如何利用小波变换来进行数字信号的调制识别，并用matlab软件对识别算法进行仿真，得出仿真结果。

在非协作通信中，需要对接收的信号进行调制方式的自动识别。在高阶累积量域内构造信号识别的特征向量，采用基于二叉树的支持向量机将识别特征向量映射到高维空间并构造最优分类超平面，实现对数字调制信号的自动识别。该算法不仅结构简单、计算量小，而且解决了样本在低维空间中的不可分问题，具有良好的泛化推广能力。理论分析和仿真结果证明了该算法的正确性和有效性。

卷积神经网络，可以很好的实现文本分类或者图像识别

基于高阶累积量来实现调制信号识别，包含了matlab中用于高阶累积量的工具包

浅谈机器学习在短波信号调制识别中的应用.pdf

零零均衡matlab代码使用神经网络和高阶统计的盲数字调制识别 最终项目 - 人工智能课程 (ECSE 526) - 麦吉尔 - 2016 年秋季 有关系统型号、配置和结果的更多详细信息，请参阅 和 。 指示 在文件夹中，您应该能够找到几个功能来执行不同的通信系统和性能评估任务。 每个函数都以这样的方式命名，它提供了一个关于它执行什么的清晰概念，并对其开始详细说明。 创建的神经网络命名为 NNxxx.m，其中 xxx 根据 SNR 训练级别和它执行的任务而变化。 例如，要测试以 15dB 训练的 NN，您可以执行以下操作： 使用 modulateSignal.m 生成和调制信号 执行空时编码：alamoutiSpaceTimeCoding.m 通过通道发送得到接收到的噪声调制信号：receivedEqualizedModulatedSignal.m 均衡接收信号zer forcing：coherent_ZF_receiver.m 计算特征： featuresComputationModulatedSignal.m 将它们传递给神经网络 NN15dB，你会得到一个长度为 6 的向量。 最

基于CNN的调制识别，keras框架，tensorflow后端，数据集为github通用数据集。 We survey the latest advances in machine learning with deep neural networks by applying them to the task of radio modulation recognition. Results show that radio modulation recognition is not limited by network depth and further work should focus on improving learned synchronization and equalization. Advances in these areas will likely come from novel architectures designed for these tasks or through novel training methods.

通信信号调制识别越来越受到国内外学者的重视, 本文对通信信号的调制识别技术的内容、方法作 了一个综述, 总结了一些典型的方法, 提出了一些自己的观点和展望

行业分类-电信-Alpha稳定分布噪声下MFSK信号调制识别方法.rar

基于小波变换调制识别算法程序，希望对你有用