注册 登录 进入教材巡展 进入在线书城
#
  • #

出版时间:2019年1月

出版社:电子工业出版社

以下为《自动调制样式分类:原理、算法与应用》的配套数字资源,这些资源在您购买图书后将免费附送给您:
  • 电子工业出版社
  • 9787121359156
  • 295464
  • 2019年1月
作者简介

Zhechen Zhu于2010年在英国利物浦大学获得电气工程与电子学学士学位。毕业前,他还在中国西安交通大学-利物浦大学学习两年。最近,他向英国布鲁内尔大学电子与计算机工程系递交了博士学位论文。2009年以来,他与Asoke K. Nandi教授密切合作,研究调制样式自动分类。他们将先进机器学习技术用于其研究成果,为复杂信道环境下的调制样式自动分类做出了巨大贡献。他在该领域的研究论文已刊登于3份关键期刊上,并在多个高级别国际会议上做过汇报。

查看全部
内容简介
本书介绍了可用于通信信号自动调制样式分类的多种算法,包括过去20年开发的主要方法。本书将相关算法系统地分为5类:基于似然的分类器、基于分布检验的分类器、基于特征的分类器、机器学习辅助的分类器、盲调制样式分类器。对于每一种调制样式分类器,本书都列出了基本假设与系统需求,并利用数学表达式、图示、编程伪码等方式说明了设计实现过程。最后,还通过理论分析和数值仿真实验两种方式对各种自动调制样式分类器的性能进行了比较。
目录

第1章 概述 1


1.1 背景 1


1.2 应用 2


1.2.1 军用 2


1.2.2 民用 3


1.3 领域综述与本书内容简介 4


1.4 调制样式与通信系统基础 5


1.4.1 模拟系统及其调制样式 5


1.4.2 数字系统及其调制样式 8


1.4.3 不同信道效应下的接收信号 12


1.5 小结 12


参考文献 12


第2章 调制样式分类信号模型 14


2.1 引言 14


2.2 加性高斯白噪声(AWGN)信道中的信号模型 15


2.2.1 I-Q分量的信号分布 16


2.2.2 信号相位的信号分布 17


2.2.3 信号幅度的信号分布 18


2.3 衰落信道中的信号模型 18


2.4 非高斯噪声信道中的信号模型 20


2.4.1 米德尔顿A类噪声模型 20


2.4.2 对称??稳定模型 21


2.4.3 混合高斯模型 21


2.5 小结 22


参考文献 23


第3章 基于似然的分类器 25


3.1 引言 25


3.2 最大似然分类器 25


3.2.1 加性高斯白噪声信道中的似然函数 25


3.2.2 衰落信道中的似然函数 27


3.2.3 非高斯噪声信道中的似然函数 28


3.2.4 最大似然分类决策 28


3.3 未知信道参数的似然比检验 29


3.3.1 平均似然比检验 29


3.3.2 广义似然比检验 30


3.3.3 混合似然比检验 31


3.4 降低复杂度 32


3.4.1 离散似然比检验与查找表 32


3.4.2 最小距离似然函数 32


3.4.3 非参数似然函数 33


3.5 小结 33


参考文献 33


第4章 基于分布检验的分类器 35


4.1 引言 35


4.2 Kolmogorov–Smirnov(KS)检验分类器 36


4.2.1 KS检验拟合优度 36


4.2.2 单样本KS检验分类器 37


4.2.3 双样本KS检验分类器 39


4.2.4 相位差分类器 39


4.3 克莱默-冯?米塞斯检验分类器 40


4.4 安德森-达令检验分类器 41


4.5 优化的分布采样检验分类器 41


4.5.1 采样位置优化 42


4.5.2 分布采样 43


4.5.3 分类决策标准 43


4.5.4 调制样式分类决策 44


4.6 小结 44


参考文献 45


第5章 调制样式分类的特征 47


5.1 引言 47


5.2 基于信号频谱的特征 47


5.2.1 基于信号频谱的特征 48


5.2.2 基于频谱的具体特征 50


5.2.3 基于频谱特征决策 50


5.2.4 决策门限优化 51


5.3 基于小波变换的特征 52


5.4 基于高阶统计的特征 54


5.4.1 基于高阶矩的特征 54


5.4.2 基于高阶累积量的特征 55


5.5 基于循环平稳分析的特征 56


5.6 小结 57


参考文献 58


第6章 利用机器学习实现调制样式分类 60


6.1 引言 60


6.2 k最近邻分类器 60


6.2.1 构建参考特征空间 60


6.2.2 明确距离定义 61


6.2.3 k最近邻决策 61


6.3 支持向量机分类器 62


6.4 利用逻辑回归实现信号特征组合 63


6.5 利用人工神经网络实现信号特征组合 64


6.6 利用遗传算法实现信号特征选择 65


6.7 利用遗传编程实现信号特征选择与信号特征组合 66


6.7.1 树状结构解 67


6.7.2 遗传算子 68


6.7.3 适应度评价 69


6.8 小结 70


参考文献 70


第7章 盲调制样式分类 72


7.1 引言 72


7.2 利用基于似然分类器实现期望最大化 72


7.2.1 期望值最大化评估器 73


7.2.2 最大似然分类器 75


7.2.3 最小似然距离分类器 75


7.3 最小距离质心估计与非参数似然分类器 76


7.3.1 最小距离质心估计 76


7.3.2 非参数似然函数 78


7.4 小结 79


参考文献 80


第8章 各种调制样式分类器的比较 82


8.1 简介 82


8.2 系统要求及适用的调制样式 82


8.3 加性噪声情况下的分类准确度 84


8.3.1 分类器评价标准 85


8.3.2 加性高斯白噪声信道中的性能比较 85


8.4 信号长度有限情况下的分类准确度 90


8.5 存在相位偏移时的分类鲁棒性 94


8.6 存在频率偏移时的分类鲁棒性 98


8.7 运算复杂度 102


8.8 小结 103


参考文献 103


第9章 民用调制样式分类 104


9.1 引言 104


9.2 对高阶调制样式的分类 104


9.3 链路自适应系统的调制样式分类 105


9.4 多输入多输出(MIMO)系统的调制样式分类 106


9.5 小结 110


参考文献 110


第10章 军用调制样式分类器设计 112


10.1 简介 112


10.2 调制样式池未知情况下的调制样式分类器设计 112


10.3 低检测概率信号调制样式分类器 114


10.3.1 直接序列扩谱信号的调制样式分类 115


10.3.2 FHSS信号的调制样式分类 116


10.4 小结 117


参考文献 117