CN110798275A

CN110798275A - 一种矿井多模无线信号精确识别方法

Info

Publication number: CN110798275A
Application number: CN201910981429.6A
Authority: CN
Inventors: 王安义; 刘朝阳; 李立
Original assignee: Xian University of Science and Technology
Current assignee: Xian University of Science and Technology
Priority date: 2019-10-16
Filing date: 2019-10-16
Publication date: 2020-02-14

Abstract

本发明属于信号识别技术领域，公开了一种矿井多模无线信号精确识别方法，进行矿井通信信号识别：信号预处理、特征参数提取以及分类器低信噪比下信号的识别；矿井无线信道模型分析：大尺度衰落特性分析及小尺度衰落特性分析；基于高阶累积量的特征提取：构建识别的矿井通信信号的二阶矩和四阶矩、二阶累积量四阶累积量归一化特征量，再对衰落信道对高阶累积量的影响进行分析。本发明解决了普通SVM分类器在低信噪比下低识别率的问题，在一定程度上提高了调制识别性能；在信噪比为‑5的三种信道环境下，四种信号的平均识别率均能达到80％；在信噪比大于‑3的三种信道环境下，四种信号的平均识别率均能达到90％。

Description

一种矿井多模无线信号精确识别方法

技术领域

本发明属于信号识别技术领域，尤其涉及一种矿井多模无线信号精确识别方法。

背景技术

目前，业内常用的现有技术是这样的：

矿井巷道是一个特殊的受限空间，其环境与人防和铁路隧道相比复杂恶劣得多，巷道狭窄，地面粗糙，四周环绕着煤和炭石，还有支架、风门、动力线等。与有线通信不同，无线电波在井下巷道传播时折射与反射现象严重，进而会产生严重的多径衰落现象。

随着无线技术的发展，WiFi、3G、4G、5G等无线技术的普及应用已经对人们生活的各个方面产生了巨大的影响。将无线技术应用到煤炭行业的信息化平台建设中，构建相对统一但又充分考虑各***的独立性和安全性的整体解决方案是非常必要的。WiFi适宜固定场所以及稳定环境下的视频、数据的无线传输，安装布设简单、传输速度高，主要应用于斜巷运输、主副井提升、瓦斯钻场、采掘工作面的视频监控。但是WiFi信号覆盖半径小、穿透能力差，对于复杂、移动、大跨度等环境下的语音、视频和数据的无线传输要求较高或者较难实现[9]。随着4G技术的大规模矿用，井下视频监控、数据采集、信息发布、视频会议等都出现在无线通信***平台上。不久将来5G技术也将用于矿井通信。

煤矿复杂环境下多模无线通信技术并存成为煤矿信息化发展应用的一种必然趋势。未来的煤矿井下无线技术应用发展趋势将是各种无线技术如WiFi、zigbee、3G、4G、5G等技术之间的不断融合，多模自适应的井下无线通信***融合是未来矿井复杂环境下应用发展的方向。采用多模无线自适应的通信技术，利用各自不同无线接入技术的特点实现多种网络的融合，需要适配多模无线通信技术并对井下无线网络环境快速适应建模，以保证井下通信***的稳定性、可靠性和实时性。因此，如何构建矿井复杂环境下多模无线技术自适应匹配与融合是多模无线通信亟待解决的问题。

综上所述，现有技术存在的问题是：当前对信号调制识别的研究大多基于理想化的高斯白噪声的环境下，所提出的方法也只是适应于理想的仿真信道环境对于低信噪比以及复杂信道环境下的信号识别目前缺乏研究。尤其是矿井下巷道空间狭小岩层对电磁波损耗衰减严重，在这种信道环境下准确的识别出信号调制方式尤为重要，但目前还缺乏这方面的研究。

井下频谱资源上异构网络与复杂无线信号动态共存，现有技术在矿井环境的自动调制识别中无法实现准确的多***调制识别融合，且普通SVM分类器在低信噪比下低识别率。

解决上述技术问题的难度：

信号调制方式识别的方法主要有两种，一种是基于似然函数以贝叶斯理论和假设检验为主，另外一种就是以信号特征提取的模式识别为主。对于第一种方法需要大量的先验概率作为支持，而且该方法的计算复杂度和空间复杂度都很高难以在实际中普遍应用。另外，频率偏移、相位偏移等参数估计误差也会造成概率分布函数的偏差，导致其识别性能大大受损。针对这些问题，基于特征的调制方式识别方法应运而生，并且逐渐受到研宄人员的关注。然而该方法特征的选取会决定识别的效果，因此信号有效的特征一直是研究者关注的问题。针对井下复杂的信道环境，由于高斯白噪声的高阶累积量为零因此可以作为强特征。经过对矿下信道的分析我们得出了十分接近井下Nakagami信道和大阴影衰落信道的参数。进一步的理论推理最终推导出了在井下这两种信道下对高阶累积量的影响并以公式呈现。这就为我们的方法提供准确的数据样本和信道模型。

