α稳定分布噪声下数字接收机调制分析算法研究.pdf

α稳定分布噪声下数字接收机调制分析算法研究

摘要

调制分析技术是数字接收机信号处理流程中的关键技术，处于检测与解调之间，在

通信侦察、电子对抗、频谱监管等领域发挥至关重要的作用。传统的调制分析通常以高

斯分布为噪声模型进行研究，而在许多实际的通信场景中，信道噪声表现出显著的脉冲

特性。研究表明，α稳定分布是描述这类噪声最合适的模型。在α稳定分布噪声下，基

于高斯分布假设条件设计的调制分析算法性能退化甚至完全失效。因此，本文从非高斯

信号处理角度出发，基于α稳定分布理论对信道噪声建模，以提升数字接收端调制参数

估计与调制方式识别的准确性与稳健性为目标，深入研究调制分析算法并进行优化。

首先，针对传统α稳定分布噪声抑制方法对信道估计准确性的依赖度高、抑噪能力

有限的问题，本文基于非线性映射的思想，提出了一种改进的归一化压缩变换函数，无

需任何噪声先验信息，在保留信号有效信息的同时抑制大幅值脉冲。其次，将改进的归

一化压缩变换函数与循环相关谱结合，构造一种新的广义循环统计量，通过加权平均降

低截短噪声对参数相关的离散谱线提取的影响。仿真结果表明，在并未增加计算开销的

前提下，本文算法在低混合信噪比、强脉冲噪声、少采样点数的情况下具有更加优异的

参数估计性能，为后续调制方式识别的研究提供了坚实的技术支撑。最后，针对非合作

通信体制中信道环境动态变化、获取信号样本数量不充足导致分类器识别精度下降、泛

化能力弱的问题，本文提出了一种基于脉冲噪声鲁棒性特征优选的小样本调制识别优化

算法，构造特征关于脉冲噪声敏感度的评价指标，提取多维度原始特征，结合K均值聚

类与邻域粗糙集进行鲁棒性特征的筛选，降低特征维数，剔除特征之间的冗余性，保证

了信号之间可分度的最大化，并将改进量子粒子群优化的支持向量机(SupportVector

Machine,SVM)集成为强分类器，降低了基分类器对超参数的依赖性，提升了单一分类

器的学习能力与稳定性。仿真结果表明，本文算法仅需要少量训练样本，就可以大大提

高分类器在动态脉冲噪声环境下的泛化能力，具有更高的识别精度。

本文成果有助于推动动态脉冲噪声与小样本条件下调制分析工作的开展，丰富和拓

展了非高斯信号处理领域的研究思路与方法，对非合作数字接收端进行通信侦察与情报

处理等内容具有重要的理论意义与应用价值。

关键词：α稳定分布；数字接收机；调制分析；调制参数估计；调制方式识别

α稳定分布噪声下数字接收机调制分析算法研究

ABSTRACT

Modulationanalysistechnologyisakeytechnologyinthesignalprocessingprocessof

thedigitalreceivers,whichisbetweendetectionanddemodulation,andplaysavitalrolein

communicationreconnaissance,electroniccountermeasures,spectrumsupervision,andother

fields.TraditionalmodulationanalysisisusuallystudiedwithGaussiandistributionasthe

backgroundnoisemodel,whileinmanypracticalcommunicationscenarios,thechannelnoise

exhibitssignificantimpulsivecharacteristics.Numerousstudieshaveconfirmedthatα

stabledistributionisthemostsuitablemodeltodescribethistypeofimpulsivenoise.Under

αstabledistributionnoise,the