[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

本發(fā)明公開了基于LMD近似熵、高階累積量和SVM的調(diào)制信號(hào)識(shí)別方法。利用LMD算法把復(fù)雜的信號(hào)分解成一系列簡(jiǎn)單PF信號(hào)，再求這些PF信號(hào)的近似熵，與高階累積量構(gòu)建聯(lián)合特征模塊。近似熵可以作為時(shí)間序列復(fù)雜性的一種度量，信號(hào)經(jīng)LMD分解后的PF分量為依次從高頻到低頻的時(shí)間序列，故用近似熵對(duì)PF分量進(jìn)行量化，可實(shí)現(xiàn)以PF分量的復(fù)雜性作為目標(biāo)的有用信息提取。

技術(shù)領(lǐng)域

本發(fā)明涉及信號(hào)處理領(lǐng)域，特別是基于LMD(Local Mean Decomposition，局部均值分解)近似熵、高積累積量和SVM(Support Vector Machine，支持向量機(jī))的調(diào)制信號(hào)識(shí)別方法。

背景技術(shù)

隨著現(xiàn)代通信技術(shù)突飛猛進(jìn)地發(fā)展，無(wú)線通信的環(huán)境變得愈發(fā)復(fù)雜。傳統(tǒng)的通信中調(diào)制方式種類較少，收發(fā)雙方可以事先約定好傳輸信號(hào)的調(diào)制方式再進(jìn)行通信，從而不需要再對(duì)調(diào)制方式進(jìn)行識(shí)別；而現(xiàn)代通信中大多數(shù)為多頻段、多制式、功能復(fù)雜的通信系統(tǒng)，整個(gè)通信環(huán)境存在著大量的信號(hào)。通常接活信號(hào)的先驗(yàn)知識(shí)是未知的，在這種情況下對(duì)調(diào)制類型的識(shí)別變得越來(lái)越重要。所以無(wú)論是在民用領(lǐng)域還是在軍事領(lǐng)域，無(wú)線通信中對(duì)信號(hào)調(diào)制方式的有效識(shí)別都是一個(gè)至關(guān)重要的科研課題。在民用領(lǐng)域，調(diào)制識(shí)別技術(shù)廣泛應(yīng)用于頻譜監(jiān)測(cè)和管理、無(wú)線信號(hào)監(jiān)測(cè)和干擾違法信號(hào)等工作中。在軍事領(lǐng)域，識(shí)別技術(shù)應(yīng)用于電子干擾、敵我甄別和通信偵測(cè)等方面的電子對(duì)抗中，截獲敵方情報(bào)或者干擾敵方通信。而要完成對(duì)通信的掌握，首先就必須對(duì)截獲信號(hào)進(jìn)行調(diào)制方式識(shí)別，才能對(duì)敵人的重要通信參數(shù)進(jìn)行追蹤和截獲。在二十世紀(jì)的調(diào)制信號(hào)識(shí)別中，由于識(shí)別手段的匱乏，識(shí)別通常是由工作人員利用自身經(jīng)驗(yàn)進(jìn)行人工識(shí)別。但是此法由于效率低、識(shí)別率低、依賴性強(qiáng)且識(shí)別種類少等不足而逐漸被舍棄。優(yōu)秀的智能調(diào)制識(shí)別方法不但能減少對(duì)人工依賴，而且能增加識(shí)別種類和準(zhǔn)確率。

發(fā)明內(nèi)容

為了解決上述問(wèn)題，本發(fā)明提供一種基于LMD近似熵、高積累積量和SVM的調(diào)制信號(hào)識(shí)別方法，以能更加快速、準(zhǔn)確的識(shí)別信號(hào)的調(diào)制方式。

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，其特征在于，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)一組特征參數(shù)；

步驟3、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作為一組特征參數(shù)：

F₁＝|C₄₀|，F(xiàn)₂＝|C₆₃|；

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，并尋找LS-SVM的最優(yōu)參數(shù)；

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。

本發(fā)明的有益效果：

1)LMD算法在估計(jì)包絡(luò)函數(shù)時(shí)使用滑動(dòng)平均，避免了虛假分量的產(chǎn)生。

近似熵可以作為時(shí)間序列復(fù)雜性的一種度量，信號(hào)經(jīng)LMD分解后的PF分量為依次從高頻到低頻的時(shí)間序列，故用近似熵對(duì)PF分量進(jìn)行量化，可實(shí)現(xiàn)以PF分量的復(fù)雜性作為目標(biāo)的有用信息提取。求近似熵相對(duì)而言比較簡(jiǎn)單，快速。

2)利用高階累積量調(diào)制識(shí)別的方法中，要用到多個(gè)累積量值構(gòu)造特征值，本發(fā)明只需一個(gè)累積量值即可有效進(jìn)行MQAM與MPSK類內(nèi)識(shí)別。

3)相對(duì)于支持向量機(jī)模型，LS-SVM模型中的約束是等式約束，降低了計(jì)算復(fù)雜度。

附圖說(shuō)明

圖1為基于LMD近似熵、高積累積量和SVM的調(diào)制信號(hào)識(shí)別方法流程圖；

圖2為分層分類識(shí)別的方案示意圖；