CN110730146A - 基于bm模型的bpsk信号盲处理结果可信性评估方法 - Google Patents
基于bm模型的bpsk信号盲处理结果可信性评估方法 Download PDFInfo
- Publication number
- CN110730146A CN110730146A CN201910868657.2A CN201910868657A CN110730146A CN 110730146 A CN110730146 A CN 110730146A CN 201910868657 A CN201910868657 A CN 201910868657A CN 110730146 A CN110730146 A CN 110730146A
- Authority
- CN
- China
- Prior art keywords
- signal
- model
- bpsk
- reference signal
- phase
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 25
- 238000011156 evaluation Methods 0.000 title abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000001228 spectrum Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims description 16
- 238000005315 distribution function Methods 0.000 claims description 10
- 230000001186 cumulative effect Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 239000000654 additive Substances 0.000 claims description 2
- 230000000996 additive effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000007493 shaping process Methods 0.000 claims description 2
- 239000002184 metal Substances 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 241000764238 Isis Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0238—Channel estimation using blind estimation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/18—Phase-modulated carrier systems, i.e. using phase-shift keying
- H04L27/20—Modulator circuits; Transmitter circuits
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
针对BPSK信号盲处理结果可信性评估问题，本发明提出了一种基于BM（block maximum,分组极值）模型的可信性评估方法。本方法提取了观测信号与参考信号乘积的相位谱，将其模值平方进行分组并提取每个分组的极大值，构成分组极大值序列；通过检验分组极大值序列是否满足广义极值分布（形状参数为0时）实现对BPSK信号盲处理结果可信性的评估。仿真结果表明：本方法能在无信号参数和噪声功率的情况下，对BPSK信号盲分析结果的正确性和准确性进行评估。
Description
技术领域
本发明属于信号处理技术领域，具体涉及基于BM模型的BPSK信号盲处理结果可信性评估方法。
背景技术
信号逆向工程是通信和雷达电子战信号处理应用中一项极具挑战性的课题。其主要任务是进行信号或信道类型的识别以及信号参数的估计，该结果可在半盲或全盲条件下用于智能干扰机设计一种最佳的干扰攻击。逆向处理系统一般分为七层，第一层是物理层，其主要任务是检测信号，识别调制类型，估计被截获信号的参数。通常，调制识别和参数估计任务可统称为“信号分析”，其处理结果的性能对其他层的有效性有显著影响。因此，在非合作环境下对调制识别正确性及参数估计准确性的评估极其重要，即可信性评估。一般来讲，可信性评估可分为两大类：第一类主要从算法用户的角度来考虑，第二类则是从算法设计者的角度考虑。一般来说，设计人员对总体性能指标很感兴趣，例如识别的平均正确率或参数估计的均方误差。然而，这些指标并不能帮助用户，因为它们需要许多测量样本与试验样本，而这些测量只能在实验室中获得。用户通常倾向于关注单个信号分析结果的可信性评估，因为实际应用往往无法得到重复样本及重复试验的条件，因此具有更大的实用价值。
