CN107612867A - 一种mqam信号的调制阶数识别方法 - Google Patents
一种mqam信号的调制阶数识别方法 Download PDFInfo
- Publication number
- CN107612867A CN107612867A CN201710634408.8A CN201710634408A CN107612867A CN 107612867 A CN107612867 A CN 107612867A CN 201710634408 A CN201710634408 A CN 201710634408A CN 107612867 A CN107612867 A CN 107612867A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- probability density
- planisphere
- mfrac
- 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.)
- Granted
Links
Landscapes
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明属于通信信号分析技术领域,公开了一种MQAM信号的调制阶数识别方法,首先对接收到的MQAM信号做下变频处理恢复出基带信号,得到星座图并归一化,并利用网格法估计星座图的概率密度函数,然后利用图像灰度化和改进的二值化对所估计的星座图概率密度函数的俯视图进行图像处理,得到简化的星座图概率密度函数,最后利用多半径减法聚类和自校正的聚类有效性函数对简化的星座图的概率密度函数进行处理,从而识别出不同星座图类型的MQAM信号的调制阶数。本发明对于不同形状的MQAM信号均有良好的识别效果。
Description
技术领域
本发明属于通信信号分析技术领域,尤其涉及一种MQAM信号的调制阶数识别方法,可用于卫星空间通信系统、数字电视网络和数字微波系统。
背景技术
QAM信号的频谱利用率高,噪声容限能力强,被广泛的应用于卫星空间通信,数字电视网络高速数据传输,数字微波系统,VDSL等领域。目前,日本、美国和欧洲的数字有线电视标准均是采用QAM调制方式。在通信技术的发展过程中,QAM信号衍生出很多新的星座图类型,美国国防部在2011年底颁布的军标MIL-STD-188-110C附录D中提出一种圆形QAM调制方式的星座映射,简称110C(吴天琳.MIL-STD-188-110C高阶QAM信号解调关键技术研究[D].郑州:解放军信息工程大学,2014.)。Farbod Kayha在2016年提出一种由方形星座图映射而成的圆形星座图QCI(Farbod Kayhan.QAM to circular isomorphic constellations[C].20168th Advanced Satellite Multimedia Systems Conference and the 14thSignal Processing for Space Communications Workshop(ASMS/SPSC),2016)。星座图综合反映了已调信号幅值和相位的分布信息,是调制阶数识别方面较为重要的依据之一。很多学者对QAM信号的调制阶数识别作出研究,Ning An等人利用混合矩构造统计量来区分不同调制阶数的QAM信号,信噪比5dB以上时识别率可以达到100%(Ning An,Bingbing Li,Min Huang.Research on Modulation Classification ofMQAM Signals Using JointMoments[C].2010Second International Conference on Communication Software andNetworks,2010);Ning An等人利用混合矩构造统计量,利用Fisher准则区分不同调制阶数的QAM信号,信噪比5dB以上时识别率可以达到98%(Ning An,Bingbing Li,MinHuang.Modulation Classification of Higher Order MQAM Signals using Mixed-Order Moments and Fisher Criterion[C].2010The 2nd International Conference onComputer and Automation Engineering(ICCAE),2010,Vol3:150-153);Changyi Yin等人利用信号的密度谱对信号进行识别,在信噪比10dB以上时识别率可以达到100%(ChangyiYin,Bingbing Li,Yanling Li等,Modulation Classification of MQAM Signals Basedon density spectrum of the constellations[C].20102nd International Conferenceon Future Computer and Communication,2010,Vol 3:57-61)。