一、软件无线电调幅信号检测算法研究（论文文献综述）
陈志运[1]（2021）在《基于USRP和深度学习的电磁干扰信号检测与识别系统》文中研究表明电磁干扰（EMI）是影响电子设备工作性能的一大障碍,尤其是在当今充斥着各式各样电磁信号的复杂空间电磁环境下,电磁干扰问题越来越严峻。因此要确保复杂电磁环境下设备正常运行和信号可靠传输,电磁干扰是一个迫切需要解决的问题,而干扰信号采集、检测及分析与识别则是其中的重要基础和前提。本文基于软件无线电外设USRP和便携式示波器实现了一款电磁干扰一体化检测硬件平台,并研究了基于深度学习的信号调制识别算法对25种辐射干扰信号的调制类型进行了识别。最后对硬件平台和软件算法进行集成,实现了一套电磁干扰检测与识别系统。本文的主要研究内容和创新点如下:（1）基于USRP和便携式示波器实现了一种小型一体化干扰检测单元。利用GNU Radio和USRP设计开发了辐射干扰信号的检测和采集装置,并通过多单元扩展协同扫描的方法,提高了频域监测带宽,实现了低成本大宽带的实时频谱监测。为智能化、高动态的新型电磁干扰检测设备及系统研制提供新的研究思路。（2）研究了基于深度学习的无线信号调制方式识别方法。设计了一种ResNet残差网络调制识别模型,并引入自注意力机制对模型的长期时序依赖信息学习能力进行了改善。结合插值、抽取和加噪声的数据增强方式,扩大数据集样本空间,增强模型鲁棒性和泛化能力。最后针对25种调制信号类型进行识别,实验结果表明,在SNR≥3dB时,实现信号平均识别率整体达到了 96%以上。（3）基于深度学习多任务学习方法搭建了一个同时用于信号调制识别和信噪比预测的多任务网络模型。通过利用同一个共享参数的主干神经网络来学习任务之间的共性特征,对这两个任务进行联合优化并相互促进学习。最终实现SNR≥5dB时平均识别率达到98%以上,信噪比预测平均绝对值误差整体低于0.56dB。实验结果表明,该多任务学习网络能很好完成调制分类及信噪比预测两项任务。
王景[2]（2021）在《基于深度学习的自动调制分类算法研究与实现》文中研究表明自动调制分类（Automatic Modulation Classification,AMC）是指接收方对接收信号采用的调制方式未知的情况下,根据接收信号确定所用调制类型的技术,是非合作通信系统中介于信号检测与信号解调之间的一项重要工作。由于无线网络用户增加、用户需求多样化,无线信道中的干扰和噪声日益严重、调制类别逐渐增多,使接收信号中的不确定因素增加,导致AMC算法无法有效完成分类任务。为了提高非合作通信系统中AMC算法对多候选调制分类的有效性和鲁棒性,论文研究基于深度学习的AMC算法的设计和验证。针对非合作无线通信系统中候选调制方式多样化导致分类困难的问题,论文提出了一种星座图与循环谱融合的深度学习（Deep Learning with Constellation and Cyclic-spectrum Fusion,DL-CCF）调制分类算法。在所提出的DL-CCF算法中,将预提取的信号星座图和循环谱特征融合后输入深度学习模型进行处理和分类,同时引入贝叶斯优化法优化模型超参数组合。两种预提取特征分别表征幅度、相位和频率信息,为深度学习的自适应特征提取提供导向性,有效解决了信号特征区分度不足引起的分类性能低下的问题。仿真结果表明,相较于其他同类算法,所提出的DL-CCF算法的模型参数较少,能有效提高中高信噪比下的分类正确率,但是低信噪比下的分类性能较差,且高阶正交幅度调制的分类效果也不佳。为了有效分类低信噪比信号和正交幅度调制信号,论文提出了一种基于自适应特征提取与融合（Adaptive Feature Extraction and Fusion,AFEF）的调制分类算法。在DL-CCF算法的基础上,所提出的AFEF算法增加了一个以特征预提取前的原始样本为输入的卷积神经网络分支,并引入并行训练和迁移学习改进模型的训练和优化过程,减少模型训练时间。由于新增分支提供额外信息补偿,避免特征预提取中造成的信息损失,同时可弥补星座图特征的弱抗噪性造成的幅度、相位特征可靠性不足的缺点。仿真结果表明,在保证模型复杂度、训练和测试时间不明显增加的基础上,所提出的AFEF算法有效提高了低信噪比样本的分类正确率,同时改善了中高信噪比下高阶正交幅度调制的分类性能。为验证所提出的AFEF调制分类算法的实用性,采用通用软件无线电外设和GNU Radio搭建实验验证系统,发送和接收不同种类的调制信号,用于分析算法的分类性能。实验结果表明,采用迁移学习微调模型参数后,所提出的AFEF算法有良好的分类正确率。论文提出的两种调制分类算法及验证方法,有效提高了AMC算法在实际通信场景中的分类正确率,在软件无线电、军事对抗等领域有较好的应用前景。
