《一种微量采样数据数字调制识别方法.pdf》由会员分享，可在线阅读，更多相关《一种微量采样数据数字调制识别方法.pdf（16页珍藏版）》请在专利查询网上搜索。
1、10申请公布号CN104052703A43申请公布日20140917CN104052703A21申请号201410317188222申请日20140704H04L27/0020060171申请人哈尔滨工程大学地址150001黑龙江省哈尔滨市南岗区南通大街145号哈尔滨工程大学科技处知识产权办公室72发明人张晓林何林飞任立群成佳峰54发明名称一种微量采样数据数字调制识别方法57摘要本发明属于通信技术领域，具体涉及一种2ASK、4ASK、2PSK、4PSK、2FSK和4FSK共6种调制方式的微量采样数据数字调制识别方法。本发明包括对采样信号进行带通滤波处理；使用希尔伯特变换获取信号瞬时信息，包括瞬。
2、时幅度、非线性相位和瞬时频率；计算信号幅度中心化参数、相位中心化参数和频率中心化参数；计算信号分类所需的5个特征参数；使用决策树分类器对信号进行分类判决。本发明提出的新的中心化参数和分类门限自动调整方法能够有效地减少识别算法对采样码元数量的要求，使得识别方法可以在资源较少的硬件平台上得到应用，并且能提高方法对信噪比的自适应性。51INTCL权利要求书2页说明书10页附图3页19中华人民共和国国家知识产权局12发明专利申请权利要求书2页说明书10页附图3页10申请公布号CN104052703ACN104052703A1/2页21一种微量采样数据数字调制识别方法，其特征在于1对采样信号进行带通滤波。
3、处理；2使用希尔伯特变换获取信号瞬时信息，包括瞬时幅度、非线性相位和瞬时频率；3计算信号幅度中心化参数、相位中心化参数和频率中心化参数；4计算信号分类所需的5个特征参数DA、AA、DF、AP和AF；其中，DA为中心化瞬时幅度的标准偏差，AA为中心化瞬时幅度绝对值的标准偏差，DF为非弱信号段瞬时频率的标准偏差，AP为中心化瞬时相位绝对值的标准偏差，AF为中心化瞬时频率绝对值的标准偏差；中心化瞬时幅度、中心化瞬时相位和中心化频率的具体计算方法为中心化瞬时幅度AANIAIMOA，其中AI为信号的瞬时幅度，MOA为幅度中心化参数；中心化瞬时相位其中为信号的非线性相位，MOP为相位中心化参数；中心化瞬时。
4、频率FCNIFIMOF，其中FI为信号的瞬时频率，MOF为频率中心化参数；5使用决策树分类器对信号进行分类判决51如果参数DATH1，则信号属于类02FSK，4FSK，2PSK,4PSK，否则信号属于类12ASK,4ASK；其中TH1为参数DA的判决门限；52已判决出信号属于类1，执行SNR粗估计模块1当APTH5，选择TH2TH2高SNR，否则选择TH2TH2低SNR；如果参数AATH2，则信号为2ASK，否则信号为4ASK；其中TH5为利用AP进行SNR粗估计的判决门限，TH2为参数AA的判决门限，TH2高SNR为在高信噪比情况下TH2选取的门限，TH2低SNR为在低信噪比情况下TH2选取。
5、的门限；53已判决出信号属于类0，且参数DFTH3，则信号属于类012PSK,4PSK，否则信号属于类002FSK,4FSK；其中TH3为参数DF的判决门限；54已判决出信号属于类01，执行SNR粗估计模块2当DATH6，选择TH5TH5高SNR，否则选择TH5TH5低SNR；如果参数APTH5，则信号属于2PSK，否则信号为4PSK；其中TH6为利用DA进行SNR粗估计的门限，TH5为AP的判决门限，TH5高SNR为在高信噪比情况下TH5选取的门限，TH5低SNR为在低信噪比情况下的TH5选取的门限；5已判决出信号属于类00，执行SNR粗估计模块3当DATH6，选择TH4TH4高SNR，否则。
6、选择TH4TH4低SNR；如果参数AFTH4，则信号为2FSK，否则信号为4FSK；其中TH6为利用DA进行SNR粗估计的门限，TH4为AF的判决门限，TH4高SNR为在高信噪比情况下TH4选取的门限，TH4低SNR为在低信噪比情况下TH4选取的门限。2根据权利要求1所述的一种微量采样数据数字调制识别方法，其特征是所述幅度中心化参数由MOAEAIMAEAIMA/2获取，其中AI为信号的瞬时幅度，MA为AI的平均值，即MAEAI，E为取均值符号。3根据权利要求1所述的一种微量采样数据数字调制识别方法，其特征是所述相位中心化参数由MOFEFIMFEFIMF/2获取，其中FI为信号的瞬时频率，MF为。
