一种基于时频分析和星座图分析的混叠信号调制类型识别方法与流程

技术特征：
1.一种基于时频分析和星座图分析的混叠信号调制类型识别方法，其特征在于，所述方法包括以下步骤：步骤1：使用时频分析结合形态拟合的方法，识别混叠信号中的模拟调制类型；步骤2：使用星座图分析结合边缘检测的方法，识别混叠信号中的数字调制类型。2.根据权利要求1所述的基于时频分析和星座图分析的混叠信号调制类型识别方法，其特征在于，所述步骤1中，对于混叠信号中的模拟调制类型，使用形态拟合方法处理时频分析得到的时频分布图，进而识别出混叠信号中的模拟调制类型。3.根据权利要求1所述的基于时频分析和星座图分析的混叠信号调制类型识别方法，其特征在于，所述步骤2中，对于混叠信号中的数字调制类型，使用边缘检测方法处理星座图分析得到的星座图，进而识别出混叠信号中的数字调制类型。4.根据权利要求2所述的基于时频分析和星座图分析的混叠信号调制类型识别方法，其特征在于，步骤1中的形态拟合算法，具体如下，使用形态拟合算法处理时频分布图分选出模拟调制信号，首先需要对时频分布灰度图做平滑处理，提取出一个灰度向量，接着使用滑动窗口寻找信号峰值，最后使用最小二乘法进行拟合，完成对模拟调制信号的识别。5.根据权利要求2所述的基于时频分析和星座图分析的混叠信号调制类型识别方法，其特征在于，步骤1中，对信号进行时频分析得到的时频图本质上是一个灰度图，为了对此灰度图进行平滑处理，消除图像中的噪声所带来的影响，所采用的方法为在纵向上以每5个像素点为一个单位，将时频图切割成若干横条，然后对横条图像进行计算，将纵向的5个像素灰度值相加，得到一个一维的灰度向量，通过此步处理，可以尽可能减少图像中噪声的影响，并且减少了计算量，原始灰度矩阵如下：经计算提取到灰度向量如下：其中：g
11
＝g
11
g
21
g
31
g
41
g
51
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)g
12
＝g
12
g
22
g
32
g
42
g
52
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)g
13
＝g
13
g
23
g
33
g
43
g
51
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)(5)得到处理后的灰度矩阵后，使用滑动窗口寻找信号峰值，滑动窗设置为7个像素宽的三
角窗，将此滑动窗以每次移动一个单位像素的速率与各个灰度向量进行卷积，最终得到一组新的特征向量；在对所有灰度向量进行此操作后，将各个特征向量的峰值划分到各个组中，每个组对应一个调制方式在时频图中的曲线中点的集合，下式代表一个宽度为7个像素的三角窗：将此滑动窗与之前由灰度图提取的灰度向量依次相卷得到一新的特征向量，以第一行特征向量为例，与上述滑动窗相卷得到如下特征向量[g
′
11 g
′
12 g
′
13
ꢀ…ꢀ
g
′
1n
]
ꢀꢀꢀꢀ
(8)其中其中n＝n
‑6ꢀꢀꢀꢀꢀꢀꢀ
(11)在上述过程中已经得到了各个曲线所对应的点的集合，接下来就要通过分析处理各组中的点来判断曲线的类型。6.根据权利要求2所述的基于时频分析和星座图分析的混叠信号调制类型识别方法，其特征在于，步骤1中，为了实现判断曲线类型的目的，首先利用最小二乘法来拟合直线，最小二乘法就是用来将一组符合y＝a bx关系的数据，用计算的方法来求出最佳a和b，首先设直线表达式为：y＝a bx
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)对于满足上述关系的一组数据(x
i
,y
i
)，假设自变量x
i
的误差忽略，则在同一个x
i
下，测量点y
i
和直线上对应点a bx
i
的偏差d
i
之间有如下关系：那么当d1＝d2＝
…
d
n
＝0时所求出的a和b是最理想的，但实际测量得到的数据不可能使d1＝d2＝
…
d
n
＝0,这样只有考虑使d
12
d
22

…
d
n2
对a和b最小时，所得到的a和b为最好的；令d分别对a和b求一阶偏导：
再求二阶偏导：再求二阶偏导：显然显然满足最小值条件，令一阶偏导数为零：令一阶偏导数为零：引入平均值：引入平均值：引入平均值：引入平均值：则：则：解得：
将a和b代入方程y＝a bx，即为由最小二乘法拟合得到的直线方程；将作为拟合效果的评价标准，越小，拟合效果越好。7.根据权利要求1中所述的基于时频分析和星座图分析的混叠信号调制类型识别方法，其特征在于，步骤2中，首先通过开操作将图中各个簇进行填充，为后续边缘检测做准备，然后经过sobel边缘检测算法将图中最大的边缘提取出来，根据提取出的边缘的数量与位置可以对星座图的类型进行判断，从而对信号进行识别。8.根据权利要求7中所述的基于时频分析和星座图分析的混叠信号调制类型识别方法，其特征在于，步骤2中，先进行腐蚀操作，再进行膨胀操作，将图像中小区域的亮区域替代为暗区域，将各个簇内的空白点替代为黑色，使各个簇看起来更明显，为后续边缘检测做准备。9.根据权利要求7中所述的基于时频分析和星座图分析的混叠信号调制类型识别方法，其特征在于，步骤2中，使用sobel算子进行边缘检测，sobel算子它被用于计算图像亮度函数的灰度近似值，它会产生运算点对应的灰度矢量或法矢量，其包含两组3
×
3的矩阵g
x
‘
和g
y
‘
，其中g
x
‘
为该算子与图像横向作平面卷积的矩阵，g
y
‘
则为该算子与图像纵向作平面卷积的矩阵，通过这两个方向的卷积即可得到图像中横向和纵向的亮度差分近似值，假设a为原始图像，g
x
、g
y
为运算过后的图像灰度值，则公式如下：则公式如下：g
x
＝g
x
‘
*a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(42)g
y
＝g
y
‘
*a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(43)则图中每一点的灰度大小可用下式来表示：当图中一点的g大于某一阈值时，该点就被认为时图中的边缘点，对全图应用这个算子即可得到图像中所有的边缘，在检测出星座图的边缘后，只需要将图中最大的边缘，或者说是最外围的边缘提取出来，计算其数量并根据其坐标位置即可确定星座图中簇的数量，以及排列方式，也就可以确定信号的调制方式。10.根据权利要求1中所述的基于时频分析和星座图分析的混叠信号调制类型识别方法，其特征在于，混叠信号包括lfm、sfm两种模拟调制信号和bpsk、qpsk、8psk、16qam、64qam、256qam、1024qam七种数字调制信号。

技术总结
本发明公开了一种基于时频分析和星座图分析的混叠信号调制类型识别方法，该方法可以从包含数字和模拟调制方式在内的九种不同调制方式混叠的信号中自动识别出每种不同调制类型。方法基于参数拟合和小范围方差。本方法具有开销低、速度快和识别准确率高的优点，应用于无线通信/雷达/电子对抗领域中基带混叠信号的识别和分选，可以实现对当前电磁环境的低开销快速认知。低开销快速认知。低开销快速认知。


技术研发人员：李晟屹 陈文迪 张帆
受保护的技术使用者：东南大学
技术研发日：2021.05.31
技术公布日：2021/10/23