高晗[3]（2020）在《认知自组织网络中智能通信对抗的关键技术研究》文中研究说明随着科学技术的不断发展,无线通信系统持续演进。当前,5G已经开始大规模应用,用户对通信的要求越来越高,从而导致无线电资源也越发紧张。尤其在军事通信应用方面,由于存在多种通信设备之间的信息传输、地理环境的复杂多变和敌方信号的恶意干扰,无线电磁环境变得尤为复杂。为了对敌方的无线电通信信号进行侦察,通常需要动态地检测、实时且准确干扰敌方通信,测定其技术参数。在深入学习软件无线电和频谱感知检测方法的基础上,本文结合软件Lab VIEW和硬件NI-USRP 2920搭建了一个智能通信对抗平台。为了提高对认知用户的检测能力以实现高效的通信对抗,本文主要做了以下工作:首先,针对单用户的情况,本文通过改进能量检测法,降低阈值训练要求,在获得满足要求的频点数据后通过数组最大值索引,直接得出主用户的通信频点,再通过相关运算能间接得出用户的有效带宽。实验结果表明所提算法能获取较准确的用户信号相关参数,且一定程度上提高了信号感知速度。其次,为满足多种对抗方式的需求,除了频点和带宽等参数,还需要获取无线信号的调制方案,本文介绍了调制信号原理,其中具体介绍了MPSK,MASK,MFSK和MSK四种数字调制信号的数字特征与频谱特征。本文基于循环平稳特征检测的方法对不同的调制方案进行模式分类,其中分类器采用了MAXNET神经结构。实验结果表明,所提方法能有效对FSK,BPSK,MSK和QPSK等四种调制方式进行自动分类。最后,为了实现动态的通信对抗演示,本文通过软件无线电设备USRP和软件开发环境Lab VIEW,搭建了相应的智能通信对抗平台。该平台主要实现了频点带宽特征参数的有效获取、基于频点检测的目标用户感知、自干扰信号的消除抑制、以及电磁频谱环境的实时检测等系统功能。实验结果表明所搭建的智能通信对抗系统能够有效地对目标用户通信进行持续干扰,且在目标用户进行跳频之后,仍然能够通过频谱感知实现跟踪干扰。
吴奇贞[4]（2019）在《小型数字化核磁共振主控系统研究》文中指出低场核磁共振技术是过程监测和质量控制的有效手段,对它的研究具有重要意义。本论文在介绍核磁共振技术的基础上,分析了低场核磁共振技术的优势以及核磁共振主控系统小型化数字化对于整个核磁共振谱仪的影响。主控系统是由现场可编程门阵列（FPGA）作为主控芯片,产生时序控制信号、控制完成CPMG脉冲发射、并且完成对回波信号的高速采集处理和上传通讯。本系统采用直接频率合成（Direct Digital Synthesizer,DDS）技术,通过引入俩个DDS实现宽频带脉冲发射和接收处理;在回波信号采集处理模块则引入数字相敏检波技术,通过正交解调和有限长单位冲激响应滤波器（FIR）提取有效回波信号,减少计算量并且可以提供实时测试;在电路设计模块,采用FT2232D作为通讯芯片,减少了在程序中编写USB协议的麻烦,并且编写上位机或用现成的串口调试助手作为数据接收工具。电路设计结构简单实用、稳定可靠,改善了原来采用数字信号处理器DSP+FPGA作为主控芯片的累赘,减小电路体积,实现了核磁共振主控系统小型化和数字化。
马冲[5]（2019）在《基于认知无线电的协作频谱感知关键技术研究》文中进行了进一步梳理虽然现代无线通信利用先进技术不断突破数据速率极限,但频谱资源仍是稀缺的宝贵资源。一来适用于无线通信的频谱大多被固定分配和授权,但其频谱效率和利用率低下;二来随着用户数量不断增加,频谱越来越拥挤,各种竞争和冲突不断发生。为了解决频谱资源短缺问题,研究人员提出了认知无线电技术,该技术允许未授权用户利用动态接入空闲频谱,实现频谱资源利用的最大化。其中频谱感知技术是认知无线电中重要的一环,是保证频谱资源动态分配以及重构网络参数的前提条件。协作频谱感知技术能够有效克服目前单节点频谱感知技术的局限性,因此本文重点对协作频谱感知的关键技术进行了深入的研究。针对现有的协作频谱感知固定时隙检测和受噪声影响较严重的问题,分别提出了基于分簇的协作序贯检测方法和基于智能算法优化的协作循环频谱感知方法。由于固定样本检测方法浪费信道资源,而序贯检测可以动态调整检测样本数据从而降低检测时隙的特点,针对在大尺度衰落信道下不同认知用户感知性能恶化不同和授权用户位置不确定情况,提出了基于分簇的协作序贯检测算法。该方法根据LEACH协议选取簇头,各簇分段并行计算似然比统计量的方法进行序贯检测,任一簇内判决成功即结束检测,该认知无线电网络为二层网络,极大的缩短了检测时间。通过理论技术和仿真实验给出了系统最优吞吐量与虚警概率和检测时隙的关系,最后仿真实验表明所提算法较现有序贯检测能有效降低检测时间。通过对信号循环平稳特征的研究,针对噪声不确定环境恶劣情况下和信道环境的复杂性,本文深入研究了基于循环平稳特征的协作频谱感知技术,提出了基于粒子群优化的协作循环平稳特征检测算法。通过理论和仿真分析了BPSK调制信号的循环平稳特性,验证了通过信号的循环频率点来进行信号检测的可行性。本文以渐进最优χ2检测算法为基础,仿真实验对比能量检测在不同噪声不确定度下检测性能的差异,结果表明该算法的优越性。之后通过‘双力矩拟合法’给出了软融合检测统计量的线性合并表达式,针对EGC和MRC融合策略对非线性模型的局限性,提出了利用粒子群算法优化融合权值的策略,最后经过仿真实验验证了该算法较其他协作策略的性能优越性。
