[發(fā)明專利]基于決策樹(shù)TWSVM的高速光信號(hào)調(diào)制格式識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910072366.2
• 申請(qǐng)日: 2019-01-25
• 公開(kāi)（公告）號(hào): CN109787928B
• 公開(kāi)（公告）日: 2021-07-09
• 發(fā)明（設(shè)計(jì)）人: 蘇紹璟;孫曉永;郭曉俊;左震;周靖;黃芝平;孫備;陳洋溢;譚曉朋;吳鵬;呂云霄
• 申請(qǐng)（專利權(quán)）人: 中國(guó)人民解放軍國(guó)防科技大學(xué)
• 主分類號(hào): H04L27/00
• 分類號(hào): H04L27/00;G06K9/62;H04B10/60
• 代理公司: 湖南兆弘專利事務(wù)所(普通合伙) 43008
• 代理人: 周長(zhǎng)清;胡君

1.一種基于決策樹(shù)TWSVM的高速光信號(hào)調(diào)制格式識(shí)別方法，其特征在于，步驟包括：

S1.DT-TWSVM分類器構(gòu)建：預(yù)先構(gòu)建決策樹(shù)框架并在構(gòu)建的所述決策樹(shù)架構(gòu)的每個(gè)節(jié)點(diǎn)中使用TWSVM，得到DT-TWSVM分類器，所述決策樹(shù)框架中根據(jù)高階累積量定義第一特征參數(shù)T1以實(shí)現(xiàn)初始分類，根據(jù)差分運(yùn)算后的累積量定義第二特征參數(shù)T2以及根據(jù)循環(huán)譜定義第三特征參數(shù)T3以實(shí)現(xiàn)最終分類；

S2.信號(hào)采樣：進(jìn)行高速光信號(hào)調(diào)制格式識(shí)別時(shí)，對(duì)所需混合速率多調(diào)制格式光信號(hào)進(jìn)行低速率采樣，得到待識(shí)別信號(hào)；

S3.特征提?。悍謩e提取所述待識(shí)別信號(hào)的所述第一特征參數(shù)T1、第二特征參數(shù)T2以及第三特征參數(shù)T3，所述第一特征參數(shù)T1定義為T(mén)1＝|C_8,0|/|C_4,0|，所述第二特征參數(shù)T2定義為T(mén)2＝|C_d8,0|/|C_d4,0|²，其中C_4,0、C_8,0分別為四階、八階累積量值，C_d表示差分運(yùn)算后的累積量值，所述第三特征參數(shù)T3定義為其中為循環(huán)譜，α為循環(huán)頻率；

S4.格式識(shí)別：將所述步驟S3提取到的各特征參數(shù)數(shù)據(jù)輸入到所述DT-TWSVM分類器中，得到識(shí)別結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于決策樹(shù)TWSVM的高速光信號(hào)調(diào)制格式識(shí)別方法，其特征在于，所述步驟S2中基于壓縮感知理論方法進(jìn)行低速率采樣。

3.根據(jù)權(quán)利要求2所述的基于決策樹(shù)TWSVM的高速光信號(hào)調(diào)制格式識(shí)別方法，其特征在于，所述基于壓縮感知理論方法進(jìn)行低速率采樣的步驟包括：

S21.選擇最佳稀疏基來(lái)實(shí)現(xiàn)光信號(hào)的稀疏表示；

S22.構(gòu)造滿足約束等距特性的測(cè)量矩陣，將采樣的信號(hào)從高維空間映射到低維度空間，以實(shí)現(xiàn)對(duì)信號(hào)的線性測(cè)量；

S23.選擇重構(gòu)算法將原信號(hào)在所述測(cè)量矩陣下的投影進(jìn)行重構(gòu)恢復(fù)，重構(gòu)得到待識(shí)別信號(hào)。

4.根據(jù)權(quán)利要求1所述的基于決策樹(shù)TWSVM的高速光信號(hào)調(diào)制格式識(shí)別方法，其特征在于，所述步驟S3中提取得到各特征參數(shù)數(shù)據(jù)時(shí)，通過(guò)使用壓縮感知理論方法，計(jì)算在指定壓縮率下各特征參數(shù)數(shù)據(jù)的值，重構(gòu)得到各特征參數(shù)的壓縮采樣值。

5.根據(jù)權(quán)利要求1所述的基于決策樹(shù)TWSVM的高速光信號(hào)調(diào)制格式識(shí)別方法，其特征在于，所述步驟S3中還包括對(duì)各特征參數(shù)使用壓縮感知理論方法，計(jì)算在壓縮率為δ的情況下經(jīng)過(guò)線性測(cè)量后的四階、八階累積量值和循環(huán)譜值為：

其中，Φ為線性測(cè)量中的測(cè)量矩陣，F(xiàn)為離散傅里葉變換矩陣，P為對(duì)角線投影矩陣，K_M和H_N均為投影矩陣，I_N為N維的識(shí)別矩陣，Λ_v為N×N的矩陣且只有它的對(duì)角線元素為1，其他元素為0。

6.根據(jù)權(quán)利要求1～4中任意一項(xiàng)所述的基于決策樹(shù)TWSVM的高速光信號(hào)調(diào)制格式識(shí)別方法，其特征在于，所述步驟S1中構(gòu)建DT-TWSVM分類器時(shí)，還包括比較不同核函數(shù)下所述DT-TWSVM分類器的識(shí)別性能，根據(jù)比較結(jié)果確定最佳核函數(shù)。

7.根據(jù)權(quán)利要求6所述的基于決策樹(shù)TWSVM的高速光信號(hào)調(diào)制格式識(shí)別方法，其特征在于，使用K折分層交叉驗(yàn)證方法對(duì)不同核函數(shù)下所述DT-TWSVM分類器的識(shí)別性能進(jìn)行評(píng)估，以確定最佳核函數(shù)。

8.根據(jù)權(quán)利要求6所述的基于決策樹(shù)TWSVM的高速光信號(hào)調(diào)制格式識(shí)別方法，其特征在于，所述DT-TWSVM分類器中具體選擇RBF核函數(shù)作為最佳核函數(shù)。

9.根據(jù)權(quán)利要求1～4中任意一項(xiàng)所述的基于決策樹(shù)TWSVM的高速光信號(hào)調(diào)制格式識(shí)別方法，其特征在于，所述DT-TWSVM分類器中訓(xùn)練集比例為70～80％。