通信信号的特征值提取与识别的算法研究

发布时间：2017-05-07 06:18

  本文关键词：通信信号的特征值提取与识别的算法研究，由笔耕文化传播整理发布。

【摘要】：通信信号调制样式识别是软件无线电的核心技术之一,同时也是最近几年信号处理领域研究的热点。通信技术的飞速发展使得信号的调制样式更加复杂和多样化,之前所常用的调制识别理论和方法已经很难再满足实际的需求,无法有效地识别通信信号的调制样式,所以,这给通信信号调制样式识别的进一步研究提出了更高的要求。目前,模拟调制信号的种类十分有限,并且模拟调制信号的参数提取与调制识别的方法已经发展得十分成熟,而数字调制信号的种类繁多,调制样式复杂多样,并且,随着通信技术的发展,陆续还会涌现出更多的数字调制方式。所以,对于数字调制信号特征参数的提取与识别才是目前学术界关注热点和研究重点,所以本文主要将2ASK,4ASK,2FSK,4FSK,2PSK,4PSK和16QAM七种数字调制信号作为研究对象。信号调制识别的总体步骤包括信号的预处理、提取特征参数和设计分类识别器。在调制识别的预处理阶段,本文在对信号的同相分量和正交分量进行提取的时候用到了多相滤波器,有效地降低了信号的采样速率。在调制识别的特征参数提取阶段,本文针对7种数字调制信号,提取了6个瞬时特征参数,其中Rσa参数是改进得到的,Rσp是由Rσa参数类推得到的。仿真实验表明,本文提取的6个瞬时特征参数具备十分优良的分类性能。在调制识别的分类识别器设计阶段,本文提出了一种加入粒子邻域信息的粒子群(Particle Swarm Optimization algorithm with Neighbor information, NPSO)算法。在NPSO算法寻优过程中,保留了基本PSO算法的搜索策略,同时还增加了对粒子邻域粒子的局部搜索,进一步提高算法的全局寻优性能。通过使用NPSO算法优化BP神经网络的权值和阈值的方法,设计了NPSO-BP分类识别器。仿真实验表明,当信噪比低至0dB,NPSO-BP分类识别器对7种信号的识别率都可以达到86%以上,从而证明了该分类识别器能有效地提高调制信号的识别性能。
【关键词】：调制信号 瞬时特征参数 改进的粒子群算法(NPSO) 识别率
【学位授予单位】：江南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN911.3
【目录】：

• 摘要3-4
• Abstract4-8
• 第一章 绪论8-14
• 1.1 课题背景及研究意义8-10
• 1.2 国内外的研究现状10-12
• 1.2.1 基于决策理论的最大似然假设检验方法介绍10
• 1.2.2 基于特征提取的统计模式识别方法介绍10-12
• 1.3 本文主要研究内容12
• 1.4 本文组织结构12-14
• 第二章 通信信号调制识别基础14-23
• 2.1 引言14
• 2.2 通信系统的模型14-15
• 2.3 信号调制的概念和目的15
• 2.4 数字调制方式及其特征15-19
• 2.4.1 振幅键控(ASK)15-16
• 2.4.2 频率键控(FSK)16-17
• 2.4.3 相位键控(PSK)17-18
• 2.4.4 正交振幅调制(QAM)18-19
• 2.5 信号的频谱与功率谱分析19-20
• 2.6 高斯白噪声模型20-21
• 2.7 噪声对数字调制信号的影响21-22
• 2.8 本章小结22-23
• 第三章 调制识别中的特征参数提取23-35
• 3.1 引言23
• 3.2 对数字调制信号进行正交分解23-26
• 3.2.1 信号正交变换理论23-24
• 3.2.2 采用多相滤波器的正交变换24-26
• 3.3 基于瞬时信息的特征提取26-29
• 3.3.1 对基于瞬时信息特征参数的改进和类推26-27
• 3.3.2 对其他基于瞬时信息特征参数的提取27-29
• 3.4 仿真实验及结果分析29-34
• 3.4.1 仿真实验参数设置29
• 3.4.2 仿真实验过程描述29-30
• 3.4.3 仿真结果分析30-34
• 3.5 本章小结34-35
• 第四章 NPSO-BP分类识别器的设计35-56
• 4.1 引言35
• 4.2 BP神经网络模型35-37
• 4.2.1 BP神经网络结构35-36
• 4.2.2 BP神经网络学习规则36
• 4.2.3 BP神经网络的缺陷36-37
• 4.2.4 BP神经网络的改进37
• 4.3 优化理论基础37-39
• 4.3.1 优化问题的数学表示37-38
• 4.3.2 优化算法及其分类38-39
• 4.4 粒子群优化算法39-42
• 4.4.1 基本粒子群优化算法原理39
• 4.4.2 基本粒子群优化算法描述39-40
• 4.4.3 基本粒子群优化算法步骤40
• 4.4.4 基本粒子群优化算法的伪代码40-41
• 4.4.5 带惯性权重的粒子群优化算法41-42
• 4.5 对基本PSO算法改进42-46
• 4.5.1 改进的算法思想42-43
• 4.5.2 改进的算法描述43
• 4.5.3 改进的算法步骤43-44
• 4.5.4 改进的算法的伪代码44-45
• 4.5.5 改进的算法的流程45-46
• 4.6 NPSO-BP分类识别器的设计46-48
• 4.6.1 NPSO-BP分类识别器的原理46-47
• 4.6.2 NPSO-BP分类识别器的设计步骤47-48
• 4.6.3 NPSO-BP分类识别器的实现流程48
• 4.7 NPSO-BP分类识别器的仿真实验与结果分析48-54
• 4.7.1 BP网络的结构设计48-49
• 4.7.2 仿真参数的设置49-50
• 4.7.3 数据预处理50
• 4.7.4 实验对比与结果分析50-54
• 4.8 本章小结54-56
• 第五章 总结与展望56-58
• 5.1 工作总结56-57
• 5.2 工作展望57-58
• 致谢58-59
• 参考文献59-62
• 附录：作者在攻读硕士学位期间发表的论文62

