CN102355439A

CN102355439A - 通信***中基于无限成分数的t混合模型的调制信号的盲检测方法

Info

Publication number: CN102355439A
Application number: CN2011102301692A
Authority: CN
Inventors: 魏昕
Original assignee: Individual
Current assignee: Individual
Priority date: 2011-08-11
Filing date: 2011-08-11
Publication date: 2012-02-15

Abstract

本发明公开了通信***中一种基于无限成分数的t混合模型的调制信号的盲检测方法，本方法充分利用了无线混合成分结构和t分布所带来两方面的优点，可以获得更好的检测效果。本发明采用一个具有无限成分数的t混合模型来建模接收到的调制信号在星座图空间中的分布情况，通过估计该混合模型的参数，从而获得信号的各个采样点由各个欲划分出的类所产生的概率，最后进行判决，将每个采样点关于各个类的概率值中的最大值所对应的序号作为该像素点最终所分配到的类，从而完成盲检测过程。本发明的方法可以有效地提高盲检测的效果，对接收信号中出现的野值点和噪声具有较高的鲁棒性，此外，本方法可以根据接收到的信号情况自适应的调节模型的混合成分数目，从而可以自动判断出当前的调制方式，使通信***的智能性大大提高。

Description

通信***中基于无限成分数的t混合模型的调制信号的盲检测方法

技术领域

本发明涉及通信信号处理领域，主要涉及通信***中基于无限成分数的t混合模型的调制信号的盲检测方法。

背景技术

在现有的移动通信***中，采用了大量的智能通信技术。现代通信的发展要求通信接收机应具有越来越高的智能型，调制信号的盲检测作为通信智能化的一个方面显得越来越重要。现有的通信***的协议中为了适应不同的信道条件和传输质量的需求，在发送端往往需要设定多种调制方式的模式，如在不同的条件下选用不同的星座调制方式来发送信息符号。而在接收端的处理上，对这些调制方式的检测通常采用基于统计模型的方法，将接收到的各个时刻的调制信号按照属性进行聚类，每个类中的信号具有相同或相似的属性。在已知的基于统计模型的调制信号的盲检测方法中，最常见也是应用最为广泛的模型就是高斯混合模型(GMM)。但是在实际中通信***接收机或信道条件恶劣等原因，在接收到的调制信号的星座图中会存在少数零星的符号点与大多数符号点的值差别较大，这些少数差别比较大的点常常被称为野值点。由于GMM中各个混合成分服从高斯分布，其概率密度函数的尾部不够长，所以对野值点的鲁棒性能较差。此外，在GMM中，需要预先指定混合成分的数目，一旦该数目指定之后，该GMM的模型的结构基本确定了，而实际中该混合成分数目无法获得，因此，采用GMM来建模调制信号在星座图空间中的分布时，会由于混合成分数目设定不当而产生GMM过拟合(该数目设定过大)或欠拟合(该数目设定过小)的现象，从而降低了盲检测的性能。正是由于现有的基于GMM的调制信号的盲检测方法存在着上述两个问题，所以需要改进现有的方法，进一步提高检测的效果和性能。

发明内容

本发明的目的就在于解决现有技术的缺陷，设计、研究通信***中基于无限成分数的t混合模型的调制信号的盲检测方法。

本发明的技术方案是：

通信***中基于无限成分数的t混合模型的调制信号的盲检测方法，其特征在于包括以下步骤：

(1)设接收到的调制信号为

其中，每个信号的采样点x_n为星座图空间中的一个二维矢量，N为信号采样点的数目；首先产生N个服从[1，L]区间上均匀分布的随机整数，统计该区间上各整数j(j＝1，...，L)出现的概率δ_j；即，如果产生了N_j个整数j，那么δ_j＝N_j/N；对于每个x_n所对应的隐变量z_n的初始分布为

q (z_{n}) = Π_{j = 1}^{L} q (z_{nj} = 1) = Π_{j = 1}^{L} δ_{j}

(2)设定超参数

的初始值；对于所有的j(j＝1，...，L)，m_j＝0，λ_j＝1，ρ_j可以取3～20之间的任意数，W_j＝10·I，I为单位矩阵，v_j可以取1～100之间的任意数，α可以取1～10之间的任意数；此外，迭代次数计数变量k＝1；

