第1章 引言 1
1.1背景与意义 1
1.2调制识别相关基础知识 1
1.3主要内容 4
第2章 通信信号特征参数及调制方式分类器 6
2.1统计量特征 6
2.1.1信号瞬时特征 6
2.1.2高阶统计量特征 11
2.1.3循环累积量特征 14
2.2谱相关特征 17
2.2.1谱相关函数的定义 17
2.2.2谱相关函数及谱相关平面图 18
2.2.3谱相关特征 20
2.3小波变换特征 22
2.3.1 Haar小波变换 23
2.3.2基于Haar小波变换特征 24
2.4复杂度特征 25
2.4.1 L-Z复杂度 25
2.4.2分形维数 27
2.5分类器 29
2.5.1最大似然分类器 29
2.5.2基于样本特征值的分类器 32
2.5.3聚类算法分类器 35
第3章 模拟调制识别 37
3.1基于瞬时特征信息的模拟调制识别 37
3.1.1特征参数 37
3.1.2识别算法 38
3.1.3特征参数门限值的确定 39
3.1.4算法识别率 43
3.2基于谱相关特征的模拟调制识别 44
3.2.1特征参数 44
3.2.2识别算法 45
3.2.3特征参数门限值的确定 46
3.2.4算法识别率 48
第4章 数字调制识别 50
4.1基于瞬时信息的数字调制识别 50
4.1.1特征参数 50
4.1.2识别算法 51
4.1.3特征参数门限值的确定 52
4.1.4算法识别率 58
4.2基于谱相关特征的数字调制识别 58
4.2.1特征参数 58
4.2.2识别算法 59
4.2.3特征参数门限值的确定 60
4.2.4算法识别率 61
4.3基于高阶累积量特征的数字调制识别 62
4.3.1信号与信道模型 62
4.3.2高阶累积量特征的抗多径干扰性能 63
4.3.3基于高阶累积量的MPSK信号调制识别算法 66
4.3.4仿真结果 69
4.3.5基于高阶累积量特征的调制识别算法的说明 70
4.4基于循环累积量特征的数字调制识别 71
4.4.1信号与信道模型 71
4.4.2基于循环累积量不变量的MPSK信号调制识别算法 72
4.4.3仿真结果 75
4.4.4基于循环累积量特征的调制识别算法的说明 76
4.5基于小波变换特征的数字调制识别 77
4.5.1调制信号的Haar小波变换 77
4.5.2基于Haar小波变换的调制识别 80
4.5.3识别率确定 86
4.6基于复杂度特征的调制信号识别 87
4.6.1基于盒维数和信息维数的调制识别算法 87
4.6.2基于L-Z复杂度和盒维数的调制识别算法 92
第5章 综合调制信号的自动识别 98
5.1基于瞬时信息的综合调制识别 98
5.1.1特征参数 98
5.1.2识别算法 99
5.1.3特征参数门限值的确定 101
5.1.4算法识别率 106
5.2基于谱相关特征的综合调制识别 106
5.2.1特征参数 106
5.2.2识别算法 107
5.2.3特征参数门限值的确定 108
5.2.4算法识别率 112
第6章 基于聚类算法的数字调制识别 113
6.1基于代价函数最优的聚类算法 113
6.1.1 C均值聚类算法 115
6.1.2模糊C均值聚类算法 116
6.2减法聚类算法 118
6.2.1减法聚类算法步骤 118
6.2.2基于信噪比的自适应减法聚类算法 119
6.3二次聚类算法 121
6.3.1二次聚类算法简述 121
6.3.2基于C均值聚类的二次聚类算法 122
6.4聚类算法的性能 123
6.5基于聚类的调制识别分类器 124
6.5.1最大似然分类器 124
6.5.2广义似然比分类器 128
6.5.3识别率性能实验 131
第7章 基于神经网络的调制识别 136
7.1神经网络调制识别方法和特点 136
7.2 BP神经网络分类器 138
7.2.1 BP神经网络结构 138
7.2.2 BP算法描述 139
7.3基于BP神经网络分类器的数字调制识别 143
7.3.1 BP神经网络结构 144
7.3.2识别性能 145
7.4其他神经网络的调制识别算法简述 149
结束语 151
参考文献 152
英文缩写 156
名词索引 158