目前，有少量研究从设计人员或用户的角度对调制识别的置信度进行评估。Fehske等利用基于反向传播(BP)分类器的最大值和次大输出之间差值的一半作为评估调制识别算法的可信度度量。然而，这种方法需要大量的训练样本，在非合作环境中很难获得。有文献提出了一种基于信息熵的评价指标，用于测量认知无线电单输入单输出(SISO)和多输入多输出(MIMO)信道调制识别结果的可信性。上述两种方法只能用于评估特定识别方法的整体可信度，不能有效地从用户的角度验证单个分析结果。还有文献利用估计调制模型构造辅助信号，并计算其与原始观测信号之间的相关系数，以此作为统计数据来验证雷达脉冲内信号调制识别的正确性。该算法虽然不能对参数估计的可信度进行评价，但可以从用户的角度验证单个调制识别结果的可信度。
发明内容
本发明针对现有技术中的不足，提供一种基于BM模型的BPSK信号盲处理结果可信性评估方法，该方法具有更强的鲁棒性，可以在不了解信号参数和噪声功率的情况下，对BPSK信号盲分析结果的正确性和准确性进行评估。
为实现上述目的，本发明采用以下技术方案：
基于BM模型的BPSK信号盲处理结果可信性评估方法，其特征在于，包括如下步骤：
步骤1：输入识别结果：提供BPSK信号的分析结果，包括识别的调制方式和相应的参数估计，以及与观测信号的组合，作为反馈给可信性评估方法的输入；
步骤2：构建参考信号：根据步骤1所估计的调制方式和相应的参数估计构造参考信号；
步骤3：估计相位谱：提取观测信号与参考信号之间的乘积的相位谱，并选取相位谱模的平方作为检验统计量；
步骤4：定义统计量：将相位谱模的平方均匀分成M个模块，提取每个模块的极大值γ作为统计量；
步骤5：计算统计量的经验累积分布函数；
步骤6：计算拟合优度检验统计量
及判决门限λ；
步骤7：可信性判决：通过比较拟合优度检验统计量
与判决门限λ进行可信性判决。
为优化上述技术方案，采取的具体措施还包括：
进一步地，所述步骤1中，有限观测周期内复杂BPSK信号表示为
其中，A为幅度，f0为载波频率，θ0是初始相位，Nc为符号个数，Tc为符号周期，T为观测时间，ck为所传输的第k个符号，值为0或1，Π表示矩形脉冲整形函数，定义如下
采用等间隔采样，叠加了高斯白噪声的离散形式的BPSK信号，即观测信号如下
其中，Δt是采样间隔，N是样本个数，w(n)为零均值加性复高斯白噪声过程，方差为2σ2；
BPSK信号分析结果的可信性评估归结为H0和H1的假设检验问题：
H0：调制方式识别结果正确，且参数估计误差小于标准，无解码错误；
H1存在两种情形：H1a：调制方式识别结果错误；H1b：调制方式识别结果正确但参数估计误差大于标准，存在错误解码。
进一步地，步骤2具体如下：
1)在H0假设下，利用BPSK信号模型以及估计得到的适配信号参数集：载波频率估计值初始相位估计值
构造适配参考信号
其中，
表示BPSK信号二进制编码函数的估计值；
2)在H1a假设下，根据失配的信号模型，利用载波频率估计值
以及初始相位估计值
构造参考信号如下
3)在H1b假设下，参数的估计基于BPSK信号模型和相应的估计算法，构造参考信号如下
其中，
以及
分别为载波频率、二进制码元以及初始相位的估计值。
进一步地，步骤3具体如下：
1)在H0假设下，参考信号与观测信号的相关序列为
式中
φ0(n)＝2πΔf0nΔt+Δθ0+Δd2(n)+β(n)
其中，
分别为载频估计误差及相位估计误差，
为解码误差函数；在H0假设下，Δf0→0，Δθ0→0，Δd2(n)→0，因此有
z0(n)＝x(n)y0(n)＝Aα(n)expj[β(n)]
其中，α(n)和β(n)分别为1+v(n)的模和相位；
提取观测信号与参考信号之间的乘积的相位为
φ0(n)≈β(n),n＝0,...,N-1
其相位谱为
Φ0(k)＝DFT[φ0(n)]
2)在H1a假设下，参考信号与观测信号的相关序列为
z1a(n)＝x(n)y1a(n)＝Aα1a(n)expj[φ1a(n)],0≤n≤N-1
式中，观测信号与参考信号之间的乘积的相位为
其相位谱为
Φ1a(k)＝DFT[φ1a(n)]
其中，各参数的上下标1a仅表示是在H1a假设下，其他含义不变；
