高阶累积量

摘要： 针对多径信道下传统方法识别OFDM雷达信号子载波调制方式存在识别正确率较低,识别子载波调制方式不完备,判决门限不易确定等问题,提出一种新颖的OFDM雷达信号子载波调制方式识别方法。利用OFDM雷达信号的瞬时幅度绝对值标准偏差,实现子载波多进制正交振幅调制(MQAM)和多进制相位调制(MPSK)的类间识别,利用组合高阶累积量作为识别特征量,对MQAM和MPSK两类调制方式中的子类间进行分类识别,利用递归降价的方法实现子载波调制阶数M>16的MQAM调制方式的识别。仿真实验结果表明,该方法能够有效实现多径信道下OFDM雷达信号多种子载波调制方式的识别,且识别性能更优,可以识别更完备的子载波调制方式类型。

摘要： 针对符合CCSDS(Consultative Committee for Space Data Systems,国际空间数据系统咨询委员会)标准的多种复合调制体制测控信号,本文在建立8类典型调制信号数学模型的基础上,分析了信号的频域和统计域特征,并基于高阶累积量和信号平方谱提取了4个特征参数.根据所提的特征参数,针对复合调制信号提出了一种基于特征提取的直接识别方法,给出了具体的识别流程,并在11种信噪比下对该识别方法进行了MATLAB仿真实验.仿真结果表明在2 dB信噪比条件下,8类信号的识别率均达到98%,证明了所提复合调制盲识别方法的有效性.

摘要： 为了挖掘信道状态信息(channel state information, CSI)在手臂行为识别中的非线性深层特征,提高识别准确度,提出了一种基于高阶累积量和改进广义回归神经网络(generalized regression neural network, GRNN)的CSI手臂行为识别算法。离线阶段,将在不同手臂动作下采集的细粒度CSI幅度和相位差作为基信号,并利用平均绝对偏差改进的spearman rank相关系数选择敏感性强的子载波;针对CSI中的非线性非高斯信息,在所选子载波中提取高阶累积量特征;在灰狼算法(grey wolf optimizer, GWO)优化的GRNN神经网络中训练出能有效处理非线性问题的GWO-GRNN动作识别模型。在线阶段,利用训练好的识别模型对输入的CSI数据进行手臂动作的判别。通过仿真实验验证,该算法的手臂行为识别准确度为95.83%,高于目前相关算法所达到的准确度,具有明显的识别优势。

摘要： 通信信号调制方式识别在信号检测、频谱监测等领域有着重要的地位,是非合作通信的关键技术。本文利用信号的四阶、六阶、八阶累积量构造多个特征参数,实现了2ASK、2FSK、BPSK、QPSK、16QAM和OFDM六种常用数字信号调制方式的识别。在MATLAB环境下进行了仿真实验,实验结果表明,该方法在0dB信噪比下可以实现有效识别。

摘要： 为实现卫星信号调制方式的分类,提出的高阶累积量与K最近邻算法(KNN)调制样式识别算法选取对噪声不敏感的5种高阶累积量特征参数用于信号的识别,通过KNN作为分类器对信号分类。实验结果表明,当信噪比(SNR)高于12 dB时,信号的调制方式可以被高效地识别,并且识别率趋近100%,但需要人工设计和提取特征参数。因此,提出了循环神经网络(Recurrent Neural Network,RNN)的卫星调制信号识别算法,以信号的IQ数据作为模型的输入,通过LSTM进行分时特征提取,全连接层进行分类,最终完成识别。在采样长度等于512,SNR大于4 dB时,识别率趋近100%。与KNN相比,LSTM网络的识别性能更为优越,尤其在低SNR的情况下,可以高效识别6种调制方式。

