典型通信信号及生物医学信号的识别与认知技术研究

发布时间：2020-11-20 01:59

　　 认知无线电技术是现代最主要的一种无线通信技术,能有效的进行频谱管理,智能的认知整个通信过程。在生物医学领域中,认知无线电也具有很重要的应用价值,可以解决分配给医疗应用的频谱稀缺性所造成的干扰问题。认知无线电技术分为硬件和软件部分。软件部分主要有基于认知的调制识别技术、频谱感知技术等。为了提高无线资源的使用效率,本文研究了常用通信信号及生物医学信号的识别与认知技术。这些技术有助于降低无线通信及远程医疗通信中的干扰,有助于信号的频谱管理,提高频谱利用率。信号调制识别技术在环境监测和认知无线电中有着广泛的应用。通信信号的调制识别研究在已存在的相关算法中,基本分为两类:一种为基于最大似然的判别算法,算法实现比较复杂,并且对模型的时间偏移、相位偏移、频率偏移、相位噪声等敏感[1];另一种为基于特征识别的算法,该算法实现简单,如果选出合适的特征参数,会具有很好的识别效果。即使在模型失配的情况下性能也较为稳健,实用性能较强。本文重点研究典型通信信号及生物医学信号的识别技术。主要目的是提出复杂度偏低、性能偏稳健、识别效率较高的信号分类识别算法,降低远程医疗通信中的信号干扰,提高频谱利用率,并且进行频谱优化。本文基于现存的一些信号识别应用,利用分形理论对噪声不敏感的特性,取得了如下研究成果:1.提出了一种基于调和平均分形盒维数的认知无线通信信号识别算法。首先,对接收到的信号通过希尔伯特变换进行预处理,然后提取其盒维数以及峰度调和参数,并将这两个参数进行调和平均,构成调和平均分形盒维数这一特征参数,并采用决策树理论进行分类识别。仿真结果表明,所提出的算法在5GHz免授权频段WiFi、LTE-U、Bluetooth、ZigBee等系统共存时,在-5dB低信噪比的情况下对无线信号的调制识别率高达80%以上,远高于传统算法的识别率,并且具有较低的复杂度和特征稳健性,易于工程应用。2.提出了一种基于高阶累积量和归一化峰度的信号调制类型识别算法。在传统信号分类识别中,高阶累积量特征被广泛运用到信号的调制类型识别。但是,高阶累积量识别的信号种类有限,针对这一问题,引入信号的归一化峰度,提取信号的高阶累积量和归一化峰度这两个特征参数,利用级联的神经网络作为信号分类器,对通信信号进行分类识别。对 2ASK、BPSK、4ASK、4PSK、2FSK、4FSK、16QAM等7种信号进行了仿真,仿真结果表明,该联合算法计算复杂度较低,抗噪性能较好。在测试样本不少于100的条件下,信噪比不低于5dB时,准确识别率能达到87%及以上。3.在生物医学信号识别与认知部分,重点研究了心电信号的特征提取与识别。对于正常心电信号和非正常心电信号的识别,提出一种新的算法,首先对心电信号进行循环谱分析,得到心电信号的alpha循环频率,然后进行分形特征提取。心电信号的数据来自著名的MIT-BIH数据库,经Matlab仿真实验验证,心电信号识别方面,分形截距比分形盒维数更具有识别度。
【学位单位】：北京邮电大学
【学位级别】：硕士
【学位年份】：2017
【中图分类】：R-05;TN911.7
【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 引言
    1.2 研究背景、现状、发展趋势
    1.3 本文主要研究内容和安排
        1.3.1 主要研究内容
        1.3.2 结构安排
第二章 典型通信信号的调制原理及模式识别方法
    2.1 典型通信信号的调制原理和分类
        2.1.1 典型通信信号的调制原理
        2.1.2 典型通信信号的分类
        2.1.3 扩频通信
        2.1.4 OFDM多载波调制通信
    2.2 通信信号调制方式识别算法
        2.2.1 循环累积量方法
        2.2.2 时域方法
        2.2.3 频域方法
        2.2.4 时频分析方法
        2.2.5 循环谱方法
        2.2.6 高阶矩方法
        2.2.7 星座图方法
        2.2.8 分形域方法
    2.3 分类规则
    2.4 小结
第三章 基于调和平均分形盒维数的认知无线通信信号识别算法
    3.1 基于模式识别理论的调制方式识别算法
    3.2 分形理论
        3.2.1 分形理论的创始和发展
        3.2.2 分形的数学定义
        3.2.3 分形的性质描述定义
    3.3 分形维数定义和计算
        3.3.1 分形盒维数的定义
        3.3.2 分形盒维数的计算
        3.3.3 高斯噪声信号和调制信号的分形盒维数
    3.4 基于调和平均分形盒维数的认知无线通信信号识别算法设计
        3.4.1 调和平均盒维数的定义
        3.4.2 仿真结果分析
    3.5 小结
第四章 基于高阶累积量和归一化峰度的信号调制类型识别算法
    4.1 高阶累积量简述
        4.1.1 高阶累积量定义
        4.1.2 高阶累积量的性质
    4.2 调制信号的累积量理论分析
        4.2.1 MASK信号的高阶累积量理论值
        4.2.2 MFSK信号的高阶累积量理论值
        4.2.3 MPSK信号的高阶累积量理论值
        4.2.4 MQAM信号的高阶累积量理论值
        4.2.5 数字调制信号识别特征参数构造
        4.2.6 归一化峰度
    4.3 级联神经网络分类器的设计
        4.3.1 径向基函数
        4.3.2 径向基神经网络
    4.4 仿真结果分析
    4.5 小结
第五章 生物医学信号的识别与认知技术研究
    5.1 生物医学信号简述
        5.1.1 生物医学信号特点
        5.1.2 生物医学信号处理主要过程
    5.2 心电信号的识别算法
        5.2.1 提取心电信号特征的方法
        5.2.2 识别算法设计
    5.3 本章小结
第六章 总结与展望
参考文献
致谢
作者攻读学位期间发表的学术论文目录

