CN108881084A - 一种基于gp分布的bpsk/qpsk信号识别方法 - Google Patents
一种基于gp分布的bpsk/qpsk信号识别方法 Download PDFInfo
- Publication number
- CN108881084A CN108881084A CN201710832795.6A CN201710832795A CN108881084A CN 108881084 A CN108881084 A CN 108881084A CN 201710832795 A CN201710832795 A CN 201710832795A CN 108881084 A CN108881084 A CN 108881084A
- Authority
- CN
- China
- Prior art keywords
- bpsk
- signal
- distribution
- qpsk
- superthreshold
- 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
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)
- Complex Calculations (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种基于GP分布的BPSK/QPSK信号识别方法,将待识别BPSK/QPSK信号进行平方,求频谱并作取模运算得到幅度谱;取幅度谱极大值并记录其位置,计算得到修正谱,将修正谱作平方运算得到新序列;取新序列的极大值,定义阈值,选择新序列中大于阈值的谱线构成超阈值极值序列;将BPSK/QPSK信号的识别问题转化为假设问题:H0假设下,超阈值极值序列近似服从GP分布,信号为BPSK;H1假设下,超阈值极值序列不服从GP分布,信号为QPSK。通过计算由BPSK/QPSK信号构成的超阈值极值序列的分布和其GP分布的拟合优度来对BPSK及QPSK两种信号进行识别,无需信号的先验信息,识别正确率高。
Description
技术领域
本发明涉及一种基于GP分布的BPSK/QPSK信号识别方法。属于雷达或通信信号处理领域。
背景技术
调制识别技术在军事、民用领域有广泛的应用价值。信号的调制方式识别位于接收机的前端,处于信号检测和解调中间。接收机要识别出信号的调制方式对接收信号进行解调以后才能进行下一个操作直到最后获取信息。调制识别技术主要分为两大类:基于似然的方法和基于特征的方法。基于似然的方法,是在构建似然的架构下,将信号的识别转换为多重假设检验问题。基于特征的方法中提取的特征主要有:瞬时特征,谱特征,高阶累积量,谱相关。以上方法普遍存在计算量大,需要估计信号先验信息等缺点。
发明内容
为解决现有技术的不足,本发明的目的在于提供一种基于GP分布的BPSK/QPSK信号识别方法,解决其他方法普遍存在计算量大、需要估计信号先验信息等缺点。
为了实现上述目标,本发明采用如下的技术方案:一种基于GP分布的BPSK/QPSK信号识别方法,其特征在于:包括如下步骤:
步骤一:将待识别BPSK/QPSK信号进行平方,求频谱并作取模运算得到幅度谱;
步骤二:取幅度谱极大值并记录其位置,将其左边和右边N根谱线置零得到修正谱,将修正谱作平方运算得到新序列;
步骤三:搜索新序列的极大值,定义阈值,选择新序列中大于阈值的谱线构成超阈值极值序列;
步骤四:将BPSK/QPSK信号的识别问题转化为以下假设问题:H0假设下,超阈值极值序列近似服从GP分布,信号为BPSK;H1假设下,超阈值极值序列不服从GP分布,信号为QPSK。
前述的一种基于GP分布的BPSK/QPSK信号识别方法,其特征在于:在步骤一中,待识别BPSK/QPSK信号为x(n),将信号平方运算作离散傅里叶变换(DFT)求频谱并取模得到幅度谱Y(k),
Y(k)=|DFT[x(n)2]|,
其中,x(n)为叠加了高斯白噪声的有噪信号。
前述的一种基于GP分布的BPSK/QPSK信号识别方法,其特征在于:在步骤二中,搜索幅度谱Y(k)的最大值并记录最大值所在位置k0,定义修正频谱
其中,N<3。将修正频谱作平方运算得到新序列Z1(k)=Z(k)2。
前述的一种基于GP分布的BPSK/QPSK信号识别方法,其特征在于:在步骤三中,搜索新序列的极大值Z1max,定义阈值l0=(0.05~0.15)?Z1max,将Z1(k)中大于阈值的谱线选择出来构成超阈值极值序列G,
前述的一种基于GP分布的BPSK/QPSK信号识别方法,其特征在于:在步骤四中,计算超阈值极值序列的分布与其GP分布的拟合优度,设定显著性水平a=0.05,利用KS检验判断BPSK/QPSK信号的超阈值极值序列G的分布是否近似服从GP分布,如果H0成立,则待识别信号为BPSK;如果H1成立,待识别信号为QPSK。
本发明的有益之处在于:通过计算由BPSK/QPSK信号构成的超阈值极值序列的分布和其GP分布的拟合优度来对BPSK及QPSK两种信号进行识别,无需信号的先验信息,识别正确率高。
附图说明
图1是本发明一种基于GP分布的BPSK/QPSK信号识别方法流程图;
