[發(fā)明專利]基于LMD近似熵、高積累積量和SVM的調(diào)制信號(hào)識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710458294.6
• 申請(qǐng)日: 2017-06-16
• 公開（公告）號(hào): CN107395540B
• 公開（公告）日: 2020-09-01
• 發(fā)明（設(shè)計(jì)）人: 單劍鋒;顧凱冬
• 申請(qǐng)（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號(hào): H04L27/00
• 分類號(hào): H04L27/00
• 代理公司: 南京知識(shí)律師事務(wù)所 32207
• 代理人: 張芳

1.基于LMD近似熵、高積累積量和SVM的調(diào)制信號(hào)識(shí)別方法，包括以下步驟：

步驟1、利用LMD算法計(jì)算調(diào)制信號(hào)的一系列PF分量；

步驟2、選取前三個(gè)PF分量，分別求它們的近似熵作為調(diào)制信號(hào)的一組特征參數(shù)；

步驟3、計(jì)算調(diào)制信號(hào)的平均功率；

步驟4、選取前一百次的特征參數(shù)作為訓(xùn)練樣本，訓(xùn)練LS-SVM；

步驟5、用剩余的特征向量進(jìn)行分類識(shí)別，得出分類的正確率；

其特征在于，步驟3包括：計(jì)算調(diào)制信號(hào)平均功率化后的四階與六階高階累積量：

①計(jì)算信號(hào)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(jì)算聯(lián)合特征模塊所需的特征值：

F₁＝|C₄₀|，F(xiàn)₂＝|C₆₃|

將F₁＝|C₄₀|，F(xiàn)₂＝|C₆₃|；作為一組特征參數(shù)；

步驟4包括：尋找LS-SVM的最優(yōu)參數(shù)。