调制信号识别内容安排背景及定义调制方式是区别不同性质通信信号的一个重要特征。对于接收信号，要想正确解调，分析接收信号或者进行干扰，必须能够正确识别信号的调制方式，然后采取相应的解调方法或干扰方法。识别过程信号预处理特征提取分类识别两种分类器识别方法分类基于窗口平均频率算法的调制信号识别算法思想：用一个宽度为N的矩形窗去截取采集到的已离散化处理的信号x(n)，得到N点数据，对这N点数据进行离散傅里叶变换(DFT)得到这N点数据的频谱。计算窗口内平均频率。获得时频分布曲线。滤除算法产生的交叉干扰。该算法通过移动窗口来截取信号，并计算窗口内信号平均频率来获得信号的时频分布，具有算法简单、运算速度快的特点。ASK、FSK、PSK等数字调制信号均为非平稳的随机信号，在时频分布上存在着差异，若采用移动窗口平均频率算法对数字调制信号进行时频分析，再根据信号时频分布的差异识别调制信号类型一方面可以显著提高系统的实时性；另一方面，由于对时频分布曲线进行了滤波处理，能够提高信号识别的抗干扰性能和识别精度。优点与不足基于短时分析的调制信号识别方法文中提出的识别方法，能够对2ASK、4ASK、2FSK、4FSK、BPSK、QPSK、8PSK、16QAM信号有效识别。特征提取零中心归一化非弱信号段的标准偏差可区分PSK和QAM信号，设定适当门限加以识别。零中心归一化瞬时幅度绝对值的标准偏差用来区分2ASK信号和4ASK信号，对2ASK，该值为0；对4ASK，该值不为0。识别流程方法总结基于决策理论的方法特征参数参数A主要用来区分是MASK信号还是MFSK或MPSK信号。对MASK信号，A不为0；对MFSK，A为0；对MPSK，A接近0。参数A还可以用来进一步区分是2ASK信号还是4ASK信号。基于瞬时频率的统计参数F是信号的瞬时频率。对FSK信号，F值较小；对PSK信号，F值较大。瞬时频率平方的均值该值可以用来区分2FSK信号和4FSK信号。因为对2FSK信号，它的瞬时频率只有2个值，而对4FSK信号，其瞬时频率有4个值，故4FSK的该特征值比2FSK的要大。分类识别仿真验证结论基于信号时域瞬时统计特性的一种通用识别方法特征提取该特征参数能够充分反映调制信号的幅度变化，可以用该参数来区分开ASK/QAM和FSK/PSK调制信号。判决门限：，可区分ASK/QAM和FSK/PSK调制信号。归一化中心瞬时频率的四阶矩紧致性是归一化中心瞬时频率，为信号的瞬时频率，该参数反映瞬时频率变化的特征量，可用来区分FSK和PSK调制信号并辅助进行MFSK调制阶数M的识别。归一化中心信号的四阶矩紧致性其中是归一化中心信号，该参数可将ASK、QAM和FSK/PSK三者分开。信号识别MPSK识别对BPSK和QPSK来说，选择A.K.Nandi和E.E.Azzouz提出的特征参数能将二者很好的分开。识别流程图验证结论基于小波变换的数字信号调制识别方法小波变换是一种时间—尺度分析方法，具有多分辨分析的特点，并且在时频域都具有表征信号局部特征的能力。小波变换主要用于信号特征的提取，然后结合神经网络或分形作为分类器，实现信号的调制识别。特征提取多层小波分解提取分类特征对信号的低频部分做进一步分解，而高频部分则不予以考虑。如下是一个3层分解图：多层分解只对低频空间做进一步的分解，随着分解层数的增加，频率的分辨率变得越来越高，因此当信号具有不同的频率成分时，可以通过多层小波分解提取信号的分类特征。小波分析用于信号奇异性检测信号的突变点意味着信号的不连续性，可能是调幅信号的幅度突变引起的，也可能是调相信号的相位突变引起的，因此信号中的奇异点及不规则的突变部分通常携带重要的信息。识别算法通过对一定样本的调制信号做小波多层分解，提取信号的小波分解特征向量并进行统计分析，建立各调制信号的阈值列表，判断信号是否属于MFSK信号，并且应用该特征向量对MFSK信号进行类内识别；当信号的特征向量超出设定的范围时，应用信号的幅度方差判断信号为MQAM或MPSK，并应用对数似然函数准则对MQAM进行类内识别；应用小波变换的模极大提取MPSK信号的相位突变点，对MPSK信号进行类内识别，从而实现信号的调制识别。基于高阶累积量的调制信号识别k阶平稳随机过程{x(t)}的k阶累积量定义为高阶累积量为参数及算法描述仿真结论基于多层感知器的调制信号识别基于特征提取的模式识别方法不需要先验知识，但如何正确地选择特征集是一个难题。人工神经网络方法是该方法的分类识别部分，由于智能化水平高、识别速度快、正确识别率高等优点获得了充分重视，是分类器设计的发展新方向。目前应用较多的是前馈神经