【《混叠多信号调制识别研究文献综述》1800字】

混叠多信号调制识别研究文献综述对于混叠信号的调制识别研究，有三类方法：时域分析、频域分析、时频混合分析。信号混叠的原因是单天线的接收方式，单通道的接收让两个或多个信号在时域和频域上都发生了混叠。而这时候需要识别出混叠信号中每一个信号的类别，高度重叠的信号以及未知种类数的存在使得常用的三种的调制类型识别方法大多失效[22]。共信道混叠多信号的自动调制模式识别主要有两个办法，一种是分离识别，即把混叠多信号分离成多个单信号，再对分离出来的每个单信号进行单信号的自动调制模式识别；第二种是直接对混叠多信号进行盲识别，即直接提取混叠多信号的信号特征，根据提取到的特征进行多分类。混叠多信号的调制模式识别问题要考虑几个关键问题，一是共信号的信号时域、频域的混叠程度，即是否混叠程度低，可以轻松分离不需要直接盲识别，高度重叠的信号才能够真正检验算法的适用性，二是多信号一共有多少类别存在，且同时混叠信号类别数是否已知且固定，即算法是否对变化的参数有适应性。第一种方法也是最为普遍的方法是独立分析算法（IndependentComponentAlgorithm，ICA），但是信号的环境条件被要求是正定的，即多信道通信环境，ICA算法最早在1994年由PierreComon[23]引出的，以及在1997年AapoHyvärinen[24]引出的了FastICA的概念。为实现基于独立分析的信号分离打下了理论基础。但是在工程实现中，信号的混叠程度分离难度高出我们的理论分析，信号的混叠程度往往很高，且未知参数较多，先验信息少，难以将信号进行直接分离，其次分离会破坏信号之间的相关性，破坏有效特征，产生错误分析，随着独立成分的累积，产生的误差量也会累积，最后造成分离精度低，识别效果差。因此单天线接收条件下第一种方案无法满足要求[25]。第二种是直接对混叠信号进行调制识别，识别出混叠信号的个数和种类，但是由于此方法的难度大，现在还没有取得很多的成果。早在1994年，Gardner提出了循环平稳性理论[26]，由于信号具有循环平稳特性，可以根据高阶累积量的不同来选择感兴趣信号的循环频率，由于该方法的提出，后面的很多学者使用信号的循环平稳特性来实现混叠信号的调制识别。而后在1994年Nagy[27]提出了当信号在频域完全可分的情况下，可以直接从信号的幅度信息提取各个信号的频谱特征来实现多信号的调制识别。根据信号循环平稳理论，提取信号的高阶累积量作为有效特征，最早是C.M.Spooner[28-30]实现了共信道混叠信号的AMC，虽然只有两类信号混叠，并且各参数是同步的并且对频率偏移较为敏感。O.A.Dobre[31,32][33-35]利用同一流程方式，，实现了混叠多信号的AMC。此方法的稳定性更强，但并没有系统地去进行方法之间的横向对比。El-MahdyAE[36]利用，取得了很好的成果，但是该方法对于复杂电磁环境下调制信号的识别是有拘束条件的。基于循环谱的方法[37-38]需要知道信号的循环频率，但是不与其所处的空间重合。陆明泉等[39]以信号频谱混叠程度为灵感提出了基于GAR模型的MAMC算法，利用目标信号和干扰信号循环平稳性之间的差异，来对信号进行循环谱的累计作为分类特征ADDINEN.CITEADDINEN.CITE.DATA[40-42]，但是该方法需要避开MQAM信号，但是高度混叠的信号该方法会受限。在2017年V.GouldiefADDINEN.CITE<EndNote><Cite><Author>Gouldieff</Author><Year>2017</Year><RecNum>32</RecNum><DisplayText><styleface="superscript">[38]</style></DisplayText><record><rec-number>32</rec-number><foreign-keys><keyapp="EN"db-id="50epfav2laa2xse0ewb5fs509edsedvpe0va"timestamp="1592386653">32</key><keyapp="ENWeb"db-id="">0</key></foreign-keys><ref-typename="JournalArticle">17</ref-type><contributors><authors><author>Gouldieff,Vincent</author><author>Palicot,Jacques</author><author>Daumont,Steredenn</author></authors></contributors><titles><title>BlindModulationClassificationforCognitiveSatelliteintheSpectralCoexistenceContext</title><secondary-title>IEEETransactionsonSignalProcessing</secondary-title></titles><periodical><full-title>IEEETransactionsonSignalProcessing</full-title></periodical><pages>3204-3217</pages><volume>65</volume><number>12</number><dates><year>2017</year></dates><isbn>1053-587X 1941-0476</isbn><urls></urls><electronic-resource-num>10.1109/tsp.2017.2688976</electronic-resource-num></record></Cite></EndNote>[43]所提出的方法可以很好地实现混叠多信号的直接识别，在低信噪比下大部分信号均有很好的表现，但是QPSK和16QAM识别效果较差。