近似表示拟事修正Riccati方程中的参数，给出了瑞利起伏环境下实现检测和跟踪联合优化的方法。研究和仿真表明：（1）这种检测和跟踪联合化化方法的跟踪性能优于固定虚警率方法的跟踪性能，但这种性能的改善主要体现在滤波稳定阶段；（2）基于先验检测门限优化准则实现检测－跟踪的联合优化要求信噪比要大于一定的门限，在瑞利起伏环境下，三维测量所要求的信噪比门限为2．157。     

基于卷积神经网络的雷达辐射源稳健识别方法

针对低信噪比下，基于传统统计特征的雷达信号识别方法对复杂调制信号类型识别性能不高，因而处理复杂度高的问题，提出一种基于卷积神经网络的雷达辐射源信号稳健识别方法。该方法通过提取信号的瞬时相位特征，获得变换域的表征信号，将其作为卷积神经网络的输入，实现雷达辐射源信号的快速识别。针对瞬时相位特征对于信噪比敏感的特点，采用主成分分析方法对信号特征域进行降噪处理，提升模型对噪声的稳健性。通过仿真实验验证了所提出方法在不同信噪比下对7种调制信号类型的识别性能，通过理论分析及不同方法的实验对比，验证了算法具有耗时较短、识别准确率较高、噪声稳健性好等优势，具有良好的工程实用性。     

基于数据扩充和特征增强的雷达回波无人机检测

针对基于雷达无人机目标识别难度高、精确度低、适应性差等问题，本文提出了利用深度学习的方法，对雷达回波进行无人机检测。首先，利用相参累积的方法生成雷达回波的距离-多普勒图像，增强目标特征并提高信噪比;其次，采用生成对抗模型对距离-多普勒图像进行数据扩充，以获得充足的图像数据减小网络的过拟合并提高网络鲁棒性;最后，使用基于位置感知的卷积神经网络增强特征，通过构建基于距离-多普勒图像的感知模块，实现对目标距离和运动速度的检测。通过在雷达回波序列中弱小飞机目标检测跟踪数据集上验证的结果表明:最终检测结果在召回率89%的情况下达到了91%的准确率。相比于基准方法，本文提出的方案具有更高的检测精度和更好的网络运行效率。     

一种基于多调制技术的自适应多速率数字通信系统

数字通信系统的信道状况多变。采用自适应多速率技术,根据信道状况选择合适的信息传输速率进行数据传输,可以提高信道利用率和减少误码率。文章利用多元调制中符号速率与比特速率的倍数关系,通过对多元调制方式的切换,实现了自适应多速率的数据传输。不同的调制方式对信道状况有不同的要求,所以文中分析了几种实用的信噪比估计方法,同时为实现调制方式的可靠切换设计了工作流程,并最终在硬件平台上实现了多调制切换和自适应多速率数据传输。     

基于卷积神经网络的雷达和通信信号调制识别

雷达和通信信号的调制识别是电子侦察对抗的一项关键技术,通过搜索、截获敌方电子设备发射的电磁辐射信号,经过电子侦察系统分析、识别,从而获取敌方战术、技术特征参数等情报。人工神经网络中的深度学习网络由于具有强大的表征学习能力,可以自动从原始数据中提取出各种复杂的特征。介绍了一种差分自相关预处理结合深度学习进行中频信号调制识别的方法,结合工作的实际需求,对深度学习在信号调制识别中提出了一些展望,如进一步提高在低信噪比下的识别率和研究深度学习调制识别混合架构。     

基于小波多重分形的通信信号调制识别

针对非平稳、信噪比变化范围较大的通信信号,采用小波多重分形的方法进行调制类型识别。先利用小波变换把通信信号进行分解,再对得到的细节信号计算多重分形维数。仿真结果表明,该方法对噪声和调制参数不敏感,可对通信中的数字调制信号进行有效识别。     

基于混合神经网络的无线电信号自动调制识别

随着无线电信号数据海量增加，复杂电磁环境下面临着未知威胁和目标侦察识别复杂度高的问题，本文针对未知无线电信号的特征提取任务，设计了一种混合神经网络以提高目标无线电信号的识别能力。先通过胶囊神经网络对未知信号的空间信息进行提取，再进一步运用门控循环单元提取信号在时间上的特征信息。设计混合网络模型将信号的时间和空间特征相结合，提高对目标信号的分类精度。通过RML2016.04C调制信号数据集，验证了混合神经网络的识别性能。结果表明:当信噪比为6 dB时，混合网络模型对多种不同调制信号的分类精度大于95%。因此，本文所设计的混合神经网络能够有效对不同调制信号进行准确分类。     

卫星可变编码调制系统设计与验证

可变编码调制系统(VCM)具备改变编码方式、调制方式、速率的能力,十分适合低轨卫星使用。文章根据我国遥感卫星主要依靠地面站完成数据接收,其接收仰角大范围变化的特点,设计了卫星可变编码调制的系统方案,分析了工作流程、切换门限、物理层帧格式等参数,说明了可变编码调制器的设计方案和实现结果。目前,该方案已在高分七号卫星上完成了可变编码调制系统的在轨试验验证。在轨试验结果表明:传输速率相对于固定编码调制系统(CCM)提升了30%,显著提升了高分七号卫星的星地数传链路的传输能力。     

基于特征融合的雷达信号脉内调制类型识别

针对雷达信号脉内调制识别算法准确率低的问题,提出基于特征融合的雷达脉内调制类型识别方法,该方法首先提取雷达信号时频图像的形状特征和纹理特征,利用改进的主成分分析法（IPCA）对特征进行融合,然后将融合特征输入支持向量机（SVM）,实现信号的分类识别。仿真实验中对8种常见的不同调制类型的雷达信号进行识别,该算法在信噪比为5dB时识别准确率接近100％,验证了该方法的有效性。     

基于YOLOv6框架实现典型通信信号调制快速识别方法

随着战场通信侦察对抗系统的快速发展,通信信号体制变得非常复杂,给非合作接收条件下的通信信号检测、调制识别及信号辐射源个体识别带来困难。为了全面掌握信号先验信息,对复杂多样的通信信号体制进行盲检与识别,本文提出基于时频图分析和深度神经网络的多种通信信号自动调制识别方法。首先,利用时频分析将不同典型通信信号转换为时频图像,再将标注后的时频图输入基于深度学习的YOLOv6（目标检测模型）网络中进行特征学习;然后,通过设计YOLOv6更高效的网络结构,使其能够对信号的时频图进行快速识别;最后,将训练后的网络权重对典型通信交叠信号进行测试,对提取的特征向量进行分类识别,完成6种调制方式识别与位置的快速确定,实现在非合作接收条件下的多个典型通信信号调制方式的检测和识别。