CN107135176A - 基于分数低阶循环谱的图域通信信号调制识别方法 - Google Patents
基于分数低阶循环谱的图域通信信号调制识别方法 Download PDFInfo
- Publication number
- CN107135176A CN107135176A CN201710546645.9A CN201710546645A CN107135176A CN 107135176 A CN107135176 A CN 107135176A CN 201710546645 A CN201710546645 A CN 201710546645A CN 107135176 A CN107135176 A CN 107135176A
- Authority
- CN
- China
- Prior art keywords
- mrow
- line index
- msubsup
- msub
- modulation type
- 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
- 125000004122 cyclic group Chemical group 0.000 title claims abstract description 36
- 238000001228 spectrum Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004891 communication Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 17
- 239000000284 extract Substances 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000011002 quantification Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 6
- 238000003909 pattern recognition Methods 0.000 description 6
- 230000010363 phase shift Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000003032 molecular docking Methods 0.000 description 3
- 238000005311 autocorrelation function Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010019133 Hangover Diseases 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000000844 transformation Methods 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)
Abstract
本发明公开了一种基于分数低阶循环谱的图域通信信号调制识别方法。利用接收信号的三维分数低阶循环谱，将被α稳定分布噪声干扰的调制信号转换到图域上，然后可以从图表示的稀疏邻接矩阵中提取有效特征参数行索引序列集合作为调制类型的特征，根据训练信号与接收信号的行索引序列集合汉明距离，来实现α稳定分布噪声干扰下，更稳定的更有效的通信信号调制类型的识别。
Description
技术领域
本发明属于信号处理技术领域，更为具体地讲，涉及一种基于分数低阶循环谱的图域通信信号调制识别方法。
背景技术
自动调制分类(Automatic Modulation Classification，简称AMC)，也称通信信号调制识别可以在很少或没有先验知识的情况下识别接收信号的调制类型，是信号检测和解调之间必不可少的一个重要步骤，并广泛应用于许多军事和民用通信领域。
经典自动调制分类(AMC)方法，通常可分为两类：(i)基于似然的(LB)决策理论方法和(ii)基于特征的(FB)模式识别(PR)方法。然而，LB的方法不可避免地会有一些缺点，例如缺乏闭式解，难以忍受的高计算复杂度，概率模型不匹配。FB方法的性能不是最佳的，然而它们能非常有效地实现，因此，许多研究利用不同的特征和不同的分类算法以追求FB方法的鲁棒性能。
值得注意的是，LB方法和FB方法都是应用在高斯噪声信道的假设中，然而，各种各样的研究表明，在实际的无线通信中频道，通常是由明显的脉冲引起的多址干扰，低频大气噪声，电磁干扰等。这些物理噪声表现出尖锐的脉冲特性和具有重尾的概率密度分布。根据中心极限定理，这些在无线通信***中主要误差来源的非高斯分布噪声可以被建模为α稳定分布噪声。在α稳定分布噪声出现的信道中，传统AMC方法性能会出现明显的恶化。