Li Yan-ling等人利用粒子群优化和减法聚类,得到不同信号的最佳聚类半径区间,从而对QAM信号进行识别,信噪比5dB以上时识别率可以达到100%(Li Yan-ling,Li Bing-bing,Yin Chang-yi.Modulation classification of MQAM signals using particle swarmoptimization and subtractive clustering[C].IEEE 10th INTERNATIONAL CONFERENCEON SIGNAL PROCESSING PROCEEDINGS,2010:1537-1540);Hisham Abuella等人利用核密度估计对不同QAM信号进行识别,在信噪比大于6dB时识别率可以达到100%(HishamAbuella,Mehmet Kemal Ozdemir.Automatic Modulation Classification Based onKernel Density Estimation[J].Canadian Journal ofElectrical and ComputerEngineering,2016,39(3):203-209)。这些研究方法在圆形QAM信号调制阶数识别性能中降低。
综上所述,现有技术存在的问题是:目前大多数QAM信号阶数识别方法仅仅局限于星座图形状为方形和十字形的QAM信号,对于圆形QAM信号调制阶数的识别将失效。
发明内容
针对现有技术存在的问题,本发明提供了一种MQAM信号的调制阶数识别方法、卫星空间通信系统。
本发明是这样实现的,一种MQAM信号的调制阶数识别方法,所述MQAM信号调制阶数识别方法包括以下步骤:
步骤一,对接收到的MQAM信号做下变频处理恢复出基带信号,得到星座图并归一化,利用网格法估计星座图的概率密度函数;
步骤二,利用图像灰度化和改进的二值化对所估计的概率密度函数的俯视图进行图像处理,得到简化的星座图概率密度函数;
步骤三,利用多半径减法聚类和自校正的聚类有效性函数对简化的星座图的概率密度函数进行处理,识别出MQAM信号的调制阶数。
进一步,星座图的概率密度函数定义为:经过功率归一化的第i个星座点ri,有ri=si+vi,i=1,2,...,L,其中si为发送端发送的星座点,坐标为(xk,yk),vi为加性高斯白噪声对星座图的影响,星座点的偏移量,L为接收到的星座点个数,则ri的概率密度分布函数为:
各个星座点独立等概发射,当调制阶数为M时,每个星座点的传输个数为L/M,所有发射端发射的与si坐标相同的星座点,在接收端的概率密度分布函数为则所有接收星座点的概率密度分布函数为:
化简得为L个高斯分布的叠加和归一化。
进一步,所述网格法估计星座图的概率密度函数的方法为:根据接收到的星座点ri的坐标为(riI,riQ),构造方形网格,网格的边界由横纵坐标绝对值的最大值决定,rI,rQ=±max(riI,riQ);定义网格密度Meshnum为单一方向上划分的网格数,在确定的区域内划分Meshnum*Meshnum的网格图,每个网格大小为将网格等效成xOy坐标平面,其中(xp,yp)为每个网格的中心,函数值为将离散点连续化后,得到估计出的概率密度函数
进一步,所述利用改进的二值化对所估计的概率密度函数的俯视图进行图像处理方法为:灰度空间,结合星座图的概率密度函数俯视图,对其灰度空间设定相应的阈值GTH,将符合条件的像素点归一化灰度值为1,不符合条件的像素点归一化灰度值为0:
其中Thresholdx,y为二值化后图片上(x,y)像素点的归一化灰度值;在得到的灰度图像上搜索灰度值最大的像素点(X,Y),归一化灰度值为Gmax,令阈值GTH=pGmax。
进一步,自校正的聚类有效性函数:R={ri=(riI,riQ),i=1,2,...,L}为N个点所组成的集合,C为计算出的聚类中心个数,mk为第k个聚类中心,k=1,2,...,C,计算有效性函数S的步骤如下:
1)计算每个点ri的Sik:
其中ri对应的聚类中心为mk,b(q,i)为第i个点ri和划分到第q个聚类中心mq的所有信号点的平均距离,其中q为变量且q≠k,a(i)为第i个点ri和在同一聚类中心下的其他信号点的平均距离;
2)计算mk中所有点的Sik平均值Sk:
其中Nk为聚类中心mk中的样本点数:
3)计算所有聚类中心Sk的均值S:
4)计算调制阶数Mdec:
在第a个聚类半径下得到的聚类有效性函数为S(a),a=1,2,3,实际计算出的S值越接近1表明接收信号划分为该类越合理,定义自校正的聚类有效性函数来对聚类得到的结果进行反馈和校正:
定义自校正的聚类有效性函数:
其中Ma为第a次减法聚类得到的聚类中心个数,ΔSa=|Sa-Smax|为第a次减法聚类的有效性函数Sa和所有减法聚类得到的有效性函数最大值Smax差的绝对值,ε为一个足够小的值,取ε=0.01,N为累加的个数,roundMs(x)表示在Ms序列中取最接近x的值,其中Ms=[16,32,64]。
本发明的另一目的在于提供一种应用所述MQAM信号的调制阶数识别方法的卫星空间通信系统。
本发明的另一目的在于提供一种应用所述MQAM信号的调制阶数识别方法的数字电视网络。
