调制模式识别论文_茆旋宇,郑子扬,王佩,郭涛,鲁加战

导读:本文包含了调制模式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:特征,算法,深度,卷积,信号,识别率,通信。

调制模式识别论文文献综述

茆旋宇,郑子扬,王佩,郭涛,鲁加战[1](2019)在《基于深度卷积网络的PRI调制模式识别方法》一文中研究指出基于数据驱动的思想,采用深度卷积神经网络实现对雷达信号PRI调制模式的识别。仅使用测量数据,对包含复合调制在内的8种复杂调制模式,分别针对存在不同程度干扰脉冲、丢失脉冲、测量噪声以及小样本脉冲环境的影响下的测量数据进行实验。实验结果表明,该方法在上述4种环境中仍具有良好的PRI调制模式识别能力。(本文来源于《航天电子对抗》期刊2019年05期)

徐威[2](2019)在《多进制LDPC码实现及调制模式识别研究》一文中研究指出信道编码和调制在数字通信系统中是两个重要的组成部分。信道编码通过增加冗余实现检错和纠错,提高系统的可靠性。采用不同的调制方式,可以获得系统的功率有效性、频带有效性和可靠性的折中。由稀疏校验矩阵定义的 LDPC(Low Density Parity Check codes,LDPC)码的纠错性能可以逼近香农限。相对于二进制LDPC码,多进制(Non-binary,NB)LDPC码具有更强的抗突发错误能力和更高的传输速率。另外,在通信系统中,为正确解调恢复信源信息,接收机必须预知发射机的调制模式。而在非协作通信或智能通信系统中,接收机需要根据信道接收的信号识别调制模式。随着深度学习研究的深入,利用深度学习方法的信号调制模式识别也以其高效率、高识别准确率等优点引起了广泛的关注。因此,论文从构造多进制准循环(Quasi-cyclic,QC)LDPC码的校验矩阵入手,研究了NB-LDPC码编译码算法的实现。同时,基于深度学习,建立深度卷积神经网络模型,研究了基于星座图的调制模式识别算法,并进行仿真分析。论文的主要工作包括:(1)基于有限域构造出一种多进制QC-LDPC码校验矩阵,深入研究NB-LDPC码的编译码算法。利用IEEE802.16e标准中的基本矩阵,根据码长码率拓展得到二进制准循环校验矩阵,构造一个阶数与多进制QC-LDPC码进制数相同的有限域。进一步,将校验矩阵内非零元素随机替换为有限域中的非零元素,得到多进制准循环校验矩阵。构造的校验矩阵具有准循环和准双对角线的特性,可直接利用校验矩阵对信息序列进行编码。避免校验矩阵向生成矩阵转换过程中的复杂计算,更利于实现快速编码。(2)针对多进制LDPC码的编码调制方式,研究了当码的进制数与调制的阶数不同时比特与符号之间的转换规则,给出相应的译码初始化消息的计算方法。深入研究基于快速哈达玛变换(Fast Hadamard Transformation,FHT)的置信传播(Belief Propagation,BP)译码算法,给出不同阶数哈达玛矩阵的拓展方法。将快速哈达玛变换引入BP译码的校验节点的更新过程中,降低运算量,提高译码速度。同时,在软件实现译码器时,优化存储结构,仅存储矩阵中的非零元素值及其所在位置信息,减少内存开销。(3)构建一种深度卷积神经网络模型,研究基于深度学习的调制模式识别方法。神经网络模型共包含12层,给出了各层的具体参数值。进一步,利用接收信号在星座图不同区域的聚集程度,对黑白色的星座图进行着色处理。实验结果表明,彩色化的星座图像具有更明显的区分特征,识别准确率也更高。在SNR=5dB时,对BPSK、QPSK、16QAM、32QAM、64QAM五种调制方式的识别率均在92%以上。(本文来源于《山东大学》期刊2019-05-25)

杨洪军,徐嘉莉,刘永亮[3](2019)在《基于模式识别的光通信系统信号调制识别研究》一文中研究指出当前光通信系统调制识别方法存在识别正确率低、速度慢等缺陷,难以获得理想的光通信系统信号调制识别结果。为了对光通信系统信号调制方法进行准确识别,设计了基于模式识别的光通信系统信号调制识别方法。首先对当前光通信系统信号调制识别研究现状进行分析,找到引起识别效果差的因素,然后采集光通信系统信号调制识别的数据,并采用模式识别技术对光通信系统信号调制方式的特点进行拟合,实现光通信系统信号调制识别,最后进行了光通信系统信号调制识别的验证性实验。结果表明,本文方法提高了光通信系统信号调制识别的正确率,光通信系统信号调制的误识率差小于其它光通信系统信号调制识别方法,获得了比较满意的光通信系统信号调制识别结果。(本文来源于《激光杂志》期刊2019年03期)

