OFDM调制信号识别与参数提取研究

调制信号识别.

调制信号的小波分析 一、小波函数简介 1.Haar小波 最简单的小波函数，Haar小波是离散的，与阶跃信号相似，同Daubechies db1 小波是一样的。 2. Daubechies小波 Daubechies小波是紧支正则小波，便于进行离散小波分析。这类小波没有显式的表达式，除了db1（Haar）。然而它的传递函数的模的平方是有简单的表达式的。 3. Biorthogonal小波 此类小波具有线性相位，用于信号和图像重建。 4. Coiflet小波 这个小波族是I.Daubechies应R.Coifman的要求所创建的，coif N较dbN有更好的对称性。

5.Symlets 小波 此小波由Daubechies 提出，作为对db 小波族的修正，是一种近似对称小波，它和db 小波族的性质是近似的。 6.Morlet 小波 其尺度函数不存在，小波函数为x e x x 5cos )(22-=ψ， Morlet 小波不满足容许性条件。 7.Mexican Hat 小波 小波函数为2241 2 )1)(32 ()(x e x x ---=πψ，它是Gaussian 概率密度函数的二阶

导数，由于它不存在尺度函数，因此不具有正交性。 8.Meyer小波 Meyer小波的尺度函数和小波函数都在频域中定义，都具有显式的表达式。 二、连续小波变换 从数学上来说，傅里叶变换就是将信号) f乘以一个复指数后在所有的时间 (t 域上求和。变换的结果就是傅里叶系数。 相似的，连续小波变换（CWT）定义为，将信号乘以由尺度和位移确定的小波函数后，再在整个时间轴上相加。CWT的变换结果是很多小波系数C,C是尺度和位移的函数。 大尺度对应于时间上伸展大的小波，小波伸展地越大，所比较的信号段就越长，所以小波系数所量度的信号特征也就越粗糙。 在计算机中，任何实数域的信号处理都是对离散信号的操作，那么，CWT 的连续性及它与DWT的区别表现在尺度的选取和对位移的操作。与离散小波变换不同的是，只要在计算机的计算能力之内，CWT可以在每一个尺度上计算；在位移上连续是指小波可以在待分析函数的整个域上进行平滑的移动。 三、离散小波变换 对于大多数信号来说，低频部分往往是最重要的，给出了信号的特征。而高频部分则与噪音及扰动联系在一起。将信号的高频部分去掉，信号的基本特征仍然可以保留。 信号的概貌主要是系统大的、低频的成分，大尺度；而细节往往是信号局部、高频成分，小尺度。

基于特征提取的通信信号识别研究

硕士学位论文 目录 摘要..................................................................................................................... I Abstract ................................................................................................................. I I 插图索引 .............................................................................................................. IV 附表索引 ................................................................................................................ V 第1章绪论 (1) 1.1研究背景与意义 (1) 1.2 通信信号识别方法的研究现状 (2) 1.2.1基于似然比判决理论的识别方法 (2) 1.2.2基于特征提取的统计模式识别方法 (5) 1.3论文的主要研究内容 (7) 1.4 论文结构安排 (7) 第2章通信信号识别特征的提取方法 (9) 2.1瞬时幅度、频率和相位特征 (9) 2.2星座图几何特征 (11) 2.3时频分布特征 (11) 2.4高阶累积量特征 (12) 2.4.1基于四阶、六阶等高阶累积量特征的方法 (12) 2.4.2基于高阶累积量派生特征的方法 (13) 2.4.3基于高阶循环累积量特征的方法 (13) 2.4.4基于高阶累积量联合特征的方法 (13) 2.5循环平稳特征 (14) 2.5.1基于循环谱直观特征的方法 (14) 2.5.2基于循环谱包络特征的方法 (16) 2.5.3基于循环谱统计特征的方法 (17) 2.6分形特征和混沌特征 (18) 2.6.1分形特征 (18) 2.6.2混沌特征 (18) 2.7本章小结 (18) 第3章高阶累积量通信信号识别 (20) 3.1引言 (20) 3.2高阶累积量的基本理论 (21) 3.2.1高阶矩和高阶累积量的定义 (21) 3.2.2高阶矩和高阶累积量的性质 (22)

