CN109067678A - 基于高阶累积量wfrft信号级联调制识别方法、无线通信系统 - Google Patents
基于高阶累积量wfrft信号级联调制识别方法、无线通信系统 Download PDFInfo
- Publication number
- CN109067678A CN109067678A CN201810648403.5A CN201810648403A CN109067678A CN 109067678 A CN109067678 A CN 109067678A CN 201810648403 A CN201810648403 A CN 201810648403A CN 109067678 A CN109067678 A CN 109067678A
- Authority
- CN
- China
- Prior art keywords
- wfrft
- signal
- modulation
- order
- cumulants
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004891 communication Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 3
- 206010016256 fatigue Diseases 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于无线通信网络技术领域,公开了一种基于高阶累积量WFRFT信号级联调制识别方法、无线通信系统,通过最小化接收信号的四阶累积量模值(|C42|)来实现WFRFT调制阶数的识别,并利用Parabola方法实现WFRFT阶数的优化搜索,进而合理选择|C42|判决门限来实现对传统ASK、PSK、QAM基带信号的初步识别;进一步,通过对接收信号的四阶、八阶累积量计算,利用二元门限判决方法,确定最终的基带星座大小来实现WFRFT信号的精确识别。利用本发明,能够在较低信噪比条件下,实现WFRFT信号的调制识别,最终实现非协作通信条件下的信号正确解调,可以运用于WFRFT系统中的信号检测、识别中。
Description
技术领域
本发明属于无线通信网络技术领域,尤其涉及一种基于高阶累积量WFRFT信号级联调制识别方法、无线通信系统。
背景技术
目前,业内常用的现有技术是这样的:无线通信信号的调制识别在通信电子对抗、信号识别、分选、管理等领域都有关极其重要的地位。而作为一种新型时频分析工具,加权类分数阶傅里叶变换(WFRFT)能够使得基带信号星座呈现出丰富的旋转、发散特性,有助于提升系统的抗干扰、抗截获性能。通过合理设定调制阶数,WFRFT可与MC、SC实现良好兼容,作为一种单\多载波的融合机制,WFRFT越来越受到研究人员的重视。考虑到非协作通信场景中,接收端信号的调制识别对于正确识别发送信号、进而还原出原始发送信息至关重要,因而对WFRFT信号的调制识别也成为WFRFT系统研究的一个重要方面。而目前已有研究主要从单一特定的单载波或者多载波调制识别展开,如常见的高阶累积量(HOC)、星座聚类、瞬时特征提取识别方法,它们的分析与建模依据均建立在原有通信系统是单一载波形式的基础上,而WFRFT系统具有单\多载波的融合特性,这些已有常规的调制识别方法不能直接适用于WFRFT系统之中。基于此,本发明在对WFRFT的高阶累积量(HOC)深入研究的基础上,探索得出信号内容的参数变化规律,对非协作通信场景下的WFRFT信号调制识别相关理论进行了深入研究,并进一步提出一种切实可行的WFRFT信号识别方法。
综上所述,现有技术存在的问题是:现有的加权类分数阶傅里叶变换信号具有混合载波特性,常规的基于HOC识别方法不能对其进行有效调制识别,从而在非协作通信场景下WFRFT系统中,不能进行有效的信号识别、分选,以及进一步的资源配置、优化管理。
解决上述技术问题的难度和意义:WFRFT信号调制识别的难度在于WFRFT信号的具 体混合载波特性,且由于WFRFT调制阶数的不同,WFRFT会呈现出不同的载波偏向性,当 WFRFT调制阶数α趋于0时,WFRFT信号呈现出单载波特性,当α趋于1时,WFRFT信号呈现多载波特性。而本发明的主要意义在于:通过理论公式推导及仿真实测,探索得出了WFRFT信号载波特性与WFRFT调制阶数α的内部关系,并为进一步的基带信号调制识别进行级联识别。本发明揭示了基于HOC的WFRFT信号调制识别基本理论依据,能够为WFRFT系统中的信号识别、分选及进一步的资源自适应优化配置奠定坚实基础。
