学位论文 > 优秀研究生学位论文题录展示

数字通信信号调制识别研究

作　者: 刘爱声
导　师: 朱琦
学　校: 南京邮电大学
专　业: 通信与信息系统
关键词: 调制识别特征提取神经网络聚类支持向量机
分类号: TN914.3
类　型: 硕士论文
年　份: 2012年
下　载: 43次
引　用: 0次
阅　读: 论文下载

内容摘要

信号的自动调制识别技术,就是指在没有任何先验知识或者是在先验知识很少,在信道存在噪声及干扰的条件下,通过对接收到的通信信号进行分析和处理,判断出信号采用的调制方式,从而为进一步处理信号提供依据。能够快速、有效的监视并识别接收到的调制信号,在军事和民用领域都有着重要的作用。由于通信技术的飞速发展,新的调制方式不断出现,加上复杂的信号传输环境,决定了通信信号的调制识别仍然是一项颇具挑战性的研究课题。论文主要研究了基于特征参数提取的模式识别方法来进行数字通信信号的调制识别。聚类是数据挖掘中的一个重要手段,能够较好的处理复杂的非线性分类问题。论文基于聚类算法,提出了基于聚类和神经网络的联合调制识别算法。针对几种典型的基于星座图的调制方式PSK/QAM,首先利用模糊C-均值聚类(FCM),重建接收信号的星座图,然后通过构造有效性评估函数,分别得到在不同聚类中心数时能够反映调制类型显著差异的有效性函数值,作为输入神经网络分类器的特征参数。为了克服标准BP算法收敛速度慢且容易陷入局部极小点等缺点,本文采用改进的变梯度Polak-Ribiere修正算法对神经网络进行训练,以提高收敛速度和网络识别性能。由于单独采用聚类可以实现基于星座图调制方式的识别,因此本文提出的联合调制识别算法也可以看作是对聚类算法的一种改进。仿真结果表明,与单独采用聚类相比,在高斯白噪声信道下本文所设计方法的系统调制识别率明显提高。支持向量机是基于统计学习理论而发展起来的一种模式识别方法,从理论上实现了对不同类别的最优分类。论文给出了一种基于聚类和支持向量机的联合调制识别算法,实现调制方式的自动识别,同样可以改进聚类算法在低信噪比时调制识别率低的缺点。该方法首先利用K-均值聚类算法,重建接收信号的星座图,然后通过构造有效性评估函数,分别得到在不同聚类中心数时能够反映调制类型显著差异的有效性函数值,作为输入支持向量机的特征参数。为了克服支持向量机识别多类问题时,常用的一对余类及一对一类两种算法计算复杂度高的缺点,本文采用分级的算法对支持向量机进行训练。最后利用训练好的支持向量机分类器,识别出信号的调制方式,以提高系统对接收信号的调制识别率。与单独采用聚类算法相比,该方法能够提高系统的调制识别率,尤其是在接收信号的信噪比较低时,调制信号的识别率明显提高。随着传感器网络的兴起,分布式检测,估计及识别算法的优越性受到了越来越多的关注。论文给出了一种在无线传感器网络中多个传感器节点分布式协作识别数字调制信号的方法。为了克服低信噪比时单接收节点调制识别率低的缺点,实现对MASK,MFSK,BPSK,QPSK以及OFDM这几种典型调制方式的正确识别,首先利用网络中相互协作的多个传感器,从提高网络识别性能出发,在每个传感器节点能耗最小的前提下,根据接收信噪比的大小设计有效的协作方案,得到反映调制类型显著差异的特征参数的新组合,然后利用径向基神经网络对数字调制信号进行识别,并就不同的网络条件,给出了不同的协作方案。仿真结果表明,与单节点调制识别相比,本文设计的调制识别方法在衰落信道中具有更高的识别率,并且节点系统更灵活可靠。

全文目录

摘要  4-6
Abstract  6-8
缩略语  8-11
第一章绪论  11-16
  1.1 引言  11-12
  1.2 调制识别方法概述  12-14
    1.2.1 基于假设检验的最大似然方法  12-13
    1.2.2 基于特征提取的模式识别方法  13-14
    1.2.3 两种调制识别方法的比较  14
  1.3 本文的结构及内容概要  14-16
第二章基于特征参数提取的调制识别算法  16-23
  2.1 基于特征参数提取的调制识别算法流程  16
  2.2 数字调制信号的产生  16-19
  2.3 调制信号特征参数的提取  19-20
  2.4 分类器的设计  20-21
  2.5 国内外研究现状  21-22
  2.6 本章小结  22-23
第三章基于聚类与神经网络的联合调制识别算法  23-38
  3.1 聚类算法  23-24
  3.2 人工神经网络  24
  3.3 基于聚类与神经网络的联合调制识别算法  24-34
    3.3.1 基于模糊C-均值聚类的特征参数的提取  25-31
    3.3.2 基于神经网络的分类器的设计  31-34
  3.4 仿真与性能分析  34-37
    3.4.1 模糊C-均值聚类算法识别率  35-36
    3.4.2 基于聚类与神经网络的联合调制识别算法识别率  36-37
  3.5 本章小结  37-38
第四章基于聚类与SVM 的联合调制识别算法  38-53
  4.1 支持向量机  38-39
  4.2 基于聚类与SVM 的联合调制识别算法  39-49
    4.2.1 基于K-均值聚类的特征参数提取  40-46
    4.2.2 基于SVM 的分类器的设计  46-49
  4.3 仿真与性能分析  49-52
    4.3.1 K-均值聚类算法识别率  49-50
    4.3.2 基于聚类与神经网络的联合调制识别算法识别率  50-52
  4.4 本章小结  52-53
第五章基于神经网络的协作调制识别算法  53-69
  5.1 无线传感器网络的信息融合  53-55
  5.2 基于神经网络的多传感器节点协作调制识别算法  55-64
    5.2.1 分布式协作特征参数的提取  56-62
    5.2.2 神经网络分类器的设计  62-64
  5.3 仿真与性能分析  64-67
    5.3.1 基于神经网络的非协作调制识别算法  65-66
    5.3.2 基于神经网络的协作调制识别算法  66-67
  5.4 本章小结  67-69
第六章结束语  69-71
  6.1 全文总结  69-70
  6.2 未来的研究工作  70-71
致谢  71-72
参考文献  72-75
攻读硕士学位期间发表的论文及参加的项目  75

数字通信信号调制识别研究

内容摘要

全文目录

相似论文