基于图域的自动调制分类(AMCG)第一次将AMC技术引入图形域，并且已经实现了比现有PR和基于LB的决策理论算法更优的性能。但是该方法是对接收信号的二阶循环谱进行图域映射提取图域特征。然而在α稳定分布噪声中不存在二阶及更高阶的统计量，所以，现有的AMCG方法在α稳定分布噪声中也失效，因此，新的更稳定的更有效的适用于α稳定分布噪声的AMC技术亟待被发现。
发明内容
本发明的目的在于克服现有技术的不足，提出一种基于分数低阶循环谱的图域通信信号调制识别方法，以适应α稳定分布噪声，实现更稳定的更有效的通信信号调制类型的识别。
为实现上述发明目的，本发明基于分数低阶循环谱的图域通信信号调制识别方法，其特征在于，包括以下步骤：
(1)、调制类型训练信号的特征提取
1.1)、基于分数低价循环谱的图域映射
对于无噪声的第k类调制类型的训练信号xk(t)，k＝1,2,…,K，K为调制类型的类型数量；将其采样序列划分为L段，每一段进行一次图域映射：
采用FAM算法((Fast Fourier transform)Accumulation Method)：FFT累加算法，用于计算循环谱密度)计算出l段训练信号的FLOCS(Fractional Low-Order CyclicSpectrum，分数低阶循环谱)，得到图域集合：
其中，h＝1,2...H，表示第k类调制类型的训练信号的l段保留下来的循环频率εh所对应的时域平滑循环周期图，提取出H个循环频率εh所对应的时域平滑循环周期图的邻接矩阵，得到邻接矩阵集合：
其中，时域平滑循环周期图根据以下方式得到：
a1)、对计算出的FLOCS即分数低阶循环谱进行归一化和量化处理，得到最大值为1且离散的分数低阶循环谱其中，ε为循环频率，f为频率；
在FAM算法中，FLOCS的频率分辨率为Δf＝fs/N′，循环频率分辨率Δα＝1/Δt＝fs/N，其中，fs为采样频率，N′为复解调所用数据的点数，N为Δt时间内输入的数据点数，这样采用FAM算法计算出的FLOCS为(N′+1)×(2N+1)的矩阵；
a2)、由于FLOCS具有对称性，基于离散的分数低阶循环的四分之一象限建立相应的图域映射：
定义稳定的循环频率εp,p＝1,2...N，εp满足条件：
将稳定的循环频率εp,p＝1,2...N相应的频率值作为顶点，得到顶点集合：
将两个顶点之间的幅度差值作为边，得到边集合：
其中：
这样，在每一个稳定的循环频率εp下得到相应的图域映射，即时域平滑循环周期图为：
将分数低阶循环谱为0的循环频率删除，得到H个保留下来的循环频率εh所对应的时域平滑循环周期图：
1.2)、行索引序列的提取
对于每个邻接矩阵l＝1,2,…,L提取主对角线正上方的次对角线的非零条目(元素)，提取这些非零条目(元素)所对应的行索引序列行索引序列提取的原则如下：
b1)、检查次对角线的非零值，列出这些非零值所对应的行索引，并根据这些非零值的绝对值对这些行索引进行降序排列，然后，按降序依次提取行索引；
b2)、如果两个或多个非零条目具有相同的绝对值，则提取距离之前所提取的行索引距离最近的行索引，其他的丢弃；
b3)、如果两个或多个非零条目具有相同的绝对值，且最大，则选择最大的行索引，其他的丢弃；
这样得到循环频率εh所对应的得到L个行索引序列，选取在L个行索引序列中出现概率大于95％行索引构成一个稳定的行索引序列
对于第k类调制类型的训练信号，提取出H个循环频率εh稳定的行索引序列，构成稳定行索引序列集合：并作为第k类调制类型的特征；
(2)、通信信号调制类型的识别
对于接收信号，按照步骤(1)的方法获取其调制类型的特征，行索引序列集合其中，V是保留下来的循环频率个数；
计算行索引序列集合与第k类调制类型的特征的汉明距离，得到K个汉明距离k＝1,2,…,K，然后在其中找最小的汉明距离，其对应的调制类型即为接收通信信号的调制类型。
本发明的目的是这样实现的。
为应对α稳定分布噪声，本发明基于分数低阶循环谱的图域通信信号调制识别方法。利用接收信号的三维分数低阶循环谱，将被α稳定分布噪声干扰的调制信号转换到图域上，然后可以从图表示的稀疏邻接矩阵中提取有效特征参数行索引序列集合作为调制类型的特征，根据训练信号与接收信号的行索引序列集合汉明距离，来实现α稳定分布噪声干扰下，更稳定的更有效的通信信号调制类型的识别。
附图说明
图1是本发明应用的一种具体实施方式原理框图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
为了方便描述，先对具体实施方式中出现的相关专业术语进行说明：
AMC(automatic modulation classification)：自动调制分类；
FB(feature-based)：基于统计特征
PR(pattern recognition)：模式识别
LB(Likelihood-based influence)：基于似然函数
AMCG(graph-based automatic modulation classification)：图域自动调制分类；
PDF(probability density function)：概率密度函数；
CF(characteristic function)：特征函数；
