一、多种数字调制方式实现的研究（论文文献综述）
宁暑光[1]（2019）在《基于特征提取与学习的无线通信数字调制方式自动识别方法研究》文中进行了进一步梳理调制识别是通信系统中一个重要的研究领域,它处于信号检测与信号解调之间,能够确保通信安全可靠的关键技术之一。在不同领域中得到广泛应用,因此研究调制方式的自动识别具有重要意义。本文有针对性的研究了如何降低噪声对特征参数的影响,设计更好的分类方法,从而提高整体识别的效果。本文主要研究内容工作集中在以下几个部分:首先,研究了一种基于SAE-SOFTMAX的高阶统计特征提取技术,包括该技术的特征提取方法及其步骤。融合了SAE与SOFTMAX,结合高阶累积量实现调制方式特征的快速提取与识别。其次,针对现有调制识别方法对调制方式类型受限,且在低信噪比下识别率不高的问题。研究了一种基于深度学习的调制识别方法。该方法利用零均值高斯白噪声的高阶累积量理论值为0的性质,在信号分析过程中引入高阶累积量,可使系统免受高斯白噪声的干扰。同时,引入深度学习网络结构完成微弱特征的表征,结合三种特征参数,可有效解决低信噪比情况下识别率下降的问题。然后,针对工程实践中先验数据比较少,利用支持向量机具有更好的泛化能力,研究了一种基于支持向量机特征学习的调制识别算法。该方法利用高阶累积量对各种数字调制信号进行运算,再将各高阶累积量构建为识别参数。通过引入支持向量机进行调制方式的识别,最终对七种调制方式实现了较好的识别。最后,实验结果表明:基于深度学习的调制识别方法具有很好的识别效果,在高斯信道环境下的分类精度比现有方法要高,在低信噪比的不同信道环境下有较高的识别率,且使得模型的时间、相位和频率偏移量方面具有更好的鲁棒性。基于支持向量机特征学习的调制识别方法具有更少的表征参数,能够很好的适用于小样本测试环境,识别效果显着。
宗志辉[2]（2019）在《基于深度学习的数字调制信号解调研究》文中认为随着数字通信技术不断地发展,新兴产业的信道业务及传输速率的增加对解调系统提出了更高的要求。现代调制技术与解调技术是通信系统的基础,为了应对日趋严重的非线性传输信道,解调系统通常需对信道进行估计与均衡,而后再按规则进行判决。在复杂的无线信道下,多层次的神经网络模型表现出极好的时变信道自适应性能,有效补偿数字调制信号的失真;在判决性能上,深度学习依然有足够的容量提取大量信号的先验信息,并将门限值设定为接近理论的最小损失值。针对现有数字解调系统在复杂背景及衰落信道下检测困难以及非线性信道均衡的问题,本文将多层次神经网络结构的信号处理技术引入到了数字解调领域,并针对多径信道,分别独立设计了相应的均衡系统与信号检测系统。在多径信道的基带等效模型中,将多层感知器与信道均衡结合,提出了一种改进的权值优化算法,建立的自适应判决反馈均衡器基于星座图的欧氏距离展开性能分析,并对多普勒频移以及2-径模型造成的星座图模糊情况进行了校正。在仿真分析中,数字调制信号通过建模的多径信道传输,对结果进行了比较,在非线性条件下,相比自适应的线性最小均方算法的判决反馈均衡器,多层感知器结构的判决反馈均衡器具有更好的均方误差以及鲁棒性能,并在同样的基带解调映射规则下,多层感知器结构的均衡器取得了更低的误码率。最后,针对带通通信系统模型,为了提高频率选择性衰落信道下信号的解调性能,提出了一种稳定的卷积神经网络检测与判决模型。卷积神经网络的输入为时域的一维采样序列,通过构建两个串行的卷积层分别对同相分量和正交分量的信息进行独立的特征提取,后层的全连接层对已调信号的特征进行检测。仿真结果表明,双码元联合输入判决的卷积神经网络解调方案有效利用了相邻符号间干扰的大数据特征,在低信噪比下,对比归一化信道估计误差为5%的相干解调,16QAM信号误码率提升接近6dB。
李明璐[3]（2020）在《数字调制方式识别的研究》文中认为数字调制识别是无线通信中的一个热门研究领域,尤其是相对于解调、解码等技术,调制识别在通信中也起到举足轻重的作用。然而,对于一些复杂的变化,诸如:噪声干扰、信噪比变化等为调制识别带来了很大的挑战,数字调制识别算法仍然有必要做出更深入的研究。为了得到更高识别率,在充分了解背景和现有调制识别算法的基础上,针对常用的数字调制信号,本文进行了如下的研究工作:（1）研究了一种基于神经网络的数字调制识别算法。首先,给出了算法的整体框架和流程,即将接收信号预处理,提取特征参数,测试信号先经过训练网络得到粗略的识别目标后,再将信号送入成熟神经网络分类器进行精确检测,最终实现高鲁棒性的调制信号识别。通过仿真实验可以得出结论:利用该算法在MATLAB平台对2ASK、4ASK、2FSK、4FSK、BPSK、QPSK共6种数字调制信号成功进行仿真分类识别,识别率稳定在90%以上。（2）研究了一种基于高阶累积量的数字调制识别算法。针对调制信号的高阶累积量做了全面的分析及讨论,进而将这种高阶累积量算法运用于通信数字信号调制方式识别中,主要讨论7种数字信号BPSK、QPSK、8PSK、8QAM、16QAM、32QAM和64QAM的调制方式的识别。首先针对算法需求进行特征参数提取,进而利用MATLAB进行相关仿真实验,并观察该算法在不同信噪比下的识别成功率,根据实验结果可知,该算法能够达到调制信号的基本识别要求。（3）由于星座图可以描述信号空间分布状态,设计了基于星座图聚类的数字调制方式识别算法。针对MQAM、MPSK这些数字调制信号,提出了一种改进的特征识别方法。首先根据经验聚类半径,利用减法聚类获得较为合理的聚类中心并得出聚类数目,然后根据聚类点数和聚类位置定义一个新的基于聚类中心数和星座图圆半径比值的特征识别函数,进而实现了MQAM信号的调制识别。考虑到MPSK信号星座图圆半径相同,根据距离y轴最小相位的聚类点（除去y轴上的点）向x轴映射点到原点的距离重新定义特征函数实现MPSK信号的调制识别。仿真结果表明,改进方法优于传统减法聚类方法,识别率更高。
