【数字信号调制】无线电信号调制识别【含Matlab源码 912期】

原创于 2024-09-24 10:59:27 发布

· 1.2k 阅读

29 ·

版权

文章标签：

#matlab

Matlab信号处理（仿真科研站版）专栏收录该内容

1052 篇文章

订阅专栏

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作扫描文章底部二维码。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。
在这里插入图片描述

⛄更多Matlab信号处理（仿真科研站版）仿真内容点击👇
Matlab信号处理（仿真科研站版）

⛄一、无线电信号调制识别简介

通信信号具有多种调制方式,其主要任务是在信号诸多的环境下确定接收信号的调制方式和其他信号参数,从而确保无线电信号的准确性和真实性,以便于技术人员对信号进行更深一步的分析和处理。通信信号的调制识别方式广泛应用于信号确认、无线电监听及卫星通信等领域,目前如何自动分类和识别调制方式成为重点研究的课题。文章将针对无线电通信信号的调制识别方法进行深入的研究。

0 引言
无线电信号的调制识别是指在没有充足的先验知识的情况下，通过对接收信号的分析和处理，最终判断出接收信号的调制方式，从而更好地为信号处理提供信息和参数。随着现代科学技术的飞速发展，调制识别逐渐应用于认知无线电、通信侦察及无线电点频率检测等领域，这对于调制识别的研究有了更高的要求。因此，要加强无线电信号调制识别的研究，分析目前调制识别领域中常用的几种方法，确保应用调制方法的可行性，进而更好地提取接收信号的调制特征。

1 调制识别的概述
1.1 调制的基本概念
调制是指利用调制信号控制载波的具体参数，使调制后的信号可以包含原信号的所有信息，即信息的载体随调制信号变化的规律。一般情况下，原始的信息不适合用作传输信号，因为原始信号未被加工过，无法匹配传输信道，所以要对原始信号进行调制。调制的目的就是将调制信息与传输信道相匹配，从而更好地完成信号的传输。通信信号的调制具有多种性能，例如识别能力、抗干扰能力等，不仅可以实现通信信号的有效传输，还能够提高通信信号的监控和识别。信号调制识别技术主要包括3种信号的识别，分别是雷达信号、无线电通信信号及导航信号，其中无线电通信信号的应用范围最广，其调制方式也最复杂。

1.2 调制的分类
调制的种类复杂多样，分类也各不相同。通常情况下，调制主要分为两大类，一是正弦波调制，二是脉冲调制。不同调制的分类有着不同的特点和性能，在实际应用时要根据具体情况来选择调制方式。

正弦波调制是以载波为正弦信号的，主要的调制方式有调幅、调频、双边带、上边带及下边带等。这种调制方式又被分为模拟调制和数字调制，其中模拟调制是以调制信号为模拟信号的正弦波调制，而数字调制则是以数字信号为模拟信号的正弦波调制。近年来，数字调制的应用价值渐渐上升，研究学者更加注重数字调制的研究，数字调制也不断出现新的方式。

脉冲调制的主要方式是以被调制的载波为脉冲串，进而为信号进行调制。主要的调制形式分为两种:(1)利用连续的调制信号改变脉冲载波的参数，这种形式通常应用于有线传输系统;(2)利用连续的调制信号的数字化形式转换脉冲编码调制的脉冲组，主要应用于信源编码。另外，调制又被分为两大类:(1)线性调制;(2)非线性调制。这两类调制通常是指正弦波调制[2]。

1.3 调制的作用
在无线通信系统的实际运行过程中，调制技术是一项必不可少的关键技术，其应用领域十分广阔，包括军事、民用应用、雷达、遥控等领域。在军事领域，调制可以实现信号的准确判断，是对敌方通信进行侦查和干扰的前提，如果可以提前掌握敌方通信的调制方式，就可以将通信信号的参数预估出来，进而采取有针对性的压制策略。在民用领域，调制技术可以帮助地方政府进行有效的无线电管理工作，监听无线电电台是否合法，及时发现不遵守管理部门规定的行为，对提高非合作通信任务的工作质量和工作效率有着很大的帮助。同时，随着高速率数字调控的发展，通信系统的容量也得到了相应的扩充，进一步推动了社会信息化的建设，满足了社会发展的信息需求[3]。

2 无线电通信信号的调制识别
无线电通信信号的调制识别主要包括信号的接收、信号的预处理、信号识别特征的提取及分类器设计，这些环节是调制识别的一般过程。其中信号的接收是指通过接收机来进行所需处理信号的接收工作，在必要情况下还要做好整理和储存。