王景玉[6]（2018）在《基于改进盲源分离的弱无线电混合信号检测与分离研究》文中提出在无线电的发展进程中,各种电子产品的广泛使用,使得电磁环境日益复杂,所需的无线电往往是混有大量噪声的混合信号,一些有用信号甚至淹没在噪声中,导致人们难以获得并利用它们,因此弱无线电混合信号的检测与分离成为一项重要的研究课题。近年来,盲源分离算法以其独特的优势,在信号处理方面得到了广泛的应用。盲源分离算法中信号混合的模型包括超定混合,正定混合和欠定混合模型,但该算法对噪声较敏感,且受到欠定混合模型的制约。针对弱无线电混合信号检测与分离问题,本文对盲源分离算法进行了改进,主要进行了以下三个方面的研究:首先,针对超定和正定混合模型下盲源分离算法对弱无线电混合信号检测与分离问题,提出使用时域积累法对该条件下的信号进行检测,接着使用小波包分析进行进一步的处理,再使用盲源分离算法中的RobustICA算法进行分离的方法。在仿真研究和实验分析中,均通过观察信号时域图中的波形和频域图中的频率以及相似系数和信噪比对检测与分离前后结果进行定性分析和定量分析。仿真研究和实验分析中均表明所提方法适用于超定和正定混合模型下的弱无线电混合信号的检测与分离。其次,针对欠定混合模型下盲源分离算法对弱无线电混合信号检测与分离问题,重点研究欠定混合模型中单通道混合模型下的盲源分离算法,提出使用时域积累法对该条件下的信号进行检测,接着使用变分模态分解（VMD）算法进行粗分离,再使用改进的量子粒子群优化（QPSO）算法优化参数后的VMD算法进行细分离的方法。仿真研究和实验分析中的评价指标同超定和正定混合模型下的弱无线电混合信号的评价指标一致,并证明了所提方法适用于单通道混合模型下的弱无线电混合信号的检测与分离。最后,将Matlab GUI作为开发平台对基于改进盲源分离的弱无线电混合信号检测与分离系统进行软件开发。根据本文中提出的对弱无线电混合信号的检测与分离方法,分别编写了信号读取界面、信号检测界面、信号分离界面。
石剑[7]（2018）在《基于软件无线电接收机的通信信号识别与解调》文中认为随着现代通信技术的发展,通信系统日益复杂,传统的硬件电路已不能满足越来越多样化的需求,而软件无线电技术由于其灵活性与拓展性等特点受到了全世界广泛的关注。自动调制识别技术作为软件无线电技术的一个重要功能也成为了研究热点,尤其是在非协作通信领域有着举足轻重的作用。为了可靠有效的进行自动调制识别与解调,本文在充分研究了通信信号调制理论的基础上,给出了性能较好的实时功率谱估计算法,之后着重分析了几个重要的参数估计:符号速率估计、频偏估计与符号定时误差估计,并对部分现有的算法提出了改进措施,同时利用仿真证实了算法的有效性。通过分析当前的自动调制识别领域研究成果,本文提出了一种准确率较高的自动调制识别算法流程,对算法的每一步都进行了大量的分析与仿真验证,以选择出较好的识别参数,随后对算法进行综合,给出了综合调制识别算法在不同信噪比下的识别率以及结果分析。本文的研究都是基于RTL-SDR软件无线电接收机,在理论研究之后,编写了软件来对研究内容进行实现,其中详细介绍了包括信号的接收、变频、滤波、抽取、识别等功能的实现细节,并对实际的通信信号FM调频广播和ADS-B信号进行了解调。通过软件的运行,验证了信号处理过程、识别算法和解调算法的准确性。
张晨[8]（2014）在《基于FPGA的微弱信号检测的算法研究与实现》文中提出在当今社会中，随着微弱信号检测理论的日趋成熟和数字器件性能的逐步提高，越来越多的弱信号检测技术被应用到日常的实际工作和生活当中[1]混沌算法自身独特的性质使它在弱信号检测中显得尤为突出，即在幅度较小的信号输入后混沌系统将会产生强烈的变化，但是在噪声输入时却很平静论文将杜芬振子混沌算法应用到了无线电信号的检测中，并用方差-频率图的方法判断弱信号的有无通过对噪声下混沌序列的变化趋势进行方差统计，若某一频率处的方差值与周围相比有一个较大的起伏，那么这一点频率即为检测到信号的频率值论文首先将杜芬混沌算法与子空间算法进行了比较，通过实际信号对算法进行了仿真和分析，并从硬件实现的角度评估两种算法得知混沌算法更有优势之后，详细介绍了混沌检测系统中各模块的设计过程，包括数模采集模块数字下变频模块混沌算法模块几部分均用verilog硬件语言设计实现最后FPGA通过串口将输出结果传到上位机中，并用matlab画出频率方差图来鉴别是否有弱信号的存在在使用实际数据对算法模块的功能进行测试时证明所设计的算法模块对弱信号检测所能达到的最低信噪比为-30dB，通过ISE软件中对电路的综合报告可以看出设计使用的资源较少，利于人们在工程中进行实际应用
马琎[9]（2012）在《认知无线电中跳频信号检测与参数提取》文中进行了进一步梳理随着无线通信技术的飞速发展,无线频谱资源正在呈现愈发紧张的趋势,认知无线电技术的日趋成熟为提高频谱利用率、实现频谱资源动态分配、解决频谱资源短缺开创了崭新的局面。跳频通信技术作为扩频通信的一个重要分支,因其抗干扰性强、频谱利用率高以及易于实现码分多址等突出优点,已经被广泛的应用于军事和民用通信领域,并将在现代通信系统中扮演越来越重要的角色。现阶段认知无线电中频谱感知技术常用的能量检测、循环平稳检测以及匹配滤波检测等方法,均无法实现对使用跳频技术作为通信方式的主用户的准确检测,所以,研究认知无线电中跳频信号检测与参数提取方法,无论在理论分析还是工程实现中都具有非常高的研究价值和意义。