信號(hào)調(diào)制識(shí)別循環(huán)譜特征量相關(guān)系數(shù)RBF神經(jīng)網(wǎng)絡(luò)論文

1、多徑信道下多體制信號(hào)調(diào)制識(shí)別【摘要】 隨著通信技術(shù)的飛速發(fā)展,通信信號(hào)的體制和調(diào)制方式日益多樣化,通信環(huán)境也日趨復(fù)雜,這樣就使得通信信號(hào)的調(diào)制識(shí)別變的更加困難。目前已有的方法中大多都是基于通信環(huán)境為理想條件、高斯白噪聲干擾或多徑干擾影響小的情況下提出的。至今在低信噪比,多徑干擾強(qiáng)的環(huán)境下的調(diào)制識(shí)別技術(shù)仍然是該領(lǐng)域的熱點(diǎn)和難點(diǎn)。在高斯白噪聲多徑信道下本文提出了一種基于信號(hào)循環(huán)譜的調(diào)制識(shí)別方法。該方法首先在循環(huán)譜域設(shè)置了一個(gè)經(jīng)驗(yàn)門限減小噪聲對(duì)特征量的影響,再利用信號(hào)循環(huán)譜的性質(zhì),通過(guò)求解循環(huán)譜的某些頻率和循環(huán)頻率下的相關(guān)系數(shù)值來(lái)作為特征量來(lái)克服多徑干擾,共提取了六種抗多徑干擾特征量。理論分析和仿真

2、實(shí)驗(yàn)均說(shuō)明了這些特征量能夠消除多徑信道參數(shù)的影響,是一種有效的、穩(wěn)定的信號(hào)調(diào)制識(shí)別特征量。最后本文又提出了一種改進(jìn)的遺傳算法來(lái)對(duì)數(shù)字信號(hào)調(diào)制識(shí)別的特征集進(jìn)行擇優(yōu)選取,從提取出的六個(gè)特征量中篩選出最適合待識(shí)別信號(hào)集的特征量組合。該方法利用了選擇和淘汰所引起的優(yōu)秀種群大小變化來(lái)自適應(yīng)地調(diào)節(jié)交叉概率和變異概率,從而選取待識(shí)別信號(hào)的最優(yōu)特征量組合。最后通過(guò)門限硬判決樹分類器和RBF神經(jīng)網(wǎng)分類器進(jìn)行識(shí)別,結(jié)果表明了該方法在多徑信道,低信噪比條件.更多還原【Abstract】 With the rapid development of the communication technology, the s

3、ystem of communication signal and the modulation mode are becoming increasingly diversified, and the communication environment tends to be complex. That also made communication signals modulation recognition become more difficult than ever. Now most of methods of modulation recognition are based on

4、the ideal condition, gaussian white noise interference or the small forward of multipath interference. So far, under the condition of l.更多還原 【關(guān)鍵詞】 信號(hào)調(diào)制識(shí)別； 循環(huán)譜； 特征量； 相關(guān)系數(shù)； RBF神經(jīng)網(wǎng)絡(luò)； 【Key words】 Signal Modulation identification； Circulation Spectrum； Characteristic； Correlation coefficient； RBF neural

5、network； 【索購(gòu)全文】Q聯(lián)系Q：138113721 Q聯(lián)系Q: 139938848付費(fèi)即發(fā)目錄摘要 3-4 Abstract 4 第一章 緒論 7-13 1.1 課題研究背景及意義 7-8 1.2 國(guó)內(nèi)外發(fā)展背景及現(xiàn)狀 8-10 1.3 本文選用循環(huán)譜原因 10-11 1.4 本文研究?jī)?nèi)容及章節(jié)安排 11-13 第二章 循環(huán)譜相關(guān)理論 13-25 2.1 引言 13 2.2 循環(huán)譜理論及定義 13-16 2.2.1 譜相關(guān)函數(shù)定義 13-14 2.2.2 循環(huán)譜密度函數(shù) 14-15 2.2.3 循環(huán)譜密度函數(shù)估計(jì)算法 15-16 2.3 單載波數(shù)字信號(hào)循環(huán)譜分析 16-21 2.3.1

6、 BPSK信號(hào)循環(huán)譜分析 16-17 2.3.2 QPSK信號(hào)循環(huán)譜分析 17-18 2.3.3 MQAM信號(hào)循環(huán)譜分析 18-19 2.3.4 FSK信號(hào)循環(huán)譜分析 19-20 2.3.5 MSK信號(hào)循環(huán)譜分析 20-21 2.4 多載波OFDM信號(hào)循環(huán)譜分析 21-24 2.4.1 OFDM調(diào)制原理 21-23 2.4.2 基于OFDM的DVB-T信號(hào)循環(huán)譜 23-24 2.5 小結(jié) 24-25 第三章 新特征參數(shù)提取及性能分析 25-39 3.1 引言 25-26 3.2 多徑信道下新的特征值分析 26-32 3.3 特征量性能仿真分析 32-38 3.3.1 仿真分析環(huán)境 32 3.3.2 特征量特性分析 32-33 3.3.3 多徑信道對(duì)特征量影響測(cè)試 33-34 3.3.4 采樣點(diǎn)數(shù)長(zhǎng)度對(duì)特征量影響測(cè)試 34-38 3.4 小結(jié) 38-39 第四章 基于改進(jìn)遺傳算法特征集選取及調(diào)制識(shí)別仿真 39-51 4.1 引言 39 4.2 基于改進(jìn)的遺傳算法的特征值篩選 39-40 4.3 信號(hào)調(diào)制識(shí)別步驟 40-41 4.4 基于判決樹的分類器識(shí)別方法 41-44 4.4.1 基于門限硬判決的判決樹調(diào)制識(shí)別 41-44 4.4.2 仿真結(jié)果及分析 44 4.5 基于RBF神經(jīng)