基于特征曲线拟合的调制识别方法

1. 采用调制信号：由USRP2930采集的QPSK、16QAM、64QAM、128QAM
2. 采用特征：先对IQ数据作FFT变换得到频谱，计算频域奇异谱香农熵
3. 特征-信噪比 曲线拟合：采用二阶傅里叶级数，置信度>95%
4. 信噪比估计：基于奇异值分解的方法
5. 分类判决：特征欧氏距离

仿真：
6. 数据集：[-5,20]步进1dB，每个信噪比下每种调制信号使用400个信号
7. 计算特征值：对每种调制信号400计算特征值，求平均，用特征的平均值进行 特征-信噪比 曲线拟合
8. 曲线拟合：value =a0 + a1*cos(x*w) + b1*sin(x*w) + a2*cos(2*x*w) + b2*sin(2*x*w);
每种调制信号的 特征-信噪比 曲线用到了6个参数，上式中x指信噪比
9. 信噪比估计：奇异值分解，snr = estimateSNR(signal)；直接送入IQ复信号，可较准确（误差<0.5dB，可以满足本方法所需）估计的信噪比范围在-10：30
经过多次实验发现当p取 m/3 时即可取得以上所述估计效果。（p是特征值中对应于信号功率的个数，m的信号自相关矩阵的阶数，参考论文建议为[50,100],本实验采取m=60，p=m/3=20）
10. 分类判决：根据估计出的信号的信噪比计算对应的特征值，对比四种调制信号，判为欧氏距离最小的那一类。

结果分析：在0dB的时候四种调制信号都能达到90%以上的识别率。