孙烽原 基于MATLAB的线性盲信号分离算法的研究

毕业论文（设计）材料 题目：基于 MATLAB 的线性盲信号分离算 法的研究 学生姓名：孙烽原 学生学号：0908030229 系别：电气信息工程学院 专业：电子信息工程 届别：2013 指导教师：张大雷

填写说明 1、本材料包括淮南师范学院本科毕业论文（设计）任务书、开题报告以及毕业论文（设计）评审表三部分内容。 2、本材料填写顺序依次为： （1）指导教师下达毕业论文（设计）任务书； （2）学生根据毕业论文（设计）任务书的要求，在文献查阅的基础上撰写开题报告，送交指导教师审阅并签字认可； （3）毕业论文（设计）工作后期，学生填写毕业论文（设计）主要内容，连同毕业论文（设计）全文一并送交指导教师审阅，指导教师根据学生实际完成的论文（设计）质量进行评价； （4）指导教师将此表连同学生毕业论文（设计）全文一并送交评阅教师评阅。 3、指导教师、评阅教师对学生毕业论文（设计）的成绩评定均采用百分制。 4、毕业论文（设计）答辩记录不包括在此表中。

一、毕业论文（设计）任务书 要求完成的主要任务及达到的目标 顾名思义，盲信号是指未知的、有杂乱无章特征的信号，人们难以得知源信号以及源信号的结合形式。对于盲信号的处理是通信时代比较前沿的技术之一，从接收信号中尽力还原源信号的技术称为盲源分离、盲信号提取。这已经称为通信信号学术领域的研究焦点。盲信号处理如今广泛被语音识别、语音增强、图像处理、通信系统、地震探测、遥感、数据挖掘、计量经济学、医学成像等领域所应用。根据传输介质的不同混合方式，盲信号处理有线性瞬时混合信号盲处理、线性卷积混合信号盲处理、非线性混合信号盲处理三种。本研究主要讨论有线性瞬时混合信号忙处理的计算方法。 ?对盲信号处理学各类算法的了解和掌握； ?对有线瞬时混合信号忙处理方法的熟悉和精通； ?对于MATLAB软件的熟练操作； ?实现用MATLAB软件实现对线性盲信号分离算法。 在此基础上巩固、加深和扩大MATLAB应用的知识面，进一步了解用此款软件对数字信号处理、数字图像处理、工程设计等的应用。加深对盲信号处理知识的掌握深度，加强对线性盲信号分离算法的理解，提高综合及灵活运用所学知识研究各类数学算法的能力。学会查阅书籍，并且要能够熟练的运用数学软件、编写程序、仿真、处理信号问题的方法、内容及步骤。学会对课题设计方案的分析、选择、比较。 工作进度要求

信号检测与处理计算题

信号检测与处理 1、设在某二元通信系统中，有通信信号和无通信信号的先验概率分别为：P(H 1)=0.8，P(H 0)=0.2。若对某观测值x 有条件概率分布f(x|H 1)=0.25和f(x|H 0)=0.45，试用最大后验概率准则对该观测样本x 进行分类。 2、在存在加性噪声的情况下，测量只能为2v 或0v 的直流电压，设噪声服从均值为0、方差为 2 σ的正态分布，设似然比门限值为0l ，试对测量结果进行分类（10分） 3、设二元假设检验的观测信号模型为： H0:x=-1+n H1:x=1+n 其中n 是均值为零、方差为1/2的高斯观测噪声。若两种检验都是等先验概率的，而代价因子为： C 00=1 ,C 10=4, C 11=2 C 01=8。试求Bayes 判决表示式，并画出bayes 接收机形式。 4、设x1,x2,…xn 是统计独立的方差为2σ的高斯随机变量，在H1假设下均值为a1，H0假设下均值为a0，似然比门限为0l ，试对其进行判决，并求两种错误概率。（20分） 5、在二元数字通信系统中，时间间隔T 秒内，发送一个幅度为d 的脉冲信号，即s 1=d,代表1；或者不发送信号，即s 0=0，代表0。加性噪声服从均值为0，方差为1的高斯分布，当先验概率未知，正确判决不花代价，错误判决的代价相等且等于1时，采用极大极小准则计算其极大极小风险为多大，相应的q 0为多少？ 6、在加性噪声背景下，测量0V 和1v 的直流电压在P(D1|H0)=0.1的条件下，采用Neyman-Pearson 准则，对一次测量数据进行判决。假定加性噪声服从均值为0，方差为2的正态分布。（已知erf(0.9)=0.7969） 第四章 1、已知发送端发送的信号分别为???≤≤-=≤≤=T t t A t s T t t A t 0,sin )(0,sin )(s 1 0ωω 试利用最小错误概率准则设计一台接收机，对如下假设做出判决，并画出接收机的结构形式。 ???+=+=) ()()(:H )()()(:H 1100t n t s t x t n t s t x ，n(t)服从均值为0功率谱密度为N 0/2的高斯白噪声。 2、已知发送端发送的信号分别为???≤≤=≤≤=T t t A t s T t t A t 0,2sin )(0,sin )(s 1 0ωω 试利用最小错误概率准则设计一台接收机，对如下假设做出判决，并画出接收机的结构形式。 ???+=+=)()()(:H )()()(:H 11 00t n t s t x t n t s t x ，n(t)服从均值为0功率谱密度为N 0/2的高斯白噪声。 3、已知发送端发送的信号分别为???≤≤=≤≤=T t t A t s T t t 0,sin )(0,0)(s 1 0ω 试利用最小错误概率准则设计一台接收机，对如下假设做出判决，并画出接收机的结构形式。 ???+=+=)()()(:H )()()(:H 11 00t n t s t x t n t s t x ，n(t)服从均值为0功率谱密度为N 0/2的高斯白噪声。

