CN104994045B - 一种基于usrp平台的数字调制方式自动识别平台及方法 - Google Patents
一种基于usrp平台的数字调制方式自动识别平台及方法 Download PDFInfo
- Publication number
- CN104994045B CN104994045B CN201510360074.0A CN201510360074A CN104994045B CN 104994045 B CN104994045 B CN 104994045B CN 201510360074 A CN201510360074 A CN 201510360074A CN 104994045 B CN104994045 B CN 104994045B
- Authority
- CN
- China
- Prior art keywords
- digital
- signal
- module
- usrp
- instantaneous
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种基于USRP平台的数字调制方式自动识别平台及方法,属于无线通信技术领域。所述平台包括数字信号的产生与调制模块、发射模块、接收模块、特征参数提取模块和识别分类模块。数字信号的产生与调制模块产生待识别中频数字信号;发射模块将产生的中频数字信号上变频到射频频段并发射;接收模块采样得到数字采样信号;特征参数提取模块计算得到各特征参数;识别分类模块判断输入信号的调制方式,得到调制方式的信息。本发明特征参数提取部分复杂度低,运算速度快;采用“一对一”策略解决多分类问题,在信噪比低的情况下,识别准确率保持稳定;数字信号的发射与接收均在USRP平台上完成,更加贴近实际环境,也验证了平台的高效性。
Description
技术领域
本发明涉及一种基于USRP(Universal Software Radio Peripheral,通用软件无线电外设)平台的数字调制方式自动识别平台及方法,具体涉及数字通信系统中频谱监视、软件无线电和认知无线电等在USRP平台上实现的数字调制方式自动识别方法,该平台在低信噪比的环境下可以快速、准确地识别数字通信系统中信号的调制方式,属于无线通信技术领域。
背景技术
随着现代通信技术的快速发展,空间通信环境日益复杂,数字通信系统调制方式的识别越来越引起人们的重视。在军事上,数字通信系统调制方式的识别是对敌方通信进行干扰、侦听的前提与基础。如果能够识别出截获信号的调制方式,可以更有效地集中资源对重要的信号参数进行干扰;在商业应用上,数字通信系统中信号的调制方式识别技术可以应用在信号确认与自适应转发、干扰识别、频率管理等领域。
传统的数字通信系统调制方式识别方法是手动的,即依靠信号处理员来对接收到的信号做出解释、判断。信号处理员利用的信息一般包括时域波形、信号的频谱、幅度变化、频率变化,进而判断信号的有无、频谱是否对称、有无载波分量、是否为幅度调制、是否为频率调制等。这种识别方法识别准确率不稳定,并且严重依赖于信号处理员的专业水平。此外,这种方法一般只能识别持续时间较长的几种基本数字调制方式,对于其他新出现的调制方式则无从判断。数字通信信号的调制方式自动识别方法,提高了识别的准确率,增加了可识别调制方式的范围,并且降低了对信号处理员的要求。因此,数字通信信号的调制方式自动识别方法成为无线通信领域技术研究的热点课题之一。当前的一些数字调制方式自动识别方法在计算复杂性、时间复杂性、低信噪比情况下识别效率等方面存在不足,另外在算法性能仿真和分析方面缺乏有效的平台支撑。
发明内容
本发明的目的在于克服以往数字通信系统调制方式自动识别方法计算速度慢和在低信噪比下识别准确率差的情况,建立一个基于USRP平台的数字调制自动识别平台,在实际应用环境下测试调制方式的识别效率。
本发明的数字调制方式自动识别平台,包括数字信号的产生与调制模块、发射模块、接收模块、特征参数提取模块和识别分类模块。