发明内容
针对现有技术存在的问题,本发明提供了一种基于高阶累积量WFRFT信号级联调制识别方法、无线通信系统。
本发明是这样实现的,一种基于高阶累积量WFRFT信号级联调制识别方法,所述基于高阶累积量WFRFT信号级联调制识别方法包括:发射端选择WFRFT调制阶数;实现接收端四阶累积量计算;建立四阶累积量的简化优化数学模型;采用Parabola搜索算法进行最优WFRFT调制阶数的优化搜索,设定初始的数据取值x1,x2,x3,调制阶数的容差δα及搜索总长度N,结合抛物线(Parabola)的曲线变化特性,进行顶点值的迭代搜索,最终确定δα、N约束条件下的最优WFRFT调制阶数α;进一步搭建判决树,结合不同ASK、PSK、QA,M的四阶、八阶累积量具有不同的取值,因而可以合理设定这些理论取值中值作为调制方式的基本判决门限,通过计算接收信号的四阶、八阶累积量取值实现对ASK、PSK、QAM基带类型及基带星座大小的识别。综合上述过程,从而最终可以实现整体的WFRFT信号的调制识别(包括WFRFT阶数恢复及基带信号类型、星座大小的识别)。
进一步,所述基于高阶累积量WFRFT信号级联调制识别方法
步骤一,发射端合法选择WFRFT调制阶数αt。
步骤二,经过预定义WFRFT调制阶数αr,初步实现接收端四阶累积量C42计算。
步骤三,结合傅里叶变换信号具有类高斯特性,其高阶累积量近似为0,进而建立四阶累积量C42的简化优化模型。
步骤四,结合简化优化模型,采用Parabola搜索算法最优WFRFT调制阶数αr的优化搜索;
步骤五,合理设计二元门限值,并相应搭建判决树,通过计算接收信号的四阶、八阶累积量C42、C80取值实现WFRFT信号的调制识别。
进一步,所述WFRFT信号的基本形式为:
进一步,计算四阶累积量C42表达式;经过高斯信道之后,令Δα=αr+αt,接收端信号表示为:
接收信号r,其C42计算如下:
高斯噪声的高阶累积量理论值为0,即得出:
进一步,建立接收端WFRFT信号四阶累积量C42简化数学模型;X1、X3为X0、X2的DFT变换,C42(X1)、C42(X3)具有类高斯特性,即C42(X1)、C42(X3)近似为0,得到:
令C42(X0)=C42(X2)=S,结合加权系数ωl表达式最终简化式:
C42(r)=0.5·[(cos(Δα·π))4+(cos(Δα·π))6]·S。
本发明的另一目的在于提供一种应用所述基于高阶累积量WFRFT信号级联调制识别方法的无线通信系统。
综上所述,本发明的优点及积极效果为:本发明表明WFRFT处理后的信号无法识别或者常规手段很难进行检测与识别,常规的诸如高阶累积量(HOC)、星座聚类、瞬时特征提取识别方法不能用于或者不能直接用于基于WFRFT的信号调制识别中。提出了基于高阶累积量(HOC)的加权类分数阶傅里叶变换(WFRFT)信号级联调制识别方法,能够便捷、高效地实现WFRFT信号的调制识别,实现非协作WFRFT信号的有效检测与接收。本发明有效解决了混合载波WFRFT信号隐蔽、调制阶数识别难、基带映射类型、星座大小不易恢复的问题;有利于实现非协作WFRFT信号的有效检测与接收恢复。
现有的调制识别手段主要从单载波(SC)或者多载波(MC)模型下的基带信号识别展开,对基于WFRFT混合载波通信体制下的通信信号识别研究较少。现有基于HOC的WFRFT信号识别方法,分析模型不明确,未能提出具体的WFRFT调制阶数恢复手段及实现基带映射方式及星座大小的识别方法。
附图说明
图1是本发明实施例提供的基于高阶累积量WFRFT信号级联调制识别方法流程图。
图2是本发明实施例提供的WFRFT调制基本结构图。
图3是本发明实施例提供的基于HOC的WFRFT信号级联调制识别组成图。
图4是本发明实施例提供的C42与调制阶数函数曲线图。
图5是本发明实施例提供的采用Parabola方法进行WFRFT调制阶数搜索流程图。
图6是本发明实施例提供的采用基于HOC二元门限判决的树状图。
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。
本发明有效解决了混合载波WFRFT信号隐蔽、调制阶数识别难、基带映射类型、星座大小不易恢复的问题;有利于实现非协作WFRFT信号的有效检测与接收恢复。
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基于高阶累积量WFRFT信号级联调制识别方法包括以下步骤:
S101:发射端根据实际通信要求合法选择WFRFT调制阶数;