解决上述技术问题的意义：

通过有效特征的选取以及对井下信道模型对特征影响的分析，这对井下信号识别至关重要。前人之所以很少对衰落环境下的信号进行识别研究，其原因在于未能选取有效的信号的特征和缺乏衰落信道对信号特征影响的研究。而本发明是当前第一个给出了在矿井下Nakagami衰落信道和大阴影衰落信道对调制信号高阶累积量的影响并推导出在这两种环境下高阶累积量的公式。这为接下来基于复杂信道下的信号识别工作提供了理论仿真基础。

发明内容

针对现有技术存在的问题，本发明提供了一种矿井多模无线信号精确识别方法。

本发明是这样实现的，一种矿井多模无线信号精确识别方法，包括：

步骤一，矿井通信信号识别：进行信号预处理、特征参数提取以及分类器低信噪比下信号的识别；

步骤二，矿井无线信道模型分析：大尺度衰落特性分析及小尺度衰落特性分析；

步骤三，基于高阶累积量的特征提取：构建识别的矿井通信信号的二阶矩和四阶矩、二阶累积量四阶累积量归一化特征量，再对衰落信道对高阶累积量的影响进行分析。

进一步，步骤一分类器低信噪比下信号的识别方法包括：

第一步，在接收机端接收到信号后预处理，进行变下频滤波降噪；

第二步，矿井下两种衰落信道模型分析，以及两种衰落信道对不同调制方式的高阶累积量分析；

第三步：基于两种衰落信道下信号高阶累积量特征的构造以及提取，选用PSO-SVM分类器、GA-SVM的分类器进行分类。

第三步选用PSO-SVM分类器、GA-SVM的分类器进行分类中，具体包括：

将数据样本集分为测试数据集和训练数据集，使用粒子群算法和遗传算法对训练数据集中SVM的惩罚因子和核函数进行寻优处理，得到优化的SVM模型，并用所述SVM模型对测试集进行测试分类，并使用Matlab平台环境进行仿真。