本发明的另一目的在于提供一种应用所述MQAM信号的调制阶数识别方法的数字微波系统。
本发明的优点及积极效果为:对MQAM信号的星座图进行处理,识别其调制阶数;对于不同形状的16QAM信号,当信噪比大于4dB时,识别率达到100%;对于十字形32QAM信号,当信噪比大于等于5dB时,识别率达到100%;对于110C圆形32QAM信号,当信噪比大于等于7dB时,识别率达到100%;对于方形64QAM信号,当信噪比大于等于10dB时,识别率达到100%;对于110C圆形64QAM信号,当信噪比大于等于10dB时,识别率达到90%以上,由此可见,本发明的识别效果良好。
附图说明
图1是本发明实施例提供的MQAM信号的调制阶数识别方法流程图。
图2是本发明实施例提供的16QAM信号的调制阶数识别性能示意图。
图3是本发明实施例提供的32QAM信号的调制阶数识别性能示意图。
图4是本发明实施例提供的64QAM信号的调制阶数识别性能示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的MQAM信号的调制阶数识别方法包括以下步骤:
S101:对接收到的MQAM信号做下变频处理恢复出基带信号,得到星座图并归一化,并利用网格法估计星座图的概率密度函数;
S102:利用图像灰度化和改进的二值化对所估计的星座图概率密度函数的俯视图进行图像处理,得到简化的星座图概率密度函数;
S103:利用多半径减法聚类和自校正的聚类有效性函数对简化的星座图的概率密度函数进行处理,识别出不同星座图类型的MQAM信号的调制阶数。
下面结合附图对本发明的应用原理作进一步的描述.
本发明实施例提供的MQAM信号的调制阶数识别方法包括以下步骤:
(1)对接收到的MQAM信号做下变频处理恢复出基带信号,得到星座图并归一化,利用网格法估计星座图的概率密度函数;
其中星座图的概率密度函数定义为:
针对经过功率归一化的第i个星座点ri,有ri=si+vi,i=1,2,...,L,其中si为发送端发送的星座点,其坐标为(xk,yk),vi为加性高斯白噪声对星座图的影响,即星座点的偏移量,L为接收到的星座点个数,则ri的概率密度分布函数为:
假设各个星座点独立等概发射,当调制阶数为M时,每个星座点的传输个数为L/M,所有发射端发射的与si坐标相同的星座点,在接收端的概率密度分布函数为则所有接收星座点的概率密度分布函数为:
化简得即为L个高斯分布的叠加和归一化。
通过网格法估计星座点的概率密度函数,包括:
根据接收到的星座点ri的坐标为(riI,riQ),构造方形网格,网格的边界由横纵坐标绝对值的最大值决定,即rI,rQ=±max(riI,riQ)。定义网格密度Meshnum为单一方向上划分的网格数,即在确定的区域内划分Meshnum*Meshnum的网格图,每个网格大小为将网格等效成xOy坐标平面,其中(xp,yp)为每个网格的中心,其函数值为将离散点连续化后,得到估计出的概率密度函数
(2)对(1)中得到的星座图概率密度函数的俯视图利用图像灰度化和改进的二值化进行处理,得到简化的概率密度分布函数部分按以下进行:
首先对S1中得到的概率密度函数进行灰度化处理,灰度值加权公式为:
Gray=0.299*R+0.587*G+0.114*B;
其中,Gray表示灰度值,R表示红色,G表示绿色,B表示蓝色。
再利用改进的二值化对灰度图像进行处理,得到简化的概率密度函数,处理方法为:
针对灰度空间,结合星座图的概率密度俯视图,对其灰度空间设定相应的阈值GTH,将符合条件的像素点归一化灰度值设定为1,不符合条件的像素点归一化灰度值设定为0,即:
其中Thresholdx,y为二值化后图片上(x,y)像素点的归一化灰度值。在得到的灰度图像上搜索灰度值最大的像素点(X,Y),其归一化灰度值为Gmax,令阈值GTH=pGmax。
(3)对由(2)得到的简化的概率密度分布函数进行多半径减法聚类并利用自校正的聚类有效性函数来进行阶数识别,其中自校正的聚类有效性函数定义为:
R={ri=(riI,riQ),i=1,2,...,L}为N个点所组成的集合,C为计算出的聚类中心个数,mk为第k个聚类中心,k=1,2,...,C,则计算有效性函数S的步骤如下:
1)计算每个点ri的Sik:
其中ri对应的聚类中心为mk,b(q,i)为第i个点ri和划分到第q个聚类中心mq的所有信号点的平均距离,其中q为变量且q≠k,a(i)为第i个点ri和在同一聚类中心下的其他信号点的平均距离。
2)计算mk中所有点的Sik平均值Sk:
其中Nk为聚类中心mk中的样本点数。
3)计算所有聚类中心Sk的均值S:
4)计算调制阶数Mdec:
在第a个聚类半径下得到的聚类有效性函数为S(a),a=1,2,3,实际计算出的S值越接近1表明接收信号划分为该类越合理,也可以理解为划分出的聚类中心越接近其真实调制阶数,因此,定义自校正的聚类有效性函数:
其中Ma为第a次减法聚类得到的聚类中心个数,ΔSa=|Sa-Smax|为第a次减法聚类的有效性函数Sa和所有减法聚类得到的有效性函数最大值Smax差的绝对值,ε为一个足够小的值,N为累加的个数,roundMs(x)表示在Ms序列中取最接近x的值,其中Ms=[16,32,64]。