(3)更新隐变量

的分布，即，

其超参数

的更新公式为：

{\tilde{v}}_{nj 1} = \frac{1}{2} [q (z_{nj} = 1) \cdot 2 + v_{j}],

{\tilde{v}}_{nj 2} = \frac{1}{2} [q (z_{nj} = 1) \cdot < {(x_{n} - μ_{j})}^{T} Λ_{j} (x_{n} - μ_{j}) > + v_{j}],

其中

< {(x_{n} - μ_{j})}^{T} Λ_{j} (x_{n} - μ_{j}) > = \frac{2}{{\tilde{λ}}_{j}} + {\tilde{ρ}}_{j} {(x_{n} - {\tilde{m}}_{j})}^{T} {\tilde{W}}_{j} (x_{n} - {\tilde{m}}_{j});

在首次迭代时计算<(x_n-μ_j)^TΛ_j(x_n-μ_j)>时，

(4)更新随机变量

的分布，即，

q (μ_{j}, Λ_{j}) = N (μ_{j} | {\tilde{m}}_{j}, {\tilde{λ}}_{j} Λ_{j}) W (Λ_{j} | {\tilde{W}}_{j}, {\tilde{ρ}}_{j}),

相应的超参数

的更新公式如下：

{\tilde{λ}}_{j} = λ_{j} + Σ_{n = 1}^{N} q (z_{nj} = 1) \cdot < u_{nj} >,

{\tilde{m}}_{j} = \frac{1}{{\tilde{λ}}_{j}} (λ_{j} m_{j} + Σ_{n = 1}^{N} q (z_{nj} = 1) \cdot < u_{nj} > \cdot x_{n}),

{\tilde{ρ}}_{j} = ρ_{j} + Σ_{n = 1}^{N} q (z_{nj} = 1),

{\tilde{W}}_{j}^{- 1} = W_{j}^{- 1} + λ_{j} m_{j} m_{j}^{T} + Σ_{n = 1}^{N} q (z_{nj} = 1) \cdot < u_{nj} > \cdot x_{n} \cdot x_{n}^{T} - {\tilde{λ}}_{j} {\tilde{m}}_{j} {\tilde{m}}_{j}^{T},

其中，

< u_{nj} > = {\tilde{v}}_{nj 1} / {\tilde{v}}_{nj 2};

(5)更新随机变量的分布，即，

相应的超参数的更新公式为：

{\tilde{β}}_{j 1} = 1 + Σ_{n = 1}^{N} q (z_{nj} = 1),

{\tilde{β}}_{j 2} = α + Σ_{n = 1}^{N} Σ_{i = j + 1}^{L} q (z_{ni} = 1);

(6)更新隐变量

的分布

q (z_{n}) = Π_{j = 1}^{L} {(\frac{{\tilde{γ}}_{nj}}{Σ_{j^{'} = 1}^{L} {\tilde{γ}}_{{nj}^{'}}})}^{z_{nj}}

其中

{\tilde{γ}}_{nj} = \exp {Σ_{i = 1}^{j - 1} < \log (1 - V_{i}) + < \log V_{i} > + [\frac{1}{2} < \log | Λ_{j} | - < \log u_{nj} > - \frac{1}{2} < u_{nj} > \cdot < {(x_{n} - μ_{j})}^{T} Λ_{j} (x_{n} - μ_{j}) >]},

在上式中，各项期望<·>的计算公式如下：

< \log V_{i} > = \frac{Γ {({\tilde{β}}_{j 1})}^{'}}{Γ ({\tilde{β}}_{j 1})} - \frac{Γ {({\tilde{β}}_{j 1} + {\tilde{β}}_{j 2})}^{'}}{Γ ({\tilde{β}}_{j 1} + {\tilde{β}}_{j 2})},

< \log (1 - V_{i}) > = \frac{Γ {({\tilde{β}}_{j 2})}^{'}}{Γ ({\tilde{β}}_{j 2})} - \frac{Γ {({\tilde{β}}_{j 1} + {\tilde{β}}_{j 2})}^{'}}{Γ ({\tilde{β}}_{j 1} + {\tilde{β}}_{j 2})},

< \log u_{nj} > = \frac{Γ {({\tilde{v}}_{nj 1})}^{'}}{Γ ({\tilde{v}}_{nj 1})} - \log {\tilde{v}}_{nj 2},

< \log | Λ_{j} | > = Σ_{d = 1}^{2} Γ {(\frac{{\tilde{ρ}}_{j} + 1 - d}{2})}^{'} / Γ (\frac{{\tilde{ρ}}_{j} + 1 - d}{2}) + \log | {\tilde{W}}_{j} | + 2 \log 2,

其中Γ(·)为标准的gamma函数，Γ(·)′为标准gamma函数的导数；此外，<(x_n-μ_j)^TΛ_j(x_n-μ_j)>和<u_nj>的计算方法已分别在步骤(3)和步骤(4)给出；

(7)更新自由度参数

即，解如下含有v_j的方程：

1 + \frac{1}{Σ_{n = 1}^{N} q (z_{nj} = 1)} Σ_{n = 1}^{N} q (z_{nj} = 1) [< \log u_{nj} > - < u_{nj} >] + \log (\frac{v_{j}}{2}) - \frac{Γ^{'} (v_{j} / 2)}{Γ (v_{j} / 2)} = 0,

可以选用常用的数值计算方法，如牛顿法，快速地获得此方程的解v_j；

(8)计算当前迭代后的似然值LIK_k，k为当前的迭代次数：

{LIK}_{k} = Σ_{n = 1}^{N} Σ_{j = 1}^{L} {q (z_{nj} = 1) \cdot [Σ_{i = 1}^{j - 1} < \log (1 - V_{i}) > + < \log V_{i} > + (\frac{1}{2} < \log | Λ_{j} | >

- < \log u_{nj} > - \frac{1}{2} < u_{nj} > \cdot < {(x_{n} - μ_{j})}^{T} Λ_{j} (x_{n} - μ_{j}) >)]}

(9)计算当前迭代后与上一次迭代后的似然值的差值ΔLIK＝LIK_k-LIK_k-1；如果ΔLIK≤δ，那么参数估计过程结束，否则转到步骤(3)，k的值增加1，继续进行下一次的迭代；阈值δ的取值范围为10^-5～10^-4。

(10)判决：将与每个采样点n相关的q(z_nj＝1)，j＝1，...，L中的最大值所对应的序号作为该采样点x_n所最终分配到的类C_n，即

C_{n} = {i = \underset{j}{\arg \max} q (z_{nj} = 1)},

从而完成盲检测过程。

在所述的通信***中基于无限成分数的t混合模型的调制信号的盲检测方法中，所述的L为实际操作过程中近似代表∞的一个较大的数，其可以取10～30之间的任意正整数。

本发明的优点和效果在于：

1.本发明中所采用的无限成分数的t混合模型的结构具有很强的灵活性，能够根据接收到的调制信号在星座图空间中的具体分布来自动地调节模型的最优结构，从而自动确定出合适的成分数目，进而可以自动判断出当前的调制方式，使得通信***的智能性大大提高。

2.本发明中所采用的无限成分数的t混合模型中每个成分的分布函数采用的是t分布来建模的，它的优点是，与传统的模型中采用的高斯分布函数相比，t分布对调制信号中由于信道条件恶劣以及接收机自身所引起而出现野值点和噪声具有更强的鲁棒性，从而提高了盲检测的性能。

本发明的其他优点和效果将在下面继续描述。

附图说明

图1——无限成分数的t混合模型(itMM)的结构图。

图2——本发明的方法流程图。

图3——4QAM调制信号的盲检测结果

图4——8PSK调制信号的盲检测结果

具体实施方式

下面结合附图和实施例，对本发明所述的技术方案作进一步的阐述。

为了解决基于GMM的统计模型在盲检测中对野值点的鲁棒性较差，以及GMM中的混合成分数需要预先设定，而在实际应用中，由于通信***的协议存在多种发送模式，使得该成分数的最优值难以获得等问题，这里采用的是具有无限成分数的t混合模型(itMM)。与GMM相比，itMM具有两个显著不同的特点：首先，itMM具有无限的混合成分数目，其次，itMM中每个成分服从t分布。设接收到的调制信号为

其中，接收信号的每个采样点x_n为星座图空间中的一个二维矢量(包含同相分量和正交分量)，而N为信号采样点的数目。那么，采用itMM的对其概率密度进行描述的表达式如下：

p (X) = Π_{n = 1}^{N} Σ_{j = 1}^{\infty} π_{j} (V) \cdot (x_{n} | μ_{j}, Λ_{j}, v_{j}) - - - (1)