陈宇杨[4](2019)在《基于全数字接收机的调制模式识别及FPGA实现》一文中研究指出随着通信技术的不断发展,通信频段内的信号日益密集。不同功率、不同带宽、不同调制模式的信号共存,使得实际通信环境愈加复杂。在信号侦察识别中,现代侦察接收设备必须具备在密集、复杂、动态变化的信号环境中实时对信号截获检测以及进行分类识别的能力。而且在目前的通信侦察中,对侦查距离提出了越来越高的需求,在远距离侦查中接收端实际接收到的信号已经十分微弱,此时环境噪声和仪器底噪都将对接收信号造成很大的影响,侦察设备需要在这种情况下将远端的微弱信号从噪声中提取出来,并对其进行识别。以上这些都对识别设备的灵敏度和抗噪能力都提出了新的要求。目前的通信侦查设备,一般是在几种已知或假设已知的信号下进行工作,对于信号未知且动态变化的环境,在实时处理中对接收信号的识别性能会有所下降。且目前的识别算法中,大多都是在理论层面进行研究,使用的信号源也一般由软件仿真产生,在实际应用中复杂度较高,不适合硬件实现。在以上背景下,本文首先研究了通信信号调制模式识别的发展现状,针对目前识别算法在工程实际中往往复杂度过高的问题,本文在输入信号动态变化的复杂情况下,提出了一种基于全数字接收机的调制模式识别算法,实现了其FPGA设计,完成了硬件识别平台的搭建,并基于硬件平台测试对实际采集的空口信号进行了接收识别,完成了算法识别性能的验证。在输入信号未知、侦查距离动态变化的复杂环境下,本文首先利用自动增益控制技术消除接收距离带来的信号能量动态变化的影响,将接收信号控制在一定范围之内。之后通过载波估计技术,去除接收信号的频偏。经过位同步技术同步收发时钟,最后通过载波同步跟踪剩余频偏,解调出基带信号。在此基础上,提出通过载波跟踪环的频偏跟踪曲线区分FSK和PSK信号,根据解调出的基带信号识别BPSK和QPSK信号的调制模式识别方案。在Quartus II开发环境下,完成了所提方法的硬件实现,使用硬件描述语言对整个系统进行RTL级建模,完成各模块的综合,通过SignalTap II完成其仿真功能的验证,实现了其FPGA设计和整体硬件平台的搭建。所使用的芯片为ADS5444和Stratix II系列EP2S180F1020C4。输入信号为中国电子科技集团在实际通信环境中采集的空口信号,仿真与测试结果表明,所设计系统能够在输入信号能量动态变化的情况下完成对信号的接收与识别,识别率满足实际工程需求。(本文来源于《杭州电子科技大学》期刊2019-03-01)

邵梦琦[5](2019)在《水声通信信号调制模式识别算法研究》一文中研究指出水下作战网络的不断进步,离不开水下通信网络安全和水下信息对抗技术的研究与发展。对于截获的非合作通信信号进行调制模式识别是水下对抗侦察阶段的核心环节,也是对抗阶段的第一步。获得截获信号的调制方式后,可以对信号进行参数估计和解调,并且可以模仿对方信号特征进行欺骗干扰。无线电通信信号的调制模式识别技术发展得相对成熟,但由于水下信道时变空变,高频衰减,信号受到多径、多普勒等影响,直接应用于水声通信信号效果不佳。如何找到适应不同水下通信环境的高性能模式识别算法成为水下通信识别领域新的关注点。首先给出了模式识别的基本原理和基本流程,研究了水声通信信号预处理和特征提取的方法。针对几种特征提取方法进行实验分析,提取出信号的瞬时特征、特征参数、高阶累积量和基于短时傅里叶变换、小波变换的时频特征。其次,由于恶劣的水声信道呈现不稳性和随机性,调制模式识别算法对分类器性能要求更高,开展了从经典的K近邻分类到深度学习分类器算法的研究。最后,将特征提取和分类识别算法相结合,研究了基于特征参数与高阶累积串联特征的K近邻和CART决策树识别算法、基于瞬时特征的长短时间网络分类算法,提出了基于时频特征的TLGoogLeNet卷积神经网络水声通信信号模式识别算法,完成了单载波调制(BPSK、QPSK、8PSK)、直接序列扩频(DSSS)和正交频分复用(OFDM)叁大类5种调制方式的模式识别。通过仿真实验,验证了各识别算法的可行性并分析了信噪比对各种识别算法准确率的影响。通过处理水下通信实验数据,对所提出算法的性能进行评估与分析。其中基于TLGoogLeNet的卷积神经网络模式识别算法在准确率、查全率和F1值上均达到90%以上,成功实现了对5种调制方式信号的准确识别。论文研究内容可为水声通信侦察与对抗系统提供必要的技术支撑。(本文来源于《哈尔滨工程大学》期刊2019-02-26)