数字信号的产生与调制模块是数字调制方式自动识别平台的入口,它产生待识别数字调制方式集合中每一种调制方式的中频数字信号;发射模块将产生的中频数字信号上变频到射频频段,并通过发射天线发射到无线空间中;接收模块则在射频频段接收信号,对信号进行下变频后,采样得到数字采样信号;特征参数提取模块则利用数字采样信号,计算得到各特征参数,包括瞬时特征参数、高阶矩参数和统计参数;识别分类模块应用了支持向量机算法,采用了“一对一”的多分类训练策略,利用输入的特征参数值,判断输入信号的调制方式,得到有关调制方式的信息。
特征参数提取模块和识别分类模块是整个平台的核心,数字信号的产生与调制模块、发射模块和接收模块则完成了信号测试的环路。该平台搭建了一个完整的数字通信信号调制方式自动识别和测试环境,为测试各种数字调制方式的性能提供了便利。
本发明的基于USRP平台的数字调制自动识别方法,由数字信号的产生与调制模块产生待识别数字调制方式集合中每一种调制方式的中频数字信号;发射模块将产生的中频数字信号上变频到射频频段,并通过发射天线发射到无线空间中;接收模块则在射频频段接收信号,对信号进行下变频后,采样得到数字采样信号;在特征参数提取模块中输入数字采样信号,依次进行希尔伯特变换、计算瞬时信息和波形段信息、计算瞬时特征参数、高阶矩参数和统计参数。三类特征参数共同代表了输入数字信号的特性。最后进行支持向量机识别分类。所述的支持向量机识别分类可以利用较少的样本高效地完成分类任务,针对多分类的要求,包括4个步骤,分别为:输入数据归一化、训练、判断是否结束和结果输出。
本发明的优点在于:
(1)特征参数提取部分复杂度低,其基本量全来自于信号的采样值,因而运算速度快;
(2)采用“一对一”策略解决多分类问题,在信噪比低的情况下,识别准确率依然保持稳定;
(3)数字信号的发射与接收均在USRP平台上完成,更加贴近实际环境,也验证了所述平台的高效性。
附图说明
图1是本发明基于USRP平台的数字调制方式自动识别平台结构示意图。
图2是USRP平台的结构示意图。
图3是数字调制方式自动识别方法特征参数提取算法流程图。
图4是数字调制方式自动识别方法识别分类算法流程图。
图5是多分类支持向量机中的“一对一”训练策略示意图。
具体实施方式
下面将结合附图和实施案例对本发明做进一步的详细说明。
本发明是一种基于USRP平台的数字调制方式自动识别平台,该平台的结构如图1所示,包括数字信号的产生与调制模块1、发射模块2、接收模块3、特征参数提取模块4和识别分类模块5。
数字信号的产生与调制模块1产生待识别数字调制方式集合中每一种调制方式的中频数字信号。待识别数字调制方式集合包含14种数字调制方式,即MASK(M=2,4,8),MPSK(M=2,4,8),MFSK(M=2,4,8),MQAM(M=4,16),BOC(Binary Offset Carrier),CBOC(Binary Offset Carrier)和AltBOC(Alternative Binary Offset Carrier)。其中BOC、CBOC和AltBOC三种调制方式是近年来应用在卫星导航领域的新型调制方式。
发射模块2和接收模块3完成信号的上变频发射与下变频接收,分别由不同功能的USRP完成的。USRP平台的结构示意图如图2所示,主要由一块FPGA母板和若干子板构成。子板主要分为发射子板和接收子板,分别实现上变频发射和下变频接收的功能。发射子板通过数模转换器DAC与FPGA母板相连接,接收子板通过模数转换器ADC与FPGA母板相连接。数字信号的产生与调制模块1产生的中频数字信号经由带发射子板的USRP上变频,最终以射频信号的形式发射,经过无线空间的传播,再由带接收子板的USRP接收,下变载频到中频,生成数字采样信号。
特征参数提取模块4从数字采样信号中提取全部的特征参数(包括瞬时特征参数、高阶矩参数和统计参数),其算法流程图如图3,包括以下4个步骤:
步骤1:输入数字采样信号;
将接收模块3得到的数字采样信号,作为特征参数提取模块4的输入。
步骤2:希尔伯特变换;
对输入的t时刻的数字采样信号r(t),进行希尔伯特变换,得到希尔伯特变换式
这样得到数字采样信号的复数形式:
步骤3:计算瞬时信息和波形段信息;
瞬时信息主要包括t时刻的瞬时幅度A(t)、瞬时相位和瞬时频率f(t):
波形段是由波形上一对极大值和极小值所确定出来的信号段。对于波形上每一个极值点,用形如(t,a)坐标表示,其中t表示时间,a表示幅度值。对于第n段信号段,设两个极值点分别为(tn-1,an-1)和(tn,an),则段幅度为两个极值点幅度差值的绝对值A(n)=|an-an-1|,段周期为两个极值点间的时间间隔T(n)=tn-tn-1。
