например есть GMSK, 8-PSK; EDGE, QAM (4, 8, 16, 32, 64, 128, 256-QAM), 16-PSK, 64-PSK Как их определить? какой алгоритм нужен? с возможностью записи их в файлы.
второй вопрос есть вейвлет преобразование, как можно распознать модуляцию с помощью вейвлет преобразования/ Какой алгоритм? какие книги про это можно почитать и как в Маtlabe можно это описать

1. Гуглите modulation recognition и наслаждайтесь результатами на английском.
2. Не занимайтесь ерундой, никакое вейвлет преобразование в этой задаче не нужно.
3. Хотите получить нормальные результаты - изучайте основы, в первую очередь - теорию вероятностей и матстатистику.

Тоже вот думаю над сходной задачей - как различить сигналы DECT, GSM, BT, WiFi, основываясь на детекторе поля, т.е. без частотной селекции. Собрал небольшую базу перечисленных сигналов с помощью детектора поля, компа и звуковой карты. И аналогично прихожу к выводу, что иначе как статистикой их не различить с помощью пик-процессора. Понятно что проще купить готовый детектор поля, но хочется сделать самому. На данный момент есть трудности со способом формирования наборов характерных признаков каждого из сигналов, т.к. они довольно сильно варьируются.

Ну что же вы, товарищи дорогие, не хотите поиском воспользоваться
ссылки по этому сайту:
Алгоритмы определения параметров сигнала в автоматическом режиме
Автоматическая классификация радиосигналов
вот еще:
http://electronix.ru/forum/index.php?showtopic=59764
http://electronix.ru/forum/index.php?showtopic=103047&hl=
а вообще asv прав, вейвлеты здесь плохо применимы.

xman Тоже вот думаю над сходной задачей - как различить сигналы DECT, GSM, BT, WiFi, основываясь на детекторе поля, т.е. без частотной селекции а что это за технология - детектор поля?

Да, он самый - на базе AD8313 или AD8362. С выхода сигнал пойдет на компаратор, далее на вход PIC процессора. Исследуемые сигналы имеют импульсный характер, так что анализировать пока что думаю длительности пауз между импульсами, а также концентрацию их в пачки. Сами импульсы очень короткие, поэтому их длительность не рассматривается.

Детектором, тоесть примитивным АМ приёмником наверное можно только синхронные сигналы как-то различать, WiFi например не имеет ни строгой временной дистанции между приёмом и передачей, длительность пакетов ну очень сильно различается как от скоростного режима, так и от типа данных, на слух сигнал очень хаотичен.
Кстати, в этом случае ушами различать тип сигналов получится гораздо точнее, чем автоматикой :-)

Вечная тема :)

mikasa76

вейвлеты здесь плохо применимы

От чего же? Какие-нибудь пакетные вэйвлеты вполне могут применяться для спектрального анализа с различным разрешением по времени-частоте.

petr0v Лучше, чем метод максимального правдоподобия? особенно при низком С/Ш. я бы еще посмотрел в сторону нейросетей.

От чего же? Какие-нибудь пакетные вэйвлеты вполне могут применяться для спектрального анализа с различным разрешением по времени-частоте.
Только вот зачем?

petr0v Лучше, чем метод максимального правдоподобия? особенно при низком С/Ш. я бы еще посмотрел в сторону нейросетей.

Просто есть научный подход, а есть шаманство. Научный подход - рисуем функцию правдоподобия, понимаем, что непосредственно не можем ее вычислить в риалтайме, думаем как в риалтайме вычислять аппроксимацию к ней, релизуем. Шаманство - а давайте-ка попробуем собрать все что есть и применить какой-нибудь модный супер-пупер алгоритм универсальный анализа данных (снижения размерности выборки, определения смысла жизни, ...).

Кстати, против нейросетей лично я ничего не имею, даже использую иногда, но имея при этом в виду, что нейросеть, это не более и не менее, чем универсальный аппроксиматор достаточно гладкой функции многих переменных. И если учитывать специфику задачи, то можно построить специализированный аппроксиматор, который наверняка будет и проще, и лучше универсального.

asv Кстати, против нейросетей лично я ничего не имею, даже использую иногда, но имея при этом в виду, что нейросеть, это не более и не менее, чем универсальный аппроксиматор достаточно гладкой функции многих переменных. И если учитывать специфику задачи, то можно построить специализированный аппроксиматор, который наверняка будет и проще, и лучше универсального. да, это очень хороший аппроксиматор, который и строится для заранее определенного набора параметров. для этой задачи он тоже очень хорошо подходит, но стоит нам немного изменить этот набор, то вся эта сеть идет в печку и придется все начинать заново. поэтому с точки зрения практического применения я голосую за ММП. да, главный недостаток - это перебор всех возможных гипотез, а, следовательно, затрата временнЫх ресурсов и о реалтайме не может быть речи, но зато надежно с практической точки зрения.

mikasa76

Лучше, чем метод максимального правдоподобия?

А вы спектральный анализ не используете предварительно? Прям сразу демодуляторы всего и вся со всеми возможными параметрами применяете?

petr0v Конечно, использую традиционный Фурье-анализ, с использованием которого, например, можно легко приблизиться к предельной границе оценки точности различных гармонических составляющих - Крамера - Рао, ну и демодуляторы, конечно, тоже, куда же без них.