进一步，所述粒子群算法运行于PSO-SVM分类器，具体步骤包括：

①对粒子群空间的各个粒子进行初始化，包括初始位置信息X和初始速度信息Y，设定的方式采用随机设定；

②将初始位置和速度代入速度和位置迭代公式中，得到各个粒子新的位置信息P_i；

③计算各个粒子的适应度值；

④对于每个粒子，通过适应度值的不同，比较所述适应度值和自身经历过的最优位置P_id的优劣，适应度值更好，则更新该粒子的历史最好位置P_id为粒子的当前位置；

⑤对于每个粒子，通过适应度值的不同，比较适所述应度值和群体的当前全局最好位置P_gd的优劣，自身的适应度值更优，则更新全局最优位置P_gd为粒子的当前位置；

⑥根据粒子位置更新公式和速度更新公式，更新每个粒子的新位置和新速度；

⑦循环执行，直到达到最够好的位置或者迭代次数，满足结束条件时，结束计算过程，得到P_id和P_gd，否则跳转到步骤③继续迭代执行。

进一步，所述遗传算法运行于GA-SVM的分类器，具体包括：

进行参数搜索时选取适应度函数：

F＝100r,0≤r≤1；

适应度函数分类正确率，优化目标为最大化形式：

其中，为SVM的分类正确率，对支持向量机的参数C和进行编码以搜索最优的分类器模型参数。

进一步，步骤二中，大尺度衰落特性分析的方法包括：

信号的平均接收功率随距离的增大呈对数衰减，对任意的收发天线之间的距离d，路径损耗PL(d)利用随机正态对数分布表示：

其中，是参考距离；PL(d)服从对数正态分布的随机变量；阴影衰落S(d)是一个服从正态分布的随机变量，均值为零，并且，PL(d)是以

为均值、为方差的正态分布的随机变量。

小尺度衰落特性分析包括：Nakagami衰落信道分析：

传输信号经过短距离或者短时间传播后，信道的强度急剧变化；在不同的多径信号上，存在着时变的多普勒频移引起的随机频率调制；多径传播时延引起的拓展。

进一步，步骤三中，构建识别的矿井通信信号的二阶矩和四阶矩、二阶累积量四阶累积量归一化特征量中，对于一个零均值的k阶平稳随机过程x(t)，k阶累积量的定义为：

C_kx(f₁,f₂,…f_k-1)＝Cum(x(t),x(t+f₁),…x(t+f_k-1))；

平稳随机复信号的累积量定义为：

C₂₀＝Cum(X,X)＝M₂₀

C₂₁＝Cum(X,X^*)＝M₂₁

对Nakagami衰落信道对高阶累积量的影响进行分析中，

Nakagami衰落信道的概率密度函数为：

二阶矩、四阶矩以及六阶矩如下表示：

E(R²)＝Ω；

进一步，步骤三中，衰落信道为大尺度衰落信道，由阴影衰落引起，阴影衰落的概率密度函数如下所示：

二阶矩、四阶矩以及六阶矩如下表示：

本发明的另一目的在于提供一种所述矿井多模无线信号精确识别方法矿井多模无线信号精确识别***，所述矿井多模无线信号精确识别***包括：

矿井通信信号识别模块：用于进行信号预处理、特征参数提取以及分类器低信噪比下信号的识别；

矿井无线信道模型分析模块：与矿井通信信号识别模块连接，用于大尺度衰落特性分析及小尺度衰落特性分析；

基于高阶累积量的特征提取模块：与矿井无线信道模型分析模块连接，用于构建识别的矿井通信信号的二阶矩和四阶矩、二阶累积量四阶累积量归一化特征量，再衰落信道对高阶累积量的影响进行分析。

本发明的另一目的在于提供一种实现所述矿井多模无线信号精确识别方法的信息数据处理终端。

本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的矿井多模无线信号精确识别方法。

综上所述，本发明的优点及积极效果为：

本发明基于矿下两种信道环境下的高阶累积量的计算第一次提出。以支持向量机(SVM)作为分类器，以信号的四阶累积量作为SVM的输入，实现对BPSK、OFDM、16QAM和64QAM四种信号的分类识别。本发明的优化SVM分类识别的方法解决了普通SVM分类器在低信噪比下低识别率的问题，在一定程度上提高了调制识别性能。

本发明使用Matlab平台环境进行仿真，仿真结果表明，在信噪比为-5的三种信道环境下，四种信号的平均识别率均能达到80％以上；在信噪比大于-3的三种信道环境下，四种信号的平均识别率均能达到90％以上。

现有技术并没有考虑井下环境，本发明首次分析井下环境，用硬件设备进行去实地测试，为井下信号识别提供一个理论可行的解决的方案。

附图说明

图1是本发明实施例提供的本发明实施例提供的矿井多模无线信号精确识别方法流程图。

图2是本发明实施例提供的信号识别原理图。

图3是本发明实施例提供的小尺度衰落模型Nakagami衰落信道示意图。

图4是本发明实施例提供的Nakagami下四阶累积量随噪声变化值示意图。

图5是本发明实施例提供的阴影衰落下四阶累积量随噪声变化值示意图。

图6是本发明实施例提供的粒子群法流程框图。

图7是本发明实施例提供的Nakagami测试集的实际分类和预测分类示意图。

图8是本发明实施例提供的阴影衰落测试集的实际分类和预测分类示意图。

图9是本发明实施例提供的GA-SVM算法流程图。

图10是本发明实施例提供的Nakagami测试集的实际分类和预测分类示意图。

图11是本发明实施例提供的阴影衰落测试集的实际分类和预测分类示意图。

图12是本发明实施例提供的PSO-SVM和GA-SVM在不同信道下的识别率对比图。

图13是本发明实施例提供的本发明实施例提供的矿井多模无线信号精确识别***示意图。

图中：1、矿井通信信号识别模块；2、矿井无线信道模型分析模块；3、基于高阶累积量的特征提取模块。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

井下频谱资源上异构网络与复杂无线信号动态共存，现有技术无法实现准确的多***调制识别融合，且普通SVM分类器在低信噪比下存在低识别率。现有技术矿井环境基于PSO-SVM、GA-SVM的自动调制识别中，通信信号调制方式的多样化和复杂化对信号调制方式的识别准确率低。