步骤4:计算瞬时特征参数、高阶矩参数和统计参数;
根据得到的瞬时信息和波形段信息,分别计算瞬时特征参数、高阶矩参数和统计参数这三类特征参数。
1、瞬时特征参数;
瞬时特征参数共有五个参数,以下分别阐述其定义。
(1)零中心归一化瞬时幅度谱密度的最大值γmax:
其中,Ns为采样点数,fs是采样率,acn(i)为t=i/fs时刻的零中心归一化瞬时幅度值,i=1,2,...,Ns,定义为:
ma为t时刻采集的数字采样信号的第i个采样点的瞬时幅度a(i)的平均值。用平均值来对瞬时幅度进行归一化可以消除信道增益的影响。该参数主要用来判断信号是否包含有幅度调制信息。对于ASK、QAM、BOC、CBOC和AltBOC信号,其包络不恒定,包含着幅度调制信息,零中心归一化瞬时幅度谱密度的最大值一般比较大;对于FSK信号来讲,其包络(瞬时幅度)为常数,因此其零中心归一化瞬时幅度为零;而PSK信号由于受信道带宽的限制,在相位变化的时刻会产生一定的幅度突变,因而也会包含一定的幅度变化信息。所以利用该特征参数可以将FSK信号与其他信号区分开来。
(2)零中心非弱信号段瞬时相位非线性分量的标准差σdp:
其中ai是判断信号是否为非弱信号的判决门限值,低于此判决门限值时瞬时相位对噪声非常敏感,ai一般取an(i)的平均值。C为Ns个采样点中满足an(i)>ai的个数,是经过零中心归一化后瞬时相位的非线性分量。
若按照常规的方法计算相位序列当的值超过[0~2π]时,就会造成相位的卷叠,这主要是由载波频率带来的线性相位分量所造成,因而我们需要对此相位序列进行去卷叠处理。为此我们在的基础上附加一个修正序列{c(i)},表达式为:
Ns为采样点数;
其中c(1)=0,去卷叠后的线性相位序列定义φ(i)为非线性相位,fc为载波频率,fs为采样率。零中心归一化后的瞬时相位的非线性分量为:
标准差σdp用来判断信号是否包含有相位调制信息,ASK信号没有相位信息,因而其瞬时相位的非线性分量为零;虽然FSK信号瞬时频率的变化导致瞬时相位的变化,但是计算得到的瞬时相位的非线性分量为零,因此也不包含相位调制信息,而PSK、QAM、BOC、CBOC和AltBOC信号则在相位的变化中体现着调制信息。
(3)零中心非弱信号段瞬时相位非线性分量绝对值的标准差σap:
σap和σdp的区别在于前者是瞬时相位非线性分量绝对值的标准差,而后者是瞬时相位非线性分量的标准差。该标准差σap参数表明了信号是否含有绝对相位调制信息。2PSK信号的相位只有两种取值0或者π,中心化后的绝对值为常值所以它并没有绝对相位信息。而MPSK(M=4,8)、QAM信号则不仅包含相位调制信息,而且还包含有绝对相位调制信息,因此可以通过此特征参数将2PSK与MPSK(M=4,8)、QAM信号区分开来。
(4)零中心归一化瞬时幅度绝对值的标准差σaa:
Ns为采样点数,标准差σaa用来判断信号是否包含有绝对幅度信息,主要用来区分2ASK和MASK(M=4,8)、BOC、CBOC、AltBOC信号。2ASK信号的幅度在归一化后只有两种取值,经过零中心化后的绝对值便只有一种取值,所以它不包含有绝对幅度信息;而MASK(M=4,8)信号不仅包含有幅度调制信息,而且还包含有绝对幅度信息。可以通过这个特征参数将2ASK和MASK(4,8)信号区分开来。
(5)零中心归一化瞬时频率绝对值的标准差σaf:
其中,C为Ns个采样点中满足an(i)>ai的个数,fN(i)是经过零中心归一化后的第i个采样点的瞬时频率,其定义为:
其中,mf是t时刻采集的数字采样信号中第i个采样点的瞬时频率f(i)的平均值。是经过零中心归一化后瞬时相位的非线性分量,fs为采样率。标准差σaf主要用于判断信号是否包含有绝对频率信息,区分的对象主要是2FSK和MFSK(M=4,8)信号。2FSK信号的瞬时频率归一化后只有两种取值,零中心化后的绝对值就只有一种取值,因此也就不包含有绝对频率信息,而MFSK(M=4,8)信号则因为包含有M个频率值,所以包含有频率信息的同时也包含有绝对的频率信息。于是可以用此特征参数区分MFSK(M=4,8)与2FSK。
