导读:本文包含了调制信号识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:信号,神经网络,卷积,参数,向量,特征,电力线。
调制信号识别论文文献综述
董重重,何行,孙秉宇,谢玮,蔡兵兵[1]（2019）在《基于SVM的载波通信调制信号识别方法研究》一文中研究指出针对当前对低压电力线载波通信调制信号识别过程中出现选取特征困难、选取特征不恰当、识别准确率低的问题,提出特征选择——支持向量机(support vector machine, SVM)的调制信号识别方法。通过采集电力线载波通信芯片发送的调制信号样值,经预处理去噪、滤波后选取调制信号多个特征,使用特征选择工具——FEAST,从多个特征集中找出最能标识数据特征集的特征子集,利用SVM方法对特征子集进行判决归类,并将分类识别后的结果与传统神经网络进行比较。仿真结果表明,所提出的方法选取特征与原有方法相比更为简单准确,其识别准确率较传统神经网络有明显提升,调制信号识别准确率达到98%以上,且收敛速度相比更快,可为多特征下低压电力线载波通信调制信号识别提供参考。(本文来源于《中国测试》期刊2019年11期）
吴佩军,侯进,吕志良,刘雨灵,徐茂[2]（2019）在《基于卷积神经网络的多进制相位调制信号识别算法》一文中研究指出由于多进制相位调制子类信号相似度高,传统的信号识别方法和机器学习算法难以实现特征的自动提取和准确的分类。针对此问题,提出一种基于时频图和深度卷积神经网络的识别算法。将实测信号通过短时傅里叶变换转换成时频图作为实验数据,并设计一个33层的卷积神经网络ReSENet对特征进行自动提取和调制识别。该网络融合了经典模型ResNext和SENet的优点,能通过深度学习和特征重定向学习到数据中复杂抽象的特征。为进一步提高ReSENet的性能,分别从梯度下降算法、激活函数等方面对模型进行优化。与现有方法相比,该算法在对多进制相位调制信号识别上有更优的分类表现。实验结果显示,最终的识别准确率达到99.9%,验证了该算法的有效性。(本文来源于《计算机应用与软件》期刊2019年11期）
王小卉,黄贞,谭莹[3]（2019）在《基于CAF-SVM的调制信号识别方法》一文中研究指出循环平稳算法对调制信号的解调性能优。利用该优势,将循环统计量引入机器学习,提出了基于CAF-SVM(CAF为循环自相关函数;SVM为支持向量机)的信号识别方法。首先,对盲源信号进行循环平稳解调,得出信号特征频率;然后,根据特征频率构建CAF统计量进行特征提取,并将训练样本输入SVM构建分类器。试验结果表明,该方法能够精准抓住信号特点,有良好抗噪性,在噪声干扰下依然能很好识别频率相近、结构相似的调制信号,性能优于样本熵-SVM分类器。(本文来源于《指挥信息系统与技术》期刊2019年05期）
袁梦,程莉,党晶晶,时愈[4]（2019）在《基于BP神经网络的数字调制信号样式识别》一文中研究指出对于支持多种调制方式的通信系统来说,接收信号调制方式的自动识别是不可或缺的功能之一。论文研究了六种常见的数字调制信号,提取出五种特征参数,并针对瞬时相位和瞬时频率特征参数的提取做出了改进。采用BP神经网络算法进行自动识别,在高斯白噪声环境下仿真结果显示:在SNR310dB时,正确率达到98%以上。(本文来源于《计算机与数字工程》期刊2019年08期）
姜轶洲[5]（2019）在《基于机器学习的高阶调制信号识别技术研究》一文中研究指出随着无线通信技术的不断发展和通信服务需求的日益增长,新型无线通信设备和服务层出不穷,为人们的日常生活带来了极大的便利,同时也使得无线电磁环境愈加复杂。这直接导致简单的信号检测技术或者传统的信号识别方法无法为无线电监测系统提供高精度、高鲁棒性的频谱感知和分析能力。为了解决这一问题,本文旨在采用机器学习方法,解决复杂电磁环境下的高阶调制信号识别问题,以提高调制方式识别的准确性和鲁棒性。本文主要内容如下:1.基于多基因遗传编程与结构风险最小化原则的信号调制方式识别方法本文提出了一种基于多基因遗传编程(Multi-gene genetic programming,MGP)与结构风险最小化原则(Structrual risk minimization principle,SRMP)的信号调制方式识别方法(GPMC)。该方法使用累积量作为原始判别特征,并可分为训练和识别两个阶段。