CN110958199A - 一种基于多维特征提取的通信调制信号识别方法 - Google Patents
一种基于多维特征提取的通信调制信号识别方法 Download PDFInfo
- Publication number
- CN110958199A CN110958199A CN201911220586.1A CN201911220586A CN110958199A CN 110958199 A CN110958199 A CN 110958199A CN 201911220586 A CN201911220586 A CN 201911220586A CN 110958199 A CN110958199 A CN 110958199A
- Authority
- CN
- China
- Prior art keywords
- received signal
- signal
- modulation
- instantaneous frequency
- feature extraction
- 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.)
- Pending
Links
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
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多维特征提取的通信调制信号识别方法,其包括以下步骤:(S1)通过Haar小波变换得到接收信号的符号率信息以及码元的突变信息;(S2)计算接收信号的高阶累积量;(S3)计算接收信号的瞬时频率特征参数;(S4)根据接收信号的符号率、码元突变信息、高阶累积量以及瞬时频率特征参数,采用决策树的方式判断接收信号的调制方式。本项发明从提高算法计算效率出发,在基于特征提取的识别方法下,提出结合小波变换、高阶累积量、瞬时参数特征这三种算法的多维特征提取识别方法。此方法易于理解、精确度高、计算量低,易于实现。
Description
技术领域
本发明涉及通信领域,具体涉及一种基于多维特征提取的通信调制信号识别方法。
背景技术
随着通信技术日益进步,通信环境渐渐变得复杂,通信信号的调制模式也变得更加多元化。为了信息可以更加有效、可靠地在信道中传输,信号会采用各种复杂严密的调制方式,包含不同的参数、不同的调制模式。由于这些内涵丰富的调制信号的产生,无线电也不再具有单一功能、单一频段的特征了。在没有充足的先决条件的情况下将无线通信信号的调制方式通过特定的方法识别出来的过程,就是信号调制的分类识别。接收机收到的是掺杂在一起的混合信号。通信信号所处的外界环境中存在着噪声的干扰,导致调制信号的模式识别也变得日益困难,此时如何克服外界的干扰信号,如何从接收的信号中顺利地提取出我们所需要的有用信号是一个重要的问题。通过学者们的不断研究,调制信号的分类识别方法趋于稳定和成熟,包括基于最大似然理论的方法、基于参数提取的方法等。
现有的基于最大似然理论的常见识别方法如下:基于最大似然理论将CPM分解和EM结合,且信道参数是可估计的[1];基于似然函数在加性高斯白噪声下识别不同阶数的调相信号的方法[2];利用对数似然方法在加性高斯白噪声的环境下对正交调幅信号识别的方法[3];I-Q数据在理想情况下对调制信号的识别具有统计方面的意义[4];利用了检测理论来识别调制信号模式,得出其似然比值并且以阈值的检测来代替原本的识别问题[5]。
常见的基于特征参数提取的调制识别方法有:利用零中心归一化瞬时频率绝对值方差和瞬时频率发散度等方法来实现模拟调制信号和数字调制信号同时识别的方法[6],方法中还结合中心化非线性相位标准差、零中心归一化瞬时幅度绝对值方差和归瞬时幅度等参数共同识别调制信号的调制模式;利用非线性变换来识别调制信号的方法[7],首先对截获的未知调制信号进行预处理,接着仅用该信号的差分序列方差这一个参数作为信号特征来区分模拟和数字信号;利用Haar小波变换得出信号符号率,从而得到信号参数特征进行模式识别[8],该方法有利于滤除通信媒介中的无用信息,并且可以保证一定的准确率;利用高阶累积量混合分形盒维数识别出了二进制调幅信号和多进制调频信号[9],避免了其他方法无法一步识别出此几种类型的调制信号,且此方法易于理解,结果准确。
引证文献:
[1]吴斌,袁亚博,汪勃.基于记忆因子的连续相位调制信号最大似然调制识别[J].电子与信息学报,2016,38(10):2546-2552.
[2]Huan C Y,Polydoros A.Likelihood methods for MPSK modulationclassification[J].IEEE Transactions on Communications,1995,43(234):1493-1504.