2、高阶矩参数;
对于均值为零的复随机序列y(n),其p阶混合矩Mpq可以表示为:
Mpq=E[y(n)p-qy*(n)q],q=0,1,…,p-1
其中,*表示共轭。这样p阶累积量Cpq的表示如下:
C20=E[y2(n)]=M20
C21=E[y(n)×y*(n)]=E[|y(n)|2]==M21
C41=E[y(n)×y(n)×y(n)×y*(n)]=M41-3M20M21
高阶矩参数包含四个表示高阶累积量之间的关系的参数,分别是:
f1和f2在ASK、BOC、CBOC、AltBOC信号以及除4PSK的其他PSK信号上恒定为1,而在包含有频率信息的FSK信号,其均为0,对于4PSK、QAM由于C42接近零,会导致f1和f2出现无穷大的数值;f3和f4在QAM和4PSK信号上均为零。
3、统计参数;
统计参数包括四个参数,即段幅度平方的均值Msa和方差Vsa、段周期平方的均值Msp和方差Vsp。
其中,Nseg为段总数,An为段幅度,Tn为段周期。四个参数反映了波形起伏的大小与周期。采用段周期平方的均值Msp而非段周期的均值,可以避免因前后项相消所带来的损失。对于ASK、QAM和BOC、CBOC、AltBOC这样有幅度信息的调制方式,其Msa和Vsa数值较大,而对于包络恒定的PSK、FSK等信号,Msa和Vsa比较小。Msp和Vsp的大小能够反映出信号是否包含有频率信息。
识别分类模块5利用支持向量机来完成多种调制方式的识别分类,其算法的流程图如图4,包括以下4个步骤:
步骤1:输入数据归一化;
将特征参数提取模块4得到的特征参数输入到支持向量机,并进行归一化处理。对于一组采样数据Y={y1,y2,…,yN},分别利用其中的最大值ymax和最小值ymin进行归一化,归一化后数据X的计算方法为:
步骤2:训练;
在得到归一化的输入数据X之后,则对支持向量机进行训练。具体的训练过程包括两个主要过程:
首先,选择核函数将输入数据(低维数据)向量向高维空间映射,并求出在高维空间的内积。本发明中选择径向基函数作为核函数。
然后,支持向量机利用所有的输入数据,计算所有输入数据到某个平面的间隔,求出在间隔最大的情况下的分类超平面,得到系数值以及支持向量,最终输出分类结果。
支持向量机一般适用于解决二分类问题,因此针对多分类问题,需要采取一定的策略。在本发明中采用“一对一”策略来训练支持向量机,“一对一”策略的示意图如图5所示。具体来说,假设总共有Nclass个类别,则相应建立个支持向量机。任意一个支持向量机SVMi可以对某两个类别Cj,Ck进行分类,j=1,2,…Nclass;k=1,2,…Nclass;j≠k;。针对某一类别的输入,个支持向量机中的每一个都会做出属于某一类的判断。如果SVMi判断该输入的类别是类别Cj,则类别Cj的计数加1;如果SVMi判断该输入的类别是类别Ck,则类别Ck的计数加1。直到所有的支持向量机都做出判断,统计每个类别的计数,计数值大的类别即判断为输出类别。
步骤3:判断是否结束;
对采用“一对一”策略的多分类支持向量机的训练结果进行检验,如果识别率低于设定的门限值,则转至步骤2,否则转到步骤4。
这里举例进行说明。针对MASK(M=2,4,8),MPSK(M=2,4,8),MFSK(M=2,4,8),MQAM(M=4,16),BOC,CBOC和AltBOC这14种调制方式,分别标示为T1,T2,…T14,设置数字比特速率为1KHz,载波速率为40KHz,数字采样率为2.56MHz,在基于USRP平台的数字调制方式自动识别平台上开展两类测试,识别率设为90%。
第一类测试:不同信噪比(SNR)下的识别率测试;
每种调制信号均产生500次,分别测试信噪比在0dB~20dB范围内时的识别率。
第二类测试:不同测试次数下的识别率测试;
在信噪比为0dB的情况下,分别测试500次、1000次和1500次情况下的识别率。
步骤4:结果输出;
将步骤3中的测试结果以数据表的形式进行输出。下面举例进行说明。
对于第一类测试,即不同信噪比下的识别率测试结果如表1所示。在不同信噪比下,识别准确率随着信噪比的下降而下降。在信噪比为20dB时,所有的14种调制信号100%的被正确识别;而当信噪比下降到6dB时,最低的识别准确率变为92%。
