信号模型噪声服从零均值高斯分布_非高斯噪声下基于分数低阶循环谱的调制识别方法...
1 引言
当前,绝大多数非高斯噪声的建模形式都为Alpha稳定分布噪声。首先,Alpha稳定分布符合中心极限定理,在理论上适合应用于实际场景中的噪声建模;其次,Alpha稳定分布由于其参数的可变性,包含高斯分布、柯西分布和拉普拉斯分布等,研究Alpha噪声下的调制识别方法比高斯分布噪声更具有普适性。但是,Alpha稳定分布噪声不具有二阶及二阶以上特性,大部分的时频特征和统计特征失效。
课题的第四章节主要利用统计特征实现非高斯场景下的调制识别方法。在非高斯场景中,主要的抑制噪声手段如图1所示。
本次分享中,主要介绍特征分数低阶化的方法,用到的特征是常用的循环谱方法,通过构造分数低阶循环谱特征,获得含有Alpha稳定分布噪声信号的特征向量,最终使用训练好的分类器模型得到最终的信号分类结果。
2 研究目的:
论文的第四章节中,主要想利用基于分数低阶统计特征的调制识别方法,因此首先尝试了使用分数低阶循环谱特征,该方法有效地实现了Alpha噪声下的调制识别,并得到较优的识别精度。一方面,使用传统的方法实现非高斯场景下的调制识别方法具有工程可实现性;另一方面,为第五章节基于深度学习的调制识别方法提供了对比。
3 循环谱的理论基础
通常在对平稳随机过程的各阶统计量进行描述时,因为平稳的随机过程具有时间遍历性,所以各阶统计量都可以采用时间平均这一概念来描述。但由于非平稳信号的均值和自相关函数都是随时间而变化的函数,所以不能直接用时间平均来计算信号的统计量特征。
假设一个确定的复正弦信号
用统计平均的方法求出以上过程的均值,有
其中信号的持续时间为
信号的持续时间越长,外界噪声对信号的干扰越小,有
其中,傅里叶系数的具体形式由下式给出,即
由上述式子的推导可得:
如果x(t)中包括很多不同的周期信号,则根据上述的公式可以进一步得到下式:
在上式中,
假如信号的循环均值和一阶循环频率其中有一个为零,那么为了对信号继续分析,就需要利用信号的二阶统计量这一参量,二阶统计量代表了信号的自相关函数,自相关函数的定义如下:
其中T代表了自相关函数的循环周期。
假设信号x(t)的均值为零,信号的自相关函数以傅里叶级数的形式来表示,则有:
其中
如果x(t)是经历了各态的过程,则有下式:
同样傅里叶系数为:
由上式可得,当
循环谱也就是循环平稳信号的谱自相关函数,用
在循环频率为零时,信号的循环谱代表了功率谱;在循环频率不为零时,信号的傅里叶变换代表了循环谱。
运用信号的互谱理论,可以得到如下关系:
结合以上关系可得:
u(t)和v(t)互相关的结果可以得到循环自相关函数,两者之间的关系是
由互谱理论分析可得
则
由以上结论可得,信号的循环平稳性质可以通过瞬时谱相关看出,公式如下:
由上式可以看出,根据信号循环谱
采用信号循环谱的优点是,信号的循环谱密度函数能够表示一些信号的特性和特征,例如循环谱包含了信号的频率和循环频率,从这些信息能够对信号进行更准确有效地分析,对信号处理系统的准确性有很大提升。当外界信道环境包括噪声时,则输入信号满足:
x(t)=s(t)+n(t)
其中x(t)代表了信号,n(t)代表了外界环境中的噪声。假如n(t)为符合高斯分布的高斯白噪声,那么x(t)的自相关函数就不是周期函数,x(t)具有平稳的性质,x(t)的循环谱密度函数如下:
上式表达的意义是符合平稳分布的噪声的循环谱密度函数为零,因此通过信号的循环谱可以抑制稳定分布噪声的幅值,进而得到属于信号的循环谱特征。
4 分数低阶化方法
一般来说,分数低阶循环统计量包括分数低阶循环自相关函数和分数低阶循环谱密度函数两个概念,是分数低阶统计量中的一个重要的组成部分。
假设随机信号x(t)的自相关函数的周期大小为
假如采用复数形式,那么信号的分数低阶循环谱可能会有一些信息被遗漏。因此本课题将研究重点集中在变换后信号的实部,即
