信号识别小结_信号与系统实验小结
信号识别小结由刀豆文库小编整理，希望给你工作、学习、生活带来方便，猜你可能喜欢“信号与系统实验小结”。
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： = 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：PPERMM1k02jN
1x(k)ejwk
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。