图2是本发明实施例BPSK信号的超阈值极值序列分布及其GP分布示意图;
图3是本发明实施例QPSK信号的超阈值极值序列分布及其GP分布示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
参照图1所示,本发明一种基于GP分布的BPSK/QPSK信号识别方法,包括如下步骤:
步骤一:将待识别BPSK/QPSK信号进行平方,求频谱并作取模运算得到幅度谱;
待识别BPSK/QPSK信号为x(n),将信号平方运算作离散傅里叶变换(DFT)求频谱并取模得到幅度谱Y(k),
Y(k)=|DFT[x(n)2]|,
其中,x(n)为叠加了高斯白噪声的有噪信号。
步骤二:取幅度谱极大值并记录其位置,将其左边和右边N根谱线置零得到修正谱,将修正谱作平方运算得到新序列;
搜索幅度谱Y(k)的最大值并记录最大值所在位置k0,定义修正频谱
其中,N<3。将修正频谱作平方运算得到新序列Z1(k)=Z(k)2。
步骤三:搜索新序列的极大值,定义阈值,选择新序列中大于阈值的谱线构成超阈值极值序列;
搜索新序列的极大值Z1max,定义阈值l0=(0.05~0.15)?Z1max,将Z1(k)中大于阈值的谱线选择出来构成超阈值极值序列G,
步骤四:将BPSK/QPSK信号的识别问题转化为以下假设问题:H0假设下,超阈值极值序列近似服从GP分布,信号为BPSK;H1假设下,超阈值极值序列不服从GP分布,信号为QPSK,
设定显著性水平a=0.05,利用KS检验判断BPSK/QPSK信号的超阈值极值序列G的分布是否近似服从GP分布,如果H0成立,则待识别信号为BPSK;如果H1成立,待识别信号为QPSK。
表1为当信噪比SNR为-6~6dB时,BPSK信号和QPSK信号的识别正确率。仿真条件为:采样频率为100MHz,载频为20.76MHz,码元宽度为640ns,样本点数为1024,初相位为q=p/3,噪声为高斯白噪声,信噪比变化范围是[-6dB,6dB](步长为2dB),仿真1000次。由此可见,BPSK信号的识别正确率维持在99%以上,QPSK信号的识别正确率随着信噪比的增加而明显增加。BPSK和QPSK信号的平均识别正确率随着信噪比的增加而增加,当信噪比SNR>2dB时,平均识别正确率达到94%以上。
SNR | -6 | -4 | -2 | 0 | 2 | 4 | 6 |
BPSK | 0.997 | 0.997 | 0.999 | 0.998 | 0.999 | 0.999 | 0.999 |
QPSK | 0.002 | 0.002 | 0.001 | 0.202 | 0.885 | 1 | 1 |
平均值 | 0.4995 | 0.4995 | 0.5 | 0.6 | 0.942 | 0.9995 | 0.9995 |
表1不同信噪比下,BPSK/QPSK信号的识别性能
根据图2、图3所示,当信噪比SNR=3dB,其他仿真条件与表格1相同,BPSK信号和QPSK信号的超阈值极值序列的分布和其GP分布图。图中线条为超阈值极值序列G的GP分布,圆圈代表超阈值极值序列G的分布。由图可见,BPSK信号构建的超阈值极值序列G近似服从GP分布,而QPSK信号构建的超阈值极值序列G不服从GP分布。利用这一点我们可以通过KS检验法判断待识别信号所构建的超阈值极值序列是否近似服从GP分布,从而完成对BPSK/QPSK信号的识别。
本发明通过计算由BPSK/QPSK信号构成的超阈值极值序列的分布和其GP分布的拟合优度来对BPSK及QPSK两种信号进行识别,无需信号的先验信息,识别正确率高。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,上述实施例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (5)
1.一种基于GP分布的BPSK/QPSK信号识别方法,其特征在于:包括如下步骤:
步骤一:将待识别BPSK/QPSK信号进行平方,求频谱并作取模运算得到幅度谱;
步骤二:取幅度谱极大值并记录其位置,将其左边和右边N根谱线置零得到修正谱,将修正谱作平方运算得到新序列;
步骤三:搜索新序列的极大值,定义阈值,选择新序列中大于阈值的谱线构成超阈值极值序列;
步骤四:将BPSK/QPSK信号的识别问题转化为以下假设问题:H0假设下,超阈值极值序列近似服从GP分布,信号为BPSK;H1假设下,超阈值极值序列不服从GP分布,信号为QPSK。
2.根据权利要求1所述的一种基于GP分布的BPSK/QPSK信号识别方法,其特征在于:在步骤一中,待识别BPSK/QPSK信号为x(n),将信号平方运算作离散傅里叶变换DFT求频谱并取模得到幅度谱Y(k),
Y(k)=|DFT[x(n)2]|,
其中,x(n)为叠加了高斯白噪声的有噪信号。
3.根据权利要求1所述的一种基于GP分布的BPSK/QPSK信号识别方法,其特征在于:在步骤二中,搜索幅度谱Y(k)的最大值并记录最大值所在位置k0,定义修正频谱
其中,N<3。将修正频谱作平方运算得到新序列Z1(k)=Z(k)2。
