[發明專利]基于LMD近似熵、高積累積量和SVM的調制信號識別方法

有效

• 申請號: 201710458294.6
• 申請日: 2017-06-16
• 公開（公告）號: CN107395540B
• 公開（公告）日: 2020-09-01
• 發明（設計）人: 單劍鋒;顧凱冬
• 申請（專利權）人: 南京郵電大學
• 主分類號: H04L27/00
• 分類號: H04L27/00
• 代理公司: 南京知識律師事務所 32207
• 代理人: 張芳

1.基于LMD近似熵、高積累積量和SVM的調制信號識別方法，包括以下步驟：

步驟1、利用LMD算法計算調制信號的一系列PF分量；

步驟2、選取前三個PF分量，分別求它們的近似熵作為調制信號的一組特征參數；

步驟3、計算調制信號的平均功率；

步驟4、選取前一百次的特征參數作為訓練樣本，訓練LS-SVM；

步驟5、用剩余的特征向量進行分類識別，得出分類的正確率；

其特征在于，步驟3包括：計算調制信號平均功率化后的四階與六階高階累積量：

①計算信號的p階混合矩：

M_pq＝E[y(k)^(p-q)y^*(k)^q]

②利用得到的混合矩求各階累積量：

C₂₀＝Cum(y(k)，y(k))＝M₂₀

C₂₁＝Cum(y(k)，y^*(k))＝M₂₁

C₄₀＝Cum(y(k)，y(k)，y(k)，y(k))

＝M₄₀-3(M₂₀)²

C₄₂＝Cum(y(k)，y(k)，y^*(k)，y^*(k))

＝M₄₀-|M₂₀|²-2(M₂₁)²

C₆₃＝Cum(y(k)，y(k)，y(k)，y^*(k)，y^*(k)，y^*(k))

＝M₆₀-6M₂₀M₄₁-9M₄₂M₂₁+18(M₂₁)²M₂₁-12(M₂₁)³

③計算聯合特征模塊所需的特征值：

F₁＝|C₄₀|，F₂＝|C₆₃|

將F₁＝|C₄₀|，F₂＝|C₆₃|；作為一組特征參數；

步驟4包括：尋找LS-SVM的最優參數。