摘要： 非协作通信环境中,针对平坦瑞利衰落信道下多进制正交幅度调制信号(Multiple Quadrature Amplitude Modulation,MQAM)的调制识别进行了研究。首先阐述和分析了平坦瑞利衰落信道下基于高阶累积量进行调制识别的原理,然后利用各阶累积量比值的方法构造出3个单特征参数和1个联合特征参数,最终实现了4QAM、16QAM、32QAM和64QAM信号的识别,并分析不同条件下算法的识别性能。通过LabVIEW+USRP软硬件结合的方式,在实际信道环境条件下对文中算法进行验证。实验结果表明,当信噪比为10 dB时,信号平均识别率接近90%,故具有一定的实用价值。

摘要： 针对受莱斯衰落影响的4QAM、16QAM、32QAM、64QAM、128QAM、256QAM六类信号,分别研究了卷积神经网络(CNN)模型以及特征参数结合深度神经网络(DNN)分类器模型的调制方式识别性能。CNN模型需要大量带标签的数据集以及很长的训练时间才能获得较好的识别性能,而特征参数结合深度神经网络分类器模型所需训练时间较短,但其分类性能受限于特征参数的设计。针对以上问题,研究了混合高阶矩作为特征参数集,再将DNN作为分类器对多进制正交幅度调制(MQAM)信号进行识别的方法。仿真结果表明,该方法在低信噪比情况下对受莱斯衰落影响的MQAM信号识别准确率高于CNN模型,且分类准确率上限明显高于采用高阶累积量作为特征参数的方法。

摘要： 针对传统方法在应用时无线电通信误码率较高,为此提出无线电通信抗干扰方法研究。建立无线电通信模型,用来表示无线电通信信道传输过程;然后对混合通信信号进行去均值化和预白化处理,将无线电通信信号均值处理为零,并且对混合信号中冗余信息的压缩和去除;计算无线电通信信号高阶累积量和归一化峭度特征值,分析无线电通信信号高斯分布的偏离程度;根据提取到的特征参数,利用分离算法对无线电通信信号进行计算,将无线电通信信号从干扰信号中分离出来,以此实现了无线电通信抗干扰。实验结果表明,应用此次设计方法后无线电通信误码率低于传统方法,更适用于无线电通信抗干扰。

摘要： 针对卫星通信中单-混信号调制类型识别效率低、准确性差等问题,该文提出一种基于高阶累积量和星座图聚类特性的调制识别算法。首先,根据4,6阶累积量的属性特点构建3个特征参数,以识别多进制相移键控(MPSK)和部分多进制正交幅度调制(MQAM)调制类型,然后结合改进的星座图减法聚类算法分离出剩余调制样式,最后将参数联合,建立决策树分类器进行统一调度。该算法不依赖信号诸多先验信息,具有特征提取参数简单、识别种类多等特点。仿真结果表明,该算法在信噪比(SNR)10 dB下对卫星单-混信号的调制识别率仍能达到90%以上。

摘要： 针对模拟、数字调制方式在简单网络下识别率不高的问题,提出了一种基于特征融合、自注意力机制、并联神经网络的调制识别算法——MACLNN。使用8个统计量特征参数组合和IQ数据分别作为卷积神经网络(Convolutional Neural Network,CNN)和卷积长短时神经网络的输入,由自注意力机制重新分配特征的权重,再通过并联层进行特征融合,最终完成11类调制方式的识别。仿真结果表明,在高信噪比下识别准确率可达到94.1%,使用复杂度较低的模型获得了高于同类算法的识别精度。

摘要： 建立了交通定位与导航精密电离层延迟改正模型,基于全球电离层图(GIM),研究了区域电离层总电子含量(TEC)建模与预报的方法.介绍了高阶累积量的概念,利用高阶累积量具有抑制高斯加性噪声的特点,研究了基于高阶累积量的非平稳季节性时间序列TEC的建模方法和原理.对季节性时间序列周期采用快速傅里叶变换确定,以自回归AR模型对差分之后的数据建模,借助Matlab的高阶统计工具箱实现模型辨识、参数估计.利用IGS提供的2011年6月东经125°,纬度为0°,45°,87.5°具有代表性的区域电离层TEC数据进行建模及预报.结果表明:对一周时间以内的不同区域电离层格网点TEC预报准确率分别达到85.9％,85.1％和89.4％.模型预报精度明显优于Klobuchar模型.

