單載波信號與OFDM信號調(diào)制識別研究.pdf

1、隨著現(xiàn)代通信技術的快速發(fā)展，通信信號的調(diào)制樣式變得越來越復雜多樣，頻譜資源越來越緊張，信號環(huán)境越來越復雜，這就使得通信信號的調(diào)制識別顯得尤為迫切和重要，成為軍民領域十分重要的研究課題。
　　 通信信號的調(diào)制識別方法有很多種，在單載波信號調(diào)制識別方面，現(xiàn)有的識別方法所提取的特征值往往很容易受到噪聲的干擾，識別率低下;在正交頻分復用(Orthogonal Frequency Division Multiplexing，OFDM)信號

2、調(diào)制識別方面，現(xiàn)有技術通常計算量大，復雜度高，識別率低。
　　 針對通信信號調(diào)制識別受信噪比(Signal to Noise Ratio，SNR)影響大的問題，計算量大，分類器訓練困難問題以及多徑衰落信道下OFDM信號調(diào)制識別難題，本文作了如下工作:
　　 1.研究了一種基于小波分解的通信信號調(diào)制識別算法。一般情況下噪聲為高頻信息，而待識別的通信信號經(jīng)過預處理后為低頻信息，對預處理后的信號進行一定尺度下的小波分解能得到包

3、含較少噪聲的細節(jié)信息，根據(jù)這一特點，本文將小波分解理論與調(diào)制信號的瞬時特征、高階累積量以及分形理論相結合，提取出對噪聲不敏感的信號特征參數(shù)，有效提高了信號的正確識別率。
　　 2.研究了一種基于粒子群支持向量機(PSO-SVM)的通信信號調(diào)制識別方法。粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)是一種具有全局尋優(yōu)算法，支持向量機(Support Vector Machine，SVM)能較好地解

4、決分類問題中的非線性、小樣本、維數(shù)災難和局部極小點等問題。本文把PSO和SVM結合起來，將SVM的未知參數(shù)，即懲罰系數(shù)C及徑向基(RBF)核的寬度系數(shù)γ設為相應粒子的位置向量X，從而達到優(yōu)化SVM參數(shù)的目的，較好地解決了通信信號調(diào)制識別方法中計算量大，分類器訓練困難的問題。
　　 3.研究了基于循環(huán)自相關的多徑衰落信道下OFDM信號的盲識別問題。根據(jù)通信信號的循環(huán)平穩(wěn)性，提出一種基于循環(huán)自相關的多徑衰落信道下OFDM調(diào)制識別算法

5、。通過對多徑衰落信道下具有循環(huán)前綴的OFDM信號循環(huán)自相關特性的數(shù)學推導，驗證了在一定延時處，OFDM信號的循環(huán)自相關會出現(xiàn)峰值而單載波信號無此峰值，據(jù)此特性可以實現(xiàn)多徑衰落信道下OFDM信號和單載波信號的調(diào)制識別。該算法消除了如符號時間估計，載波估計，波形恢復，信噪比估計等預處理過程，計算復雜度低，識別率較高。理論分析及仿真結果均驗證了該算法的正確性與有效性。
　　 論文對上述各種方法在理論分析的基礎上都進行了MATLAB仿真