表1不同信噪比下的识别率测试结果
对于第二类测试来说,不同测试次数下的识别率测试结果如表2所示,在三种输入次数的情况下,识别率没有很大的差异。表明平台对于测试次数是不敏感的。
表2不同测试次数下的识别率测试结果
另外本平台可以支持对识别消耗时间的输出,例如在不同比特长度下识别消耗时间的测试结果如表3所示,由表3可以看出,识别消耗的时间随着数字比特长度的增加而增加。支持向量机分类消耗的时间较少,特征参数的提取消耗了大部分时间。其中瞬时特征参数的时间较高阶矩参数和统计参数花费的时间要多,有幅度信息的调制方式消耗的时间比包络恒定的调制方式消耗的时间多。
表3识别消耗时间的测试
Claims (7)
1.一种基于USRP平台的数字调制方式自动识别平台,其特征在于:包括数字信号的产生与调制模块、发射模块、接收模块、特征参数提取模块和识别分类模块;
数字信号的产生与调制模块是数字调制方式自动识别平台的入口,产生待识别数字调制方式集合中每一种调制方式的中频数字信号;发射模块将产生的中频数字信号上变频到射频频段,并通过发射天线发射到无线空间中;接收模块则在射频频段接收信号,对信号进行下变频后,采样得到数字采样信号;特征参数提取模块则利用数字采样信号,计算得到各特征参数,包括瞬时特征参数、高阶矩参数和统计参数;识别分类模块应用了支持向量机算法,采用了“一对一”的多分类训练策略,利用输入的特征参数值,判断输入信号的调制方式,得到有关调制方式的信息;
所述的特征参数提取模块从数字采样信号中提取全部的特征参数,具体包括以下四个步骤:
步骤1:输入数字采样信号;
将接收模块得到的数字采样信号,作为特征参数提取模块的输入;
步骤2:希尔伯特变换;
对输入的t时刻的数字采样信号r(t),进行希尔伯特变换,得到希尔伯特变换式
这样得到数字采样信号的复数形式:
步骤3:计算瞬时信息和波形段信息;
瞬时信息包括t时刻的瞬时幅度A(t)、瞬时相位和瞬时频率f(t):
步骤4:计算瞬时特征参数、高阶矩参数和统计参数;
所述的瞬时特征参数共有五个参数,分别为:
(1)零中心归一化瞬时幅度谱密度的最大值γmax:
其中,Ns为采样点数,fs是采样率,acn(i)为t=i/fs时刻的零中心归一化瞬时幅度值,i=1,2,...,Ns,定义为:
ma为t时刻采集的第i个采样点的瞬时幅度a(i)的平均值;
(2)零中心非弱信号段瞬时相位非线性分量的标准差σdp:
其中ai是判断信号是否为非弱信号的判决门限值,C为Ns个采样点中满足an(i)>ai的个数,是经过零中心归一化后瞬时相位的非线性分量;
(3)零中心非弱信号段瞬时相位非线性分量绝对值的标准差σap:
(4)零中心归一化瞬时幅度绝对值的标准差σaa:
(5)零中心归一化瞬时频率绝对值的标准差σaf:
其中,fN(i)是经过零中心归一化后的瞬时频率,其定义为:
其中,mf是数字采样信号瞬时频率f(i)的平均值,所述的高阶矩参数包含四个表示高阶累积量之间的关系的参数,分别是:
对于均值为零的复随机序列y(n),其p阶混合矩Mpq表示为:
Mpq=E[y(n)p-qy*(n)q],q=0,1,...,p-1
其中,*表示共轭,这样p阶累积量Cpq的表示如下:
C20=E[y2(n)]=M20
C21=E[y(n)×y*(n)]=E[|y(n)|2]==M21
C41=E[y(n)×y(n)×y(n)×y*(n)]=M41-3M20M21
所述的统计参数包括四个参数,即段幅度平方的均值Msa和方差Vsa、段周期平方的均值Msp和方差Vsp:
其中,Nseg为段总数,An为段幅度,Tn为段周期。
2.根据权利要求1所述的一种基于USRP平台的数字调制方式自动识别平台,其特征在于:所述的待识别数字调制方式集合中每一种调制方式的中频数字信号,待识别数字调制方式集合包含14种数字调制方式,分别为MASK,M=2,4,8;MPSK,M=2,4,8;MFSK,M=2,4,8;MQAM,M=4,16;BOC;CBOC和AltBOC。
