梁 曄, 郝 潔, 石 蕊

(1. 蘭州城市學(xué)院 電子與信息工程學(xué)院, 蘭州 730070; 2. 西北民族大學(xué) 電氣工程學(xué)院, 蘭州 730030)

在數(shù)字信號(hào)應(yīng)用過程中, 信號(hào)的調(diào)制解調(diào)技術(shù)十分關(guān)鍵, 在數(shù)字信號(hào)進(jìn)行解調(diào)時(shí), 首先要知道數(shù)字信號(hào)的調(diào)制方式, 因此數(shù)字信號(hào)調(diào)制方式自動(dòng)、 快速準(zhǔn)確識(shí)別的研究受到廣泛關(guān)注[1-6].

數(shù)字信號(hào)調(diào)制方式的識(shí)別最初采用人工方式實(shí)現(xiàn), 首先通過具有相關(guān)知識(shí)的專業(yè)人員設(shè)置不同類型的解調(diào)器, 然后對(duì)接收到的數(shù)字信號(hào)進(jìn)行變頻處理, 將變頻后的信號(hào)輸入到解調(diào)器中, 最后結(jié)合自己的知識(shí)、 波形以及聲音得到數(shù)字信號(hào)調(diào)制方式. 該方法由于需要人工參與, 自動(dòng)化程度低, 同時(shí)數(shù)字信號(hào)調(diào)制方式識(shí)別結(jié)果與專業(yè)人員自身知識(shí)密切相關(guān), 導(dǎo)致數(shù)字信號(hào)調(diào)制方式識(shí)別正確率較低, 而且數(shù)字信號(hào)調(diào)制方式識(shí)別時(shí)間長, 無法滿足數(shù)字信號(hào)發(fā)展的要求[7-8]. 隨著數(shù)字信號(hào)和信息處理技術(shù)的不斷完善, 目前已有許多新的數(shù)字信號(hào)調(diào)制方式自動(dòng)識(shí)別方法, 如: 基于混沌理論的數(shù)字信號(hào)調(diào)制方式識(shí)別方法, 對(duì)數(shù)字信號(hào)進(jìn)行混沌分析, 通過模式識(shí)別技術(shù)實(shí)現(xiàn)數(shù)字信號(hào)調(diào)制方式識(shí)別； 基于星座圖的數(shù)字信號(hào)調(diào)制方式識(shí)別方法； 基于小波分析的數(shù)字信號(hào)調(diào)制方式識(shí)別方法; 基于高階累積量的數(shù)字信號(hào)調(diào)制方式識(shí)別方法等. 這些方法在數(shù)字信號(hào)的信噪比較高時(shí), 可獲得較理想的數(shù)字信號(hào)調(diào)制方式識(shí)別結(jié)果[9-11], 但當(dāng)信噪比減小時(shí), 數(shù)字信號(hào)調(diào)制方式識(shí)別正確率急劇下降[12-13]. 文獻(xiàn)[14-16]提出了基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)字信號(hào)調(diào)制方式識(shí)別方法, 由于BP神經(jīng)網(wǎng)絡(luò)屬于智能學(xué)習(xí)算法, 可對(duì)數(shù)字信號(hào)調(diào)制方式進(jìn)行自動(dòng)分類, 提高了數(shù)字信號(hào)調(diào)制方式的識(shí)別正確率, 但BP神經(jīng)網(wǎng)絡(luò)自身存在易陷入局部極小值等缺陷, 會(huì)對(duì)數(shù)字信號(hào)調(diào)制方式識(shí)別產(chǎn)生不利影響. 小波神經(jīng)網(wǎng)絡(luò)是小波理論和神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物, 比其他神經(jīng)網(wǎng)絡(luò)具有更優(yōu)的自組織、 自學(xué)習(xí)和容錯(cuò)能力, 為數(shù)字信號(hào)調(diào)制方式識(shí)別的建模提供了一種新工具.

