认知无线电中调制识别算法研究

维普资讯 http://www.cqvip.com ２００８年第２期　总第ｌＯ１期　通　信　对　抗　Ｎｏ．２　２００８　Ｃ０ＭＭＵＮＩＣＡＴＩＯＮ　Ｃ０ＵＮＴＥＲＭＥＡＳＵＲＥＳ　Ｓｕｍ．１０１　认知无线电中调制识别算法研究　敖仙丹，何世彪，吴乐华　（重庆通信学院，重庆４０００３５）　木　摘要：通信信号的调制类型识别对于认知无线电这种智能通信系统具有重要研究意义。利用调　制信号的循环谱相关特征，提取了５个特征参数，给出了各个参数随信噪比变化的曲线图。分类器基于　ＲＢＦ神经网络，采用“一类一个网络”结构，并从提高网络识别性能出发，构建了大容量和高质量的网络　训练样本，能够扩大识别范围，提高识别精度。基于谱相关特征参数和神经网络分类器的算法能动态识　别信号的调制方式，仿真结果验证了该算法在低信噪比下的有效性。　关键词：认知无线电；调制识别；谱相关；神经网络　Ｓｔｕｄｙ　ｏｎ　Ｍｏｄｕｌａｔｉｏｎ　Ｒｅｃｏｇｎｉｔｉｏｎ　ｆｏｒ　Ｃｏｇｎｉｔｉｖｅ　Ｒａｄｉｏ　ＡＯ　Ｘｉａｎ—ｄａｎ，ＨＥ　Ｓｈｉ—ｂｉａｏ，ＷＵ　Ｌｅ—ｈｕａ　（Ｃｈｏｎｇｑｉｎｇ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ　Ｉｎｓｔｉｔｕｔｅ，Ｃｈｏｎｇｑｉｎｇ　４０００３５，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｃｏｍｍｕｎｉｃａｔｉｏｎ　ｓｉｇｎａｌｓ’ｍｏｄｕｌａｔｉｏｎ　ｒｅｃｏｇｎｉｔｉｏｎ　ｈａｓ　ｇｒｅａｔ　ｓｉｎａｇｌｉｔｙ　ｆｏｒ　Ｃｏｇｎｉｔｉｖｅ　Ｒａｄｉｏ（ＣＲ）　ｗｈｉｃｈ　ｉｓ　ａｎ　ｉｎｔｅｌｌｉｇｅｎｔｉｚｅｄ　ｃｏｍｍｕｎｉｃａｔｉｏｎ　ｓｙｓｔｅｍ．Ｔｈｅ　ｆｉｖｅ　ｃｈａｒａｃｔｅｒ　ｐａｒａｍｅｔｅｒｓ　ｒｅｆｌｅｃｔｉｎｇ　ｔｈｅ　ｄｉｆｅｒｅｎｃｅｓ　ｏｆ　ｍｏｄｕｌａｔｉｏｎｓ　ｗｅｒｅ　ｅｘｔｒａｃｔｅｄ　ｅｘｐｌｏｉｔｉｎｇ　ｔｈｅ　ｐｒｏｐｒｉｅｔｙ　ｏｆ　ｔｈｅ　ｃｙｃｌｉｃ　ｓｐｅｃｔｒａｌ　ｃｏｒｒｅｌａｔｉｏｎ　ｆｅａｔｕｒｅｓ．Ｔｈｅｎ，ｔｈｅ　ｇｒａｐｈｓ　ｏｆ　ｅａｃｈ　ｐａｒａｍｅｔｅｒ　ｃｈａｎｇｉｎｇ　ｗｉｔｈ　ＳＮＲ　ｗｅｒｅ　ｐｒｅｓｅｎｔｅｄ．Ｔｈｅ“ｏｎｅ　ｃｌａｓｓ　ｏｎｅ　ｎｅｔ”ｆｒａｍｅｗｏｒｋ　ｂａｓｅｄ　ｏｎ　ＲＢＦ　ｎｅｕ—　ｒａｌ　ｎｅｔｗｏｒｋ　ｗａｓ　ｕｓｅｄ　ａｓ　ａ　ｃｌａｓｓｉｆｉｅｒ．Ａｃｃｏｒｄｉｎｇ　ｔｏ　ｒｅｃｏｇｎｉｔｉｏｎ　ｐｅｒｆｏｒｍａｎｃｅ，ｔｈｅ　ｔｒａｉｎｉｎｇ　ｓｗａｔｃｈ　ｗｉｔｈ　ｌａｒｇｅ　ｃａ—　ｐａｃｉｔｙ　ａｎｄ　ｈｉｇｈ　ｑｕａｈｔｙ　ｗａｓ　ｅｓｔａｂｌｉｓｈｅｄ　ｓｏ　ａｓ　ｔｏ　ｅｘｐａｎｄ　ｔｈｅ　ｒａｎｇｅ　ｏｆ　ｒｅｃｏｇｎｉｔｉｏｎ　ａｎｄ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｐｒｅｃｉｓｉｏｎ．Ｔｈｅ　ｍｏｄｕｌａｔｉｏｎ　ｔｙｐｅｓ　ｃａｎ　ｂｅ　ｉｄｅｎｔｉｉｅｄ　ｄｙｎａｍｉｆｃａｌｌｙ　ｂａｓｅｄ　ｏｎ　ｓｐｅｃｔｒａｌ　ｃｏｒｒｅｌａｔｉｏｎ　ｃｈａｒａｃｔｅｒ　ｐａｒａｍｅｔｅｒｓ　ａｎｄ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｃｌａｓｓｉｉｆｅｒ．Ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｕｌｔ　ｐｒｏｖｅｓ　ｔｈｅ　ｖａｌｉｄｉｔｙ　ｏｆ　ｔｈｅ　ｔｅｃｈｎｉｑｕｅ　ｉｎ　ｌｏｗ　ＳＮ１Ｌ　ｅｎｖｉｒｏｎｍｅｎｔ．　Ｋｅｙｗｏｒｄｓ：ｃｏｇｎｉｔｉｖｅ　ｒａｄｉｏ；ｍｏｄｕｌａｔｉｏｎ　ｒｅｃｏｇｎｉｔｉｏｎ；ｓｐｅｃｔｒａｌ　ｃｏｒｒｅｌａｔｉｏｎ；ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　１引言　认知无线电（Ｃｏｇｎｉｔｉｖｅ　Ｒａｄｉｏ，ＣＲ）　］已被认为是能　够智能感知频谱环境、高效利用无线频谱的技术手段，　号的识别信息　。对于ＣＲ来说，符号率、调制方式等关　键信息都是未知的，所以需要一个无标准方法来提取波　形特征。认知接收机必须能够同步各种信号，并识别它　们的调制方式，以便在物理层建立链接。因此，设计一个　在未来无线通信中具有广阔的应用前景。ＣＲ要求接收　机能够感知其外部的无线电环境，外部环境的信息一般　包括从传播信道建模中提取出的信息和信道中其他信　通用的，能够识别各种不同特性的调制波形的认知接收　机对于ＣＲ系统实现其智能通信具有十分重要的意义。　常用的调制识别方法主要有决策理论法和模式识　基金项目：重庆市自然科学基金重点项目（２００７ｂａ２０１７）　收稿日期：２００８－０２—２７　维普资讯 http://www.cqvip.com

・３０・　通　信　对　抗　２００８年第２期　别法两种，其中基于人工神经网络的模式识别技术比较　适合用于信号分类。由于调制信号的理想概率模型是循　环平稳过程，因此用循环谱能够比较完整地描述信号的　特性。把循环谱相关特征和神经网络方法相结合，可望　取得较好的信号分类结果。文献［４］在这方面作了一些　尝试，但南于采用循环频率域上的１９９个数据表征信号　特征，能够识别的信号种类有限，神经网络分类器计算　量大，并且一旦循环谱估计出现误差，循环频率域上的　信号特征将难以用来正确识别出信号类型。　本文在介绍谱相关基本概念的基础上，利用信号的　循环平稳特性，提取了反映信号差异的５个谱相关特征　参数，并做了详细的仿真分析和比较。另外在识别过程　中引入了改进的ＲＢＦ神经网络，提高了网络识别性能。　仿真表明该方法在低信噪比下能取得较高的正确识别　概率。　２谱相关的基本概念　设信号　ｆ￡）的均值和自相关函数呈周期或多周期变　化，其循环自相关函数定义为ｌ　５ｌ：　Ｒｅｊｒ）＝　争　＋　２　ｒ　ｐ　２７ｒ　１）　＜ｘ（ｔ＋ｒ／２）ｘ　（ｔ－ｒ／２）ｅｘｐ（－ｊ２７ｒＯｔ））　其中（・）　表示时间平均，　为周期，频率　称为信号　（￡）　的循环频率。　信号　（ｆ）的循环自相关函数ＲｅＪｒ）的傅立叶变换　／）＝Ｊ　Ｒ￣（Ｏｅｘｐ（－］２￣ｆＯｄｒ　（２）　称为循环谱（也称为谱相关函数）。　