本文结合认知无线电中的频谱感知技术以及跳频通信本身具有的特点,通过对已有的跳频信号检测方法进行分析,以跳频信号所特有的自相关特性和时变特性为理论依据,提出了一种适用于认知无线电系统的、基于信号相关性分析与时频分析的联合检测算法,并通过在MATLAB环境下对跳频信号检测算法进行的大量仿真实验和理论分析,从提高检测精度和减小运算复杂度两个角度对检测算法进行优化,仿真结果验证了优化之后的双通道互相关跳频信号检测方法以及短时傅里叶变换与Wigner-Ville分布联合时频分析方法,在检测性能上有明显提升的同时,有效地降低了算法复杂程度、提高了算法运行效率,可以快速地在信噪比较低的无线环境中对跳频信号进行准确的检测,能够满足认知无线电频谱感知技术准确性和实时性的要求,在认知无线电系统的实际应用中具有很强的可行性。
李文海,魏辉,许爱强[10]（2011）在《软件无线电在反潜技术中的研究》文中认为针对通信领域近些年广泛研究和应用的软件无线电技术,为了实现反潜水声信号处理机的数字化,结合浮标接收信号和通信的特点,提出软件无线电应用在声纳接收机中的假设,并给出软件无线电技术在反潜接收机中应用的相关技术。该技术特点是实现信号处理的数字化,降低误差,提高处理效率。
二、软件无线电调幅信号检测算法研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、软件无线电调幅信号检测算法研究（论文提纲范文）
（1）基于USRP和深度学习的电磁干扰信号检测与识别系统（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 电磁干扰检测研究现状 |
| 1.2.2 信号调制识别研究现状 |
| 1.3 论文研究内容及结构 |
| 1.3.1 研究内容和创新点 |
| 1.3.2 论文结构 |
| 第二章 电磁干扰及软件无线电技术分析 |
| 2.1 电磁干扰分析 |
| 2.2 无线电相关信号理论与分析 |
| 2.2.1 IQ正交信号模型 |
| 2.2.2 数字变频理论 |
| 2.2.3 信号抽样理论 |
| 2.3 软件无线电技术分析 |
| 2.3.1 软件无线电原理 |
| 2.3.2 软件无线电外设 |
| 2.3.3 软件无线电开发平台 |
| 2.4 本章小结 |
| 第三章 电磁干扰一体化检测单元的设计与实现 |
| 3.1 一体化检测单元需求分析 |
| 3.2 传导干扰信号检测模块 |
| 3.2.1 Pico示波器简介 |
| 3.2.2 传导干扰信号采集 |
| 3.3 辐射干扰信号检测模块 |
| 3.3.1 USRP N210母板和UBX-40子板 |
| 3.3.2 开发环境 |
| 3.3.3 IQ信号采集 |
| 3.3.4 频域扫描 |
| 3.3.5 传输和控制 |
| 3.3.6 整体工程流图 |
| 3.4 一体化检测单元集成实现 |
| 3.5 本章小结 |
| 第四章 基于深度学习的辐射干扰信号调制识别 |
| 4.1 辐射干扰信号识别需求分析 |
| 4.2 深度学习理论基础 |
| 4.2.1 人工神经网络 |
| 4.2.2 卷积神经网络 |
| 4.2.3 神经网络优化算法 |
| 4.3 实验数据及预处理 |
| 4.3.1 实验数据集 |
| 4.3.2 数据预处理 |
| 4.4 基于深度学习的调制识别算法设计 |
| 4.4.1 问题定义 |
| 4.4.2 基于残差神经网络的调制识别 |
| 4.4.3 引入自注意力机制的ResNet调制识别 |
| 4.4.4 模型训练及预测 |
| 4.5 实验结果及分析 |
| 4.5.1 训练过程准确率和损失函数变化曲线分析 |
| 4.5.2 采样率对模型的影响分析 |
| 4.5.3 加性高斯白噪声对模型的影响分析 |
| 4.5.4 同其他算法结果对比分析 |
| 4.6 本章小结 |
| 第五章 基于多任务学习的信号调制识别与信噪比预测 |
| 5.1 传统信噪比估计算法 |
| 5.1.1 最大似然估计法 |
| 5.1.2 二阶四阶矩估计法 |
| 5.1.3 谱分析估计法 |
| 5.2 多任务学习网络模型 |
| 5.2.1 单任务学习 |
| 5.2.2 多任务学习 |
| 5.2.3 调制识别和信噪比估计相关性分析 |
| 5.3 基于多任务学习的调制识别及信噪比估计算法设计 |
| 5.3.1 问题定义 |
| 5.3.2 调制识别及信噪比估计多任务学习网络模型 |
| 5.4 实验结果及分析 |
| 5.4.1 训练过程准确率和损失函数变化曲线分析 |
| 5.4.2 调制识别率及信噪比估计误差分析 |
| 5.5 本章小结 |
| 第六章 电磁干扰信号检测与识别系统演示 |
| 6.1 系统架构 |
| 6.2 系统硬件平台展示 |
| 6.3 系统软件功能演示 |
| 6.3.1 信号采集及频域扫描 |
| 6.3.2 时频域监测 |
| 6.3.3 辐射干扰调制识别 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文总结 |
| 7.2 后续展望 |
| 参考文献 |
| 致谢 |