摘要： 间谐波的频率是基波频率的非整数倍,随着电力设备的不断更新升级,大量电力电子设备,尤其是非线性元件的广泛应用,使得电网的谐波情况更加的复杂,为了精确的检测出间谐波的各参数,该文首先应用信息论估计出正弦成分数,再利用高阶累积量能够抑制高斯噪声的特点,采用四阶累积量的MUSIC(多重信号分类算法)得到各次谐波和间谐波的频率数,最后通过最小二乘法估计出相位和幅值参数,并由仿真验证其可行性及优势.

摘要： 利用信号的高阶累积量作为特征值，通过支持向量机算法实现了不同调制信号的分离。研究了通信系统中常用的几种调制信号高阶累计量的特点，选取四阶和六阶高阶累积量作为特征值，对 OFDM、QAM、PSK、ASK 等不同调制信号及同一调制方式中不同进制的制式进行了识别。研究表明，通信信号调制识别的关键在于选取合适的高阶累积量作为特征值，以在低信噪比的情况下提高识别精度。在信号识别过程中，使用的是LIBSVM 一对一的多分类方式，简化了通常情况下二叉树的分离过程。

摘要： 本文针对数字调制信号的识别问题，提出了一种以高阶累积量为分类特征，实现了对2ASK、4ASK、2PSK、4PSK、2FSK和4FSK等调制信号的识别。理论推导和仿真实验表明，该方法具有抗干扰能力强、分辨力高等特点。

摘要： 通过对观测样本进行非线形变换，提出了一种基于高阶累积量分级调制分类算法，有效解决了频偏引起是相位旋转问题。仿真表明，在归一化频偏小于0.2时，算法具有较好的分类性能。理论分析和仿真结果均证明了算法的正确性和有效性。

摘要： 子波辨识是提高地震资料分辨率的一个关键环节。采用基于高阶累积量的方法，利用地震记录的高阶累积量中含有子波的幅值以及相位信息，提取与辨识地震子波，并以此为理论依据，对理论模型进行了实验，仿真结果证明该方法具有一定的可行性。

摘要： 本文以遥感卫星采用的自适应编码调制(Adaptive Coding andModulation，ACM)的传输系统为基础，研究其自适应调制方式QPSK、SPSK、16APSK和32APSK的分类方法.rn 文章通过采用分级分类的调制识别方法，分三步将自适应调制所采用的QPSK、SPSK、16-APSK和32-APSK逐一区别出来.通过高阶累积量和特征函数方法相站台来区分四种调制.高阶累积量用来区分PSK和APSK类别，高阶累积量和特征函数分别用来进行PSK和APSK类内分类.

摘要： 根据语音信号是短时平稳的而高斯噪声的高阶累积量为零的特点,首先提出一种语音激活检测算法,利用通信接收端观测信号的高阶累积量并结合短时能量阀值来检测语音信号。在此基础上,为了对检测出来语音信号的说话人进行识别,提出了一种改进的MFCC特征提取算法,在预处理阶段采用一种新的窗函数抑制旁瓣,并引入Bark子波变换以适应人的听觉系统。实验结果表明,在低信噪比环境下本文方法能进一步提高语音的检测和识别性能。

摘要： 本文对基于盲源分离技术的弱信号检测方法进行了研究,构造了弱信号检测模型.采用基于高阶累积量的独立分量分析算法来对弱信号进行检测.为了证明模型和算法的有效性,对弱语音信号进行实验仿真检测.实验表明,盲源分离技术应用在弱信号检测中是可行的,算法能够有效地提高输出信噪比.随着输入信噪比的降低,输出信噪比的改善效果越明显.当输入信噪比不低于-82dB时,该算法能有效地检测到弱信号源.