衡量循环平稳特性强弱的函数为谱相干系数，定义　为：　蝴　）　３基于谱相关的特征参数提取　通过分析和计算常见的通信信号，发现不同调制方　式之问的循环谱表现出明显的区别，主要体现在循环谱　图中的　轴和，’轴以及它们的谱相干系数上。因此本文　将从循环谱的幅值平面图中提取信号的特征参数。信号　调制识别要求提取的参数对信噪比和信号调制参数不　敏感但对调制类型敏感，并且计算复杂度小。根据该原　则和循环谱理论，选择以下５个参数作为信号调制识别　的特征参数。　１）调制信号零频处谱相干系数ｐ　（厂）的值ｃ。信号　的谱相干系数能够衡量信号的谱相关和谱冗余度，它是　体现信号谱相关特性的一个重要参数。图１给出了各特　征参数值与信噪比的关系。从图１（ａ．１中可以看出，ＤＳＢ、　ＵＳＢ和ＬＳＢ信号的ｃ总是很小，集中在０．１～０－３，这是因　为它们不含有载频分量；ＡＭ信号的ｃ基本上不受信噪　比的影响，总是很大；窄带ＦＭ信号的Ｃ在信噪比很大　时接近于ＡＭ信号，但随着信噪比的降低其值会逐渐减　小。在信噪比为一５－１５ｄＢ时，利用ｃ值可以区分出　｛ＡＭ）、｛ＤＳＢ，ＵＳＢ，ＬＳＢ｝和｛ＦＭ）三类信号。从图１（ｈ）中可以　观察到ＭＳＫ信号的ｃ集中在０～０．１，１６ＱＡＭ信号的ｃ　集中在０．１～０．２，ＱＰＳＫ信号的ｃ集中在０＿３～０．４，而其它　五种数字调制信号的ｃ均大于０－４，据此可以将｛ＭＳＫ１、　｛１６ＱＡＭ｝和｛ＡＰＳＫ｝信号区分出来。　２）特征谱　０）在０轴上的周期谱线分布数量　。得　到信号的循环谱后，令频率．　０可以得到特征谱ｓ　０）的　幅值平面图，从而观察　轴上的周期谱线分布数量，这　是信号的谱相关分布在　轴上的最显著特征。表１列出　了待识别的１３种调制信号的　值。利用　值可以方　便地识别出一些信号，如ＢＰＳＫ、４ＦＳＫ信号。在实际应用　中可能无法完全识别出表中的谱线数量，这时需要增加　其它特征值来加以识别。　表１　１３种调制信号的Ｎａ值　ＡＭ，ＤＳＢＩｕｓＢ，ＬＳＢｌ　ＦＭ｝Ａｓ　Ｋ＇４ＡＳＫ］２Ｉ：ＳＫ，ＭＳ￣４ＦＳＫ　ＢＰＳＫ］ＱＰＳＫ，１６ＱＡＭ　１　１　０　ｌ１或０ｌ　３或１　ｌ　２　ｌ　４　３　ｌ　２或０　３）特征谱ｓ！（厂）关于ｆ＝ｏ轴的对称性Ｐ。参数ＪＤ＝　ｆ　｜　鲁鲁，其中　＝∑Ｉ』Ｌ．．ｒｌ　：１　Ｓ￣（ｋ）ｌｚ，Ｐ　∑Ｉ＝１　ｓ　（　＋１）Ｉ２。ｓ　）是　特征谱ｓ　（／）的离散形式　＝　／　一１，该参数衡量调制　信号的频谱对称性。对集合｛ＡＭ，ＤＳＢ，ＵＳＢ，ＬＳＢ，ＦＭ１比较　此特征值，其随信噪比变化的曲线图如图１（ｃ）所示。其　中，ＡＭ、ＤＳＢ、ＦＭ信号因为是对称边带调制，所以　ＩＰ１＝０；ＵＳＢ、ＬＳＢ信号因为是单一上边带、下边带调　制，即频谱非对称，所以　≠０。当信噪比足够大时，　ＵＳＢ信号的Ｐ值趋近于一１，而ＬＳＢ信号的Ｐ值趋近于　＋１。因此，利用该参数能够区分出｛ＡＭ，ＤＳＢ，ＦＭ１、　｛ＵＳＢ｝和｛ＬＳＢ｝信号。　４）特征谱　（厂）的最大归一化下降值Ｖ。信号循　环谱ｓ　（厂）的不同反映了信号调制特性的不同，其特征　谱　（厂）的变化反映了调制信号频谱成分相关性的变　化，它也间接反映了不同信号的不同调制特性。因此，可　以用特征谱　ｆ厂）的最大归一化下降值　来区别不同　的调制信号。