（2）基于深度学习的自动调制分类算法研究与实现（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于最大似然的自动调制分类方法 |
| 1.2.2 基于信号特征的自动调制分类方法 |
| 1.2.3 深度学习理论 |
| 1.2.4 基于深度学习的自动调制分类方法 |
| 1.3 论文研究内容与贡献 |
| 1.4 论文章节安排 |
| 第2章 基于深度学习的自动调制分类方法研究基础 |
| 2.1 信号调制技术概述 |
| 2.1.1 模拟调制 |
| 2.1.2 数字调制 |
| 2.2 循环谱理论基础 |
| 2.2.1 循环谱分析与循环平稳过程 |
| 2.2.2 基于快速傅里叶变换的循环谱密度估计法 |
| 2.2.3 不同调制方式的循环谱密度图 |
| 2.3 基于深度学习的自动调制分类方法 |
| 2.4 深度学习模型概述 |
| 2.4.1 神经元与神经网络 |
| 2.4.2 卷积神经网络 |
| 2.4.3 残差网络 |
| 2.4.4 卷积-LSTM-全连接神经网络 |
| 2.5 性能评价指标 |
| 2.5.1 分类正确率 |
| 2.5.2 混淆矩阵 |
| 2.5.3 训练时间和测试时间 |
| 2.6 本章小结 |
| 第3章 星座图与循环谱融合的深度学习调制分类算法 |
| 3.1 总体方案 |
| 3.2 具体算法设计 |
| 3.2.1 信号建模与预处理 |
| 3.2.2 特征提取与融合 |
| 3.2.3 CNN模型的构建、训练与优化 |
| 3.2.4 调制识别过程 |
| 3.3 仿真结果分析 |
| 3.3.1 仿真数据集 |
| 3.3.2 DL-CCF算法的性能分析 |
| 3.3.3 不同模型超参数的影响 |
| 3.3.4 不同分类算法的性能比较与分析 |
| 3.4 本章小结 |
| 第4章 基于自适应特征提取与融合的调制分类算法 |
| 4.1 总体方案 |
| 4.2 AFEF算法的工作模式 |
| 4.2.1 模型训练模式 |
| 4.2.2 调制识别模式 |
| 4.3 并行训练与迁移学习 |
| 4.3.1 基本思想 |
| 4.3.2 模型训练和优化 |
| 4.4 仿真结果分析 |
| 4.4.1 AFEF算法的性能分析 |
| 4.4.2 不同模型超参数的影响 |
| 4.4.3 不同分类算法的性能比较与分析 |
| 4.4.4 并行训练与迁移学习 |
| 4.5 本章小结 |
| 第5章 基于自适应特征提取与融合的调制分类算法的实验验证 |
| 5.1 实验方案设计 |
| 5.1.1 GNU Radio和 USRP1 |
| 5.1.2 实验场景与验证方案 |
| 5.2 实验结果分析 |
| 5.2.1 AFEF算法的性能分析 |
| 5.2.2 不同分类算法的性能比较 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 作者简历及攻读硕士期间所取得的科研成果 |
（3）认知自组织网络中智能通信对抗的关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 认知无线电介绍 |
| 1.2.1 认知无线电功能 |
| 1.2.2 认知无线电关键技术介绍 |
| 1.2.3 软件定义无线电 |
| 1.2.4 无线自组网概念 |
| 1.3 国内外研究现状 |
| 第二章 基于软件无线电平台的载波频率检测 |
| 2.1 软件无线电平台 |
| 2.1.1 软件定义无线电平台对比 |
| 2.1.2 Lab VIEW软件 |
| 2.1.3 NI-USRP2920硬件架构及处理流程 |
| 2.1.4 安装测试 |
| 2.2 载波频率与带宽检测的系统实现 |
| 2.2.1 实验仿真 |
| 2.3 本章小结 |
| 第三章 基于循环平稳特征检测的调制模式识别 |
| 3.1 调制信号原理分析 |
| 3.1.1 数字调制信号 |
| 3.2 循环平稳特征检测 |
| 3.2.1 使用循环平稳特征法实现自动模式分类 |
| 3.2.2 循环平稳频谱分析 |
| 3.3 调制模式识别的系统实现 |
| 3.3.1 信号发射端程序 |
| 3.3.2 接收端程序 |
| 3.3.3 仿真测试实验 |
| 3.4 本章小结 |
| 第四章 基于频谱感知的智能通信干扰平台研制 |
| 4.1 智能通信对抗平台 |
| 4.1.1 系统模型 |
| 4.1.2 工作流程 |
| 4.2 系统实现与演示验证 |
| 4.2.1 系统实现 |
| 4.2.2 演示验证 |
| 4.3 本章总结 |
| 第五章 总结与展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间申请的专利 |
| 附录2 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（4）小型数字化核磁共振主控系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 论文选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 测井仪的主控系统分析 |