李蓬勃[4]（2019）在《基于DDS的高速任意信号发生器设计》文中指出随着科学技术的飞速发展,许多领域对被测信号的特性提出了新的要求。研发高性能的信号发生器已成为各国竞争的热点。目前高性能的信号发生器普遍存在价格昂贵、结构复杂、后期难以维护等问题。针对这些缺陷,设计人员利用不同方式进行改进和优化。本文采用现场可编程门阵列（FPGA）技术和MATLAB软件设计了一款基于直接数字合成技术（DDS）的高速任意信号发生器。本设计依托企业实际需求对信号发生器结构、信号测量方式以及结果分析进行大量研究和实验。结果表明,该信号发生器具有高转换率、高传输速率、低延迟及可产生任意信号的特性。主要工作内容如下:（1）根据信号发生器的技术现状并结合成本因素,提出了一种利用FPGA技术和MATLAB软件相结合的实现方案。本设计采用系统时钟为100MHz,高速DAC可实现转换速率达50MSPS。该信号发生器频率分辨率为23.28mHz,使用七阶巴特沃斯滤波器截至频率为40MHz。利用5KΩ的电位器和2片145MHz带宽运算放大器,实现可调电压范围OVpp～1OVpp。可输出正弦波、方波、三角波和锯齿波等常规波形,最高频率390KHz,波形失真率小于1.5%。可输出参数可控的模拟调制波和数字调制波。（2）采用USB3.0+FPGA+DAC的硬件设计架构。USB3.0接口用于传输MATLAB产生的数据信息至FPGA硬件系统中,其最高传输速率可达5Gb/s。USB3.0控制芯片与FPGA数据传输速率可达3200Mb/s。FPGA芯片用于实现硬件驱动和数据处理功能,包括了 USB3.0通信模块、DDS模块、高速DAC驱动模块以及数据读写控制模块。（3）利用MATLAB软件产生各种信号类型并配置与FPGA的串口通信。其自带的通信工具箱函数可实现多种类型信号。（4）利用示波器观测目标信号的波形,测量信号参数。分析不同采样点下的波形失真度,判断产生信号的波形质量,确定最小采样点。本文设计的高速信号发生器具有体积小、重量轻、易于维护等优点。既可用于电子仪器测试和检修,又可作为教学仪器提供特定信号,具有较高的使用价值。
刘明骞[5]（2013）在《非合作通信中信号检测及调制识别的关键技术研究》文中研究指明信号检测及调制识别技术是非合作通信中接收机的关键技术,在自适应调制、军事侦察、电子对抗中有重要的应用价值。针对目前非合作通信中信号的检测与识别性能低且不能满足实际应用需求的问题,本文对非合作通信中信号检测及调制识别的关键技术进行了系统的研究,主要涉及到多径信道下数字调制信号的参数估计和识别、非高斯噪声下数字调制信号的识别以及单通道时频重叠信号的参数估计和识别,所取得的主要研究成果为：1.针对传统的OFDM信号带宽估计方法在低信噪比多径信道下估计精度低且计算量大的问题,提出一种基于经验模态分解的OFDM信号带宽估计方法,该方法有效地克服了噪声的影响。仿真结果表明,该方法不但估计精度更高且计算复杂度更低；针对多径信道下传统的OFDM信号信噪比盲估计方法的估计性能差、计算复杂度高的问题,提出了一种基于AR模型和高阶累积量的OFDM信号信噪比盲估计方法,该方法无需任何先验信息,在多径信道下具有良好的估计性能且计算复杂度低。针对低信噪比多径信道下ZP-OFDM信号时域参数估计精度低的问题,提出了一种改进的ZP-OFDM信号的时域参数盲估计方法,该方法通过功率自相关函数和小波消噪及平滑滤波对符号总长度进行了有效地估计,并利用符号总长度数据的幅度平方值和小波分解与重构对零前缀估计长度也进行了估计。仿真结果表明,在低信噪比多径信道条件下,该方法具有良好的估计性能。2.针对低信噪比多径信道下含有频偏和相偏的数字调制信号识别性能差的问题,提出了一种基于循环平稳特性的数字调制信号识别方法,不仅从理论上证明了该方法可以消除频偏、相偏、噪声和多径衰落信道的影响,并通过仿真验证了该方法的有效可行性和稳健性；针对多径信道下含有导频的OFDM信号子载波调制方式难识别的问题,提出了一种基于高阶累积量和改进的减法聚类相结合的OFDM信号子载波识别方法,该方法可以消除多径信道带来的衰减和相位旋转的影响。结果表明,在多径环境下该方法有效地实现了含有导频的OFDM信号子载波调制方式的识别。3.针对传统数字调制识别方法在非高斯噪声下识别性能差的问题,该文提出一种基于广义分数阶傅里叶变换和分数低阶Wigner-Ville分布的数字调制识别方法,该方法提取广义分数阶傅里叶变换的零中心归一化瞬时幅度谱密度的最大值和分数低阶Wigner-Ville分布幅度的最大值作为识别特征参数有效地实现了非高斯噪声下数字调制信号识别。仿真结果表明,在非高斯噪声下,该识别方法不仅性能明显优于传统方法并且具有较高的识别率和良好的稳健性。针对传统数字调制识别方法在Alpha稳定分布噪声下识别性能差、计算复杂度高的问题,本文提出了一种基于广义分数阶傅里叶变换和分数低阶协方差谱的的数字调制识别方法。该方法提取广义分数阶傅里叶变换的归一化瞬时频率谱密度的最大值和分数低阶协方差谱幅度的最大值作为识别特征参数,有效地实现了非高斯噪声下数字调制信号识别。仿真结果表明,在Alpha稳定分布噪声下,该方法不但具有较高的识别率和良好的稳健性并且计算复杂度更低。4.针对传统的单通道时频重叠信号的个数估计方法性能差的问题,提出了一种基于四阶循环累积量的单通道时频重叠信号的个数估计方法,该方法不但具有良好的抗噪性能,并且对信号频谱重叠率具有鲁棒性；针对传统的单通道时频重叠信号的载波频率估计方法性能差、计算复杂度高的问题,提出了一种基于四阶循环累积量的单通道时频重叠信号的载波频率估计方法。仿真结果表明,该方法在低信噪比条件下具有良好的估计性能且计算复杂度低；针对传统的单通道时频重叠信号的码元速率估计方法性能差、计算复杂度高的问题,提出了一种基于循环谱的单通道时频重叠信号的码元速率估计方法,该方法从理论上分析了在循环谱截面上进行离散谱线检测的可行性,并通过计算机仿真验证了其有效性。仿真结果表明,该方法不但具有较强的抗噪能力并且具有更低的计算复杂度。5.针对单信道时频重叠信号的识别存在识别性能差、识别调制类型单一的缺点,提出了一种基于高阶循环累积量的单通道时频重叠信号识别方法,该方法具有较强的抗噪能力。仿真结果表明,该方法在低信噪比条件下不但识别性能好、计算复杂度低,而且对信号频谱重叠率具有鲁棒性。