7、FI的平均值，即MFEFI。4根据权利要求1所述的一种微量采样数据数字调制识别方法，其特征是所述频率权利要求书CN104052703A2/2页3中心化参数由获取，其中为信号的非线性相位，MP为的平均值，即5根据权利要求1所述的一种微量采样数据数字调制识别方法，其特征是使用AP作为特征参数AA的信噪比粗估计参数，以便于特征参数AA的门限自动调整；当APTH5，选择TH2TH2高SNR，否则选择TH2TH2低SNR。6根据权利要求1所述的一种微量采样数据数字调制识别方法，其特征是使用DA作为特征参数AF的信噪比粗估计参数；当DATH6，选择TH4TH4高SNR，否则选择TH4TH4低SNR。7根据。
8、权利要求1所述的一种微量采样数据数字调制识别方法，其特征是使用DA作为特征参数AP的信噪比粗估计参数，以便于特征参数AP的门限自动调整；当DATH6，选择TH5TH5高SNR，否则选择TH5TH5低SNR。权利要求书CN104052703A1/10页4一种微量采样数据数字调制识别方法技术领域0001本发明属于通信技术领域，具体涉及一种2ASK、4ASK、2PSK、4PSK、2FSK和4FSK共6种调制方式的微量采样数据数字调制识别方法。背景技术0002在信息对抗领域，为了成功对信号进行侦听，首要工作就是识别出信号的调制类型。随着无线通信的快速发展，通信信号的调制方式也变得越发多样，传统基于人工。
9、的信号识别方法已经不能满足实际的需要，迫切需要制出能够自动识别通信信号的调制制式和调制参数的设备。0003AKNANDI和EEAZZOUZ在1995年提出了基于信号瞬时参数特征的调制识别方法，该方法先对信号做HIBERT变换，然后依次计算信号的瞬时幅度、瞬时相位和瞬时频率，然后选取由这三个参数构成的7个识别特征，对2ASK、4ASK、2PSK、4PSK以及2FSK、4FSK信号进行了识别。这种方法的计算简单，需要的先验信息较少，因而得到了广泛应用。0004然而上述方法在实际的硬件实现过程中仍然存在一些缺陷00051对于硬件实现，由于单片机或者DSP的资源相对PC机来说是非常稀少和宝贵的，信号识。
10、别所用的采样数据的点数不能太多，导致一组采样数据中的码元个数较少。当采样点较少并且码元随机的情况下，传统的识别方法的中心化参数计算方法会出现较大偏差，导致识别率的下降。00062由于特征参数的值会随着SNR的变化而变化，特别是在采样点少、码元随机。如果选取单一的分类门限，在SNR变化时识别性能会急剧恶化。发明内容0007本发明的目的在于针对传统的识别方法不适用于采样点较少并且码元随机的情况，提出使用一种新的中心化参数和分类门限自动调整，适用微量采样数据和未知信噪比的调制信号识别方法。0008本发明的目的是这样实现的00091对采样信号进行带通滤波处理；00102使用希尔伯特变换获取信号瞬时信息。
11、，包括瞬时幅度、非线性相位和瞬时频率；00113计算信号幅度中心化参数、相位中心化参数和频率中心化参数；00124计算信号分类所需的5个特征参数DA、AA、DF、AP和AF；其中，DA为中心化瞬时幅度的标准偏差，AA为中心化瞬时幅度绝对值的标准偏差，DF为非弱信号段瞬时频率的标准偏差，AP为中心化瞬时相位绝对值的标准偏差，AF为中心化瞬时频率绝对值的标准偏差；中心化瞬时幅度、中心化瞬时相位和中心化频率的具体计算方法为0013中心化瞬时幅度AANIAIMOA，其中AI为信号的瞬时幅度，MOA为幅度中心化参数；说明书CN104052703A2/10页50014中心化瞬时相位其中为信号的非线性相位，。