3.根据权利要求1所述的一种基于USRP平台的数字调制方式自动识别平台,其特征在于:发射模块和接收模块完成信号的上变频发射与下变频接收,分别由不同功能的USRP平台完成;所述的USRP平台由一块FPGA母板和发射子板构成,或者由一块FPGA母板和接收子板构成,分别实现上变频发射和下变频接收的功能;发射子板通过数模转换器与FPGA母板相连接,接收子板通过模数转换器与FPGA母板相连接;数字信号的产生与调制模块产生的中频数字信号经由带发射子板的USRP上变频,最终以射频信号的形式发射,经过无线空间的传播,再由带接收子板的USRP接收,下变载频到中频,生成数字采样信号。
4.根据权利要求1所述的一种基于USRP平台的数字调制方式自动识别平台,其特征在于:所述的识别分类模块利用支持向量机来完成多种调制方式的识别分类,包括以下四个步骤:
步骤1:输入数据归一化;
对于一组采样数据Y={y1,y2,...,yN},分别利用其中的最大值ymax和最小值ymin进行归一化,归一化后数据X的计算方法为:
步骤2:训练;
在得到归一化的输入数据X之后,则对支持向量机进行训练,具体的训练过程包括两个过程:
首先,选择核函数将输入数据向量向高维空间映射,并求出在高维空间的内积;
然后,支持向量机利用所有的输入数据,计算所有输入数据到某个平面的间隔,求出在间隔最大的情况下的分类超平面,得到系数值以及支持向量,最终输出分类结果;
步骤3:判断是否结束;
对采用“一对一”策略的多分类支持向量机的训练结果进行检验,如果识别率低于设定的门限值,则转至步骤2,否则转到步骤4;
步骤4:结果输出。
5.根据权利要求4所述的一种基于USRP平台的数字调制方式自动识别平台,其特征在于:所述的核函数选择径向基函数。
6.根据权利要求1所述的一种基于USRP平台的数字调制方式自动识别平台,其特征在于:所述的“一对一”策略,具体为:
假设总共有Nclass个类别,则相应建立个支持向量机,任意一个支持向量机SVMi对某两个类别Cj,Ck进行分类,j=1,2,...Nclass;k=1,2,...Nclass;j≠k;针对某一类别的输入,个支持向量机中的每一个都会做出属于某一类的判断;如果SVMi判断该输入的类别是类别Cj,则类别Cj的计数加1;如果SVMi判断该输入的类别是类别Ck,则类别Ck的计数加1;直到所有的支持向量机都做出判断,统计每个类别的计数,计数值大的类别即判断为输出类别。
7.一种基于USRP平台的数字调制方式自动识别方法,其特征在于:根据权利要求1所述的一种基于USRP平台的数字调制方式自动识别平台,由数字信号的产生与调制模块产生待识别数字调制方式集合中每一种调制方式的中频数字信号;发射模块将产生的中频数字信号上变频到射频频段,并通过发射天线发射到无线空间中;接收模块则在射频频段接收信号,对信号进行下变频后,采样得到数字采样信号;在特征参数提取模块中输入数字采样信号,依次进行希尔伯特变换、计算瞬时信息和波形段信息、计算瞬时特征参数、高阶矩参数和统计参数;最后进行支持向量机识别分类,所述的支持向量机识别分类输入数据归一化、训练、判断是否结束和结果输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510360074.0A CN104994045B (zh) | 2015-06-26 | 2015-06-26 | 一种基于usrp平台的数字调制方式自动识别平台及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510360074.0A CN104994045B (zh) | 2015-06-26 | 2015-06-26 | 一种基于usrp平台的数字调制方式自动识别平台及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104994045A CN104994045A (zh) | 2015-10-21 |
CN104994045B true CN104994045B (zh) | 2018-08-24 |
Family
ID=54305799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510360074.0A Active CN104994045B (zh) | 2015-06-26 | 2015-06-26 | 一种基于usrp平台的数字调制方式自动识别平台及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104994045B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718064A (zh) * | 2016-01-22 | 2016-06-29 | 南京大学 | 基于超声波的手势识别系统与方法 |
