检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

使用小波变换的MPSK信号调制类型识别

电路与系统学报 2006年第3期11卷 130-134页

作者：胡建伟汤建龙杨绍全西安电子科技大学电子工程学院陕西西安710071

信号的数字调制类型识别在电子战、电子侦察和威胁告警等领域有广泛的应用前景。本文对小波变换应用于MPSK信号的调制类型识别进行了研究,并提出了一种基于小波变换的提取MPSK信号相位信息的方法。通过对相位信息进行统计处理,可以有效... 详细信息

信号的数字调制类型识别在电子战、电子侦察和威胁告警等领域有广泛的应用前景。本文对小波变换应用于MPSK信号的调制类型识别进行了研究,并提出了一种基于小波变换的提取MPSK信号相位信息的方法。通过对相位信息进行统计处理,可以有效地识别MPSK信号的调制类型。计算机仿真结果表明本文所述方法的有效性和正确性。

关键词：调制类型识别小波变换相位信息

在线全文

学校读者我要写书评

暂无评论

多特征联合的雷达脉冲重复间隔调制类型识别

现代防御技术 2024年

作者：刘峻臣严波赵春雷周文忠中国船舶集团有限公司第七二四研究所

针对现有雷达脉冲重复间隔（Pulse Repetition Interval，PRI）调制类型识别准确率不高、受脉冲丢失与虚假脉冲影响较大和对判定门限设置敏感等问题，提出一种多特征联合的雷达PRI调制类型识别方法。首先利用密度聚类的思想去除无关脉... 详细信息

针对现有雷达脉冲重复间隔（Pulse Repetition Interval，PRI）调制类型识别准确率不高、受脉冲丢失与虚假脉冲影响较大和对判定门限设置敏感等问题，提出一种多特征联合的雷达PRI调制类型识别方法。首先利用密度聚类的思想去除无关脉冲，实现脉冲序列的预处理，降低脉冲丢失和虚假脉冲对脉冲序列规律的影响，再利用统计方法分别求取信号时间差的稳定性特征、二阶差分变化特征、连续性特征以及脉冲对匹配特征，最后利用随机森林对提取特征进行训练与测试。仿真结果表明，该方法对PRI调制类型的识别准确率高，并且有较好的抗脉冲丢失与抗虚假脉冲的能力。

关键词：脉冲重复间隔脉冲丢失虚假脉冲脉冲对匹配调制类型识别随机森林

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于脉冲神经网络的雷达辐射源调制类型识别

电讯技术 2022年第1期62卷 11-16页

作者：李伟朱卫纲朱霸坤航天工程大学研究生院北京101416 航天工程大学电子与光学工程系北京101416

面对日益复杂的电磁环境和层出不穷的新体制雷达,基于人工方式提取雷达辐射源特征难以满足现代认知电子战的需求。为提升雷达辐射源识别的智能化水平,提出一种新的基于脉冲神经网络(Spiking Neuron Network,SNN)进行雷达辐射源调制类型... 详细信息

面对日益复杂的电磁环境和层出不穷的新体制雷达,基于人工方式提取雷达辐射源特征难以满足现代认知电子战的需求。为提升雷达辐射源识别的智能化水平,提出一种新的基于脉冲神经网络(Spiking Neuron Network,SNN)进行雷达辐射源调制类型识别的算法。首先利用时频分析的方法,将5种常见雷达时域信号转换为二维灰度图,使用高斯调谐曲线编码器将输入数据转化为脉冲发放时刻,然后传入由Tempotron组成的脉冲神经网络进行识别。仿真实验结果表明脉冲神经网络具有优良的检测精度,功耗较低,验证了该方法的有效性。