其中，π_j(V)，μ_j，Λ_j，v_j分别表示第j个混合成分的权值，均值，协方差矩阵和自由度参数。t(x_n|μ_j，Λ_j，v_j)为t分布的概率密度函数，其可以表示为

t (x_{n} | μ_{j}, Λ_{j}, v_{j}) = {&Integral;}_{0}^{\infty} N (x_{n} | μ_{j}, u_{ij} Λ_{j}) Gam (u_{nj} | v_{j} / 2, v_{j} / 2) {du}_{nj} - - - (2)

其中N(·)和Gam(·)分别代表Gaussian分布函数和Gamma分布函数，u_nj为与x_n和第j个混合成分相关的隐变量。权值π_j(V)满足

其表达式为：

π_{j} (V) = V_{j} \cdot Π_{i = 1}^{j - 1} (1 - V_{i}) - - - (3)

上式中变量V_j服从Beta分布，即p(V_j)＝Beta(V_j|1，α)，α为该Beta分布的超参数。此外，μ_j，Λ_j服从联合Gaussian-Wishart分布(即高斯分布与Wishart分布的乘积，N(·)W(·))：

p(μ_j，Λ_j)＝N(μ_j|m_j，λ_jΛ_j)W(Λ_j|W_j，ρ_j) (4)

其中

为该联合Gaussian-Wishart分布的超参数。m_j为二维列矢量，λ_j和ρ_j是标量，W_j为一个(2×2)的矩阵。此外，在本模型中还需要引入一个隐变量

其中z_n指示当前的数据x_n是由无限数目的t混合模型中的哪个成分产生的。当x_n是由第j个混合成分产生时，z_nj＝1。基于以上所述，itMM的结构如图1所示，其中随机变量用空心圆圈表示，超参数用实心圆点表示，整个模型的超参数为：

{m_{j}, λ_{j}, W_{j}, ρ_{j}, v_{j}}_{j = 1}^{\infty}, α .

由于无穷大“∞”在计算时无法精确表示，在实际操作过程中通常用一个较大的数L来近似代表∞。L的取值较为灵活，在本发明中L通常取大于10小于30的任意正整数。

图2为本发明的方法流程图。基于上述对于itMM的定义，本发明基于该模型对调制信号进行盲检测的步骤如下：

(1)产生N个服从[1，L]区间上均匀分布的随机整数，统计该区间上各整数出现的概率。即，如果产生了N_j个整数j，那么δ_j＝N_j/N。对于每个x_n，对应的隐变量z_n的初始分布为

q (z_{n}) = Π_{j = 1}^{L} q (z_{nj} = 1) = Π_{j = 1}^{L} δ_{j} - - - (5)

其中q(z_nj＝1)表示当前采样点x_n由具有无限成分数的t混合模型中的第j个成分产生的概率。

(2)设定超参数的初始值，迭代次数计数变量k＝1；

具体地，对于所有的混合成分j(j＝1，...，L)来说，m_j＝0(0为三维零矢量)，λ_j＝1，ρ_j可以取3～20之间的任意数，W_j＝10·I(I为单位矩阵)，v_j可以取1～100之间的任意数，α可以取1～10之间的任意数。

(3)更新隐变量

的分布，其仍然服从Gamma分布，即

其超参数

的更新公式为：

{\tilde{v}}_{nj 1} = \frac{1}{2} [q (z_{nj} = 1) \cdot 2 + v_{j}],

(6)

{\tilde{v}}_{nj 2} = \frac{1}{2} [q (z_{nj} = 1) \cdot < {(x_{n} - μ_{j})}^{T} Λ_{j} (x_{n} - μ_{j}) > + v_{j}],

其中

< {(x_{n} - μ_{j})}^{T} Λ_{j} (x_{n} - μ_{j}) > = \frac{2}{{\tilde{λ}}_{j}} + {\tilde{ρ}}_{j} {(x_{n} - {\tilde{m}}_{j})}^{T} {\tilde{W}}_{j} (x_{n} - {\tilde{m}}_{j}) . - - - (7)

需要注意的是，在首次迭代(k＝1)中计算式(7)时，

(4)更新随机变量的分布，其仍然服从联合Gaussian-Wishart分布，即

q (μ_{j}, Λ_{j}) = N (μ_{j} | {\tilde{m}}_{j}, {\tilde{λ}}_{j} Λ_{j}) W (Λ_{j} | {\tilde{W}}_{j}, {\tilde{ρ}}_{j}),

相应的超参数

的更新公式如下：

{\tilde{λ}}_{j} = λ_{j} + Σ_{n = 1}^{N} q (z_{nj} = 1) \cdot < u_{nj} >,

{\tilde{m}}_{j} = \frac{1}{{\tilde{λ}}_{j}} (λ_{j} m_{j} + Σ_{n = 1}^{N} q (z_{nj} = 1) \cdot < u_{nj} > \cdot x_{n}),

(8)

{\tilde{ρ}}_{j} = ρ_{j} + Σ_{n = 1}^{N} q (z_{nj} = 1),

{\tilde{W}}_{j}^{- 1} = W_{j}^{- 1} + λ_{j} m_{j} m_{j}^{T} + Σ_{n = 1}^{N} q (z_{nj} = 1) \cdot < u_{nj} > \cdot x_{n} \cdot x_{n}^{T} - {\tilde{λ}}_{j} {\tilde{m}}_{j} {\tilde{m}}_{j}^{T}

其中

< u_{nj} > = {\tilde{v}}_{nj 1} / {\tilde{v}}_{nj 2} - - - (9)

(5)更新随机变量

的分布，其仍然服从Beta分布，即

相应的超参数

的更新公式为：

{\tilde{β}}_{j 1} = 1 + Σ_{n = 1}^{N} q (z_{nj} = 1),

(10)

{\tilde{β}}_{j 2} = α + Σ_{n = 1}^{N} Σ_{i = j + 1}^{L} q (z_{ni} = 1)

(6)更新隐变量的分布

q (z_{n}) = Π_{j = 1}^{L} {(\frac{{\tilde{γ}}_{nj}}{Σ_{j^{'} = 1}^{L} {\tilde{γ}}_{{nj}^{'}}})}^{z_{nj}} - - - (11)

其中

{\tilde{γ}}_{nj} = \exp {Σ_{i = 1}^{j - 1} < \log (1 - V_{i}) + < \log V_{i} > + [\frac{1}{2} < \log | Λ_{j} | - < \log u_{nj} > - \frac{1}{2} < u_{nj} > \cdot < {(x_{n} - μ_{j})}^{T} Λ_{j} (x_{n} - μ_{j}) >]} - - - (12)

在式(12)中，各项期望<·>的计算公式如下：

< \log V_{i} > = \frac{Γ {({\tilde{β}}_{j 1})}^{'}}{Γ ({\tilde{β}}_{j 1})} - \frac{Γ {({\tilde{β}}_{j 1} + {\tilde{β}}_{j 2})}^{'}}{Γ ({\tilde{β}}_{j 1} + {\tilde{β}}_{j 2})},

< \log (1 - V_{i}) > = \frac{Γ {({\tilde{β}}_{j 2})}^{'}}{Γ ({\tilde{β}}_{j 2})} - \frac{Γ {({\tilde{β}}_{j 1} + {\tilde{β}}_{j 2})}^{'}}{Γ ({\tilde{β}}_{j 1} + {\tilde{β}}_{j 2})},

(13)

< \log u_{nj} > = \frac{Γ {({\tilde{v}}_{nj 1})}^{'}}{Γ ({\tilde{v}}_{nj 1})} - \log {\tilde{v}}_{nj 2},

< \log | Λ_{j} | > = Σ_{d = 1}^{2} Γ {(\frac{{\tilde{ρ}}_{j} + 1 - d}{2})}^{'} / Γ (\frac{{\tilde{ρ}}_{j} + 1 - d}{2}) + \log | {\tilde{W}}_{j} | + 2 \log 2,

其中Γ(·)为标准gamma函数，Γ(·)′为标准gamma函数的导数。另外<u_nj>和<(x_n-μ_j)^TΛ_j(x_n-μ_j)>的计算方法已由式(7)和式(9)给出。

(7)更新自由度参数具体来说，解如下含有v_j的方程。

1 + \frac{1}{Σ_{n = 1}^{N} q (z_{nj} = 1)} Σ_{n = 1}^{N} q (z_{nj} = 1) [< \log u_{nj} > - < u_{nj} >] + \log (\frac{v_{j}}{2}) - \frac{Γ^{'} (v_{j} / 2)}{Γ (v_{j} / 2)} = 0 - - - (14)

其中<u_nj>和<logu_nj>分别见式(9)和式(13)。这里可以选用常用数值计算方法(如牛顿法)获得此方程的解v_j。

(8)计算当前迭代后的似然值LIK_k(k为当前的迭代次数)：

{LIK}_{k} = Σ_{n = 1}^{N} Σ_{j = 1}^{L} {q (z_{nj} = 1) \cdot [Σ_{i = 1}^{j - 1} < \log (1 - V_{i}) > + < \log V_{i} > + (\frac{1}{2} < \log | Λ_{j} | >

(15)

- < \log u_{nj} > - \frac{1}{2} < u_{nj} > \cdot < {(x_{n} - μ_{j})}^{T} Λ_{j} (x_{n} - μ_{j}) >)]}

式(15)中所涉及到的期望<·>的计算见式(7)，式(9)和式(13)。

(9)计算当前迭代后与上一次迭代后的似然值的差值ΔLIK＝LIK_k-LIK_k-1。如果ΔLIK≤δ，那么参数估计过程终止，否则转到步骤(3)，k的值增加1，继续进行下一次的迭代。阈值δ的取值范围为10^-5～10^-4。

需要附加说明的是，上述步骤中所提到的高斯分布N(·)、Gamma分布Gam(·)、Beta分布Beta(·)、Wishart分布W(·)和gamma函数Γ(·)都是具有标准形式的函数，绝大多数的概率统计书籍和文献资料中都有这些函数的表达式，它们也都是本领域科技人员所熟知和经常需要使用的函数，在实施本发明时只需要查阅相应的概率统计教材或相关的百科介绍即可方便地获得，此处不再一一给出其具体形式。

(10)判决：将每个采样点分配到具有相似特征属性的类中，完成盲检测过程。

具体来说，对于每一个采样点n，其所属的类的判决如下：

C_{n} = {i = \underset{j}{\arg \max} q (z_{nj} = 1)} - - - (16)

也就是说，其所在的类为所有q(z_nj＝1)，j＝1，...，L中的最大值所对应的序号(这里为了描述的方便，假设该序号为i)。

性能评价

为了验证采用了本发明所述的基于无限成分数的t混合模型(itMM)的调制信号的盲检测方法的检测效果，将其与基于传统的高斯混合模型(GMM)，t混合模型(tMM)以及无限成分数的高斯混合模型(iGMM)的检测方法所得到的效果作对比。这里考虑两种情况，即二进制正交幅度调制(4QAM)和8相移键控(8PSK)。当然，需要声明的是，采用本发明提出的方法，在对接收到的调制信号检测前，并不需要知道调制方式。

图3和图4分别给出了4QAM和8PSK下的检测结果。这两幅图中的点表示接收到的调制信号在二维星座图空间中的位置，横坐标和纵坐标分别表示同相分量(In phase component)和正交分量(Quadraturecomponent)。十字形符号表示这两调制方式下发送端信号采样点所处的标准位置，可以看出由于信道传输的多径效应和噪声，使得接收到的信号采样点分布在各个十字形的周围，此外图4的接收信号中还存在着符号间和信道间扰动引起的相位偏移的问题。除了上述情况外，由其它噪声和接收机自身的因素也会引起野值点的存在，它们随机地分布在信号周围。通过各种方法得到的标准位置的估计值用小的空心圆圈表示，其协方差用大的圆圈表示。图3(a)和图4(a)分别为基于GMM方法的检测结果；图3(b)和图4(b)分别为基于tMM方法的检测结果；图3(c)和图4(c)分别为基于iGMM方法的检测结果；图4(d)和图4(d)分别为本发明提出的基于itMM方法的检测结果；从结果中可以明显地看出，本发明的方法可以更好的检测出调制信号，将它们划分到合适的类别中去。注意的是图4中的标准位置的估计值和其真实位置有偏差，这是由于前面所述的相位偏移引起的，在采用本发明提出的方法进行盲检测之后，可以接着采用相应的纠正相位偏移的方法解决此问题。由于纠正相位偏移超出了本发明涉及的范围，此处不再展开描述。此外，从图3中可以看出，GMM，tMM，iGMM和本发明的itMM所得到的类的个数分别为6，5，6，4。也就是说，在调制方式未知的情况下，只有本发明的方法可以正确的获得类的个数，即判别出当前的调制信号是4QAM方式。在图4中也可以得到类似的结论，很容易地判断出调制方式是8PSK。这进一步说明了本发明的方法综合了t分布对接收到的调制信号中的野值点具有鲁棒性以及其具有的无限混合成分可以自适应地确定合适的模型结构，从而确定出调制方式等优点，获得很好的检测性能，使通信***的智能性大大提高。

本发明请求保护的范围并不仅仅局限于本具体实施方式的描述。