【相似文献】

相关博士学位论文 前10条

1 黄玉春;基于极致学习机的通信信号辐射源个体识别技术研究[D];华中科技大学;2007年

2 吕铁军;通信信号调制识别研究[D];电子科技大学;2000年

3 郭双冰;混沌时间序列预测及其混沌理论在通信信号调制识别中的应用[D];电子科技大学;2003年

4 郑文秀;数字通信信号的参数估计与干扰技术研究[D];西安电子科技大学;2008年

5 钟怡;基于无线通信信号的目标识别关键技术研究[D];北京邮电大学;2017年

6 唐星;认知无线电网络机会路由算法的研究[D];武汉大学;2012年

7 何浩;认知无线电动态频谱接入关键技术研究[D];电子科技大学;2014年

8 刘法;分布式认知无线电网络的QoS保障关键技术研究[D];哈尔滨工业大学;2015年

9 王亮;谱效和能效优化的认知无线电网络资源分配技术[D];西安电子科技大学;2015年

10 郑仕链;认知无线电动态频谱接入关键技术研究[D];西安电子科技大学;2014年

相关硕士学位论文 前10条

1 龙晓红;典型通信信号及生物医学信号的识别与认知技术研究[D];北京邮电大学;2017年

2 王勇;通信信号频率扫描和测量的实现[D];电子科技大学;2014年

3 马小朋;基于ARM的通信信号源的设计与实现[D];中南民族大学;2015年

4 刘斌;卫星猝发通信信号捕获和同步研究[D];天津大学;2016年

5 宋健京;通信信号产生算法及其实现[D];南京理工大学;2009年

6 靳鑫;非合作通信信号侦察算法研究与实现[D];哈尔滨工程大学;2016年

7 魏小敏;基于低秩近似的通信信号欠采样算法研究及应用[D];哈尔滨工程大学;2016年

8 李林峰;通信信号个体识别[D];西安电子科技大学;2007年

9 沈杰;典型通信信号细微特征的小波分析与提取[D];四川大学;2003年

10 王立乾;数字通信信号的源码解调技术研究[D];西安电子科技大学;2004年

本文编号：2890768