单载波信号与OFDM信号调制识别研究

摘要

随着现代通信技术的快速发展，通信信号的调制样式变得越来越复杂多样，频谱资源越来越紧张，信号环境越来越复杂，这就使得通信信号的调制识别显得尤为迫切和重要，成为军民领域十分重要的研究课题。
　　 通信信号的调制识别方法有很多种，在单载波信号调制识别方面，现有的识别方法所提取的特征值往往很容易受到噪声的干扰，识别率低下;在正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)信号调制识别方面，现有技术通常计算量大，复杂度高，识别率低。
　　 针对通信信号调制识别受信噪比(Signal to Noise Ratio，SNR)影响大的问题，计算量大，分类器训练困难问题以及多径衰落信道下OFDM信号调制识别难题，本文作了如下工作:
　　 1.研究了一种基于小波分解的通信信号调制识别算法。一般情况下噪声为高频信息，而待识别的通信信号经过预处理后为低频信息，对预处理后的信号进行一定尺度下的小波分解能得到包含较少噪声的细节信息，根据这一特点，本文将小波分解理论与调制信号的瞬时特征、高阶累积量以及分形理论相结合，提取出对噪声不敏感的信号特征参数，有效提高了信号的正确识别率。
　　 2.研究了一种基于粒子群支持向量机(PSO-SVM)的通信信号调制识别方法。粒子群优化算法(Particle Swarm Optimization，PSO)是一种具有全局寻优算法，支持向量机(Support Vector Machine，SVM)能较好地解决分类问题中的非线性、小样本、维数灾难和局部极小点等问题。本文把PSO和SVM结合起来，将SVM的未知参数，即惩罚系数C及径向基(RBF)核的宽度系数γ设为相应粒子的位置向量X，从而达到优化SVM参数的目的，较好地解决了通信信号调制识别方法中计算量大，分类器训练困难的问题。
　　 3.研究了基于循环自相关的多径衰落信道下OFDM信号的盲识别问题。根据通信信号的循环平稳性，提出一种基于循环自相关的多径衰落信道下OFDM调制识别算法。通过对多径衰落信道下具有循环前缀的OFDM信号循环自相关特性的数学推导，验证了在一定延时处，OFDM信号的循环自相关会出现峰值而单载波信号无此峰值，据此特性可以实现多径衰落信道下OFDM信号和单载波信号的调制识别。该算法消除了如符号时间估计，载波估计，波形恢复，信噪比估计等预处理过程，计算复杂度低，识别率较高。理论分析及仿真结果均验证了该算法的正确性与有效性。
　　 论文对上述各种方法在理论分析的基础上都进行了MATLAB仿真，通过分析和比较验证了所提出算法具有提高信号识别率的作用。因此本文提出的算法为解决单载波和OFDM信号调制识别提出了一种可行的方案，具有一定的适用价值和应用前景。

目录

声明

摘要

插图清单

附表清单

第一章 绪论

1．1 通信信号调制识别的研究背景

1．2 通信信号调制识别的发展历史及研究现状

1．2．1 决策论方法的发展

1．2．2 统计模式识别方法的发展

1．3 本文主要工作及章节安排

第二章 常见单载波信号调制识别的基本原理

2．1 引言

2．2 常见单载波信号模型

2．3 特征参数提取方法及相关理论

2．3．1 瞬时特征提取方法

2．3．2 高阶累积量理论

2．3．3 分形理论

2．4 BP神经网络理论

2．5 本章小结

第三章 基于小波分解的通信信号调制识别算法

3．1 引言

3．2 小波变换与多分辨分析理论

3．2．1 小波变换

3．2．2 多分辫分析理论

3．2．3 正交滤波器组

3．2．4 Mallat算法

3．3 基于小波分解特征参数的提取

3．4 分层结构神经网络分类器设计

3．5 仿真分析

3．6 本章小结

第四章 基于PSO-SVM的通信信号调制识别算法

4．1 引言

4．2 支持向量机原理基础

4．2．1 VC维

4．2．2 机器学习问题与经验风险最小化

4．2．3 结构风险最小化

4．2．4 支持向量机

4．3 粒子群优化算法

4．4 PSO-SVM算法

4．5 仿真分析

4．6 本章小结

第五章 基于循环自相关的多径衰落信道下OFDM信号盲识别

5．1 引言

5．2 OFDM关键技术

5．2．1 OFDM基本原理

5．2．2 OFDM保护间隔和循环前缀

5．3 循环平稳理论

5．3．1 一阶循环平稳理论

5．3．2 循环自相关理论

5．4 多径衰落信道下信号循环平稳性分析

5．4．1 多径衰落信道下OFDM信号循环平稳性分析

5．4．2 多径衰落信道下单载波信号循环平稳性分析

5．4．3 识别算法

5．5 计算机仿真

5．6 本章小结

第六章 总结与展望

6．1 工作总结

6．2 工作展望

致谢

参考文献

附录