| 1.2.2 一体化控制台 |
| 1.3 课题主要研究内容 |
| 1.4 论文结构安排 |
| 第2章 系统总体方案设计 |
| 2.1 总体方案设计 |
| 2.1.1 发射模块方案设计 |
| 2.1.2 接收模块方案设计 |
| 2.2 核心芯片选择 |
| 2.3 本章小结 |
| 第3章 核磁共振主控系统发射模块设计 |
| 3.1 时序控制信号产生 |
| 3.1.1 CPMG脉冲序列 |
| 3.1.2 时序控制信号 |
| 3.2 脉冲序列发射研究 |
| 3.2.1 正弦信号产生单元设计 |
| 3.2.2 射频信号发射器 |
| 3.3 本章小结 |
| 第4章 核磁共振主控系统接收模块设计 |
| 4.1 数据接收检测 |
| 4.2 数据处理 |
| 4.2.1 数字相敏检波原理 |
| 4.2.2 数字相敏检波算法实现 |
| 4.2.3 数据通讯 |
| 4.3 本章小结 |
| 第5章 系统验证测试及分析 |
| 5.1 系统功能模块测试 |
| 5.2 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
（5）基于认知无线电的协作频谱感知关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 认知无线电概述 |
| 1.2.1 认知无线电基本概念 |
| 1.2.2 认知无线电国内外发展现状 |
| 1.3 频谱感知技术研究现状 |
| 1.4 本文主要研究内容 |
| 第2章 认知无线电频谱感知技术 |
| 2.1 频谱感知技术概述 |
| 2.2 本地频谱感知技术介绍 |
| 2.2.1 能量检测算法 |
| 2.2.2 匹配滤波器检测算法 |
| 2.2.3 循环平稳特征检测算法 |
| 2.3 其它频谱检测技术介绍 |
| 2.3.1 振荡器功率泄露检测 |
| 2.3.2 干扰温度的检测 |
| 2.3.3 基于协方差矩阵的检测 |
| 2.4 协作频谱感知技术介绍 |
| 2.4.1 协作频谱感知技术概述 |
| 2.4.2 硬判决融合算法 |
| 2.4.3 软判决融合准则 |
| 2.5 本章小结 |
| 第3章 基于分簇的协作序贯检测算法研究 |
| 3.1 频谱感知系统模型 |
| 3.2 序贯似然比检测方法 |
| 3.2.1 基于分段的单用户序贯检测 |
| 3.2.2 多用户协作序贯检测 |
| 3.3 基于分簇的序贯检测算法 |
| 3.3.1 分簇模型分析 |
| 3.3.2 基于分簇的序贯协作检测算法 |
| 3.3.3 感知系统性能分析及吞吐量优化 |
| 3.4 仿真结果分析 |
| 3.5 本章小结 |
| 第4章 基于循环平稳特征的协作频谱检测算法 |
| 4.1 循环平稳信号理论 |
| 4.1.1 循环平稳信号基本概念 |
| 4.1.2 循环谱估计方法 |
| 4.1.3 BPSK信号循环谱估计 |
| 4.2 循环平稳特征检测算法 |
| 4.2.1 基于二阶循环统计量的频谱检测算法 |
| 4.2.2 性能仿真与分析 |
| 4.3 基于循环平稳特征的协作检测算法 |
| 4.3.1 协作循环平稳特征检测算法 |
| 4.3.2 基于粒子群算法的协作循环平稳检测算法 |
| 4.3.3 算法仿真与分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
| 详细摘要 |
（6）基于改进盲源分离的弱无线电混合信号检测与分离研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 弱混合信号检测与分离的研究现状 |
| 1.2.1 信号检测方法 |
| 1.2.2 信号分离方法 |
| 1.3 盲源分离算法的发展及现状 |
| 1.3.1 盲源分离问题的由来 |
| 1.3.2 国内外发展及现状 |
| 1.3.3 盲源分离算法现存问题 |
| 1.4 论文结构安排 |
| 第二章 弱无线电混合信号检测与分离基本理论 |
| 2.1 无线电信号检测与分离性能的评价指标 |
| 2.1.1 相似系数 |
| 2.1.2 信噪比 |
| 2.2 无线电信号与噪声的特征 |
| 2.3 弱无线电信号时域积累法检测理论 |
| 2.4 时域积累法的仿真研究 |
| 2.4.1 不同分段方式下的时域积累法 |
| 2.4.2 不同累加段数下的时域积累法 |
| 2.5 弱无线电混合信号盲源分离理论 |
| 2.5.1 盲源分离算法的数学模型 |
| 2.5.2 盲源分离算法的约束条件和不确定因素 |
| 2.6 盲源分离算法的仿真研究 |
| 2.6.1 噪声对盲源分离算法的影响 |
| 2.6.2 欠定混合模型对盲源分离算法的影响 |
| 2.7 本章总结 |
| 第三章 基于小波包和RobustICA的弱无线电混合信号检测与分离 |
| 3.1 超定和正定混合模型下的改进盲源分离算法 |