为解决上述技术问题，下面结合附图对本发明作详细说明。

如图1所示，本发明实施例提供的矿井多模无线信号精确识别方法，包括：

S101，矿井通信信号识别：进行信号预处理、特征参数提取以及分类器低信噪比下信号的识别。

S102，矿井无线信道模型分析：大尺度衰落特性分析及小尺度衰落特性分析。

S103，基于高阶累积量的特征提取：构建识别的矿井通信信号的二阶矩和四阶矩、二阶累积量四阶累积量归一化特征量，再对衰落信道对高阶累积量的影响进行分析。

步骤S101分类器低信噪比下信号的识别方法包括：

第一步，在接收机端接收到信号后预处理，进行变下频滤波降噪。

第二步，矿井下两种衰落信道模型分析，以及两种衰落信道对不同调制方式的高阶累积量分析。

下面结合具体实施例对本发明的技术方案与技术效果做进一步说明。

实施例1：

本发明实施例提供的本发明实施例提供的矿井多模无线信号精确识别方法包括：

1)、矿井通信信号识别

对信号进行调制识别，基本上都是经过信号预处理、特征参数提取以及分类器设计这三个部分。调制识别算法的基本流程图如图2所示。

在信号预处理阶段主要是进行信号的下变频处理、同相与正交分量的消除和载波分量消除等；特征参数提取主要进行依据信号不同的调制方式，根据所处环境的不同，不同信号的特性，因而依据这些特性对信号进行分类识别；一般的分类器设计主要包括基于模式识别的和依据先验概率的，目前常用的分类器是SVM分类器、BP分类器以及决策树分类器等。

2)、矿井无线信道模型分析

①大尺度衰落特性分析

矿井巷道大尺度衰落是由于电磁波在传播过程中受到巷道壁、相关设备等大型障碍物阻挡以及收发天线间大距离波动，引起的“阴影效应”导致的，反映了收发设备之间较大距离之间的信号场强缓慢的变化的过程。

一般情况下，大尺度衰落受时间、传播距离以及载波频率等条件的影响，而在实际过程中，一般忽略距离和载波的影响，在理论分析和实测的传输模型中，可以得出，信号的平均接收功率随距离的增大呈对数衰减，对任意的收发天线之间的距离d，路径损耗PL(d)可以利用随机正态对数分布表示：

其中，是参考距离(一般取值1m)；PL(d)是一个服从对数正态分布的随机变量。阴影衰落S(d)是一个服从正态分布的随机变量，其均值为零，方差为。这表明PL(d)是以

为均值、为方差的正态分布的随机变量。

②小尺度衰落特性分析

小尺度衰落由无线信道的多径传播导致，主要表现的效应有：传输信号经过短距离或者短时间传播后，信道的强度急剧变化；在不同的多泾信号上，存在着时变的多普勒频移引起的随机频率调制；多径传播时延引起的拓展。

如图3所示，在矿井环境下，最明显的小尺度衰落模型Nakagami衰落信道就是一个很典型的例子。

Nakagami分布随着m值的改变，控制着多泾信号的幅度衰落情况，m越小，衰落程度越深。当m＝0.5时，它可以将为单边高斯情况，m＝1时，可以转换为瑞利分布。当0.5＜m＜1时，多径衰落比瑞利衰落严重；当m＝1时，信道衰落情况为瑞利衰落；当m＞1时，信道衰落情况好于瑞利衰落

3)、基于高阶累积量的特征提取

3.1)高阶累积量理论分析

因为发送信号和高斯白噪声是相互独立的，并且高斯信号二阶以上的累积量为0，所以接收信号二阶以上的累积量将不受高斯白噪声的影响，也正因为这样，越来越多的人将高阶累积量作为特征参数用于调制信号的识别算法中.