CN108134753B (zh) * | 2016-12-01 | 2021-07-13 | 南京理工大学 | 宽带信号调制方式的识别方法 |
CN108206797A (zh) * | 2016-12-20 | 2018-06-26 | 天津大学(青岛)海洋工程研究院有限公司 | 一种基于软件无线电的通信信号调制方式自适应识别方法 |
CN107124381B (zh) | 2017-03-27 | 2020-05-22 | 华南理工大学 | 一种数字通信信号调制方式自动识别方法 |
CN107294628B (zh) * | 2017-07-21 | 2021-06-01 | 常州工学院 | 一种基于usrp的频谱智能感知系统及其方法 |
CN108764331A (zh) * | 2018-05-25 | 2018-11-06 | 哈尔滨工程大学 | 基于分数阶傅里叶变换的联合分类器多信号调制识别方法 |
CN109787926A (zh) * | 2018-12-24 | 2019-05-21 | 合肥工业大学 | 一种数字信号调制方式识别方法 |
CN110276256A (zh) * | 2019-05-17 | 2019-09-24 | 中国人民解放军战略支援部队信息工程大学 | 基于调参随机共振的低信噪比通信信号调制识别方法及装置 |
CN110247868B (zh) * | 2019-06-26 | 2020-09-25 | 北京邮电大学 | 一种卫星信号盲解调方法、装置及电子设备 |
CN111935040B (zh) * | 2020-07-07 | 2022-08-09 | 同济大学 | 一种基于usrp和神经网络的无线信号调制方式识别系统 |
CN112003803B (zh) * | 2020-08-10 | 2021-08-17 | 四川九洲电器集团有限责任公司 | 一种vhf、uhf频段航空电台信号的侦收设备 |
CN111814777B (zh) * | 2020-09-15 | 2020-12-08 | 湖南国科锐承电子科技有限公司 | 一种基于特征量分级的调制样式识别方法 |
CN113095137B (zh) * | 2021-03-10 | 2023-12-29 | 南京大学 | 一种基于机器学习的信号特征识别装置和方法 |
CN113783816B (zh) * | 2021-10-27 | 2024-01-26 | 国芯科技(广州)有限公司 | 一种gfsk接收机中的频偏估计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103441807A (zh) * | 2013-08-20 | 2013-12-11 | 南昌大学 | 一种基于GNU Radio和USRP的软件频谱分析仪 |
CN104363596A (zh) * | 2014-11-20 | 2015-02-18 | 中国人民解放军总参谋部第六十三研究所 | 基于usrp的动态频谱管理半实物仿真实验系统及实验方法 |
-
2015
- 2015-06-26 CN CN201510360074.0A patent/CN104994045B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103441807A (zh) * | 2013-08-20 | 2013-12-11 | 南昌大学 | 一种基于GNU Radio和USRP的软件频谱分析仪 |
CN104363596A (zh) * | 2014-11-20 | 2015-02-18 | 中国人民解放军总参谋部第六十三研究所 | 基于usrp的动态频谱管理半实物仿真实验系统及实验方法 |
Non-Patent Citations (3)
Title |
---|
