基于软件无线电的调制识别算法研究

《基于软件无线电的调制识别算法研究》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于软件无线电的调制识别算法研究WenSu,ZhiyongLei,HanshanLi长春科技大学电子信息工程学院摘要：为了解决调制标准问题中软件无线电自动识别过程复杂、识别率低这个问题，决策树技术被提出。在研究了数字信号特征的特点和特征参数的特点选后，我们需要选择合适的树状结构，在每节点确定特征参数并选择合适的判决门限。它对结果有一个很大的影响通过分析不同命令下参数的比较，然后我们得到最好的决策树。使用决策树对2ASK，4ASK，2PSK，4PSK，8PSK，2FSK，4FSK信号选定为识别,得

2、到了识别率在信噪比低于10dB的条件下超过85%。关键词：软件无线电，自动识别，数字调制信号，决策树1.引言软件无线电由于开放性、灵活、多样性的特点，一直是通信领域的一个热点。软件无线电技术的特点决定了接收方需在同一平台识别其制度和内部变化。环境的多标准和多频带变化为接收方带来许多的困难。通信信号的自动识别多标准问题已经进行了展望。接收和识别信号和自动改变它们以适应解调模块是软件无线电的关键性工作。现在，互联网上已经有了很多通信信号的调制和识别方法。在工程应用中，我们如何能达到通信信号的自动识别

3、具有非常重要的意义。本文针对通信信号的自动识别，通过拦截和捕获信号获得一个新的通信信号的调制和识别方法。现在的重点是在通信调制和识别研究过程中低信噪比条件下实现通信信号的自动调制和识别。2.软件无线电调制技术原则软件无线电技术采用标准和高性能的高速公路，强调开放全面的可编程系统性能。它能通过升级软件改变硬件配置来实现扩展性能。从图1我们可以看到理想的软件无线电的成分。图1理想软件无线电结构模型软件无线电是由天线、前端无线电频率、带宽(A/D-D/A)交换器、通用和专用DSP和其他软件组成。软件无

4、线电由三部分组成：无线电频率低通数字采样形式,无线电频率带通数字采样形式和宽带带通数字采样形式。无线电频率低通数字采样形式的软件无线电还没实现，因为它需要高性能实现A/D变换和DSP。第二部分首先采用电交换过滤器得到窄带信号，然后根据必要的管理通过带通取样。无线电频带通数字样本形式仍然需要高要求来为A/D带宽工作。第三个形式采用重复混合频率，就像中频数字接收机形式。这些部分的主要特点是它需要更广泛的中频带宽，所有的解调通过软件实现。第三个形式是最简单的，仅需要最低性能的设备。所以我们选择第三种。

5、过去，通信信号的无线电通讯方式使用预同意标准，使得系统保密性和抗干扰能力并不高，具有多功能，多标准广播特性发软件无线电，进行接收识别和自动变化到相应的模块进行解调成为软件无线电技术必须完成的工作。从前取决于人工识别方法，但是识别效率低，可以将信号类型也是有限的。目前，调制识别技术为通信信号一般分为两大类：一、基于判断理论的方法，利用概率理论为理论知识的基础，根据信号的统计特性通过计算、统计等，与适当的门限值进行比较，从而得到结果。二、基于统计理论的识别方法。首先从接收信号中提取其他特征参数之间的

6、差异，然后根据提取的特征争论参数确定信号调制系统。由于该方法的统计识别不需要一定的假设，信号可以达到自我识别，更适合于拦截信号处理，所以本课题的实际选择调制识别的统计模式识别的方法来鉴别通信信号。统计模式识别方法。这种方法通常包括两部分，一部分是特征提取，它的功能是从提取的预先定义的特征中接收数据，也降低了模型表明多维度。另一个是模式识别，它的功能是要引导信号调制。一般来说，完成调制识别由四部分组成：信号采集、预处理、特征模型、信号识别，如图2所示。图2基于模式识别的调制方式识别流程由于该方法不

7、要求有一定的假设，信号可以达到自我识别，更适合截获信号处理，所以实际调制识别，使用这种方法。3.自动识别3.1调制识别的一般过程尽管通信信号调制识别方法是多种多样的,调制识别的问题，事实上调制识别问题是一个典型的模式识别问题，一般过程如图3所示图3识别过程信号预处理的主要作用是为下列过程提供适当的数据；特征提取部分是从信号序列中提取的调制识别的有用信息；分类和识别部分的主要功能是确定信号调制类型的关系。特征提取部分从输入信号序列后进行，从而调制识别有用的信息。3.2识别方法的选择目前，有很多方法

8、调制的模式识别，如：使用参数分布直方图，决策理论，使用高阶统计实现信号识别，神经网络分类器，类似于似然原理的方法。参数直方图方法是相对简单的，但只有在高信噪比的情况下才能得到更好的识别效果。高阶统计方法更适合于在较低的信噪比情况下的信号识别，但是这个方法需要精确的载波频率的先验条件。人工神经网络模式识别、神经网络分类技术不但具有较强的模式识别能力，而且还具有良好的稳定性、有效性、较高的识别率，但培训和学习的时间比较长。计算工作是巨大的，实时性很差。决策树。利用分类树，一个复杂的多级分类问题可以转