下面结合仿真对本发明的应用效果作详细的描述。
为了评估本发明的性能,下面的仿真实验采用MQAM信号,并进行2000次实验,MQAM信号的参数设置如下:信号集Φ={16QAM的方形、110C、QCI星座图;32QAM的十字形、110C星座图;64QAM的方形、110C、QCI星座图}。码元速率为fb=1MHz,采样频率fc=8MHz。数据长度为50000点。其仿真结果如图2、图3和图4所示,对于不同形状的16QAM信号,当信噪比大于4dB时,识别率达到100%;对于十字形32QAM信号,当信噪比大于等于5dB时,识别率达到100%;对于110C圆形32QAM信号,当信噪比大于等于7dB时,识别率达到100%;对于方形64QAM信号,当信噪比大于等于10dB时,识别率达到100%;对于110C圆形64QAM信号,当信噪比大于等于10dB时,识别率达到90%以上,由此可见,本发明具有良好的识别效果。本发明可用于卫星空间通信系统、数字电视网络和数字微波系统。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种MQAM信号的调制阶数识别方法,其特征在于,所述MQAM信号调制阶数识别方法包括以下步骤:
步骤一,对接收到的MQAM信号做下变频处理恢复出基带信号,得到星座图并归一化,利用网格法估计星座图的概率密度函数;
步骤二,利用图像灰度化和改进的二值化对所估计的概率密度函数的俯视图进行图像处理,得到简化的星座图概率密度函数;
步骤三,利用多半径减法聚类和自校正的聚类有效性函数对简化的星座图的概率密度函数进行处理,识别出MQAM信号的调制阶数。
2.如权利要求1所述的MQAM信号的调制阶数识别方法,其特征在于,星座图的概率密度函数定义为:经过功率归一化的第i个星座点ri,有ri=si+vi,i=1,2,...,L,其中si为发送端发送的星座点,坐标为(xk,yk),vi为加性高斯白噪声对星座图的影响,星座点的偏移量,L为接收到的星座点个数,则ri的概率密度分布函数为:
<mrow>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<mi>&pi;&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mi>exp</mi>
<mo>{</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>&lsqb;</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
<mo>}</mo>
<mo>;</mo>
</mrow>
各个星座点独立等概发射,当调制阶数为M时,每个星座点的传输个数为L/M,所有发射端发射的与si坐标相同的星座点,在接收端的概率密度分布函数为则所有接收星座点的概率密度分布函数为:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>M</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>f</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>L</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
化简得为L个高斯分布的叠加和归一化。
3.如权利要求1所述的MQAM信号的调制阶数识别方法,其特征在于,所述网格法估计星座图的概率密度函数的方法为:根据接收到的星座点ri的坐标为(riI,riQ),构造方形网格,网格的边界由横纵坐标绝对值的最大值决定,rI,rQ=±max(riI,riQ);定义网格密度Meshnum为单一方向上划分的网格数,在确定的区域内划分Meshnum*Meshnum的网格图,每个网格大小为将网格等效成xOy坐标平面,其中(xp,yp)为每个网格的中心,函数值为将离散点连续化后,得到估计出的概率密度函数
4.如权利要求1所述的MQAM信号的调制阶数识别方法,其特征在于,所述利用改进的二值化对所估计的概率密度函数的俯视图进行图像处理方法为:灰度空间,结合星座图的概率密度函数俯视图,对其灰度空间设定相应的阈值GTH,将符合条件的像素点归一化灰度值为1,不符合条件的像素点归一化灰度值为0:
<mrow>
<msub>
<mi>Threshold</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
<msub>
<mi>G</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msub>
<mo>></mo>
<msub>
<mi>G</mi>
<mrow>
<mi>T</mi>
<mi>H</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中Thresholdx,y为二值化后图片上(x,y)像素点的归一化灰度值;在得到的灰度图像上搜索灰度值最大的像素点(X,Y),归一化灰度值为Gmax,令阈值GTH=pGmax。