12、MOP为相位中心化参数；0015中心化瞬时频率FCNIFIMOF，其中FI为信号的瞬时频率，MOF为频率中心化参数；00165使用决策树分类器对信号进行分类判决001751如果参数DATH1，则信号属于类02FSK，4FSK，2PSK,4PSK，否则信号属于类12ASK,4ASK；其中TH1为参数DA的判决门限；001852已判决出信号属于类1，执行SNR粗估计模块1当APTH5，选择TH2TH2高SNR，否则选择TH2TH2低SNR；如果参数AATH2，则信号为2ASK，否则信号为4ASK；0019其中TH5为利用AP进行SNR粗估计的判决门限，TH2为参数AA的判决门限，TH2高SNR为在。
13、高信噪比情况下TH2选取的门限，TH2低SNR为在低信噪比情况下TH2选取的门限；002053已判决出信号属于类0，且参数DFTH3，则信号属于类012PSK,4PSK，否则信号属于类002FSK,4FSK；其中TH3为参数DF的判决门限；002154已判决出信号属于类01，执行SNR粗估计模块2当DATH6，选择TH5TH5高SNR，否则选择TH5TH5低SNR；如果参数APTH5，则信号属于2PSK，否则信号为4PSK；0022其中TH6为利用DA进行SNR粗估计的门限，TH5为AP的判决门限，TH5高SNR为在高信噪比情况下TH5选取的门限，TH5低SNR为在低信噪比情况下的TH5选取的。
14、门限；00235已判决出信号属于类00，执行SNR粗估计模块3当DATH6，选择TH4TH4高SNR，否则选择TH4TH4低SNR；如果参数AFTH4，则信号为2FSK，否则信号为4FSK；0024其中TH6为利用DA进行SNR粗估计的门限，TH4为AF的判决门限，TH4高SNR为在高信噪比情况下TH4选取的门限，TH4低SNR为在低信噪比情况下TH4选取的门限。0025幅度中心化参数由MOAEAIMAEAIMA/2获取，其中AI为信号的瞬时幅度，MA为AI的平均值，即MAEAI，E为取均值符号。0026相位中心化参数由MOFEFIMFEFIMF/2获取，其中FI为信号的瞬时频率，MF为FI的。
15、平均值，即MFEFI。0027频率中心化参数由获取，其中为信号的非线性相位，MP为的平均值，即0028使用AP作为特征参数AA的信噪比粗估计参数，以便于特征参数AA的门限自动调整；当APTH5，选择TH2TH2高SNR，否则选择TH2TH2低SNR。0029使用DA作为特征参数AF的信噪比粗估计参数；当DATH6，选择TH4TH4高SNR，否则选择TH4TH4低SNR。0030使用DA作为特征参数AP的信噪比粗估计参数，以便于特征参数AP的门限自动调整；当DATH6，选择TH5TH5高SNR，否则选择TH5TH5低SNR。0031本发明的有益效果在于本发明提出的新的中心化参数和分类门限自动调整。
16、方法能够有效地减少识别算法对采样码元数量的要求，使得识别方法可以在资源较少的硬件平台上得到应用，并且能提高方法对信噪比的自适应性。说明书CN104052703A3/10页6附图说明0032图1传统的识别方法流程图。0033图2本发明的识别方法流程图。0034图3使用两种中心化方法时，100次实验中参数AA的值分布对比16个码元、15DB。0035图4使用两种中心化方法时，100次实验中参数AF的值分布对比16个码元、15DB。0036图5使用两种中心化方法时，100次实验中参数AP的值分布对比16个码元、15DB。具体实施方式0037下面结合附图对本发明做进一步描述,其中图35中，A部分为本发。
17、明的中心化方法，B部分为传统的中心化方法0038本发明包括0039步骤1接收到的调制信号的采样序列为XN,对XN进行带通滤波处理。0040步骤2使用希尔伯特变换提取信号的瞬时幅度、非线性相位和瞬时频率。0041步骤3计算信号频率中心化参数和幅度中心化参数；0042幅度中心化参数由公式0043MOAEAIMAEAIMA/2获取，其中AI为信号的瞬时幅度，MA为AI的平均值，即MAEAIE为取均值符号。0044频率中心化参数由公式0045MOFEFIMFEFIMF/2获取，其中FI为信号的瞬时频率，MF为FI的平均值，即MFEFI。0046相位中心化参数由公式0047获取，其中为信号的非线性相位，。
