| 【中文题名】 | 基于小波神经网络的OFDM系统调制识别方法的研究 |
| 【英文题名】 | The Study of OFDM System Modulation Recognition Methods Based on Wavelet Neural Networks |
| 【学科专业】 | 通信与信息系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-4-27 |
| 【中关键词】 | OFDM,小波变换,BP神经网络,调制识别,, |
| 【英关键词】 | OFDM,Wavelet transform,BP neural network,Modulation recognition, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 | 调制方式识别在通信中具有十分重要的作用，例如信号确认、干扰识别、频谱监测、电子对抗及军事威胁分析等，都需要对信号调制方式进行识别。
OFDM是多载波调制的一种，它将信道分成若干正交子信道，然后把高速数据流转换成并行的低速子数据流，再调制到这些子信道上进行传输。OFDM技术能够有效对抗多径干扰与频率选择性衰落，并具有频谱利用率高、成本较低等优点，已成为继CDMA之后的研究热点。因而研究OFDM系统常用调制方式的识别方法是非常有必要的，能否正确识别信号的调制类型关系到能否对信号正确解调及正确接收信息。
小波变换具有良好的时频局部特性，非常适合分析突变信号和非平稳信号；而神经网络具有自学习、自适应、鲁棒性、容错性等优点，利用神经网络可以提高识别的自动化和智能化。
基于此，本文用小波变换对OFDM系统中的BPSK，QPSK，16QAM，64QAM四种调制信号进行分析，提取有利于分类的特征参数，然后将这些特征参数作为神经网络的输入矢量，对神经网络进行训练，当满足误差要求时输出分类结果。文章最后用Matlab对该识别方法进行了仿真，并对识别结果作了分析。 |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
Abstract |
4-7 |
|
第一章 绪论 |
7-11 |
|
1.1 通信信号调制识别的研究背景和意义 |
7 |
|
1.2 通信信号调制识别方法及研究现状 |
7-10 |
|
1.2.1 通信信号调制识别方法 |
7-8 |
|
1.2.2 通信信号调制识别的研究现状 |
8-10 |
|
1.3 本文的主要工作及内容安排 |
10-11 |
|
第二章 OFDM系统原理及调制信号分析 |
11-19 |
|
2.1 引言 |
11 |
|
2.2 OFDM技术的基本原理和特点 |
11-15 |
|
2.2.1 OFDM技术的基本原理 |
11-13 |
|
2.2.2 OFDM技术的主要优缺点 |
13-15 |
|
2.3 OFDM系统中常用数字调制信号分析 |
15-18 |
|
2.3.1 相移键控调制(PSK)信号 |
15-16 |
|
2.3.2 正交幅度调制(QAM)信号 |
16-18 |
|
2.4 本章小结 |
18-19 |
|
第三章 小波变换理论及特征分析 |
19-35 |
|
3.1 短时傅立叶变换 |
19-20 |
|
3.2 小波变换理论 |
20-23 |
|
3.2.1 小波变换理论 |
20-22 |
|
3.2.2 小波分析与傅立叶分析的比较 |
22 |
|
3.2.3 小波函数的选取 |
22-23 |
|
3.3 PSK信号小波变换及分析 |
23-28 |
|
3.3.1 纯PSK信号的小波变换 |
24-27 |
|
3.3.2 加噪 PSK信号的小波变换 |
27-28 |
|
3.4 QAM信号小波变换及分析 |
28-33 |
|
3.4.1 纯 QAM信号的小波变换 |
28-31 |
|
3.4.2 带有噪声的 QAM信号的小波变换 |
31-33 |
|
3.5 信号的小波去噪方法 |
33-34 |
|
3.6 本章小结 |
34-35 |
|
第四章 小波神经网络调制识别的仿真及性能分析 |
35-45 |
|
4.1 引言 |
35-36 |
|
4.2 小波神经网络分类器建立 |
36-40 |
|
4.2.1 识别特征参数的确定 |
36-38 |
|
4.2.2 BP神经网络分类器的确定 |
38-40 |
|
4.3 小波神经网络调制识别及性能分析 |
40-43 |
|
4.4 本章小结 |
43-45 |
|
第五章 结束语 |
45-47 |
|
致谢 |
47-49 |
|
参考文献 |
49-53 |
|
攻读硕士学位期间发表的论文 |
53 |
|
| 【DOI】 | LunWen.ID:2.2008.388454 |
