...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Elektronika >Analiza algorytmu automatycznego rozpoznawania modulacji na potrzeby radia kognitywnego oraz systemów rozpoznania radioelektronicznego
【24h】

Analiza algorytmu automatycznego rozpoznawania modulacji na potrzeby radia kognitywnego oraz systemów rozpoznania radioelektronicznego

机译：认知无线电和无线电电子识别系统的自动调制识别算法分析

获取原文
获取原文并翻译 | 示例
   

获取外文期刊封面封底 >>

       
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Signal intelligence (SIGINT) and cognitive radio (CR) systems are in need of effective, automatic modulation recognition (AMR) algorithm. This task has became one of the most important problems to solve since last ten years. The article presents one of the proposed modulation recognition algorithms where continuous wavelet transform (CWT) is used for signal features extraction and artificial neural network (ANN) acts as classifier. In our researches multilayer perceptron (MLP) and radial basis function (RBF) network were considered and correctness of classification was analyzed. There are M-ary ASK, M-ary PSK, M-ary FSK, M-ary QAM signals used for simulation. The mean value, variance and higher-order moments up to five of continuous wavelet transform (CWT) were taken to consideration as signal features. Principal component analysis (PCA) was applied to reduce number of features. There were two variants analyzed: interclass and intraclass recognition with wide range of signal-to-noise ratio (SNR). In researches we used collection of class and functions created in MatLab code for learning and testing ANN. There are also problems with M-ary PSK intraclass identification problems analyzed.%Potrzeba opracowania skutecznego algorytmu automatycznego rozpoznawania typów modulacji (ang. Automatic Modulation Recognition - AMR) stała się jednym z najważniejszych zagadnień związanych nie tylko z rozwojem systemów rozpoznania radioelektronicznego ale również systemów radia kognitywnego (ang. Cognitive Radio - CR) budowanych w oparciu o radio programowalne (ang. Software Defined Radio - SDR). Praca zawiera opis jednego z proponowanych algorytmów rozpoznawania wybranych typów modulacji, w którym zastosowano transformację falkową (ang. Wavelet Transform - WT) oraz sztuczną sieć neuronową (ang. Artificial Neural Network - ANN). Opisane w pracy badania dotyczyły możliwości identyfikacji następujących modulacji cyfrowych: M-QAM, M-PSK, M-ASK, M-FSK. Transformację falkową zastosowano w celu wyodrębnienia cech charakterystycznych dla każdego z rozpoznawanych typów modulacji. Natomiast jako klasyfikator zastosowano dwa rodzaje sztucznej sieci neuronowej: perceptron wielowarstwowy (ang. Multi-Layer Perceptrone - MLP) oraz sieć radialną (ang. Radial Basis Function - RBF) oraz porównano ich skuteczność. Badania wykonano z wykorzystaniem środowiska MatLab oraz własnych klas i funkcji pozwalających na realizację funkcjonalności sztucznych sieci neuronowych. Przedstawiono problemy zaobserwowane podczas realizacji badań, w szczególności związane z identyfikacją poziomu modulacji dla kluczowania fazy (M-PSK).
机译：信号智能（SIGINT）和认知无线电（CR）系统需要有效的自动调制识别（AMR）算法。自最近十年以来，此任务已成为要解决的最重要问题之一。本文介绍了一种提出的调制识别算法，其中连续小波变换（CWT）用于信号特征提取，而人工神经网络（ANN）作为分类器。在我们的研究中，考虑了多层感知器（MLP）和径向基函数（RBF）网络，并分析了分类的正确性。有用于仿真的Mary ASK，Mary PSK，Mary FSK，Mary QAM信号。连续小波变换（CWT）的平均值，方差和高达5的高阶矩均被视为信号特征。主成分分析（PCA）用于减少特征数量。分析了两种变体：具有广泛信噪比（SNR）的类间和类内识别。在研究中，我们使用在MatLab代码中创建的类和函数的集合来学习和测试ANN。还分析了Mary PSK类别内识别问题。％Potrzeba opracowania skutecznego algorytmu自动机kognitywnego（ang。Cognitive Radio-CR）budowanych w oparciu o radio programowalne（ang。软件定义的Radio-SDR）。 Praca zawiera opis jednego z proponowanychalgorytmówrozpoznawania wybranychtypówmodulacji，wktórymzastosowanotransformacjęfalkową（小波变换-WT）orazstutucznąsiećNeuronow神经网络。 Opisane w pracy Badaniadotyczyłymożliwościidentyfikacjinastępującychmodulacji cyfrowych：M-QAM，M-PSK，M-ASK，M-FSK。 Transformacjęfalkowązastosowano w celuwyodrębnieniacech charakterystycznych dlakażdegoz rozpoznawanychtypówmodulacji。知识分子：感知器wielowarstwowy（ang。多层感知器-MLP）orazsiećradialną（抗辐射基函数-RBF）orazporównanoich skute。 Badania wykonano z wykorzystaniemśrodowiskaMatLab orazwłasnychklas i funkcjipozwalającychnarealizacjęfunkcjonalnościsztucznych sieci neuronowych。 Przedstawiono有问题的Zaobserwowane podczas realizacjibadań，wszczególnościzwiązanezidentyfikacjąpoziomu modulacji dla kluczowania fazy（M-PSK）。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号