【相似文献】

中国期刊全文数据库 前10条

1 张传忠;吴素琴;段田东;刘世刚;;数字调制信号多重分形特性分析[J];信息工程大学学报;2011年02期

2 徐岩;谭方;;低信噪比码元瞬时特性数字调制信号识别研究[J];铁道学报;2013年07期

3 苏泽峰;复码及其数字调制信号的精确功率谱分析[J];电讯技术;1984年04期

4 刘明亮 ,贾峰利;用测量法分析数字调制信号[J];国外电子测量技术;1997年02期

5 周云松,邓兵;基于短时分析的数字调制信号识别方法的研究[J];信息技术;2005年06期

6 李伟;;基于小波变换的数字调制信号的特征提取[J];洛阳理工学院学报(自然科学版);2009年01期

7 李伟;;基于人工神经网络的数字调制信号的快速识别方法[J];洛阳理工学院学报(自然科学版);2009年04期

8 刘明骞;李兵兵;刘涵;;数字调制信号识别性能的评估方法[J];计算机科学;2011年05期

9 张万书;数字调制信号用测量方法[J];电视技术;1999年03期

10 王振贵 ,高宗敏;数字调制信号的电缆分配系统接口(1)[J];有线电视技术;2001年19期

中国重要会议论文全文数据库 前4条

1 尚俊娜;李挺;;基于相位信息的MSK软件解调新方法研究[A];通信理论与信号处理新进展——2005年通信理论与信号处理年会论文集[C];2005年

2 廖灿辉;陈绍贺;;利用数字调制信号特征的卫星同频混合信号盲分离[A];第七届卫星通信新技术、新业务学术年会论文集[C];2011年

3 周峰;张睿;郭隆庆;王南;;非理想传输通道对数字调制信号EVM的影响——理论、仿真和测量[A];2009安捷伦科技节论文集[C];2009年

4 辛建芳;张立毅;魏瑾;甘子平;;基于高阶累积量的数字调制信号识别[A];中国通信学会第五届学术年会论文集[C];2008年

中国硕士学位论文全文数据库 前10条

1 孟祥雅;常用数字调制信号的识别研究[D];河北大学;2015年

2 石亚云;非高斯噪声环境下数字调制信号的识别方法研究[D];西安电子科技大学;2014年

3 史先铭;通信信号的特征值提取与识别的算法研究[D];江南大学;2016年

4 曹家亮;数字调制信号识别研究[D];哈尔滨工程大学;2009年

5 刘明骞;基于支持向量机的数字调制信号识别[D];西安理工大学;2009年

6 陈琦珍;数字调制信号方式的小波识别算法研究[D];南昌大学;2007年

7 邓能;数字调制信号的质量检测[D];北京邮电大学;2015年

8 冯利利;改进型自组织特征映射神经网络的数字调制信号识别技术研究[D];太原理工大学;2011年

9 高建勤;基于小波和分数阶微分的数字调制信号分析与识别[D];四川大学;2006年

10 鞠帅;短波信道中数字调制信号的检测与识别[D];哈尔滨工程大学;2007年

  本文关键词：通信信号的特征值提取与识别的算法研究，，由笔耕文化传播整理发布。

本文编号：349347