18、的平均值，即0048步骤4计算信号分类所需的5个特征参数DA、AA、DF、AP和AF。其中，DA为中心化瞬时幅度的标准偏差，AA为中心化瞬时幅度绝对值的标准偏差，DF为非弱信号段瞬时频率的标准偏差，AP为中心化瞬时相位绝对值的标准偏差，AF为中心化瞬时频率绝对值的标准偏差；中心化瞬时幅度、中心化瞬时相位和中心化频率的具体计算方法为0049中心化瞬时幅度AANIAIMOA，其中AI为信号的瞬时幅度，MOA为幅度中心化参数；0050中心化瞬时相位其中为信号的非线性相位，MOP为相位中心化参数；0051中心化瞬时频率FCNIFIMOF，其中FI为信号的瞬时频率，MOF为频率中心化参数；说明书CN10。
19、4052703A4/10页70052步骤5使用决策树分类器的分类流程对信号进行分类。0053所述的信号进行分类具体方法为00541如果参数DATH1，则信号属于类02FSK，4FSK，2PSK,4PSK；否则信号属于类12ASK,4ASK；其中TH1为DA的判决门限。00552已判决出信号属于类1，执行SNR粗估计模块1当APTH5，选择TH2TH2高SNR，否则选择TH2TH2低SNR。如果参数AATH2，则信号为2ASK；否则信号为4ASK。0056其中TH5为利用AP进行SNR粗估计的判决门限将SNR分为高、低两种情况，TH2为AA的判决门限，TH2高SNR为TH2在高信噪比下选取的门限。
20、，TH2低SNR为TH2在低信噪比下的选取门限。00573已判决出信号属于类0，且参数DFTH3，则信号属于类012PSK,4PSK；否则信号属于类002FSK,4FSK。其中TH3为DF的判决门限。00584已判决出信号属于类01，执行SNR粗估计模块2当DATH6，选择TH5TH5高SNR，否则选择TH5TH5低SNR。如果参数APTH5，则信号属于2PSK；否则信号为4PSK。0059其中TH6为利用DA进行SNR粗估计的判决门限，TH5为AP的判决门限，TH5高SNR为在高信噪比下TH5选取的门限，TH5低SNR为在低信噪比下的TH5选取的门限。00605已判决出信号属于类00，执行S。
21、NR粗估计模块3当DATH6，选择TH4TH4高SNR，否则选择TH4TH4低SNR。如果参数AFTH4，则信号为2FSK；否则信号为4FSK。0061其中TH6为利用DA进行SNR粗估计的判决门限，TH4为AF的判决门限，TH4高SNR为在高信噪比下TH4选取的门限，TH4低SNR为在低信噪比下的TH4选取的门限。0062传统识别方法中提出的中心化参数仅仅是简单地取信号的均值，即EHI，HI为信号的瞬时信息瞬时幅度、非线性相位或瞬时频率。本发明提出的中心化参数为0063MOHEHIMHEHIMH/2，MHEHI10064当采样数据较少时，采样的码元数目较少且非均衡时码元1和0的数量不一样时传。
22、统识别方法的中心化参数计算方法会出现较大的偏差。传统的识别方法中指出2ASK的AA参数应该等于0，4ASK的AA参数不为0。理由是2ASK的归一化幅度值只有0和1，减去中心化参数值05后，幅度值为05与05。再取绝对值，只有05一个幅度值，取方差为0。然而实际上未必是这样的，关键在于中心化参数值的选取，如果不是05，那么无法保证中心化幅度的绝对值只有一个值。0065假设码元长度为8，为了计算简单清晰假设每个码元间只有2个采样点，一共有16个采样点，两种方法得到2ASK的幅度中心化参数结果如表1所示。0066表1传统方法和本发明的中心化参数值的比较0067说明书CN104052703A5/10页。
23、80068由表1的计算结果可以看出当码元中1和0个数一样时使用以往文献算法得到的中心化参数值才等于05，否则不会等于05。当0和1的个数相差较大时，例如实验中的10000000，以往文献计算出中心化值为0125，与05相差甚远。而本文提出的中心化参数值，无论码元是否平衡，都能得到中心化值05，始终和实际需求相符。而在随机码元的条件下，码元越少越难满足码元均衡的条件，因而对于较少的采样数据中心化参数值的选取显得极为重要。对于频率和相位中心化参数的分析类似，不再累述。0069在15DB信噪比、随机码元条件下对相关信号的的AA、AF和AP进行100次实验，取值如图3图5所示。由图3可知，使用传统中心。