信号的预处理是指对接收信号进行各种预处理，从而为后续工作打下良好的基础，主要任务包括对滤波、载波的估计。但由于高频信号在计算和处理上具有一定的复杂性，在接收信号后要进行变频工作，以便于信号后期的计算和处理。

信息识别特征提取是最为关键的一个环节，关系着调制方式识别的正确率。首先，要想实现信号的有效识别，需要对接收信号进行预处理，然后通过计算和变换得出不同调制方式的特征信息，从而识别出不同调制方式的性能和类型。通信信号的时域特征包括瞬时幅度、瞬时频率和瞬时相位等，而变换域的特征包括信号的频谱特性等，技术人员需要根据不同调制方式的特征进行选择，这样才能提高调制识别的正确率。通常情况下，较好的特征具有以下几个条件:(1)要便于识别，需要与不同调制方式的参数分布有着较大的差别。(2)信号参数受噪声影响较小，同时要具备抗信道衰落的稳定性。(3)提取参数的过程简单，计算不复杂，容易在实际应用中实现。

分类器设计是指在得到识别的特征值后，根据得到的特征选择相应的调制方式，然后将其归纳到不同的类别中。目前常用的分类器有3种:(1)基于统计模式识别方法;(2)基于决策论方法;(3)基于人工神经网络方法。其中，基于统计模式识别方法是运用统计直方图来对所需特征进行构造，且需要借助线性分类器来实现信号的调制识别。基于决策论方法需要事先得知概率信息，同时要符合假设检验。人工神经网络方法可以模拟人脑识别，具有较高的准确性，因此成为当前调制识别研究领域的热门[4]。

3 无线电通信信号调制识别的发展
现阶段，无线电通信信号的调制识别技术已经取得了一定的研究成果，可以成功应用的方法有很多。在发展初期，通信信号的调制识别主要依靠人工识别，这种方法主要通过调制设备来进行信号的接收，然后由专业技术人员针对调制信号的结果展开分析，根据分析结果来判定接收信号的调制方式，在这一过程中容易受到技术人员主观因素的限制。人工识别技术对技术人员的要求很高，不仅需要具备较高的操作水平和专业知识，还要有一定的调制经验。同时，人工识别需要借助一些昂贵的识别仪器，例如频谱分析仪、信号接收机、调制解调器等，投入成本较高，并且无法保证通信信号调制识别的准确性和精确性。

近年来，随着信息技术的发展，调制自动识别技术的出现受到了广泛的关注，这项技术不会受到人工因素的干扰，解决了人工识别技术存在的不足之处，且受中心频率和带宽估计误差的影响较小，具备较为稳健的抗衰落反应，是一种应用价值极高的调制识别技术。调制自动识别技术极大地满足了军事领域及民用领域的应用需求，引起了不少相关学者的关注，一些学者针对信号分析领域和模式识别领域进行了深入的研究[5]。

在1969年，一篇名为《利用模式识别技术实现调制方式的自动识别》的论文出现在技术刊物上，这是世界上第一篇研究调制自动识别的论文。至此，不断有研究人员进行调制自动识别技术的研究，相关论文出现在各种科技杂志中，极大地促进了调制自动识别技术的发展。目前，调制识别技术的方法可以分为两类:(1)基于判决理论方法，这种方法主要是运用概率论和假设检验理论来进行调制方式识别，但由于需要大量的计算过程，并且要得知概率的信息，实用性不高。(2)基于统计模式识别方法，这是一种新兴的识别方法，较之基于判决理论方法计算简易，同时提取识别特征的过程也十分简单，但是判决规则比较复杂。以上两种方法有利有弊，在实际应用过程中都存在一定的缺陷，导致发展的局限性。因此，相关学者要加强对调制方式识别方法的研究，优化识别方法的性能，从而实现调制识别正确率的提升。

⛄二、部分源代码

clc;
clear all;
%所有调制方信噪比>20dB的仿真可视化
%config
L=8192; %显示长度
snr=0; %信噪比

yFM=FM(snr);
yFM=yFM(1:1500);

yask_2=ask_2(snr);
yask_2=yask_2(1:L);

yask_4=ask_4(snr);
yask_4=yask_4(1:L);

yfsk_2=fsk_2(snr);
yfsk_2=yfsk_2(1:L);
yfsk_4=fsk_4(snr);
yfsk_4=yfsk_4(1:L);

ypsk_2=psk_2(snr);
ypsk_2=ypsk_2(1:L);
ypsk_4=psk_4(snr);
ypsk_4=ypsk_4(1:L);

yOFDM=OFDM(snr);
yOFDM=yOFDM(1:L);

