CN112565126A - 一种基于接收机多维特征模数混合信号的调制识别方法 - Google Patents
一种基于接收机多维特征模数混合信号的调制识别方法 Download PDFInfo
- Publication number
- CN112565126A CN112565126A CN202011345542.4A CN202011345542A CN112565126A CN 112565126 A CN112565126 A CN 112565126A CN 202011345542 A CN202011345542 A CN 202011345542A CN 112565126 A CN112565126 A CN 112565126A
- Authority
- CN
- China
- Prior art keywords
- signal
- signals
- data
- distribution
- template
- 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
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接收机多维特征模数混合信号的调制识别方法。本发明利用该接收机输出的基带数据和频偏跟踪数据以及信号星座图,提取多维特征进行信号识别。其中待识别密集调制样式集合包括{AM,FM,BPSK,QPSK,2FSK}。通过设计模数混合信号全数字接收机实现混合信号的盲解调,直接对信号解调数据进行多维特征提取,可以在密集信号非理想解调情况下得到更为稳定的特征参数,且难度低易于实现。本发明通过提取出的星座点分布象限特征作为分类依据实现了调制方式识别。本发明具有复杂度低、识别率高、鲁棒性强等优点。且计算简单,复杂度低,整体性能有了较大的提升。
Description
技术领域
本发明主要针对密集模数混合信号环境的信号识别和接收,主要 涉及基于全数字接收机多维特征模数混合信号的调制识别方法。
背景技术
现代无线通信技术日新月异,不同频段、样式的未知信号干扰和 各种噪声交织在一起,使得实际通信环境变得复杂、密集。在密集环 境下对模拟和数字通信信号的调制识别技术,在民用和军用领域都有 十分广泛的应用价值。在实际的通信过程中,接收端接收到的往往是 时域混合的多个信号,密集信号环境下模数混合信号的调制识别算法, 因此针对密集信号环境下模数混合信号的调制识别方法研究,对现在 复杂通信环境下的调制识别技术发展具有重要意义。
针对这类模数混合信号的调制识别问题,目前采用较多的主要是 对有效分离后的信号采用基于特征提取的模式识别方法。但在密集模 数混合信号环境下,解调过程中存在特征参数估计不稳定,使得信号 的特征参数选取的准确性下降,此时传统的基于理想解调的特征提取 算法识别性能快速下降。针对这一问题,提出一种密集信号环境下模 数混合信号的调制识别算法,该算法基于模数混合信号盲接收机完成 信号多维特征提取,运用信号解调后的星座点分布的象限个数对AM、 FM、PSK、2FSK信号进行预分类处理,在此基础上,利用接收机输出 频偏跟踪数据分布和基带数据模板匹配完成类内识别。解决了传统基于高阶矩和循环谱的调制识别算法在密集信号环境下受干扰影响大 而性能快速下降的问题。
由此可见,在密集信号环境下基于接收机多维特征模数混合信号 的调制识别算法在卫星数传系统有着非常广泛的应用前景。
发明内容
本发明的目的是解决密集信号环境下模数混合信号的调制识别 问题,提出一种密集信号环境下基于模数混合信号盲接收机完成信号 多维特征提取的方法。利用该接收机输出的基带数据和频偏跟踪数据 以及信号星座图,提取多维特征进行信号识别。其中待识别密集调制 样式集合包括{AM,FM,BPSK,QPSK,2FSK}。通过设计模数混合信号 全数字接收机实现混合信号的盲解调,直接对信号解调数据进行多维 特征提取,可以在密集信号非理想解调情况下得到更为稳定的特征参 数,且难度低易于实现。与传统基于高阶矩和循环谱的调制识别算法 相比,该算法复杂度低、易于实现且在低信噪比下具有更好的识别性能。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1、将接收到的采样信号经过下变频低通滤波后输入模数混 合信号全数字接收机实现混合信号的盲解调,得到解调信号的基带数 据和频偏跟踪数据以及星座图;
步骤2、根据各信号星座图中的星座点分布,判决出每个星座点 所在象限,并分别统计计算出四个象限中星座点个数占总数的比例, 得到星座点分布象限个数统计量T,根据T的大小将信号分为两大类 信号;
步骤3、对频偏跟踪数据取其中N点进行从小到大排序并作归一 化处理,将第一类信号归一化处理后的数据与理论模板匹配,得到特 征参数频偏跟踪数据分布距离D;
步骤4、根据解调信号基带数据的不同,可以建立不同的基带数 据分布模板,将第二类解调信号与模板匹配得到基带数据模板距离d1和d2;
步骤5将星座点分布象限个数统计量T、频偏跟踪数据分布距离 D和基带数据模板距离的联合特征参数作为识别统计量对涉及到的目 标信号进行分类。
步骤1具体实现如下:
1-1.经过下变频低通滤波后被分离出来的第k个信号的第n个采 样点表示为:
式中分别为基带数据的同相分量、正交分量。其中,Ak(n)表示第k个信 号的瞬时幅度或包络,fk(n)、分别为信号的瞬时频率和瞬时相 位,一般情况下Ak(n)、fk(n)、均为关于n的函数,n0(n)为服从 N(0,σ2)的高斯白噪声。对于FM、FSK、PSK调制,幅度Ak(n)近似为常 数;对于PSK、AM调制,fk(n)恒为零;而对于AM信号,恒为零。
其中,θk为压控振荡器的输出电压与接收信号载波间的相位误差。
1-2.载波同步的环路中鉴相部分采用的是模数混合调制信号盲 鉴相器,鉴相方程为:
其中arctan(x)为反正切函数。
此时鉴相器的输出与信号幅度信息无关,式(2)、(3)中就只含 有解调后的I、Q两路数据估计,记为和同时对于FSK、 FM信号来说,输入信号幅度恒定,当环路稳定后,振荡器累积相角 和输入信号相角相等,可以获得输入的频偏跟踪数据,记作
步骤2具体实现如下:
2-1.将第k个信号解调输出的星座点设为判决出每 个星座点所在象限,分别统计第k个信号的星座图中分布在第i象限 内的星座点个数Mi,k,(i=1,...,4,k=1,...,5),计算四个象限中星座点个数 占总数的比例,即可得到第k个信号星座点在每个象限内的分布情况 为:
式中,N=400为信息码元个数。
2-1.在密集信号接收的过程中,受到噪声和相邻信号频谱干扰的 影响,所进行的是非理想解调,使得解调后的基带数据存在有一定的 波动,导致星座点的分布较为发散。在信噪比为0~12dB时,对Ri,k的 运行结果进行判决得到星座点分布象限个数统计量T,密集信号环境 下各信号星座点分布象限情况如表1所示。
表1模数混合信号各信号星座点分布象限
有由表1可知,FM和2FSK信号的星座点分布在两个象限内,而 BPSK、QPSK和AM信号则是分布在四个象限中。可以根据表1的分布 象限个数统计量T将信号分为两类:第一类是T=2的FM和2FSK信号; 第二类是T=4的BPSK、QPSK和AM信号。模数混合集合信号的分类方法是自己提出来的,根据对信号特性决定从星座图中星座点个数所占 象限的统计来对信号进行初步的两大类分类。
步骤3具体实现如下:
3-1.对于第一类信号中的2FSK信号来说,其调制信号包含两个 不同的载波频率,当信息码元个数N足够长时,两种载频的累计持续 时间基本一致,最终解调输出频偏跟踪数据会在绝对值相同符号相反 的两个数据间不断跳变。理论上分析,在接收机频偏跟踪稳定后,对 2FSK信号的频偏跟踪数据进行从小到大排序和归一化处理可得到数 据的经验分布F2FSK(n),即波形数据的函数表达式为:
计算归一化后的实际频偏跟踪数据与理论函数模板的误差值:
3-2.对于2FSK信号,频偏跟踪数据会在绝对值相同符号相反的 两个数据间不断跳变。而FM信号的频率跟踪数据与其内部的模拟基 带信号线性相关,同式(9)中的理论函数相差甚远。利用式(9)对 第一类信号进行统计得到频偏跟踪数据分布距离D,用于判断频偏跟 踪数据是否发生固定跳变,对应设置门限进行判别。
从FSK信号解调后的频偏跟踪数据在绝对值相同符号相反的两 个数据间不断跳变的理论出发,对这种特征性进行总结,并自主编写 公式,得到频偏跟踪数据距离计算模板,从而实现FSK和FM信号的 分类
步骤4具体实现如下:
4-1.根据解调后信号基带数据的不同,可以建立不同的基带数据 分布模板,对于AM信号,其理想解调的输出I路为模拟基带调制信 号数据、Q路为0,而BPSK和QPSK信号其I路和Q路均为数字基带 数据。因此相较于BPSK和QPSK信号,AM信号实际输出的基带数据 与三角函数分布模板更匹配,分别计算输出基带数据与三角函数分布 模板的距离差值:
其中,利用式(10)对第二类信号进行统计得到基带数据模板距 离统计量d1,并设置门限进行判别,将信号AM与其他信号区分开来。
4-2.由于解调为基于全数字接收机的盲解调,其输出受频谱干扰 等影响难以达到理想解调的效果,因此需要对BPSK和QPSK信号重新 进行基于QPSK接收机的信号处理。QPSK信号输出得到两路完全不同 的基带数据,而BPSK信号则是输出两路相同的基带数据。通过计算 判别实际解调输出的和是否相等可以来区分两信号,因此 分别计算基带数据与IQ两路差值模板的距离差值为:
步骤5具体实现如下:
5-1.第一类信号中,星座点分布象限个数统计量T为2。2FSK信 号解调输出频偏跟踪数据会在绝对值相同符号相反的两个数据间不 断跳变,而FM信号的频率跟踪数据与其内部的模拟基带信号线性相 关。因此2FSK信号与理论函数模板更匹配,2FSK信号频偏跟踪数据 分布距离远小于FM信号。
5-2.第二类信号中,星座点分布象限个数统计量T为4。AM信号 与三角函数分布模板更匹配,AM信号的输出基带数据与理论模板的 距离d1远小于BPSK和QPSK信号。对于盲接收机解调输出的BPSK信 号和QPSK信号,BPSK信号与IQ两路差值模板更匹配,BPSK信号的输出基带数据与理论模板的距离d2远小于QPSK信号。由此实现混合 信号中FM、BPSK、QPSK的区分识别。
本发明有益效果如下:
1.本发明针对传统方法难以进行调制识别的密集环境下的模数 混合信号,通过提取出的星座点分布象限特征作为分类依据实现了调 制方式识别。
2.发明通过设计模数混合信号盲接收机完成信号解调,利用频偏 跟踪数据分布距离,基带数据模板距离作为特征参数进行信号识别, 根据频偏跟踪数据分布距离统计量区分第一类信号,利用基带数据模 板匹配对第二类信号进一步识别。由于受噪声影响较小,因此基于星 座点分布、接收机频偏跟踪数据变化、基带数据模板距离的联合特征 参数更为稳定。
3.本发明提供了解决密集环境下模数混合信号调制识别问题的 新思路,从非理想星座图中提取出的信号星座点分布象限个数能有效 抗噪声和相邻信号频谱干扰,解决了传统基于星座图信号识别算法在 密集信号环境下受干扰影响大而性能快速下降的问题。
综上所述。本发明算法具有复杂度低、识别率高、鲁棒性强等优 点。且计算简单,复杂度低,整体性能有了较大的提升。
附图说明
图1密集信号环境下各信号解调星座点象限分布图
图2统计量D随信噪比变化曲线
图3统计量d1随信噪比变化曲线图
图4统计量d2随信噪比变化曲线图
图5密集模数混合信号环境下调制识别算法流程图
图6本发明算法与文献算法性能随信噪比变化曲线对比图
图7本发明算法与文献算法性能随干信比变化曲线对比图
具体实施方式
下面结合附图对本发明的具体实施例做进一步的说明。如图1-6 所示,密集信号环境下基于多维特征参数的调制识别方法,具体实现 步骤如下:
步骤2、对解调得到的信号数据的星座图,判决出每个星座点所 在象限,根据公式(6)分别统计各个信号的星座图中分布在每个象 限内的星座点个数,计算四个象限中星座点个数占总数的比例,得到 星座点分布象限个数统计量T。根据T的大小将信号分为两大类信号;
步骤3、通过公式(7)、(8)、(9)对第一类信号进行统计得到 频偏跟踪数据分布距离D,通过如图1所示的第一类信号的统计量D 随信噪比变化曲线来判断信号频偏跟踪数据是否发生固定跳变,并可 以设置阈值为0.4来判定其频偏跟踪数据是否发生固定的跳变;
步骤4、选择AM基带数据模板,利用式(10)对第二类信号进 行统计得到基带数据模板距离统计量d1,可设置阈值为1将AM信号 与BPSK、QPSK信号区分开来。选择IQ两路基带数据的差值模板,利 用式(11)进行计算,得到信号的统计量d2,并设置阈值为0.5来区 分BPSK信号和QPSK信号;
步骤5、通过图4密集模数混合信号环境下信号识别流程图对涉 及到的目标信号进行分类。
步骤1具体实现如下:
步骤2具体实现如下:
根据公式(6)计算解调得到的各信号在四个象限中星座点个数 占总数的比例,得到如表1所示的密集信号环境下各信号星座点分布 象限个数统计量T。从表1可以看出,FM和2FSK信号扩散分布在两 个象限内,而BPSK、QPSK和AM信号则是分布在四个象限中。由此可 以根据分布象限个数统计量T将信号分为两类:第一类是T=2的FM 和2FSK信号;第二类是T=4的BPSK、QPSK和AM信号。
步骤3具体实现如下:
3-1.对第一类信号的频偏跟踪数据进行从小到大排序和归一化 处理,利用公式(7)、(8)、(9)公式得到频偏跟踪数据分布距离统 计量D,用于区分2FSK信号和FM信号。
3-2.N=400时,每个信噪比下统计500次数据的均值,得到第 一类信号的统计量D随信噪比变化曲线如图1所示。从图1中可知, 2FSK信号与理论函数模板距离较小,信号的误差统计量D随着信噪 比增大而小范围地减小,通过图1可以设置阈值为0.4来判定其频偏跟踪数据是否发生固定的跳变。
步骤4具体实现如下:
4-1.利用式(11)对第二类信号进行统计得到基带数据模板距离 统计量d1,用于将信号AM与其他信号区分开来,对应设置门限进行 判别。N=400时,每个信噪比下统计500次数据的均值,得到第二类 信号的统计量d1随信噪比变化曲线如图2所示。从图2中可以看出, AM信号的输出基带数据与理论模板的距离d1远小于BPSK和QPSK信 号,信号的模板距离统计量d1随着信噪比增大而小范围地减小,由此 设置阈值为1将AM信号与BPSK、QPSK信号区分开来。
4-2.利用式(12)进行计算,得到信号的统计量d2,用于区分 BPSK与QPSK信号。N=400时,每个信噪比下统计500次数据的均值, 得到信号的d2随信噪比变化曲线如图3所示。从图3中可以看出,BPSK 信号的输出基带数据与理论模板的距离d2远小于QPSK信号,信号的 统计量d2随着信噪比增大而小范围地减小,由此设置阈值为0.5来区 分BPSK信号和QPSK信号。
步骤5具体实现如下:
5-1.分类的具体流程如图4所示:统计解调得到的各信号的星座 点分布象限个数T,根据星座点分布象限个数对信号进行判决,分成 两大类。若T=2为第一类信号{FM,2FSK},若T=4为第二类信号 {AM,BPSK,QPSK};
5-2.当T=2时,得到包含第一类信号的混合信号,根据频偏跟踪 数据分布距离统计量D区分第一类信号,若未知信号的频偏跟踪数据 分布距离统计量D小于0.4,信号为2FSK信号,否则信号为FM信号。
5-3.当T=4时,利用基带数据模板匹配对第二类信号进一步识别。 若d1小于1,则信号为AM信号,否则对信号进行基于QPSK接收机的 重解调,并根据模板对混合信号计算基带数据模板距离d2,若d2小于 0.5,则信号为BPSK信号,否则信号为QPSK信号。
实施例:
待识别密集调制样式集合包括{FM、2FSK、BPSK、QPSK、AM},信 号参数设置为:基带信号序列随机产生,载频分别为:5MHz、14.5MHz 和15MHz、26MHz、37MHz、48MHz,带宽分别为:0.012MHz、2.5MHz、 2MHz、2MHz、0.4MHz,采样频率为100MHz,信息码元数N=400。
为验证本发明中所提算法的有效性,通过计算机仿真统计出了该 算法在不同情况的识别率。仿真使用中国电子科技集团第36研究所 采集的复合调制信号文件(信噪比很大,仿真时视为不含噪声,通过 叠加高斯白噪声来模拟不同信噪比环境)。本发明选择文献《多信号 分离及调制识别技术研究》中广泛使用循环谱和高阶累积量的识别算 法作为对比。
仿真时首先按上述参数设置随机产生5种目标信号将目标信号 按上述步骤进行分类识别,在相同条件、不同信噪比下每次随机产生 一组目标信号作为测试集进行识别率测试,统计其正确识别概率,仿 真测试结果如图5所示。由图5可知本发明算法在SNR=0dB时目标信 号识别率均到90%以上,而文献算法需在SNR=6dB时才能达到该性能。 在相同条件、不同干信比(干扰信号相对目标信号放大倍数)下每次 随机产生一组目标信号作为测试集进行识别率测试。统计其正确识别 概率,仿真测试结果如图6所示,从图6中可以看出,随着干信比的 不断增大,由于密集环境中相邻信号频谱的干扰,滤波前无法基于 FFT对载频和带宽作精确估计,受此影响滤波分离后的信号结构并不 完整,导致基于循环谱和高阶累积量算法性能快速下降。当放大倍数 为2.5时,本发明算法中目标信号的识别率能达90%,而对比文献算 法需降低放大倍数至2时才能达到该识别率。且本专利算法具有复杂 度低、识别率高、鲁棒性强等优点。
本发明主要研究了密集环境下模拟数字混合调制信号的识别问题, 通过全数字接收的输出数据构造多维特征参数,联合了星座点分布象 限个数、频偏跟踪数据分布距离和基带数据模板距离特征参数,提出 密集模数混合信号环境下的调制识别算法,该方法相较于广泛使用循 环谱和高阶累积量的算法,对噪声和频偏的容忍能力更强,且计算复 杂度低,适于实际工程应用。
最后需要注意的是,公布实施例的目的在于帮助进一步理解本发 明,但是本领域的技术人员可以理解:在不脱离本发明及所附的权利 要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不 应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书 界定的范围为准。
Claims (6)
1.一种基于接收机多维特征模数混合信号的调制识别方法,其特征在于包括以下步骤:
步骤1、将接收到的采样信号经过下变频低通滤波后输入模数混合信号全数字接收机实现混合信号的盲解调,得到解调信号的基带数据和频偏跟踪数据以及星座图;
步骤2、根据各信号星座图中的星座点分布,判决出每个星座点所在象限,并分别统计计算出四个象限中星座点个数占总数的比例,得到星座点分布象限个数统计量T,根据T的大小将信号分为两大类信号;
步骤3、对频偏跟踪数据取其中N点进行从小到大排序并作归一化处理,将第一类信号归一化处理后的数据与理论模板匹配,得到特征参数频偏跟踪数据分布距离D;
步骤4、根据解调信号基带数据的不同,建立不同的基带数据分布模板,将第二类解调信号与模板匹配得到基带数据模板距离d1和d2;
步骤5将星座点分布象限个数统计量T、频偏跟踪数据分布距离D和基带数据模板距离的联合特征参数作为识别统计量对涉及到的目标信号进行分类。
2.根据权利要求1所述的一种基于接收机多维特征模数混合信号的调制识别方法,其特征在于步骤1具体实现如下:
1-1.经过下变频低通滤波后被分离出来的第k个信号的第n个采样点表示为:
式中分别为基带数据的同相分量、正交分量;其中,Ak(n)表示第k个信号的瞬时幅度或包络,fk(n)、分别为信号的瞬时频率和瞬时相位,一般情况下Ak(n)、fk(n)、均为关于n的函数,n0(n)为服从N(0,σ2)的高斯白噪声;对于FM、FSK、PSK调制,幅度Ak(n)近似为常数;对于PSK、AM调制,fk(n)恒为零;而对于AM信号,恒为零;
其中,θk为压控振荡器的输出电压与接收信号载波间的相位误差;
1-2.载波同步的环路中鉴相部分采用的是模数混合调制信号盲鉴相器,鉴相方程为:
其中arctan(x)为反正切函数;
3.根据权利要求1或2所述的一种基于接收机多维特征模数混合信号的调制识别方法,其特征在于步骤2具体实现如下:
2-1.将第k个信号解调输出的星座点设为判决出每个星座点所在象限,分别统计第k个信号的星座图中分布在第i象限内的星座点个数Mi,k,其中i=1,...,4,k=1,...,5,计算四个象限中星座点个数占总数的比例,即可得到第k个信号星座点在每个象限内的分布情况为:
式中,N=400为信息码元个数;
在信噪比为0~12dB时,对Ri,k的运行结果进行判决得到星座点分布象限个数统计量T,密集信号环境下各信号星座点分布象限情况如表1所示;
表1模数混合信号各信号星座点分布象限
有由表1可知,FM和2FSK信号的星座点分布在两个象限内,而BPSK、QPSK和AM信号则是分布在四个象限中;可以根据表1的分布象限个数统计量T将信号分为两类:第一类是T=2的FM和2FSK信号;第二类是T=4的BPSK、QPSK和AM信号。
4.根据权利要求3所述的一种基于接收机多维特征模数混合信号的调制识别方法,其特征在于步骤3具体实现如下:
3-1.对于第一类信号中的2FSK信号,其调制信号包含两个不同的载波频率,当信息码元个数N足够长时,两种载频的累计持续时间基本一致,最终解调输出频偏跟踪数据会在绝对值相同符号相反的两个数据间不断跳变;在接收机频偏跟踪稳定后,对2FSK信号的频偏跟踪数据进行从小到大排序和归一化处理可得到数据的经验分布F2FSK(n),即波形数据的函数表达式为:
计算归一化后的实际频偏跟踪数据与理论函数模板的误差值:
3-2.对于2FSK信号,频偏跟踪数据会在绝对值相同符号相反的两个数据间不断跳变;而FM信号的频率跟踪数据与其内部的模拟基带信号线性相关,同式(9)中的理论函数相差甚远;利用式(9)对第一类信号进行统计得到频偏跟踪数据分布距离D,用于判断频偏跟踪数据是否发生固定跳变,对应设置门限进行判别。
5.根据权利要求4所述的一种基于接收机多维特征模数混合信号的调制识别方法,其特征在于步骤4具体实现如下:
4-1.根据解调后信号基带数据的不同,建立不同的基带数据分布模板,对于AM信号,其理想解调的输出I路为模拟基带调制信号数据、Q路为0,而BPSK和QPSK信号其I路和Q路均为数字基带数据;因此相较于BPSK和QPSK信号,AM信号实际输出的基带数据与三角函数分布模板更匹配,分别计算输出基带数据与三角函数分布模板的距离差值:
其中,利用式(10)对第二类信号进行统计得到基带数据模板距离统计量d1,并设置门限进行判别,将信号AM与其他信号区分开来;
4-2.对BPSK和QPSK信号重新进行基于QPSK接收机的信号处理;QPSK信号输出得到两路完全不同的基带数据,而BPSK信号则是输出两路相同的基带数据;通过计算判别实际解调输出的和是否相等可以来区分两信号,因此分别计算基带数据与IQ两路差值模板的距离差值为:
6.根据权利要求5所述的一种基于接收机多维特征模数混合信号的调制识别方法,其特征在于步骤5具体实现如下:
5-1.第一类信号中,星座点分布象限个数统计量T为2;2FSK信号解调输出频偏跟踪数据会在绝对值相同符号相反的两个数据间不断跳变,而FM信号的频率跟踪数据与其内部的模拟基带信号线性相关;因此2FSK信号与理论函数模板更匹配,2FSK信号频偏跟踪数据分布距离远小于FM信号;
5-2.第二类信号中,星座点分布象限个数统计量T为4;AM信号与三角函数分布模板更匹配,AM信号的输出基带数据与理论模板的距离d1远小于BPSK和QPSK信号;对于盲接收机解调输出的BPSK信号和QPSK信号,BPSK信号与IQ两路差值模板更匹配,BPSK信号的输出基带数据与理论模板的距离d2远小于QPSK信号;由此实现混合信号中FM、BPSK、QPSK的区分识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011345542.4A CN112565126B (zh) | 2020-11-26 | 2020-11-26 | 一种基于接收机多维特征模数混合信号的调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011345542.4A CN112565126B (zh) | 2020-11-26 | 2020-11-26 | 一种基于接收机多维特征模数混合信号的调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112565126A true CN112565126A (zh) | 2021-03-26 |
CN112565126B CN112565126B (zh) | 2022-06-28 |
Family
ID=75045660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011345542.4A Active CN112565126B (zh) | 2020-11-26 | 2020-11-26 | 一种基于接收机多维特征模数混合信号的调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112565126B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115086124A (zh) * | 2022-07-21 | 2022-09-20 | 海南浙江大学研究院 | 一种基于信道频率相关性的ofdm子载波调制识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8369460B1 (en) * | 2009-05-18 | 2013-02-05 | The United States Of America As Represented By The Secretary Of The Army | Reduced complexity constellation pattern recognition and classification method |
CN107707497A (zh) * | 2017-05-09 | 2018-02-16 | 电子科技大学 | 基于减法聚类和模糊聚类算法的通信信号识别方法 |
CN109085613A (zh) * | 2018-06-12 | 2018-12-25 | 东南大学 | 基于星座轨迹的卫星欺骗干扰识别方法及装置 |
CN109787926A (zh) * | 2018-12-24 | 2019-05-21 | 合肥工业大学 | 一种数字信号调制方式识别方法 |
CN109995690A (zh) * | 2019-04-02 | 2019-07-09 | 成都华日通讯技术有限公司 | Mfsk数字信号子类调制识别的神经网络自优化方法 |
CN111083077A (zh) * | 2019-12-06 | 2020-04-28 | 成都华日通讯技术有限公司 | 一种结合神经网络实现2ask信号及am信号调制识别的方法 |
CN111343116A (zh) * | 2020-02-25 | 2020-06-26 | 杭州电子科技大学 | 密集信号环境下基于星座轨迹图的调制识别方法 |
US20200259534A1 (en) * | 2019-02-07 | 2020-08-13 | California Institute Of Technology | Systems and Methods for Communicating by Modulating Data on Zeros in the Presence of Channel Impairments |
-
2020
- 2020-11-26 CN CN202011345542.4A patent/CN112565126B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8369460B1 (en) * | 2009-05-18 | 2013-02-05 | The United States Of America As Represented By The Secretary Of The Army | Reduced complexity constellation pattern recognition and classification method |
CN107707497A (zh) * | 2017-05-09 | 2018-02-16 | 电子科技大学 | 基于减法聚类和模糊聚类算法的通信信号识别方法 |
CN109085613A (zh) * | 2018-06-12 | 2018-12-25 | 东南大学 | 基于星座轨迹的卫星欺骗干扰识别方法及装置 |
CN109787926A (zh) * | 2018-12-24 | 2019-05-21 | 合肥工业大学 | 一种数字信号调制方式识别方法 |
US20200259534A1 (en) * | 2019-02-07 | 2020-08-13 | California Institute Of Technology | Systems and Methods for Communicating by Modulating Data on Zeros in the Presence of Channel Impairments |
CN109995690A (zh) * | 2019-04-02 | 2019-07-09 | 成都华日通讯技术有限公司 | Mfsk数字信号子类调制识别的神经网络自优化方法 |
CN111083077A (zh) * | 2019-12-06 | 2020-04-28 | 成都华日通讯技术有限公司 | 一种结合神经网络实现2ask信号及am信号调制识别的方法 |
CN111343116A (zh) * | 2020-02-25 | 2020-06-26 | 杭州电子科技大学 | 密集信号环境下基于星座轨迹图的调制识别方法 |
Non-Patent Citations (1)
Title |
---|
JINGJING CAI: "Modulation Recognition of Radar Signal Based on an Improved CNN Model", 《2019 IEEE 7TH INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND NETWORK TECHNOLOGY (ICCSNT)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115086124A (zh) * | 2022-07-21 | 2022-09-20 | 海南浙江大学研究院 | 一种基于信道频率相关性的ofdm子载波调制识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112565126B (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9559748B2 (en) | Methods and apparatuses using filter banks for multi-carrier spread spectrum signals | |
Dobre et al. | Blind modulation classification: a concept whose time has come | |
CN108134753B (zh) | 宽带信号调制方式的识别方法 | |
CN111343116B (zh) | 密集信号环境下基于星座轨迹图的调制识别方法 | |
CN112511477A (zh) | 一种基于星座图和深度学习的混合卫星通信调制识别方法及系统 | |
CN112565126B (zh) | 一种基于接收机多维特征模数混合信号的调制识别方法 | |
CN111935046A (zh) | 一种低复杂度的频移键控信号符号率估计方法 | |
CN110166389B (zh) | 基于最小二乘支持向量机的调制识别方法 | |
Laghate et al. | USRP N210 demonstration of wideband sensing and blind hierarchical modulation classification | |
CN108650203B (zh) | 一种基于侦察接收机的调制模式识别方法 | |
Jajoo et al. | Blind signal modulation recognition through density spread of constellation signature | |
Ghauri | KNN based classification of digital modulated signals | |
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 | |
CN116707558A (zh) | 基于多级动态盲数字接收机的数模混合信号识别方法 | |
Swami et al. | Modulation classification via hierarchical agglomerative cluster analysis | |
CN112565127B (zh) | 基于残差网络和频域图形的测控信号调制识别方法 | |
CN116232823A (zh) | 基于多级盲数字接收机联合的幅相调制信号识别方法 | |
Nolan et al. | Signal space based adaptive modulation for software radio | |
Le et al. | Signal recognition for cognitive radios | |
CN111814703B (zh) | 一种非重构条件下基于hb的信号联合特征提取方法 | |
Bin et al. | A modulation recognition algorithm for analog and digital mixed signals based on multidimensional features | |
Li et al. | A novel modulation classification for PSK and QAM signals in wireless communication | |
Lijun et al. | Modulation recognition of composite modulation signal based on two-fold digital receiver and goodness of fit test | |
WO2019229813A1 (ja) | 無線機同定装置 | |
CN112073347A (zh) | 一种基于软件定义无线电技术的dvor信号的解析系统 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220623 Address after: 314408 room 412, No. 68, Keye Road, Jianggan District, Hangzhou City, Zhejiang Province Applicant after: Hangzhou Tianzhi RONGTONG Technology Co.,Ltd. Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang Applicant before: HANGZHOU DIANZI University |