FLOCS(fractional low-order cyclic spectrum)：分数低阶循环谱；
FLOC(fractional low-order correlation)：分数低阶自相关函数；
FLOCC(fractional low-order cyclic correlation)：分数低阶循环自相关；
FAM(FFT(fast Fourier transform)accumulation method)：FFT累加算法，用于计算循环谱密度；
BPSK(binary phase-shift keying)：二进制相移键控；
QPSK(quadrature phase-shift keying)：正交相移键控；
OQPSK(offset quadrature phase-shift keying)：偏移四相相移键控；
2FSK(binary frequency-shift keying)：二进制频移键控；
4FSK(quadrature frequency-shift keying)：四进制频移键控；
MSK(minimum shift keying)：最小频移键控；
1、α稳定分布
α稳定分布又称为非高斯稳定分布、重尾分布，是一种广义的高斯分布，这种分布模型可以在实际的无线通信环境中，准确地模拟噪声的统计特性。
α稳定分布的模型是唯一满足稳定性和广义中心极限定理的模型，α稳定分布并不存在统一、封闭的概率密度函数(PDF)，但它存在统一的特征函数(CF)，其特征函数可以表示为：
ψ(u)＝exp{jau-γ|u|α[1+jβsgn(u)ω(u,α)]} (9)；
其中，sgn(·)为符号函数。α(0＜α≤2)为特征指数，它决定该分布脉冲特性程度，α值越小，所对应分布的拖尾越厚，因此脉冲特性越显著；β(-1≤β≤1)为偏斜参数，用于确定分布的对称程度；γ(γ＞0)为分散系数，又称尺度参数，它是关于样本偏离其均值的分散程度的度量，类似于高斯分布中的方差；α(-∞＜a＜+∞)为位置参数，对应于稳定分布的均值或中值，u为特征函数的随机变量。
当α＝2时，α稳定分布退化为高斯分布；
当α＝1且β＝0时，α稳定分布为柯西分布；
当β＝0时，α稳定分布为关于均值α的对称分布，我们称这样的分布记为对称α稳定(SαS)分布。
2、分数低阶循环谱(FLOCS)分析
由于调制信号s(t)被服从α稳定分布的噪声n(t)所污染，因此接收信号x(t)可以被建模为：
x(t)＝s(t)+n(t) (11)；
其中，n(t)为服从SαS分布的噪声，由于α稳定分布的噪声具有显著的尖峰脉冲特性，不具有二阶或二阶以上统计量，传统的基于二阶或高阶循环统计量的AMC算法在α稳定分布的噪声会失效，对接收信号进行非线性变换得到的分数低阶循环谱(FLOCS)可以有效的抑制α稳定分布的噪声，因此，对于AMC技术，可以从接收信号的FLOCS中提取相应的信息进行调制信号的识别。
图1是本发明应用的一种具体实施方式原理框图。
在本实施例中，输入数据在发射机中经过调制器调制后，得到调制信号s(t)，然后在信道中混入的α稳定分布噪声n(t)，成为接收机的接收信号x(t)。
首先，在自动调制分类器中，对接收信号x(t)以采样频率Fs＝1/Ts进行均匀采样，采样后的离散信号x(n)的分数低阶自相关函数(FLOC)可以被表示为：
FLOC(n,m)＝E{[x(n+m)]{b}[x*(n)]{b}} (12)；
x(n){b}＝|x(n)|b-1x*(n) (13)；
其中，式(12)是对散信号x(n)的b阶非线性变换，0＜b＜α/2；E(·)为期望，x*(n)是x(n)的共轭。那么，信号的分数低阶循环自相关(FLOCC)为：
其中，<·>表示时间平均，值得注意的是，b阶非线性变换只改变了信号的幅度，没有改变周期信息，所以二阶循环相关下定义的循环频率同样适合分数低阶循环相关；若b＝1，则FLOCC退化为二阶循环自相关。FLOCS为FLOCC的傅里叶变换，可以被表示为：
实际上，可以利用时域平滑算法——FAM算法估计出，对于一个给定的频率f和循环频率ε，时域平滑循环周期图可以由下式表示：
其中g(n)是宽度为NTs秒的统一权重函数，f1和f2是FAM算法中滤波器的中心频率，Ts是采样周期，其中，f1＝f+α/2，f2＝f-α/2，XT(r,f1)和XT(r,f2)是x(n)的复解调，可以由下式计算出。
其中a(r)是持续时间为T＝N′Ts秒的锥形数据窗，它的宽度即是FLOCS的频率分辨率Δf，如果a(r)是归一化的，FLOCS可以由时域平滑周期图实现无偏估计，如下式：
3、图域映射
采用FAM算法计算出的三维图的幅度为非负的，并对计算出的FLOCS进行归一化和量化处理，得到最大值为1且离散的分数低阶循环谱在FAM算法中，FLOCS的频率分辨率为Δf＝fs/N′，循环频率分辨率Δα＝1/Δt＝fs/N，其中，fs为采样间隔，N′为复解调所用数据的点数，N为Δt时间内输入的数据点数。即采用FAM算法计算出的FLOCS矩阵(N′+1)×(2N+1)的矩阵。
由于FLOCS具有对称性，因此对离散谱的四分之一象限建立相应的图域映射。定义稳定的循环频率εp,p＝1,2...N，εp满足条件：
将稳定的循环频率相应的频率值作为顶点，设为：将两个顶点之间的幅度差值作为边，设为：q1,q2＝0,1,...,N′/2}，其中：
至此，可以在每一个稳定的循环频率下得到相应的图域映射p＝0,1,...,N，显然每个循环频率下的图具有循环性，因此可以提取相应图的邻接矩阵作为不同信号的判别特征。
4、提取特征
设调制类型集合为其中，表示第k类调制类型，k＝1,2,...,K。在本实施例中，可以对6类调制类型信号进行识别，即BPSK，2FSK，4FSK，QPSK，OQPSK，MSK，对于无噪声的第k类调制类型训练信号，可以计算其FLOCS，根据第3部分的方法构建图域集。
将训练信号的采样序列划分为L段，可以建立L次图域映射，对于每一次图域映射，可以得到H个图，对于第l次图域映射，图域的集合可以表示为其中h＝1,2...H，表示第k种调制类型的训练信号保留下来的循环频率εh所对应的图，其对应的图提取出的邻接矩阵集合表示为
因为FLOCS在图域中代表一个加权的有向环，任意邻接矩阵是如下性质的稀疏矩阵
其中，为邻接矩阵的第(u,v)个条目，对于每个邻接矩阵提取邻接矩阵主对角线正上方的次对角线的非零条目，提取这些非零条目所对应的行索引序列行索引序列提取的原则如下：
b1)、检查次对角线的非零值，列出这些非零值所对应的行索引，并根据这些非零值的绝对值对这些行索引进行降序排列，然后，按降序依次提取行索引；
b2)、如果两个或多个非零条目具有相同的绝对值，则提取距离之前所提取的行索引距离最近的行索引，其他的丢弃；
b3)、如果两个或多个非零条目具有相同的绝对值，且最大，则选择最大的行索引，其他的丢弃；
这样得到循环频率εh所对应的得到L个行索引序列，选取在L个行索引序列中出现概率大于95％行索引构成一个稳定的行索引序列
对于第k类调制类型的训练信号，提取出H循环频率εh稳定的行索引序列，构成稳定行索引序列集合：并作为第k类调制类型的特征。
注意，这些行索引序列不必具有相同个数的元素，因为每个序列的长度由相对应的邻接矩阵的非零元素决定。
5、通信信号调制类型的识别
对于接收信号，按照第3、4部分的方法获取其调制类型的特征，行索引序列集合其中，V是保留下来的循环频率个数；
计算行索引序列集合与第k类调制类型的特征的汉明距离，得到K个汉明距离k＝1,2,…,K，然后在其中找最小的汉明距离，其对应的调制类型即为接收通信信号的调制类型。
在本实施例中，如图1所示，接收信号x(t)进行预处理后送入分类器中按照前述第5部分的方法进行通信信号调制识别，并把调制类型送入解调器中，按照对应的调制类型对预处理后的接收信号进行解调，得到输出数据。
如图1所示，本发明通过计算分数低阶循环谱FLOCS将被α稳定分布噪声干扰的调制信号转换到图域上，然后通过图域映射及特征提取，得到调制类型训练信号的特征，然后根据特征进行图域分类，实现α稳定分布噪声干扰下，更稳定的更有效的通信信号调制类型的识别。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.一种基于分数低阶循环谱的图域通信信号调制识别方法，其特征在于，包括以下步骤：
(1)、调制类型训练信号的特征提取
1.1)、基于分数低阶循环谱的图域映射
对于无噪声的第k类调制类型的训练信号xk(t)，k＝1,2,…,K，K为调制类型的类型数量；将其采样序列划分为L段，每一段进行一次图域映射：
采用FAM算法((Fast Fourier transform)Accumulation Method)：FFT累加算法，用于计算循环谱密度)计算出l段训练信号的FLOCS(Fractional Low-Order Cyclic Spectrum，分数低阶循环谱)，得到图域集合：
其中，表示第k类调制类型的训练信号的l段保留下来的循环频率εh所对应的时域平滑循环周期图，提取出H个循环频率εh所对应的时域平滑循环周期图的邻接矩阵，得到邻接矩阵集合：
其中，时域平滑循环周期图根据以下方式得到：
a1)、对计算出的FLOCS即分数低阶循环谱进行归一化和量化处理，得到最大值为1且离散的分数低阶循环谱
在FAM算法中，FLOCS的频率分辨率为Δf＝fs/N′，循环频率分辨率Δα＝1/Δt＝fs/N，其中，fs为采样频率，N′为复解调所用数据的点数，N为Δt时间内输入的数据点数，这样采用FAM算法计算出的FLOCS为(N′+1)×(2N+1)的矩阵；
a2)、由于FLOCS具有对称性，基于离散的分数低阶循环的四分之一象限建立相应的图域映射：
定义稳定的循环频率εp,p＝1,2...N，εp满足条件：
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<msup>
<mi>N</mi>
<mo>&prime;</mo>
</msup>
<mo>/</mo>
<mn>2</mn>
</mrow>
</munderover>
<msubsup>
<mover>
<mi>S</mi>
<mo>&OverBar;</mo>
</mover>
<msub>
<mi>&epsiv;</mi>
<mi>p</mi>
</msub>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>f</mi>
<mi>q</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&NotEqual;</mo>
<mn>0</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
将稳定的循环频率εp,p＝1,2...N相应的频率值作为顶点，得到顶点集合：
<mrow>
<msubsup>
<mi>V</mi>
<msub>
<mi>&epsiv;</mi>
<mi>p</mi>
</msub>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
</msubsup>
<mo>=</mo>
<mo>{</mo>
<msubsup>
<mi>f</mi>
<mi>q</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
</msubsup>
<mo>,</mo>
<mi>q</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msup>
<mi>N</mi>
<mo>&prime;</mo>
</msup>
<mo>/</mo>
<mn>2</mn>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
将两个顶点之间的幅度差值作为边，得到边集合：
<mrow>
<msubsup>
<mi>E</mi>
<msub>
<mi>&epsiv;</mi>
<mi>p</mi>
</msub>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
</msubsup>
<mo>=</mo>
<mo>{</mo>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>&Delta;</mi>
<msubsup>
<mover>
<mi>S</mi>
<mo>&OverBar;</mo>
</mover>
<msub>
<mi>&epsiv;</mi>
<mi>p</mi>
</msub>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>f</mi>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>f</mi>
<msub>
<mi>q</mi>
<mn>2</mn>
</msub>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msup>
<mi>N</mi>
<mo>&prime;</mo>
</msup>
<mo>/</mo>
<mn>2</mn>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中：
这样，在每一个稳定的循环频率εp下得到相应的图域映射，即时域平滑循环周期图为：
将分数低阶循环谱为0的循环频率删除，得到H个保留下来的循环频率εh所对应的时域平滑循环周期图：
1.2)、行索引序列的提取
对于每个邻接矩阵提取主对角线正上方的次对角线的非零条目(元素)，提取这些非零条目(元素)所对应的行索引序列行索引序列提取的原则如下：
b1)、检查次对角线的非零值，列出这些非零值所对应的行索引，并根据这些非零值的绝对值对这些行索引进行降序排列，然后，按降序依次提取行索引；
b2)、如果两个或多个非零条目具有相同的绝对值，则提取距离之前所提取的行索引距离最近的行索引，其他的丢弃；
b3)、如果两个或多个非零条目具有相同的绝对值，且最大，则选择最大的行索引，其他的丢弃；
这样得到循环频率εh所对应的得到L个行索引序列，选取在L个行索引序列中出现概率大于95％行索引构成一个稳定的行索引序列
对于第k类调制类型的训练信号，提取出H个循环频率εh稳定的行索引序列，构成稳定行索引序列集合：并作为第k类调制类型的特征；
(2)、通信信号调制类型的识别
对于接收信号，按照步骤(1)的方法获取其调制类型的特征，行索引序列集合其中，V是保留下来的循环频率个数；
计算行索引序列集合与第k类调制类型的特征的汉明距离，得到K个汉明距离然后在其中找最小的汉明距离，其对应的调制类型即为接收通信信号的调制类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710546645.9A CN107135176B (zh) | 2017-07-06 | 2017-07-06 | 基于分数低阶循环谱的图域通信信号调制识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710546645.9A CN107135176B (zh) | 2017-07-06 | 2017-07-06 | 基于分数低阶循环谱的图域通信信号调制识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107135176A true CN107135176A (zh) | 2017-09-05 |
| CN107135176B CN107135176B (zh) | 2019-12-27 |
Family
ID=59737600
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710546645.9A Expired - Fee Related CN107135176B (zh) | 2017-07-06 | 2017-07-06 | 基于分数低阶循环谱的图域通信信号调制识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107135176B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108199995A (zh) * | 2018-02-05 | 2018-06-22 | 电子科技大学 | 一种基于kl散度的通信信号图域特征迭代提取方法 |
| CN108494711A (zh) * | 2018-02-05 | 2018-09-04 | 电子科技大学 | 一种基于kl散度的通信信号图域特征提取方法 |
| CN108596204A (zh) * | 2018-03-15 | 2018-09-28 | 西安电子科技大学 | 一种基于改进型scdae的半监督调制方式分类模型的方法 |
| CN108600135A (zh) * | 2018-04-27 | 2018-09-28 | 中国科学院计算技术研究所 | 一种信号调制方式的识别方法 |
| CN108646072A (zh) * | 2018-05-16 | 2018-10-12 | 电子科技大学 | 一种基于汉明距的触发产生装置 |
| CN108957387A (zh) * | 2018-05-21 | 2018-12-07 | 西安电子科技大学 | 一种卫星信号二维到达角估计方法及*** |
| CN109525528A (zh) * | 2018-09-29 | 2019-03-26 | 电子科技大学 | 面向mqam调制信号的图域信号识别方法 |
| CN111884975A (zh) * | 2020-07-17 | 2020-11-03 | 北京理工大学 | 基于时延-多普勒域的索引调制解调方法和*** |
| 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 |
| CN113343802A (zh) * | 2021-05-26 | 2021-09-03 | 电子科技大学 | 一种基于多小波的射频指纹图域识别方法 |
| CN113518049A (zh) * | 2021-04-13 | 2021-10-19 | 江苏师范大学 | 一种基于分数低阶极坐标和深度学习的调制识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103166887A (zh) * | 2013-03-11 | 2013-06-19 | 中国科学技术大学 | 一种边带调制信号分类的方法及装置 |
| CN103326975A (zh) * | 2013-07-15 | 2013-09-25 | 西安电子科技大学 | 一种Alpha稳定分布噪声下数字调制信号识别方法 |
| US20140269841A1 (en) * | 2013-03-15 | 2014-09-18 | Joel I. Goodman | Ultra-Wideband Frequency Position Modulation using Nonlinear Compressed Sensing |
-
2017
- 2017-07-06 CN CN201710546645.9A patent/CN107135176B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103166887A (zh) * | 2013-03-11 | 2013-06-19 | 中国科学技术大学 | 一种边带调制信号分类的方法及装置 |
| US20140269841A1 (en) * | 2013-03-15 | 2014-09-18 | Joel I. Goodman | Ultra-Wideband Frequency Position Modulation using Nonlinear Compressed Sensing |
| CN103326975A (zh) * | 2013-07-15 | 2013-09-25 | 西安电子科技大学 | 一种Alpha稳定分布噪声下数字调制信号识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| YAN XIAO: "Implementation of carrier recovery for high-order QAM in real-time multi-domain analysis", 《2013 INTERNATIONAL CONFERENCE ON COMPUTATIONAL PROBLEM-SOLVING(ICCP)》 * |
| 赵春晖: "基于广义二阶循环统计量的通信信号调制识别研究", 《通信学报》 * |
| 郭莹: "脉冲噪声环境下基于分数低阶循环相关的自适应时延估计算法", 《通信学报》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108199995B (zh) * | 2018-02-05 | 2020-09-18 | 电子科技大学 | 一种基于kl散度的通信信号图域特征迭代提取方法 |
| CN108494711A (zh) * | 2018-02-05 | 2018-09-04 | 电子科技大学 | 一种基于kl散度的通信信号图域特征提取方法 |
| CN108199995A (zh) * | 2018-02-05 | 2018-06-22 | 电子科技大学 | 一种基于kl散度的通信信号图域特征迭代提取方法 |
| CN108494711B (zh) * | 2018-02-05 | 2020-09-18 | 电子科技大学 | 一种基于kl散度的通信信号图域特征提取方法 |
| CN108596204A (zh) * | 2018-03-15 | 2018-09-28 | 西安电子科技大学 | 一种基于改进型scdae的半监督调制方式分类模型的方法 |
| CN108596204B (zh) * | 2018-03-15 | 2021-11-09 | 西安电子科技大学 | 一种基于改进型scdae的半监督调制方式分类模型的方法 |
| CN108600135A (zh) * | 2018-04-27 | 2018-09-28 | 中国科学院计算技术研究所 | 一种信号调制方式的识别方法 |
| CN108646072B (zh) * | 2018-05-16 | 2019-12-27 | 电子科技大学 | 一种基于汉明距的触发产生装置 |
| CN108646072A (zh) * | 2018-05-16 | 2018-10-12 | 电子科技大学 | 一种基于汉明距的触发产生装置 |
| CN108957387A (zh) * | 2018-05-21 | 2018-12-07 | 西安电子科技大学 | 一种卫星信号二维到达角估计方法及*** |
| CN108957387B (zh) * | 2018-05-21 | 2022-06-21 | 西安电子科技大学 | 一种卫星信号二维到达角估计方法及*** |
| CN109525528A (zh) * | 2018-09-29 | 2019-03-26 | 电子科技大学 | 面向mqam调制信号的图域信号识别方法 |
| CN109525528B (zh) * | 2018-09-29 | 2021-01-26 | 电子科技大学 | 面向mqam调制信号的图域信号识别方法 |
| CN111884975A (zh) * | 2020-07-17 | 2020-11-03 | 北京理工大学 | 基于时延-多普勒域的索引调制解调方法和*** |
| CN111884975B (zh) * | 2020-07-17 | 2021-05-18 | 北京理工大学 | 基于时延-多普勒域的索引调制解调方法和*** |
| 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 |
| 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 |
| CN113518049A (zh) * | 2021-04-13 | 2021-10-19 | 江苏师范大学 | 一种基于分数低阶极坐标和深度学习的调制识别方法 |
| CN113518049B (zh) * | 2021-04-13 | 2024-04-26 | 江苏师范大学 | 一种基于分数低阶极坐标和深度学习的调制识别方法 |
| CN113343802A (zh) * | 2021-05-26 | 2021-09-03 | 电子科技大学 | 一种基于多小波的射频指纹图域识别方法 |
| CN113343802B (zh) * | 2021-05-26 | 2022-05-03 | 电子科技大学 | 一种基于多小波的射频指纹图域识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107135176B (zh) | 2019-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107135176A (zh) | 基于分数低阶循环谱的图域通信信号调制识别方法 | |
| Lopatka et al. | Automatic modulation classification using statistical moments and a fuzzy classifier | |
| Mobasseri | Digital modulation classification using constellation shape | |
| Güner et al. | Automatic digital modulation classification using extreme learning machine with local binary pattern histogram features | |
| Toldo et al. | Robust multiple structures estimation with j-linkage | |
| CN104052702B (zh) | 一种复杂噪声下数字调制信号的识别方法 | |
| CN107147599A (zh) | 一种用于通信信号调制识别的图域特征自动构建方法 | |
| Amigó et al. | Detecting determinism in time series with ordinal patterns: a comparative study | |
| CN103780462A (zh) | 基于高阶累积量和谱特征的卫星通信信号调制识别方法 | |
| CN107231228B (zh) | 混合混沌的低截获通信***设计方法 | |
| CN112364729A (zh) | 基于特征参数与bp神经网络的调制识别方法 | |
| Ahmadi | Using fuzzy clustering and TTSAS algorithm for modulation classification based on constellation diagram | |
| CN106357574A (zh) | 基于顺序统计量的bpsk/qpsk信号调制盲识别方法 | |
| CN112702080B (zh) | 基于K-means算法的直扩信号和伪码估计方法 | |
| CN110705387A (zh) | 一种基于云模型的通信信号特征提取方法及信号识别方法 | |
| CN105656826A (zh) | 基于顺序统计量和机器学习的调制识别方法及*** | |
| Zhang et al. | Efficient residual shrinkage CNN denoiser design for intelligent signal processing: Modulation recognition, detection, and decoding | |
| CN108683622A (zh) | 一种基于信号平方谱平坦系数的调制识别方法 | |
| Wong et al. | Emitter identification using CNN IQ imbalance estimators | |
| Sobolewski et al. | Universal nonhierarchical automatic modulation recognition techniques for distinguishing bandpass modulated waveforms based on signal statistics, cumulant, cyclostationary, multifractal and fourier-wavelet transforms features | |
| Bagga et al. | Automatic modulation classification using statistical features in fading environment | |
| CN108494711B (zh) | 一种基于kl散度的通信信号图域特征提取方法 | |
| Qian et al. | Modulation classification based on cyclic spectral features and neural network | |
| CN109995690B (zh) | Mfsk数字信号子类调制识别的神经网络自优化方法 | |
| Li et al. | Recovery of collided RFID tags with frequency drift on physical layer |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191227 |