24、化算法时，AA参数对2ASK和4ASK两种调制的区分效果不明显，存在较多的混叠情况，很难选取一个合适的判决门限。而使用本发明中心化算法时，AA参数对两种调制区分的效果比较理想，混叠情况较少，可以很容易地设定分类门限。对于参数AF和AP的分析类似，不再累述。0070很明显当2ASK的AA参数均值和4ASK的AA参数均值相差越大，越容易设置门限区分出两信号。同时两信号的AA参数波动越小也越有利于信号的区分和门限的选取，即AA参数的标准越小越容易区分出两信号。为此可以定义表征参数对信号区分性能好坏参数KAA、KAP和KAF0071取A,P或者F20072式中，,10为0100次实验中2ASK信号的A。
25、A的取值结果，N1,2,100为100次实验中4ASK信号的AA的取值结果，N1,2,100为100次实验中2FSK信号的AF的取值结果，其它参数类似。STD为参数的标准差，E为参数的均值。0073KAA与的标准差大小成正比，标准差大小成正比，与的均值和的均值差的绝对值大小成反比。KAA的值越小表征参数AA对2ASK,4ASK区分的效果越好；KAA的值越大，对2ASK,4ASK区分的效果越差。对于参数KAF,KAP分析同理。0074通过实验可以发现，当KA5时能够较好地对2SK,4SK其中取A,P或者F区分。由表2可知，本发明只需要采样16个码元周期的数据即可达到KA5的条件，而传统的方法需要。
26、采样112个码元周期才能达到同样的识别效果。0075表2码元个数对分类参数性能的影响信噪比15DB0076说明书CN104052703A6/10页90077由表3可知，在固定采样16个码元周期的数据时，本发明在信噪比略微大于12DB时即可达到KA5的条件。而传统的方法在采样16个码元周期的数据时，无论什么信噪比都无法达到同样的区分效果。0078表3信噪比对分类参数性能的影响16个码元00790080在实验中发现，当SNR不小于10DB时，对于大类之间的信号区分比较可靠的，如调幅、调相和调频信号之间的识别。但是对于2ASK,4ASK之间区分、2PSK,4PSK之间区分或者2FSK,4FSK之间区。
27、分的准确度很低。主要原因是用于区分2ASK,4ASK、2PSK,4PSK或者2FSK,4FSK的参数AA、AP或AF在信噪比较小时随SNR变化比较剧烈。单一的的门限如20DB时选取，无法保证在整个SNR10DB情况正确识别。因而在判决前需要首先估计出信噪比，而选择合适的门限。传统的信噪比估计的方法结构复杂，运算量大，不适用于快速识别系统。本发明采用的方法是，对参数AA、AP或AF设置信噪比参考参数，使得判决门限可以随着SNR参考参数变化而自动调整。0081选择信噪比参考参数的原则是对于2FSK,4FSK、2PSK,4PSK或者2ASK,4ASK其相应参数在相同条件下的值的差别应该较小，并且该参。
28、数应能反映信噪比大小。本发明选择DA作为2FSK,4FSK和2PSK,4PSK信噪比估计的参考参数，AP作为2ASK,4ASK信噪比估计的参考参数。2FSK,4FSK、2PSK,4PSK为恒包络信号，无噪声情况下其DA为0，当存在噪声时，DA反映的其实是噪声的均方幅度大小。2ASK,4ASK在非弱段的非线性相位恒定，无噪声情况下其AP为0，当存在噪声时，AP反映的也是噪声的均方幅度大小。说明书CN104052703A7/10页10实施例0082实施方式包括以下步骤0083步骤1接收到的调制信号的采样序列为XN,对XN进行滤波处理。0084步骤2、使用希尔伯特变换提取信号的瞬时幅度、非线性相位和。
29、瞬时频率。0085接收到的调制信号UT可以表示为00860087输入信号的解析信号形式ZT0088ZTUTJVT40089其中，UT为原调制信号，VT是UT的希尔伯特变换。即00900091则有瞬时幅度00920093瞬时相位00940095信号的瞬时频率可以通过对瞬时相位的微分求得，得到瞬时相位后，还需要对其进行去相位折叠变换，以得到信号的非线性相位。0096经过A/D采样数字化后的瞬时相位I可由式8表示，其中FS为采样频率，为非线性相位。00970098式7计算得到相位的是实际相位模2的值，为了从有相位折叠的I中求出必须先把折叠相位恢复成原始无折叠相位I。再从I中减去线性相位成份，才能得到。
