官方公众号:52phm,与工业互联网人一起成长

2021-12-14 22:00:52    互联网    666    当前专栏:数字信号处理    分类:算法开发    本站官网:www.52phm.cn   

公众号 ...

学习——信号调制识别(一)

看了《通信信号调制识别技术及其发展》这一论文后,将学习到的知识记录在这篇博客里。

1、通信信号调制识别技术

调制识别问题从本质上来说是一种典型的模式识别问题。其基本框架如图所示:
这里写图片描述
   调制识别由三部分组成:信号预处理、提取特征参数和分类识别。信号预处理部分包括载波同步、频率下变频、噪声抑制以及对信噪比、符号周期、载波频率等参数的估计。特征提取部分是从数据中提取事先定义好的表征信号调制类型的特征,即利用信号处理工具如小波、循环平稳、累积量等提取信号的时域或变换域特征参数。分类识别部分是在特征参数提取的基础上,选择和确定合适的判决规则和识别分类器。

2、通信信号的调制识别方法

从信号检测和模式识别的意义
上来说,调制识别的方法大致可以分为两类:基于似然比判决理论的识别方法和基于统计模式的识别方法。

2.1 基于似然比判决理论的识别方法

基本思想:根据信号的统计特性,依据代价函数最小化原则,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比较,形成判决准则。最后由判决准则确定输出结果,完成通信信号调制方式的分类识别。
   其统计量一般多为 似然比或者平均似然比的最优解或者次优解
  令信号分类集的每种信号对应一个为不同调制方式的信号种类数。然后将接收序列映射到观测空间并计算与统计观测样本对应的概率函数,然后根结果判断信号类型。若用于构造似然函数的观测值 之间独立同分布,则观测序列 的似然函数可表示为:

其对数形式为

最大似然分类器根据计算得到的似然函数值的大小判定信号类型,当满足条件

时,则判定信号为第 种调制信号。。识别方法框图如图2所示。

2.2 基于统计模式的识别方法

基于统计模式的识别方法也称为基于特征提取的调制识别方法。整个调制识别系统由两个子系统组成:特征提取子系统和模式分类子系统。算法的基本流程如图3所示。
这里写图片描述

2.2.1 不同特征提取方法下的模式识别

(1)基于瞬时幅度、频率和相位的调制识别方法
(2)基于星座几何特征的调制识别方法:实质上是将一般的模式识别问题转化为 图形的形状匹配问题
(3)基于时频分析的调制识别方法
(4)基于码元序列的高阶统计量的调制识别方法
(5)基于循环平稳特征的调制识别方法:共信道多信号环境下。
(6)基于分形理论的调制识别方法
(7)基于混沌特征的调制识别方法

2.2.2不同分类准则下的模式识别

常用的分类器结构是决策树(DT)和神经网络(NN)。决策树分类是一种典型的统计分类方法,神经网络分类是一种统计机器学习方法。调制识别中应用最多的神经网络结构是BP网络。

综上所述,基于特征提取的调制识别算法的核心在于提取合适的用于分类的特征量。

3、复杂通信环境下的调制识别技术

3.1 非理想信道下的识别方法

非理想信道包括无线通信的信道传输过程中因受到反射、散射、多径等的影响引起的多径衰落或者由干扰带来的色噪声、脉冲噪声等非高斯噪声。

3.1.1 非高斯噪声下的识别方法

这些噪声具有显著尖峰脉冲状波形和概率密度函数较厚拖尾。Alpha稳定分布模型是描述这类随机信号的一种更有效的噪声模型。
  Alpha稳定分布噪声模型下的调制识别方法主要有两种:(1)将色噪声白化,将其转化为高斯白噪声后再进行下一步处理;(2)利用Alpha稳定分布噪声的特性寻找新的特征进行模式识别。

3.1.2 多径衰落信道下的识别方法

多径衰落信道下的调制识别可以分为三类:(1)对观测数据直接提取对衰落信道鲁棒性较强的特征参数,当前普遍使用循环高阶累积量。(2)通过盲均衡来补偿信道衰落,对恢复后的数据提取特征。(3)利用多天线的空间分集能力来克服多径干扰。

3.2 单通道时频混叠多信号的识别方法

(1)基于信号分离的识别方法,主要应用盲源分离的思想,通过盲分离将问题转化为单信号调制识别。
(2)直接从多信号混合波形变换域中提取分类特征,其关键在于寻找信号明显可分的特征域。表2对常用的单通道混合信号调制识别方法进行了比较。
这里写图片描述

3.3 大动态信噪比下的识别方法

实际应用中信号接收机往往工作在大动态环境下(一般0—20dB),使得接收机工作时的信噪比难以保持稳定,呈现出实时大范围快速变化的特点。
一般大动态信噪比下的主要识别方法就是寻找
噪声鲁棒性强的分类特征,再按照统计模式识别的基本方法来完成识别。

版权声明:遵循 CC 4.0 BY-SA 版权协议
原文链接:https://blog.csdn.net/qq_39516859/article/details/79785535

免责声明:信息来源于互联网聚合整理或者作者原创,非原创文章标示"互联网",原创文章标示"作者昵称",本文仅代表文章作者的个人观点,且文中陈述文字和内容的时效性、真实性与本站无关,请读者仅作参考,如发现有害或侵权内容,请联系我们将在第一时间进行核实处理。