赵雄文,郭春霞,李景春[6]（2016）在《基于高阶累积量和循环谱的信号调制方式混合识别算法》文中研究指明为了识别当前通信系统所采用的主要调制方式,该文结合高阶累积量和循环谱的特点,采用混合识别算法,同时应用智能决策算法（神经网络）对信号进行识别。该算法基于四阶和六阶高阶累积量构造出一个新的特征参数,将数字调制信号分为{BPSK,2ASK},{QPSK},{2FSK,4FSK},{MSK}和{16QAM,64QAM}5类。然后利用高阶累积量的其它特征参数以及循环谱特征对{OFDM},{16QAM,64QAM},{2ASK,BPSK}及{2FSK,4FSK}进行识别。为便于工程实现,该文采用半实物仿真以及Lab VIEW和MATLAB混合编程来验证算法。仿真结果证明,该算法能够在较低信噪比下实现对{OFDM,BPSK,QPSK,2ASK,2FSK,4FSK,MSK,16QAM,64QAM}等多种信号的分类,在信噪比高于5 d B时,调制方式识别率可达94%以上,由此证明了该方法的有效性。
郭娟娟,尹洪东,姜璐,梅恒芳[7]（2014）在《利用高阶累积量实现数字调制信号的识别》文中进行了进一步梳理文中提出一种基于高阶累积量识别多种数字调制信号的算法。首先推导计算各信号的八阶累积量,从二、八阶累积量中提取一个特征参数,实现以更少参数识别更多信号的目的;然后,为提高MFSK的识别率,从微分后MFSK信号的四、六阶累积量中提取一个特征参数完成识别。仿真结果显示,通过利用这两个参数可以实现2ASK/BPSK、4ASK、8ASK、QPSK、8PSK、2FSK、4FSK、8FSK、16QAM、64QAM等多种数字调制信号的识别。
王培彬[8]（2019）在《数字示波器矢量信号分析功能设计》文中指出伴随着通信技术与电子测量技术的快速发展相关仪器设备的性能也随之得到快速提高,数字示波器也具有了日渐强大的分析功能。正因为如此,数字示波器被不断的延伸和扩展它的应用领域,基于这样的需求下,在更多复杂的测试环境下越来越多地使用数字示波器来进行相关的数据测试。将矢量信号分析功能添加到数字示波器中,让示波器可以兼顾矢量信号分析仪的功能,这样可以减少必需的测试仪器,并可以通过在单个测试仪器中整合分析数据来简化测试的过程。本设计实现了在数字示波器增加矢量信号分析功能,该功能可被应用于数字通信系统中数字信号的调制误差、调制类型、信噪比等参数进行测试。本设计的矢量信号分析功能软件需要完成的主要功能有:软件功能的控制界面、多域图形的显示、调制误差参数的计算与统计,另外还有矢量信号测试数据在数字示波器工控机中的传输与处理等功能。论文主要研究内容如下。1.由于对数字信号的测试具有多个种类的结果输出,并且具有复杂的显示方式,所以需要将显示界面设计为具有多窗口显示和实时动态显示功能。使数字示波器可显示矢量信号的I方向信号和Q方向信号的时域图、频谱图、误差矢量幅度时频图、I方向和Q方向的眼图、矢量图、星座图和符号误差表等这些常用格式;而对于软件功能控制界面的设计部分,是基于VS2017的软件开发工具,采用C#语言,使得在数字示波器上实现了包括矢量信号分析功能的控制面板、图形显示控制面板等功能的系统控制界面。2.在分析了矢量信号分析功能的测量任务的相关需求后,再根据数字信号的各类相关误差参数的定义,本课题完成了EVM、ME、PE、MER、IQ Offset、IQ Imbalance等数字信号相关误差参数的计算和统计。3.对于数字示波器的数据的传输和处理控制模块,在分析了矢量信号分析功能对数字示波器的软硬件的数据处理控制的需求后,在本设计的软件模块完成了对数据在示波器软硬件中的传输及处理的控制。本课题所研究的数字示波器矢量信号分析功能软件系统最终都得到了验证,可达到预期的结果。
王辉[9]（2018）在《大动态信噪比下数字调制信号识别方法研究》文中研究说明目前,数字调制识别技术存在一些尚未解决的问题,例如识别类型有限、信噪比低和信噪比变化范围大时识别率低等。因此,如何在原有识别技术方法基础上增加识别类型种类和提高识别率仍然是一项颇具挑战性的研究课题。本文对数字调制识别方法、算法等关键技术与理论进行研究,所取得的主要研究成果为:1.研究了数字调制信号分形特征,构建了一维分形特征集合,增加了特征的可区分度。针对传统灰色关联分类器只能处理单值、权值人为设定无法更改的局限,将特征由单值扩展为区间,通过特征数据实时更新权值,提出了自适应权值区间灰色关联分类器,有效地提升了数字调制识别的准确率。2.研究了数字调制信号的熵特征,提出了时频Rényi熵和能量熵提取方法,归纳总结出可以用数字调制识别的十六种熵特征,构建了原始的熵特征集合。针对熵特征存在冗余的问题,提出了利用SFS算法、SFFS算法和ReliefF算法等特征选择技术,从原始特征集合中选择最具可区分性的特征子集合,降低了特征子集合的冗余。在此基础上,提出了采用GBDT和Xgboost分类器有效地改善了数字调制识别的准确率。3.研究了证据理论分类器,针对证据冲突提出了一种全新的可靠性加权融合模型,有效地改善了证据冲突的融合效果。针对数字调制信号熵特征的特点,提出了一种基于钟型函数的BPA获取方法,有效地改善了BPA获取的效果。针对低信噪比和信噪比大范围变化时熵特征变化大的问题,提出了一种基于证据融合模型的多特征可靠性加权融合模型,建立了以信噪比估计为基础的分类器可靠性加权模型,极大地改善了数字调制识别的准确率。4.研究了深度学习理论、体系结构和常用的模型,提出了一种全新的数据集概念—等势星球图,增加了数据集的可分性,极大地提高信号调制模式识别准确度。分析了AlexNet、GoogleNet、VGG和ResNet等深度学习模型在数字调制识别中应用的效果,提出了一种基于GAN模型的数据增强方法,改善了数字调制识别的准确率。