針對(duì)目前數(shù)字信號(hào)調(diào)制方式識(shí)別方法存在正確率低等缺陷, 本文提出一種基于小波神經(jīng)網(wǎng)絡(luò)的數(shù)字信號(hào)調(diào)制方式識(shí)別方法. 首先從數(shù)字信號(hào)中提取調(diào)制方式識(shí)別的特征, 然后采用小波神經(jīng)網(wǎng)絡(luò)建立數(shù)字信號(hào)調(diào)制方式識(shí)別的分類器, 最后在MATLAB2016平臺(tái)上實(shí)現(xiàn)數(shù)字信號(hào)調(diào)制方式識(shí)別的仿真測試. 實(shí)驗(yàn)結(jié)果驗(yàn)證了小波神經(jīng)網(wǎng)絡(luò)數(shù)字信號(hào)調(diào)制方式識(shí)別的有效性和優(yōu)越性.

1 小波神經(jīng)網(wǎng)絡(luò)的數(shù)字信號(hào)調(diào)制方式識(shí)別流程

圖1 數(shù)字信號(hào)調(diào)制方式的識(shí)別流程Fig.1 Identification process of digital signal modulation mode

基于小波神經(jīng)網(wǎng)絡(luò)的數(shù)字信號(hào)調(diào)制方式識(shí)別方法工作流程可分為如下3個(gè)階段：

1) 采集數(shù)字信號(hào), 并對(duì)信號(hào)進(jìn)行預(yù)處理, 主要為信號(hào)的消噪處理;

2) 提取數(shù)字信號(hào)調(diào)制方式識(shí)別的特征參數(shù);

3) 設(shè)計(jì)數(shù)字信號(hào)調(diào)制方式識(shí)別的分類器.

基于小波神經(jīng)網(wǎng)絡(luò)的數(shù)字信號(hào)調(diào)制方式識(shí)別流程如圖1所示.

2 基于小波神經(jīng)網(wǎng)絡(luò)的數(shù)字信號(hào)調(diào)制方式識(shí)別方法設(shè)計(jì)

2.1 數(shù)字信號(hào)的預(yù)處理

設(shè)包含有噪聲的數(shù)字信號(hào)為x(t)=s(t)+n(t), 其中s(t)和n(t)分別表示原始信號(hào)和噪聲, 對(duì)x(t)進(jìn)行變換可得

wx(j,k)=ws(j,k)+wn(j,k),j=0,1,…,J;k=0,1,…,N,

(1)

其中:wm(j,k)(m=x,s,n)表示第j層上的不同信號(hào)變換系數(shù)；J表示分解層數(shù)；N表示信號(hào)大小.

(2)

其中sgn( )表示符號(hào)函數(shù).

2.2 提取數(shù)字信號(hào)的特征參數(shù)

目前數(shù)字信號(hào)調(diào)制方式識(shí)別特征參數(shù)較多, 由于信號(hào)瞬時(shí)信息可更好描述數(shù)字信號(hào)調(diào)制方式的類型, 因此提取信號(hào)瞬時(shí)信息的6個(gè)特征參數(shù):

1) 數(shù)字信號(hào)幅度的標(biāo)準(zhǔn)差和均值分別為σa和ua,Rσa為兩者的比值, 計(jì)算公式為

(3)

2) 數(shù)字信號(hào)的相位標(biāo)準(zhǔn)差和均值分別為σp和up, 其比值為Rσp, 計(jì)算公式為

(4)

3)A表示數(shù)字信號(hào)的零中心歸一化瞬時(shí)幅度, 平均值M2的計(jì)算公式為

(5)

4)Af表示數(shù)字信號(hào)的零中心歸一化瞬時(shí)頻率,

其中,af表示信號(hào)的瞬時(shí)頻率; 均值MF1計(jì)算公式為

(6)

(7)

6)Af的相位為Ap, 均值MP1計(jì)算公式為

(8)

2.3 粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)

