专利交易市场

本发明提供一种信号调制参数的估计方法，包括：将调制信号均分为两个等效的待测信号，并分别输入主采样通道和反馈采样通道；对输入主采样通道的待测信号进行主通道采样得到样本组，基于样本组进行主通道参数估计得到待测信号的间断点位置估计值和幅度因子估计值，基于幅度因子估计值得到待测信号的幅度估计值；基于间断点位置估计值和幅度估计值构造出反馈信号，将反馈信号输入反馈采样通道；对输入反馈采样通道的待测信号和反馈信号进行混频得到待测信号的载波信号，对载波信号进行直接采样和延时采样分别得到未延时样本组和延时样本组，基于未延时样本组和延时样本组进行反馈通道参数估计，以得到待测信号的调频率估计值和初始载波频率估计值。

本发明公开了一种基于LSTM的分级式无线信号调制类型识别方法，包括(1)对获取的无线信号样本进行归一化处理和K-means聚类，(2)构建信噪比分类网络，利用无线信号样本训练信噪比分类网络，获得信噪比分类模型；(3)对信噪比不大于0dB的无线信号进行滤波降噪处理；(4)在步骤(3)之后，针对每类信噪比构建一个无线信号调制类型识别网络，利用与信噪比等级对应的无线信号子集训练无线信号调制类型识别网络，最终获得k个无线信号调制类型识别模型；(5)将待识别无线信号经归一化处理后输入至信噪比分类模型中，根据获得的信噪比等级，选择对应的无线信号调制类型识别模型进行识别，输出调制类型。

本发明公开一种基于CNN‑LSTM模型和迁移学习的信号调制样式识别方法。本发明首先对采集多种不同调制信号样本集，预处理得到源数据集；再构建CNN‑LSTM网络模型，将网络的权值进行随机初始化，输入源数据集对网络模型进行预训练；将预训练后CNN网络与LSTM网络的权值参数对应迁移至目标CNN‑LSTM网络中，输入训练数据集对目标CNN‑LSTM网络中的随机森林分类器进行训练，得到训练完成的CNN‑LSTM网络；最后利用训练完成的CNN‑LSTM网络对测试数据集进行调制样式识别，得到信号分类识别结果。本发明结合了CNN网络与LSTM网络的特征提取优点，提高了信号识别性能，并解决了深度学习在缺少目标信号样本的条件下识别性能差的问题。

本发明提供的用于民用航空导航设备的调制信号产生方法、调制信号产生器及信号发射机，包括：生成载波信号、上边带信号、下边带信号和30Hz的调频信号，并将上边带信号和下边波信号进行合成，生成上下边带的空间合成信号；接收负反馈调整信号，以调整空间合成信号和载波信号之间的相位差；读取预置的1020Hz的识别码信号；通过载波信号、上边带信号、下边带信号、上下边带的空间合成信号、30Hz的调频信号、1020Hz的识别码信号生成空间调制信号，通过空间调制信号对低频的本地信号进行高频载波调制，生成五路射频信号并发射；所述的五路射频信号包括载波信号和四路边带信号；本发明具有相位控制精度较高、设备稳定性较高的有益效果，适用于民用航空导航设备领域。

本发明针对BPSK和QPSK两种调制信号的识别问题，提出了一种基于极差中值图域特征的BPSK及QPSK信号调制识别方法。首先获取待识别信号的平方修正谱，而后将平方修正谱平均分组并分别提取每组的极大值及极小值，计算两者的平均值得到极差中值序列。之后，将其转换到图域，以该图度向量的标准差作为识别统计量，设定适当门限，将识别统计量和门限相比较，实现对BPSK和QPSK信号的调制识别。仿真结果表明，本发明可在无信号先验信息的条件下，对BPSK和QPSK两种调制信号进行有效识别，且在低信噪比条件下具有更好的性能，算法复杂度低。

本发明公开了一种基于星座结构优化及类蜂巢区域判决的信号调制解调方法，包括以下步骤：比特数据经过串并变换转换由一路数据变为并行的多路数据；然后进行分布匹配得到非均匀分布的QAM符号；利用概率成形并结合类格雷映射规则按照所设计出的结构优化的星座映射规则进行星座映射；将星座映射后的QAM符号信息调制到光载波上，然后传输到接收端，接收端再还原得到星座映射后的QAM符号信息；根据星座点的位置确定类蜂巢形状的星座判决区域，去除QAM符号信息在传输过程中产生的弥散现象；然后依次进行星座解映射、逆分布匹配和并串变换得到比特数据。本方法实现了调制格式抗噪声性能与系统误码率性能的提升。