认知无线电技术是现代最主要的一种无线通信技术,能有效的进行频谱管理,智能的认知整个通信过程。在生物医学领域中,认知无线电也具有很重要的应用价值,可以解决分配给医疗应用的频谱稀缺性所造成的干扰问题。认知无线电技术分为硬件和软件部分。软件部分主要有基于认知的调制识别技术、频谱感知技术等。为了提高无线资源的使用效率,本文研究了常用通信信号及生物医学信号的识别与认知技术。这些技术有助于降低无线通信及远程医疗通信中的干扰,有助于信号的频谱管理,提高频谱利用率。信号调制识别技术在环境监测和认知无线电中有着广泛的应用。通信信号的调制识别研究在已存在的相关算法中,基本分为两类:一种为基于最大似然的判别算法,算法实现比较复杂,并且对模型的时间偏移、相位偏移、频率偏移、相位噪声等敏感[1];另一种为基于特征识别的算法,该算法实现简单,如果选出合适的特征参数,会具有很好的识别效果。即使在模型失配的情况下性能也较为稳健,实用性能较强。本文重点研究典型通信信号及生物医学信号的识别技术。主要目的是提出复杂度偏低、性能偏稳健、识别效率较高的信号分类识别算法,降低远程医疗通信中的信号干扰,提高频谱利用率,并且进行频谱优化。本文基于现存的一些信号识别应用,利用分形理论对噪声不敏感的特性,取得了如下研究成果:1.提出了一种基于调和平均分形盒维数的认知无线通信信号识别算法。首先,对接收到的信号通过希尔伯特变换进行预处理,然后提取其盒维数以及峰度调和参数,并将这两个参数进行调和平均,构成调和平均分形盒维数这一特征参数,并采用决策树理论进行分类识别。仿真结果表明,所提出的算法在5GHz免授权频段WiFi、LTE-U、Bluetooth、ZigBee等系统共存时,在-5dB低信噪比的情况下对无线信号的调制识别率高达80%以上,远高于传统算法的识别率,并且具有较低的复杂度和特征稳健性,易于工程应用。2.提出了一种基于高阶累积量和归一化峰度的信号调制类型识别算法。在传统信号分类识别中,高阶累积量特征被广泛运用到信号的调制类型识别。但是,高阶累积量识别的信号种类有限,针对这一问题,引入信号的归一化峰度,提取信号的高阶累积量和归一化峰度这两个特征参数,利用级联的神经网络作为信号分类器,对通信信号进行分类识别。对 2ASK、BPSK、4ASK、4PSK、2FSK、4FSK、16QAM等7种信号进行了仿真,仿真结果表明,该联合算法计算复杂度较低,抗噪性能较好。在测试样本不少于100的条件下,信噪比不低于5dB时,准确识别率能达到87%及以上。3.在生物医学信号识别与认知部分,重点研究了心电信号的特征提取与识别。对于正常心电信号和非正常心电信号的识别,提出一种新的算法,首先对心电信号进行循环谱分析,得到心电信号的alpha循环频率,然后进行分形特征提取。心电信号的数据来自著名的MIT-BIH数据库,经Matlab仿真实验验证,心电信号识别方面,分形截距比分形盒维数更具有识别度。