基于MATLAB的线性盲信号分离算法的研究

毕业论文（设计） 论文题目：基于MATLAB的线性盲信号分离算法的研究 学生姓名：孙烽原 学号：0908030229 所在院系：电气信息工程学院 专业名称：电子信息工程 届次：2013届 指导教师：张大雷

淮南师范学院本科毕业论文（设计） 诚信承诺书 1.本人郑重承诺：所呈交的毕业论文（设计），题目《 》是本人在指导教师指导下独立完成的，没有弄虚作假，没有抄袭、剽窃别人的内容； 2.毕业论文（设计）所使用的相关资料、数据、观点等均真实可靠，文中所有引用的他人观点、材料、数据、图表均已注释说明来源； 3. 毕业论文（设计）中无抄袭、剽窃或不正当引用他人学术观点、思想和学术成果，伪造、篡改数据的情况； 4.本人已被告知并清楚：学院对毕业论文（设计）中的抄袭、剽窃、弄虚作假等违反学术规范的行为将严肃处理，并可能导致毕业论文（设计）成绩不合格，无法正常毕业、取消学士学位资格或注销并追回已发放的毕业证书、学士学位证书等严重后果； 5.若在省教育厅、学院组织的毕业论文（设计）检查、评比中，被发现有抄袭、剽窃、弄虚作假等违反学术规范的行为，本人愿意接受学院按有关规定给予的处理，并承担相应责任。 学生（签名）： 日期：年月日

目录 前言 (2) 1 概述 (2) 1.1盲信号处理的概念与分类 (3) 1.2盲处理概念 (4) 1.3盲信号处理的分类 (4) 1.4盲信号处理的应用 (4) 2 盲信号分离的基础 (4) 2.1盲信号的预处理 (5) 2.2信号的去均值处理 (5) 2.3盲信号分离原理 (5) 2.4盲信号分离的方法 (6) 3 盲分离的算法和仿真结果 (6) 3.1最大信噪比的盲信号分离算法 (6) 3.2基于最大信噪比盲信号分离的算法流程 (7) 3.3基于峭度的盲信号分离的算法 (7) 3.4基于峭度的盲信号分离的算法流程 (8) 3.5基于两种算法的仿真 (8) 3.6仿真结果分析 (12) 4 结论 (13) 4.1总结 (13) 4.2未来工作 (13) 参考文献 (14)