S102:经过预定义WFRFT调制阶数αr,初步实现接收端四阶累积量计算;
S103:结合傅里叶变换信号具有类高斯特性,其高阶累积量可以近似为0,进而建立四阶累积量的简化优化模型;
S104:结合简化优化模型,采用Parabola搜索算法进行最优WFRFT调制阶数的优化搜索;
S105:合理设计二元门限值,并相应搭建判决树,通过计算接收信号的四阶、八阶累积量取值最终实现WFRFT信号的调制识别。
本发明实施例提供的基于高阶累积量WFRFT信号级联调制识别方法具体包括以下步骤:
步骤一,发射端根据实际通信要求合法选择WFRFT调制阶数αt。
步骤二,经过预定义WFRFT调制阶数αr,初步实现接收端四阶累积量(C42)计算。
步骤三,结合傅里叶变换信号具有类高斯特性,其高阶累积量可以近似为0,进而建立四阶累积量(C42)的简化优化模型。
步骤四,结合简化优化模型,采用Parabola搜索算法进行最优WFRFT调制阶数αr的优化搜索。
步骤五,合理设计二元门限值,并相应搭建判决树,通过计算接收信号的四阶、八阶累积量(C42、C80)取值最终实现WFRFT信号的调制识别。
在本发的优选实施例中,步骤一中,由于通信参数的不确定性导致WFRFT发射阶数αt具有不确定性。
在本发的优选实施例中,步骤二中,WFRFT调制信号的四个部分可以近似视为四个互不相关的独立变量,从而为本发明四阶累积量(C42)基本数学分析与推导提出了一种理论分析思路。
在本发的优选实施例中,步骤四中,基于C42的简化优化模型具有类抛物线特性,因而在进行极值搜索时采用了抛物线(Parabola)搜索方法进行最终的WFRFT接收端阶数αr的搜索还原。
在本发的优选实施例中,步骤五中,根据接收信号的高阶累积量取值因为实际信道不理想、计算精度偏差等问题,通过合理设置判决门限,从而最终实现WFRFT调制识别,完成基带基本调制类型识别以及具体星座大小的确定。
下面结合附图对本发明的应用原理作进一步的描述。
如图2所示,WFRFT调制信号包含四个部分,令输入序列为X0=[x0,...,xN-1]T,进而X1、X2、X3分别表示X0的一、二、三次归一化离散傅里叶变换(Discrete FourierTransform,DFT)。X0的WFRFT变换可表示为:
Wα(X0)=ω0(α)X0+ω1(α)X1+ω2(α)X2+ω3(α)X3;
由图2可知,ω1(α)X1和ω3(α)X3为多载波成分;ω0(α)X0和ω2(α)X2为单载波成分。
多载波(MC)信号近似服从高斯分布,相应理论HOC取值接近为0,进而可以基于HOC来实现对SC与MC信号的区分。且不同的WFRFT调制除数α的会使得WFRFT的载波特性发生变化,进而引起相应HOC的取值变化,从而使得传统基于HOC的二元判决识别方法不能直接运用于WFRFT的信号识别之中。
结合图3中基于HOC的WFRFT信号级联调制识别组成图,s表示ASK、PSK、QAM的通用信号形式,WFRFT调制、解调阶数分别为αt、αr,且认为WFRFT阶数存在偏差为Δα,Δα=αt+αr,则接收端信号可以表示为:
考虑到归一化的WFRFT变换为线性酉变换,则噪声经过WFRFT处理之后的信号与原噪声信号n服从相同均匀、方差的高斯分布。进而对于接收信号r而言,其C42计算如下:
考虑到高斯噪声的高阶累积量理论值为0,即结合式Wα(X0)的定义式可推导得出:
令C42(X0)=C42(X2)=S,将加权系数ωl代入其中,则表达式可进一步化简化为:
C42(r)=0.5·[(cos(Δα·π))4+(cos(Δα·π))6]·S;
通过求导法可知,C42(r)在Δα=0处可取得最大。
图4中,进一步通过绘制函数曲线表明了C42(r)在Δα=0处取值最大的示意图。图5中,呈现了所采用的Parabola搜索算法进行极值搜索的流程。结合流程图知本发明中的Parabola搜索算法基本实现过程包含如下几个具体步骤:
步骤一:设计α的差错容限δα,初始搜索序号为k=1,设置最大搜索次数N(k<N),设定初始搜索值,x1=0,x3=1,x2=(x1+x3)/2;
步骤二:令f(·)表示归一化C42的计算函数,Parabola函数为设计临时Parabola函数系数b、c:
步骤三:选择优化极值点:xopt,k=-b/(2c);
步骤四:降序重排x1,x2,x3andxopt,k,从小到大依次赋值给r1,r2,r3,r4;
If|r2-r3|≤δα,结束搜索;
Elseif|r2-r3|>δα,转到步骤五;
步骤五:If f(r1)≤f(r4),重新赋值x1,x2,x3如下:
x1=r2,x2=r3,x3=r4;
Elseif f(r1)>f(r4),重新赋值x1,x2,x3如下:
x1=r1,x2=r2,x3=r3.
步骤六:令k:=k+1,转到步骤二;
结束:输出最优阶数αr,opt,且αr,opt=xopt,k。
经由图5所示的Parabola搜索过程可以实现WFRFT调制阶数αt的搜索,且理论上的WFRFT接收端阶数αr取值为:αr=-αt。当X0进行功率归一化处理(对应S=1)之后,相应ASK、PSK、QAM的C42取值范围分别是:C42:-2~-1.2(ASK);C42:-1(PSK);C42:-1~-0.6(QAM)。通过合理设定门限进行ASK、PSK、QAM初步分类,即实现了图3中的粗识别过程(CREC)。
此外,结合几种常见的星座大小方案,本发明进一步通过对接收信号的四阶、八阶累积量(C42、C80)进行分析计算,合理设定各个子类判决门限,最终可以实现基带星座大小的精识别过程(FREC)。具体的二元判决门限的基本取值依据如图6所示,图6中所示为C42、C80的理论取值,通过选择这些理论取值的中值作为判决门限,进而可以实现这些基带信号的识别。
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 (7)
1.一种基于高阶累积量WFRFT信号级联调制识别方法,其特征在于,所述基于高阶累积量WFRFT信号级联调制识别方法包括:发射端选择WFRFT调制阶数;实现接收端四阶累积量计算;建立四阶累积量的简化优化模型;采用Parabola搜索算法进行最优WFRFT调制阶数的优化搜索;搭建判决树,通过计算接收信号的四阶、八阶累积量取值实现WFRFT信号的调制识别。
2.如权利要求1所述的基于高阶累积量WFRFT信号级联调制识别方法,其特征在于,所述基于高阶累积量WFRFT信号级联调制识别方法具体包括:
步骤一,发射端合法选择WFRFT调制阶数αt;
步骤二,经过预定义WFRFT调制阶数αr,初步实现接收端四阶累积量C42计算;
步骤三,结合傅里叶变换信号具有类高斯特性,其高阶累积量近似为0,进而建立四阶累积量C42的简化优化模型;
步骤四,结合简化优化模型,采用Parabola搜索算法最优WFRFT调制阶数αr的优化搜索;
步骤五,合理设计二元门限值,并相应搭建判决树,通过计算接收信号的四阶、八阶累积量C42、C80取值实现WFRFT信号的调制识别。
3.如权利要求2所述的基于高阶累积量WFRFT信号级联调制识别方法,其特征在于,所述WFRFT信号的基本形式为:
4.如权利要求2所述的基于高阶累积量WFRFT信号级联调制识别方法,其特征在于,计算四阶累积量C42表达式;经过高斯信道之后,令Δα=αr+αt,接收端信号表示为:
接收信号r,其C42计算如下:
高斯噪声的高阶累积量理论值为0,即得出:
5.如权利要求2所述的基于高阶累积量WFRFT信号级联调制识别方法,其特征在于,建立接收端WFRFT信号四阶累积量C42简化模型;X1、X3为X0、X2的DFT变换,C42(X1)、C42(X3)具有类高斯特性,即C42(X1)、C42(X3)近似为0,得到:
令C42(X0)=C42(X2)=S,结合加权系数ωl表达式最终简化式:
C42(r)=0.5·[(cos(Δα·π))4+(cos(Δα·π))6]·S。
6.如权利要求1所述的基于高阶累积量WFRFT信号级联调制识别方法,其特征在于,所述基于高阶累积量WFRFT信号级联调制识别方法发射端选择WFRFT调制阶数;实现接收端四阶累积量计算;建立四阶累积量的简化优化数学模型;采用Parabola搜索算法进行最优WFRFT调制阶数的优化搜索,设定初始的数据取值x1,x2,x3,调制阶数的容差δα及搜索总长度N,结合抛物线的曲线变化特性,进行顶点值的迭代搜索,最终确定δα、N约束条件下的WFRFT调制阶数α;搭建判决树,结合不同ASK、PSK、QA,M的四阶、八阶累积量具有不同的取值;通过计算接收信号的四阶、八阶累积量取值实现对ASK、PSK、QAM基带类型及基带星座大小的识别;实现整体的WFRFT信号的调制识别,包括WFRFT阶数恢复及基带信号类型、星座大小的识别。
