基于高阶累积量和支撑矢量机的调制识别研究

提出一种基于高阶累积量和支撑矢量机的数字信号自动调制识别新方法 ,即将接收信号的四阶、六阶累积量作为分类特征向量 ,利用支持矢量机把分类特征向量映射到一个高维空间 ,并在高维空间中构造最优分类超平面以实现信号分类。这种方法对高斯噪声和星座图由于信号初始相位而引入的旋转具有良好的稳健性 ,并避免了神经网络中的过学习和局部极小点等缺陷。计算仿真结果表明 ,这种方法具有很高的分类性能和良好的稳健性     

利用概率估计和支持矢量机的信号调制分类

提出了一种常用数字通信信号调制分类算法。针对MASK、MFSK和MPSK调制,选取截获接收机输出信号的瞬时幅度、时频脊线和差分基带信号作为分类特征,利用概率密度估计算法求取分类特征的分布函数,通过构造支持矢量机分类器确定分布函数的峰值个数,从而在多种噪声背景下实现了信号调制类型的自动分类。仿真实验表明,当信噪比大于5 dB时识别率可达80%以上。     

卫星通信中调制识别算法研究

针对卫星通信这一应用场合,提出了一种数字调制信号自动识别算法。该算法利用调制信号的高阶累积量,并结合星座图特征,对信号进行分类。它对信号的幅度、相位偏差具有不变性,同时可抑制加性高斯噪声;与其它识别算法比较,它具有稳健、应用广泛的特性。通过计算机仿真表明,在给定的数据长度和中等信噪比条件下,可得到很高的识别率(>95%)。     

基于熵特征和支持向量机的调制识别方法

通信信号调制识别在非合作通信领域是一项重要的研究课题。针对当前算法计算量大,能识别的调制类型少的特点,提出了一种基于熵特征和支持向量机（support vector machine, SVM）的调制识别新方法。该算法通过提取接收信号的多维熵特征,作为调制识别的特征参数,并利用基于二叉树的SVM作为分类器,对接收信号进行调制识别。除了信号的信噪比,该算法不需要信号带宽和载频等其他先验知识。理论分析与计算机仿真结果表明,该方法具有很高的识别率,计算量小,具有很好的应用价值。     

基于累积量的MPSK分类算法性能分析

针对累积量的调制分类经典算法要求理想的符号同步问题。通过对非最佳采样复基带信号的累积量的理论分析,讨论了过采样速率、定时偏差和基带成形脉冲函数对信号累积量的影响,认为现有的基于累积量的同步分类算法可以直接应用于异步条件,且其性能与过采样速率有关。通过MPSK分类的仿真验证了理论分析的正确性,在常用频率选择性衰落信道模型条件下的仿真则表明,衰落信道中符号速率采样的分类性能未必最优。     

基于高阶累积量特征学习的调制识别方法

自动调制分类是确保通信安全、可靠的关键技术之一。在低信噪比(low signal-to-noise ratio, Low-SNR)环境中,自动调制分类识别率低且识别类型受限。利用零均值高斯白噪声(white Gaussian noise,WGN)的高阶累积量理论值等于0的性质,在信号分析过程中,引入高阶累积量,可使系统免受WGN的影响。同时,引入深度学习网络结构完成微弱特征的表征,可有效解决调制方式受限及Low-SNR情况下的识别率下降问题。实验结果表明,所提方法在高斯信道环境下的分类精度比现有方法要高,在Low-SNR的不同信道环境下有较高的识别率,且使模型在时间、相位和频率偏移量方面具有更好的鲁棒性。     

基于三阶累积量奇异值分解的雷达目标识别

基于一维距离像三阶累积量矩阵的奇异值分解 ,由非零奇异值构成奇异值矢量作为正则子空间法的输入 ,提出一种雷达目标一维距离像识别方法 ,对目标进行分类识别。该方法一方面利用三阶累积量提高了抗噪性能 ,同时又使用非零奇异值矢量减少了存储量与运算量。仿真实验结果表明 :在低信噪比 ,该方法的识别率高于特征子空间法     

基于联合特征参数的数字调制识别优化算法

针对数字调制识别在低信噪比下的应用,提出了一种基于联合特征参数的数字调制识别优化算法。该算法利用调制信号的高阶累积量和时域瞬时信息,并结合星座图特征进行特征提取,采用弹性反向传播（resilient back-propagation, RPROP）算法训练的反向传播（back propagation, BP）神经网络对多进制数字幅度调制（M-ary amplitude shift keying, MASK）、多进制数字频率调制（M-ary frequency shift keying, MFSK）、多进制数字相位调制（M-ary phase shift keying, MPSK）、多进制正交幅度调制（M-ary quadrature amplitude modulation, MQAM）共4类12种信号进行分类识别。仿真结果表明,当信噪比低至-2 dB时,提出的调制识别优化算法可使12种数字调制信号的正确识别率均达97%以上,极大地改善了低信噪比下的识别性能。     

一种基于高阶累积量的数字调相信号识别方法

针对当前通信信号中常用的数字调相信号BPSK、QPSK、π/4-QPSK、8PSK的调制识别问题,提出了一种基于信号差分高阶累积量的识剐算法.该算法分两个层次进行调制识别,首先利用信号的四阶累积量特征对BPSK、QPSK和{π/4-QPSK、8PSK}信号进行识别,然后再利用信号差分的四阶和八阶累积量特征对π/4-QPSK、8PSK信号进行识别.从理论上分析了的该算法的有效性,并通过计算机仿真验证了算法具有良好的性能.     