3)在H1b假设下，参考信号与观测信号的相关序列为
z1b(n)＝x(n)y1b(n)＝Aα1b(n)expj[φ1b(n)],0≤n≤N-1
式中，观测信号与参考信号之间的乘积的相位为
其相位谱为
Φ1b(k)＝DFT[φ1b(n)]
其中，各参数的上下标1b仅表示是在H1b假设下，其他含义不变。
进一步地，步骤4中，令R(k)＝|Φi(k)|2，将其均匀分成M个模块，每个模块包含5～15个样本，提取每个模块的极大值γm＝max[R(k)],k＝1,...N0,m＝1,...M作为统计量，其中，N0＝[N/2-1]。
进一步地，步骤5中，根据统计量{γm}计算其经验累积分布函数
式中，I(·)为示性函数，即当输入为真时值为1，反之值为0；γ是在γm的取值域中，其最大、最小值构成的连续区间上的取值。
进一步地，步骤6中，由经验累积分布函数求
其中，Λ1(x)＝exp{-e-x},x∈(-∞,∞)为Gumbel函数，即第一类GEV分布；
在给定的显著性水平或虚假报警概率Pfa下，根据下式求解判决门限λ
其中，
进一步地，步骤7中，通过比较拟合优度检验统计量
与门限值λ进行可信性判决
本发明的有益效果是：针对BPSK信号盲处理结果可信性评估问题，提出了基于BM模型的BPSK信号盲处理结果可信性评估方法。本方法提取了观测信号与参考信号乘积的相位谱，设置其模值平方的分组极值为检验统计量，基于广义极值分布的拟合优度检验实现对BPSK信号盲处理结果可信性的评估。
现有的相位谱带宽法需要将相位谱的带宽与选定的门限值进行对林，这个门限值只是一个主观经验值，需人为设定，无法得到严格的具有概率意义下的自适应门限，而门限选择的不当，将影响算法的性能。本方法对选择的统计量的概率密度有严格表达式，可以根据观测数据及虚警(或显著性水平)得到自适应的门限，无需要人为干预。
仿真结果表明：本方法能在不了解信号参数和噪声功率的情况下，对BPSK信号盲分析结果的正确性和准确性进行评估，具有一定的理论价值与实践意义。同时也该发明可扩展至对混合调制信号和MIMO雷达信号的研究。
附图说明
图1为基于BM模型的BPSK信号盲处理结果可信性评估算法流程图。
图2a-2c为不同情形下相位谱模的经验分布与GEV分布示意图，a)H0；b)H1a：误识为单频正弦波；c)H1b：识别正确但存在1位解码错误。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
如图1示出了基于BM模型的BPSK信号盲处理结果可信性评估方法流程，具体过程包括以下几个步骤：
一、输入识别结果
对于特定算法的单个处理循环，提供BPSK信号的分析结果，包括识别的调制方式和相应的参数估计，以及与观测信号的组合，作为反馈给可信性评估算法的输入。
二、构建参考信号
根据步骤一所估计的调制方式和相应的参数估计构造参考信号。
1)在H0假设下，调制识别和解码结果均正确。利用BPSK信号模型以及估计得到的适配信号参数集：载波频率估计值
初始相位估计值
构造适配参考信号
式中，表示BPSK信号二进制编码函数的估计值。
2)在H1a假设下：BPSK信号的调制识别结果错误。以将BPSK信号误识为NS的情形为例。当BPSK信号误识为NS即单频正弦波时，可以根据NS的信号模型，利用载波频率估计值
以及初始相位估计值
构造参考信号如下
3)在H1b假设下：调制方式识别正确但参数估计误差较大、存在解码错误。通常，参数的估计是基于BPSK信号模型和相应的估计算法，参考信号的构造如下
其中，
以及
分别为载波频率、二进制码元以及初始相位的估计值。
三、估计相位谱
提取观测信号与参考信号之间的乘积的相位谱，并选取相位谱模的平方作为检验统计量。
1)在H0假设下，参考信号与接收观测信号的相关序列为
式中
φ0(n)＝2πΔf0nΔt+Δθ0+Δd2(n)+β(n)
在H0假设下，参数估计准确，即Δf0→0，Δθ0→0，Δd2(n)→0，因此有
z0(n)＝x(n)y0(n)＝Aα(n)expj[β(n)]
其中，α(n)和β(n)分别为1+v(n)的模和相位。
提取观测信号与参考信号之间的乘积的相位为
φ0(n)≈β(n),n＝0,...,N-1
其相位谱为
Φ0(k)＝DFT[φ0(n)]
2)在H1a假设下，参考信号与接收观测信号的相关序列为
z1a(n)＝x(n)y1a(n)＝Aα1a(n)expj[φ1a(n)],0≤n≤N-1
式中，观测信号与参考信号之间的乘积的相位为
其相位谱为
Φ1a(k)＝DFT[φ1a(n)]
3)在H1b假设下，参考信号与接收观测信号的相关序列为
z1b(n)＝x(n)y1b(n)＝Aα1b(n)expj[φ1b(n)],0≤n≤N-1