张志民[10]（2012）在《数字通信信号调制方式自动识别研究及实现》文中研究指明在现代信息化战争中，通信信号，特别是数字通信信号，其调制方式的自动识别具有极其重要的意义。信噪比是衡量截获信号质量的重要指标。本文以数字通信信号为主，在前人工作的基础上，结合某调制识别接收机设计的应用需求，对调制识别算法进行研究。首先提出两种信噪比估计算法；然后分别针对窄带、宽带截获信号提出两种调制方式自动识别算法；最后在调制识别接收机中实现这些算法。所做的主要工作包括：1、提出两种信噪比估计算法。第一种算法基于接收信号的高阶矩，这是一种半盲信噪比估计算法。在这种算法中，接收信号被建模成经高斯复噪声污染的确定性信号。通过研究接收信号的模平方序列、模四次方序列的平均各态历经性，推导出信号功率、噪声功率、信噪比估计方差的克拉美-劳限。对非恒包络调制信号，通过按数字调制类型符号周期分段的方法，将问题转化为估计恒包络信号的信噪比。该算法直接对接收机输出的中频信号进行处理，无需知道信号的调制类型和实现载波同步，对符号数、过采样数都具有稳健性。仿真结果表明，在符号数为500，过采样数为100，信噪比在-5～25dB范围内时，算法的平均估计标准差小于0.18dB。第二种算法基于特征分解和子空间概念。该算法无需知道接收信号的调制类型及符号速率等先验知识，不需要实现载波同步，能在较大信噪比范围内对截获信号的信噪比进行精确的估计。计算机仿真表明，当符号数为2500，自相关矩阵维数为50，信噪比范围为5～20dB时，算法的平均估计偏差小于0.1dB。在同等条件下，算法的执行速度快于第一种信噪比估计算法。2、针对窄带调制类型，提出一种基于判决理论的调制识别算法。首先，提出离散随机序列的ZA变换的概念。针对窄带信号，提出一种不需要进行希尔伯特变换的瞬时幅度提取算法。它直接以观测样本为基础，无需进行FFT和IFFT，执行速度快，为实时运行创造了条件。算法对码元同步没有要求，对信噪比、符号个数及载波频率失谐都具有稳健性。仿真表明，在-20～32dB的信噪比范围内，该算法的最大误差不超过0.09。其次，对于基带采用矩形脉冲成型的数字调制类型，提出一种不需要进行去卷绕处理的瞬时相位、瞬时频率提取算法。与传统的去卷绕方法相比，该方法的主要优点是耗时少、计算速度快。仿真表明，当符号数为10000时，使用这种方法提取瞬时相位比用传统方法快约50毫秒，可用于实时系统中。再次，以瞬时幅度、瞬时相位、瞬时频率为基础，借助于序列的ZA变换，提出12个分类特征参数。这些参数的特点在于计算简单，用常规信号处理技术即可提取；且所需先验知识少，噪声抑制能力强，耗时少，可用于实时系统。最后，利用上述12个分类特征参数，提出一种基于判决理论的窄带通信信号调制方式自动识别算法。计算机仿真结果表明，在载波频率已知，数字调制成型脉冲为矩形，信噪比为3dB，样本数等于4×104时，算法的平均识别率超过98%，平均识别时间少于50毫秒。3、针对宽带调制类型，提出一种基于接收信号的谱相干函数和四阶、八阶循环累积量的调制方式识别算法。首先利用半盲信噪比估计算法估计接收信号的信噪比，然后采用最近邻准则对信号分类。在这种识别算法中，利用了谱相干函数对加性噪声不敏感、对信道影响不敏感的优点。算法无需知道载波频率、载波相位和符号速率等先验知识。分别在高斯信道和多径衰落信道的情况下，通过仿真评估了算法的性能。仿真结果表明，对于高斯信道，在信噪比为10dB、样本数为4096时，识别算法的平均识别率高于97%；对于多径衰落信道，在路径数不超过4、信噪比为10dB、样本数为4096时，识别算法的平均识别率均高于90%。4、实现了调制识别接收机。接收机的前端部分采用基于带通采样的宽带中频结构，实现各种调制信号的采集。接收机具有实时、事后处理及离线分析等三种工作模式。利用10种数字、模拟调制类型分别对两种识别算法进行现场实验，证明了它们的有效性。本文提出的通信信号调制方式自动识别算法，己在某新型号通信对抗设备中得到应用，效果良好，为该设备的定型起到了重要作用。理论分析、仿真结果和现场试验均表明：本文提出的诸多新算法，不仅在理论上具有一定的创新性，而且具有重要的实用价值。
二、多种数字调制方式实现的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、多种数字调制方式实现的研究（论文提纲范文）
（1）基于特征提取与学习的无线通信数字调制方式自动识别方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 论文研究背景与意义 |
| 1.2 调制识别方法的研究概述与分类 |
| 1.2.1 调制识别方法的研究概述 |
| 1.2.2 调制识别方法的分类 |
| 1.3 本文的主要研究内容以及结构安排 |
| 1.3.1 本文的主要研究内容 |
| 1.3.2 本文的结构安排 |
| 1.4 本章小结 |
| 第二章 无线通信数字调制信号及其识别基本原理 |
| 2.1 无线通信数字调制技术与调制信号 |
| 2.1.1 无线通信数字调制技术 |
| 2.1.2 无线通信数字调制信号 |
| 2.2 数字调制信号智能识别方法 |
| 2.2.1 数字调制信号识别的基本流程图 |
| 2.2.2 数字通信调制识别特征提取方法 |
| 2.2.3 数字通信调制识别分类器 |
| 2.3 本章小结 |
| 第三章 基于深度学习的数字信号调制识别方法 |
| 3.1 高阶累积量概述 |
| 3.1.1 高阶矩与高阶累积量 |
| 3.1.2 高阶累积量与高阶矩之间的关系 |
| 3.1.3 高阶累积量的性质在调制识别中的应用 |
| 3.2 深度学习理论概述 |
| 3.2.1 深度学习理论的基本概念 |
| 3.2.2 深度学习的模型分类概述 |
| 3.3 基于深度学习的调制特征提取方法 |
| 3.3.1 堆叠自动编码器的基本原理 |
| 3.3.2 柔性最大传输函数分类器原理 |
| 3.3.3 基于SAE-SOFTMAX的调制识别特征提取方法步骤 |
| 3.4 基于深度学习的数字调制信号高阶统计量提取与调制方式识别方法 |
| 3.4.1 数字调制信号特征选择 |
| 3.4.2 数字调制信号特征学习识别方法及步骤 |
| 3.4.3 数字信号调制方式识别方法性能指标 |
| 3.5 识别系统性能分析 |
| 3.6 本章小结 |
| 第四章 基于支持向量机特征学习的调制识别方法 |
| 4.1 支持向量机概述 |
| 4.2 基于支持向量机的调制信号高阶统计量特征学习与调制方式识别 |
| 4.2.1 基于支持向量机的多分类方法 |
| 4.2.2 数字调制信号高阶统计量特征的学习 |
| 4.2.3 基于支持向量机的特征学习调制识别方法步骤 |
| 4.3 识别系统性能分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（2）基于深度学习的数字调制信号解调研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 课题研究内容及结构安排 |