5.如权利要求1所述的MQAM信号的调制阶数识别方法,其特征在于,自校正的聚类有效性函数:R={ri=(riI,riQ),i=1,2,...,L}为N个点所组成的集合,C为计算出的聚类中心个数,mk为第k个聚类中心,k=1,2,...,C,计算有效性函数S的步骤如下:
1)计算每个点ri的Sik:
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>min</mi>
<mi> </mi>
<mi>b</mi>
<mrow>
<mo>(</mo>
<mi>q</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>max</mi>
<mo>{</mo>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>min</mi>
<mi> </mi>
<mi>b</mi>
<mrow>
<mo>(</mo>
<mi>q</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中ri对应的聚类中心为mk,b(q,i)为第i个点ri和划分到第q个聚类中心mq的所有信号点的平均距离,其中q为变量且q≠k,a(i)为第i个点ri和在同一聚类中心下的其他信号点的平均距离;
2)计算mk中所有点的Sik平均值Sk:
<mrow>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>m</mi>
<mi>k</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
</mfrac>
<mo>;</mo>
</mrow>
其中Nk为聚类中心mk中的样本点数:
3)计算所有聚类中心Sk的均值S:
<mrow>
<mi>S</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>C</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>C</mi>
</munderover>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<mo>;</mo>
</mrow>
4)计算调制阶数Mdec:
在第a个聚类半径下得到的聚类有效性函数为S(a),a=1,2,3,实际计算出的S值越接近1表明接收信号划分为该类越合理,定义自校正的聚类有效性函数来对聚类得到的结果进行反馈和校正:
定义自校正的聚类有效性函数:
<mrow>
<msub>
<mi>M</mi>
<mrow>
<mi>d</mi>
<mi>e</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>round</mi>
<msub>
<mi>M</mi>
<mi>s</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>a</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<msub>
<mi>&Delta;S</mi>
<mi>a</mi>
</msub>
<mo><</mo>
<mi>&epsiv;</mi>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>M</mi>
<mi>a</mi>
</msub>
<mo>/</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中Ma为第a次减法聚类得到的聚类中心个数,ΔSa=|Sa-Smax|为第a次减法聚类的有效性函数Sa和所有减法聚类得到的有效性函数最大值Smax差的绝对值,ε为一个足够小的值,取ε=0.01,N为累加的个数,表示在Ms序列中取最接近x的值,其中Ms=[16,32,64]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710634408.8A CN107612867B (zh) | 2017-07-29 | 2017-07-29 | 一种mqam信号的调制阶数识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710634408.8A CN107612867B (zh) | 2017-07-29 | 2017-07-29 | 一种mqam信号的调制阶数识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107612867A true CN107612867A (zh) | 2018-01-19 |
CN107612867B CN107612867B (zh) | 2020-06-09 |
Family