7.一种应用权利要求1~6任意一项所述基于高阶累积量WFRFT信号级联调制识别方法的无线通信系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810648403.5A CN109067678B (zh) | 2018-06-22 | 2018-06-22 | 基于高阶累积量wfrft信号级联调制识别方法、无线通信系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810648403.5A CN109067678B (zh) | 2018-06-22 | 2018-06-22 | 基于高阶累积量wfrft信号级联调制识别方法、无线通信系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109067678A true CN109067678A (zh) | 2018-12-21 |
CN109067678B CN109067678B (zh) | 2020-12-11 |
Family
ID=64821379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810648403.5A Active CN109067678B (zh) | 2018-06-22 | 2018-06-22 | 基于高阶累积量wfrft信号级联调制识别方法、无线通信系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109067678B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109587091A (zh) * | 2019-01-23 | 2019-04-05 | 西南交通大学 | 基于逻辑回归算法的相干光通信系统调制格式识别方法 |
CN110868713A (zh) * | 2019-10-18 | 2020-03-06 | 沈阳理工大学 | 一种基于跳转向量的wfrft微加密信号处理方法 |
CN111327554A (zh) * | 2020-02-27 | 2020-06-23 | 电子科技大学 | 一种用于数字调制信号识别的特征提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050209940A1 (en) * | 2001-10-16 | 2005-09-22 | Lea Nicholas J | Finanical instrument portfolio credit exposure evaluation |
CN103336432A (zh) * | 2013-07-19 | 2013-10-02 | 蒲亦非 | 一种基于分数阶最速下降法的分数阶自适应信号处理器 |
-
2018
- 2018-06-22 CN CN201810648403.5A patent/CN109067678B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050209940A1 (en) * | 2001-10-16 | 2005-09-22 | Lea Nicholas J | Finanical instrument portfolio credit exposure evaluation |
CN103336432A (zh) * | 2013-07-19 | 2013-10-02 | 蒲亦非 | 一种基于分数阶最速下降法的分数阶自适应信号处理器 |
Non-Patent Citations (1)
Title |
---|
欧文祥: "基于分数域的低检测概率信号性能研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109587091A (zh) * | 2019-01-23 | 2019-04-05 | 西南交通大学 | 基于逻辑回归算法的相干光通信系统调制格式识别方法 |
CN110868713A (zh) * | 2019-10-18 | 2020-03-06 | 沈阳理工大学 | 一种基于跳转向量的wfrft微加密信号处理方法 |
CN110868713B (zh) * | 2019-10-18 | 2023-04-07 | 沈阳理工大学 | 一种基于跳转向量的wfrft微加密信号处理方法 |
CN111327554A (zh) * | 2020-02-27 | 2020-06-23 | 电子科技大学 | 一种用于数字调制信号识别的特征提取方法 |