关键词：认知电子战辐射源识别调制类型识别脉冲神经网络 Tempotron神经元

在线全文

学校读者我要写书评

暂无评论

基于信噪比分级的信号调制类型识别

计算机科学 2020年第S1期47卷 310-317页

作者：陈晋音蒋焘郑海斌浙江工业大学信息工程学院杭州310000

无线电调制类型识别广泛应用于军民的各个领域,相比人工识别和频谱分析法等传统方法,基于深度学习的信号调制类型识别方法取得了较好性能,但仍存在识别准确率低的问题。文中提出了一种基于长短时记忆网络(LSTM)模型的信号调制类型识别方... 详细信息

无线电调制类型识别广泛应用于军民的各个领域,相比人工识别和频谱分析法等传统方法,基于深度学习的信号调制类型识别方法取得了较好性能,但仍存在识别准确率低的问题。文中提出了一种基于长短时记忆网络(LSTM)模型的信号调制类型识别方法,将深度学习分类方法与信噪比分级相结合,设计了一种基于深度学习的信噪比分级调制类型识别框架。通过准确分类高低信噪比信号,并采用不同的降噪处理来提高低信噪比信号调制类型识别的准确率。通过机器学习方法对2016.4C信号数据集进行调制类型识别的准确率为21%,通过深度学习模型对2016.4C信号数据集进行不降噪、分级降噪、全部降噪3个调制类型识别对比实验,识别准确率分别为69.82%,70.50%,66.67%,有效验证了所提方法对提高低信噪比信号调制类型识别准确率的可行性与优越性。

关键词：信噪比分级调制类型识别深度学习长短期记忆网络

基于多域特征联合的雷达信号调制类型识别方法研究

在线全文

学校读者我要写书评

暂无评论

基于多域特征联合的雷达信号调制类型识别方法研究

作者：任叶涵电子科技大学

学位级别：硕士

电子侦察作为电子战中的重要一环,能够获取对方的雷达频谱特征,是争取电磁情报主动权和控制权的有力保障。为了能更好地利用截获的对方雷达信号进行辐射源个体识别,除了需要对常规脉冲描述字进行估计以外,还必须提取对方雷达信号的脉内... 详细信息

电子侦察作为电子战中的重要一环,能够获取对方的雷达频谱特征,是争取电磁情报主动权和控制权的有力保障。为了能更好地利用截获的对方雷达信号进行辐射源个体识别,除了需要对常规脉冲描述字进行估计以外,还必须提取对方雷达信号的脉内特征,进而识别雷达信号的调制类型。本文围绕高脉冲密度情况下交叠雷达信号调制类型识别难题,研究了基于多域特征联合和卷积神经网络的信号识别方法及网络轻量化方法。主要研究工作如下:(1)针对复杂电磁环境下雷达信号脉内特征提取难题,提出了一种雷达信号多域联合特征提取方法,通过对信号进行多特征域变换,加强对信号的描述能力;设计了信号高维特征提取残差网络,利用注意力机制,能够从多类的调制信号中自动学习到更深层次的特征表达,为后续雷达信号调制类型识别奠定基础。(2)针对雷达信号单域特征多样性不足的问题,提出了多域特征融合识别方法,通过SE模块建模四个不同域之间的相关性,充分发挥各域特性的优势;综合获取信号多域特征中可以区分类别的信息,并映射到样本标记空间,实现了交叠雷达信号调制类型识别。(3)针对多域特征联合的雷达信号调制类型识别网络复杂度高的问题,研究了网络轻量化的方法,通过衡量信号识别网络通道重要性,裁剪不重要的特征通道,在识别准确率损失较少的前提下,压缩网络模型,实现了多域特征联合的雷达信号调制类型识别网络的轻量化。通过仿真实验,验证了上述方法的有效性和鲁棒性,能够实现雷达信号调制类型识别的目标。

关键词：雷达信号调制类型识别多域特征联合卷积神经网络网络轻量化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的通信信号调制类型识别研究