摘要： 实际应用中，估计的方向向量与实际的方向向量常常出现误差，使得自适应波束形成器性能严重下降，所以盲自适应波束形成算法要求具有较高的稳健性。通过限制估计的方向向量与真实的方向向量之间的误差范数的边界，提出了一种改进的稳健性四阶累积量盲自适应波束形成算法，该算法相较于采用传统对角加载技术的高阶累积量盲波束形成算法和WCPO—RCUM算法而言，进一步提高了稳健性。计算机仿真实验表明，该算法具有很好的稳健性。

摘要： 本发明涉及基于高阶循环累积量的单通道混合通信信号干扰检测方法。对于窄带无线通信系统，超过干扰门限的同频/邻频干扰，将导致通信中断。本发明包括：生成多个调制信号，进行过采样、成形滤波、上载波调制处理；对多个信号进行混合得到实验信号，并规定其中一个为期望信号；对实验信号和期望信号加入加性高斯白噪声后进行四阶循环累积量计算，相减后设置判决门限进行离散谱线检测，若还存在突出的离散谱线，则说明干扰存在。本发明能够在除了已知混合信号的序列值外，不需要任何先验知识的情况下对混合信号进行同频/邻频干扰检测，在地铁运行环境要求的信噪比条件下具有良好的抗噪性能，检测正确率高，计算复杂度低。

摘要： 本发明提供了一种基于高阶累积量的简化近场定位方法，对四阶累积量矩阵进行简化，构造非Hermitian统计矩阵，实现近场信号的测向及定位，测向采用ESPRIT算法，在已知信号方向的基础上，通过波束形成的思想对信号进行距离估计。本方法充分利用各阵源接收的信号信息，提高了ESPRIT算法的估计精度以及鲁棒性，另一方面，避免了传统近场定位方法里角度距离配对操作，进一步的降低了计算的复杂度以及工程实现的难度。

摘要： 本发明公开了一种基于高阶累积量的目标跟踪方法，该方法包括：利用第一高阶累积量判断第k视频帧中的目标是否被遮挡；利用运动模型及第k视频帧中的目标状态信息预测并抽取得到多个预测粒子；分别计算每个预测粒子在第k+1视频帧中对应的预测图像块在子空间的重构误差及对应的每个预测粒子的重要性权值；利用第二高阶累积量判断第k视频帧中被遮挡的目标在第k+1视频帧中是否仍被遮挡；若是则将轨迹预测值否则将似然图像块作为第k+1视频帧中的目标图像；利用第k+1视频帧中的目标图像获取第k+1视频帧中的目标状态信息。本发明还公开了一种基于高阶累积量的目标跟踪装置。通过上述方式，本发明能够及时检测到目标被遮挡并进行处理。

摘要： 本发明公开了基于多频高阶累积量的2q阶嵌套阵DOA估计方法，涉及雷达信号与信息处理技术领域，针对现有技术中空洞的出现导致虚拟阵元得不到充分的利用的问题，本发明通过多频信号产生的虚拟阵元填补原来高阶虚拟阵列中的空洞，形成具有更高自由度的连续均匀线阵，从而提高了DOA估计性能。

摘要： 本发明提供一种基于变异系数与高阶累积量的小电流接地选线方法，包括当小电流接地系统发生单相接地故障时,记录该故障时刻前一个周期与后一个周期的暂态零序电流信号，获取暂态零序电流纯故障分量信号；将每条线路的暂态零序电流纯故障分量信号进行变异系数的求解，判断每条线路的极性是否相同，若极性相同，判断为母线故障；若极性唯一不同，判断为线路故障，且对应极性唯一不同的线路为待定故障线路；获取故障后的暂态零序电流信号，对每条线路的暂态零序电流信号进行变分模态分解，得到IMF分量；获取每条线路IMF分量的高阶累积量值，对应高阶累积量值最大的线路为待定故障线路，若双重待定故障线路选线结果相同，判断该线路为故障线路。本发明检测精度高，适用范围广，实用性强，广泛应用于电力系统中。