4.根据权利要求1所述的一种基于GP分布的BPSK/QPSK信号识别方法,其特征在于:在步骤三中,搜索新序列的极大值Z1max,定义阈值l0=(0.05~0.15)?Z1max,将Z1(k)中大于阈值的谱线选择出来构成超阈值极值序列G,
5.根据权利要求1所述的一种基于GP分布的BPSK/QPSK信号识别方法,其特征在于:在步骤四中,设定显著性水平a=0.05,利用KS检验判断BPSK/QPSK信号的超阈值极值序列G的分布是否近似服从GP分布,如果H0成立,则待识别信号为BPSK;如果H1成立,待识别信号为QPSK。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710832795.6A CN108881084B (zh) | 2017-09-15 | 2017-09-15 | 一种基于gp分布的bpsk/qpsk信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710832795.6A CN108881084B (zh) | 2017-09-15 | 2017-09-15 | 一种基于gp分布的bpsk/qpsk信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108881084A true CN108881084A (zh) | 2018-11-23 |
CN108881084B CN108881084B (zh) | 2020-12-15 |
Family
ID=64325564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710832795.6A Active CN108881084B (zh) | 2017-09-15 | 2017-09-15 | 一种基于gp分布的bpsk/qpsk信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108881084B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364823A (zh) * | 2020-11-30 | 2021-02-12 | 金陵科技学院 | 5g新型多载波信号识别方法 |
CN112787964A (zh) * | 2021-02-18 | 2021-05-11 | 金陵科技学院 | 基于极差中值图域特征的bpsk及qpsk信号调制识别方法 |
CN113014361A (zh) * | 2021-02-18 | 2021-06-22 | 金陵科技学院 | 一种基于图的bpsk信号置信度检验方法 |
CN114268526A (zh) * | 2021-12-21 | 2022-04-01 | 金陵科技学院 | 基于图的度特征的bpsk及qpsk信号调制识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964801A (zh) * | 2010-10-22 | 2011-02-02 | 哈尔滨工业大学深圳研究生院 | 一种软件无线电调制信号识别平台及识别方法 |
CN106357574A (zh) * | 2016-09-26 | 2017-01-25 | 金陵科技学院 | 基于顺序统计量的bpsk/qpsk信号调制盲识别方法 |
US9563725B2 (en) * | 2014-02-19 | 2017-02-07 | Sas Institute Inc. | Techniques for estimating compound probability distribution by simulating large empirical samples with scalable parallel and distributed processing |
-
2017
- 2017-09-15 CN CN201710832795.6A patent/CN108881084B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964801A (zh) * | 2010-10-22 | 2011-02-02 | 哈尔滨工业大学深圳研究生院 | 一种软件无线电调制信号识别平台及识别方法 |
US9563725B2 (en) * | 2014-02-19 | 2017-02-07 | Sas Institute Inc. | Techniques for estimating compound probability distribution by simulating large empirical samples with scalable parallel and distributed processing |
CN106357574A (zh) * | 2016-09-26 | 2017-01-25 | 金陵科技学院 | 基于顺序统计量的bpsk/qpsk信号调制盲识别方法 |
Non-Patent Citations (2)
Title |
---|