ID=61059629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710634408.8A Active CN107612867B (zh) | 2017-07-29 | 2017-07-29 | 一种mqam信号的调制阶数识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107612867B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109525528A (zh) * | 2018-09-29 | 2019-03-26 | 电子科技大学 | 面向mqam调制信号的图域信号识别方法 |
CN110033441A (zh) * | 2019-03-22 | 2019-07-19 | 无锡中微掩模电子有限公司 | 一种无损、高精度掩模图形的分层提取方法 |
CN111277526A (zh) * | 2020-03-01 | 2020-06-12 | 西北工业大学 | 一种基于压缩感知的星座图相同信号的调制识别方法 |
CN111817994A (zh) * | 2019-07-25 | 2020-10-23 | 中国人民解放军陆军工程大学 | 基于相位差分星座图聚类的调制识别方法及装置 |
CN112737992A (zh) * | 2020-09-23 | 2021-04-30 | 青岛科技大学 | 一种水声信号调制方式自适应类内识别方法 |
CN113285762A (zh) * | 2021-02-25 | 2021-08-20 | 广西师范大学 | 一种基于相对熵计算的调制格式识别方法 |
CN113872903A (zh) * | 2021-09-18 | 2021-12-31 | 北京理工大学 | 信号调制阶数的识别方法、装置、设备及存储介质 |
CN115333905A (zh) * | 2022-10-12 | 2022-11-11 | 南通中泓网络科技有限公司 | 一种信号调制方式识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102065056A (zh) * | 2011-01-10 | 2011-05-18 | 郑州大学 | 基于聚类实现任意星座图的mqam信号调制方式识别的方法 |
-
2017
- 2017-07-29 CN CN201710634408.8A patent/CN107612867B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102065056A (zh) * | 2011-01-10 | 2011-05-18 | 郑州大学 | 基于聚类实现任意星座图的mqam信号调制方式识别的方法 |
Non-Patent Citations (1)
Title |
---|
方圆驰,胡蝶: "一种低复杂度的邻区MQAM调制方式盲识别算法", 《微型电脑应用》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109525528B (zh) * | 2018-09-29 | 2021-01-26 | 电子科技大学 | 面向mqam调制信号的图域信号识别方法 |
CN109525528A (zh) * | 2018-09-29 | 2019-03-26 | 电子科技大学 | 面向mqam调制信号的图域信号识别方法 |
CN110033441A (zh) * | 2019-03-22 | 2019-07-19 | 无锡中微掩模电子有限公司 | 一种无损、高精度掩模图形的分层提取方法 |
CN111817994A (zh) * | 2019-07-25 | 2020-10-23 | 中国人民解放军陆军工程大学 | 基于相位差分星座图聚类的调制识别方法及装置 |
CN111277526B (zh) * | 2020-03-01 | 2021-06-11 | 西北工业大学 | 一种基于压缩感知的星座图相同信号的调制识别方法 |
CN111277526A (zh) * | 2020-03-01 | 2020-06-12 | 西北工业大学 | 一种基于压缩感知的星座图相同信号的调制识别方法 |
CN112737992A (zh) * | 2020-09-23 | 2021-04-30 | 青岛科技大学 | 一种水声信号调制方式自适应类内识别方法 |
CN112737992B (zh) * | 2020-09-23 | 2023-02-03 | 青岛科技大学 | 一种水声信号调制方式自适应类内识别方法 |
CN113285762A (zh) * | 2021-02-25 | 2021-08-20 | 广西师范大学 | 一种基于相对熵计算的调制格式识别方法 |
CN113285762B (zh) * | 2021-02-25 | 2022-08-05 | 广西师范大学 | 一种基于相对熵计算的调制格式识别方法 |
CN113872903A (zh) * | 2021-09-18 | 2021-12-31 | 北京理工大学 | 信号调制阶数的识别方法、装置、设备及存储介质 |