基于深度学习的通信信号调制类型识别研究

作者：田得雨西安电子科技大学

学位级别：硕士

调制类型识别是通信系统中接收端完成基带信号解调的必备技术。传统的调制类型识别方法需要将调制类型信息随信号一同发送,这样会降低信道带宽利用率和数据吞吐量。自动调制分类技术(AMC)无需发送调制类型信息,接收端可自动判断信号的... 详细信息

调制类型识别是通信系统中接收端完成基带信号解调的必备技术。传统的调制类型识别方法需要将调制类型信息随信号一同发送,这样会降低信道带宽利用率和数据吞吐量。自动调制分类技术(AMC)无需发送调制类型信息,接收端可自动判断信号的调制类型,提高了数据传输率。因此,AMC技术在民用无线电监测以及军用电子对抗、电子侦查等领域具有重要的应用价值。论文利用信号星座图,根据接收到的符号样本在星座图上的分布情况,计算生成通信信号特征图像。利用计算成像,将调制类型的识别问题转化为图像分类的问题。论文构建了深度卷积神经网络,利用基带已调信号特征图对网络进行了训练,使卷积神经网络能够实现信号调制类型的自动识别。论文的创新在于:首先,提出了一种高效的特征图像生成算法,在保留图像原始信息的同时缩短了计算成像的时间;其次,论文提出了一种多尺度特征调制信号分类网络,通过将不同尺度的特征图相关联,融合了不同尺度的特征信息,提高网络对信号调制类型的识别率。仿真结果表明,论文提出的特征图像生成算法相比于其他三种算法具有更高的识别准确率和更低的计算复杂度,提出的多尺度特征分类网络在相同数据集下识别准确率高于其他三种网络结构。

关键词：调制类型识别信号星座图多尺度特征卷积神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

α稳定分布噪声下通信信号调制类型识别

α稳定分布噪声下通信信号调制类型识别

作者：金相君（Kim Xiangjun）西安电子科技大学

学位级别：硕士

通信信号调制类型识别作为电子战中的关键技术,在电子侦察领域有着重要应用。在目前的许多文献中所涉及的调制类型识别算法都假设噪声环境服从高斯分布,但是相比较而言,非高斯分布广泛存在于各种自然噪声、电磁噪声等实际通信环境中。... 详细信息

通信信号调制类型识别作为电子战中的关键技术,在电子侦察领域有着重要应用。在目前的许多文献中所涉及的调制类型识别算法都假设噪声环境服从高斯分布,但是相比较而言,非高斯分布广泛存在于各种自然噪声、电磁噪声等实际通信环境中。研究发现,α稳定分布具有概率分布上的稳定性和尖峰脉冲的特性,它能够准确描述实际通信环境中噪声存在的统计特性。因此,非高斯分布的噪声通常被建模为α稳定分布模型。因为电子侦察环境的多变性,无线通信信道环境也具有更加复杂的噪声构成,这也导致很多高斯噪声下的传统调制类型识别算法逐渐退化,甚至失效。因而,研究α稳定分布噪声环境下通信信号调制类型识别技术,具有较强的实际价值和重要的理论意义。本文的主要针对的现存问题以及对应研究内容如下:首先,现有大多数识别方法对信号的调制类型考虑不全面,不能有效解决从频率、幅度、相位调制的多角度、多进制信号调制类型同时存在时的识别问题,本文采用分类识别架构实现了M-FSK,M-ASK,M-PSK,M-QAM和M-APSK五大类信号(具体包括14种数字调制类型)的调制类型识别。分数低阶循环谱(FLOCS)的截面图对频率调制信号具有优良的区分度,而幅相调制类信号的增强星座图具有显著的特征。因此,本文首先利用截面图分辨出频率调制信号,然后利用增强星座图识别幅相调制类信号。其次,针对深层维度特征量人工提取复杂度高且对信号特征信息表示不全面的问题,本文将FLOCS截面图、增强星座图以及IQ数据直接输入到卷积神经网络(CNN)中,利用CNN自动学习信号特征,避免了人工提取特征带来的误差。采用FLOCS的截面图和增强星座图来辅助CNN训练学习,可以减小网络复杂度并且降低网络训练难度。同时,IQ数据为网络提供了最完备的特征信息。然后,鉴于α稳定分布噪声环境下信号识别率低的问题。本文采用CNN作为分类器,通过单通道CNN网络自动提取FLOCS截面图特征,分类出频率调制信号;然后将IQ数据和增强星座图输入双通道CNN网络,通过特征联合识别出幅相调制信号。在广义信噪比高于-4 d B时,基于FLOCS截面图的单通道CNN网络对M-FSK类调制信号的识别率可达到99%以上;而基于IQ数据和增强星座图的双通道CNN网络在广义信噪比接近20 d B时可全部正确分类识别M-ASK,M-PSK,M-QAM和MAPSK类调制信号。最后,根据以上研究内容,本文将基于分数低阶循环谱以及星座图的特征与CNN相结合,形成了一种适用于α稳定分布噪声下的通信信号调制类型分类识别算法。