[推荐] 旋转机械故障诊断学基础知识

2021-12-13 14:30:26    互联网    1602    分类:算法开发    专栏:故障诊断   


[推荐] 语音信号的预处理

2022-01-13 16:53:53    互联网    599    分类:算法开发    专栏:语音信号预处理   


[推荐] 【数字信号处理】--数字信号分析与处理基础知识

2022-01-13 17:40:13    互联网    192    分类:算法开发    专栏:数字信号处理   



转发此文章到社区


进群

让志同道合读者学习交流



python机器学习与特征工程理论与代码实现

通过python编程语言实现特征工程功能,本篇特征工程文章较为全面的介绍数据预处理,缺失值处理方法、异常值处理方法、数据无量纲、标准化、归一化,另外还介绍特征选择、特征降维等特征工程知识

2021-12-04 12:12:30    博客笔记    3983    分类:算法开发    专栏:特征工程   


半导体制造过程

半导体制造过程

2021-12-04 23:52:28    博客笔记    1254    分类:边缘感知    专栏:半导体   


机械振动信号13个频域指标

频域统计指标计算公式振动信号频域分析首先需要把信号的时域波形借助离散傅里叶变换转化为频谱信息,公式如下:式中:x(kΔt)x(k\Delta t)x(kΔt)为振动信号的采样值;NNN为采样点数;Δt\Delta tΔt为采样间隔;kkk为时域离散值的序号。求得频谱信息后,可根据频域统计指标公式计算相应的值,公式如下:python程序def get_fre_domain_feeatures(f,y): fre_line_num = len(y) p1 = y.mean()

2021-12-08 09:51:40    互联网    3885    分类:算法开发    专栏:振动信号预处理   


机械振动信号15个时域统计指标

时域统计指标计算公式振动信号原始统计特征分为两类:时域统计特征、频域统计特征。信号的时域特征是通过统计分析信号的各种时域参数、指标的估计或计算得到的,如表所示,分为有量纲参数和无量纲参数两种,其中1-9为有量纲参数和10-15无量纲参数。python程序def get_time_domain_features(data): '''data为一维振动信号''' x_rms = 0 absXbar = 0 x_r = 0 S = 0 K = 0

2021-12-07 23:41:14    互联网    587    分类:算法开发    专栏:振动信号预处理   


数字信号处理期末总复习

DSP期末总复习基于教材:《数字信号处理——原理、实现及应用(第3版)》 高西全等 编著一、基本概念1.1 信号1.2 系统1.3 卷积1.4 差分方程二、傅里叶变换2.1 连续信号:CTFT和CTFS2.2 时域离散信号:DTFT和DTFS2.3 周期信号的傅里叶变换2.4 离散傅里叶变换(DFT)2.5 快速傅里叶变换(FFT)三、Z变换3.1 Z变换3.2 Z变换的性质3.3 逆Z变换3.4 Z变换的应用四、模拟信号数字处理五、滤波器5.1 一些散落的实例5.

2021-12-14 10:44:43    互联网    590    分类:算法开发    专栏:数字信号处理   


深度学习对振动类光谱信息的处理论文笔记

光谱原始数据通常存在伪影,噪声等问题,而预处理步骤可能对准确率造成影响,同时对不同数据的适应性差,神经网络能提供端到端的方法(或者省去某个预处理步骤),因而具有一定前景。数据驱动的深度学习技术可以发现大数据集中复杂的结构,并从数据中提取关键特征。一.综述文章:Deep learning for vibrational spectral analysis: Recent progress and a practical guide(2019)自2017年提出,将深度学习应用于光谱处理这一领域,迄

2021-12-14 22:12:02    互联网    549    分类:论文速递    专栏:未分组   


数字信号处理的主要内容

随着计算机和微电子等学科的飞速发展,数字信号处理的理论、算法和实现方法都获得了快速发展,应用也越来越多。数字信号处理的内容广泛,理论复杂,主要包括以下部分:1、离散时间信号与离散时间系统2、Z变换及离散时间系统分析3、离散时间信号的傅里叶变换4、快速傅里叶变换5、离散时间系统的相位、结构和状态变量描述6、无限冲激响应数字滤波器设计7、有限冲激响应数字滤波器设计8、信

2022-01-13 17:36:49    互联网    225    分类:算法开发    专栏:数字信号处理   


语音信号的数据分析

数据集和代码均已上传到Github中,欢迎大家下载使用。Github地址:https://github.com/JasonZhang156/Sound-Recognition-Tutorial如果这个教程对您有所帮助,请不吝贡献您的小星星Q^Q.数据分析本节针对ESC-10数据集进行基本的数据分析,包括数据样本数,数据类别数,每类声音样本数等信息。并且对每类样本的声音波形,功率谱进...

2022-03-23 22:57:45    互联网    476    分类:算法开发    专栏:语音信号预处理   


基于CNN实现细胞识别分类

本数据集用于检测疟疾的细胞图像,细胞图像分为两类: 一类是感染的细胞,另一类是未感染的细胞目标需求1:要基于卷积神经网络CNN来识别哪些细胞已经感染、哪些细胞还未感染 目标需求2:可视化模型随着迭代次数的训练集与测试集损失值的变化情况 目标需求3:可视化模型随着迭代次数的训练集与测试集准确率的变化情况

2022-03-31 21:45:25    博客笔记    919    分类:算法开发    专栏:未分组   


故障诊断之基于振动信号的阶比谱分析

故障诊断之基于振动信号的阶比谱分析

2022-05-31 11:08:40    互联网    1284    分类:算法开发    专栏:振动信号预处理