调制方式识别

摘要： 随着海陆空一体覆盖的6G通信技术不断发展,水下通信技术作为其关键组成部分起着至关重要的作用,水声信号调制方式识别技术保障了通信系统的稳定性。针对基于深度学习算法的水声信号调制方式识别技术准确率低、复杂度高的问题,设计了一种高效、准确的基于深度融合神经网络的水声信号调制方式识别算法。试验结果表明,基于实测水声数据集,该算法验证集准确率高达98.21%,水声信号平均识别时间仅为7.164 ms,与常规深度学习算法相比,深度融合神经网络模型既保证了高识别精度又大幅降低了识别时间。

摘要： 近年对非协作通信信号的识别成为通信对抗领域的研究热点,提出一种非协作通信信号调制方式识别方法。通过信号处理算法对非协作信号进行特征参数提取,以判决树为基础,结合判别流程对信号调制方式进行识别,通过该方法可识别多种模拟调制信号及数字调制信号。对于频移键控(frequency shift keying,FSK)信号,提出通过提取基带信号采样点间相位差构建新的信号,根据构建信号的识别结果确定原信号的调制类型,避免了对先验信息的需求。提出的信号调制方式识别方法整体计算量小,具有良好的实时性。通过Matlab仿真结果表明,该方法具有良好的识别率,证明了该方法的正确性和可行性。

摘要： 针对常见雷达信号调制方式识别方法无法识别未知调制方式的问题,本文提出了一种基于MobileNetV3-SVDD的雷达信号调制方式开集识别方法。将不同调制方式的雷达信号转换成时频图像,使用轻量级深度神经网络MobileNetV3网络提取图像特征。基于一类分类器SVDD构建调制方式超球体来测试识别在训练中未出现过的未知调制方式,完成了对雷达信号调制方式的开集识别。实验结果表明:该方法在信噪比等于8 dB时,已知调制方式识别率均达到100%,未知调制方式识别率均达到95%以上,实现了对未知调制方式的有效分类识别。

摘要： 随着通信系统电磁环境的日益复杂,确保数字信号调制方式识别的有效性和准确性尤为重要。针对数字信号的特点,引入分数阶傅里叶变换(FRFT)提取修正分数域瞬时幅度参数RMAX进行幅度信号的识别,引入FRFT提取修正分数域四阶累积量比值进行频率信号的识别及类内信号的识别,完成分数域数字信号的调制方式识别。仿真结果表明,该方法可在低信噪比下有效识别调制方式,具有较好的识别准确性,可为工程实践提供理论借鉴。

摘要： 随着通信系统电磁环境的日益复杂,确保数字信号调制方式识别的有效性和准确性尤为重要.针对数字信号的特点,引入分数阶傅里叶变换(FRFT)提取修正分数域瞬时幅度参数RMAX进行幅度信号的识别,引入FRFT提取修正分数域四阶累积量比值进行频率信号的识别及类内信号的识别,完成分数域数字信号的调制方式识别.仿真结果表明,该方法可在低信噪比下有效识别调制方式,具有较好的识别准确性,可为工程实践提供理论借鉴.

摘要： 信号的调制方式识别是信号解调分析的前提,是无线电监测的重点.针对传统调制方式识别方法准确率低的问题,利用基于卷积神经网络的调制方式识别技术,建立了一种获取和识别信号的方法,通过构建自动采集系统,采集大量真实的无线电信号,训练形成卷积神经网络模型.测试表明,识别率有所提升.

摘要： 针对MIMO通信系统在信道衰落情况未知、小样本、低信噪比条件下如何实现对通信信号进行有效侦察的问题,本文提出了一种面向MIMO系统的非合作通信侦察实现架构,实现对MIMO系统非合作通信参数的有效估计.首先搭建了MIMO通信系统模拟仿真平台;然后针对编码模式识别、盲信道估计、调制方式识别等关键技术进行了研究,给出了改进方法及实现步骤;最后在仿真测试平台上对所提算法进行了仿真分析,验证了其性能并提出了应用前景.