浅析通信信号调制识别方法

浅析通信信号调制识别方法 通信信号调制方式的识别涉及到很多复杂的因素，是一种典型的模式识别。由于通信技术的迅猛发展，信号的调制样式也变得复杂多样，常规的识别方法已无法满足实际需要，新的通信信号识别研究面临着巨大的挑战。文章着重介绍了统计模式识别方法和决策模式识别方法并提出了它们的优缺点。简要介绍了非理想信道和共信道多信号的调制方式识别。 标签：调制方式；统计模式；识别；决策模式识别方法 信息通过信道快速、安全、准确地传输，极大地方便了人们的日常沟通。信号作为信息的媒介，可以在有线信道传输，却几乎无法直接通过无线信道进行传输。要使通信信号顺利在无线信道中传输，必须采用调制解调技术调制后才可以进行传输，而且调制方式是由简到繁，由虚拟到数字等多样的。调制识别存在于检测与调解之间，接受方面需要根据信号的调制进行解调才可以被进入到下一步的操作中。 如果想要解调相应地信息内容需要截获信号，同时还需要分析信号调制方式及参数，干扰信号，准确识别发出方的调制方式。调制方式是一种信号区别于另一种信号的重要特性指标。调制识别的基本任务存在与多信号及噪声干扰的复杂环境中，能够对信号的鉴别方式进行调制，并且对信号参数进行调节，能够在一定程度上对信号信息进行处理。当今，通信技术急速发展下，无线通信环境在不断的发展中变得愈来愈复杂。如何快速、高效的监视并识别那些采用了不同的调制参数和不同的调制样式的通信信号，无论是在军事还是民用领域都一直是人们关注的焦点。 1 数字调制识别方法 人工识别已无法满足在存在着大量未知信号的电磁环境中进行信号实时性识别的要求。后来，人们根据信号频谱的差异研究出了自动调制识别技术。它的出现解决了一直以来依赖人工识别的重要难题。通信信号也早已不是之前的模拟信号，已经成为具有较强抗失真和抗干扰的数字信号，而且数字调制识别方法的成本较低。高速数字信号处理技术、计算机技术和微型芯片技术的蓬勃发展下能够促使自动调制识别技术能够大规模的运用。归纳总结这些年国内外的研究成果，自动调制识别方法可归纳为统计模式识别、决策模式识别两种方法。 1.1 统计模式识别方法 统计模式识别方法主要由三个部分组成，分别为：信号预处理、特征提取和分类识别，从模式的识别理论中衍生而来，三者互为补充，不可或缺。信号的预处理主要是为了提供精确的数据，目的是为例特征的提取做相应地准备。信号的预处理在数字调制或中频上计算接收信号的瞬时幅度、相位和频率。在多信道多发射源的情况下，可以分离不同信号，确保信号在调制识别过程中保持唯一性。

盲源分离算法初步研究

盲源分离算法初步研究 一、盲源分离基本问题 1.概念 BSS 信号盲分离，是指从若干观测到的混合信号中恢复出未知的源信号的方法。典型的观测到的混合信号是一系列传感器的输出，而每一个传感器输出的是一系列源信号经过不同程度的混合之后的信号。其中，“盲”有两方面的含义：（1）源信号是未知的；（2）混合方式也是未知的。 根据不同的分类标准，信号盲分离问题可以分成以下几类： （1）从混合通道的个数上分，信号的盲分离可以分为多通道信号分离和单通道信号分离。单通道信号分离是指多路源信号混合后只得到一路混合信号，设法从这一路混合信号中分离出多个源信号的问题就是单通道信号分离。多通道信号分离是M 个源信号混合后得到N 路混合信号（通常N ≥M ）。从N 路混合信号中恢复出M 个源信号的问题即为多通道信号分离。一般情况下，单通道信号分离的难度要超过多通道信号分离。 （2）从源信号的混合方式上分，可将信号盲分离问题分为瞬时混合和卷积混合、线性混合和非线性混合等不同种类。在目前信号盲分离的研究文章中，所建模型大部分为瞬时混合。但是，作为更接近实际情况的卷积混合方式正受到越来越多的关注。 （3）根据源信号的种类，也可将信号盲分离分为多类。在通常的处理方法上，根据不同种类信号的特点，也有一些独特的处理技术。 2.盲分离问题的描述 BSS 是指仅从观测的混合信号（通常是多个传感器的输出）中恢复独立的源信号，在科学研究和工程应用中，很多观测信号都可以假设成是不可见的源信号的混合。所谓的“鸡尾酒会”问题就是一个典型的例子。在某个场所，多个人正在高声交谈。我们用多个麦克风来接受这些人说话的声音信号。每个人说话的声音是源信号，麦克风阵列的输出是观测信号。由于每个麦克风距离各个说话者的相对方位不同，它们接受到的也是这些人的声音信号以不同方式的混合。盲信号分离此时的任务是从麦克风阵列的输出信号中估计出每个人各自说话的声音信号，即源信号。如果混合系统是已知的，则以上问题就退化成简单的求混合矩阵的逆矩阵。但是在更多的情况下，人们无法获取有关混合系统的先验知识，这就要求人们从观测信号来推断这个混合矩阵，实现盲源分离。 3.混合模型 信号的混合模型包含两个方面的内容：（1）源信号的统计特征；（2）源信号的混合方式。 3.1源信号的统计特征 已有的研究表明如果加上源信号间相互独立的限制条件，就可以有效地补偿对以上先验知识的缺乏。如果用q i 表示第i 个分量的概率密度函数，则这种统计独立性可以表示为： 11221()()...()()n n n i i i q s q s q s q s ==???=∏q(s) 其中q(s)是s 的联合概率密度函数。 3.2源信号的混合方式 最简单的混合模型假定各个分量是线性叠加混合在一起而形成观测信号的。基于这样的假设，我们可以把观测信号和源信号用矩阵的方式表示为： ()()t t =x Hs 式中H 是n ×n 阶的混合矩阵。基于该模型，盲信号分离()()t t =x Hs 的目标可以表