式中，观测信号与参考信号之间的乘积的相位为
其相位谱为
Φ1b(k)＝DFT[φ1b(n)]
四、定义统计量
令R(k)＝|Φi(k)|2，将其均匀分成M个模块，通常每个模块包含5～15个样本，提取每个模块的极大值γm＝max[R(k)],k＝1,...N0,m＝1,...M作为统计量。
五、计算经验累积分布函数
根据统计量{γm}计算其经验累积分布函数
式中，I(·)为示性函数，即当输入为真时值为1，反之值为0；γ是在γm的取值域中，其最大、最小值构成的连续区间上的取值。
六、计算拟合优度检验统计量
及判决门限λ
由经验累积分布函数求
式中，Λ1(x)＝exp{-e-x},x∈(-∞,∞)为Gumbel函数，即第一类GEV分布。
在给定的显著性水平或虚假报警概率Pfa下，可以根据下式求解判决门限λ
其中，
七、可信性判决
通过比较拟合优度检验统计量
与门限值λ进行可信性判决
若判为H0
若
判为H1
图2a-2c给出不同假设下由BM模型得到的相位谱模平方的分组极值序列的经验分布函数与GEV分布之间的差异示意图。除在H0假设下，两者之间吻合较好，其它情形两者均存在显著的差异。据此，可以用来区分某一次处理结果的可信与否。表1总结了本发明所提方法在验证13位巴克编码的BPSK信号分析的可信性评估时的性能。该方法的性能通过蒙特卡罗模拟进行评估，每种方案采用10000次试验。仿真中，虚警概率为0.01，定义nij是判决为Hi而假设为Hj的次数，因此正确验证的平均概率为Pc＝(n00+n11)/10000。根据仿真结果可见，当信噪比大于-3db时，该方法可用于鉴别BPSK信号的不可靠或可靠分析结果。例如，当信噪比为-1db时，10000次模拟得到7486个可靠的分析结果和2514个不可靠的分析结果。利用基于GEV的算法，可以确定7260个可靠的分析结果是可靠的，检测到2463个不可靠的分析结果。
表1性能仿真结果
需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (8)
1.基于BM模型的BPSK信号盲处理结果可信性评估方法，其特征在于，包括如下步骤：
步骤1：输入识别结果：提供BPSK信号的分析结果，包括识别的调制方式和相应的参数估计，以及与观测信号的组合，作为反馈给可信性评估方法的输入；
步骤2：构建参考信号：根据步骤1所估计的调制方式和相应的参数估计构造参考信号；
步骤3：估计相位谱：提取观测信号与参考信号之间的乘积的相位谱，并选取相位谱模的平方作为检验统计量；
步骤4：定义统计量：将相位谱模的平方均匀分成M个模块，提取每个模块的极大值γ作为统计量；
步骤5：计算统计量的经验累积分布函数；
步骤6：计算拟合优度检验统计量
及判决门限λ；
步骤7：可信性判决：通过比较拟合优度检验统计量
与判决门限λ进行可信性判决。
2.如权利要求1所述的基于BM模型的BPSK信号盲处理结果可信性评估方法，其特征在于：所述步骤1中，有限观测周期内复杂BPSK信号表示为
其中，A为幅度，f0为载波频率，θ0是初始相位，Nc为符号个数，Tc为符号周期，T为观测时间，ck为所传输的第k个符号，值为0或1，Π表示矩形脉冲整形函数，定义如下
采用等间隔采样，叠加了高斯白噪声的离散形式的BPSK信号，即观测信号如下
其中，Δt是采样间隔，N是样本个数，w(n)为零均值加性复高斯白噪声过程，方差为2σ2；BPSK信号分析结果的可信性评估归结为H0和H1的假设检验问题：
H0：调制方式识别结果正确，且参数估计误差小于标准，无解码错误；
H1存在两种情形：H1a：调制方式识别结果错误；H1b：调制方式识别结果正确但参数估计误差大于标准，存在错误解码。
3.如权利要求2所述的基于BM模型的BPSK信号盲处理结果可信性评估方法，其特征在于：步骤2具体如下：
1)在H0假设下，利用BPSK信号模型以及估计得到的适配信号参数集：载波频率估计值初始相位估计值
构造适配参考信号
其中，
表示BPSK信号二进制编码函数的估计值；
2)在H1a假设下，根据失配的信号模型，利用载波频率估计值以及初始相位估计值构造参考信号如下
3)在H1b假设下，参数的估计基于BPSK信号模型和相应的估计算法，构造参考信号如下
其中，以及
分别为载波频率、二进制码元以及初始相位的估计值。
4.如权利要求3所述的基于BM模型的BPSK信号盲处理结果可信性评估方法，其特征在于：步骤3具体如下：
1)在H0假设下，参考信号与观测信号的相关序列为
式中
φ0(n)＝2πΔf0nΔt+Δθ0+Δd2(n)+β(n)
其中，
分别为载频估计误差及相位估计误差，
为解码误差函数；在H0假设下，Δf0→0，Δθ0→0，Δd2(n)→0，因此有
