信号识别小结

信号识别

1. 特征参数法

思路：根据瞬时幅度，瞬时相位，瞬时频率特征参数的差异进行识别 优点：计算量小，简单

缺点：受信噪比影响大

2. 功率谱方法

思路：经典功率谱估计有直接法，间接法

直接法：PPER w =N XN W 2

优点：简单，快速

缺点：当数据N 太大时，谱曲线起伏加剧，N 太小时，谱分辨率不好。 1间接法：P PER '=M M -1k =02j N 1∑x (k)e -jwk

优点：采用分段取平均值方法使方差性能得到改善。

缺点：方差性能的改善是以牺牲偏差和分辨率为代价的。

3. 基于小波变换（衍生的方法）

思路：1. 对信号进行小波变换，提取变化后时域的包络方差与均值平方之比作为

特征参数

2. 提取频域频率，幅度，相位，功率谱密度等特征

3. 时域频域相结合

优点：克服傅里叶变换的不足，对瞬时信息具有较强的检测能力

缺点：小波变换的方法对于类间识别效果还不是很理想, 如对2PSK 和4PSK 的

识别, 单独用该方法还不能达到很好的分类效果, 必须与其它方法结合 使用。

4. 高阶累积量方法

思路：计算二阶、四阶、六阶、八阶累积量，并通过归一化、平方等变换寻找差异进行区分

优点：对噪声不敏感

缺点：对载波和码元同步要求较高

5. 人工智能识别方法

思路：利用专家系统、人工神经网络、模糊推理、Agent 理论、遗传算法等人工

智能方法形成经验与知识的推理规则

优点：不依赖数据库的先验知识，分析灵活，自我学习

缺点：容易漏检、误判

6. 基于支持向量机的信号识别

思路：通过优化算法函数（结构风险最小化原理，粒子群优化，模糊数学，粗集

理论），模型建立（一对一或一对多）和参数的而选择（带宽、均值、峰值点，归一化瞬时幅度等）进行信号的识别

优点：善于解决高维分类问题，识别准确率高

缺点：复杂度高，理论算法还不够完善

通信信号调制方式识别方法综述

1.AWGN 条件下的基本识别方法

1.1基于统计模式的调制识别方法

特征参数：信号谱特征，信号平方谱的谱峰数，谱功率，瞬时值统计特征，星座

点间的Hellinger 距离，高阶累积量、小波变换降噪，分形集维数

优 点：理论分析简单；高信噪比时特征易于提取、适用类型多、识别性能好；

在预处理精度较差、先验知识较少的非合作通信环境下仍具有较好的

识别性能。

缺 点：算法识别体系繁杂；理论基础不完善；算法效率低。

1.2基于决策论的调试识别方法

主要算法：似然比检验法（LRT ），最大似然比检验（MLRT ），平均似然比检验（ALRT ），

广义似然比检验（GLRT ），混合似然比检验（HLRT ），类似然比算法。

优 点：理论基础完备；在低信噪比环境下能够保证较好的性能。 缺 点：算法复杂，计算量大；适用性差；识别条件严格。

2. 非理想信道的调制识别（非高斯即存在信号衰落，多径效应，色噪声等）

2.1基于决策论的调制识别方法：GLRT 算法，qHLRT 算法，qHLRT-UB 算法

2.2基于统计模式的调制识别方法：循环累计特征矢量，四阶累积量，六阶累积

量

3. 共信道多信号的调制识别（一个信道内存在多个时频混叠的信号）

3.1基于信号分离的识别方法：拟合法；经验模态分解法；独立分量分解法

3.2基于提取特征参数的方法：基于信号的周期谱特征完成重叠信号调试识别；

基于小波变换利用Haar 脊线构建识别特征参量

的方法；

基于循环谱，循环累积量特性的识别方法；

基于AR 、GAR 模型提取特征参量的识别方法；

基于压缩感知与高阶循环累计量的识别方法。

经典功率谱估计有直接法和间接法两种, 直接法又称周期图法, 它是把随机信号y(k)的N 点观察数据yN(k)视为一能量有限信号, 直接取yN(k)的傅里叶变换, 得到XN(ejω), 然后再取其幅值的平方, 并除以N, 作为对y(k)真实的功率谱P(ejω)

的估计。以 PPER(ejω) 表示周期图法估计出的功率谱, 即: PPER(ω)=1N XN(ω) 2 (1)

由于yN(k)可以用FFT 快速计算, 所以此方法成了谱估计中的一个常用的方法。但是直接法估计出的谱 PPER(ω) 性能不好, 当数据长度N 太大时, 谱曲线起伏加剧;N 太小时, 谱的分辨率又不好, 因此需要加以改进。

间接法是对直接法的一种改进, 又称之为周期图的平滑。对其改进的另一种方法是所谓平均法, 它的指导思想是把一长度为N 的数据yN(k)分为L 段, 分别求每一段的功率谱, 然后加以平均。最常用的是Bartlett 法, 以及Bartlett 法的改进Welch 法。Bart-lett 法中, 将信号yN(k)在时间[1,N- 1]上分成L 段, 每段的长度都是M, 即N= LM,第i 段数据加矩形窗后, 变为:

yiN(k)= yN[ n+(i- 1)M] di[ n+(i- 1)M],0≤ n≤ M- 1,1≤ i≤ L

(2)式中di(n)是长度为M 的矩形窗口。分别计算每一段的功率谱, 即 PiPER=1M ∑M- 1K= 0xjN(k)e- jwk 2,0≤ i≤ L (3)信号分段越多, 方差越小[5]。但方差性能的改善是以牺牲偏差和分辨率为代价的。每段数据长度的选择主要取决于所需的分辨率

小波变换（wavelet transform，WT ）是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间（空间）频率的局部化分析，通过伸缩平移运算对信号（函数) 逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier 变换的困难问题，成为继Fourier 变换以来在科学方法上的重大突破。