%% 小波去噪前
figure(1);
subplot(3,3,1),plot(yAM),title(‘AM’),xlabel(‘时间/s’),ylabel(‘幅度’);
subplot(3,3,4),plot(yFM),title(‘FM’),xlabel(‘时间/s’),ylabel(‘幅度’);
subplot(3,3,2),plot(yask_2),title(‘2ASK’),xlabel(‘时间/s’),ylabel(‘幅度’);
subplot(3,3,3),plot(yask_4),title(‘4ASK’),xlabel(‘时间/s’),ylabel(‘幅度’);

subplot(3,3,5),plot(yfsk_2),title(‘2FSK’),xlabel(‘时间/s’),ylabel(‘幅度’);
subplot(3,3,6),plot(yfsk_4),title(‘4FSK’),xlabel(‘时间/s’),ylabel(‘幅度’);
subplot(3,3,7),plot(yOFDM),title(‘OFDM’),xlabel(‘时间/s’),ylabel(‘幅度’);
subplot(3,3,8),plot(ypsk_2),title(‘2PSK’),xlabel(‘时间/s’),ylabel(‘幅度’);
subplot(3,3,9),plot(ypsk_4),title(‘4PSK’),xlabel(‘时间/s’),ylabel(‘幅度’);
suptitle(‘九种调制信号仿真（小波去噪前）,SNR:0’)

%% 小波变换

yAM_W=Wavelet(yAM);
y_FM_W=Wavelet(yFM);
yask_2_W=Wavelet(yask_2);
yask_4_W=Wavelet(yask_4);
yfsk_2_W=Wavelet(yfsk_2);
yfsk_4_W=Wavelet(yfsk_4);
yOFDM_W=Wavelet(yOFDM);
ypsk_2_W=Wavelet(ypsk_2);
ypsk_4_W=Wavelet(ypsk_4);
%% 一层小波去噪后
figure(2);
subplot(3,3,1),plot(yAM_W),title(‘AM’),xlabel(‘时间/s’),ylabel(‘幅度’);
subplot(3,3,4),plot(y_FM_W),title(‘FM’),xlabel(‘时间/s’),ylabel(‘幅度’);
subplot(3,3,2),plot(yask_2_W),title(‘2ASK’),xlabel(‘时间/s’),ylabel(‘幅度’);
subplot(3,3,3),plot(yask_2_W),title(‘4ASK’),xlabel(‘时间/s’),ylabel(‘幅度’);

subplot(3,3,5),plot(yfsk_2_W),title(‘2FSK’),xlabel(‘时间/s’),ylabel(‘幅度’);
subplot(3,3,6),plot(yfsk_4_W),title(‘4FSK’),xlabel(‘时间/s’),ylabel(‘幅度’);
subplot(3,3,7),plot(yOFDM_W),title(‘OFDM’),xlabel(‘时间/s’),ylabel(‘幅度’);
subplot(3,3,8),plot(ypsk_2_W),title(‘2PSK’),xlabel(‘时间/s’),ylabel(‘幅度’);
subplot(3,3,9),plot(ypsk_4_W),title(‘4PSK’),xlabel(‘时间/s’),ylabel(‘幅度’);
suptitle(‘九种调制信号仿真（小波去噪后）,SNR:0’)

%%
% hh1=yAM_W;
% hh2=y_FM_W;
% hh3=yask_2_W;
% hh4=yask_2_W;
% hh5=yfsk_2_W;
% hh6=yfsk_4_W;
% % 二阶距 M20 = E[X(k)X(k)] M21 = E[X(k)X’(k)]
% m20 = [mean(hh1.*hh1) mean(hh2.*hh2) mean(hh3.*hh3) mean(hh4.*hh4) mean(hh5.*hh5) mean(hh6.*hh6) ];
%
%
% m21 = [mean(hh1.*conj(hh1)) mean(hh2.*conj(hh2)) mean(hh3.*conj(hh3)) mean(hh4.*conj(hh4)) mean(hh5.*conj(hh5)) mean(hh6.*conj(hh6))];

% xCum4=cum4est();

% yAM=ThreeWavelet(yAM);

% % figure(2);
% % X=fft(yask_2);
% % plot(X);
% % title(‘amplitude spectrum’),xlabel(‘frequency’),ylabel(‘amplitude’)
%
%
% % yQAM16=QAM16(1,10000,20);
% yQAM16=QAM16(20);
%
% %
% % figure(2);
% %
% yQAM16=yQAM16(1:L);
% plot(yQAM16)

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]孙野.无线电信号的调制识别研究[J].无线互联科技. 2020,17(20)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