徐泽琨,黄明,丁照雨,彭召敏,何建杰[6](2019)在《基于信号特征值的判决调制模式识别设计》一文中研究指出通过理论及仿真分析,设计并验证了通过构造特征值判决识别信号调制模式。采用了六种常见模拟调制信号为样本进行识别区分测试,依据信号统计量和谱相关性的不同,采样并计算了四种特征参数;开展了信号特征识别算法验证及Matlab仿真实验;统计了算法识别率。结果表明:该判决方法可以在5~35 dB信噪比范围内对于信号调制模式进行高效准确的识别,具备较好的延展性,具有一定的实际参考意义。(本文来源于《工业技术创新》期刊2019年01期)

于政委[7](2017)在《基于多特征融合的调制模式识别研究》一文中研究指出在现代通信系统中,调制信号的复杂程度越来越高,一些通信系统需要对多种调制信号进行识别,但目前算法多数缺乏通用性,即识别种类有限。另外在常用算法中,较多使用单一特征参数对信号进行识别,在噪声较大时,很难进行有效识别。本文针对调制信号在噪声环境中识别率不高的问题,通过特征参数提取和分类器的改进和优化,研究MASKMFSKMPSKMQAM等13种典型数字信号调制方式在低信噪比环境中的识别率。在特征参数提取方法中,本文使用了归一化样本熵特征,该参数能表征数据的复杂度程度;针对单一的特征参数识别率不高的问题,给出了基于多特征的多特征融合算法,将多个特征参数融合为可供调制信号类间识别的二进制特征参数,再进行模式识别,主要用于MASKMFSKMPSKMQAM四类经典调制类型的识别。在类间识别中,本文给出了基于星座图的AP-FCM联合聚类算法,并使用聚类有效性准则检测聚类性能,该算法能够自适应的重构星座图,以此对2PSK4PSK8PSK16PSK16QAM32QAM64QAM调制信号进行识别;对MASK调制信号通过基于幅度谱密度和样本熵特征的融合进行识别,识别种类分别为2ASK4ASK8ASK调制信号;MFSK调制信号通过频谱的谱峰个数和谱峰间距的标准偏差特征的融合进行对2FSK4FSK8FSK调制信号识别。最后,还给出了基于MATLAB GUI的AP-FCM聚类算法的仿真界面设计。本文通过对改进和优化的算法的仿真和实验,在信噪比较低时,该算法能准确识别调制类型,有较高的识别率,并使用AP和FCM联合算法自适性重构星座图,辨识度较高,从而证明了经过多特征融合算法后的模式识别的有效性和正确性。(本文来源于《西南科技大学》期刊2017-06-30)