目前也有很有研究人员提出了可行的方法，但是在实际工程中，都无法实现理想的结果，因为这些方法大都是二混叠信号，且要求混叠信号能量相同，否则就会对于低能量的信号会被忽略，但是本文所面对的混叠信号，能量，个数的各项参数是变化的。[1]田晓迪.基于深度学习的通信信号调制模式识别方法研究[D].吉林大学,2020.[2]程磊,葛临东,彭华,郑金良.通信信号调制识别现状与发展动态[J].微计算机信息,2005(18):154-156.[3]WeaverCS,ColeCA,KrumlandRB,etal.Theautomaticclassificationofmodulationstypesbytyperecognition[R].StanfordLab,Tech.Report,1969:1829.[4]WEIW,MENDELJM.Maximum-likelihoodclassificationfordigitalamplitude-phasemodulations[J].IEEEtransactionsonCommunications,2000,48(2):189-193.[5]HAMEEDF,DOBREOA,POPESCUDC.Onthelikelihood-basedapproachtomodulationclassification[J].IEEETransactionsonWirelessCommunications,2009,8(12).[6]DobreOA,AbdiA,BarnessY,etal.Surveyofautomaticmodulationclassificationtechniques:classicalapproachesandnewtrends[J].IETCommunications,2007,1(2):137-156.[7]曾创展,贾鑫,朱卫纲.通信信号调制方式识别方法综述[J].通信技术,2015,48(03):252-257.[8]KimK,PolydorosA.Digitalmodulationclassification:theBPSKversusQPSKcase[C]//MilitaryCommunicationsConference.IEEE,2002:431-436.[9]LayNE,PolydorosA.Per-survivorprocessingforchannelacquisition,datadetectionandmodulationclassification[C]//ConferenceonSignals,Systems&Computers.IEEEComputerSociety,1994,2:1169-1173.[10]PanagiotouP,AnastasopoulosA,PolydorosA.Likelihoodratiotestsformodulationclassification[M],2000,2:670-674.[11]吴彦伦.基于深度学习的调制识别算法研究[D].电子科技大学,2018.[12]A.K,Nandi,and,etal.Automaticanaloguemodulationrecognition[J].SignalProcessing,1995.[13]LiuT,GuanY,LinY.Researchonmodulationrecognitionwithensemblelearning[J].EurasipJournalonWirelessCommunications&Networking,2017,2017(1):179.[14]O'SheaTJ,CorganJ,ClancyTC.ConvolutionalRadioModulationRecognitionNetworks[J].Springer,Cham,2016.[15]WestNE,O'SheaTJ.DeepArchitecturesforModulationRecognition[J].2017.[16]O'SheaTJ,RoyT,ClancyTC.Over-the-AirDeepLearningBasedRadioSignalClassification[J].IEEEJournalofSelectedTopicsinSignalProcessing,2018,12(1):168-179.[17]O'SheaTJ,WestN.RadioMachineLearningDatasetGenerationwithG