基于压缩感知mfsk信号解调方法研究

《基于压缩感知mfsk信号解调方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要近几年出现的压缩感知理论不同于传统的奈奎斯特采样定理，该理论是一种能够使用少量采样值来实现稀疏信号高概率恢复的数据采集、编解码理论。压缩感知理论广泛应用于数据压缩、模拟／信息转换、信道编码、信道估计等领域，本文是在压缩感知理论的基础上，对在局部傅里叶基下有良好稀疏特性的MFSK信号的解调问题展开研究。论文介绍了有关信号稀疏性和可压缩性的概念，这也是雎缩感知理论首要研究的问题。论文研究了压缩感知理论的基本原理、观测矩阵的设计以及重构算法的理论，介绍了信号调制样式识别理论，重点论述了基于决策树理论的判别方法。论文详细阐

2、述了运用压缩感知理论对MFSK信号进行解调的方法，其中将基于不同稀疏程度的SCD解调算法性能与传统的相干解调、非相干解调算法性能进行比较，结果表明，压缩感知理论应用于MFSK信号解调时的SCD解调算法的性能优于非相干解调算法的性能，略逊于相干解调算法的性能，但是在达到相同的误码率时，其所需数据量远远低于相干解调算法所需的数据量。压缩感知理论为在压缩域以比传统算法小得多的数据量对信号解调提供了理论基础，该理论将把信号采样方法带到一个新的高度，具有广阔的应用前景。关键词：压缩感知解调稀疏性和可压缩性决策树SCD算法Abst

3、ractCompressedSensingaSadatacollectionandcodinganddecodingtheorywhichappearedinrecentyearsisdifferentfromtheNyquist’Ssamplingtheory,whichhasbeingusedinthepastyears，anditCanreconstructsparsesignalfromfewsampleswithhighprobability．Ithasbeenusedinmanyfieldssuchasth

4、edatacompression，theAIC．thechannelcodingandthechannelestimation．Inthisthesis，thedemodulationofMFSKsignalwhichhasgoodsparsityinthelocalFouriermatrixisresearchedbasedonCompressedSensing．Theconceptsofthesparsityandthecompressibilityofasignalareintroducedinthisthesi

5、s，whicharethefundamentalissuesofCompressedSensing．AndthebasicprinciplesofCompressedSensing，thedesignofthemeasurementmatrixandthetheoryoftherestructuringalgorithmarealsostudied．Thentheconceptoftherecognitionofthetypeofasignalmodulation，especiallythetheoryofthedec

6、ision-makingtreeareintroduced．ThedemodulationofMFSKsignalbasedonCompressedSensingisshowedinthisthesis，andtheSCDdemodulationperformance，thecoherentdemodulationperformanceandthenoncoherentdemodulationperformancearemade．ResultsshowtheSCDdemodulationisbetterthanthen

7、oncoherentmethod，worsethanthecoherentmethod．However，whenachievingthesameBERperformance，thedatasizetheSCDdemodulationneedsiSfarleSSthanthatofthecoherentdemodulation．ThefundamentalbasisforthedemodulationwithfewdatasizeincompresseddomainisprovidedbyCompressedSensin

8、g．Itwillbringthemethodofsignalsamplingtoanewlevel，andithasbroadprospects．Keywords：CompressedSensingDemodulationSparsityAndCompressibilityDecision．makingTreeSCDDemodul