王丽丽[8](2017)在《智能光网络物理层调制模式识别技术的研究》一文中研究指出不像无线通信领域,调制模式识别技术起步早,发展相对成熟,在光通信领域,特别是智能光网络(Automatic Switch Optical Network,ASON)的调制模式识别技术才刚刚发展。但是对光调制模式的识别,由于其潜在的研究价值和巨大的应用前景,近些年来引起了越来越多的关注。为了从理论上更好的分析智能光网络物理层光传输系统,在本文的研究中采用ASON+DWDM组网方案,提出了一种基于密集波分复用(Dense Wavelength Division Multiplexing,DWDM)的非补偿光传输系统(Uncompensation Transfer,UT)模型,并对该模型的推导进行详细讨论。本文模式识别算法的研究就是基于该DWDM-UT系统模型展开的。研究中共涉及到四类共18种调制信号的判决,它们分别是强度调制信号MASK,相位调制信号MPSK,幅相调制信号MQAM和MAPSK。文中所提出的调制模式识别算法(Modulation Format Identification,MFI)主要基于调制信号高阶累积量(High Order Cumulants,HOC)的特征值参数,利用所设计的分类决策算法对不同的调制信号进行分类判决。对分类判决算法中所使用的阈值,考虑到存在一些调制信号特征值参数随信噪比变化的特性,提出了一种实时训练序列阈值优化(Real-time Training Sequence Threshold Optimization,RT-TSTO)算法,通过对比测试,发现该算法能够有效的保证阈值的精确性,极大地改善了不同调制信号的识别效果。考虑到智能光网络物理层DWDM-UT系统受色散(D)、非线性效应(γ)和传输距离(L)的影响,我们分别研究了这些因素的改变对模式识别性能的影响,并利用仿真工具Matlab给出了相应的仿真结果。与此同时,为了进一步验证本文所提出的MFI算法的有效性,我们对当前已经广泛投入商用的基于PM-QPSK调制的高速率Nyquist WDM也进行了讨论,通过VPI和Matlab的联合仿真,结果表明该系统即使经过超长距离的传输,PM-QPSK调制信号的识别率也能达到96.5%以上。以上仿真结果对今后智能光网络物理链路的工程实施提供了一定的理论依据。(本文来源于《电子科技大学》期刊2017-03-28)

钟天宇[9](2016)在《基于噪声鲁棒性的通信信号调制模式识别方法研究》一文中研究指出随着通信技术的迅速发展,其涉及的领域也越来越广,以模式识别为基础的通信信号调制模式识别技术是软件无线电领域中的重要研究课题,经过多年的研究和发展已经取得了很多研究成果,但是在对于大动态信噪比环境下的通信信号调制模式识别一直无法取得较好的效果,同时采用人工进行特征筛选的方式会增加很多工作量。本文从对与通信信号特征的噪声鲁棒性入手,研究在信噪比动态快速变化的情况下依然具有良好分类能力的通信信号调制模式识别方法。本文首先对于所涉及到的10种调制信号即MASK,MFSK,MPSK以及16QAM信号进行了分析说明,之后我们分别提取了通信信号的瞬时信息特征,统计量特征以及变换域特征,使用提取出的信号特征组成了原始特征集。其次,通过对深度信念网络(Deep Belief Network,DBN)分析和研究,应用DBN网络对原始特征集进行了提取,不但获得了具有噪声鲁棒性的特征集,同时排除减小了特征的维度,提高了计算速度。经过后的特征集的特整体数量被缩减到了4个,并且这4种特征随噪声幅度的变化较小。然后使用SVM算法以及深度学习神经网络对经过筛选的特征进行分类,并与其他文献中的结果进行对比实验。实验表明使用SVM分类器在0d B-20d B信噪比环境下信号的分类正确率可达99%以上。最终本文从特征筛选入手研究了一种在信噪比动态快速变化的情况下依然具有良好分类能力的通信信号调制模式识别方法,并验证了其有效性。(本文来源于《哈尔滨工业大学》期刊2016-07-01)

李晓宁[10](2016)在《调制模式识别技术研究及验证平台设计》一文中研究指出随着高速数字信号处理技术的发展,非合作通信方式得到越来越广泛的应用,调制信号的识别是其重要的研究内容之一。通信信号的调制识别技术就是通过对接收到的信号进行处理,然后根据估算出信号的参数,如码速率、载波频率等信息来判定通信信号调制方式类型的过程。本课题主要研究了基于高阶累积量的调制识别技术,完成调制信号2ASK/BPSK、4ASK、2FSK、4FSK、 QPSK、16QAM的自动识别,在识别过程中引入新的特征参数,优化了识别性能;并完成了调制模式识别验证平台的设计等工作首先,本文通过对常见数字信号高阶累量的分析,找到信号之间的差异并构造特征参数,利用二叉树分类器完成调制信号2ASK/ BPSK、4ASK、2FSK、4FSK、QPSK、16QAM的分类,通过Matlab仿真,证明该方案可以有效识别出信号;然后,仔细研究PCIE高速接口的协议,在FPGA板卡上完成PCIE总线的DMA控制实现;继而,在PC机上使用WinDriver软件完成驱动程序的开发;最后,在VS2012中集成驱动程序的模块和调制模式识别的算法,实现验证平台的功能。其中算法的实现使用Matlab实现,编译成链接库和程序所需要的头文件。(本文来源于《西南科技大学》期刊2016-05-27)

调制模式识别论文开题报告

(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:

信道编码和调制在数字通信系统中是两个重要的组成部分。信道编码通过增加冗余实现检错和纠错,提高系统的可靠性。采用不同的调制方式,可以获得系统的功率有效性、频带有效性和可靠性的折中。由稀疏校验矩阵定义的 LDPC(Low Density Parity Check codes,LDPC)码的纠错性能可以逼近香农限。相对于二进制LDPC码,多进制(Non-binary,NB)LDPC码具有更强的抗突发错误能力和更高的传输速率。另外,在通信系统中,为正确解调恢复信源信息,接收机必须预知发射机的调制模式。而在非协作通信或智能通信系统中,接收机需要根据信道接收的信号识别调制模式。随着深度学习研究的深入,利用深度学习方法的信号调制模式识别也以其高效率、高识别准确率等优点引起了广泛的关注。因此,论文从构造多进制准循环(Quasi-cyclic,QC)LDPC码的校验矩阵入手,研究了NB-LDPC码编译码算法的实现。同时,基于深度学习,建立深度卷积神经网络模型,研究了基于星座图的调制模式识别算法,并进行仿真分析。论文的主要工作包括:(1)基于有限域构造出一种多进制QC-LDPC码校验矩阵,深入研究NB-LDPC码的编译码算法。利用IEEE802.16e标准中的基本矩阵,根据码长码率拓展得到二进制准循环校验矩阵,构造一个阶数与多进制QC-LDPC码进制数相同的有限域。进一步,将校验矩阵内非零元素随机替换为有限域中的非零元素,得到多进制准循环校验矩阵。构造的校验矩阵具有准循环和准双对角线的特性,可直接利用校验矩阵对信息序列进行编码。避免校验矩阵向生成矩阵转换过程中的复杂计算,更利于实现快速编码。(2)针对多进制LDPC码的编码调制方式,研究了当码的进制数与调制的阶数不同时比特与符号之间的转换规则,给出相应的译码初始化消息的计算方法。深入研究基于快速哈达玛变换(Fast Hadamard Transformation,FHT)的置信传播(Belief Propagation,BP)译码算法,给出不同阶数哈达玛矩阵的拓展方法。将快速哈达玛变换引入BP译码的校验节点的更新过程中,降低运算量,提高译码速度。同时,在软件实现译码器时,优化存储结构,仅存储矩阵中的非零元素值及其所在位置信息,减少内存开销。(3)构建一种深度卷积神经网络模型,研究基于深度学习的调制模式识别方法。神经网络模型共包含12层,给出了各层的具体参数值。进一步,利用接收信号在星座图不同区域的聚集程度,对黑白色的星座图进行着色处理。实验结果表明,彩色化的星座图像具有更明显的区分特征,识别准确率也更高。在SNR=5dB时,对BPSK、QPSK、16QAM、32QAM、64QAM五种调制方式的识别率均在92%以上。

(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。

调制模式识别论文参考文献

[1].茆旋宇,郑子扬,王佩,郭涛,鲁加战.基于深度卷积网络的PRI调制模式识别方法[J].航天电子对抗.2019

[2].徐威.多进制LDPC码实现及调制模式识别研究[D].山东大学.2019

[3].杨洪军,徐嘉莉,刘永亮.基于模式识别的光通信系统信号调制识别研究[J].激光杂志.2019

[4].陈宇杨.基于全数字接收机的调制模式识别及FPGA实现[D].杭州电子科技大学.2019

[5].邵梦琦.水声通信信号调制模式识别算法研究[D].哈尔滨工程大学.2019

[6].徐泽琨,黄明,丁照雨,彭召敏,何建杰.基于信号特征值的判决调制模式识别设计[J].工业技术创新.2019

[7].于政委.基于多特征融合的调制模式识别研究[D].西南科技大学.2017

[8].王丽丽.智能光网络物理层调制模式识别技术的研究[D].电子科技大学.2017

[9].钟天宇.基于噪声鲁棒性的通信信号调制模式识别方法研究[D].哈尔滨工业大学.2016

[10].李晓宁.调制模式识别技术研究及验证平台设计[D].西南科技大学.2016

论文知识图

调制模式识别算法模块调制模式识别和解调系统印制板...调制模式识别模块顶层结构图水声通信信号调制模式识别界面水声通信信号调制模式识别算法...调制模式识别分级判决流程

标签:;  ;  ;  ;  ;  ;  ;  

调制模式识别论文_茆旋宇,郑子扬,王佩,郭涛,鲁加战
下载Doc文档

猜你喜欢