CN113872903B (zh) * | 2021-09-18 | 2023-04-18 | 北京理工大学 | 信号调制阶数的识别方法、装置、设备及存储介质 |
CN115333905A (zh) * | 2022-10-12 | 2022-11-11 | 南通中泓网络科技有限公司 | 一种信号调制方式识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107612867B (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107612867A (zh) | 一种mqam信号的调制阶数识别方法 | |
Zhang et al. | Constellation learning-based signal detection for ambient backscatter communication systems | |
US10985955B2 (en) | Method for automatically identifying modulation mode for digital communication signal | |
Wang et al. | Deep learning for signal demodulation in physical layer wireless communications: Prototype platform, open dataset, and analytics | |
CN110113288B (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
CN107135017A (zh) | 反向散射通信系统信号发送和接收方法 | |
CN101895494B (zh) | 基于随机共振预处理的数字调制方式自动识别方法 | |
CN110233653B (zh) | 基于加权集成聚类算法的mimo系统的盲多径识别方法及系统 | |
CN114567528B (zh) | 基于深度学习的通信信号调制方式开集识别方法及系统 | |
CN102497343A (zh) | 一种基于聚类和支持向量机的联合调制识别方法 | |
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 | |
CN102869064A (zh) | 基于特征级与决策级联合融合的分簇调制识别方法 | |
Yan et al. | A Novel Automatic Modulation Classifier Using Graph-Based Constellation Analysis for ${M} $-ary QAM | |
Huang et al. | Identifying physical-layer attacks for IoT security: An automatic modulation classification approach using multi-module fusion neural network | |
CN106131939B (zh) | 一种数能一体化通信网络的功率控制最优化方法 | |
CN106533590A (zh) | 基于接收端evm的上行链路信道质量测量方法 | |
Shi et al. | Signal recognition based on federated learning | |
Nie et al. | Automatic modulation classification based multiple cumulants and quasi-newton method for mimo system | |
CN110166389B (zh) | 基于最小二乘支持向量机的调制识别方法 | |
Wang et al. | Residual learning based RF signal denoising | |
CN106656612B (zh) | 一种用于超密集网络系统遍历和速率的近似方法 | |
CN107370709A (zh) | 一种mqam信号的星座图类型识别方法 | |
Wu et al. | Deep learning aided cyclostationary feature analysis for blind modulation recognition in massive MIMO systems | |
Zhuang et al. | Siegel distance-based fusion strategy and differential evolution algorithm for cooperative spectrum sensing | |
Xu et al. | Energy optimization in multi-UAV-assisted edge data collection system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |