论文部分内容阅读
对于接收到的信号,在正确的识别信号的调制方式和调制参数的前提下,才能完成信号解调和其他的通信任务。因此,调制信号的自动识别非常重要。本文基于已有的单节点调制识别算法,结合信息融合算法,对协作调制识别算法进行改进,以期达到衰落信道下系统有更好的识别性能。为减小无线通信环境中存在的深衰落、阴影效应和隐藏节点等问题对调制识别结果的影响,本文提出一种新的节点间协作的识别方法,实现对2ASK,4ASK,8ASK,2PSK,QPSK,8PSK,2FSK,4FSK,8FSK,16QAM,32QAM,64QAM和OFDM 13种调制方式正确识别。相互协作的节点提取不同类的特征参数,它们分别是瞬时特征参数,小波分解细节系数与高阶累积量相结合的特征参数和信号倒谱系数特征参数,它们可以从不同角度表征目标信号,每个节点将特征参数输入到已训练好的BP神经网络进行测试,然后将神经网络的输出直接作为证据送往融合中心进行融合,融合规则采用一种改进的D-S证据理论组合规则。仿真结果表明,将不同类特征参数结合,采用改进D-S证据理论进行融合的方法不仅可以提高系统平均识别性能,还可增加可识别信号的种类。提出了基于相关性分簇的两级融合调制识别算法。该算法采用db3小波对BPSK,2FSK,2ASK,QPSK,4FSK,以及4ASK六种待识别信号进行7层分解,提取各层小波系数,重构各层信号并计算各层信号的平均方差S,得到S1-S8八种参数;同时引入σap、c2、σdp、M四种特征参数。基于接收信号能量的相关性对节点进行分簇,簇内节点根据接收信噪比的大小提取不同参数进行协作,每个节点只提取一种特征参数,送往簇头,在簇头处进行初级特征融合,簇头将初级判决结果送至汇聚中心,在汇聚中心进行决策级融合。仿真结果表明,与随机成簇相比,本文算法的性能有较大的提高,平均识别率在-15dB时达到了82.50%。对基于最大似然的协作调制识别算法进行了研究。从似然函数表达式中的概率密度函数出发,给出四个简化近似概率密度函数:Tikhonov概率密度函数、L阶傅立叶系数近似概率密度函数、Gauss-Legendre有限积分近似概率密度函数、Gauss-Hermite半无限积分近似概率密度函数,计算四种近似概率密度函数与精确概率密度函数间的Kullback-Leibler距离,用来量化它们与精确概率密度函数的相近程度。论文给出了基于最大似然的协作调制识别算法,其中似然函数中的概率密度函数采用与准确概率密度函数最接近的Gauss-Hennite半无限积分近似概率密度函数。仿真结果表明,与单传感器识别性能相比,3个传感器的协作调制识别性能提高1dB,10个传感器的协作识别系统的性能提高3dB。