通过分析可知，一般信号的能量主要分布　维普资讯 http://www.cqvip.com 第１０１期　敖仙丹，等：认知无线电中调制识别算法研究　・３１・　在　±△．∥２频带内，带外能量很小，所以　（．厂）的值　在厂　±△∥２处有一个较大的跃变，即为最大下降值，　归一化后即为特征Ｖｔ　。图１（ｄ）给出了ＡＭ、ＡＳＫ信号的　值与信噪比的关系。ＡＭ信号因为能量集中在窄带　内，所以　值较大，通常在０．８以上；而ＡＳＫ信号的　值为其基带信号的零频分量与谐波分量的能量之比，通　常２ＡＳＫ分布在０．５～０．６之间，４ＡＳＫ分布在０．７～０．７５　之间。在信噪比为一５－１５ｄＢ时，利用信号特征谱的最大　归一化下降值　（－厂）可以区分｛ＡＭ）、｛２ＡＳＫ｝和｛４ＡＳＫ｝信　号。图１ｆｅ）给出了ＵＳＢ、ＬＳＢ、ＢＰＳＫ和ＱＰＳＫ信号的　值　与信噪比的关系。由图可见，ＢＰＳＫ信号的　值分布在　０．４～０．５之问，ＱＰＳＫ信号的　值分布在０．６～０．７之间，而　ＵＳＢ、ＬＳＢ信号的　值均大于０．８。在信噪比为一５～１５ｄＢ　时，利用信号的　值分布可以区分｛ＵＳＢ，ＬＳＢ｝、ｆＢＰＳＫ｝和　ｆＱＰＳＫ｝￣类信号。　图１各特征参数与信噪比的关系　（ａ）模拟调制信号的Ｃ值；（ｂ）数字调制信号的Ｃ值；（ｃ）模拟调制　信号的谱对称性Ｐ；（ｄ）ＡＭ、ＡＳＫ信号的Ｖ值；（ｅ）ＵＳＢ、ＬＳＢ、ＢＰＳＫ　和ＱＰＳＫ信号的Ｖ值；ｆ１）ＢＰＳＫ、ＡＳＫ信号的Ｍ值　５）特征谱　（厂）的最大值　。令信号循环谱的循环　频率　＝　可以得到其特征谱Ｓｆｃ（ｆ），求其最大值即为特　征　。利用该参数可以成功分离出１６ＱＡＭ信号，并且　能够识别出ｆＢＰＳＫ｝和｛２ＡＳＫ，４ＡＳＫ｝信号。如图（１）所示，当　信噪比在一５～１５ｄＢ之间时，相同的ＳＮＲ条件下ＢＰＳＫ　信号的值总是远远大于２ＡＳＫ和４ＡＳＫ信号。　以上几个谱相关特征参数的共同特点是随调制方　式的不同而区别比较明显，稳定性能好，受信噪比的影　响相对较小。由以上特征参数组成一个特征向量，定义　为，＿ｆＣ，　Ｐ，Ｖ，Ｍ｝，此向量将作为神经网络分类器的输　人参数，对调制方式进行识别。　４神经网络分类器设计　神经网络分类器具有强大的模式识别能力，能够自　适应环境变化，较好处理非线性问题，而且具有较好的　稳健性和潜在的容错性，可获得很高的识别率。本文对　不同的调制方式使用不同的分类子网络，为每一种调制　方式建立一个“一类一个网络”（ＯＣＯＮ）结构，如图２所　示。对于相同的输入矢量ｊ，这些网络中每一个都输出　一个匹配概率值，具有最高输出概率值的网络被选为调　制类别。与文献【３］、【４］所述不同的是，每一个ＯＣＯＮ是　一个简单的ＲＢＦ神经网络。ＲＢＦ神经网络是一种局部　逼近网络，能够自适应确定径向基函数神经元，训练速　度快，在逼近能力、分类能力和收敛速度等方面均优于　ＢＰ神经网络　。　＃１ｅ［０，ｌ】　，２，ｔｏ，１】　＝ｉｆｍ娃∞　一ｌ，２’…ｌ　３）　图２神经网络分类器结构　为了验证分类器性能，我们使用１３种调制方式在　ＭＡＴＬＡＢ平台上进行了仿真，模拟调制信息使用单频正　ｑ一业　脚　　弦波，数字调制信息由随机序列产生。