2.3.1 粒子群優(yōu)化算法 設(shè)粒子的位置和速度分別為Xi和Vi, 在解空間中, 粒子的位置更新通過不斷跟蹤自身最優(yōu)解Pbest=(pi1,pi2,…,piD)和群體最優(yōu)解Gbest=(pg1,pg2,…,pgD)實(shí)現(xiàn), 計(jì)算公式為

Vid=ω×Vid+c1×rand( )×(Pbest-xid)+c2×rand( )×(Gbest-xid),

(9)

Xid=Xid+Vid,

(10)

圖2 小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of wavelet neural network

其中: rand( )表示隨機(jī)數(shù);d表示維數(shù);c1和c2表示加速系數(shù)；ω表示權(quán)值.

2.3.2 小波神經(jīng)網(wǎng)絡(luò) 本文采用小波基函數(shù)代替隱含層激活函數(shù)產(chǎn)生小波神經(jīng)網(wǎng)絡(luò), 通過小波神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)字信號(hào)調(diào)制方式進(jìn)行學(xué)習(xí), 建立數(shù)字信號(hào)調(diào)制方式的分類器, 數(shù)字信號(hào)調(diào)制方式識(shí)別的小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示.

小波函數(shù)可定義為

(11)

小波神經(jīng)網(wǎng)絡(luò)的隱含層第j個(gè)神經(jīng)元的輸入和輸出分別為

(12)

其中：ωij表示輸入層與隱含層間的連接權(quán)值；θj(k)表示隱含層的閾值. 小波神經(jīng)網(wǎng)絡(luò)的輸出層第j個(gè)神經(jīng)元的輸入和輸出分別為

(14)

(15)

(16)

小波神經(jīng)網(wǎng)絡(luò)的數(shù)字信號(hào)調(diào)制方式識(shí)別步驟如下:

1) 采集數(shù)字信號(hào), 并通過閾值法去除數(shù)字信號(hào)中的噪聲;

2) 從去除噪聲的數(shù)字信號(hào)中提取信號(hào)瞬時(shí)信息的6個(gè)特征參數(shù), 并做歸一化處理

(17)

3) 根據(jù)信號(hào)瞬時(shí)信息的6個(gè)特征參數(shù)確定小波神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu), 并初始化小波神經(jīng)網(wǎng)絡(luò)相關(guān)參數(shù);

4) 確定粒子群的適應(yīng)度函數(shù), 將數(shù)字信號(hào)調(diào)制方式識(shí)別平均誤差作為粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)參數(shù)的適應(yīng)函數(shù)值, 公式為

(18)

其中:di和tk分別表示數(shù)字信號(hào)調(diào)制方式識(shí)別類型和實(shí)際的數(shù)字信號(hào)調(diào)制方式;m表示小波神經(jīng)網(wǎng)絡(luò)的輸出節(jié)點(diǎn)數(shù)量；n表示數(shù)字信號(hào)調(diào)制方式的訓(xùn)練樣本數(shù)量;

5) 將數(shù)字信號(hào)調(diào)制方式識(shí)別的訓(xùn)練樣本輸入到小波神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí), 并通過粒子群優(yōu)化算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值;

6) 根據(jù)新的粒子群適應(yīng)度值對(duì)當(dāng)前數(shù)字信號(hào)調(diào)制方式識(shí)別分類器參數(shù)最優(yōu)解進(jìn)行不斷更新;

7) 當(dāng)找到數(shù)字信號(hào)調(diào)制方式識(shí)別分類器參數(shù)的最優(yōu)解時(shí), 粒子群算法尋優(yōu)結(jié)束;

8) 小波神經(jīng)網(wǎng)絡(luò)根據(jù)最優(yōu)權(quán)值和閾值對(duì)數(shù)字信號(hào)調(diào)制方式識(shí)別的訓(xùn)練樣本進(jìn)行重新學(xué)習(xí), 建立最優(yōu)的數(shù)字信號(hào)調(diào)制方式識(shí)別分類器;

9) 將待測試的數(shù)字信號(hào)調(diào)制方式識(shí)別樣本輸入到分類器中進(jìn)行學(xué)習(xí), 并輸出該數(shù)字信號(hào)調(diào)制方式的類型.

