目 录
第1章 引言 1
1.1 背景与意义 1
1.2 调制识别相关基础知识 1
1.3 主要内容 4
第2章 通信信号特征参数及调制方式分类器 6
2.1 统计量特征 6
2.1.1 信号瞬时特征 6
2.1.2 高阶统计量特征 11
2.1.3 循环累积量特征 14
2.2 谱相关特征 17
2.2.1 谱相关函数的定义 17
2.2.2 谱相关函数及谱相关平面图 18
2.2.3 谱相关特征 20
2.3 小波变换特征 22
2.3.1 Haar小波变换 23
2.3.2 基于Haar小波变换特征 24
2.4 复杂度特征 25
2.4.1 L-Z复杂度 25
2.4.2 分形维数 27
2.5 分类器 29
2.5.1 最大似然分类器 29
2.5.2 基于样本特征值的分类器 32
2.5.3 聚类算法分类器 35
第3章 模拟调制识别 37
3.1 基于瞬时特征信息的模拟调制识别 37
3.1.1 特征参数 37
3.1.2 识别算法 38
3.1.3 特征参数门限值的确定 39
3.1.4 算法识别率 43
3.2 基于谱相关特征的模拟调制识别 44
3.2.1 特征参数 44
3.2.2 识别算法 45
3.2.3 特征参数门限值的确定 46
3.2.4 算法识别率 48
第4章 数字调制识别 50
4.1 基于瞬时信息的数字调制识别 50
4.1.1 特征参数 50
4.1.2 识别算法 51
4.1.3 特征参数门限值的确定 52
4.1.4 算法识别率 58
4.2 基于谱相关特征的数字调制识别 58
4.2.1 特征参数 58
4.2.2 识别算法 59
4.2.3 特征参数门限值的确定 60
4.2.4 算法识别率 61
4.3 基于高阶累积量特征的数字调制识别 62
4.3.1 信号与信道模型 62
4.3.2 高阶累积量特征的抗多径干扰性能 63
4.3.3 基于高阶累积量的MPSK信号调制识别算法 66
4.3.4 仿真结果 69
4.3.5 基于高阶累积量特征的调制识别算法的说明 70
4.4 基于循环累积量特征的数字调制识别 71
4.4.1 信号与信道模型 71
4.4.2 基于循环累积量不变量的MPSK信号调制识别算法 72
4.4.3 仿真结果 75
4.4.4 基于循环累积量特征的调制识别算法的说明 76
4.5 基于小波变换特征的数字调制识别 77
4.5.1 调制信号的Haar小波变换 77
4.5.2 基于Haar小波变换的调制识别 80
4.5.3 识别率确定 86
4.6 基于复杂度特征的调制信号识别 87
4.6.1 基于盒维数和信息维数的调制识别算法 87
4.6.2 基于L-Z复杂度和盒维数的调制识别算法 92
第5章 综合调制信号的自动识别 98
5.1 基于瞬时信息的综合调制识别 98
5.1.1 特征参数 98
5.1.2 识别算法 99
5.1.3 特征参数门限值的确定 101
5.1.4 算法识别率 106
5.2 基于谱相关特征的综合调制识别 106
5.2.1 特征参数 106
5.2.2 识别算法 107
5.2.3 特征参数门限值的确定 108
5.2.4 算法识别率 112
第6章 基于聚类算法的数字调制识别 113
6.1 基于代价函数最优的聚类算法 113
6.1.1 C均值聚类算法 115
6.1.2 模糊C均值聚类算法 116
6.2 减法聚类算法 118
6.2.1 减法聚类算法步骤 118
6.2.2 基于信噪比的自适应减法聚类算法 119
6.3 二次聚类算法 121
6.3.1 二次聚类算法简述 121
6.3.2 基于C均值聚类的二次聚类算法 122
6.4 聚类算法的性能 123
6.5 基于聚类的调制识别分类器 124
6.5.1 最大似然分类器 124
6.5.2 广义似然比分类器 128
6.5.3 识别率性能实验 131
第7章 基于神经网络的调制识别 136
7.1 神经网络调制识别方法和特点 136
7.2 BP神经网络分类器 138
7.2.1 BP神经网络结构 138
7.2.2 BP算法描述 139
7.3 基于BP神经网络分类器的数字调制识别 143
7.3.1 BP神经网络结构 144
7.3.2 识别性能 145
7.4 其他神经网络的调制识别算法简述 149
结束语 151
参考文献 152
英文缩写 156
名词索引 158
展开