| 第2章 数字调制系统与深度学习理论基础 |
| 2.1 传统的数字调制解调方法 |
| 2.1.1 数字调制技术 |
| 2.1.2 解调器基本结构与码间干扰 |
| 2.2 小尺度衰落 |
| 2.3 信道均衡技术 |
| 2.3.1 自适应均衡滤波器 |
| 2.3.2 判决反馈均衡器 |
| 2.4 深度学习 |
| 2.4.1 神经网络 |
| 2.4.2 深度学习关键技术 |
| 2.4.3 常见深度学习模型结构 |
| 2.5 本章小结 |
| 第3章 基于多层感知器的判决反馈均衡算法 |
| 3.1 信道均衡器的设计 |
| 3.1.1 传统线性均衡器 |
| 3.1.2 神经网络结构的均衡器 |
| 3.2 数字调制系统中多层感知器结构的均衡器设计与优化 |
| 3.2.1 系统模型 |
| 3.2.2 多层感知器的优化算法 |
| 3.3 性能分析 |
| 3.3.1 均衡性能评价指标 |
| 3.3.2 基于MLP的调制信号星座图校正 |
| 3.3.3 SUI信道下基于多层感知器的信道均衡系统性能 |
| 3.4 本章小结 |
| 第4章 基于卷积神经网络的数字调制信号解调 |
| 4.1 系统模型 |
| 4.2 基于深度学习的数字调制信号检测与判决系统设计 |
| 4.2.1 解调网络构建 |
| 4.2.2 数据集的生成 |
| 4.3 性能仿真 |
| 4.3.1 运算复杂度 |
| 4.3.2 误码率性能分析 |
| 4.4 本章小结 |
| 第5章 工作总结及未来展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 附录 相关代码说明 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（3）数字调制方式识别的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容和章节安排 |
| 第2章 数字调制识别的相关理论基础 |
| 2.1 数字调制信号 |
| 2.1.1 幅度键控MASK |
| 2.1.2 移频键控MFSK |
| 2.1.3 移相键控MPSK |
| 2.1.4 正交幅相键控MQAM |
| 2.2 数字信号调制的优势 |
| 2.3 调制识别方法 |
| 2.3.1 基于决策理论的最大似然假设检验方法 |
| 2.3.2 基于特征提取的模式识别方法 |
| 2.4 本章小结 |
| 第3章 基于神经网络的数字调制方式识别 |
| 3.1 算法概述 |
| 3.2 信号预处理 |
| 3.3 分类模块 |
| 3.4 算法流程 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 第4章 基于高阶累积量的数字调制方式识别 |
| 4.1 高阶累积量理论 |
| 4.1.1 随机变量的高阶矩和高阶累积量 |
| 4.1.2 随机向量的高阶矩和高阶累积量 |
| 4.1.3 随机过程的高阶矩和高阶累积量 |
| 4.1.4 高阶矩和高阶累积量的转换关系及性质 |
| 4.1.5 数字信号的高阶矩和高阶累积量 |
| 4.2 基于高阶累积量的数字信号调制方式识别 |
| 4.2.1 数字信号高阶累积量的理论值 |
| 4.2.2 算法步骤 |
| 4.3 仿真结果与分析 |
| 4.4 本章小结 |
| 第5章 基于星座图聚类的数字调制方式识别 |
| 5.1 聚类算法 |
| 5.2 基于聚类的MQAM调制识别算法 |
| 5.3 基于聚类的MPSK调制识别算法 |
| 5.4 仿真与性能分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的论文 |
| 致谢 |
（4）基于DDS的高速任意信号发生器设计（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 信号发生器研究现状 |
| 1.2.2 USB接口发展现状 |
| 1.3 论文主要研究及技术指标 |
| 1.3.1 研究目标及内容 |
| 1.3.2 设计指标 |
| 1.4 论文章节安排 |
| 2 系统基础理论 |
| 2.1 直接频率合成技术概述 |
| 2.1.1 直接频率合成技术 |
| 2.1.2 直接频率合成技术原理和结构 |
| 2.1.3 直接频率合成技术特点 |
| 2.2 现场可编程门阵列技术概述 |
| 2.2.1 现场可编程门阵列简介 |
| 2.2.2 现场可编程门阵列原理与应用 |
| 2.2.3 Inter FPGA开发 |
| 2.2.4 FPGA应用 |
| 2.3 通用串行总线概述 |
| 2.3.1 USB3.0总线 |
| 2.3.2 USB3.0传输要素 |
| 2.3.3 USB3.0通信原理 |
| 2.3.4 USB3.0技术特点及结构 |
| 2.4 数字调制技术概述 |
| 2.4.1 幅度键控 |
| 2.4.2 频移键控 |
| 2.4.3 相移键控 |
| 2.4.4 正交振幅键控 |
| 2.4.5 MATLAB介绍 |
| 2.5 本章小结 |
| 3 高速信号发生器电路设计 |
| 3.1 高速任意信号发生器架构设计 |
| 3.2 主要功能芯片选型 |
| 3.2.1 FPGA器件型号EP4CE22F17C8 |
| 3.2.2 USB3.0接口芯片CYUSB3014 |
| 3.2.3 高速D/A芯片AD9708 |
| 3.3 系统功能模块电路 |
| 3.3.1 FPGA单元电路设计 |
| 3.3.2 高速D/A转换单元电路设计 |
| 3.3.3 USB3.0控制器FX3电路设计 |
| 3.3.4 低通滤波电路设计 |
| 3.3.5 放大器电路设计 |
| 3.3.6 电源供电设计 |
| 3.4 本章小结 |
| 4 高速信号发生器FPGA逻辑设计 |
| 4.1 USB控制逻辑电路设计 |
| 4.1.1 SlaveFIFO控制读写逻辑 |
| 4.1.2 同步写入异步读取RAM配置 |
| 4.1.3 读写RAM时钟设计 |
| 4.2 数据传输通信协议设计 |
| 4.3 DDS逻辑电路设计 |