3 仿真測試

3.1 測試環(huán)境

為了分析小波神經(jīng)網(wǎng)絡(luò)的數(shù)字信號(hào)調(diào)制方式識(shí)別效果, 選擇常用的7種數(shù)字調(diào)制信號(hào)作為測試對(duì)象, 仿真測試平臺(tái)為MATLAB2016. 實(shí)驗(yàn)仿真參數(shù)設(shè)置如下: 載頻為150 kHz, 采樣頻率為1 200 kHz, 碼元速率為12 500 b/s, 采樣點(diǎn)數(shù)為10 000; 神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)為6, 神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)為13, 神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)數(shù)為7; 粒子群優(yōu)化算法迭代次數(shù)為100, 粒子群優(yōu)化算法的粒子數(shù)為20, 粒子群優(yōu)化算法的權(quán)值為0.95.

3.2 結(jié)果與分析

在數(shù)字信號(hào)的信噪比分別為0和20 dB條件下, 對(duì)7種不同類型的數(shù)字信號(hào)調(diào)制方式識(shí)別, 每種信號(hào)采集的樣本數(shù)量均為20, 其中15個(gè)樣本數(shù)量作為訓(xùn)練樣本集, 用于建立數(shù)字信號(hào)調(diào)制方式識(shí)別的分類器, 剩余5個(gè)樣本作為測試樣本集, 采用基本小波神經(jīng)網(wǎng)絡(luò)和粒子群優(yōu)化算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行學(xué)習(xí)和測試, 統(tǒng)計(jì)數(shù)字信號(hào)調(diào)制方式識(shí)別的最優(yōu)目標(biāo)函數(shù)值, 得到了基本小波神經(jīng)網(wǎng)絡(luò)和粒子群優(yōu)化算法優(yōu)化神經(jīng)網(wǎng)絡(luò)最優(yōu)解對(duì)應(yīng)的目標(biāo)函數(shù)值變化曲線如圖3所示. 由圖3可見, 無論數(shù)字信號(hào)的信噪比為0或20 dB, 粒子群優(yōu)化算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的最優(yōu)適應(yīng)度值均優(yōu)于小波神經(jīng)網(wǎng)絡(luò), 且加快了找到最優(yōu)適應(yīng)度值的速度, 表明采用粒子群優(yōu)化算法搜索小波神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值可改善小波神經(jīng)網(wǎng)絡(luò)的性能.

圖3 不同信噪比條件下的適應(yīng)度值變化曲線Fig.3 Change curves of fitness value under different signal-to-noise ratios

當(dāng)數(shù)字信號(hào)的信噪比為0～ 20 dB時(shí), 采用本文數(shù)字信號(hào)調(diào)制方式識(shí)別方法對(duì)7種信號(hào)進(jìn)行分類識(shí)別, 每種數(shù)字信號(hào)調(diào)制方式識(shí)別率列于表1. 由表1可見, 數(shù)字信號(hào)的信噪比越高, 數(shù)字信號(hào)調(diào)制方式識(shí)別率越高, 表明本文對(duì)原始數(shù)字信號(hào)進(jìn)行去噪可獲得高質(zhì)量的數(shù)字信號(hào), 能改善數(shù)字信號(hào)調(diào)制方式識(shí)別結(jié)果, 同時(shí)對(duì)于所有數(shù)字信號(hào)調(diào)制方式, 本文方法的平均識(shí)別均達(dá)90%以上, 識(shí)別率可滿足數(shù)字信號(hào)處理應(yīng)用85%的要求, 說明本文的數(shù)字信號(hào)調(diào)制方式識(shí)別方法是一種有效的、 結(jié)果可靠的識(shí)別方法.