摘要： 本发明公开了一种基于高阶累积量的调制信号识别方法，主要解决现有技术识别率低的问题，其实现方案是：通过matlab得到训练数据集X1和测试数据集Y1，其中每个数据集都包含8种调制信号；对这两个数据集X1和Y1添加高斯白噪声，得到加噪后的训练数据集X2和测试数据集Y2；对加噪训练数据集X2进行特征提取，得到特征序列训练数据集X3；将特征序列训练数据集X3输入到卷积神经网络CNN对其进行训练，得到训练好的卷积神经网络CNN；将测试数据集Y2输入到训练好的卷积神经网络CNN中进行测试，得到8种调制信号的分类结果。本发明与现有技术相比具有更高的调制信号识别的准确率，可用于频谱管理，认知无线电和电子对抗。

摘要： 本发明公开了一种基于压缩感知高阶累积量的智能调制识别方法，属于无线通信领域。首先，接收端以低于奈奎斯特的抽样速率对接收信号x(t)随机抽样和预处理，然后，进行特征提取，通过从原始数据中利用恢复算法‑正交匹配追踪算法对抽样向量z的平方向量z2进行归一化，恢复出对应的稀疏向量，得到高阶矩M21；同理依次得到高阶矩M20，M40，M41和M42；并利用M‑C公式得到高阶累积量C40，C41和C42作为识别特征向量，完成信号的调制识别。最后，确定了调制方式后，进一步估计调制参数，并依据确定的调制方式和调制参数，完成信号的解调。本发明大大降低了接收端需要采集和存储的数据量，减轻了模拟‑数字转换器的压力，降低了算法复杂度，且具有更好的抗噪声性能。

摘要： 本发明属于无线通信网络技术领域，公开了一种基于高阶累积量WFRFT信号级联调制识别方法、无线通信系统，通过最小化接收信号的四阶累积量模值(|C42|)来实现WFRFT调制阶数的识别，并利用Parabola方法实现WFRFT阶数的优化搜索，进而合理选择|C42|判决门限来实现对传统ASK、PSK、QAM基带信号的初步识别；进一步，通过对接收信号的四阶、八阶累积量计算，利用二元门限判决方法，确定最终的基带星座大小来实现WFRFT信号的精确识别。利用本发明，能够在较低信噪比条件下，实现WFRFT信号的调制识别，最终实现非协作通信条件下的信号正确解调，可以运用于WFRFT系统中的信号检测、识别中。

摘要： 本发明公开了一种基于高阶累积量时频图的通信信号可视化表达方法，属于通信信号可视化表达技术领域，包括以下步骤：构建通信信号的二维特征，再对二维特征图像信息进行标示，形成可视化图像。本发明具有抑制噪声能力强、抗频偏效果好和稳定性好的优点。

摘要： 本发明提供一种基于高阶累积量实现信号调制方式识别的方法，其步骤如下：1、数据预处理，完成对接收信号的模数转换，并进行FFT处理，完成对信号载波频率的粗估计；2、下变频，通过数据预处理的载频估计结果对信号进行下变频处理，得到复基带信号(I、Q路数据)；3、对得到的I、Q路数据计算高阶累积量；4、将得到的高阶累积量与预设的门限值比较，判决输出信号的调制方式。本方法通过对信号的两组高阶累积量进行计算，最多经过三次比较判决，实现了基于高阶累积量的信号调制方式识别，相对于传统基于高阶累积量的信号调制方式识别算法采用的信号特征(高阶累积量)数更少，并可以通过更少的判决次数实现高精度的识别结果。