[發明專利]一種基于改進的多尺度小波熵數字信號調制識別方法

有效

• 申請號: 202010195282.0
• 申請日: 2020-03-19
• 公開（公告）號: CN111444805B
• 公開（公告）日: 2023-03-17
• 發明（設計）人: 葉方;張慧;孫騫;李一兵;田園;宋也
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06F18/10
• 分類號: G06F18/10;G06F18/2411
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供了一種基于改進的多尺度小波熵數字信號調制識別方法，在基于統計模式的識別方法框架下利用基于信號多尺度小波熵的特征提取方法得到最終代表信號的特征，然后利用極限學習機分類器進行分類，在信噪比為?15dB時，平均識別率仍能達到90％以上。對于PSK類信號，得到描述其相位信息的相位函數，再次計算相位函數的多尺度小波熵特征，得到的信號特征更為穩定，相對于傳統的特征，能夠更好的區分PSK類信號；所提取的信號特征抗噪聲性能好，即使在較低信噪比的情況下也能達到理想的識別率。

技術領域

本發明涉及的是一種基于特征提取的通信信號調制識別方法，具體涉及一種基于改進的多尺度小波熵數字信號調制識別方法，屬于通信技術領域。

背景技術

隨著時代的發展和科學技術的進步，無線通信技術已經應用到了生活的各個領域，無論是在軍事通信還是民用領域都有著至關重要的作用。在時代的進步下，人們對通信質量的要求也越來越高，為適應人們對信息傳輸要求的提高，不同的通信環境和背景需要采用不同的調制方式。隨著數字通信技術的進步，數字信號應用最為廣泛，并且各種形式的調制方式也不斷涌現，而通信信號的調制方式是區分各類信號最重要的特征之一。因此，數字信號的調制識別仍然是通信領域中至關重要的研究課題。然而通信環境越來越復雜，如何在低信噪比(Signal to Noise Ratio,SNR)下提取信號的特征成為通信領域一個亟待解決的問題。

目前，關于通信信號調制識別算法主要可以分為兩大類，一類是基于最大似然法，另一類是基于特征提取的模式識別方法。最大似然法是一種統計方法，通過獲取接收信號的似然函數，并比較閾值與似然率的關系進行判決，該方法理論上可以將識別的錯分率降到最低。但是該方法也存在很多不足，例如計算量大、所需的先驗知識較多以及似然函數在大多數條件下無法算出封閉的表達式等等?；谔卣魈崛〉哪Ｊ阶R別方法是通過一定的算法得到能夠區分信號類型的各類特征，然后選擇合適的分類器對信號進行分類識別，該方法的計算量小、實時性高，因此被廣泛應用。本發明也是采用基于特征提取的模式識別方法對通信信號進行識別。

發明內容

目前，對于低信噪比條件下的數字信號調制識別問題仍沒有被很好的解決，面對目前復雜的通信環境，信號受噪聲的影響很大，如何在低信噪比條件下提取能夠區分信號類型的各類特征至關重要。本發明針對這一問題，提供一種基于改進的多尺度小波熵數字信號調制識別方法，提取更穩定的信號特征，以提高低信噪比下的識別率。

為了實現上述目標，本發明采用如下技術方案：

一種基于改進的多尺度小波熵數字信號調制識別方法，包括以下步驟：

步驟1：利用Matlab仿真模擬產生各個信噪比下的待識別信號；

步驟2：計算各類信號的多尺度小波熵特征。對信號進行小波變換，小波變換的尺度為4，然后提取信號的5個小波系數的功率譜香農熵和功率譜指數熵，構成10維特征向量，利用極限學習機(Extreme learning machine，ELM)分類器對PSK類信號和非PSK類信號進行分類；

步驟3：對于步驟2中的非PSK類信號繼續利用5個小波系數的功率譜香農熵和功率譜指數熵所構成的10維特征向量，并利用極限學習機(Extreme learning machine，ELM)分類器對非PSK類信號進行分類。

步驟4：對于PSK類信號，得到其相位變化函數，利用步驟2中的方法，得到相位變化函數的多尺度小波熵特征，并利用極限學習機(Extreme learning machine，ELM)分類器對PSK類信號進行分類。

1、所述步驟2具體為：

(a)計算小波系數：

任意函數f(t)可以表示為：