表1 不同信噪比下的數(shù)字信號(hào)調(diào)制方式識(shí)別率(%)

為表明本文提出的數(shù)字信號(hào)調(diào)制方式識(shí)別方法的優(yōu)越性, 選擇文獻(xiàn)[17-18]中經(jīng)典數(shù)字信號(hào)調(diào)制方式識(shí)別方法進(jìn)行對(duì)比測試, 在相同的實(shí)驗(yàn)環(huán)境下, 數(shù)字信號(hào)的信噪比為0～ 20 dB時(shí), 所有方法均進(jìn)行10次獨(dú)立的仿真實(shí)驗(yàn), 統(tǒng)計(jì)其數(shù)字信號(hào)調(diào)制方式平均識(shí)別率和平均識(shí)別時(shí)間, 對(duì)比實(shí)驗(yàn)結(jié)果如圖4所示.

圖4 與經(jīng)典數(shù)字信號(hào)調(diào)制方式識(shí)別方法的性能對(duì)比Fig.4 Performance comparisons with classical methods of digital signal modulation recognition methods

由圖4可見:

1) 在相同數(shù)字信號(hào)信噪比的條件下, 本文方法的數(shù)字信號(hào)調(diào)制方式平均識(shí)別率均高于文獻(xiàn)[17]和文獻(xiàn)[18]的數(shù)字信號(hào)調(diào)制方式識(shí)別方法, 這是由于本文算法通過小波神經(jīng)網(wǎng)絡(luò)建立了性能較優(yōu)的數(shù)字信號(hào)調(diào)制方式識(shí)別分類器, 克服了當(dāng)前數(shù)字信號(hào)調(diào)制方式識(shí)別方法錯(cuò)誤率大、 對(duì)噪聲魯棒性差等缺陷, 同時(shí)通過粒子群優(yōu)化算法對(duì)小波神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值進(jìn)行在線優(yōu)化, 明顯減少了數(shù)字信號(hào)調(diào)制方式識(shí)別誤差, 提高了數(shù)字信號(hào)調(diào)制方式識(shí)別率;

2) 在相同實(shí)驗(yàn)環(huán)境下, 本文方法的數(shù)字信號(hào)調(diào)制方式平均識(shí)別時(shí)間明顯減少, 這是因?yàn)楸疚姆椒▽?duì)原始數(shù)字信號(hào)進(jìn)行了去噪處理, 抑制了噪聲對(duì)數(shù)字信號(hào)調(diào)制方式建模的干擾, 提取了更優(yōu)的數(shù)字信號(hào)調(diào)制方式識(shí)別特征, 簡化了數(shù)字信號(hào)調(diào)制方式識(shí)別的分類器結(jié)果, 加快了數(shù)字信號(hào)調(diào)制方式識(shí)別速度, 具有更好的實(shí)用性.

綜上所述, 為了提高數(shù)字信號(hào)調(diào)制方式的識(shí)別和分類性能, 本文提出了一種基于神經(jīng)網(wǎng)絡(luò)的數(shù)字信號(hào)調(diào)制方式識(shí)別方法, 首先提取數(shù)字信號(hào)的瞬時(shí)特征, 并進(jìn)行歸一化處理作為神經(jīng)網(wǎng)絡(luò)的輸入向量; 然后通過粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)構(gòu)建數(shù)字信號(hào)調(diào)制方式識(shí)別的分類器; 最后通過仿真測試結(jié)果表明, 無論是數(shù)字信號(hào)的信噪比高或低, 本文方法均可獲得較理想的數(shù)字信號(hào)調(diào)制方式識(shí)別結(jié)果, 具有較強(qiáng)的抗噪性能.

[1] Dobre O, Abid A, Bar-Ness Y, et al. Survey of Automatic Modulation Classification Techniques: Classical Approaches and New Trends [J]. IET Communieations, 2007, 21(2): 137-156.

