调制识别

摘要： 针对传统的基于卷积神经网络的通信调制识别方法存在的缺陷,本文提出一种基于卷积神经网络与对抗训练的通信调制识别方法。该方法首先构建卷积神经网络作为深度学习模型,然后通过卷积核提取调制信号的特征参数,并通过对抗训练的方法提升网络的抗噪性能。最后采用SoftMax层输出识别概率,达到多调制识别的目的。实验结果表明,在缺少信道和噪声等先验信息的条件下,该方法的识别率得到了进一步提升,能有效识别16QAM,64QAM等11种调制类别,具有较好的工程应用价值。

摘要： 自动调制识别作为信号检测和解调的中间步骤,在无线通信系统中起着至关重要的作用。针对现有自动调制识别方法识别精度低的问题,提出了一种双模态混合神经网络(bimodal hybrid neural network,BHNN),该网络利用多个模态中包含的互补增益信息来丰富特征维度。将改进的残差网络与双向门控循环单元并行连接,构建双模态混合神经网络模型,分别提取信号的空间特征与时序特征。引入DropBlock正则化算法,有效抑制网络训练过程中过拟合、梯度消失和梯度爆炸等对识别精度的影响。以双模态数据输入,充分利用信号的空间与时序特征,通过并行连接减少网络深度,加速模型收敛,提高调制信号的识别精度。为验证模型的有效性,采用两种公开数据集对模型进行仿真实验,结果表明,BHNN在两种数据集上识别精度高、稳定性强,在高信噪比下识别精度分别可达89%和93.63%。

摘要： 通信信号调制方式识别在信号检测、频谱监测等领域有着重要的地位,是非合作通信的关键技术。本文利用信号的四阶、六阶、八阶累积量构造多个特征参数,实现了2ASK、2FSK、BPSK、QPSK、16QAM和OFDM六种常用数字信号调制方式的识别。在MATLAB环境下进行了仿真实验,实验结果表明,该方法在0dB信噪比下可以实现有效识别。

摘要： 跳频信号在抗干扰方面具有良好的性能。准确识别跳频信号的调制方式,能够为判断敌我目标属性、干扰敌方信号等军事信息战提供有力支撑,但国内外对于跳频信号的调制识别仍存在很大空缺。本文提出一种基于时频特征的跳频信号调制识别方法,通过平滑伪魏格纳-维利分布(SPWVD)时频变换获取不同调制类型的跳频信号时频图像,将时频图像送入卷积神经网络(CNN)中进行特征提取及分类识别。仿真实验证明,本文CNN在低信噪比下取得了较好的识别效果。

摘要： 针对调制识别算法设计复杂度高,低信噪比条件下识别率低的问题,提出一种瞬时特征参数与神经网络分类器相结合的调制识别方法。该方法利用瞬时幅度、瞬时频率与瞬时相位3个参数作为神经网络分类器的输入,能有效识别二/四进制振幅键控、二/四进制频移键控、二/四进制相移键控信号调制类型。仿真结果表明,在信噪比为5 dB时信号的平均识别率达到94.67%。该方法不仅识别性能优于决策树,且设计简单,复杂度远低于深度神经网络,便于工程应用。

摘要： 深度学习模型依赖大量带类标的数据作为训练数据,实际应用的各种无线电环境中收集并标记无线电信号需要消耗大量的人力物力,极大地限制了深度学习模型在无线电信号识别中的应用。目前针对数据量不足带来的问题,研究者们主要采用数据增强的方法,即根据一些先验知识,在保持已知信息的前提下,对原始数据进行适当变换达到扩充数据集的效果。具体到分类任务,在保持数据类别不变的前提下,可以对训练集中的每个样本进行变换,如在一定程度内的随机旋转、缩放、裁剪、左右翻转等,这些变换对应着同一个目标在不同角度的观察结果,并且增强效果有限。此外,深度学习作为一个非常复杂的方法,会面对各种安全问题。深度神经网络很容易受到对抗样本的攻击,攻击者可以通过向良性数据中添加特定的扰动,生成对抗样本,使DNN模型出错。虽然这些伪造的样本对人类的判断没有影响,但是对于深度学习模型来说是一个致命性的误导。聚焦到深度学习领域,本论文提出一种针对无线电信号分类的对抗增强方法,将对抗训练方法引入信号领域,通过控制eps、iteration参数,在数据集中添加算法精心设计的细微扰动生成靠近决策边界面的边界样本实现数据增强,将边界样本与训练样本混合,重新训练识别模型,在提升模型识别精度的同时,提升模型的防御能力。最终在多个分类模型、多个实际无线电信号数据集上的分类性能都有显著的提高,同时防御性能也显著增强,验证了本文提出的信号增强识别方法的有效性。

摘要： 针对现阶段基于深度学习的调制识别算法中出现的检测效率低下的问题,提出一种高效的调制识别算法—RadioFSDet(Radio Frequency Spectrum Detection)检测算法.RadioFSDet算法利用信号在频谱图上的特征差异,使用目标检测算法YOLOv4检测频谱图上的调制信号.相较于主流的基于深度学习的调制识别算法,RadioFSDet算法不仅能够在一次模型推理中检测出多个信号的调制类别,还能够大致确定每个信号的中心频率.实验结果表明,RadioFSDet算法对在真实场景下采集的多个超短波全频段中的AM、FM、GSM和QPSK信号均实现良好的检测,平均检测精度达到71%,同时在公开数据集RadioML2016的实验中,RadioFSDet算法对信噪比在0~18dB下的AM、FM和QPSK信号实现87%的平均检测精度.此外,为了进一步加快RadioFSDet算法的检测速度,本文结合计算机视觉领域的最新研究成果,提出一种高效的轻量级检测网络RadioFSNet,该网络的参数量不仅由原来的6400万下降至220万,而且模型的检测精度不会下降.实验结果表明,在超短波全频段的数据集中,RadioFSNet的检测速度达到77FPS,平均每秒钟检测231个信号,大幅度提高模型的检测效率.

摘要： 支持多种载波调制方式的多制式自适应水声通信,可高效利用时变、频变、空变水声信道的通信带宽,是水声通信技术的发展趋势之一。针对多制式自适应水声通信的信号载波调制方式自动识别需求,本文提出了一种基于迁移学习的水声通信信号载波调制方式识别方法(UACCMR/TL)。通过多制式水声通信系统建模、水声信道建模,生成了单载波时间域扩频(SCTDSS)、单载波频域均衡(SC-FDE)、正交频分复用(OFDM)和多载波频域扩频(MC-FDSS)4种典型水声通信载波调制信号的时间序列数据集,采用时频分析方法将时间序列信号数据集转换成时频图像数据集,利用迁移学习方法将图像识别领域的深度学习模型VGG16应用于水声通信信号的载波调制方式识别。仿真结果表明:所提出的UACCMR/TL方法对SC-TDSS、SC-FDE、OFDM和MC-FDSS信号具有良好的识别性能,信噪比为5 dB以上时,分类准确率均达到90%以上,信噪比为15 dB时,分类准确率均接近于100%;同时,UACCMR/TL方法可以在不同信道较少数据样本模型微调下达到良好的识别性能,具有良好的信道泛化性能。

摘要： 针对受莱斯衰落影响的4QAM、16QAM、32QAM、64QAM、128QAM、256QAM六类信号,分别研究了卷积神经网络(CNN)模型以及特征参数结合深度神经网络(DNN)分类器模型的调制方式识别性能。CNN模型需要大量带标签的数据集以及很长的训练时间才能获得较好的识别性能,而特征参数结合深度神经网络分类器模型所需训练时间较短,但其分类性能受限于特征参数的设计。针对以上问题,研究了混合高阶矩作为特征参数集,再将DNN作为分类器对多进制正交幅度调制(MQAM)信号进行识别的方法。仿真结果表明,该方法在低信噪比情况下对受莱斯衰落影响的MQAM信号识别准确率高于CNN模型,且分类准确率上限明显高于采用高阶累积量作为特征参数的方法。

摘要： 针对小样本条件下通信信号识别准确率不高、网络训练困难的问题,本文提出一种基于残差生成对抗网络的调制识别算法。首先,设计一种以Leakyrelu作为隐藏层激活函数的新残差单元,使得网络对输入为负值的数据也可以进行梯度计算;然后,将新残差单元组成的残差网络和卷积神经网络作为本文算法的基本网络结构,使用卷积步幅为1的非对称小卷积核,更好地提取信号的边缘特征信息;最后,用Dropout代替池化操作,并选择Adam梯度优化算法以交替迭代方式完成网络训练。仿真实验结果表明,小样本条件下,残差生成对抗网络算法复杂度明显降低,信噪比(signal to noise ratio,SNR)在0 dB以上时,对10种调制信号的识别准确率可以达到91%,验证了所提方法的有效性。

摘要： 水声通信信号的调制识别在军事通信和电子对抗领域有着重要的研究意义.提取调制区分度高的特征量是实现调制识别的关键步骤,主要算法包括:基于瞬时特征参数、循环统计量、小波变换等.

摘要： 为减少水下通信中信号信息损失的问题,降低波形畸变率,提高调制识别率,解决经典支持向量机理论出现二次规划局部最优的问题,本文提出一种将深度置信网络(DBN,Deep Belief Network)和支持向量机(SVM,Support Vector Machine)相结合的算法,设计出抗时频衰落信道的调制信号分类器.利用深度置信网络构造多特征融合权重矩阵,解决信息损失和畸变造成的模糊效应,提高信息衰变时的分辨率;然后支持向量以此权重矩阵作为模型,识别不同类型调制信号.仿真实验表明,在瑞利多途衰落信道环境下,该分类器的识别率优于单一特征分类方法,而且有较高的鲁棒性.

摘要： 针对矩形成形的MPSK信号,给出了一种基于相位统计的调制识别方法,且对具体的相位统计方法进行了仿真,给出了相位统计模型,并进一步研究了升余弦成形对算法性能的影响.针对升余弦成形信号的调制识别问题,通过研究常用卫星通信信号的瞬时统计特性,并结合信号的瞬时包络均值、零中心瞬时相位方差、包络谱和四次方谱特征实现对信号集{BPSK,QPSK,OQPSK,π/4DQPSK, 16QAM}的调制方式识别.仿真结果表明,该算法可以有效地识别常用卫星通信信号调制方式.

摘要： 在通信信号调制方式识别中,目前已有的方法大多是基于高斯白噪声干扰的通信环境.对于多径干扰强的环境下的调制识别难以实现以及识别率低的问题,首先提出基于改进的Liavas算法对信道阶数进行准确估计,在此基础上利用基于子空问的多信道盲辨识和盲均衡来克服多径信道带来的影响,然后对均衡结果进行高阶累积量计算,提取特征参数完成调制识别.与已有的算法相比,适用范围广,实用性强,所需先验知识少.仿真结果证实算法的有效性.

摘要： 调制方式的自动识别是保证合法通信的关键措施之一,在民用和军用领域郡有重要的作用。本文提出了一种在无线传感器网络中多个传感器节点分布式协作识别数字调制信号的新方法。为了克服低信噪比时单接收节点调制识别率低的缺点,实现对MASK,MFSK,BPSK,QPSK以及OFDM这几种典型调制方式的正确识别,首先利用网络中相互协作的多个传感器,从提高网络识别性能出发,在每个传感器节点能耗最小的前提下,根据接收信噪比的大小设计有效的协作方案,得到反映调制类型显著差异的特征参数的新组合,然后利用径向基神经网络对数字调制信号进行识别,并就不同的网络条件,给出了不同的协作方案。仿真结果表明,与单节点调制识别相比,本文设计的调制识别方法具有更高的识别率,并且节点系统更灵活可靠。

摘要： 在水声通信中,海洋信道复杂多变使得常规的通信调制模式如频移键控、相移键控等调制方式不能满足可靠传输的要求,常受主动声呐信号、舰船辐射噪声等信号干扰.因此,非合作水声通信体制识别研究作为水声对抗领域的重要组成部分,日益成为重要的研究课题.

摘要： 针对非合作水声通信信号调制识别，本文提出了一种基于模糊系统的水声通信信号调制识别方法，该方法基于功率谱和循环前缀的相关性进行无需先验知识的特征参数提取并构成模糊输入集，利用模糊分类器对水声通信调制信号进行调制识别测试。实验结果初步表明，本文识别方法的识别率高，且对不同水声信道具有较好的稳健性。

摘要： 深空通信中的自主无线电接收机技术在航天领域中有着重要的意义,它能在未知无线电信号特性的情况下自动实现信号参数的估计和接收机的重新配置。该文在无线电信号通用模型基础上,分析总结了自主无线电接收机的参数估计顺序和结构模型,讨论了参数估计的算法,并着重对粗估计阶段使用的利用归一化的准对数似然比的调制识别算法进行了改进和仿真分析。

摘要： 本文研究了利用小波变换有效的提取数字信号的瞬时突变特征，从而确定实现码元速率估计，并基于此方法对几种常见的数字信号-PSK、FSK、QAM、GMSK进行仿真验证。理论分析和仿真表明，本文所提算法可以作为调制识别领域估计码元速率的重要方法。

摘要： 针对AM、DSB、USB、LSB、FM五种语音信号常用的模拟调制方式，采用基于判决理论的识别算法，首先提取信号的三瞬参量：瞬时幅度、瞬时相位和瞬时频率，然后计算特征参数，通过门限判决信号的调制方式。提出了一种新的方法对瞬时相位进行处理，提高了调制方式识别概率。仿真结果表明，在信噪比大于10dB的情况下，识别概率均大于97％，对语音信号调制方式识别具有明显的效果。

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： 本发明提供了一种调制信号的调制类型识别方法，首先构建训练数据集和测试数据集，然后确定分类模型和策略，最后测试数据集测试分类器性能。本发明采用差分星座矢量图的最小环带模值方差为特征，构建一棵二叉树分类器对π/4‑QPSK、8PSK调制信号的调制类型进行分类，假定样本大小为n，采用四阶和八阶累积量为识别特征的分类方法的计算复杂度为O(n8)，而本发明的计算复杂度为O(n2)。因此，本发明的计算复杂度远低于基于高阶累积量的方法。在实际的应用场景中通常无法获取先验信息，本发明不需要任何先验知识，因此本发明的使用条件宽泛，利用实际应用。

摘要： 一种识别正交调制信号的调制格式的方法及装置，用以解决现有技术中识别信号的调制格式的准确性较低的问题。确定接收的正交调制信号的符号序列中多个符号各自的归一化功率，并确定该多个符号的归一化功率落在每个预设的功率范围内的概率，据此确定该正交调制信号的功率分布特征值，根据确定的功率分布特征值与预设的多个门限值的比较结果确定该正交调制信号的调制格式。上述方法可避免频偏和相位噪声对识别结果的影响，应用在诸如EON等具有较大频偏和相位噪声的系统中可有效提高识别信号调制格式的准确性。

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： 本发明公开了一种标准调制格式和概率整形调制格式的识别方法，包括以下步骤：S1、搭建光生通信系统；S2、采集标准的调制格式信号和概率整形调制格式信号；S3、对神经网络进行训练、裁剪和微调。本发明考虑更高频率的信道损伤，可以工作在B5G/6G通信新频段上(特别是频段400GHz)；同时考虑了新型调制格式，可以识别标准的调制格式和概率整形的调制格式；并且通过对神经网络进行裁剪，大大降低神经网络的计算复杂度，可以适应实时环境，提升准确度。

摘要： 本发明提供了一种调制信号的调制类型识别方法，首先构建训练数据集和测试数据集，然后确定分类模型和策略，最后测试数据集测试分类器性能。本发明采用差分星座矢量图的最小环带模值方差为特征，构建一棵二叉树分类器对π/4‑QPSK、8PSK调制信号的调制类型进行分类，假定样本大小为n，采用四阶和八阶累积量为识别特征的分类方法的计算复杂度为O(n

摘要： 一种识别正交调制信号的调制格式的方法及装置，用以解决现有技术中识别信号的调制格式的准确性较低的问题。确定接收的正交调制信号的符号序列中多个符号各自的归一化功率，并确定该多个符号的归一化功率落在每个预设的功率范围内的概率，据此确定该正交调制信号的功率分布特征值，根据确定的功率分布特征值与预设的多个门限值的比较结果确定该正交调制信号的调制格式。上述方法可避免频偏和相位噪声对识别结果的影响，应用在诸如EON等具有较大频偏和相位噪声的系统中可有效提高识别信号调制格式的准确性。

摘要： 一种基于卷积循环网络的信号调制识别系统及调制识别方法，公开了一种基于卷积循环网络的数字信号自动调制识别方法：将接收的数字信号的I/Q分量原始数据作为输入；设计深度卷积网络提取特征，拓展I/Q维度增加特征的丰富性，压缩时间维度降低分类的时间成本开销；在时间维度引入循环网络结构提取时序信息；利用全连接层输出完成调制识别。本发明所提出的方法在含噪声的公开数据集RML2016.10b中低信噪比的情况下，取得了比现有方法更好的效果。

摘要： 本发明公开的一种数字调制信号差分星座信息提取与调制识别方法，抗噪能量强、不受载频估计偏差影响。本发明通过下述技术方案实现：首先，将截获信号转换为复数形式，并构建码元截断数据矩阵A，再对A进行奇异值分解，并统计较大奇异值个数；其次，根据模值大小将第一左奇异向量中元素进行分组；然后，提取各组模值元素对应的差分星座信息；最后，根据奇异值较大值个数、第一左奇异向量元素模值分组个数及各组元素差分相位峰值个数及相位值，完成截获数据中蕴含的幅度、相位等调制信息提取，实现信号调制方式识别。本发明避免了识别的类型有限且扩展不方便的缺陷。可以提高接收机的自动化程度，增强实时侦听能力。

摘要： 本发明属于无线通信技术领域，涉及一种基于调制特性的高斯混合模型的调制识别方法。本发明的识别方法包括：接收机对接收到的信号进行预处理，通过预处理获得针对不同调制方式的初始化聚类中心点；采用基于调制特性的高斯混合模型，对调制方案集合中的所有调制方式都进行计算，获得每一种调制方式的似然函数；采用最大似然标准选择具有最大似然值的调制方案，作为识别结果。本发明的有益效果在于，本发明提出的调制识别模块与传统调制识别方法相比，可以有更高的识别精确度，能够在较短的观测间隔内识别出源信号的调制方式。同时，本发明不需要知道信道参数和信源信号的先验信息，并且对于噪声不确定性的场景都有很强的鲁棒性。