训练阶段中,在基于结构风险最小化原则的目标函数的指导下,基于多基因遗传编程的特征工程将高阶累积量特征转化为MGP特征并迭代优化,直到获得判别能力更强的最优MGP特征。通过上述训练过程,可以获得将原始累积量特征转化为最优MGP特征的特征优化函数,以及基于最优MGP特征的SRMP分类模型。此外,我们设计了自适应遗传运算,用于优化所提出的方法的训练效率与收敛性。在识别阶段,首先使用特征优化函数获取目标信号的最优MGP特征,然后输入到SRMP分类模型中,由其输出判别结果。仿真结果表明,在加性高斯白噪声信道和衰落信道下,提出的GPMC方法在识别正确率和鲁棒性等方面均明显优于其他现有基于累积量的调制方式识别方法。2.基于网格星座矩阵与全卷积对比网络的信号调制方式识别方法鉴于人工设计的统计特征对调制信号表征不完备和表征缺少差异化的缺点,本文将深度学习方法应用于调制识别领域,提出了一种基于网格星座矩阵与全卷积对比网络的信号调制方式识别方法(CFCN),以进一步提升调制识别性能。该方法首先通过计算复杂度极低的预处理方法,将接收到的信号采样转化为网格星座矩阵;然后,使用全卷积网络结构从维度各异的网格星座矩阵中提取多种常用高阶调制信号的高维表征,并构造分类模型。此外,为了扩大不同调制信号在特征空间中的表征差异,我们设计了对比损失函数训练该网络,以增强高维表征的判别能力。大量仿真实验证明,相比于基于统计特征和其他基于深度学习的调制方式识别方法,所提出的CFCN方法具有更显着的性能增益和更低的计算复杂度。最后对本文的主要工作进行了总结,并且对未来相关研究进行了展望。(本文来源于《北京邮电大学》期刊2019-05-31）
王彩洁[6]（2019）在《低信噪比下雷达脉内调制信号的识别与参数估计》一文中研究指出随着现代电子战场复杂多样,信息多元化,常见脉冲参数不能有效描述雷达信号的本质特征,对雷达细微特征的研究越来越重要.本文通过对脉内特征的研究,使其对辐射源信号识别提供可靠的依据.本文针对常规信号(NS)、线性调频信号(LFM)、双线性调频信号(DLFM)、多项式调频信号(PPS)、二相编码信号(BPSK)、四相编码信号(QPSK)、多相编码信号(MPSK)、频率编码信号(FSK)以及复合调制信号频率编码-二相编码信号(FSK-BPSK)和线性调频-二相编码信号(LFM-BPSK)进行识别和参数估计并对S型调频信号进行研究.首先,对分数阶傅立叶变换进行研究,利用二维搜索算法精确搜索各个信号的匹配阶次并分析其对应的分数谱图,并对脉内信号的相位结合延时相关、多重一阶差分以及线性回归进行分析,通过对匹配阶次、分数谱图、阶次图结合各种算法进行研究,实现10种信号在信噪比为-10dB时有效识别.其次,基于识别结果利用二阶矩四阶矩法、修正的Rife算法和多尺度haar小波变换等对10种信号中的参数在信噪比为0dB以上时进行精确的估计.最后,对相位逗留原理和S型调频信号的生成过程进行推导,并基于相位差分和小波变换根据S型调频信号的时频图对其进行识别.为了验证算法的有效性,利用MATLAB进行了大量的仿真实验.本文提供的分析方法是总结前人在低信噪比下对雷达脉内信号无法识别且估计精度低的缺陷提出,并且创造性的提出S型调频信号的设计与信号识别,为辐射源信号的识别提供宝贵的技术参考.(本文来源于《东北师范大学》期刊2019-05-01）
吴佩军,侯进,吕志良,桂梅书,张笑语[7]（2019）在《一种基于星座图恢复的多进制相位调制信号识别算法》一文中研究指出在实际调制过程中,无线电波传输多径及衰落引起的符号间干扰和信号接收端的载波频偏会造成星座图难以识别。针对这一问题,提出了一种基于星座图恢复和卷积神经网络的多进制相位调制信号识别算法。首先,设定相邻采样点距离和相位角的阈值以筛除发生符号间干扰时的采样点,保留剩余的有效采样点并形成聚类组;然后,通过旋转相邻聚类组抵消载波频偏带来的影响,实现星座图的恢复;最后,利用卷积神经网络对星座图进行特征自动提取和调制识别。实验结果表明,对于实测信号,所提算法能够较好地恢复星座图并实现BPSK、QPSK和8PSK的准确识别。最终的识别准确率达到了99.9%,较星座图恢复前提高了24.2%。(本文来源于《电讯技术》期刊2019年05期）