| 4.3.1 地址累加器设计 |
| 4.3.2 波形数据存储区设计 |
| 4.3.3 RAM存储器读写时序设计 |
| 4.3.4 DAC驱动设计 |
| 4.4 本章小结 |
| 5 高速信号发生器软件实现 |
| 5.1 高速信号发生器系统软件总体结构 |
| 5.2 MATLAB波形程序设计 |
| 5.2.1 常规信号设计 |
| 5.2.2 数字调制实现 |
| 5.2.3 模拟调制实现 |
| 5.2.4 MATLAB GUI设计 |
| 5.3 USB固件程序设计 |
| 5.3.1 USB3.0固件开发介绍 |
| 5.3.2 GPIF接口设计 |
| 5.3.3 SlaveFIFO模式固件程序设计 |
| 5.4 本章小结 |
| 6 系统测试 |
| 6.1 系统测试平台 |
| 6.2 设计指标检测 |
| 6.3 本章小结 |
| 7 总结 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）非合作通信中信号检测及调制识别的关键技术研究（论文提纲范文）
| 作者简介 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多径信道下数字调制信号的参数估计 |
| 1.2.2 多径信道下数字调制信号的识别 |
| 1.2.3 非高斯噪声下数字调制信号的识别 |
| 1.2.4 单通道时频重叠信号的参数估计 |
| 1.2.5 单通道时频重叠信号的识别 |
| 1.3 论文解决的关键问题 |
| 1.4 论文的研究内容和主要工作 |
| 第二章 多径信道下数字调制信号的参数估计 |
| 2.1 引言 |
| 2.2 OFDM信号的带宽估计方法 |
| 2.2.1 信号模型 |
| 2.2.2 OFDM信号的功率谱估计 |
| 2.2.3 经验模态分解 |
| 2.2.4 基于经验模态分解的消噪 |
| 2.2.5 OFDM信号带宽估计方法的步骤 |
| 2.2.6 仿真结果及分析 |
| 2.3 OFDM信号的信噪比估计方法 |
| 2.3.1 信号模型 |
| 2.3.2 OFDM信号的功率谱估计 |
| 2.3.3 OFDM信号的带宽估计 |
| 2.3.4 OFDM信号的信噪比估计 |
| 2.3.5 OFDM信号信噪比估计方法的步骤 |
| 2.3.6 仿真结果及分析 |
| 2.4 ZP-OFDM信号的时域参数估计方法 |
| 2.4.1 信号模型 |
| 2.4.2 符号总长度的估计方法 |
| 2.4.3 零前缀长度的估计方法 |
| 2.4.4 ZP-OFDM信号时域参数估计方法的步骤 |
| 2.4.5 仿真结果及分析 |
| 2.5 小结 |
| 第三章 多径信道下数字调制信号的识别 |
| 3.1 引言 |
| 3.2 多径信道下含有频偏和相偏的数字调制信号的识别方法 |
| 3.2.1 信号的循环谱 |
| 3.2.2 基于循环相关特性的识别特征 |
| 3.2.3 基于循环特性的载波频率估计 |
| 3.2.4 含有频偏和相偏的数字调制信号识别方法的步骤 |
| 3.2.5 仿真结果及分析 |
| 3.3 多径信道下OFDM信号子载波调制方式的识别方法 |
| 3.3.1 信号模型 |
| 3.3.2 多径信道下接收信号的高阶累积量 |
| 3.3.3 多径信道下子载波星座图的聚类及判决 |
| 3.3.4 OFDM信号子载波调制方式识别方法的步骤 |
| 3.3.5 仿真结果及分析 |
| 3.4 小结 |
| 第四章 非高斯噪声下数字调制信号的识别 |
| 4.1 引言 |
| 4.2 Alpha稳定分布噪声模型 |
| 4.3 非高斯噪声下数字调制信号的识别方法 |
| 4.3.1 基于广义分数阶傅里叶变换的特征参数 |
| 4.3.2 基于分数低阶Wigner-Ville分布的特征参数 |
| 4.3.3 非高斯噪声下数字调制信号识别方法的步骤 |
| 4.3.4 仿真结果及分析 |
| 4.4 Alpha稳定分布噪声下数字调制信号的识别方法 |
| 4.4.1 基于广义分数阶傅里叶变换的特征参数 |
| 4.4.2 基于分数低阶协方差谱的特征参数 |
| 4.4.3 Alpha稳定分布噪声下数字调制信号识别方法的步骤 |
| 4.4.4 仿真结果及分析 |
| 4.5 小结 |
| 第五章 单通道时频重叠信号的参数估计 |
| 5.1 引言 |
| 5.2 单通道时频重叠信号的个数估计方法 |
| 5.2.1 信号模型 |
| 5.2.2 信号的循环累积量理论 |
| 5.2.3 重叠信号个数估计方法的原理及步骤 |
| 5.2.4 仿真结果及分析 |
| 5.3 单通道时频重叠信号的载波频率估计方法 |
| 5.3.1 重叠信号载波频率估计方法的原理及步骤 |
| 5.3.2 仿真结果及分析 |
| 5.4 单通道时频重叠信号的码元速率估计方法 |
| 5.4.1 重叠信号码元速率估计方法的原理及步骤 |
| 5.4.2 仿真结果及分析 |
| 5.5 小结 |
| 第六章 单通道时频重叠信号的识别 |
| 6.1 引言 |
| 6.2 单通道时频重叠信号的识别方法 |
| 6.2.1 信号模型 |
| 6.2.2 基于循环累计量的特征参数 |
| 6.2.3 单通道时频重叠信号识别方法的原理及步骤 |
| 6.2.4 仿真结果及分析 |
| 6.3 小结 |
| 第七章 全文总结 |
| 7.1 论文研究的主要成果 |
| 7.2 需要进一步研究的问题 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间的研究成果 |
（7）利用高阶累积量实现数字调制信号的识别（论文提纲范文）
| 0 引言 |
| 1 高阶累积量调制识别分析 |
| 1.1 高阶矩和高阶累积量 |
| 1.2 数字调制信号模型描述 |
| 1.3 数字调制信号高阶累积量的理论值 |
| 2 特征参数选取 |
| 3 算法步骤及验证 |
| 3.1 算法步骤 |
| 3.2 算法仿真验证 |
| 4 结语 |
（8）数字示波器矢量信号分析功能设计（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 矢量信号分析仪器国内外研究现状和发展态势 |