b介于
其中,f表示信号的频率。
对于复解析信号
5 仿真结果
图2 2ASK、BPSK和2FSK的分数低阶循环谱三维图
如图2所示为2ASK、BPSK和2FSK的分数低阶循环谱三维图,经过对调制信号分数低阶循环谱三维仿真图的分析,为了减少识别算法的计算量,将调制信号的分数低阶循环谱在f=0的截面上作投影,将三维立体图转换为二维平面图。由仿真实验结果可知,分数低阶循环谱在截面上投影的包络就能够完整反映出不同调制信号的不同特性,因此对谱图进行进一步处理,最终提取调制信号分数低阶循环谱在f=0截面上投影的最大值作为调制信号的循环谱特征。
图3 不同信号分数低阶循环谱截面投影
如图3所示为不同调制信号的分数低阶循环谱在f=0截面上投影最大值的仿真实验结果。
确定不同调制信号的分数低阶循环谱特征之后,需要对适用于本文所选五种调制信号的分类方法进行选择。本文根据选定的分数低阶循环谱特征,选取KNN分类器(k近邻分类算法)作为分类方法。利用KNN分类器进行分类识别一般需要经过两个阶段。第一个阶段是训练阶段,在对输入信号进行判定之前,首先需要对KNN分类器进行训练,输入不同类别的带有相应标签的样本数据,使得分类器中已存储好可供判定使用的样本数据集。分类器训练的结果一般是不同类别的样本数据分布在不同的区域,而相同类别的样本数据之间的距离很小。所以可以根据输入的待标记样本数据附近一定范围内,样本个数最多的样本类别来判断输入的样本数据所属的类别。在训练阶段,本文选取调制信号分数低阶循环谱截面投影的最大值即调制信号的循环谱特征作为训练的样本数据。训练的数据集为2ASK、BPSK、QPSK、2FSK和4FSK五种调制信号的循环谱特征,设定每种调制信号各有100组循环谱特征的样本数据,对五种调制信号分别进行了100次的蒙特卡洛仿真实验,共得到了500组调制信号循环谱特征的样本数据。同时对每组样本数据标记好对应的信号种类标签,并将调制信号循环谱特征的数据集和标签同时输入到KNN分类器中进行训练。
为了将本文选取的分数低阶循环谱算法和传统算法作对比说明,如图4所示为α稳定分布噪声背景下,高阶累积量算法、二阶循环谱算法和本文选取的分数低阶循环谱算法的识别率曲线对比图。由图可知,高阶累积量算法和二阶循环谱算法在α稳定分布噪声背景下识别率很低,算法将失效,但在同样的混合信噪比范围内,当混合信噪比MSNR>13dB时,分数低阶循环谱算法的识别率在90%以上。
5 进度总结及计划
- 已经实现了基于分数低阶循环谱的调制识别方法,但该方法在模型测试的时候具有一定的冗余,计划添加信噪比估计步骤;
- 信噪比估计步骤已经单独实现,还没没有讲信噪比估计和分类识别的过程相结合,完善整个第4章节。
信号模型噪声服从零均值高斯分布_非高斯噪声下基于分数低阶循环谱的调制识别方法...相关推荐
- 点云的无序性_基于深度学习的激光雷达点云物体识别方法总结
0. 前言: 激光雷达作为自动驾驶不可或缺的传感器,随着价格不断下降,各种基于深度学习的模型也层出不穷(坐等马斯克打脸); 激光雷达物体识别的任务: 输入: 激光点云(x, y, z, intensi ...
- linux tcp文件分包_在Linux下基于TCP协议的文件传输程序.
[设计目的] 通过 Linux C 编程,设计一个基于 TCP/IP 的文件传输系统,实现网络文件的收发 [设计环境] Ubuntu 12.04 [设计方案] ( 1 )文件读写 任意文件都可以二进制 ...
- python 矢量数据融合代码_在ArcGIS下基于Python的矢量数据处理方法
在 ArcGIS 下基于 Python 的矢量数据处理方法 林璐 王爽 李海泉 侯兴泽 马鹏刚 [摘 要] 在 ArcGIS 中地理处理可以通过 Python 脚本语言来具体实现.通过 Python ...