[2] WANG Jianghong, LI Bingbing, LIU Mingqian, et al. SNR Estimation of Time-Frequency Overlapped Signals for Underlay Cognitive Radio [J]. IEEE Communications Letters, 2015, 19(11): 1925-1928.

[3] 徐聞, 王斌. 采用高階累計(jì)量的時(shí)頻混疊信號(hào)調(diào)制識(shí)別研究 [J]. 信息工程大學(xué)學(xué)報(bào), 2013, 14(3): 299-305. (XU Wen, WANG Bin. Method of Modulation Recognition of Time-Frequency Overlapped Signals Based on High-Order Cumulants [J]. Journal of Information Engineering University, 2013, 14(3): 299-305.)

[4] 孫運(yùn)全, 孫玉坤, 楊澤斌, 等. 數(shù)字信號(hào)處理技術(shù)在饋線自動(dòng)化終端中的應(yīng)用 [J]. 江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版), 2004, 25(2)： 160-163. (SUN Yunquan, SUN Yukun, YANG Zebin, et al. Application of Digital Signal Processor in Feeder-Terminal-Unit [J]. Journal of Jiangsu University (Natural Science Edition), 2004, 25(2)： 160-163.)

[5] 高建勤, 熊淑華, 趙婧. 一種基于小波的數(shù)字調(diào)制信號(hào)識(shí)別算法 [J]. 四川大學(xué)學(xué)報(bào)(自然科學(xué)版), 2007, 44(6): 1281-1284. (GAO Jianqin, XIONG Shuhua, ZHAO Jing. A Wavelet-Based Identification Algorithm of Digital Modulation Signals [J]. Journal of Sichuan University (Natural Science Edition), 2007, 44(6): 1281-1284.)

[6] 李強(qiáng), 明艷, 吳坤君. 基于MATLAB的《數(shù)字信號(hào)處理》輔助教學(xué)方法 [J]. 重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版), 2007(增刊): 89-91. (Ll Qiang, MING Yan, WU Kunjun. DS Passistant Teaching Methods Based on MATLAB [J]. Journal of Chongqing University of Posts and Telecommunications (Natural Science Edition), 2007(Suppl): 89-91.)

[7] 王蘭勛, 孟祥雅, 佟婧麗. 基于循環(huán)譜和稀疏表示的多信號(hào)調(diào)制識(shí)別 [J]. 電視技術(shù), 2015, 39(1): 92-95. (WANG Lanxun, MENG Xiangya, TONG Jingli. Multi-signals Modulation Recognition Based on Cyclic Spectrum and Sparse Representation [J]. Video Engineering, 2015, 39(1): 92-95.)

[8] 趙雄文, 郭春霞, 李景春. 基于高階累積量和循環(huán)譜的信號(hào)調(diào)制方式混合識(shí)別算法 [J]. 電子與信息學(xué)報(bào), 2016, 38(3): 674-680. (ZHAO Xiongwen, GUO Chunxia, LI Jingchun. Mixed Recognition Algorithm for Signal Modulation Schemes by High-Order Cumulates and Cyclic Spectrum [J]. Journal of Electronics & Information Technology, 2016, 38(3): 674-680.)

[9] 楊發(fā)權(quán), 李贊, 羅中良. 基于聚類與神經(jīng)網(wǎng)絡(luò)的無線通信聯(lián)合調(diào)制識(shí)別新方法 [J]. 中山大學(xué)學(xué)報(bào)(自然科學(xué)版), 2015, 54(2): 24-29. (YANG Faquan, LI Zan, LUO Zhongliang. A New Specific Combination Method of Wireless Communication Modulation Recognition Based on Clustering and Neural Network [J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2015, 54(2): 24-29.)

[10] 龔安民, 王炳和, 曲毅. 基于同步壓縮小波變換的通信信號(hào)調(diào)制識(shí)別 [J]. 電光與控制, 2015, 22(12): 50-53. (GONG Anmin, WANG Binghe, QU Yi. Modulation Recognition of Communication Signals Based on Synchro Squeezed Wavelet Transform [J]. Electronics Optics & Control, 2015, 22(12): 50-53.)

