基于循環(huán)譜的調制方式識別與高動態(tài)同步技術研究.pdf

1、調制方式識別及其后續(xù)的高動態(tài)同步技術是構成基于軟件無線電智能接收機的重要技術基礎，也是它的瓶頸和核心，在多體制通信互聯和信號監(jiān)視方面有著十分重要的應用。尤其是近十年來，計算機技術、高速數字信號處理技術以及高速專用器件的快速發(fā)展使調制方式識別和高動態(tài)同步技術的工程實現有了保證。在非合作通信領域的重要地位以及軟件無線電、認知無線電中的應用價值也得到進一步的認識。這方面的研究也越來越受到國內外眾多學者的重視。
　　在此背景下，結合循環(huán)平

2、穩(wěn)過程理論的優(yōu)點，本文采用循環(huán)譜理論研究調制方式識別和高動態(tài)同步問題。研究內容主要包括循環(huán)譜算法改進及其實現、基于循環(huán)譜的調制方式識別算法、基于循環(huán)譜的高動態(tài)同步算法。
　　首先，對于循環(huán)譜算法，由于現有3種循環(huán)譜估計算法的計算量都非常大(主要由DFT和相關運算造成的)，不能對信號進行實時處理。為此，本文提出在循環(huán)譜的分辨率是2的整數次冪時利用改進滑動FFT算法計算DFT，在分辨率不是2的整數次冪時用AFT計算循環(huán)譜算法中的DFT

3、，相關算法全部采用一位相關算法來計算循環(huán)譜。借助實數乘法和實數加法運算量的換算系數，用加法次數作為衡量算法計算量的標準，給出改進算法計算量的閉合表達式，并進行性能仿真。隨后，利用NoisII軟核處理器及其Avalon總線架構的優(yōu)點解決循環(huán)譜算法的實現問題，并以SSCA為例說明循環(huán)譜算法實現的過程和方法。
　　其次，針對現有調制識別算法的不足以及不同的應用場合，本文按照調制方式識別統計模式識別方法的過程，對特征參數和分類器兩個方面進

4、行改進。對于特征參數，去掉一些不合適的循環(huán)譜特征參數，增加其它循環(huán)譜特征參數。并根據循環(huán)譜算法特點，在循環(huán)譜計算過程中提取一些頻域特征參數。對于分類器，首先采用概率神經網絡，并對其結構進行改進，相對于傳統的BP神經網絡，縮短了識別時間，增加了正確識別概率。隨后，針對某些信道多變的特點，利用自組織映射神經網絡的自組織、無導師、自適應等特點提出選用自組織映射神經網絡作為調制方式識別中的分類器以適應信道信噪比的變化。為了提高識別性能和減少識別

5、時間，對它的學習規(guī)則和競爭傳遞函數進行改進。仿真結果顯示采用自組織映射神經網絡作為分類器識別信號的調制方式取得了很好的效果。另外，本文提出利用循環(huán)譜在二維頻率平面的幅度值以及最小均方誤差原則，對信號的調制方式進行識別。這種算法能最大限度地利用循環(huán)譜的特征，提高正確識別概率。本部分最后針對共頻段多信號的調制方式識別問題，給出一種數學模型。利用該模型，提出根據調制信號的循環(huán)譜提取特征參數對共頻段多個通信信號的調制方式識別算法，通過仿真和理論

6、分析證明了提出算法的正確性。
　　最后，以 DSSS-QPSK為處理信號研究高動態(tài)同步算法。首先對傳統的科斯塔斯環(huán)和叉積自動頻率跟蹤算法進行改進。一是工作方式的改進，也就是叉積頻偏估計算法和科斯塔斯環(huán)同時工作，這樣在消除頻偏的同時，也能消除相差；二是采用滑動平均算法更新得到的頻差和相差參數，縮短了參數更新時間，使環(huán)路很快進入鎖定狀態(tài)，基本解決了跟蹤精度和環(huán)路快捕之間的矛盾。改進算法為后續(xù)基于循環(huán)譜的高動態(tài)同步算法提供一個比較對象和