第十三周-调制识别的过程以及小波变换

主要工作

1.了解了基于高阶累积量和循环谱的具体调制识别过程。
2. 了解小波变换的一些函数以及toolbox。
3. 进行OFDM的仿真。

---

一、基于高阶累积量和循环谱的具体调制识别过程

上周主要看了是参数估计中的方法，例如瞬时频率法，循环谱法，基于小波变换等方法来估计符号速率。其中循环谱法的详细讲解的博士论文，这周没看完，留到下周，网上代码很少，需要花点功夫才可以做出仿真。
这周主要学习调制识别的具体过程，由于很多论文都提到小波变换可以进行参数估计和调制识别，所以也找了很多资料，对其进行了规整和仿真。

1.高阶累积量

首先，是由于很多低阶量不足于区分不同的调制方式，就想到了求信号的高阶累积量来区分：如果两个或多个调制方式的高阶累积量不同，则可以在未知通信信号的情况下，识别出改通信信号的调制方式，以方便后面的解调等工作。
高阶累计量的定义如下：


根据此方法求得各调制方式的高阶量，即可以分析各个调制方式之间的差异。例如：OFDM信号高于四阶累积量为0，所以通过此点将其与其他调制方式区分。然而有些调制高阶累积量一直很类似，就要利用其他方法进行下一步分类。例如：MFSK当K取不同值时，其各阶累积量始终相等，那么就要选取其他特征参数，比如从循环谱寻找其差异进行区分。
下面摘取论文给出的9中调制方式在高阶累积量上的差异，以便后面进阶学习。

2.循环谱

循环谱再上节介绍了其定义，以及说明了如何通过循环谱估计载波频偏和符号速率。循环谱在实现上主要有两种方法：傅里叶变换和时域平滑，考虑到计算量的问题，很多论文采取的是时域平滑的方法，这里找到一篇不错的博士论文，讲了循环谱实现的三种方法。

基于循环谱的调制方式识别与高动态同步技术研究_高玉龙

其中，时域平滑的主要过程是：

3.选取特征参数

有些论文是单独采用高阶累积量或者单独采用循环谱进行分类的，也有论文是将其共同考虑进行分类的。例如在文献【1】中设置三个特征参数，前两个是用高阶累积量的比值，第三个是用循环谱函数的最大值（因为高阶累积量区分不了MFSK）

4.进行分类识别

得到了几组特征值后，就要根据它们的理论值来区分不同的调制方式。一般采用的方法是“支持向量机”（SVM），它是一种二类分类模型。它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；支持向量机还包括核技巧，这使它成为实质上的非线性分类器。
根据三个特征参数，分类的过程如下所示，T1表示C4，由于OFDM的四阶以上累积量为0，所以第一步可以分类开；T2是两个高阶累积量的比值，可以很好的二次分类，但由于还会有调制方式的T2参数也是近似的；所以还有进行下一步分类，例如采用论文中的循环谱函数最大值T3的方法将其最后进行分类。

二、小波变换的一些函数以及toolbox

三、OFDM

四、学习计划

1.看讲解循环谱实现方法的论文
2.仿真一下现代数字信号处理中的现代功率谱密度

参考文献

1.基于高阶累积量和循环谱的信号调制方式混合识别算法_赵雄文
2.Research on MPSK Modulation Classification of Underwater Acoustic Communication Signals.CHENG En, Y AN Jiaquan, SUN Haixin, QI Jie
3.水声通信信号的特征提取和调制方式辨识_陶巍
4.基于循环谱的调制方式识别与高动态同步技术研究_高玉龙