- mser python车牌识别_基于MSER与SVM算法的车牌定位识别方法
基于 MSER 与 SVM 算法的车牌定位识别方法 胡成伟 ; 袁明辉 [期刊名称] <软件> [年 ( 卷 ), 期] 2020(041)002 [摘要] 针对实际车牌识别系统中车牌位置 ...
- xmpp协议抓包_在MAC下基于Openfire和Spark的XMPP协议实现
XMPP是一种基于标准通用标记语言的子集XML的协议,它继承了在XML环境中灵活的发展性.因此,基于XMPP的应用具有超强的可扩展性.经过扩展以后的XMPP可以通过发送扩展的信息来处理用户的需求,以及 ...
- 【信息学】【2018.02】噪声环境下基于时频域信号模型的语音去混响
本文为德国埃尔朗根-纽伦堡大学(作者:Sebastian Braun)的博士论文,共164页. 混响是由所有反射声波的总和叠加而成,存在于任何传统的房间中.诸如免提模式的移动电话.平板电脑.智能电视. ...
- 自适应卡尔曼滤波的噪声方差怎么推的_带有未知过程噪声协方差阵递推估计的卡尔曼滤波方法...
带有未知过程噪声协方差阵递推估计的卡尔曼滤波方法 [专利摘要]本发明提供了针对离散时间时不变系统的一种基于递推协方差矩阵估计方法的卡尔曼滤波方法,目的是要解决一类离散时间线性时不变系统中观测噪声协方差 ...
- 基于ANN的6种调制信号自动调制识别(2ASK、4ASK、2FSK、4FSK、2PSK、4PSK)
目的: 实现6种(2ASK.4ASK.2FSK.4FSK.2PSK.4PSK)调制信号自动调制识别. 条件:windows 10,MATLAB 2014a 内容: 本实验设计了一个分层结构的MLP神经 ...
- 第一周-基于循环谱的水声通信信号特征分析和提取
基于循环谱的水声通信信号特征分析和提取 对于非合作水声通信信号的检测.调制识别和参数估计,上学期对于每一个步骤都学到了多种方法.首先在信号的检测中,首先通过合适的阵列发布,并且选取最优的权值获得最接近 ...
最新文章
- 关于虚函数的两个例子
- 石川es6课程---8、字符串
- catia 如何提取cgr面_CATIA教程之创成式外形设计金元宝
- react子组件向父组件传递数据实例
- C语言里 指针变量强制类型转换,C语言之强制类型转换与指针--#define DIR *((volatile unsigned int *) 0x0022)...
- Qt文档阅读笔记-官方2D Painting Example实例解析
- 自定义oracle异常,Oracle自定义异常
- 通用Key-Value存储系统的存储管理策略解析
- @程序员,一文掌握 Web 应用中的图片优化技巧!
- 解决Android编译so库出错问题
- 左传 —— 春秋左氏传
- python下载官网-python下载官网
- Android Studio的Model代码插件开发
- 史上最详细的F450四轴装机实例(无名官方推荐的)
- ServerGuide U盘安装Windows Server 2008 R2安装
- 火车头伪原创php-火车头采集伪原创插件
- MySQL 表空间碎片
- 经典SFM步骤——Lowe2005
- LeetCode 0799. 香槟塔
- 在html里ff3d3d是什么颜色,HTML一些颜色方面的参考
热门文章
- 可以直接考甲级吗_成人高考可以考本科吗?成人高考可以考研究生吗?
- 画王八java代码参数_java画乌龟源代码-郭遥航.doc
- 调用startactivityforresult后,onactivityresult立刻返回RESULT_CANCELED
- 求合体电脑版_网红界宋祖儿找年轻版言承旭当男友,一张合照收割大量cp粉?!...
- 安装Linux后windows在哪启动,在Linux下安装windows后解决Linux不能启动能问题
- android 中radiogroup滑动切换,巧妙实现缺角radiogroup控制多个fragment切换和滑动
- sklearn svm 调参_SVM(Support Vector Machine)
- 怎么修改提交git是的用户名_Git 修改用户名以及提交邮箱
- jwt获取token_JWT实现token认证
- 【转】!!c#文件系统操作类继承关系图