王咏实[8]（2019）在《基于深度学习的数字调制信号识别算法研究》一文中研究指出大容量、高速率的信息传输需求极大地推动了认知无线电领域的技术发展,其中,复杂电磁环境中信道均衡及通信调制类型识别技术,是该领域重要组成之一。传统的均衡处理主要是利用梯度下降法逼近信道特征,在时域或频域对信号进行逆卷积运算,以抑制信道干扰和畸变,改善系统响应;而传统的调制识别方法主要通过提取信号的专家特征,选择合适的分类器进行识别。近年来,许多先进的卷积神经网络架构及优化算法相继提出,深度学习在多个领域都取得了突破性的成果。基于卷积神经网络对原始输入的抽象特征学习能力,本文对其在信号去噪、信道均衡及调制识别等方面的应用进行了深入研究,其主要贡献如下:1)针对目前深度学习架构及其优化算法难以学习通信复基带信号结构性特征的现实,本文提出了一种多路并行复数卷积神经网络架构,以满足全数字通信信号复基带处理需求。该架构通过并行支路学习基带信号实部与虚部的结构化特征,在输出时按一定规则融合得到最终输出,实现了对复数值映射的拟合过程。2)针对传播信道引入的噪声干扰与畸变问题,综合讨论了去除加性噪声和信道均衡的传统方法,设计了一种基于多路并行卷积神经网络的端到端方法,可将两个问题统一解决。进一步地,为了验证方法的可行性及其性能,论文进行了仿真实验:利用MATLAB对调制信号进行信道损害及加噪处理;分别采用传统方法与本文方法对信号进行恢复处理;通过数字解调,计算对比输出误符号率。结果显示:本文所提出的方法较传统方法具备更强更全面的信号恢复能力。3)采用了一种“信号恢复预处理+调制识别”的方案,并在调制识别阶段采用了将多路并行架构与传统架构串联的方式构建卷积神经网络。论文讨论了卷积网络中卷积层输出的抽象特征,以及专家特征等两类类型特征对识别精度的影响,对比了常用机器学习模型在调制识别任务上的性能表现。实验结果表明抽象特征结合专家特征在集成学习模型分类中表现最好。4)为了验证本文所提出方案在真实环境中的可行性,本文采用NI-USRP2920作为通信信号收发装置,建立了真实通信环境实验平台,完成了算法测试与验证。结果显示,本文所提出的方案可以满足在真实环境下调制识别的需求。由于现实环境中存在着更多的干扰(例如收发时钟不同步),其识别率略低于仿真实验的结果。(本文来源于《电子科技大学》期刊2019-04-16）
王永志[9]（2019）在《数字调制信号的参数估计与调制识别技术的研究》一文中研究指出通信信号调制方式识别技术在信息对抗与侦察技术里尤为关键,在对信号进行调制方式识别时,有时需要一些参数加以辅助,所以通信信号参数估计技术的重要性也不言而喻。调制方式识别技术主要是对信号的调制方式进行识别,而参数估计技术则是指对信号的参数进行估计,估计的参数可以用在后续的信号的处理中。在信息对抗与侦察技术里,这两种技术至关重要。所以本文旨在研究信号的调制识别与参数估计这两种技术,并实现一套实时的识别和估计的系统。本文首先描述了一些数字调制信号的信号模型并介绍了本文使用到的信号处理方法。然后研究了参数估计算法,包括信号的载频和符号率这两种参数的估计,其中载频估计主要使用基于频域的方法和基于小波脊线的方法。基于频域的方法包括频域居中法,以及结合Welch功率谱的改进方法。改进方法后的方法能够在信噪比大于0dB时归一化均方误差达到0.001以下,并且扩充了算法的使用范围;基于小波脊线的方法中,提出了一种优化迭代初始值和结果的改进方法,使其能够在信噪比大于-3dB时误差达到0.001以下。而符号率估计主要采用的是基于循环谱和基于小波变换的估计方法,其中基于小波变换的方法比基于循环谱的方法在各信噪比下的估计误差都要小,能够在信噪比大于-5dB时误差达到0.001以下。之后研究了通信信号的调制方式识别,使用的是基于阈值判决的方法和基于支持向量机分类器的方法。基于阈值判决的方法使用了5种特征,能够识别8种信号,在信噪比大于15dB时达到90%以上的识别率,而基于支持向量机的方法则能够识别11种信号并且可以在信噪比大于-2dB时识别率达到90%以上。文章的最后研究了一套自主设计的基于软件无线电的实测数据采集与验证系统。该系统能够实现20多种通信信号的发射与接收,并在此基础上能够进行11种数字调制信号的参数估计和8种数字信号的调制方式识别。所用的估计与识别算法均为上述算法中复杂度较低的方法。(本文来源于《哈尔滨工程大学》期刊2019-01-07）
