短波通信中的数字调制信号识别

论文摘要

短波通信作为一种现代通信技术,虽然经历了几十年的发展历程,仍然以其机动灵活、设备简单、通信距离远等优势,保持旺盛生命力。但由于短波信道复杂,存在大量恶劣的噪声、信号种类多等特点,严重影响了接收人员的工作。本文研究的短波通信中的数字调制信号识别算法就是针对短波通信的以上特点,识别信号的调制类型,来改善接收人员的工作环境,提高他们的工作效率。本文首先介绍了常用的数字调制种类,给出一些常用调制信号的数学模型,同时给出了调制信号基本参数的估计方法。在特征提取部分采用了小波包分解与高阶累积量相结合的方法。小波包变换可自由选择不同时间点、频率点上的时频分辨率,不同的调制信号小波包分解后具有不同的能量分布。高斯白噪声大于二阶的累积量为零,有很好的抑制噪声作用,对于能量分布相似的调制信号再用高阶累积量做特征对其进行区分。因而,利用小波包变换和累积量相结合能有效地提取信号特征。分类器设计部分重点研究了支持向量机分类器,构建了以支持向量机为基础的分级分类器。支持向量机算法是基于结构风险最小化原则的,在小样本情况下具有很大的优势,有较好的泛化推广能力。而分级分类器相比单级分类器具有更低的计算复杂度和更快的分类器训练速度。在理论研究的基础上,做了以现场采集的短波通信中的调制信号为源数据的实验。在实验中,提取小波包分解和高阶累积量特征,利用以支持向量机为基础的分级分类器进行分类,实现了多种信号在较大信噪比范围内的自动识别。同时,对在不同信噪比下、采用不同核函数和不同分类方法时的性能也做了实验,结果表明本文所提出的短波通信中的数字调制信号识别算法有效可行。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 论文研究的目的和意义
• 1.2 国内外研究现状及分析
• 1.2.1 判决理论识别方法
• 1.2.2 统计模式识别方法
• 1.2.3 两种识别方法比较
• 1.2.4 发展动态
• 1.3 研究内容及章节安排
• 1.3.1 主要研究内容
• 1.3.2 章节安排
• 第2章 调制方式自动识别的理论基础
• 2.1 典型调制方式
• 2.2 调制信号基本参数的估计
• 2.3 本章小结
• 第3章 基于小波包和高阶累积量的特征提取
• 3.1 小波包变换
• 3.1.1 小波分析基本理论
• 3.1.2 小波包理论
• 3.2 高阶累积量
• 3.2.1 高阶矩和高阶累积量的定义
• 3.2.2 高阶矩和高阶累积量的转换关系
• 3.2.3 高阶累积量的性质
• 3.3 基于小波包和累积量的特征提取方法
• 3.4 本章小结
• 第4章 基于支持向量机的分类器设计
• 4.1 支持向量机分类器
• 4.1.1 统计学习理论
• 4.1.2 支持向量机原理
• 4.1.3 支持向量机的多类别分类方法
• 4.1.4 支持向量机的模型选择
• 4.2 调制信号分类器设计
• 4.3 本章小结
• 第5章 实验结果及分析
• 5.1 LIBSVM简介
• 5.2 性能仿真
• 5.2.1 实验一:验证算法的有效性
• 5.2.2 实验二:不同信噪比下的识别率
• 5.2.3 实验三:不同核函数下的识别率
• 5.2.4 实验四:两级分类器与单级分类器性能比较
• 5.3 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