CN111327554B (zh) * | 2020-02-27 | 2021-03-30 | 电子科技大学 | 一种用于数字调制信号识别的特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109067678B (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109067678A (zh) | 基于高阶累积量wfrft信号级联调制识别方法、无线通信系统 | |
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 | |
CN110690931B (zh) | 一种基于多小波基联合的数字信号自适应码率估计方法和装置 | |
CN112733811B (zh) | 基于改进稠密神经网络的水声信号调制方式类间识别方法 | |
CN105119862A (zh) | 一种信号调制类型识别方法和系统 | |
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. | Modulated autocorrelation convolution networks for automatic modulation classification based on small sample set | |
CN107612867A (zh) | 一种mqam信号的调制阶数识别方法 | |
CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
CN114422311B (zh) | 联合深度神经网络和专家先验特征的信号调制识别方法及系统 | |
CN110166389B (zh) | 基于最小二乘支持向量机的调制识别方法 | |
CN109787696A (zh) | 基于案例推理与合作q学习的认知无线电资源分配方法 | |
CN109274626B (zh) | 一种基于星座图正交扫描特征的调制识别方法 | |
CN117170979B (zh) | 一种大规模设备的能耗数据处理方法、系统、设备及介质 | |
Ghauri | KNN based classification of digital modulated signals | |
CN103024886B (zh) | 宽带认知无线电中感知时间和子载波功率联合分配的方法 | |
Baris et al. | Modulation classification of MFSK modulated signals using spectral centroid | |
CN116388798A (zh) | 一种Link16跳频信号去噪侦察识别算法 | |
CN110300409A (zh) | 基于信道估计的有限块长隐蔽通信实现方法 | |
Zamanian et al. | Modulation classification of linearly modulated signals in a cognitive radio network using constellation shape | |
CN113242201B (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
CN115664905A (zh) | 基于多域物理层指纹特征的Wi-Fi设备识别系统及方法 | |
CN104753842B (zh) | 基于峰值位置判别的信号调制方式识别方法 | |
CN107395540A (zh) | 基于lmd 近似熵、高积累积量和svm 的调制信号识别方法 | |
CN102325123A (zh) | Rayleigh衰落信道下MQAM调制信号的盲识别方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210802 Address after: No.99 Denglong Road, Fuzhou Economic and Technological Development Zone, Fujian Province 350015 Patentee after: YANGO University Address before: 710051 Air Force Engineering University, No.1, Changle East Road, Xi'an, Shaanxi Province Patentee before: Da Xin Yu |
|
TR01 | Transfer of patent right |