信号识别小结

信号识别 1.特征参数法 思路：根据瞬时幅度，瞬时相位，瞬时频率特征参数的差异进行识别优点：计算量小，简单 缺点：受信噪比影响大 2.功率谱方法 思路：经典功率谱估计有直接法，间接法 直接法：P PER w=1 N X N W2 优点：简单，快速 缺点：当数据N太大时，谱曲线起伏加剧，N太小时，谱分辨率不好。 间接法： 2 1 j 1 (k)e M jwk PER N k P x M - - = '=∑ 优点：采用分段取平均值方法使方差性能得到改善。 缺点：方差性能的改善是以牺牲偏差和分辨率为代价的。 3.基于小波变换（衍生的方法） 思路：1.对信号进行小波变换，提取变化后时域的包络方差与均值平方之比作为特征参数 2.提取频域频率，幅度，相位，功率谱密度等特征 3.时域频域相结合 优点：克服傅里叶变换的不足，对瞬时信息具有较强的检测能力 缺点：小波变换的方法对于类间识别效果还不是很理想, 如对2PSK 和4PSK的识别, 单独用该方法还不能达到很好的分类效果, 必须与其它方法结合 使用。 4.高阶累积量方法 思路：计算二阶、四阶、六阶、八阶累积量，并通过归一化、平方等变换寻找差异进行区分 优点：对噪声不敏感 缺点：对载波和码元同步要求较高 5.人工智能识别方法 思路：利用专家系统、人工神经网络、模糊推理、Agent理论、遗传算法等人工智能方法形成经验与知识的推理规则 优点：不依赖数据库的先验知识，分析灵活，自我学习 缺点：容易漏检、误判 6. 基于支持向量机的信号识别 思路：通过优化算法函数（结构风险最小化原理，粒子群优化，模糊数学，粗集理论），模型建立（一对一或一对多）和参数的而选择（带宽、均值、峰值点，归一化瞬时幅度等）进行信号的识别