| 1.2.1 矢量信号分析仪器国内外研究现状 |
| 1.2.2 矢量信号分析功能的软件发展趋势 |
| 1.3 论文的研究内容及其章节安排 |
| 1.3.1 研究内容和目标 |
| 1.3.2 论文的章节安排 |
| 第二章 数字示波器矢量分析功能软件总体设计方案 |
| 2.1 数字调制及测量技术 |
| 2.2 数字信号调制和分析技术 |
| 2.2.1 矢量信号概念 |
| 2.2.2 数字信号调制的类型 |
| 2.2.3 码元速率与比特率 |
| 2.2.4 正交相移键控 |
| 2.2.5 矢量信号分析功能的基本原理 |
| 2.3 硬件系统概述 |
| 2.4 软件系统概述 |
| 2.5 矢量信号分析功能设计方案 |
| 2.5.1 软件需求分析 |
| 2.5.2 软件总体设计方案 |
| 2.6 本章小结 |
| 第三章 矢量信号分析功能显示与测量模块设计 |
| 3.1 矢量信号分析功能显示模块设计 |
| 3.1.1 显示窗口的设计 |
| 3.1.2 图形显示模块软件结构 |
| 3.1.3 星座图 |
| 3.1.4 矢量图 |
| 3.1.5 多波形显示 |
| 3.2 矢量信号分析功能测量模块设计 |
| 3.2.1 矢量信号分析功能误差测量模块的软件结构 |
| 3.2.2 误差参数的统计 |
| 3.2.3 符号/误差汇总表 |
| 3.3 本章小结 |
| 第四章 矢量信号分析软件控制与数据传输处理模块设计 |
| 4.1 控制模块 |
| 4.1.1 控制模块的软件结构 |
| 4.1.2 输入信号的设置 |
| 4.1.3 显示功能控制 |
| 4.2 数据传输处理模块 |
| 4.2.1 深存储数据存储模块的原理 |
| 4.2.2 数据获取与处理模块的基本原理 |
| 4.2.3 深存储数据获取起始地址算法 |
| 4.3 工控机的矢量数据的处理 |
| 4.3.1 星座点的映射 |
| 4.3.2 数据的归一化处理 |
| 4.4 本章小结 |
| 第五章 矢量分析功能软件测试与验证 |
| 5.1 图形显示功能验证 |
| 5.1.1 矢量图及星座图显示 |
| 5.1.2 图形显示区整体设计 |
| 5.1.3 眼图功能验证 |
| 5.2 误差统计验证 |
| 5.3 软件控制验证 |
| 5.3.1 信号调制方式选择控制 |
| 5.3.2 坐标轴的控制 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（9）大动态信噪比下数字调制信号识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究的背景 |
| 1.2 特征提取国内外研究现状 |
| 1.2.1 基于时域的特征提取方法 |
| 1.2.2 基于频域的特征提取方法 |
| 1.2.3 基于变换域的特征提取方法 |
| 1.3 分类器国内外研究现状 |
| 1.3.1 传统机器学习识别算法 |
| 1.3.2 支持向量机 |
| 1.3.3 随机森林 |
| 1.3.4 神经网络 |
| 1.4 论文的主要研究内容和工作安排 |
| 第2章 基于分形理论的数字调制识别研究 |
| 2.1 引言 |
| 2.2 传统的一维分形特征提取方法 |
| 2.2.1 分形盒维数 |
| 2.2.2 Higuchi分形维数 |
| 2.2.3 Petrosian分形维数 |
| 2.2.4 Katz分形维数 |
| 2.2.5 Sevcik分形维数 |
| 2.2.6 分形维数性能分析 |
| 2.2.7 仿真结果与性能分析 |
| 2.3 基于灰色关联的分类器设计方法 |
| 2.3.1 普通灰色关联算法 |
| 2.3.2 区间灰色关联算法 |
| 2.3.3 自适应权值灰色关联算法 |
| 2.3.4 自适应权值区间灰色关联 |
| 2.3.5 仿真结果与性能分析 |
| 2.4 本章小结 |
| 第3章 基于信息熵特征的数字调制识别研究 |
| 3.1 引言 |
| 3.2 信息熵特征提取算法 |
| 3.2.1 常用信息熵提取方法 |
| 3.2.2 基于时频分析的熵特征提取方法 |
| 3.2.3 熵特征评价 |
| 3.3 特征选择算法 |
| 3.3.1 特征选择算法简介 |
| 3.3.2 序列前向选择方法 |
| 3.3.3 序列浮动前向选择算法 |
| 3.3.4 ReliefF特征选择算法 |
| 3.3.5 仿真结果与性能分析 |
| 3.4 k近邻算法 |
| 3.4.1 分类器 |
| 3.4.2 支持向量机 |
| 3.4.3 Adaboost算法 |
| 3.4.4 梯度提升决策树 |
| 3.4.5 Xgboost算法 |
| 3.5 仿真结果与性能分析 |
| 3.5.1 仿真数据 |
| 3.5.2 仿真方法 |
| 3.5.3 仿真结果与性能分析 |
| 3.6 本章小结 |
| 第4章 基于证据理论的数字调制识别研究 |
| 4.1 引言 |
| 4.2 证据理论的基本原理 |
| 4.2.1 基本原理 |
| 4.2.2 对冲突悖论的研究 |
| 4.2.3 常见的解决冲突问题融合方法 |
| 4.2.4 可靠性加权融合方法 |
| 4.3 基于钟型函数的基本概率赋值函数(BPA)的获取 |
| 4.3.1 钟型函数的基本概念 |
| 4.3.2 钟型函数的建立 |
| 4.3.3 钟型函数获取BPA的算法仿真与结果分析 |
| 4.4 基于证据可靠性的分类识别器 |
| 4.5 仿真结果与性能分析 |
| 4.6 本章小结 |
| 第5章 基于深度学习的数字调制识别研究 |
| 5.1 引言 |
| 5.2 深度学习的发展与现状 |
| 5.3 深度学习体系结构和模型 |
| 5.3.1 神经网络的训练机制 |
| 5.3.2 深度网络训练过程 |
| 5.4 卷积神经网络的结构和模型 |
| 5.5 CNN框架介绍 |
| 5.6 信号预处理方法 |
| 5.6.1 星座图 |
| 5.6.2 等势星球图 |
| 5.6.3 基于生成对抗网络的数据增强 |
