CN114362856A - 一种基于拉普拉斯矩阵的循环平稳信号检测与识别方法 - Google Patents
一种基于拉普拉斯矩阵的循环平稳信号检测与识别方法 Download PDFInfo
- Publication number
- CN114362856A CN114362856A CN202111682076.3A CN202111682076A CN114362856A CN 114362856 A CN114362856 A CN 114362856A CN 202111682076 A CN202111682076 A CN 202111682076A CN 114362856 A CN114362856 A CN 114362856A
- Authority
- CN
- China
- Prior art keywords
- signal
- cyclostationary
- signals
- graph
- detection
- 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
Landscapes
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明设计了一种基于拉普拉斯矩阵的循环平稳信号检测与识别方法,适用于存在多数循环平稳信号且接收样本数量较小、循环平稳信号阶数未知、信噪比较低等问题。结合了多天线传感器技术进行系统模型建立,使基于拉普拉斯矩阵的循环平稳信号检测器的检测性能得到相应的提升。通过Matlab对多种循环平稳信号进行仿真分析,提供了一种准确可行的方法。利用图形将多天线所接收到的循环平稳信号进行表征,对接收到的信号进行快速傅里叶计算及功率谱检测量的统计,并根据信号功率谱的统计量判断被检测信号的数量及调制阶数。本发明可用于认知无线电中信号识别,信号检测及检测性能的分析。
Description
所属技术领域
本发明涉及信号检测及调制识别技术,具体涉及一种基于拉普拉斯矩阵的循环平稳信号检测与识别方法。
背景技术
随着可分配频谱资源的日益短缺,认知无线电技术因为可以通过动态接入的方法利用频谱空洞完成无线通信,从而提高频谱效率。在认知无线电网络中,它的关键技术有两个,一个是频谱感知技术,另一个是调制识别技术。当前背景技术不能同时解决频谱感知技术和调制识别技术。
频谱感知技术是指在不干扰授权用户的前提下,实时监测可用频段并进行相关分析,从而发现频谱空穴。当前频谱感知领域中,信号处理方法虽然有多种,但归纳起来主要有匹配滤波器法、能量检测法和循环平稳检测法三种,匹配滤波器法是将接收信号通过预先设定的滤波器,若接收信号特征与滤波器匹配,则输出信号最强,但此方法需要获得授权用户信息的先验知识,这在实际工程中难以实现。能量检测法是根据接收信号的能量或功率大小来判断是否存在通信信号,此方法实现简单,但其对抗噪声变化的能力较差,当噪声功率发生变化,检测性能则大大降低。循环平稳检测法最早由W.A.Gardner提出,该方法通过循环平稳信号的谱相关特性对信号进行分辨,其最大优点在于即使接收信号功率谱很低时,循环平稳检测法也能有效地检测频谱空洞,但此方法存在运算量大,计算复杂的缺点。
调制识别技术是指在有噪声和多信号类型的条件下,对接收信号进行处理并利用信号的某些特定参数来自动确定信号调制类型。调制识别的方法大致可以分为两类,第一种是基于似然比判决理论的识别方法,它是根据信号的统计特性,通过理论分析与推导得到检验统计量,再将它与一个合适的门限进行对比,形成判决准则,由判决准则确定输出结果。第二种是基于特征提取的调制识别方法,如信号的幅度谱,循环累积量,循环谱等。
在所有的频谱感知方法中,循环平稳特征检测在低信噪比环境下被广泛使用,并成为其它方法的比较对象,但当前的循环平稳检测方法计算复杂并且需要大量的信号样本进行循环统计量计算,这在实际中是很难实现的。因此,找出一种所需样本数量少且能高效率地检测出循环平稳信号的检测方法是十分有意义的。
为解决循环平稳信号在样本少的情况下的检测问题,本发明提出一种基于拉普拉斯矩阵的循环平稳信号检测与调制方法,结合判断被检测信号中是否存在循环平稳信号进行系统模型的建立,使得检测信息可视化。通过Matlab对噪声环境下多数量循环平稳信号进行仿真分析,提供出一种准确可行的信号检测及阶数识别方案。本发明不仅能在样本较少的情况下对循环平稳信号进行有效检测,并且能对信号的进制数进行有效识别。
发明内容
本发明的目的在于提出一种基于拉普拉斯矩阵的循环平稳信号检测与调制方法,该方法基于拉普拉斯矩阵对循环平稳信号进行检测,适用于处理在低信噪比情况下、存在多个阶数未知的循环平稳信号及少样本数据情况下的信号检测及识别循环平稳信号阶数。
为实现上述发明目的,本发明的具体技术方案如下:
步骤(1):运用快速傅里叶变换(FFT)和循环功率谱检测技术,在时空相关的环境噪声下对信号进行接收并利用均匀线阵排列方式对所接收信号进行快速傅里叶计算,获得信号循环功率谱,并对功率谱进行量化归一化处理,使其转化成拉普拉斯矩阵,即二维图形;
步骤(2):根据循环平稳信号的循环平稳特性建立两种假设性条件,并通过两种条件的假设进行判断所接收信号拉普拉斯矩阵图中是否存在循环平稳信号;
步骤(3):根据循环平稳信号所构成的二维矩阵图形,根据图形的连通性和对称性,由构成图形的边数来判别信号的调制阶数。
根据步骤(1)、步骤(2)、步骤(3),利用Matlab数据显示系统对各信号完成接收、检测、识别等任务,该检测和识别结果可以面向用户公布检测结果。
信号序列转化图像系统是在时空相关的环境噪声下对信号进行接收并利用均匀线阵排列方式对所接收信号进行快速傅里叶计算,由此获得信号循环功率谱,在说明书附图1的仿真图中可明显看出,被检测信号循环功率谱,并对功率谱进行量化归一化处理,使其转化成拉普拉斯矩阵,即二维图形。信号检测数学模型系统是由信号二元假设判决准则进行建立。相应的噪声和信号都是经过所述Matlab软件进行仿真呈现出来,之后利用循环功率谱转化图技术将这些信号进行矩阵计算,抑制相应的噪声。循环平稳信号阶数识别系统是由循环平稳信号所构成的二维矩阵图形,根据图形的连通性和对称性,由构成图形的边数来判别信号的调制阶数。所述信号序列转化图像系统、信号检测数学模型系统、循环平稳信号阶数识别系统反应信号的功率谱图,还有信号合成图形后的对称图,在说明书附图2的仿真图中可明显看出,被检测信号所属调制阶数。
有益效果:
(1)本发明充分利用拉普拉斯矩阵的连通性及信号的循环平稳特性,将每个信号转换成拉普拉斯矩阵,即二维图形,通过图形观察可直接判断循环平稳信号的存在或不存在,提高了信号检测器的检测效率。
(2)本发明所提出的一种基于拉普拉斯矩阵的循环平稳信号检测与识别方法,可对弱信号或稀疏信号进行有效检测,即使信噪比较低或样本数量较少时,也能对循环平稳信号进行有效检测。
(3)本发明为了进一步确定循环平稳信号的调制阶数,信号转换成的图可以判断出信号的调制阶数,在面对多种不同调制类型的循环平稳信号时,本发明所提出的方法可针对信号的调制阶数进行识别。
(4)本发明可以在Matlab平台中对多种不同调制方式的循环平稳信号进行检测及调制阶数识别,给予用户参考与选择。
附图说明
下面是结合附图和实例对本发明进行进一步说明:
图1是本发明多个循环平稳信号量化后的功率谱图;
图2是所接收到的信号经过拉普拉斯矩阵转换后的二维图;
图3是根据拉普拉斯矩阵第二大特征值,信号与高斯白噪声判别的特征。
图4是本发明的循环平稳检测方法与其它算法检测率的对比图;
图5是本发明识别循环平稳信号阶数的识别率。
图6是一种基于拉普拉斯矩阵的循环平稳信号检测与识别方法-信号转化二维图。
具体实施方式
一种基于拉普拉斯矩阵的循环平稳信号检测与调制方法,其包括信号序列转化图像系统、信号检测数学模型系统、循环平稳信号阶数识别系统、Matlab数据显示系统。
所述信号序列转化图像系统可以在时空相关的环境噪声下对信号进行接收并利用均匀线阵排列方式对所接收信号进行快速傅里叶计算,由此获得信号循环功率谱,并对功率谱进行量化归一化处理,使其转化成拉普拉斯矩阵,即二维图形。
所述信号检测数学模型系统是运用信号二元假设判决准则,利用循环平稳信号的循环平稳特性建立两种假设性条件。第一个假设性条件是只有噪声,表示所接收的信号不具有循环平稳特性。第二个假设性条件是即有噪声也有信号,表示所接收的信号具有循环平稳特性。根据两种条件的假设进行判断所接收信号是否存在循环平稳特性。
所述循环平稳信号阶数识别系统是由循环平稳信号所构成的二维矩阵图形,根据图形的连通性和对称性,由构成图形的边数来判别信号的调制阶数。
所述Matlab数据显示系统是利用Matlab软件,在该软件中对各信号完成接收、检测、识别等任务,该检测和识别结果可以面向用户公布检测结果。
如图1所示是本发明对接收到的信号进行归一化、量化处理,方便信号拉普拉斯矩阵的计算,不失一般性,更好的将信号信息转化成图形。
如图2所示是本发明的信号经过拉普拉斯矩阵计算所呈现的二维图形,用户可以根据图形连通性及对称性,判断接收信号在转化图形后是否具有循环平稳特性。
如图3所示是本发明通过Matlab计算具有循环平稳特征的信号与高斯白噪声的对比图,为了让用户能够清晰的观察本发明的利处,由图可以观察出,本发明在Matlab平台上直接公布出具有循环平稳特征信号的拉普拉斯矩阵第二大特征值会随着信噪比的增加而降低,而高斯白噪声几乎不变,这是用于检测样本信号是否具有循环平稳特性的依据。
如图4所示是本发明的方法与现有的信号检测方法进行对比,由图可以看出,本发明所述的基于拉普拉斯矩阵的循环平稳信号检测及识别方法具有较好的检测性能,在检测概率相同的情况下,本发明的方法领先现有的信号检测方法2dB。
如图5所示是本发明对信号阶数进行识别的识别率,由图可看出,在低信噪比下,随着信噪比增加,信号的阶数识别率在逐渐上升,且在-5dB时接近1。
如图6所示是本发明设计了一种基于拉普拉斯矩阵的循环平稳信号检测与识别方法,由图可以看出,本发明结合了多天线传感器技术进行系统模型建立,使基于拉普拉斯矩阵的循环平稳信号检测器的检测性能得到相应的提升。
Claims (4)
1.一种基于拉普拉斯矩阵的循环平稳信号检测及识别方法,其特征在于,包括信号序列转化图像系统、信号检测数学模型系统、循环平稳信号阶数识别系统、Matlab数据显示系统,具体步骤如下:
步骤(1):基于信号序列转换图像系统在时空相关的环境噪声下对信号进行接收,利用均匀线阵排列方式对所接收信号进行快速傅里叶计算,由此获得信号循环功率谱,并对功率谱进行量化归一化处理,使其转化成拉普拉斯矩阵,即二维图形;
步骤(2):基于信号检测数学模型系统是利用循环平稳信号的循环平稳特性建立两种假设性条件,根据两种条件的假设进行判断所接收信号是否存在循环平稳特性;
步骤(3):基于循环平稳信号阶数识别系统是由循环平稳信号所构成的二维矩阵图形,根据图形的连通性和对称性,由构成图形的边数来判别信号的调制阶数;
步骤(4):根据步骤(1)、步骤(2)、步骤(3),利用Matlab数据显示系统对各信号完成接收、检测、识别等任务,该检测和识别结果可以面向用户公布检测结果。
2.根据权利要求1所述的一种基于拉普拉斯矩阵的循环平稳信号检测及识别方法,其特征在于,所述步骤(1)、步骤(2)是指,充分利用拉普拉斯矩阵的连通性及信号的循环平稳特性,将每个信号转换成一个图,通过图形观察可直接判断循环平稳信号的存在或不存在。
3.根据权利要求1所述的一种基于拉普拉斯矩阵的循环平稳信号检测及识别方法,其特征在于,步骤(2)所述信号检测数学模型系统可对低信噪比下的信号进行有效检测。
4.根据权利要求1所述的一种基于拉普拉斯矩阵的循环平稳信号检测及识别方法,其特征在于,所述步骤(3)是指,为了进一步确定循环平稳信号的调制阶数,所述信号转换成的图可以判断出信号的调制阶数,在面对多种不同调制类型的循环平稳信号时,可针对信号的阶数进行调制识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111682076.3A CN114362856B (zh) | 2021-12-31 | 2021-12-31 | 一种基于拉普拉斯矩阵的循环平稳信号检测与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111682076.3A CN114362856B (zh) | 2021-12-31 | 2021-12-31 | 一种基于拉普拉斯矩阵的循环平稳信号检测与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114362856A true CN114362856A (zh) | 2022-04-15 |
CN114362856B CN114362856B (zh) | 2023-09-01 |
Family
ID=81105548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111682076.3A Active CN114362856B (zh) | 2021-12-31 | 2021-12-31 | 一种基于拉普拉斯矩阵的循环平稳信号检测与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114362856B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106330361A (zh) * | 2016-11-07 | 2017-01-11 | 桂林电子科技大学 | 基于图连通性分析的弱信号检测方法 |
CN106998235A (zh) * | 2017-05-27 | 2017-08-01 | 厦门大学嘉庚学院 | 主用户信号随机出现时基于循环平稳的频谱感知方法 |
CN107993194A (zh) * | 2017-11-30 | 2018-05-04 | 天津大学 | 一种基于平稳小波变换的超分辨率重建方法 |
CN111490956A (zh) * | 2020-03-18 | 2020-08-04 | 山东大学 | 一种基于一阶循环平稳性的mfsk调制识别方法 |
CN112104389A (zh) * | 2020-08-07 | 2020-12-18 | 中国人民解放军海军航空大学青岛校区 | 基于循环平稳特征的分阶段boc信号检测方法 |
-
2021
- 2021-12-31 CN CN202111682076.3A patent/CN114362856B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106330361A (zh) * | 2016-11-07 | 2017-01-11 | 桂林电子科技大学 | 基于图连通性分析的弱信号检测方法 |
CN106998235A (zh) * | 2017-05-27 | 2017-08-01 | 厦门大学嘉庚学院 | 主用户信号随机出现时基于循环平稳的频谱感知方法 |
CN107993194A (zh) * | 2017-11-30 | 2018-05-04 | 天津大学 | 一种基于平稳小波变换的超分辨率重建方法 |
CN111490956A (zh) * | 2020-03-18 | 2020-08-04 | 山东大学 | 一种基于一阶循环平稳性的mfsk调制识别方法 |
CN112104389A (zh) * | 2020-08-07 | 2020-12-18 | 中国人民解放军海军航空大学青岛校区 | 基于循环平稳特征的分阶段boc信号检测方法 |
Non-Patent Citations (1)
Title |
---|
RUI GAO等: "A New Spectrum Sensing Method with Low SNR under Laplace Noise", 《2020 IEEE 3RD INTERNATIONAL CONFERENCE OF SAFE PRODUCTION AND INFORMATIZATION (IICSPI)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114362856B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN107395301B (zh) | 一种基于k均值算法的频谱感知方法与装置 | |
CN101710848B (zh) | 基于模糊积分和最优化理论的合作式频谱感知方法 | |
CN110099019A (zh) | 基于深度学习的LoRa调制信号检测方法 | |
CN106357575A (zh) | 一种多参数联合估计的干扰类型识别方法 | |
CN109752600B (zh) | 基于软件定义无线电技术的异常电磁信号分析系统及方法 | |
Zhang et al. | Monitoring and identification of WiFi devices for Internet of Things security | |
CN105429913B (zh) | 基于特征值的多电平检测与识别方法 | |
CN114362856B (zh) | 一种基于拉普拉斯矩阵的循环平稳信号检测与识别方法 | |
CN116961799A (zh) | 一种基于时频域分布特征的信号干扰检测方法 | |
CN112769506B (zh) | 一种基于频谱的快速无线电检测方法 | |
CN114759991B (zh) | 一种基于可见性图的循环平稳信号检测及调制识别方法 | |
Zhao et al. | Cooperative Time-Frequency Localization for Wideband Spectrum Sensing With A Lightweight Detector | |
CN105897357B (zh) | 一种基于减少采样点数的快速两步能量检测算法 | |
Miah et al. | Energy harvesting-enabled cognitive radio-internet of things using machine learning | |
Kishore et al. | Waveform and energy based dual stage sensing technique for cognitive radio using RTL-SDR | |
Sun et al. | An Covariance Spectrum Sensing Algorithm Based on DMM/MME Mixture Features | |
Wasonga et al. | Efficient two stage spectrum sensing for cognitive radios | |
Uppal et al. | Rich feature deep learning classifier for multiple simultaneous radio signals | |
CN116309613B (zh) | 一种锂电池隔膜扩散能力检测方法 | |
CN114501446B (zh) | 动态工业场景下基于PU bagging策略的物理层认证方法 | |
CN109474945A (zh) | 一种基于wifi信号强度扰动的预警方法及装置 | |
Rani et al. | Evaluation of spectrum sensing process through energy detection technique | |
Du et al. | Open Set Recognition of Communication Jamming Patterns with Raw I/Q Data | |
Tang et al. | An Improved Multi-Antenna Blind Spectrum Sensing Algorithm Based on Spatial Spectrum |
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 |