时-频分析算法在通信信号调制识别中的应用

在通信情报侦察系统中 ,对通信信号的识别和参数估计 ,是一项关键的技术。主要针对通信系统中最典型的几种信号调制类型 ,如 :PSK ,FSK ,线性FM ,采用了最近受到普遍关注的时频分析算法 (STFT和WVD)和小波变换 ,进行了调制类型的识别仿真。并介绍了这几种方法的基本原理和各自的性能。     

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。     

通信信号智能调制识别对抗攻击研究

基于深度学习技术的通信信号调制识别算法由于其优秀的特征提取能力,极大地提升了调制识别任务的精度,但是对抗样本特性的存在,导致基于深度学习的调制识别模型的安全性受到了极大威胁,通过在训练好的调制识别网络中添加设计好的特定微小扰动,就可以使得调制识别模型完全失效。研究了基于深度学习的调制识别模型及其对抗样本攻击方法,提出一种基于快速梯度符号法的定向扰动生成方法,该方法在扰动和原始信号功率比为-21 dB的条件下,针对11类常见的不同调制种类的通信信号生成扰动,实现对通信信号调制识别模型的定向攻击,为智能调制识别模型的攻防对抗提供参考。     

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ICA和小波脊的多辐射源调制类型识别

针对电子侦察中多个雷达辐射源信号混叠时的调制类型识别问题,利用独立分量分析将多个雷达辐射源信号进行分离,再对分离后的辐射源信号采用小波变换,提取信号时频分布的脊线,最后计算脊线特征值,通过脊线特征值来判断辐射源调制类型.仿真实验验证了该方法的正确性和有效性.     

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。     

构件裂纹缺陷的超声识别

将小波包多分辨率分析与能量谱相结合,提出了金属材料缺陷特征提取的方法(小波包子带能量比较法)及不同缺陷的识别方法(小波分形神经网络法)。选取最能反映缺陷特征的参数——"能量特征向量"作为特征参数,进行缺陷的特征提取。缺陷的识别方法将小波包分解后各子带系数的分形维数作为特征矢量,对其进行径向基神经网络训练,从而可很明显区分出有无裂纹以及不同裂纹信号。以航天发射塔架钢连接构件疲劳裂纹超声检测信号为例,使用所提出的特征提取和模式识别方法,结果表明是行之有效的新方法,为金属材料缺陷检测与识别开拓了新思路。     

基于小波变换法的相位编码信号脉内特征提取

信号脉内调制信息识别技术对密集和复杂环境中辐射源的分选和识别有着重要的意义。研究了基于小波变换技术识别相位编码信号的脉内调制信息的算法,分别基于计算机仿真数据和专用设备提供的仿真数据进行了算法验证,结果证实了算法的可行性。     

利用VxWorks Socket实现宽带数传信号接收与识别的试验平台

介绍基于VxWorks实时操作系统的宽带数传信号接收与识别试验平台的结构,在研究通用解调器CORTEXTCP/IP以太网接口通信机制以及VxWorks系统Socket通信协议实现方法的基础上,开发出数传信号接收识别部分与COR-TEX的通信模块,成功地将宽带数传信号识别、调制参数估计与信号解调三者融为一体。     

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.     

卫星通信信号识别技术研究

在民用无线电监测、感知无线电、电子对抗等领域,信号调制识别是研究的热点。分析了常用的卫星通信信号调制方式（BPSK、QPSK、8PSK、16QAM、32QAM、16APSK）,研究了各种调制方式的识别技术,提出了一种易于实现、识别率高的识别算法。理论分析和仿真验证均验证了该算法的有效性。     

LFM-BPSK复合调制信号识别和参数估计

雷达信号脉内调制方式识别是电子对抗的重要内容。从工程应用的角度,对滤波后的复信号利用改进的相位展开算法,计算瞬时相位、瞬时频率。判断频率跳变点的个数,对时-频曲线进行拟合,根据拟合的参数和信号的时宽带宽积确定信号是否为线性调频-二相编码复合调制信号。再对正确识别的信号进行参数估计,接着重构原线性调频信号,共轭相乘得到基带相位编码信号。最后采用小波变换法提取码速率。仿真结果表明,该算法有很好的识别率和参数估计精度。     

星载角跟踪接收机角误差包络检测

针对星载角跟踪接收机中角误差合成信号的特点，提出一种基于复Morlet组合小波的角误差信息提取方法。该方法首先对星载角跟踪接收机中角误差合成信号的频域特性进行分析，角误差包含在角误差合成信号的包络中，频率上则表现在调制基波的谐波分量处。然后采用Morlet小波作为母小波，根据角误差合成信号的频域特性选取合适的小波尺度参数和位置参数可以有效的提取合成信号包络信息，从而解算角误差信息。在调制基波频率确定的情况下，合适的小波尺度参数和位置参数能准确对调制基波谐波分量进行提取，从而实现角误差的包络检测。该方法对±10kHz范围内的多普勒频偏不敏感，解决载波多普勒估计不准情况下的角误差提取。最后通过计算机中的Matlab对Morlet组合小波角误差合成信号包络提取进行仿真，证明该方法的可行性和有效性。     

基于星座图恢复的PSK信号调制方式盲识别

针对非协作通信条件下PSK信号识别问题,提出了一种基于星座图恢复的MPSK/MDPSK信号调制方式盲识别系统.该系统不需要信号任何先验信息,星座图恢复所需的参数如载波频率、符号速率、位定时信息均从接收序列中估计得到,同时,在系统中采用相位差分的方法以消除由载波估计偏差引起的星座图扩散.提出并定义信号隶属度函数,该函数利用星座图盲聚类得到的聚类中心的数目计算隶属度来实现MPSK和MDPSK信号调制方式识别.仿真表明,在AWGN信道条件下,当SNR＞11dB时,对所有信号的识别率大于90%,对于BPSK、4PSK信号在SNR＞6dB时识别率达到100%,证明了该算法的有效性.     

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。     

基于小波神经网络的PIM功率时间序列预测

无源互调（passive intermodulation，PIM）是影响通信系统性能的关键因素之一。研究表明，PIM信号并非一个定值，而是随时间变化的非平稳信号。基于PIM功率信号的时间序列特性，文章提出基于小波神经网络的PIM功率时间序列预测方法。首先，详细介绍小波神经网络预测模型及其预测方法；其次，以同轴连接器为验证对象，通过PIM实验测试系统获得3阶PIM功率的时间序列；最后，依据获得的PIM功率时间序列，结合构建的小波神经网络预测模型对后续的时间序列进行预测分析，并将预测结果与实验结果进行比较，从而验证小波神经网络在预测PIM功率时间序列方面的有效性。该研究对于开展PIM抑制技术具有一定的参考价值。