一种盲信号分离算法的改进研究

２０１０年第２期计算机与现代化 ＪＩＳＵＡＮⅡＹＵＸＩＡＮＤＡＩＨＵＡ总第１７４期 文章编号：１００６－２４７５（２０１０）０２－００５２－０３ 一种盲信号分离算法的改进研究 王纪伟，高宝成 （北京邮电大学自动化学院，北京１００８７６） 摘要：盲信号分离在信号处理领城中逐渐变得重要起来，其为混合信号的分离提供一种较好的途径。独立分量分析是盲信号分离中的主流方法之一。其中的快速ＩＣＡ算法更是具有分离效果好、收敛速度快的特点，具有广泛的应用。本文介绍盲信号分离的基本原理。详细阐述快速ＩＣＡ算法，并且根据快速ＩＣＡ算法应用中的局限性做出一些改进。取得较好的效果。 关键词：盲信号；ＩＣＡ；快速ＩＣＡ；目标函数 中图分类号：ＴＮｇｌｌ．２３文献标识码：Ａｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００６－２４７５．２０１０。０２．０１４ ＳｔｕｄｙｏｆＩｍｐｒｏｖｅｍｅｎｔｏｆＢｌｉｎｄＳｉｇｎａｌＳｅｐａｒａｔｉｏｎＡｌｇｏｒｉｔｈｍ ＷＡＮＧＪｉ－ｗｅｉ，ＧＡＯＢａｏ?ｃｈｅｎｇ （ＳｃｈｏｏｌｏｆＡｕｔｏｍａｔｉｏｎ，ＢｅｉｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＰｏｓｔｓａｎｄＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ。Ｂｅｉｊｉｎｇ１００８７６，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｅｂｌｉｎｄｓｉｇｎａｌｓｅｐａｒａｔｉｏｎｈａｓｇｒａｄｕａｌｌｙｂｅｃｏｍｅｉｍｐｏｒｔａｎｔｉｎｓｉｇｎａｌｐｒｏｃｅｓｓｉｎｇ，ｆｏｒｉｔｐｒｏｄｄｉｎｇａｂｅｔｔｅｒｗａｙｔｏｓｅｐａ— ｒａｔｅｍｉｘｅｄ—ｓｉｇｎａｌｓ．Ｉｎｔｈｅｂｌｉｎｄｓｉｇｎａｌｓｅｐａｒａｔｉｏｎ，ｏｎｅｏｆｔｈｅｍａｉｎｓｔｒｅａｍｍｅｔｈｏｄｓｉｓｔｈｅｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ，ｏｆｗｈｉｃｈｆａｓｔＩＣＡｉｓｉｎｗｉｄｅＵｓｅｆｏｒｉｔｓｓｏｏｄｓｅｐａｒａｔｉｏｎｅｆｆｅｃｔａｎｄｆａｓｔｃｏｎｖｅｒｇｅｎｃｅ．Ｔｈｉｓｐａｐｅｒｄｅｓｃｒｉｂｅｓｔｈｅｂａｓｉｃｐｒｉｎｃｉｐｌｅｓｏｆｂｌｉｎｄｓｉｇｎａｌｓｅｐａｒａｔｉｏｎ，ａｎｄｄｅｔａｉｌｓｏｆｔｈｅｆａｓｔＩＣＡａｌｇｏｒｉｔｈｍ．Ａｌｓｏ，ｉｔｍａｋｅｓｓｏｍｅｉｍｐｒｏｖｅｍｅｎｔｓｉｎａｌｌｕｓｉｏｎｔｏｔｈｅｌｉｍｉｔａｔｉｏｎｓｏｆｆａｓｔＩＣＡ，ａｎｄａｃｈｉｅｖｅｓｇｏｏｄｒｅｓｕｌｔｓ． Ｋｅｙｗｏｒｄｓ：ｂｌｉｎｄｓｉｇｎａｌ；ＩＣＡ；ｆａｓｔＩＣＡ；ｏｂｊｅｃｔｉｖｅｆｕｎｃｔｉｏｎ ０引言 近年来，盲信号分离技术在音频信号处理、通信、生物医学工程和图像处理等领域的应用越来越广泛，盲信号处理方面的研究逐渐变为信号处理中的一个重要领域，并且取得了迅速的发展［１剖。所谓盲信号分离，是指在不知源信号和传输通道参数的情况下，根据输入信源信号的统计特性，仅由观测信号恢复出信源信号的过程。典型情况下，观测信号是一组传感器的输出，其中每个传感器接收到的是源信号的不同组合口】。 独立分量分析（１ＣＡ）是针对盲源分离问题的一种基于信号高阶统计特性的分析方法，由于其对源信号所需要的先验知识极少和良好的信号分离性能，在越来越多的领域得到应用Ｈ］。Ｈｙｖａｒｉｎｅｎ［５１的固定点算法（又称为快速ＩＣＡ算法）是一种快速和数值稳定的独立分量分析算法，具有较好的收敛速度，且没有学习速率或其它参数需要调节，因此具有广泛的应用。针对快速ＩＣＡ算法在某些应用中的限制，本文对其进行了一些改进，经过仿真实验，获得较好的效果。 １盲信号分离原理 盲信号分离问题中的输入是传感器组的输出信号，设共有ｍ个观测信号，每一个观测信号ｘ；（ｊ＝１，２，…，ｍ）都是由ｎ个独立源信号ｓｉ（ｉ＝１，２，…，ｎ）线性混合而来。信号混合的方式可以用下列公式表示‘６】： 收稿日期：２００９－０９４）３ 作者简介：王纪伟（１９８４一），男，甘肃武威人，北京邮电大学自动化学院硕士研究生，研究方向：盲信号处理；高宝成（１９６１－），男，河南信阳人，副教授，博士，研究方向：弱信号检测与处理。 万方数据