关键词： α稳定分布调制类型识别分数低阶循环谱星座图卷积神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

半监督学习调制类型识别方法研究

半监督学习调制类型识别方法研究

作者：都毅西安电子科技大学

学位级别：硕士

在传统的有监督深度学习中,学习器对大量有标记的训练样本进行学习,从而建立模型并用于推测新样本的标记。然而目前在电磁空间中,调制信号的有标记样本数量严重不足。虽然随着数据收集与存储技术的飞速发展,获取大量未标记的样本已相当... 详细信息

在传统的有监督深度学习中,学习器对大量有标记的训练样本进行学习,从而建立模型并用于推测新样本的标记。然而目前在电磁空间中,调制信号的有标记样本数量严重不足。虽然随着数据收集与存储技术的飞速发展,获取大量未标记的样本已相当容易,但得到大量有标记的样本仍较为困难,这是由于对未标记样本进行完整标注需要耗费大量的资源与时间。显然,如果学习器只使用少量的有标记样本进行训练,那么最终得到的模型很难具有优秀的分析能力;另一方面,如果仅使用少量“昂贵的”有标记样本而不利用大量“廉价的”未标记样本,则是对数据资源极大的浪费。与此同时,深度学习在电磁空间中的调制类型识别方面也存在着很大的上升空间:首先,虽然深度神经网络已在诸多领域中取得了成功,但在调制类型识别领域还未诞生与之相对应的专有模型;其次,当今世界的电磁空间十分复杂多变,因此深度网络无法做到“一劳永逸”,需要根据监测环境中调制信号类型的变化重新训练,以保持模型的可信度,但是这种做法明显存在着耗费资源、时效性不足等问题。综合上述背景分析,本论文需要开展的核心任务是:深入分析调制信号数据在深度学习领域中区别于其他数据类型的独有性质,并在此基础上寻找在有标记样本数量不足条件下提高调制类型识别性能的突破口,对适用于半监督学习场景的调制类型识别的创新方法进行研究与设计。本论文的主要工作和创新如下:首先,以当前深度学习领域的前沿理论——表示学习为依据,分析得出了类型相同、阶数不同的调制信号之间存在潜在泛化能力的结论;随后使用高阶调制信号卷积分类网络的部分结构作为特征提取器,借助降维可视化方法在仿真实验中获得了各类型高阶与低阶调制信号基本分离的特征簇,由此验证了上述结论的正确性。之后在此基础上引入基于密度的聚类方法,以同类调制信号内高阶类型标记充足、低阶类型标记不足的半监督学习环境作为实验条件,设计了高信噪比下的一种半监督调制类型识别方法并在仿真实验中表现出良好的性能。随后,针对密度聚类方法在信噪比较低时特征簇间隔较小、簇内调制类型纯度不足时判决结果置信度下降以及单一类型存在多簇等问题,将密度聚类方法改进为基于图的半监督学习方法,设计了一种创新的半监督调制类型识别组合模型,摆脱了对于信噪比和簇内类型纯度的要求,并进一步实现了调制类型识别的自动化。同时分析了图半监督学习中关键参数的实际意义和设置方法,并给出了相关仿真。最后,通过仿真实验将本文设计的半监督组合识别模型与标记完备条件、标记非完备条件以及标记非完备时配合类别平衡方法的监督学习的调制类型识别性能进行了比较,证实了该模型在应对部分样本标记缺失场景时的正确分类概率高于后二者,且为最接近样本标记完整条件下监督学习性能的方法,由此体现了本模型是一种具备可行性与先进性的半监督学习调制类型识别方法。