摘要： 提出了一种基于卷积神经网络的数据链信号调制方式的识别方法。该方法首先通过STFT和联合时频分析方法获得时频域图像数据,然后使用保存的部分数据训练网络模型,调整网络模型参数到最佳状态后保存网络,最后使用剩余的全部数据测试网络模型。通过时域和时频域的3种指纹特征验证表明,经过STFT时频分析的数据具有更好的泛化能力,平均识别率可达98%,识别效果稳定,具有较好的学术价值,为后续研究奠定了基础。

摘要： 针对低信噪比时莱斯信道下特征提取准确性难以保证、识别准确率偏低等问题,提出一种基于Choi-Williams 分布(Choi-Williams distribution,CWD)和深度残差收缩网络(deep residual shrinkage network,DRSN)的通信辐射源信号调制方式识别方法.利用CWD将时域复信号转换为二维时频矩阵,对深度残差网络添加软阈值化得到DRSN,将时频矩阵样本用于对DRSN的训练,最终构建不同信噪比下的调制方式识别网络.仿真实验表明,基于RadioML2016.10a数据集,利用部分先验信息的情况下,该分类识别方法具有较高的识别准确率和噪声鲁棒性.在0 dB时,对11类信号的总体识别准确率达到了 89.95％;在2 dB以上时,总体识别准确率均超过91％,优于其他深度学习识别方法.

摘要： 为改进完善通信辐射源识别课题,引入深度学习作为分类方法.为探究深度学习对辐射源识别的作用,介绍了与通信辐射源识别相关的深度学习理论,从辐射源个体识别与调制方式识别两个方面,对基于深度学习的通信辐射源识别技术的研究现状进行综述,并详细分析了基于深度学习的通信辐射源识别技术的主要难点问题,同时讨论了发展方向和解决方案.

摘要： 根据谱相关函数理论和对常见的数字信号的谱相关函数及特征平面图分析,提出了几种可用于调制方式识别的特征参数,讨论了利用这些特征参数进行调制识别的方法和过程.仿真表明，这种方法有很好的识别效果。

摘要： 本发明属于无线电通信领域，特别涉及一种基于深度学习的通信信号调制方式开集识别方法及系统，利用质心向量和信号样本特征向量之间相似度矩阵来对深度神经网络进行训练优化，并依据质心向量和信号样本特征向量之间的相似度分布来设置对应调制类别下用于拒绝未知类的阈值，其中，质心向量为已知类别的基带理想调制信号的特征向量，且每个已知调制类别对应一个质心向量；利用深度神经网络来获取待识别信号集中目标通信信号与质心向量之间的相似度集合，将相似度集合中最大值对应的类别作为预测类别，并将该最大值与设置的阈值进行比较来判别该预测类别是否为未知类。本发明保持对已知信号识别性能同时，可拒绝未知信号，便于自动调制识别中的应用。

摘要： 基于平行判决的模拟数字混合调制方式识别装置和数字调制方式识别装置，属于通信领域，本发明为解决利用A.K.Nandi和E.E.Azzouz提供的判决树进行自动识别存在正确率低，识别时间长的问题。本发明基于平行判决的模拟数字混合调制方式识别装置包括调制信号接收模块将接收的调制信号通过瞬时特征归一化处理模块和调制方式特征参数提取模块后，通过调制方式粗分类判断模块进行粗分类，然后再通过振幅键控调制方式判断输出模块、相移键控调制方式判断输出模块和频移键控调制方式判断输出模块进行详细分类；基于平行判决的数字调制方式识别装置与之不同的地方在于接收的数字调制信号，且粗分及详细分类时的模块内部结构不同。

摘要： 本发明涉及信号处理技术领域，具体涉及一种信号调制方式识别方法。采集无线电信号，获取无线电信号的星座图；根据所述无线电信号的星座图获取星座二值图像；对所述星座二值图像进行连通域提取，获取星座连通域；根据星座连通域获取最优聚类半径；根据所述最优聚类半径对所述星座二值图像进行均值漂移聚类，获取聚类簇中心；根据所述聚类簇中心获取星座簇的全局形状描述；训练神经网络对所述的星座簇的全局形状描述进行调制方式识别。该方法利用图像处理的方式获取了最优的均值聚类半径，基于该半径可以有效、准确地获取每个星座簇，然后基于星座簇的全局形状描述进行调制模式识别，准确性高、速度快。