王世剑[10]（2018）在《测控系统中复合调制信号的识别与参数估计》一文中研究指出测控信号在军事和民用领域都有着广泛的应用,是航天器和地面基站之间信息传递的一个重要纽带,也是航天器实现信息获取、传递和控制的重要手段。复合调制属于测控系统中一类常用调制类型,所以,本文对于复合调制信号识别与参数估计的研究很有意义,它既可以用于信号检测,也可以用于信息攻防之中。无论是从学术理论还是国防应用的角度,都具有着十分重要的意义。在此背景下,本文主要以测控系统中的复合调制信号为研究对象,研究内容主要包括复合调制信号的参数估计、去噪和调制方式识别。首先,本文对复合调制信号相关参数估计进行了研究。参数估计与信号调制识别密不可分,一方面两者都是通信侦察的重要内容,另一方面,部分参数估计为后续信号调制识别提供了基础。本文对相关参数中信噪比、载波频率、符号速率和调制指数进行了估计。其中,信噪比估计采用了二阶四阶矩(Second-order Fourth-order Moment,M2M4)和子空间分解两种方法;载波频率估计采用了频谱重心法和谱线估计法;符号速率估计采用了二次小波变换法;调制指数估计主要根据信号的时频结构求得。然后,本文对信号去噪进行了研究。信号去噪属于复合调制信号识别与参数估计的预处理过程,可以提高信号调制识别的准确性和可靠性。为了实现信号盲去噪,减少对先验信息的需求,本文提出了一种基于改进阈值函数的小波阈值去噪的方法,并分析了小波基、尺度因子、阈值函数等不同参数对信号去噪性能的影响。为了验证去噪过程必要性,本文对使用去噪前后的参数估计性能进行了对比分析。最后,对复合调制信号的调制方式识别进行了研究。本文对多种复合调制信号包括AM-FM、FM-FM、PCM-FM、PCM-PM、PCM-BPSK-PM、PCM-QPSK-PM、PCM-FSK-PM的特征进行了分析,选取了六个特征参数,用于信号调制方式的识别。对于信号的分类,本文采用了决策树、BP神经网络、支持向量机(Support Vector Machine,SVM)和向量匹配四种分类器。其中,决策树是分步识别,需要预先确定信号判决门限,而BP神经网络、支持向量机和向量匹配都是根据信号统一特征进行识别,并且不需要预先确定信号判决门限,但需要大量训练样本,计算量较大。(本文来源于《哈尔滨工程大学》期刊2018-12-01）
调制信号识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
由于多进制相位调制子类信号相似度高,传统的信号识别方法和机器学习算法难以实现特征的自动提取和准确的分类。针对此问题,提出一种基于时频图和深度卷积神经网络的识别算法。将实测信号通过短时傅里叶变换转换成时频图作为实验数据,并设计一个33层的卷积神经网络ReSENet对特征进行自动提取和调制识别。该网络融合了经典模型ResNext和SENet的优点,能通过深度学习和特征重定向学习到数据中复杂抽象的特征。为进一步提高ReSENet的性能,分别从梯度下降算法、激活函数等方面对模型进行优化。与现有方法相比,该算法在对多进制相位调制信号识别上有更优的分类表现。实验结果显示,最终的识别准确率达到99.9%,验证了该算法的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
调制信号识别论文参考文献
[1].董重重,何行,孙秉宇,谢玮,蔡兵兵.基于SVM的载波通信调制信号识别方法研究[J].中国测试.2019
[2].吴佩军,侯进,吕志良,刘雨灵,徐茂.基于卷积神经网络的多进制相位调制信号识别算法[J].计算机应用与软件.2019
[3].王小卉,黄贞,谭莹.基于CAF-SVM的调制信号识别方法[J].指挥信息系统与技术.2019
[4].袁梦,程莉,党晶晶,时愈.基于BP神经网络的数字调制信号样式识别[J].计算机与数字工程.2019
[5].姜轶洲.基于机器学习的高阶调制信号识别技术研究[D].北京邮电大学.2019
[6].王彩洁.低信噪比下雷达脉内调制信号的识别与参数估计[D].东北师范大学.2019
[7].吴佩军,侯进,吕志良,桂梅书,张笑语.一种基于星座图恢复的多进制相位调制信号识别算法[J].电讯技术.2019
[8].王咏实.基于深度学习的数字调制信号识别算法研究[D].电子科技大学.2019
[9].王永志.数字调制信号的参数估计与调制识别技术的研究[D].哈尔滨工程大学.2019
[10].王世剑.测控系统中复合调制信号的识别与参数估计[D].哈尔滨工程大学.2018
论文知识图