"基于决策树的调制模式识别及GUN Radio模块实现";温欣;《中国优秀硕士学位论文全文数据库》;20120215;I136-129 * |
"支持向量机多类分类的数字调制方式识别";张慧敏等;《重庆大学学报》;20120421;78-81 * |
"数字通信信号自动调制识别算法研究";陈印;《中国优秀硕士学位论文全文数据库》;20130315;I136-186 * |
Also Published As
Publication number | Publication date |
---|---|
CN104994045A (zh) | 2015-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104994045B (zh) | 一种基于usrp平台的数字调制方式自动识别平台及方法 | |
CN107124381B (zh) | 一种数字通信信号调制方式自动识别方法 | |
Wu et al. | Robust automatic modulation classification under varying noise conditions | |
CN106789788B (zh) | 一种无线数字信号调制方式识别方法及装置 | |
CN108540202B (zh) | 一种卫星通信信号调制方式识别方法、卫星通信系统 | |
Qu et al. | Radar signal intra-pulse modulation recognition based on convolutional neural network | |
CN108616470A (zh) | 基于卷积神经网络的调制信号识别方法 | |
CN104135327B (zh) | 基于支持向量机的频谱感知方法 | |
CN110120926B (zh) | 基于演化bp神经网络的通信信号调制方式识别方法 | |
CN107770108A (zh) | 一种k‑均值聚类和分级训练svm分类器的联合调制识别方法 | |
Zhang et al. | Signal detection and classification in shared spectrum: A deep learning approach | |
Zhao et al. | Evaluating and improving adversarial attacks on DNN-based modulation recognition | |
CN108683526B (zh) | 一种识别竞争类mac协议的方法 | |
CN103675616A (zh) | 电缆在线局部放电检测信号识别方法 | |
CN108462544A (zh) | 一种频谱感知方法及装置 | |
CN113225282A (zh) | 一种基于bp神经网络的通信信号调制识别方法 | |
CN110705387A (zh) | 一种基于云模型的通信信号特征提取方法及信号识别方法 | |
CN114980122A (zh) | 一种小样本射频指纹智能识别系统与方法 | |
CN109309538A (zh) | 一种频谱感知方法、装置、设备、系统及存储介质 | |
Ya et al. | Modulation recognition of digital signal based on deep auto-ancoder network | |
CN113869156A (zh) | 一种射频指纹识别方法 | |
CN110826425B (zh) | 一种基于深度神经网络的vhf/uhf频段无线电信号调制方式识别方法 | |
Yin et al. | Co-channel multi-signal modulation classification based on convolution neural network | |
CN108768563A (zh) | 一种协作频谱感知方法及相关装置 | |
CN117376066A (zh) | 一种面向异步采样的数字信号调制方式识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |