watterson模型下的信号自动调制识别算法

《watterson模型下的信号自动调制识别算法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、Watterson模型下的信号自动调制识别算法本文针对慢衰落信道中信号调制方式自动识别的问题，提出了一种基于特征矢量的判决方法。通过提取4大类共9种特征参数，最终通过这些参数构成特征矢量实现了基于、Morse码、2FSK、BPSK、QPSK、OQPSK、8PSK、16QAM、32QAM等常见的信号。针对上述信号的自动调制识别问题，本文改进了基于判决树分类器的分类策略，采用特征统计的方法，提取了基于信号循环平稳特性的平方谱和四次方谱中某些特征谱线、瞬时频率概率峰值个数、单频分量和R参数的方差等4大类共9种特征参数，由这些参数构成判

2、决特征矢量，最终实现了较低信噪比下上述9种信号的调制方式自动识别。2.信号和Morse码都会出现一个很明显的单频分量，而调频类信号和幅相类信号在载频位置没有单频分量。（4）R参数及其方差　　　　调相类信号属于恒包络信号，R参数较小，而幅相类信号属于非恒包络信号，R参数较大；相比于AM信号，Morse电码时有时无，其R参数的方差必然很大，因此R参数的方差可用于区分两类信号。4.2特征矢量判决　　传统的决策树又称判决树，是一种类似于二分树或多叉树的树结构。树中每一个非叶节点对应于训练样本集中一个非类别属性的测试，非叶节点的每一个分支

3、对应属性的一个测试结果，每个叶子节点代表一个类。但是这种判决树存在很大的缺点，就是当出现一种的新的调制方式时，必须重新设计判决树，使得工作量大增。究其原因，主要是因为提取的特征参数较少，每一个叶子节点必须对应于相应的类，而且每一个信号只是计算某些特征参数，这就大大限制了判决树的设计与应用。　　针对上述缺点，本文提出了一种改进的基于判决矢量的判决策略，增大了判决树的分支数，使得每一个叶子节点并不一定都是一类调制方式。当出现新的调制方式时，就可以通过在原有判决树的基础上或者再增加若干特征参数而后进行分类，方便了信号分类集的增大或者缩

4、小。5.算法仿真结果　　对经过、Morse码、2FSK、BPSK、QPSK、OQPSK、8PSK、16QAM、32QAM共9类信号，使用Labvies，多普勒扩展为0Hz，路径增益为1，；路径2时延为1.5ms，多普勒扩展为0.1Hz，路径增益为1，多普勒频移为1Hz。传输的信号调制规格为：AM调制指数为0.8，模拟信号采用一段音频信号；2FSK、BPSK、QPSK、OQPSK、8PSK、16QAM、32QAM信号采用1000个基带数据符号，滚降系数为0.35的升余弦滤波器，码元速率为1000Hz，载波频率为1500Hz，采样率

5、为16000Hz。　　通过算法仿真得到了上述9种信号正确识别概率随信号信噪比变化的曲线图。从图7中可以看出，在信噪比大于10dB时，信号的正确识别概率均达到了90%以上，可见本文提出的调制识别算法达到了较好的分类效果。6.结束语　　本文研究了在多径效应、多普勒频移以及多普勒扩展影响下通信信号调制方式自动识别算法，仿真产生了IL,2005.[5]ClarkC..Spooner,andJ.H.Reed,"Cyclostationaryapproachestosignaldetectionandclassificationincogn

6、itiveradio,"inProc.IEEEDynamicSpectrumAccessNets.,2007,pp.212-215.[7].Spooner,"Thecumulanttheoryofcyclostationarytime-series,partI:Foundation,"IEEETransactionsonsignalprocessing,vol.42,NO.12,pp.3387-3408,December1994.[8]崔伟亮.复杂电磁背景下信号截获与分类.郑州：解放军信息工程大学硕士学位论文,2007.p.26

7、-28.