| 5.7 仿真结果与性能分析 |
| 5.7.1 数据集的准备 |
| 5.7.2 CNN和GAN的搭建环境超参数设置 |
| 5.8 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（10）数字通信信号调制方式自动识别研究及实现（论文提纲范文）
| 摘要 |
| Abstract |
| 英文缩略语 |
| 主要数学符号 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状及分析 |
| 1.2.1 调制方式识别的 LB 方法 |
| 1.2.2 调制方式识别的 FB 方法 |
| 1.2.3 国内研究现状 |
| 1.2.4 对研究现状的分析 |
| 1.3 本文主要研究内容和创新成果 |
| 1.3.1 本文主要研究内容 |
| 1.3.2 本文创新成果 |
| 第二章 调制识别中的信噪比估计 |
| 2.1 调制识别接收机的结构 |
| 2.2 信号模型 |
| 2.3 调制识别算法性能的度量 |
| 2.4 信噪比估计的研究现状 |
| 2.4.1 信噪比估计的目的和意义 |
| 2.4.2 信噪比估计的研究现状 |
| 2.5 基于高阶矩的信噪比估计算法 |
| 2.5.1 模平方序列、模四次方序列的性质 |
| 2.5.2 信号功率、噪声功率估计方差的 CRB |
| 2.5.3 信噪比估计方差的 CRB |
| 2.5.4 HOM 信噪比估计算法 |
| 2.5.5 HOM 算法误差性能与信噪比的关系 |
| 2.5.6 HOM 算法误差性能与符号数的关系 |
| 2.5.7 HOM 算法误差性能与过采样数的关系 |
| 2.5.8 本节小结 |
| 2.6 基于特征分解和子空间概念的信噪比估计算法 |
| 2.6.1 信号模型 |
| 2.6.2 算法的理论推导 |
| 2.6.3 仿真实验 |
| 2.7 两种信噪比估计算法耗时比较 |
| 2.8 小结 |
| 第三章 基于联合特征参数判决理论的实时调制识别算法 |
| 3.1 离散随机序列的 ZA 变换 |
| 3.2 瞬时幅度提取 |
| 3.2.1 信号模型 |
| 3.2.2 AWHT 算法的理论推导 |
| 3.2.3 AWHT 算法平均误差与信噪比的关系 |
| 3.2.4 AWHT 算法平均误差与样本数的关系 |
| 3.2.5 AWHT 算法平均误差与载波频率失谐度的关系 |
| 3.2.6 瞬时幅度提取时间比较 |
| 3.3 瞬时相位提取 |
| 3.3.1 减小噪声和带宽限制带来的影响 |
| 3.3.2 瞬时相位提取的 PWU 方法 |
| 3.4 瞬时频率提取 |
| 3.4.1 瞬时频率的定义 |
| 3.4.2 应用希尔伯特变换法确定瞬时频率对信号的限制条件 |
| 3.4.3 瞬时频率提取方法 |
| 3.4.4 仿真实验及性能分析 |
| 3.5 特征参数的选取 |
| 3.5.1 基于频谱对称性的统计特征参数 |
| 3.5.2 基于瞬时幅度的统计特征参数 |
| 3.5.3 基于瞬时相位的统计特征参数 |
| 3.5.4 基于瞬时频率的统计特征参数 |
| 3.5.5 其它类型的统计特征参数 |
| 3.6 基于判决理论的调制识别算法 |
| 3.7 调制识别算法性能评估 |
| 3.7.1 平均识别率与信噪比的关系 |
| 3.7.2 平均识别率与样本数的关系 |
| 3.7.3 平均识别时间与样本数的关系 |
| 3.8 小结 |
| 第四章 基于循环平稳信号理论的调制识别算法 |
| 4.1 循环平稳信号理论 |
| 4.1.1 循环平稳信号的定义 |
| 4.1.2 循环平稳信号理论发展概况 |
| 4.1.3 循环平稳理论在通信信号调制方式识别中的应用情况 |
| 4.1.4 一阶循环平稳过程 |
| 4.1.5 二阶循环平稳过程 |
| 4.1.6 离散信号二阶循环平稳过程 |
| 4.1.7 循环谱的性质 |
| 4.1.8 谱相关密度函数估计 |
| 4.2 矩和累积量 |
| 4.2.1 高阶统计量 |
| 4.2.2 时变矩与时变累积量 |
| 4.2.3 循环矩和循环累积量 |
| 4.2.4 循环累积量的性质 |
| 4.3 基于谱相关理论的通信信号调制类型识别算法 |
| 4.3.1 信号模型 |
| 4.3.2 特征提取 |
| 4.3.3 分类算法 |
| 4.3.4 算法仿真 |
| 4.4 小结 |
| 第五章 调制识别算法的硬件实现 |
| 5.1 硬件部分 |
| 5.1.1 数字中频部分 |
| 5.1.2 高速数据传输、存储部分 |
| 5.1.3 中央显示控制与存储单元 |
| 5.2 软件部分 |
| 5.3 调制方式识别实验 |
| 5.4 小结 |
| 第六章 结论与展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
四、多种数字调制方式实现的研究（论文参考文献）
- [1]基于特征提取与学习的无线通信数字调制方式自动识别方法研究[D]. 宁暑光. 合肥工业大学, 2019(01)
- [2]基于深度学习的数字调制信号解调研究[D]. 宗志辉. 重庆邮电大学, 2019(02)
- [3]数字调制方式识别的研究[D]. 李明璐. 河北科技大学, 2020(01)
- [4]基于DDS的高速任意信号发生器设计[D]. 李蓬勃. 北京交通大学, 2019(01)
- [5]非合作通信中信号检测及调制识别的关键技术研究[D]. 刘明骞. 西安电子科技大学, 2013(05)
- [6]基于高阶累积量和循环谱的信号调制方式混合识别算法[J]. 赵雄文,郭春霞,李景春. 电子与信息学报, 2016(03)
- [7]利用高阶累积量实现数字调制信号的识别[J]. 郭娟娟,尹洪东,姜璐,梅恒芳. 通信技术, 2014(11)
- [8]数字示波器矢量信号分析功能设计[D]. 王培彬. 电子科技大学, 2019(01)
- [9]大动态信噪比下数字调制信号识别方法研究[D]. 王辉. 哈尔滨工程大学, 2018(01)
- [10]数字通信信号调制方式自动识别研究及实现[D]. 张志民. 国防科学技术大学, 2012(10)