对于一个零均值的k阶平稳随机过程x(t)，其k阶累积量的定义为：

C_kx(f₁,f₂,…f_k-1)＝Cum(x(t),x(t+f₁),…x(t+f_k-1))。

平稳随机复信号的累积量定义为：

C₂₀＝Cum(X,X)＝M₂₀

C₂₁＝Cum(X,X^*)＝M₂₁

因为归一化能够提高SVM分类精度且能够避免噪声和接收信号的功率对识别的影响，本发明实施例构建如下归一化特征量：

各个信号的二阶矩和四阶矩、二阶累积量四阶累积量如下表所示：

表1信号的二阶累积量四阶累积量

	C<sub>20</sub>	C<sub>21</sub>	C<sub>40</sub>
				BPSK	1	1	-2
16QAM	0	1	-0.68
				64QAM	0	1	-0.619
OFDM	0	1	0

3.2)衰落信道对高阶累积量的影响

3.2.1)Nakagami衰落信道

Nakagami衰落信道对信号的二阶以及四阶累积量的影响，Nakagami信道的概率密度函数为：

二阶矩、四阶矩以及六阶矩如下表示：

E(R²)＝Ω。

依据前人对矿井环境的研究，基于实测数据分析得出，当m＝0.85，Ω＝1时，更接近矿井环境，以下就是对Nakagami衰落信道下信号四阶累积量随噪声比的变化，由仿真结果可以得出：当信噪比大于0dB时，信号四阶累积量的波动较小，信号的四阶累积量值均接近于分析的理论值；当信噪比小于0dB时，信号的四阶累积量仿真波动较大，且16QAM和64QAM信号的四阶累积量差异较小。

表2 m＝0.85，Ω＝1信号的四阶累积量

	BPSK	16QAM	64QAM	OFDM
					C<sub>40</sub>	-0.824	-1.48	-1.35	0

Nakagami下四阶累积量随噪声变化值示意图如图4所示。

3.2.2)大尺度衰落信道

矿井巷道的大尺度衰落比较复杂，考虑因素较多，现假设此衰落主要是由阴影衰落引起的，阴影衰落的概率密度函数如下所示：

二阶矩、四阶矩以及六阶矩如下表示：

依据前人对矿井环境的研究，基于实测数据分析得出，当μ＝0，σ＝1.1时，更接近矿井环境，以下就是对阴影衰落信道下信号四阶累积量随噪声比的变化，由仿真结果可以得出：当信噪比大于0dB时，信号四阶累积量的波动较小，信号的四阶累积量值均接近于分析的理论值；当信噪比小于0dB时，信号的四阶累积量仿真波动较大，且16QAM和64QAM信号的四阶累积量差异较小。

表3 μ＝0，σ＝1.1信号的四阶累积量

	BPSK	16QAM	64QAM	OFDM
					C<sub>40</sub>	15615.09	-10876.26	-9900.59	0

阴影衰落下四阶累积量随噪声变化值示意图如图5所示。

4)下面结合仿真分析对本发明作进一步描述。

由于普通SVM分类器算法在低信噪比下，识别效果不理想，本发明针对低信噪比下信号的低识别率问题，引入粒子群优化算法和遗传优化算法优化SVM参量，即对惩罚因子以及核函数参数进行寻优处理，并通过仿真实验进行验证，最后对两种算法的识别效果进行对比分析。

4.1)粒子群算法

4.1.1)PSO-SVM分类器设计

粒子群算法的实现步骤如下：

③计算各个粒子的适应度值；

④对于每个粒子，通过适应度值的不同，比较它和自身经历过的最优位置P_id的优劣，假设它的适应度值更好，则更新该粒子的历史最好位置P_id为粒子的当前位置；

⑤对于每个粒子，通过适应度值的不同，比较它和群体的当前全局最好位置P_gd的优劣，假设自身的适应度值更优，则更新全局最优位置P_gd为粒子的当前位置；

⑥根据粒子位置更新公式和速度更新公式，来更新每个粒子的新位置和新速度；

⑦循环执行，直到达到最够好的位置或者迭代次数，即满足结束条件时，结束计算过程，得到P_id和P_gd，否则跳转到步骤③继续迭代执行。

整个算法的结构框图如图6所示。

4.1.2)仿真实验及结果分析

(1)仿真条件

实验对象：BPSK信号、16QAM信号、64QAM信号、OFDM信号。

仿真参数设定：假设Nakagami衰落信道下的m值为0.85，值为1；阴影衰落下的值为0，sigma值取1。OFDM信号有128个子载波，循环长度为32，每个子载波上采用的调制方式为QPSK。噪声源选取高斯白噪声。

SVM参数设置：选取高斯径向基核为核函数，二叉树分类方法。

PSO参数设置：最大迭代次数200，种群大小20，初始权重ω_max＝0.9，最终权重ω_min＝0.4，学习因子c₁＝1.5、c₂＝1.7，惩罚因子C和的搜索区间分别为[1,100]和[0,0.1]，适应度函数为SVM分类器的识别准确率。

