認(rèn)知無線電技術(shù)是現(xiàn)代最主要的一種無線通信技術(shù),能有效的進(jìn)行頻譜管理,智能的認(rèn)知整個(gè)通信過程。在生物醫(yī)學(xué)領(lǐng)域中,認(rèn)知無線電也具有很重要的應(yīng)用價(jià)值,可以解決分配給醫(yī)療應(yīng)用的頻譜稀缺性所造成的干擾問題。認(rèn)知無線電技術(shù)分為硬件和軟件部分。軟件部分主要有基于認(rèn)知的調(diào)制識(shí)別技術(shù)、頻譜感知技術(shù)等。為了提高無線資源的使用效率,本文研究了常用通信信號(hào)及生物醫(yī)學(xué)信號(hào)的識(shí)別與認(rèn)知技術(shù)。這些技術(shù)有助于降低無線通信及遠(yuǎn)程醫(yī)療通信中的干擾,有助于信號(hào)的頻譜管理,提高頻譜利用率。信號(hào)調(diào)制識(shí)別技術(shù)在環(huán)境監(jiān)測(cè)和認(rèn)知無線電中有著廣泛的應(yīng)用。通信信號(hào)的調(diào)制識(shí)別研究在已存在的相關(guān)算法中,基本分為兩類:一種為基于最大似然的判別算法,算法實(shí)現(xiàn)比較復(fù)雜,并且對(duì)模型的時(shí)間偏移、相位偏移、頻率偏移、相位噪聲等敏感[1];另一種為基于特征識(shí)別的算法,該算法實(shí)現(xiàn)簡(jiǎn)單,如果選出合適的特征參數(shù),會(huì)具有很好的識(shí)別效果。即使在模型失配的情況下性能也較為穩(wěn)健,實(shí)用性能較強(qiáng)。本文重點(diǎn)研究典型通信信號(hào)及生物醫(yī)學(xué)信號(hào)的識(shí)別技術(shù)。主要目的是提出復(fù)雜度偏低、性能偏穩(wěn)健、識(shí)別效率較高的信號(hào)分類識(shí)別算法,降低遠(yuǎn)程醫(yī)療通信中的信號(hào)干擾,提高頻譜利用率,并且進(jìn)行頻譜優(yōu)化。本文基于現(xiàn)存的一些信號(hào)識(shí)別應(yīng)用,利用分形理論對(duì)噪聲不敏感的特性,取得了如下研究成果:1.提出了一種基于調(diào)和平均分形盒維數(shù)的認(rèn)知無線通信信號(hào)識(shí)別算法。首先,對(duì)接收到的信號(hào)通過希爾伯特變換進(jìn)行預(yù)處理,然后提取其盒維數(shù)以及峰度調(diào)和參數(shù),并將這兩個(gè)參數(shù)進(jìn)行調(diào)和平均,構(gòu)成調(diào)和平均分形盒維數(shù)這一特征參數(shù),并采用決策樹理論進(jìn)行分類識(shí)別。仿真結(jié)果表明,所提出的算法在5GHz免授權(quán)頻段WiFi、LTE-U、Bluetooth、ZigBee等系統(tǒng)共存時(shí),在-5dB低信噪比的情況下對(duì)無線信號(hào)的調(diào)制識(shí)別率高達(dá)80%以上,遠(yuǎn)高于傳統(tǒng)算法的識(shí)別率,并且具有較低的復(fù)雜度和特征穩(wěn)健性,易于工程應(yīng)用。2.提出了一種基于高階累積量和歸一化峰度的信號(hào)調(diào)制類型識(shí)別算法。在傳統(tǒng)信號(hào)分類識(shí)別中,高階累積量特征被廣泛運(yùn)用到信號(hào)的調(diào)制類型識(shí)別。但是,高階累積量識(shí)別的信號(hào)種類有限,針對(duì)這一問題,引入信號(hào)的歸一化峰度,提取信號(hào)的高階累積量和歸一化峰度這兩個(gè)特征參數(shù),利用級(jí)聯(lián)的神經(jīng)網(wǎng)絡(luò)作為信號(hào)分類器,對(duì)通信信號(hào)進(jìn)行分類識(shí)別。對(duì) 2ASK、BPSK、4ASK、4PSK、2FSK、4FSK、16QAM等7種信號(hào)進(jìn)行了仿真,仿真結(jié)果表明,該聯(lián)合算法計(jì)算復(fù)雜度較低,抗噪性能較好。在測(cè)試樣本不少于100的條件下,信噪比不低于5dB時(shí),準(zhǔn)確識(shí)別率能達(dá)到87%及以上。3.在生物醫(yī)學(xué)信號(hào)識(shí)別與認(rèn)知部分,重點(diǎn)研究了心電信號(hào)的特征提取與識(shí)別。對(duì)于正常心電信號(hào)和非正常心電信號(hào)的識(shí)別,提出一種新的算法,首先對(duì)心電信號(hào)進(jìn)行循環(huán)譜分析,得到心電信號(hào)的alpha循環(huán)頻率,然后進(jìn)行分形特征提取。心電信號(hào)的數(shù)據(jù)來自著名的MIT-BIH數(shù)據(jù)庫(kù),經(jīng)Matlab仿真實(shí)驗(yàn)驗(yàn)證,心電信號(hào)識(shí)別方面,分形截距比分形盒維數(shù)更具有識(shí)別度。
