基于循環(huán)譜的調(diào)制方式識(shí)別與高動(dòng)態(tài)同步技術(shù)研究.pdf

1、調(diào)制方式識(shí)別及其后續(xù)的高動(dòng)態(tài)同步技術(shù)是構(gòu)成基于軟件無(wú)線(xiàn)電智能接收機(jī)的重要技術(shù)基礎(chǔ)，也是它的瓶頸和核心，在多體制通信互聯(lián)和信號(hào)監(jiān)視方面有著十分重要的應(yīng)用。尤其是近十年來(lái)，計(jì)算機(jī)技術(shù)、高速數(shù)字信號(hào)處理技術(shù)以及高速專(zhuān)用器件的快速發(fā)展使調(diào)制方式識(shí)別和高動(dòng)態(tài)同步技術(shù)的工程實(shí)現(xiàn)有了保證。在非合作通信領(lǐng)域的重要地位以及軟件無(wú)線(xiàn)電、認(rèn)知無(wú)線(xiàn)電中的應(yīng)用價(jià)值也得到進(jìn)一步的認(rèn)識(shí)。這方面的研究也越來(lái)越受到國(guó)內(nèi)外眾多學(xué)者的重視。
　　在此背景下，結(jié)合循環(huán)平

2、穩(wěn)過(guò)程理論的優(yōu)點(diǎn)，本文采用循環(huán)譜理論研究調(diào)制方式識(shí)別和高動(dòng)態(tài)同步問(wèn)題。研究?jī)?nèi)容主要包括循環(huán)譜算法改進(jìn)及其實(shí)現(xiàn)、基于循環(huán)譜的調(diào)制方式識(shí)別算法、基于循環(huán)譜的高動(dòng)態(tài)同步算法。
　　首先，對(duì)于循環(huán)譜算法，由于現(xiàn)有3種循環(huán)譜估計(jì)算法的計(jì)算量都非常大(主要由DFT和相關(guān)運(yùn)算造成的)，不能對(duì)信號(hào)進(jìn)行實(shí)時(shí)處理。為此，本文提出在循環(huán)譜的分辨率是2的整數(shù)次冪時(shí)利用改進(jìn)滑動(dòng)FFT算法計(jì)算DFT，在分辨率不是2的整數(shù)次冪時(shí)用AFT計(jì)算循環(huán)譜算法中的DFT

3、，相關(guān)算法全部采用一位相關(guān)算法來(lái)計(jì)算循環(huán)譜。借助實(shí)數(shù)乘法和實(shí)數(shù)加法運(yùn)算量的換算系數(shù)，用加法次數(shù)作為衡量算法計(jì)算量的標(biāo)準(zhǔn)，給出改進(jìn)算法計(jì)算量的閉合表達(dá)式，并進(jìn)行性能仿真。隨后，利用NoisII軟核處理器及其Avalon總線(xiàn)架構(gòu)的優(yōu)點(diǎn)解決循環(huán)譜算法的實(shí)現(xiàn)問(wèn)題，并以SSCA為例說(shuō)明循環(huán)譜算法實(shí)現(xiàn)的過(guò)程和方法。
　　其次，針對(duì)現(xiàn)有調(diào)制識(shí)別算法的不足以及不同的應(yīng)用場(chǎng)合，本文按照調(diào)制方式識(shí)別統(tǒng)計(jì)模式識(shí)別方法的過(guò)程，對(duì)特征參數(shù)和分類(lèi)器兩個(gè)方面進(jìn)

4、行改進(jìn)。對(duì)于特征參數(shù)，去掉一些不合適的循環(huán)譜特征參數(shù)，增加其它循環(huán)譜特征參數(shù)。并根據(jù)循環(huán)譜算法特點(diǎn)，在循環(huán)譜計(jì)算過(guò)程中提取一些頻域特征參數(shù)。對(duì)于分類(lèi)器，首先采用概率神經(jīng)網(wǎng)絡(luò)，并對(duì)其結(jié)構(gòu)進(jìn)行改進(jìn)，相對(duì)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，縮短了識(shí)別時(shí)間，增加了正確識(shí)別概率。隨后，針對(duì)某些信道多變的特點(diǎn)，利用自組織映射神經(jīng)網(wǎng)絡(luò)的自組織、無(wú)導(dǎo)師、自適應(yīng)等特點(diǎn)提出選用自組織映射神經(jīng)網(wǎng)絡(luò)作為調(diào)制方式識(shí)別中的分類(lèi)器以適應(yīng)信道信噪比的變化。為了提高識(shí)別性能和減少識(shí)別

5、時(shí)間，對(duì)它的學(xué)習(xí)規(guī)則和競(jìng)爭(zhēng)傳遞函數(shù)進(jìn)行改進(jìn)。仿真結(jié)果顯示采用自組織映射神經(jīng)網(wǎng)絡(luò)作為分類(lèi)器識(shí)別信號(hào)的調(diào)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(duì)信號(hào)的調(diào)制方式進(jìn)行識(shí)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(shí)別概率。本部分最后針對(duì)共頻段多信號(hào)的調(diào)制方式識(shí)別問(wèn)題，給出一種數(shù)學(xué)模型。利用該模型，提出根據(jù)調(diào)制信號(hào)的循環(huán)譜提取特征參數(shù)對(duì)共頻段多個(gè)通信信號(hào)的調(diào)制方式識(shí)別算法，通過(guò)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(hào)研究高動(dòng)態(tài)同步算法。首先對(duì)傳統(tǒng)的科斯塔斯環(huán)和叉積自動(dòng)頻率跟蹤算法進(jìn)行改進(jìn)。一是工作方式的改進(jìn)，也就是叉積頻偏估計(jì)算法和科斯塔斯環(huán)同時(shí)工作，這樣在消除頻偏的同時(shí)，也能消除相差；二是采用滑動(dòng)平均算法更新得到的頻差和相差參數(shù)，縮短了參數(shù)更新時(shí)間，使環(huán)路很快進(jìn)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(jìn)算法為后續(xù)基于循環(huán)譜的高動(dòng)態(tài)同步算法提供一個(gè)比較對(duì)象和