z0(n)＝x(n)y0(n)＝Aα(n)expj[β(n)]
其中，α(n)和β(n)分别为1+v(n)的模和相位；
提取观测信号与参考信号之间的乘积的相位为
φ0(n)≈β(n),n＝0,...,N-1
其相位谱为
Φ0(k)＝DFT[φ0(n)]
2)在H1a假设下，参考信号与观测信号的相关序列为
z1a(n)＝x(n)y1a(n)＝Aα1a(n)expj[φ1a(n)],0≤n≤N-1
式中，观测信号与参考信号之间的乘积的相位为
其相位谱为
Φ1a(k)＝DFT[φ1a(n)]
其中，各参数的上下标1a仅表示是在H1a假设下，其他含义不变；
3)在H1b假设下，参考信号与观测信号的相关序列为
z1b(n)＝x(n)y1b(n)＝Aα1b(n)expj[φ1b(n)],0≤n≤N-1
式中，观测信号与参考信号之间的乘积的相位为
其相位谱为
Φ1b(k)＝DFT[φ1b(n)]
其中，各参数的上下标1b仅表示是在H1b假设下，其他含义不变。
5.如权利要求4所述的基于BM模型的BPSK信号盲处理结果可信性评估方法，其特征在于：步骤4中，令R(k)＝|Φi(k)|2，将其均匀分成M个模块，每个模块包含5～15个样本，提取每个模块的极大值γm＝max[R(k)],k＝1,...N0,m＝1,...M作为统计量，其中，N0＝[N/2-1]。
6.如权利要求5所述的基于BM模型的BPSK信号盲处理结果可信性评估方法，其特征在于：步骤5中，根据统计量{γm}计算其经验累积分布函数
式中，I(·)为示性函数，即当输入为真时值为1，反之值为0；γ是在γm的取值域中，其最大、最小值构成的连续区间上的取值。
7.如权利要求6所述的基于BM模型的BPSK信号盲处理结果可信性评估方法，其特征在于：步骤6中，由经验累积分布函数求
其中，Λ1(x)＝exp{-e-x},x∈(-∞,∞)为Gumbel函数，即第一类GEV分布；
在给定的显著性水平或虚假报警概率Pfa下，根据下式求解判决门限λ
其中，
8.如权利要求1所述的基于BM模型的BPSK信号盲处理结果可信性评估方法，其特征在于：步骤7中，通过比较拟合优度检验统计量
与门限值λ进行可信性判决
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910868657.2A CN110730146B (zh) | 2019-09-16 | 2019-09-16 | 基于bm模型的bpsk信号盲处理结果可信性评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910868657.2A CN110730146B (zh) | 2019-09-16 | 2019-09-16 | 基于bm模型的bpsk信号盲处理结果可信性评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110730146A true CN110730146A (zh) | 2020-01-24 |
| CN110730146B CN110730146B (zh) | 2021-04-06 |
Family
ID=69219003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910868657.2A Active CN110730146B (zh) | 2019-09-16 | 2019-09-16 | 基于bm模型的bpsk信号盲处理结果可信性评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110730146B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104767700A (zh) * | 2015-04-21 | 2015-07-08 | 南京信息职业技术学院 | 一种基于相位谱特征的bpsk信号处理结果可信性评估方法 |
| US20150288416A1 (en) * | 2014-04-04 | 2015-10-08 | Broadcom Corporation | Wireless Communication Synchronization System |
| CN106443604A (zh) * | 2016-09-22 | 2017-02-22 | 金陵科技学院 | Lfm/bpsk混合调制信号盲处理结果的校验方法 |
-
2019
