信號調制識別循環(huán)譜特征量相關系數RBF神經網絡論文

1、多徑信道下多體制信號調制識別【摘要】 隨著通信技術的飛速發(fā)展,通信信號的體制和調制方式日益多樣化,通信環(huán)境也日趨復雜,這樣就使得通信信號的調制識別變的更加困難。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,多徑干擾強的環(huán)境下的調制識別技術仍然是該領域的熱點和難點。在高斯白噪聲多徑信道下本文提出了一種基于信號循環(huán)譜的調制識別方法。該方法首先在循環(huán)譜域設置了一個經驗門限減小噪聲對特征量的影響,再利用信號循環(huán)譜的性質,通過求解循環(huán)譜的某些頻率和循環(huán)頻率下的相關系數值來作為特征量來克服多徑干擾,共提取了六種抗多徑干擾特征量。理論分析和仿真

2、實驗均說明了這些特征量能夠消除多徑信道參數的影響,是一種有效的、穩(wěn)定的信號調制識別特征量。最后本文又提出了一種改進的遺傳算法來對數字信號調制識別的特征集進行擇優(yōu)選取,從提取出的六個特征量中篩選出最適合待識別信號集的特征量組合。該方法利用了選擇和淘汰所引起的優(yōu)秀種群大小變化來自適應地調節(jié)交叉概率和變異概率,從而選取待識別信號的最優(yōu)特征量組合。最后通過門限硬判決樹分類器和RBF神經網分類器進行識別,結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 【關鍵詞】 信號調制識別； 循環(huán)譜； 特征量； 相關系數； RBF神經網絡； 【Key words】 Signal Modulation identification； Circulation Spectrum； Characteristic； Correlation coefficient； RBF neural

5、network； 【索購全文】Q聯(lián)系Q：138113721 Q聯(lián)系Q: 139938848付費即發(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 國內外發(fā)展背景及現狀 8-10 1.3 本文選用循環(huán)譜原因 10-11 1.4 本文研究內容及章節(jié)安排 11-13 第二章 循環(huán)譜相關理論 13-25 2.1 引言 13 2.2 循環(huán)譜理論及定義 13-16 2.2.1 譜相關函數定義 13-14 2.2.2 循環(huán)譜密度函數 14-15 2.2.3 循環(huán)譜密度函數估計算法 15-16 2.3 單載波數字信號循環(huán)譜分析 16-21 2.3.1

6、 BPSK信號循環(huán)譜分析 16-17 2.3.2 QPSK信號循環(huán)譜分析 17-18 2.3.3 MQAM信號循環(huán)譜分析 18-19 2.3.4 FSK信號循環(huán)譜分析 19-20 2.3.5 MSK信號循環(huán)譜分析 20-21 2.4 多載波OFDM信號循環(huán)譜分析 21-24 2.4.1 OFDM調制原理 21-23 2.4.2 基于OFDM的DVB-T信號循環(huán)譜 23-24 2.5 小結 24-25 第三章 新特征參數提取及性能分析 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 多徑信道對特征量影響測試 33-34 3.3.4 采樣點數長度對特征量影響測試 34-38 3.4 小結 38-39 第四章 基于改進遺傳算法特征集選取及調制識別仿真 39-51 4.1 引言 39 4.2 基于改進的遺傳算法的特征值篩選 39-40 4.3 信號調制識別步驟 40-41 4.4 基于判決樹的分類器識別方法 41-44 4.4.1 基于門限硬判決的判決樹調制識別 41-44 4.4.2 仿真結果及分析 44 4.5 基于RBF神經