[11] Eldemerdash Y A, Dobre O A, Ner M. Signal Identification for Multiple-Antenna Wireless System: Achievements and Callendes [J]. IEEE Communications Surveys & Tutorials, 2016, 18(3): 1524-1551.

[12] 龍曉紅, 張洪欣, 張明明. 基于調(diào)和平均分形盒維數(shù)的無線通信信號(hào)調(diào)制識(shí)別算法 [J]. 江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版), 2017, 38(3): 308-312. (LONG Xiaohong, ZHANG Hongxin, ZHANG Mingming. Recognition Algorithm of Wireless Communication Signal Modulation Based on Harmonic Mean Fractal Box Dimension [J]. Journal of Jiangsu University (Natural Science Edition), 2017, 38(3): 308-312.)

[13] 楊偉超, 楊新權(quán). Alpha穩(wěn)定分布噪聲下衛(wèi)星雙信號(hào)調(diào)制識(shí)別 [J]. 應(yīng)用科學(xué)學(xué)報(bào), 2017, 35(3): 309-316. (YANG Weichao, YANG Xinquan. Modulation Recognition of Double Satellite Signals in Alpha-Stable Distribution Noise [J]. Journal of Applied Sciences-Electronics and Information Engineering, 2017, 35(3): 309-316.)

[14] 張洋, 彭華. 單通道混合信號(hào)調(diào)制識(shí)別 [J]. 信息工程大學(xué)學(xué)報(bào), 2016, 17(6): 662-668. (ZHANG Yang, PENG Hua. Modulation Recognition for Mixed Signals in Single Channel [J]. Journal of Information Engineering University, 2016, 17(6): 662-668.)

[15] 趙自璐, 王世練, 張煒, 等. 水下沖激噪聲環(huán)境下基于多特征融合的信號(hào)調(diào)制方式識(shí)別 [J]. 廈門大學(xué)學(xué)報(bào)(自然科學(xué)版), 2017, 56(3): 416-422. (ZHAO Zilu, WANG Shilian, ZHANG Wei, et al. Classification of Signal Modulation Types Based on Multi-features Fusion in Impulse Noise Underwater [J]. Journal of Xiamen University (Natural Science), 2017, 56(3): 416-422.)

[16] 劉濤, 孟青, 韓建寧. 基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)通信系統(tǒng)干擾信號(hào)分離 [J]. 吉林大學(xué)學(xué)報(bào)(理學(xué)版), 2017, 55(6): 1545-1551. (LIU Tao, MENG Qing, HAN Jianning. Interference Signal Separation of Computer Communication System Based on Neural Network [J]. Journal of Jilin University (Science Edition), 2017, 55(6): 1545-1551.)

[17] 趙雄文, 郭春霞, 李景春. 基于高階累積量和循環(huán)譜的信號(hào)調(diào)制方式混合識(shí)別算法 [J]. 電子與信息學(xué)報(bào), 2016, 38(3): 674-680. (ZHAO Xiongwen, GUO Chunxia, LI Jingchun. Mixed Recognition Algorithm for Signal Modulation Schemes by High-Order Cumulants and Cyclic Spectrum [J]. Journal of Electronics & Information Technology, 2016, 38(3): 674-680.)

[18] 趙宇峰, 曹玉健, 紀(jì)勇, 等. 基于循環(huán)頻率特征的單信道混合通信信號(hào)的調(diào)制識(shí)別 [J]. 電子與信息學(xué)報(bào), 2014, 36(5): 1202-1208. (ZHAO Yufeng, CAO Yujian, JI Yong, et al. Modulation Identification for Single-Channel Mixed Communication Signals Based on Cyclic Frequency Features [J]. Journal of Electronics & Information Technology, 2014, 36(5): 1202-1208.)