TOSHIAKI KOIKE-AKINO等: ""Pareto Optimization of Adaptive Modulation and Coding Set in Nonlinear Fiber-Optic Systems"", 《 JOURNAL OF LIGHTWAVE TECHNOLOGY》 * |
杨莉,胡国兵: ""一种改进的BPSK_QPSK信号调制识别算法"", 《电讯技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364823A (zh) * | 2020-11-30 | 2021-02-12 | 金陵科技学院 | 5g新型多载波信号识别方法 |
CN112364823B (zh) * | 2020-11-30 | 2023-09-19 | 金陵科技学院 | 5g多载波信号识别方法 |
CN112787964A (zh) * | 2021-02-18 | 2021-05-11 | 金陵科技学院 | 基于极差中值图域特征的bpsk及qpsk信号调制识别方法 |
CN113014361A (zh) * | 2021-02-18 | 2021-06-22 | 金陵科技学院 | 一种基于图的bpsk信号置信度检验方法 |
CN112787964B (zh) * | 2021-02-18 | 2022-01-25 | 金陵科技学院 | 基于极差中值图域特征的bpsk及qpsk信号调制识别方法 |
CN113014361B (zh) * | 2021-02-18 | 2022-03-08 | 金陵科技学院 | 一种基于图的bpsk信号置信度检验方法 |
CN114268526A (zh) * | 2021-12-21 | 2022-04-01 | 金陵科技学院 | 基于图的度特征的bpsk及qpsk信号调制识别方法 |
CN114268526B (zh) * | 2021-12-21 | 2023-05-26 | 金陵科技学院 | 基于图的度特征的bpsk及qpsk信号调制识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108881084B (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108881084A (zh) | 一种基于gp分布的bpsk/qpsk信号识别方法 | |
CN106130942B (zh) | 一种基于循环谱的无线通信信号调制识别及参数估计方法 | |
CN105678273B (zh) | 射频指纹识别技术瞬态信号的起始点检测算法 | |
CN106896407B (zh) | 一种基于近似负熵的微地震信号初至拾取方法 | |
CN102263601B (zh) | 一种宽带多信号检测方法 | |
CN110007148A (zh) | 一种基于离散频谱相位和幅值综合内插的单频信号频率估计方法 | |
CN107677989B (zh) | 一种基于rssi最大值进行rssi去除噪声的室内位置定位方法 | |
CN105429719B (zh) | 基于功率谱和多尺度小波变换分析强干扰信号检测方法 | |
CN114268526B (zh) | 基于图的度特征的bpsk及qpsk信号调制识别方法 | |
CN106169070A (zh) | 基于协作表示的通信辐射源个体识别方法及系统 | |
CN112398552A (zh) | 基于差分复数深度神经网络的通信辐射源个体识别方法 | |
CN104202273A (zh) | 一种基于相位的频率估计插值方向判断方法 | |
CN111901268A (zh) | 基于频谱重排及Gumbel分布拟合检验的BPSK/QPSK信号调制识别方法 | |
CN108234044B (zh) | 基于混合输入信息的无线设备识别分类器的预处理方法 | |
CN112235077B (zh) | 基于高斯Copula的BPSK信号盲处理结果可信性自适应校验方法 | |
CN106877901B (zh) | 一种低噪比直扩信号的检测方法 | |
CN108063641A (zh) | 单通道多信号检测方法 | |
CN112364823B (zh) | 5g多载波信号识别方法 | |
CN105848200B (zh) | 一种td-scdma系统中上行能量测量方法及装置 | |
CN110376436B (zh) | 一种多尺度噪声功率谱线谱检测方法 | |
CN102186196B (zh) | 一种确定物理上行共享信道信号信噪比的方法及装置 | |
CN115842567B (zh) | 一种基于chirp通信的动态门限同步方法及装置 | |
CN117216519B (zh) | 一种基于循环谱特征的时频混叠信号识别方法及系统 | |
CN101984696B (zh) | 无线局域网中不同格式帧的检测方法及检测装置 | |
CN112083448B (zh) | 面向卫星导航系统的干扰信号分类识别特征提取方法及系统 |
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 |