多信号的调制识别技术研究

论文摘要

通信信号的调制识别是通信和非合作通信领域共同关注的研究课题。近十几年来，由于无线电通信技术的迅速发展和广泛普及，信号环境日益复杂，调制识别技术遇到了不少新的挑战。同信道多信号的调制识别就是其中的主要技术难题之一。同信道多信号的调制识别与常规的单信号调制识别有很大的不同，需要从被加性噪声污染的多个待识别信号的混合波形中识别各个信号的调制形式。已有的调制识别方法，包括基于决策理论的方法和基于统计模式识别的方法，绝大多数都是针对单信号提出的，不能直接用于多信号的识别。因此，迫切需要研究新的方法来解决多信号的调制识别问题。本文主要研究基于统计模式识别技术的同信道多信号调制识别方法。针对时域混叠的多个待识别信号在频域和空域的不同分布，提出了同信道多信号调制识别的两种基本途径，即基于信号分离的多信号调制识别技术和从观测数据直接提取各个信号特征的多信号调制识别技术。具体的研究内容和主要的贡献包括：(1)对同信道多信号的调制识别问题作了详细的分析，给出了单通道宽带接收和多通道窄带接收两种多信号数据采集方式，提出并分析了基于信号分离和直接提取特征的两种多信号调制识别基本途径；(2)研究了通信信号调制识别的特征提取问题，提出了基于已调信号统计特性的特征分析框架，用于指导特征的提取，在此基础上讨论了信号的特征提取、特征的维数压缩以及多特征向量、特征集的构造；(3)研究了用于调制识别的分类器设计问题，并根据待识别信号的信噪比相差悬殊的实际问题以及提取多种特征的需要，提出了基于多特征、多标记的分类器设计方案，并把组合分类器的概念引入到调制识别中；(4)重点研究了基于信号分离的多信号调制识别方法，提出了一种基于半球面天线阵的波束形成信号分离新方法，在此基础上提出了从AR模型参数提取特征的已分离信号调制识别方法，可以得到很好的调制识别性能；(5)重点研究了从观测数据直接提取各个待识别信号特征的多信号调制识别方法，提出了一种基于GAR模型参数的多信号调制识别新方法，并针对时域混叠的两个和三个信号以及这些信号在频域中不同的混叠程度，对多信号的直接提取特征和调制识别作了详细的研究，并给出了大量的计算机仿真结果，证实了该方法的可行性和有效性。

论文目录

• 摘要
• ABSTRACT
• 第一章 前言
• 1.1 通信信号的调制识别
• 1.2 调制识别的基本方法
• 1.3 调制识别技术面临的新问题
• 1.4 调制识别的主要文献评述
• 1.5 本文的主要研究内容
• 第二章 多信号的调制识别问题
• 2.1 多信号调制识别的概念
• 2.2 多信号调制识别的观测数据数学模型
• 2.2.1 多信号的单通道接收及观测数据数学模型
• 2.2.2 多信号的多通道接收及观测数据数学模型
• 2.3 多信号调制识别的基本途径
• 2.3.1 多信号调制识别的技术难点
• 2.3.2 多信号调制识别的两种基本途径
• 第三章 已调信号的特征分析与特征提取
• 3.1 引言
• 3.2 已调信号
• 3.2.1 已调信号的数学模型
• 3.2.2 无线电通信中的常用调制形式
• 3.2.3 已调信号的计算机仿真
• 3.3 已调信号的特征分析
• 3.3.1 已调信号的统计性质与特征分析
• 3.3.2 已调信号的常用时域特征分析
• 3.3.3 已调信号的功率谱和高阶谱特征分析
• 3.3.4 已调信号的周期谱特征分析
• 3.3.5 已调信号的时频分布特征分析
• 3.4 已调信号的特征提取
• 3.4.1 原始特征的统计量
• 3.4.2 直方图
• 3.4.3 主分量分析
• 3.5 多特征向量与特征集的构造
• 3.6 小结
• 第四章 调制识别中的分类器设计
• 4.1 引言
• 4.2 神经网络分类器
• 4.2.1 神经网络及神经网络分类器
• 4.2.2 MLP神经网络分类器
• 4.2.3 RBF神经网络分类器
• 4.2.4 MLP和RBF分类器的比较
• 4.3 基于多特征和多标记的神经网络分类器设计
• 4.3.1 神经网络模型的选择
• 4.3.2 神经网络分类器的多特征输入和多标记输出的表示
• 4.3.3 神经网络分类器的拓扑结构和训练算法的设计
• 4.3.4 神经网络分类器的判决逻辑的设计
• 4.4 组合分类器的设计
• 4.4.1 组合分类器的概念
• 4.4.2 分类器的神经网络组合方法
• 4.5 小结
• 第五章 基于信号分离的多信号调制识别
• 5.1 引言
• 5.2 多信号的分离方法
• 5.2.1 基于时间滤波的多信号的分离方法
• 5.2.2 基于空间滤波的多信号的分离方法
• 5.3 一种基于均匀线阵的空间滤波方法
• 5.3.1 均匀线阵的多信号分离方法
• 5.3.2 多信号分离的计算机仿真
• 5.4 一种基于半球面阵的空间滤波方法
• 5.4.1 半球面阵的阵列结构
• 5.4.2 半球面阵的观测数据
• 5.4.3 基于半球面阵的DOA估计和波束形成
• 5.4.4 计算机仿真
• 5.5 利用信号时域参数特征的已分离信号/单信号调制识别
• 5.5.1 数字已调信号
• 5.5.2 时域特征提取
• 5.5.3 神经网络分类器设计
• 5.5.4 计算机仿真
• 5.6 利用AR模型参数特征的已分离信号/单信号调制识别
• 5.6.1 数字角度已调信号
• 5.6.2 基于AR模型的特征提取
• 5.6.3 多特征、多标记分类器设计
• 5.6.4 计算机仿真
• 5.7 小结
• 第六章 直接提取特征的多信号调制识别方法
• 6.1 引言
• 6.2 直接提取信号频谱特征的多信号调制识别方法
• 6.3 从GAR模型参数直接提取特征的多信号调制识别方法
• 6.3.1 多信号观测数据的AR模型
• 6.3.2 多信号观测数据的GAR模型
• 6.3.3 从GAR模型参数提取多信号的中心频率和带宽特征
• 6.3.4 特征的维数压缩与分类器的设计
• 6.4 两个、三个同信道信号调制识别的计算机仿真
• 6.4.1 仿真条件
• 6.4.2 两个同信道信号的调制识别仿真结果
• 6.4.3 三个同信道信号的调制识别仿真结果
• 6.5 小结
• 第七章 结论
• 致谢
• 附录
• A 高阶累积量的对称性分析
• B 高阶谱估计中的多维滞后窗设计
• 参考文献
• 在学期间的研究成果