构建合适的训练　样本是神经网络分类器设计的关键环节，能够在很大程　度上影响神经网络的识别精度。采用的样本量太少，网　络能够识别的调制方式的参数变化范围就不会太大，对　于那些和训练数据相差很大的数据，网络可能无法正确　识别。而太大的样本量将导致网络的规模也很大，影响　网络的收敛性和实时处理。经过多次仿真比较，本文采　用５种不同的信噪比【＿５，０，５，１０，１５１，每种调制信号产生　１００组不同的数据。ＡＭ信号调制指数范围取　【０．５，０．６，０．７，０．８，０．９】，ＦＭ信号调制指数范围取［１，２，３，４，５】。　为满足工程需要，数字信号应用升余弦脉冲成形滤波器　控制带宽，滚降系数范围为【０．３，０．３５，０．４，０．５，０．６］，每个信　号段取４０９６个样点。　根据不同的信噪比及调制指数（滚降系数），以及随　机选取不同的信号段，共可以得到１３００组不同的数据，　经过特征提取可以得到１　３００组不同的特征值作为神经　网络的训练样本。获得该训练样本之后，需要对数据进　行归一化处理，然后使用函数ｎｅｗｒｂ创建各个ＲＢＦ神　经网络，隐含层的神经元个数可以自动增加，直到均方　误差满足要求为止。图３所示为其中一种调制类型　维普资讯 http://www.cqvip.com

・３２・　通　信　对　抗　２００８年第２期　’　－　’　至１０Ｄ　ｏ　∞　１　Ｃ　Ｌ　一　…ｎ　ｍ　１ｎｎ　，铀　’ｎｎ　ｂ　赣翻　３ｔｉｆ　Ｅｏｏｅｈｇ　图３网络训练的误差性能曲面　ＢＰＳＫ网络训练的误差性能曲面（ＳＰＲＥＡＤ值取０．２），可　以看出当神经元个数增加到３００个时，网络的均方误差　ｒ【１　已经收敛到预先设定的目标值０．００１。　】　保存该网络并进行系统测试，检测正确识别概率，　表２给出了信噪比为５ｄＢ情况下１３种调制信号的成　功识别率。由表２可以看出，采用本文提取的５个特征　参数和神经网络算法，除了ＱＰＳＫ信号识别率为７０％，　另外１２种信号的平均识别成功率为９５．８３％，最低成功　率为８６％，最高的则达到了１００％。比较而言，文献［８］只　给　了７种调制方式的识别结果（没有给出ＱＰＳＫ信　号），平均识别成功率仅为９３％，ＡＭ、ＦＭ、ＦＳＫ和ＭＳＫ　信号在数据个数为８１９２点时的识别成功率均低于本文　算法。而且，文献［８］选取了７个特征参数，本文舍弃了码　元速率的方差、谱相干系数的最大值、谱相干系数的最　大值与谱相关函数的最大归一化下降值的比值三个特　征参数，增加了特征参数ｃ值，这样在很大程度上降低　了计算的复杂度，尤其是不需要估计接收信号的码元速　率。另外，本文提出的ＯＣＯＮ神经网络分类器设计非常　简单，使用小型ＲＢＦ网络，训练速度快，而且非常灵活，　当需要识别新的调制方式时只需增加ＯＣＯＮ。仿真结果　表明采用本文算法识别精度有所提高。而识别的种类也　大大增加　表２　５ｄＢ下各信号的正确识别概率　ＭＴ　ＡＭ　ＤＳＢ　ＵＳＢ　ＩｓＢ　ＦＭ　２ＡＳＫ　４ＡＳＫ　ＢＰＳＫ　ＱＰＳＫ　２ＦｓＫ　４ＦｓＫ　ＭＳＫ　１６ＱＭ￣　Ｐｙ　ｌ００％　９３３％　９０％　９８　６７％　ｌｏｏ％　８６％　９４％　９６％　７０％　ｌｏｏ％　３３　９９３３％　７　３３　５结束语　采用谱相关方法提取特征参数性能稳定，并且能够　显著区分各调制信号。