摘要： 基于平行判决的模拟数字混合调制方式识别装置和数字调制方式识别装置，属于通信领域，本发明为解决利用A.K.Nandi和E.E.Azzouz提供的判决树进行自动识别存在正确率低，识别时间长的问题。本发明基于平行判决的模拟数字混合调制方式识别装置包括调制信号接收模块将接收的调制信号通过瞬时特征归一化处理模块和调制方式特征参数提取模块后，通过调制方式粗分类判断模块进行粗分类，然后再通过振幅键控调制方式判断输出模块、相移键控调制方式判断输出模块和频移键控调制方式判断输出模块进行详细分类；基于平行判决的数字调制方式识别装置与之不同的地方在于接收的数字调制信号，且粗分及详细分类时的模块内部结构不同。

摘要： 本发明提供一种检波电路。该检波电路具有多个检波器，该多个检波器具有不同的检波频率。通过上述多个检波器检测IF信号的各检波频率的信号电平，该IF信号是由混频器部对接收信号实施频率转换后所得到的信号。比较器根据上述多个检波器检测出的信号电平的比较结果来识别接收信号的调制方式。由此，本发明能够实现一种被设置在接收多个不同调制方式的发送信号的多调制方式兼容的接收装置中、用于识别接收信号的调制方式识别的检波电路，根据该检波电路，能够对多种调制方式的进行识别。

摘要： 本发明公开一种基于并行神经网络的信号调制方式识别系统及识别方法，该系统包括依次连接的输入模块、并行子网模块以及输出模块，并行子网模块包括多个并联连接的神经网络结构，每个神经网络结构对应为一个子网，各神经网络结构分别对应进行不同类型调制方式的识别，输入模块接收待识别信号，并进行编码后形成待处理数据帧分别分发给各神经网络结构，由输出模块根据各神经网络结构的识别结果得到最终的识别结果输出。本发明具有结构简单、识别效率高、灵活性强且精度高等优点。

摘要： 本发明属于雷达信号调制方式识别技术领域，具体涉及一种基于模型重参数化的雷达信号调制方式识别方法。本发明可以将训练过程中的多分支结构等价转换为推理时的单路结构从而提高模型的推理效率，并降低计算成本，同时不影响训练模型的识别精度，适用于计算资源受限的移动或嵌入式平台。本发明采用的多分支结构在训练时可以达到更好的分类效果，可以在提高对雷达信号的识别性能的同时，提高算法的推理效率，便于在嵌入式设备或专用芯片中部署。

摘要： 本申请公开了一种调制方式识别方法、系统及相关组件，该方法包括：获取待识别数据；将待识别数据输入到识别网络，得到识别结果；其中，识别网络的训练过程包括：初始化识别网络的网络参数；获取对应不同调制方式的、先验概率不同的非均衡训练样本；循环执行以下步骤，直至满足预设迭代要求，根据网络参数确定识别网络：将非均衡训练样本输入识别网络并得到输出特征向量；计算输出特征向量与非均衡训练样本的加权损失函数；以加权损失函数最小化为目的，优化网络参数。本申请中使用的识别网络，更适应非均衡概率的实际环境的识别网络，具有优良的分类性能和更高的识别准确率。

摘要： 基于双联合概率的M‑QAM调制方式识别方法及存储介质，属于无线移动通信与调制方式识别技术领域。为了解决传统调制方式识别技术没有考虑发送端根据信道状态CQI值选择调制方式的概率存在的识别性能受限的问题。本发明首先根据当前信道状态参数与调制方式的对应关系得到基于信道CQI估计出的调制方式类别概率P(ωm|CQI)；然后通过对接收信号进行特征提取及后验概率估计，依据接收信号的瞬时统计量、高阶统计量、矩特性以及信号星座图等特征估计出后验概率P(ωm|y)；最后将估计出的两个概率ln[P(ωm|CQI)]与ln(P(ωm|y))直接相加，得到综合概率值ln(Pm)，并基于ln(Pm)进行调制方式类别估计。本发明主要用于M‑QAM调制方式的识别。

摘要： 本发明公开低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法及系统，该方法包括：对不同调制方式的雷达信号进行仿真，加入高斯白噪声，并转化为时频图；以卷积层的参数量为依据对EfficientNet‑B0网络通道数按不同比例进行缩减，得到不同缩减比例对应的小型网络，将各小型网络进行并行运算，得到各分裂EfficientNet网络模型，对雷达信号调制方式进行分类识别。本发明通过缩减网络模型通道数实现参数量成倍缩减，得到的小型网络实现了相近识别率下复杂多类雷达信号的快速分类识别；通过分裂EfficientNet网络实现了在控制参数量的同时复杂多类雷达信号更低信噪比下更高的识别率。