| 3.1.1 小波包分析方法 |
| 3.1.2 RobustICA算法 |
| 3.2 超定和正定混合模型下的改进盲源分离算法流程 |
| 3.3 超定和正定混合模型下的改进盲源分离算法的仿真研究 |
| 3.3.1 单独采用RobustICA算法对弱无线电混合信号的分离 |
| 3.3.2 改进盲源分离算法对弱无线电混合信号进行检测与分离 |
| 3.4 超定和正定混合模型下的改进盲源分离算法的实验分析 |
| 3.4.1 弱无线电混合信号的获取 |
| 3.4.2 改进盲源分离算法对弱无线电混合信号的检测与分离 |
| 3.5 本章总结 |
| 第四章 基于VMD算法的单通道弱无线电混合信号的检测与分离 |
| 4.1 欠定混合模型下的改进盲源分离算法 |
| 4.1.1 VMD算法 |
| 4.1.2 VMD算法的参数优化 |
| 4.2 单通道混合模型下的改进盲源分离算法流程 |
| 4.3 单通道混合模型下的改进盲源分离算法的仿真研究 |
| 4.3.1 改进QPSO算法的性能 |
| 4.3.2 改进盲源分离算法对弱无线电混合信号的检测与分离 |
| 4.4 单通道混合模型下的改进盲源分离算法的实验分析 |
| 4.4.1 弱无线电混合信号的获取 |
| 4.4.2 改进盲源分离算法对弱无线电混合信号的检测与分离 |
| 4.5 本章总结 |
| 第五章 基于改进盲源分离的弱无线电混合信号检测与分离系统软件开发 |
| 5.1 检测与分离系统软件的需求分析 |
| 5.2 检测与分离系统开发 |
| 5.2.1 系统主界面 |
| 5.2.2 信号读取 |
| 5.2.3 信号检测 |
| 5.2.4 信号分离 |
| 5.3 本章总结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间所取得的相关科研成果 |
（7）基于软件无线电接收机的通信信号识别与解调（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 调制识别发展概况 |
| 1.3 RTL-SDR简介 |
| 1.4 本文主要工作与结构安排 |
| 1.4.1 论文主要工作内容 |
| 1.4.2 论文结构安排 |
| 2 信号检测与参数估计 |
| 2.1 通信信号调制理论基础 |
| 2.1.1 信号通用调制模型 |
| 2.1.2 模拟调制 |
| 2.1.3 数字调制 |
| 2.1.4 正交下变频 |
| 2.2 信号检测 |
| 2.3 符号速率估计 |
| 2.4 频偏估计 |
| 2.4.1 过零检测法 |
| 2.4.2 相位差分法与延迟共轭相乘法 |
| 2.4.3 功率谱估计法 |
| 2.5 符号定时同步 |
| 2.6 本章小结 |
| 3 调制方式识别 |
| 3.1 恒包络调制信号的识别 |
| 3.2 模拟信号与数字信号的识别 |
| 3.3 调幅类信号的识别 |
| 3.4 数字调制信号类内识别 |
| 3.5 综合调制识别 |
| 3.5.1 综合调制识别流程 |
| 3.5.2 算法识别率 |
| 3.6 本章小结 |
| 4 解调 |
| 4.1 FM广播 |
| 4.2 ADS-B |
| 4.3 本章小结 |
| 5 软件实现 |
| 5.1 软件框架 |
| 5.2 功能实现 |
| 5.2.1 识别与解调 |
| 5.2.2 ADS-B |
| 5.3 结果 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（8）基于FPGA的微弱信号检测的算法研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 论文的研究背景和意义 |
| 1.2 微弱信号检测的发展情况 |
| 1.3 混沌理论的发展 |
| 1.4 论文主要工作和章节说明 |
| 第二章 混沌算法检测原理 |
| 2.1 弱信号检测方法简述 |
| 2.2 Duffing 方程介绍 |
| 2.3 混沌状态的基本判断方法 |
| 2.4 方差频率图法检测微弱信号 |
| 2.5 Duffing 混沌算法和子空间算法的性能比较和分析 |
| 2.5.1 混沌算法在工程中的应用 |
| 2.5.2 子空间算法原理 |
| 2.5.3 两算法的仿真与比较 |
| 2.5.4 单载波信号 |
| 2.5.5 经过幅度衰减的 AM 信号 |
| 2.5.6 航空 AM 信号 |
| 2.5.7 硬件可行性对比 |
| 2.5.8 本章小结 |
| 第三章 混沌算法检测系统的数字接收前端模块 |
| 3.1 基于软件无线电的设计方法 |
| 3.2 模/数转换模块设计 |
| 3.2.1 软件无线电中的模/数转换技术介绍 |
| 3.2.2 A/D 转换原理介绍 |
| 3.2.3 ADS62P49 芯片介绍及工作时序 |
| 3.2.4 A/D 驱动模块的 FPGA 设计 |
| 3.2.4.1 A/D 控制寄存器功能配置 |
| 3.2.4.2 A/D 的时钟配置模块 |
| 3.3 数字下变频模块的设计 |
| 3.3.1 数字下变频技术介绍 |