通信信号检测识别方法简析

Journal of Image and Signal Processing 图像与信号处理, 2018, 7(4), 220-226 Published Online October 2018 in Hans. https://www.sodocs.net/doc/0c4737814.html,/journal/jisp https://https://www.sodocs.net/doc/0c4737814.html,/10.12677/jisp.2018.74025 A Brief Analysis of Detection and Recognition Technology for Communication Signals Jing Yang, Naiping Cheng Department of Electronic and Optical Engineering, Space Engineering University, Beijing Received: Sep. 28th, 2018; accepted: Oct. 13th, 2018; published: Oct. 20th, 2018 Abstract The detection and recognition technology of communication signals plays an important role in the vigorous development of wireless communications. This paper summarizes the development of communication signal detection and modulation recognition technology, analyzes and summariz-es the selection of the realization chip of the digital signal processing module in the detection and modulation recognition, the signal detection especially the weak signal detection method, the fea-ture extraction and the selection of the classification device in the signal recognition, and com-pares their respective advantages and disadvantages. Finally, the future research direction of de-tection and recognition technology is prospected. Keywords Signal Detection, Modulation Recognition, DSP, FPGA, Feature Parameter Extraction, Classifier 通信信号检测识别方法简析 杨婧，程乃平 航天工程大学电子与光学工程系，北京 收稿日期：2018年9月28日；录用日期：2018年10月13日；发布日期：2018年10月20日 摘要 通信信号的检测识别技术在无线通信蓬勃发展的今天发挥着重要的作用。文章综述了通信信号的检测、

盲信号分离的理论与发展现状

前沿技术 尺寸的减小，场区参数R1和R2相应收缩。这是一个很有意义的结果。 5 结束语 基于以上的分析和验算，可以说明ISO/IEC18047标准规定的测试参数：观察距离3λ和10λ，天线尺寸 0.1m和 是可行的。 ★【作者简介】 刘礼白：研究员级高工，中国电子科技集团公司第七研究所科技委主任、专家委员会副主任，信息产业部宽带无线移动通信技术专家组成员。中华人民共和国电子工业部有突出贡献专家，享受国务院颁发的 政府特殊津贴。 1 引言 盲分离是信号处理领域一个极富挑战性的研究课题。由于盲分离在语音识别、信号去噪、无线通讯、声纳问题、生物医学信号处理、光纤通信等众多应用领域有着广泛的应用前景，从而成为信号处理领域和神经网络领域的研究热点。 盲分离（B S S，B l i n d S o u r c e S e p a r a t i o n）的研究起源于鸡尾酒问题。在多个说话人同时讲话的语音环境中，通常每个麦克风接收到是多个说话者的混合声音，如何仅仅从话筒接收到的语音信号中分离出所需要的说话者的声音？这便是盲分离问题。 盲分离问题的主要特征就是在未知混叠参数的情 盲信号分离的理论与发展现状＊ 李荣华 赵 敏 华南理工大学电子与信息学院 王 进 国家移动通信工程中心 【摘要】文章首先介绍了盲信号分离问题的起源、特征、含义，然后介绍了盲信号分离的原理 和算法，最后介绍了盲分离研究的现状，探讨了盲分离研究仍存在的一些问题。 【关键词】盲信号分离 混叠模型 瞬时线性 非线性 卷积 收稿日期：2008年3月14日 *本文得到国家自然科学基金重点项目（U0635001），国家 自然科学基金（60774094）的资助。