关键词：调制类型识别半监督学习表示学习卷积神经网络基于图的半监督学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的通信信号调制类型识别

基于深度学习的通信信号调制类型识别

作者：黄杰电子科技大学

学位级别：硕士

通信信号调制类型识别是一种通过接收到的无线通信信号来确定其调制方式的技术,在民用和军事通信领域都有广泛应用。传统的调制类型识别方法主要有基于最大似然的方法和基于特征提取的方法,前者依赖精确的信道模型参数,算法复杂度高;后... 详细信息

通信信号调制类型识别是一种通过接收到的无线通信信号来确定其调制方式的技术,在民用和军事通信领域都有广泛应用。传统的调制类型识别方法主要有基于最大似然的方法和基于特征提取的方法,前者依赖精确的信道模型参数,算法复杂度高;后者依赖专家精心设计的特征,在实际应用中难以保证识别性能。近年来,随着深度学习在机器视觉和自然语言处理领域的成熟运用,基于深度学习的调制类型识别方法受到了越来越多的关注,并表现出了比传统方法更佳的性能优势。本文针对基于深度学习的通信信号调制类型识别,展开了以下研究:1.通信信号可能处于静音期或信号序列长度较短,这会导致在调制识别过程中出现误判或混淆等问题。针对这一问题,提出一种特征金字塔网络和长短期记忆网络并联的多通道特征融合网络(Multi-channel Feature Fusion,MFF)。首先对通信信号数据进行预处理,获取信号的幅度和相位及分数阶傅里叶变化的结果;然后用特征金字塔网络提取信号的深层和浅层特征,用长短期记忆网络提取信号的时间和空间特征;最后将两个网络提取的特征进行融合,利用获得的信号整体特征进行调制类型识别。实验结果表明;所提网络在一定程度上能够解决WBFM(Wide Band Frequency Modulation)信号的误判问题和MQAM(Multiple Quadrature Amplitude Modulation)信号的混淆问题;与经典神经网络相比,所提网络具有更高的识别率。2.针对实际通信信号样本少容易导致神经网络过拟合、识别性能差等问题,提出一种基于孪生卷积长短期深度神经网络(Siamese Convolutional Long Short-term Deep Neural Network,SCLDNN)的调制类型识别方法。该方法将相同长度和表征的原始序列信号送入孪生网络输入端,通过卷积长短期深度神经网络进行特征提取并共享权值,利用欧式距离进行度量,并采用最近邻分类器实现多信号的调制类型识别。实验结果表明;与经典神经网络和生成对抗网络相比,所提网络具有更优的识别性能。3.当实际数据与训练数据不同时,一般的神经网络模型需要重新训练数据,这会导致训练时间成本很高。针对这一问题,研究一种微调理论与中心损失代价函数联合的迁移方法。该方法将多通道特征融合网络作为基础网络,在预训练之后冻结网络主体权值,修改全连接层使用中心损失代价函数进行二次训练。实验结果表明;所研究方法能有效降低二次训练的收敛轮数,从而减少网络训练的时间;与域适应迁移方法相比,所研究方法具有更好的识别性能。

关键词：调制类型识别深度学习特征融合孪生网络迁移方法