论文部分内容阅读
调制方式识别及其后续的高动态同步技术是构成基于软件无线电智能接收机的重要技术基础,也是它的瓶颈和核心,在多体制通信互联和信号监视方面有着十分重要的应用。尤其是近十年来,计算机技术、高速数字信号处理技术以及高速专用器件的快速发展使调制方式识别和高动态同步技术的工程实现有了保证。在非合作通信领域的重要地位以及软件无线电、认知无线电中的应用价值也得到进一步的认识。这方面的研究也越来越受到国内外众多学者的重视。在此背景下,结合循环平稳过程理论的优点,本文采用循环谱理论研究调制方式识别和高动态同步问题。研究内容主要包括循环谱算法改进及其实现、基于循环谱的调制方式识别算法、基于循环谱的高动态同步算法。首先,对于循环谱算法,由于现有3种循环谱估计算法的计算量都非常大(主要由DFT和相关运算造成的),不能对信号进行实时处理。为此,本文提出在循环谱的分辨率是2的整数次幂时利用改进滑动FFT算法计算DFT,在分辨率不是2的整数次幂时用AFT计算循环谱算法中的DFT,相关算法全部采用一位相关算法来计算循环谱。借助实数乘法和实数加法运算量的换算系数,用加法次数作为衡量算法计算量的标准,给出改进算法计算量的闭合表达式,并进行性能仿真。随后,利用NoisII软核处理器及其Avalon总线架构的优点解决循环谱算法的实现问题,并以SSCA为例说明循环谱算法实现的过程和方法。其次,针对现有调制识别算法的不足以及不同的应用场合,本文按照调制方式识别统计模式识别方法的过程,对特征参数和分类器两个方面进行改进。对于特征参数,去掉一些不合适的循环谱特征参数,增加其它循环谱特征参数。并根据循环谱算法特点,在循环谱计算过程中提取一些频域特征参数。对于分类器,首先采用概率神经网络,并对其结构进行改进,相对于传统的BP神经网络,缩短了识别时间,增加了正确识别概率。随后,针对某些信道多变的特点,利用自组织映射神经网络的自组织、无导师、自适应等特点提出选用自组织映射神经网络作为调制方式识别中的分类器以适应信道信噪比的变化。为了提高识别性能和减少识别时间,对它的学习规则和竞争传递函数进行改进。仿真结果显示采用自组织映射神经网络作为分类器识别信号的调制方式取得了很好的效果。另外,本文提出利用循环谱在二维频率平面的幅度值以及最小均方误差原则,对信号的调制方式进行识别。这种算法能最大限度地利用循环谱的特征,提高正确识别概率。本部分最后针对共频段多信号的调制方式识别问题,给出一种数学模型。利用该模型,提出根据调制信号的循环谱提取特征参数对共频段多个通信信号的调制方式识别算法,通过仿真和理论分析证明了提出算法的正确性。最后,以DSSS-QPSK为处理信号研究高动态同步算法。首先对传统的科斯塔斯环和叉积自动频率跟踪算法进行改进。一是工作方式的改进,也就是叉积频偏估计算法和科斯塔斯环同时工作,这样在消除频偏的同时,也能消除相差;二是采用滑动平均算法更新得到的频差和相差参数,缩短了参数更新时间,使环路很快进入锁定状态,基本解决了跟踪精度和环路快捕之间的矛盾。改进算法为后续基于循环谱的高动态同步算法提供一个比较对象和依据。随后,根据循环谱抗干扰、噪声的性质,提出基于循环谱的高动态同步算法。这种算法的思想就是把经过科斯塔斯环得到的同相信号进行归一化处理,得到一个近似的余弦信号。计算这个余弦信号的循环谱,得到频差和相差的估计值,把结果送入NCO,达到高动态同步的目的。仿真结果证明了提出算法的正确性以及优越性。在本部分的最后,对上述两种高动态同步算法进行了性能比较,结果发现基于循环谱的高动态同步算法的估计性能要优于改进的叉积频率跟踪算法,但计算量过大。