自适应OFDM系统中调制识别算法研究

提出了一种适用于快衰落信道下自适应OFDM系统的调制识别算法。在信道估计和频域补偿的基础上,利用子载波组样本的6阶和8阶累积量识别5种调制信号。仿真结果表明,该算法具有良好的识别性能和稳健性,在SNR=16 dB,移动台速度小于40 km/h的条件下,调制方式的正确识别率可在到95%以上。     

Decision tree support vector machine based on genetic algorithm for multi-class classification

To solve the multi-class fault diagnosis tasks, decision tree support vector machine (DTSVM), which combines SVM and decision tree using the concept of dichotomy, is proposed. Since the classification performance of DTSVM highly depends on its structure, to cluster the multi-classes with maximum distance between the clustering centers of the two sub-classes, genetic algorithm is introduced into the formation of decision tree, so that the most separable classes would be separated at each node of decisions tree. Numerical simulations conducted on three datasets compared with "one-against-all" and "one-against-one" demonstrate the proposed method has better performance and higher generalization ability than the two conventional methods.     

Modulation classification based on spectrogram

1 .INTRODUCTIONThe ai mof modulation classification ( MC) is toiden-tifythe modulationtype[1]of a communicationsignal .It plays ani mportant rolein many cooperative or non-cooperative communication applications such as soft-ware radio,intelligent modem,andelectronic surveil-lance system[2].Inthe past ,such workrelied heavilyon human operators ,which becomesless practical dueto the increasing density of the frequency spectrumand the increasing complexity and diversity of themodulation type…     

基于支持向量机的空中目标大类别分类

针对已有空中目标识别方法存在的经验风险大、识别率低等不足,依据空中目标的分类原则和纠错码设计原则,设计了针对该问题的纠错码,并训练了码位分类器,最后给出了基于支持向量机的空中目标大类别分类算法。该方法采用纠错编码支持向量机的多类分类技术,降低了经验风险,能对误差进行自动修正,有效地提高了识别率和识别速度。最后给出了一个算例,结果证实了该算法的有效性,并给出了与同类算法的比较结果。     

基于支持向量机的轰炸机敏感性权衡优化

生存力中敏感性方案的设计及改进是一个效益和代价不断权衡的过程。针对轰炸机敏感性权衡中的效益-费用优化问题,研究了基于支持向量机的轰炸机敏感性权衡方法。建立支持向量机代理模型,简化了敏感性的计算,并利用交叉验证和网格搜索对模型参数进行优化;拟合了轰炸机敏感性参数与增加费用的函数关系,将灵敏度理论引入敏感性权衡中,从最优效费比的角度出发,确定敏感性参数的取值范围。最后通过仿真验证了方法的可行性。结果表明,该权衡优化方法能够在费用约束条件下对敏感性参数的取值范围进行优化,在保证精度的同时提升了计算效率。     

基于支持向量信息测度排序的快速分类算法

如何降低支持向量机海量训练样本的数目,是提高算法速度的关键。提出利用支持向量分布的几何特征建立基于特征空间中支持向量信息测度的快速算法,对于训练样本首先进行基于支持向量信息测度升序排序处理,然后根据训练样本提供的信息测度选择合适的训练样本子空间,在该样本子空间内采用乘性规则直接求取Lagrange因子,而不是传统的二次优化方法;最后针对附加残余样本进行交叉验证处理,直到算法满足收敛性准则。各种分类实验表明,提出的算法具有较好的性能,特别是在训练样本庞大、支持向量数量较多的情况下,能够较大幅度地减少计算复杂度,提高分类速度。     

Multiclassification algorithm and its realization based on least square support vector machine algorithm

1.INTRODUCTION Thedatabasedmachinelearningasastatisticlearning methodplaysanimportantpartinmodernintelligent technology.Basedontheresearchofstatisticlearning theory,VapnikVNpointedouttheproblemofexpe riencedriskminimization,andpresentedthenotionof minimizingstructurerisk.Upontheabovetheory,herecomesthesupportvectormachine(SVM)algo rithm[1].Itisespeciallyaimedatfinitesamples,and wecanfinallygettheoptimalsolutionsfortheexist ed informationbutnotforthesituationoftraditional statistictheory…     

Incremental support vector machine algorithm based on multi-kernel learning

A new incremental support vector machine (SVM) algorithm is proposed which is based on multiple kernel learning.Through introducing multiple kernel learning into the SVM incremental learning,large scale data set learning problem can be solved effectively.Furthermore,different punishments are adopted in allusion to the training subset and the acquired support vectors,which may help to improve the performance of SVM.Simulation results indicate that the proposed algorithm can not only solve the model selection problem in SVM incremental learning,but also improve the classification or prediction precision.     

带限MPSK信号的调制分类

提出了一种带限MPSK信号调制分类算法,对截获接收机输出的带限MPSK信号在未知载波频率的情况下,通过对延迟乘积信号进行分析处理,利用小波变换提取其码元跳变点,进而得到与原信号调制类型一致的复基带信号序列。并利用此基带序列的高阶累积量构造分类特征不变量,在宽信噪比范围内实现了带限MPSK信号的调制分类。理论分析和实测信号处理证明了提出算法的有效性。     

基于数据域描述的模糊临近支持向量机算法

针对传统支持向量机由于样本中存在孤立点或噪声而导致的过学习问题,通过分析模糊支持向量机和临近支持向量机的特点,借鉴它们的优点:模糊隶属度和临近超平面,提出了一种数据处理方法。该方法考虑了样本点到类中心的距离与样本对分类的贡献率的关系。这种改进使分类更为清晰和准确。结果表明:采用新的模糊隶属度模糊临近支持向量机算法有较高的识别率,但也耗费了较多的训练时间。