基于谱相关和改进的ＲＢＦ神经　网络识别信号调制方式，不需要预先知道接收信号的准　确频率和波特率等信息，能够在未知先验信息的情况下　对调制方式进行识别，适用于低信噪比情况，能够取得　很好的识别效果。　参考文献：　Ｈａｙｋｉｎ　Ｓ，Ｆｅｌｌｏｗ　Ｌ．Ｃｏｇｎｉｔｉｖｅ　Ｒａｄｉｏ：Ｂｒａｉｎ—Ｅｍｐｏｗｅｒｅｄ　Ｗｉｒｅｌｅｓｓ　Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ【Ｉ］１ＥＥＥ　Ｊｏｕｒｎａｌ　ｏｎ　Ｓｅｌｅｃｔｅｄ　Ａｒｅａｓ　ｉｎ　Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２００５，２３（２）：２０１－２２０，　郭彩丽，张天魁，曾志民，等．认知无线电技术的国内外　ｒ【ｒ【ｒ【ｒ【ｒ【　【　３　发展和研究现状　４　电信科学，２００６（５　６　６）：２９—３４．７　　８　　】　】　】　】　任连峻．认知无线电使用神经网络的调制识别【Ｉ１ｌ通信电　子战，２００６（３）：１９—２３．　Ｆｅｈｓｋｅ　Ａ，Ｇａｅｄｄｅｒｔ　Ｊ，Ｒｅｅｄ　Ｊ　Ｈ．Ａ　Ｎｅｗ　Ａｐｐｒｏａｃｈ　ｔｏ　Ｓｉｎｇａｌ　Ｃｌａｓｓｉｉｆｃａｔｉｏｎ　Ｕｓｉｎｇ　Ｓｐｅｃｔｒａｌ　Ｃｏｒｒｅｌａｔｉｏｎ　ａｎｄ　Ｎｅｕｒａｌ　Ｎｅｔ—　ｗｏｒｋｓ【Ｃ］／／ＩＥＥＥ　２００５　Ｆｉｒｓｔ　ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｓｙｍｐｏ—　ｓｌｕｍ　ｏｎ　Ｎｅｗ　Ｆｒｏｎｔｉｅｒｓ　ｉｎ　Ｄｙｎａｍｉｃ　Ｓｐｅｃｔｒｕｍ　Ａｃｃｅｓｓ　Ｎｅｔ—　ｗｏｒｋｓ，２００５：１４４—１５０．　黄知涛，周一宇，姜文利．循环平稳信号处理与应用【Ｍ】．　北京：科学出版社，２００６．　王瑛，程汉文，吴乐南．基于谱相关特征的信号调制方　式识别【Ｉ］．信息技术，２００６，３０（１２）：２５—２８．　周开利，康耀红神经网络模型及其ＭＡＴＬＡＢ仿真程　序设计【Ｍ】．北京：清华出版社，２００５　Ｇａｏ　Ｙｕｌｏｎｇ，Ｚｈａｎｇ　Ｚｈｏｎｇｚｈａｏ．Ｍｏｄｕｌａｔｉｏｎ　Ｒｅｃｏｇｎｉｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　Ｃｏｍｂｉｎｅｄ　Ｆｅａｔｕｒｅ　Ｐａｒａｍｅｔｅｒ　ａｎｄ　Ｍｏｄｉｆｉｅｄ　Ｐｒｏｂａｂｉｌｉｓｔｉｃ　Ｎｅｕｒｌａ　Ｎｅｔｗｏｒｋ【Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　６ｔｈ　Ｗｏｒｌｄ　Ｃｏｎｇｒｅｓｓ　ｏｎ　Ｉｎｔｅｌｌｉｇｅｎｔ　Ｃｏｎｔｒｏｌ　ａｎｄ　Ａｕｔｏｍａｔｉｃ，　Ｄａｌｉａｎ，Ｉｕｎｅ　２００６：２９５４－２９５８．　作者简介：　敖仙丹（１９８４一），女，湖北随州人，硕士研究生，主要研究　方向为认知无线电、调制信号检测与识别。　何世彪（１９６３一），男，博士，教授，博士研究生导师，主要研　究方向为宽带无线通信、抗干扰通信。　吴乐华（１９６５一），女，教授，硕士研究生导师，主要研究方　向为图像通信、信息处理、网络安全等。　ｒ【２　！