[3]Yang Y,Liu C H,Soong T W.A log-likelihood function-based algorithmfor QAM signal classification[J].Signal Processing,1998,70(1):61-71.
[4]Wei W,Mendel J M.Maximum-likelihood classification for digitalamplitude-phase modulations[J].IEEE Transactions on Communications,2000,48(2):189-193.
[5]李侃,孙进平,邸杰.一种PSK/QAM调制方式识别的似然比方法[J].电子测量技术,2007,30(2):6-7.
[6]Azzouz E E,Nandi A K.Automatic Modulation Recognition ofCommunication Signals[M].Kluwer Academic Publishers,1996.
[7]姚亚峰,陈建文,黄载禄.模拟与数字调制方式的非线性变换识别方法[J].电讯技术,2005,45(1):23-26.
[8]Chan Y T,Plews J W,Ho K C.Symbol rate estimation by the wavelettransform[C]Circuits and Systems,1997.ISCAS'97.,Proceedings of 1997IEEEInternational Symposium on.IEEE,1997:177-180vol.1.
[9]党月芳,徐启建,张杰,等.高阶累积量和分形理论在信号调制识别中的应用研究[J].信号处理,2013,29(6):761-765.
发明内容
本发明的目的是根据上述现有技术的不足之处,提供一种基于多维特征提取的通信调制信号识别方法,该方法结合小波变换、高阶累积量、瞬时参数特征这三种算法的多维特征提取识别方法,可有效识别信号的调试方式。
为了实现上述目的,本发明提供了一种基于多维特征提取的通信调制信号识别方法,其包括以下步骤:
(S1)通过Haar小波变换得到接收信号的符号率信息以及码元的突变信息;
(S2)计算接收信号的高阶累积量;
(S3)计算接收信号的瞬时频率特征参数;
(S4)根据接收信号的符号率、码元突变信息、高阶累积量以及瞬时频率特征参数,采用决策树的方式判断接收信号的调制方式。
本发明的进一步改进在于,对接收信号进行Haar小波变换包括以下步骤:
(S11)对接收信号进行下变频预处理,使得高频调制信号频谱搬移至基带;
(S12)对预处理后的信号进行Haar小波变换,根据变换结果得到符号率信息;
(S13)对预处理后的信号进行傅里叶变换,根据变换结果得到码元的突变信息。
本发明的进一步改进在于,计算接收信号的高阶累积量的过程中,分别计算接收信号的各阶累积量。
本发明的进一步改进在于,计算接收信号的瞬时频率特征参数的过程中,定义中心归一化瞬时频率丰富度μf 42,并将其作为瞬时频率特征参数,瞬时频率丰富度μf 42的计算公式为:
本发明的进一步改进在于,判断判断接收信号的调制方式的过程中,采用如下方式:
(1)根据符号率信息判断接收信号传输的是数字信号还是模拟信号;或/和根据码元的突变信息判断收信号传输的是数字信号还是模拟信号;
(2)对于接收信号的高阶累积量,根据接收信号的各阶累积量判断接收信号的调制方式;
(3)根据接收信号的瞬时频率特征参数,判断接收信号的调频信号的进制。
本发明的优点是:本项发明从提高算法计算效率出发,在基于特征提取的识别方法下,提出结合小波变换、高阶累积量、瞬时参数特征这三种算法的多维特征提取识别方法。此方法易于理解、精确度高、计算量低,易于实现。
附图说明
图1为DSB小波变换频谱图;
图2为2PSK小波变换频谱图;
图3为4PSK小波变换频谱图
图4为2FSK小波变换频谱图
图5为4FSK小波变换频谱图
图6为8FSK小波变换频谱图
图7为高阶累积量参数f1;
图8为高阶累积量参数f2;
图9为调频信号的μf 42趋势图。
具体实施方式
以下结合附图通过实施例对本发明的特征及其它相关特征作进一步详细说明,以便于同行业技术人员的理解:
实施例:如图1所示,本发明的实施例包括一种基于多维特征提取的通信调制信号识别方法,该方法包括以下步骤:
(S1)通过Haar小波变换得到接收信号的符号率信息以及码元的突变信息;
(S2)计算接收信号的高阶累积量;
(S3)计算接收信号的瞬时频率特征参数;
(S4)根据接收信号的符号率、码元突变信息、高阶累积量以及瞬时频率特征参数,采用决策树的方式判断接收信号的调制方式。
步骤(S1)主要采用小波变换的手段。小波变换是一个分析数据非常灵活的工具,用小波变换对信号进行分析能够利用其窗函数宽度随意调整的特点对信号进行不同精度的观测,提高使用效率。
连续小波变换的公式如下所示:
上式中a是尺度因子,b是位移因子。g(t)∈L2(R)是小波基函数,该函数满足:
上式中g(t)是小波基函数,G(ω)为g(t)的傅里叶变换,g(b,a)(t)为g(t)通过线性的伸缩平移变换而得到的函数集,具体如下所示:
常见的一维小波有Haar小波、Mexican Hat小波和Morlet小波。由于Haar小波对于信号时域、频域的局部突变信息均有较为精准的检测能力,故在信号处理的研究和应用中主要采用Haar小波来提取信息的局部特征。本实施例中选用Haar小波来提取信号的时域跳变信息,以此对待识别信号码元速率的存在与否进行判断。同时小波变换还可得到待测信号的符号率有关信息,从而判断出该信号是模拟信号还是数字信号。然而对于已经被调制过的高频信号来说,单纯地对信号进行小波变换并不适用于所有的频率,故采用将归一化后的接收信号的频谱搬移到基带的方法,使小波变换更具频率兼容性。步骤(S1)的算法具体步骤如下:
(S11)对接收信号进行下变频预处理,使高频调制信号频谱搬移至基带;
(S12)对预处理后的信号进行Haar小波变换,根据变换结果得到符号率信息;
(S13)对预处理后的信号进行傅里叶变换,使码元的突变更直观的体现出来,并根据傅里叶变换的变换结果得到码元的突变信息。如图1至6所示,图1为一种模拟调制信号的小波变换频谱图,图2至6均为数字调制信号的小波变换频谱图。根据图1至6的对比可知,模拟调制信号与数字调制信号的小波变换频谱图有显著的差异。
如图7、8所示,在上述步骤(S2)中,计算出的高阶累积量可作为判断依据。高斯白噪声在高阶累积量的阶数多于二阶时的累积量数值为0,因此高阶累积量可抑制其他方法中无法避免的高斯噪声,在近年来被广大学者所熟知,并广泛应用于调制识别中。因调制信号的高阶累积量数值只取决于信号本身的调制方式和信号的功率,故可对同一个信号的不同阶数累积量进行简单运算,得出一个各信号统一的比值,以区分不同调制信号。基于高阶累积量的识别方法具体步骤如下:
(1)设X(k)为零均值独立同分布的复随机序列,其p阶混合矩为Mpq=E{X(K)p-q[X*(K)]q},则其高阶累积量如下所示:
C20=Cum[X(k)X(k+l1)] (4)
C21=Cum[X(k)X*(k+l1)] (5)
C40=Cum[X(k)X(k+l1)X(k+l2)X(k+l3)] (6)
C41=Cum[X(k)X(k+l1)X(k+l2)X*(k+l3)] (7)
C42=Cum[X(k)X(k+l1)X*(k+l2)X*(k+l3)] (8)
当l1=l2=l3=...=0时,上述五个式子可简化为:
C20=M20 (9)
C21=M21 (10)
C41=M41-3M21M20 (12)
因待测信号和识别方法选取的原因,本发明所需的高阶累积量只到四阶,所以更高阶的累积量理论知识就不再过多赘述。将各信号通过上述理论计算出各阶累积量,以便于下一步对信号特征的处理。
(2)常见的数字调制信号高阶累积量结果如下表所示,其中E表示调制信号自身的功率。
表1数字调制信号的高阶累积量值
通过观察数据,本文构造了fr=[f1,f2]的特征矩阵来识别五种数字信号的调制模式,其中f1和f2的具体含义为:
f1=C40/C42 (14)
f2=C41/C42 (15)
(3)根据特征向量fr的值来分析不同的数字调制信号,即可看出非常明显的差异,结果如下:
若fr=[1,1],则可以判定待测调制信号是2PSK;若fr=[1,0],则可以判定待测调制信号是4PSK;若fr=[0,0],则可以判定待测调制信号是MFSK。由理论结果可知高阶累积量的矩阵构造方法的可以将数字调制信号分为2PSK、4PSK、2FSK/4FSK/8FSK三类。
如图9所示,在上述步骤(S3)中,得出的瞬时频率特征参数可作为数字调频信号的进制数的判断依据。想要识别不同进制的调频信号,就要用和信号频率相关的特征参数。不难想到,同为调频信号的2FSK、4FSK和8FSK,唯一的区别就在于码元取值的数量和调制信号中不同频率载波的数量。故本发明在此问题上采用瞬时频率丰富度的方法。定义中心归一化瞬时频率丰富度μf 42:
在上述的步骤(S4)中,判断接收信号的调制方式的过程中,采用如下方式:
(1)根据符号率信息判断接收信号传输的是数字信号还是模拟信号;或/和根据码元的突变信息判断收信号传输的是数字信号还是模拟信号;对于模拟调制信号,码元不跳变,也没有稳定的符号率;对于数字调制信号符号率应该是稳定的;
(2)对于接收信号的高阶累积量,根据接收信号的各阶累积量判断接收信号的调制方式;具体的判断过程参见步骤(S2)的详细描述;该过程适用于判断数字调制信号的调制类型;但是本步骤无法分辨调频调制的进制,例如2FSK/4FSK/8FSK;
(3)根据接收信号的瞬时频率特征参数,判断接收信号的调频信号的进制。公式(17)可得出一个数值,根据该数值可得出调频信号的进制;本步骤是步骤(2)的补充。
本发明深入研究了通信调制信号特征提取与分类技术,并且分析了各种调制信号的产生机理。通过查阅大量资料和文献,结合相关的理论背景和实际需要,提出了一种基于多维特征提取的通信调制信号识别方法。针对本文的仿真结果,结论如下:
下变频预处理将中高频调制信号频谱搬移至基带,可解决中频信号的小波变换中数字调制信号的傅里叶变换无法直接与模拟调制信号区分开来的问题,即数字调制信号无法呈现谱峰等距分布的特征,频谱图几乎与模拟调制信号一致。
直接对基带信号进行一次小波变换即可区分数字调制信号和模拟调制信号,不用对中高频信号进行二次小波变换或者对中高频信号进行成型整顿后再进行一次小波变换。下变频处理后的小波变换相比于其他基于小波变换的算法,在效率和精确度上都有很大的提高。
单纯地对信号进行普通的四阶、六阶甚至更高阶的累积量运算也难以直接对信号进行分类。本文通过对各信号理论高阶累积量数值的对比分析,构造出的基于高阶累积量的特征向量,就可轻松将复杂的问题简单化。该方法只需对待测信号进行最高阶为四阶的累积量运算,再将所得的累计量数值进行一些特定的简单运算,就可将待测信号做出分类,在降低了理解难度的同时提高了运算效率。
在对比了大量文献中提出的方法后得出,瞬时频率丰富度是对调频信号进行类内区分的最简便的方法。该方法依据阶数越高的调频信号包含的载频种类越多,在进行瞬时频率分析时,其丰富度数值就越高这一理论,对不同阶数的调频信号进行处理和对比,通过设定合适的阈值,来区分各阶信号。此方法具有精准的识别效果。
以上的本发明实施方式,并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于多维特征提取的通信调制信号识别方法,其特征在于包括以下步骤:
(S1)通过Haar小波变换得到接收信号的符号率信息以及码元的突变信息;
(S2)计算接收信号的高阶累积量;
(S3)计算接收信号的瞬时频率特征参数;
(S4)根据接收信号的符号率、码元突变信息、高阶累积量以及瞬时频率特征参数,采用决策树的方式判断接收信号的调制方式。
2.根据权利要求1所述的一种基于多维特征提取的通信调制信号识别方法,其特征在于,对接收信号进行Haar小波变换包括以下步骤:
(S11)对接收信号进行下变频预处理,使得高频调制信号频谱搬移至基带;
(S12)对预处理后的信号进行Haar小波变换,根据变换结果得到符号率信息;
(S13)对预处理后的信号进行傅里叶变换,根据变换结果得到码元的突变信息。
3.根据权利要求1所述的一种基于多维特征提取的通信调制信号识别方法,其特征在于,计算接收信号的高阶累积量的过程中,分别计算接收信号的各阶累积量。
5.根据权利要求1所述的一种基于多维特征提取的通信调制信号识别方法,其特征在于,判断判断接收信号的调制方式的过程中,采用如下方式:
(1)根据符号率信息判断接收信号传输的是数字信号还是模拟信号;或/和根据码元的突变信息判断收信号传输的是数字信号还是模拟信号;
(2)对于接收信号的高阶累积量,根据接收信号的各阶累积量判断接收信号的调制方式;
(3)根据接收信号的瞬时频率特征参数,判断接收信号的调频信号的进制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911220586.1A CN110958199A (zh) | 2019-12-03 | 2019-12-03 | 一种基于多维特征提取的通信调制信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911220586.1A CN110958199A (zh) | 2019-12-03 | 2019-12-03 | 一种基于多维特征提取的通信调制信号识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110958199A true CN110958199A (zh) | 2020-04-03 |
Family
ID=69979498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911220586.1A Pending CN110958199A (zh) | 2019-12-03 | 2019-12-03 | 一种基于多维特征提取的通信调制信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110958199A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112152731A (zh) * | 2020-09-08 | 2020-12-29 | 重庆邮电大学 | 一种基于分形维数的无人机探测与识别方法 |
CN112364729A (zh) * | 2020-10-29 | 2021-02-12 | 成都明杰科技有限公司 | 基于特征参数与bp神经网络的调制识别方法 |
CN112804172A (zh) * | 2020-12-24 | 2021-05-14 | 天津光电通信技术有限公司 | 一种基于高阶累积量实现信号调制方式识别的方法 |
CN114050952A (zh) * | 2021-11-02 | 2022-02-15 | 北京鹏鹄物宇科技发展有限公司 | 一种基于多波束天线的自动调制方式识别方法 |
CN115022915A (zh) * | 2022-04-12 | 2022-09-06 | 中国电子科技集团公司第十研究所 | 一种基于高阶累积量时频图的通信信号可视化表达方法 |
CN115659136A (zh) * | 2022-12-09 | 2023-01-31 | 中铁第一勘察设计院集团有限公司 | 基于神经网络的无线干扰信号波形识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6804309B1 (en) * | 1999-10-28 | 2004-10-12 | Sony Corporation | Modulation format identification device and method of same |
CN101917369A (zh) * | 2010-07-30 | 2010-12-15 | 中国人民解放军信息工程大学 | 一种通信信号调制方式的识别方法 |
CN102710572A (zh) * | 2012-07-06 | 2012-10-03 | 江苏省邮电规划设计院有限责任公司 | 一种通信信号的特征提取与调制识别方法 |
CN103067325A (zh) * | 2013-01-31 | 2013-04-24 | 南京邮电大学 | 基于多类特征参数和证据理论的协作调制识别方法 |
CN103441974A (zh) * | 2013-08-26 | 2013-12-11 | 东南大学 | 一种联合高阶统计量和谱峰特征的调制识别装置及方法 |
-
2019
- 2019-12-03 CN CN201911220586.1A patent/CN110958199A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6804309B1 (en) * | 1999-10-28 | 2004-10-12 | Sony Corporation | Modulation format identification device and method of same |
CN101917369A (zh) * | 2010-07-30 | 2010-12-15 | 中国人民解放军信息工程大学 | 一种通信信号调制方式的识别方法 |
CN102710572A (zh) * | 2012-07-06 | 2012-10-03 | 江苏省邮电规划设计院有限责任公司 | 一种通信信号的特征提取与调制识别方法 |
CN103067325A (zh) * | 2013-01-31 | 2013-04-24 | 南京邮电大学 | 基于多类特征参数和证据理论的协作调制识别方法 |
CN103441974A (zh) * | 2013-08-26 | 2013-12-11 | 东南大学 | 一种联合高阶统计量和谱峰特征的调制识别装置及方法 |
Non-Patent Citations (1)
Title |
---|
王宜志: "非协作通信中调制识别与参数估计算法的研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112152731A (zh) * | 2020-09-08 | 2020-12-29 | 重庆邮电大学 | 一种基于分形维数的无人机探测与识别方法 |
CN112152731B (zh) * | 2020-09-08 | 2023-01-20 | 重庆邮电大学 | 一种基于分形维数的无人机探测与识别方法 |
CN112364729A (zh) * | 2020-10-29 | 2021-02-12 | 成都明杰科技有限公司 | 基于特征参数与bp神经网络的调制识别方法 |
CN112804172A (zh) * | 2020-12-24 | 2021-05-14 | 天津光电通信技术有限公司 | 一种基于高阶累积量实现信号调制方式识别的方法 |
CN114050952A (zh) * | 2021-11-02 | 2022-02-15 | 北京鹏鹄物宇科技发展有限公司 | 一种基于多波束天线的自动调制方式识别方法 |
CN114050952B (zh) * | 2021-11-02 | 2024-02-23 | 北京鹏鹄物宇科技发展有限公司 | 一种基于多波束天线的自动调制方式识别方法 |
CN115022915A (zh) * | 2022-04-12 | 2022-09-06 | 中国电子科技集团公司第十研究所 | 一种基于高阶累积量时频图的通信信号可视化表达方法 |
CN115659136A (zh) * | 2022-12-09 | 2023-01-31 | 中铁第一勘察设计院集团有限公司 | 基于神经网络的无线干扰信号波形识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110958199A (zh) | 一种基于多维特征提取的通信调制信号识别方法 | |
Dobre et al. | Blind modulation classification: a concept whose time has come | |
Jajoo et al. | Blind signal modulation recognition through clustering analysis of constellation signature | |
CN104301056B (zh) | 一种基于信号特征分析的频谱监测方法 | |
Isam et al. | Characterizing the intercarrier interference of non-orthogonal spectrally efficient FDM system | |
CN101984612A (zh) | 基于压缩感知的非连续正交频分复用信道估计方法 | |
Valipour et al. | Automatic digital modulation recognition in presence of noise using SVM and PSO | |
CN106487730B (zh) | 一种盲信号调制识别的方法及装置 | |
De Vito et al. | Prototype of an automatic digital modulation classifier embedded in a real-time spectrum analyzer | |
US8345566B2 (en) | Apparatus and method for transmitting and receiving information through fast feedback channel in broadband wireless communication system | |
CN108206797A (zh) | 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 | |
Haq et al. | Recognition of digital modulated signals based on statistical parameters | |
Ghauri | KNN based classification of digital modulated signals | |
Ramón et al. | Signal classification with an SVM-FFT approach for feature extraction in cognitive radio | |
Baris et al. | Modulation classification of MFSK modulated signals using spectral centroid | |
Chen et al. | Digital modulation identification by wavelet analysis | |
Hazza et al. | Robustness of digitally modulated signal features against variation in HF noise model | |
Salam et al. | A unified practical approach to modulation classification in cognitive radio using likelihood-based techniques | |
CN111245756B (zh) | 基于级联svm和全数字接收机的复合信号调制识别方法 | |
Yangqiang et al. | Research on signal models and recognition method for digital modulation | |
Bari et al. | Identification of L-ary CPFSK in a fading channel using approximate entropy | |
Ishii et al. | An adaptive receiver based on software defined radio techniques | |
Tang et al. | Fast algorithm for symbol rate estimation | |
AlOtaiby et al. | Support vector machine based classifier for digital modulations in presence of HF noise | |
CN108881095A (zh) | Ofdm数据处理方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200403 |