【學(xué)位單位】：北京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2017
【中圖分類】：R-05;TN911.7
【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 引言
    1.2 研究背景、現(xiàn)狀、發(fā)展趨勢(shì)
    1.3 本文主要研究?jī)?nèi)容和安排
        1.3.1 主要研究?jī)?nèi)容
        1.3.2 結(jié)構(gòu)安排
第二章 典型通信信號(hào)的調(diào)制原理及模式識(shí)別方法
    2.1 典型通信信號(hào)的調(diào)制原理和分類
        2.1.1 典型通信信號(hào)的調(diào)制原理
        2.1.2 典型通信信號(hào)的分類
        2.1.3 擴(kuò)頻通信
        2.1.4 OFDM多載波調(diào)制通信
    2.2 通信信號(hào)調(diào)制方式識(shí)別算法
        2.2.1 循環(huán)累積量方法
        2.2.2 時(shí)域方法
        2.2.3 頻域方法
        2.2.4 時(shí)頻分析方法
        2.2.5 循環(huán)譜方法
        2.2.6 高階矩方法
        2.2.7 星座圖方法
        2.2.8 分形域方法
    2.3 分類規(guī)則
    2.4 小結(jié)
第三章 基于調(diào)和平均分形盒維數(shù)的認(rèn)知無線通信信號(hào)識(shí)別算法
    3.1 基于模式識(shí)別理論的調(diào)制方式識(shí)別算法
    3.2 分形理論
        3.2.1 分形理論的創(chuàng)始和發(fā)展
        3.2.2 分形的數(shù)學(xué)定義
        3.2.3 分形的性質(zhì)描述定義
    3.3 分形維數(shù)定義和計(jì)算
        3.3.1 分形盒維數(shù)的定義
        3.3.2 分形盒維數(shù)的計(jì)算
        3.3.3 高斯噪聲信號(hào)和調(diào)制信號(hào)的分形盒維數(shù)
    3.4 基于調(diào)和平均分形盒維數(shù)的認(rèn)知無線通信信號(hào)識(shí)別算法設(shè)計(jì)
        3.4.1 調(diào)和平均盒維數(shù)的定義
        3.4.2 仿真結(jié)果分析
    3.5 小結(jié)
第四章 基于高階累積量和歸一化峰度的信號(hào)調(diào)制類型識(shí)別算法
    4.1 高階累積量簡(jiǎn)述
        4.1.1 高階累積量定義
        4.1.2 高階累積量的性質(zhì)
    4.2 調(diào)制信號(hào)的累積量理論分析
        4.2.1 MASK信號(hào)的高階累積量理論值
        4.2.2 MFSK信號(hào)的高階累積量理論值
        4.2.3 MPSK信號(hào)的高階累積量理論值
        4.2.4 MQAM信號(hào)的高階累積量理論值
        4.2.5 數(shù)字調(diào)制信號(hào)識(shí)別特征參數(shù)構(gòu)造
        4.2.6 歸一化峰度
    4.3 級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)分類器的設(shè)計(jì)
        4.3.1 徑向基函數(shù)
        4.3.2 徑向基神經(jīng)網(wǎng)絡(luò)
    4.4 仿真結(jié)果分析
    4.5 小結(jié)
第五章 生物醫(yī)學(xué)信號(hào)的識(shí)別與認(rèn)知技術(shù)研究
    5.1 生物醫(yī)學(xué)信號(hào)簡(jiǎn)述
        5.1.1 生物醫(yī)學(xué)信號(hào)特點(diǎn)
        5.1.2 生物醫(yī)學(xué)信號(hào)處理主要過程
    5.2 心電信號(hào)的識(shí)別算法
        5.2.1 提取心電信號(hào)特征的方法
        5.2.2 識(shí)別算法設(shè)計(jì)
    5.3 本章小結(jié)
第六章 總結(jié)與展望
參考文獻(xiàn)
致謝
作者攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄

【相似文獻(xiàn)】

相關(guān)博士學(xué)位論文 前10條

1 黃玉春;基于極致學(xué)習(xí)機(jī)的通信信號(hào)輻射源個(gè)體識(shí)別技術(shù)研究[D];華中科技大學(xué);2007年

2 呂鐵軍;通信信號(hào)調(diào)制識(shí)別研究[D];電子科技大學(xué);2000年

3 郭雙冰;混沌時(shí)間序列預(yù)測(cè)及其混沌理論在通信信號(hào)調(diào)制識(shí)別中的應(yīng)用[D];電子科技大學(xué);2003年

4 鄭文秀;數(shù)字通信信號(hào)的參數(shù)估計(jì)與干擾技術(shù)研究[D];西安電子科技大學(xué);2008年

5 鐘怡;基于無線通信信號(hào)的目標(biāo)識(shí)別關(guān)鍵技術(shù)研究[D];北京郵電大學(xué);2017年

6 唐星;認(rèn)知無線電網(wǎng)絡(luò)機(jī)會(huì)路由算法的研究[D];武漢大學(xué);2012年

7 何浩;認(rèn)知無線電動(dòng)態(tài)頻譜接入關(guān)鍵技術(shù)研究[D];電子科技大學(xué);2014年

8 劉法;分布式認(rèn)知無線電網(wǎng)絡(luò)的QoS保障關(guān)鍵技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2015年

9 王亮;譜效和能效優(yōu)化的認(rèn)知無線電網(wǎng)絡(luò)資源分配技術(shù)[D];西安電子科技大學(xué);2015年

10 鄭仕鏈;認(rèn)知無線電動(dòng)態(tài)頻譜接入關(guān)鍵技術(shù)研究[D];西安電子科技大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 龍曉紅;典型通信信號(hào)及生物醫(yī)學(xué)信號(hào)的識(shí)別與認(rèn)知技術(shù)研究[D];北京郵電大學(xué);2017年

2 王勇;通信信號(hào)頻率掃描和測(cè)量的實(shí)現(xiàn)[D];電子科技大學(xué);2014年

3 馬小朋;基于ARM的通信信號(hào)源的設(shè)計(jì)與實(shí)現(xiàn)[D];中南民族大學(xué);2015年

4 劉斌;衛(wèi)星猝發(fā)通信信號(hào)捕獲和同步研究[D];天津大學(xué);2016年

5 宋健京;通信信號(hào)產(chǎn)生算法及其實(shí)現(xiàn)[D];南京理工大學(xué);2009年

6 靳鑫;非合作通信信號(hào)偵察算法研究與實(shí)現(xiàn)[D];哈爾濱工程大學(xué);2016年

7 魏小敏;基于低秩近似的通信信號(hào)欠采樣算法研究及應(yīng)用[D];哈爾濱工程大學(xué);2016年

8 李林峰;通信信號(hào)個(gè)體識(shí)別[D];西安電子科技大學(xué);2007年

9 沈杰;典型通信信號(hào)細(xì)微特征的小波分析與提取[D];四川大學(xué);2003年

10 王立乾;數(shù)字通信信號(hào)的源碼解調(diào)技術(shù)研究[D];西安電子科技大學(xué);2004年

本文編號(hào)：2890768