- 2019-09-16 CN CN201910868657.2A patent/CN110730146B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150288416A1 (en) * | 2014-04-04 | 2015-10-08 | Broadcom Corporation | Wireless Communication Synchronization System |
| CN104767700A (zh) * | 2015-04-21 | 2015-07-08 | 南京信息职业技术学院 | 一种基于相位谱特征的bpsk信号处理结果可信性评估方法 |
| CN106443604A (zh) * | 2016-09-22 | 2017-02-22 | 金陵科技学院 | Lfm/bpsk混合调制信号盲处理结果的校验方法 |
Non-Patent Citations (2)
| Title |
|---|
| 杨莉等: "一种改进的BPSK/QPSK信号调制识别算法", 《电讯技术》 * |
| 胡国兵等: ""基于K-S检验的BPSK信号盲处理结果可信性评估"", 《电子学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110730146B (zh) | 2021-04-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108600135B (zh) | 一种信号调制方式的识别方法 | |
| CN106443604B (zh) | Lfm/bpsk混合调制信号盲处理结果的校验方法 | |
| CN105785324B (zh) | 基于mgcstft的线性调频信号参数估计方法 | |
| CN106411803B (zh) | 基于顺序统计量特征的混合调制信号盲处理结果校验方法 | |
| Sheng et al. | On the robustness of Hurst estimators | |
| CN105024771B (zh) | 一种Alpha稳定分布噪声下频谱感知方法 | |
| CN108988987A (zh) | 基于极值似然比的复杂调制信号处理结果可信性校验方法 | |
| CN104392086B (zh) | 一种基于皮尔逊秩次变量相关系数的信号检测电路及方法 | |
| CN107607920B (zh) | 基于gp分布拟合检验的复合调制信号分析结果校验方法 | |
| CN111817803A (zh) | 一种基于相关系数和k-均值聚类算法的频谱感知方法、系统及计算机可读存储介质 | |
| CN106357574A (zh) | 基于顺序统计量的bpsk/qpsk信号调制盲识别方法 | |
| CN106713190A (zh) | 基于随机矩阵理论和特征阈值估计的mimo发射天线数目盲估计算法 | |
| CN103763049B (zh) | 一种基于固定点独立分量分析算法的合作频谱感知方法 | |
| Li et al. | Wireless channel identification algorithm based on feature extraction and BP neural network | |
| CN110932807A (zh) | 一种非高斯噪声下mimo系统的频谱感知方法 | |
| CN110730146B (zh) | 基于bm模型的bpsk信号盲处理结果可信性评估方法 | |
| CN104270331A (zh) | 基于hough变换的bpsk信号盲识别结果的有效性评估方法 | |
| CN110602009B (zh) | 基于cfar准则的bpsk盲分析结果的可信性评估方法 | |
| 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 | |
| CN103076595B (zh) | 一种多元离散雷达辐射源信号的异常类型识别方法 | |
| CN108718223B (zh) | 一种非合作信号的盲频谱感知方法 | |
| CN113014361B (zh) | 一种基于图的bpsk信号置信度检验方法 | |
| CN106019250A (zh) | 基于角闪烁转发式假目标鉴别方法 | |
| CN102546116B (zh) | 基于压缩感知的跳频信号盲检测方法 | |
| CN105357154A (zh) | 一种联合功率双门限和延时相关矩阵的信号检测方法 |
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 |