| 3.3.2 数字下变频相关原理 |
| 3.3.2.1 数字混频正交变换[18] |
| 3.3.2.2 数字下变频原理[19] |
| 3.3.3 数字下变频中各模块的设计 |
| 3.3.3.1 数控振荡器模块 |
| 3.3.3.2 混频器 |
| 3.3.3.3 FIR 低通滤波器 |
| 3.3.4 Simulink 中仿真 DDC 输出结果 |
| 3.3.5 DDC 的 FPGA 输出结果分析 |
| 3.4 本章小结 |
| 第四章 检测算法模块设计 |
| 4.1 基于 Duffing 振子的方差频率图法 |
| 4.2 RK4 法求解杜芬状态方程 |
| 4.3 混沌序列计算模块 |
| 4.3.1 RK4 法解状态方程模块 |
| 4.3.2 相位转换模块 |
| 4.3.3 基于查表法的余弦运算模块 |
| 4.4 方差计算模块 |
| 第五章 混沌算法的检测效果 |
| 5.1 单载波信号 |
| 5.2 航空通信信号 |
| 5.3 不同信噪比的 AM 信号 |
| 第六章 结论 |
| 参考文献 |
| 攻读学位期间所取得的相关科研成果 |
| 致谢 |
（9）认知无线电中跳频信号检测与参数提取（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及课题意义 |
| 1.2 认知无线电技术概述 |
| 1.2.1 认知无线电的诞生 |
| 1.2.2 认知无线电技术国内研究现状 |
| 1.2.3 认知无线电技术国外研究现状 |
| 1.3 跳频通信技术概述 |
| 1.3.1 跳频技术在军事通信中的应用和发展 |
| 1.3.2 跳频通信在民用通信中的应用和发展 |
| 1.3.3 跳频信号检测研究现状 |
| 1.4 论文的研究内容、创新点和组织结构 |
| 第二章 认知无线电技术与跳频通信系统分析 |
| 2.1 认知无线电技术原理 |
| 2.1.1 认知无线电概念 |
| 2.1.2 认知无线电频谱感知技术 |
| 2.2 跳频通信系统原理与分析 |
| 2.2.1 扩频通信基础 |
| 2.2.2 跳频通信系统组成与原理 |
| 2.2.3 跳频通信主要性能指标 |
| 2.3 本章小结 |
| 第三章 认知无线电中跳频信号检测方案设计 |
| 3.1 跳频信号模型 |
| 3.2 基于信号相关特性的跳频信号检测算法研究 |
| 3.2.1 信号相关性检测算法的理论基础 |
| 3.2.2 跳频信号存在性检测的方案设计 |
| 3.2.3 跳频信号存在性检测算法性能分析 |
| 3.3 时频分析在跳频信号检测中的应用 |
| 3.3.1 时频分析理论基础 |
| 3.3.2 时频分析在跳频信号检测中的性能分析 |
| 3.4 本章小结 |
| 第四章 跳频信号检测算法性能分析与参数提取 |
| 4.1 跳频信号检测算法性能分析与优化 |
| 4.1.1 跳频信号存在性检测算法优化 |
| 4.1.2 时频分析算法性能分析及优化 |
| 4.2 跳频信号参数提取与相关性能分析 |
| 4.2.1 脊线提取原理与应用 |
| 4.2.2 跳频信号参数提取 |
| 4.2.3 跳频信号参数提取性能分析 |
| 4.3 认知无线电跳频信号检测算法实现流程 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者攻读学位期间发表的学术论文目录 |
（10）软件无线电在反潜技术中的研究（论文提纲范文）
| 0 引 言 |
| 1 基本原理 |
| 1.1 模拟信号调制 |
| (1) 调频 |
| (2) 调幅 |
| 1.2 无线声纳浮标探测与通信的特点 |
| 2 信号处理算法 |
| 2.1 能量检测算法 |
| 2.2 高阶统计量法 |
| 2.3 神经网络 |
| 3 结 论 |
四、软件无线电调幅信号检测算法研究（论文参考文献）
- [1]基于USRP和深度学习的电磁干扰信号检测与识别系统[D]. 陈志运. 北京邮电大学, 2021(01)
- [2]基于深度学习的自动调制分类算法研究与实现[D]. 王景. 浙江大学, 2021(01)
- [3]认知自组织网络中智能通信对抗的关键技术研究[D]. 高晗. 南京邮电大学, 2020(03)
- [4]小型数字化核磁共振主控系统研究[D]. 吴奇贞. 中国石油大学(北京), 2019(02)
- [5]基于认知无线电的协作频谱感知关键技术研究[D]. 马冲. 江苏科技大学, 2019(03)
- [6]基于改进盲源分离的弱无线电混合信号检测与分离研究[D]. 王景玉. 河北工业大学, 2018(07)
- [7]基于软件无线电接收机的通信信号识别与解调[D]. 石剑. 南京理工大学, 2018(01)
- [8]基于FPGA的微弱信号检测的算法研究与实现[D]. 张晨. 河北工业大学, 2014(03)
- [9]认知无线电中跳频信号检测与参数提取[D]. 马琎. 北京邮电大学, 2012(08)
- [10]软件无线电在反潜技术中的研究[J]. 李文海,魏辉,许爱强. 现代电子技术, 2011(21)