30、非线性相位分量。为此，首先计算修正相位序列CI00990100则无折叠相位I为0101IICI100102再从I中减去线性相位的成份，即可得到非线性相位0103说明书CN104052703A108/10页110104步骤3计算信号幅度中心化参数、频率中心化参数和相位中心化参数；0105幅度中心化参数由公式0106MOAEAIMAEAIMA/2获取，其中MAEAI，AI为信号的瞬时幅度。0107频率中心化参数由公式0108MOFEFIMFEFIMF/2获取，其中MFEFI，FI为信号的瞬时频率。0109相位中心化参数由公式0110获取，其中为信号的非线性相位。0111步骤4、计算信号分类所需的5。
31、个特征参数01121中心化瞬时幅度的标准偏差DA01130114式中，NS为取样点数，ACNI为中心化瞬时幅度0115ACNIAIMOA130116其中MOAEAIMAEAIMA/2,MAEAI，AI为瞬时幅度。DA用来区分是恒包络信号还是非恒包络，2PSK,4PSK,2FSK,4FSK是恒包络信号，其DA在理想情况下应该为0；2ASK,4ASK信号是非恒包络信号，其DA大于0；01172非弱信号段中心化瞬时频率的标准偏差DF01180119式中AT是判断弱信号的一个幅度判决门限电平，C是在全部取样数据NS中属于非弱信号值的个数,FOI为中心化瞬时频率0120FOIFIMOF150121其中，。
32、MOFEFIMFEFIMF/2,MFEFI，FI为信号的瞬时频率。DF用来区分信号是调频信号2FSK，4FSK还是其它信号2PSK，4PSK。01223中心化瞬时幅度绝对值的标准偏差AA01230124AA要用来区分信号是2ASK还是4ASK。01254中心化瞬时相位绝对值的标准偏差AP说明书CN104052703A119/10页1201260127NLI为中心化瞬时相位01280129为信号的非线性相位。AA主要用来区分信号是2PSK还是4PSK。01305中心化瞬时频率绝对值的标准偏差AF01310132AF用来区分信号是2FSK还是4FSK。0133步骤5、使用决策树分类器对信号进行分类。
33、。0134所述的信号进行分类具体方法为01351如果参数DATH1，则信号属于类02FSK，4FSK，2PSK,4PSK；否则信号属于类12ASK,4ASK；01362已判决出信号属于类1，执行SNR粗估计模块1当APTH5，选择TH2TH2高SNR，否则选择TH2TH2低SNR；如果参数AATH2，则信号为2ASK；否则信号为4ASK；01373已判决出信号属于类0，且参数DFTH3，则信号属于类012PSK,4PSK；否则信号属于类002FSK,4FSK；01384已判决出信号属于类01，执行SNR粗估计模块2当DATH6，选择TH5TH5高SNR，否则选择TH5TH5低SNR；如果参数A。
34、PTH5，则信号属于2PSK；否则信号为4PSK；01395已判决出信号属于类00，执行SNR粗估计模块3当DATH6，选择TH4TH4高SNR，否则选择TH4TH4低SNR；如果参数AFTH4，则信号为2FSK；否则信号为4FSK。0140考虑2ASK、4ASK、2FSK、4FSK、2PSK和4PSK共6种调制信号，在MATLAB7环境中对识别方法进行仿真。输入调制信号的载波频率FC为5MHZ，采样频率FS为32MHZ。数字调制的基带码元使用随机码元，码元速率FD为1M字符/秒。0141在10、15和20DB信噪比下，对6种调制类型分别进行300次识别仿真，统计算法的正确识别率，实验结果如表4所示。由表4可知，本发明在采样点256个、在信噪比10DB时，平均识别正确率达到8266，在SNR15DB时，平均识别率超过9121；在采样点512个、在信噪比10DB时，平均识别正确率达到9200，达到了工程实现的要求，并且实现了判决门限自动调整的功能。0142表4采样点为256/512/1024时，识别方法的准确率0143说明书CN104052703A1210/10页13说明书CN104052703A131/3页14图1说明书附图CN104052703A142/3页15图2图3说明书附图CN104052703A153/3页16图4图5说明书附图CN104052703A16。