(2)仿真实验

实验：信噪比的取值区间为[-5dB，5dB]，变化步长为2dB，在各信噪比下分别随机产生每类数字信号各200个，并将数据集中的数据进行归一化的处理。以信号的四阶累积量为特征集，作为SVM的输入，选取每个信号的100个数据做训练集，即训练数据为4*100，按照同样的方式构造测试数据集为4*100.得到三种不同信道下信号的准确识别率如下表所示：

表4Nakagami衰落信道下的识别率

信号	-5dB	-3dB	-1dB	1dB	≥3dB
						BPSK	99.57％	100％	100％	100％	100％
16QAM	67.33％	90.45％	96.07％	100％	100％
						64QAM	62.68％	89.57％	94.03％	99.51％	100％
OFDM	97.94％	100％	100％	100％	100％
						平均识别率	81.88％	90.01％	95.05％	99.51％	100％

表5阴影衰落下的识别率

信号	-5dB	-3dB	-1dB	≥1dB
					BPSK	100％	100％	100％	100％
16QAM	84.93％	91.78％	100％	100％
					64QAM	81.29％	90.28％	96.54％	100％
OFDM	100％	100％	100％	100％
					平均识别率	83.11％	91.03％	96.54％	100％

Nakagami衰落信道基于PSO-SVM分类器在-1dB下的分类仿真图，如图7所示。

阴影衰落基于PSO-SVM分类器在-1dB下的分类仿真图以及适应度函数如图8所示。

4.2)遗传算法

4.2.1GA-SVM的分类器实现

支持向量机的核函数和惩罚因子对构造一个良好分类能力的分类器具有重要的作用，本发明将遗传算法引入到支持向量机分类器的构造训练过程中，基本思想是结合遗传算法的搜索特性和支持向量机的优良性能。

使用的核函数为高斯核函数

由此，SVM问题可转换为下述问题：

式中Q为半正定矩阵，其元素为：

Q_ij＝y_iy_jK(x_i-x_j)

则决策函数为：

遗传优化算法进行优化的依据是适应度函数，适应度函数是个体空间χ到实数空间R的一个映射F：。可以证明遗传算法能够依概率收敛到解空间中的最优解。这里一个个体代表支持向量机算法的一组参数，个体对应的适应度函数则是该组参数下的算法性能。采用遗传算法进行参数搜索时选取适应度函数：

F＝100r,0≤r≤1

即适应度函数分类正确率，优化目标为最大化形式：

s.t.C_low≤C≤C_up

γ_low≤γ≤γ_up

其中，为SVM的分类正确率，对支持向量机的参数C和进行编码以搜索最优的分类器模型参数。遗传算法虽然不一定得到最优解，但可以在较短时间内得到满意解。

GA-SVM的算法流程如图9所示。

4.2.2)GA的仿真实验及结果分析

(1)仿真条件

实验对象：BPSK信号、16QAM信号、64QAM信号、OFDM信号。

GA参数设置：进化次数200，种群规模为20，交叉概率为0.4，变异概率为0.01，惩罚因子C和的搜索区间分别为[1,100]和[0,0.1]，适应度函数为SVM分类器的识别准确率。

(2)仿真实验

实验一：信噪比的取值区间为[-5dB，20dB]，变化步长为1dB，在各信噪比下分别随机产生每类数字信号各200个，并将数据集中的数据进行归一化的处理。以信号的四阶累积量为特征集，作为SVM的输入，选取每个信号的100个数据做训练集，即训练数据为4*100，按照同样的方式构造测试数据集为4*100。得到三种不同信道下信号的准确识别率如下表所示：

表6 Nakagami衰落信道下的识别率

信号	-5dB	-3dB	-1dB	1dB	≥3dB
						BPSK	99.5％	100％	100％	100％	100％
16QAM	65.52％	90.06％	97.67％	99.5％	100％
						64QAM	62.24％	88.06％	91.43％	98.52％	100％
OFDM	98.02％	100％	100％	100％	100％
						平均识别率	81.32％	89.60％	94.55％	99.01％	100％

表7阴影衰落下的识别率

信号	-5dB	-3dB	-1dB	≥1dB
					BPSK	100％	100％	100％	100％
16QAM	85.03％	91.58％	98.17％	100％
					64QAM	82.29％	89.6％	94.89％	100％
OFDM	100％	100％	100％	100％
					平均识别率	83.66％	90.59％	96.53％	100％

信号在大于等于10dB以上的情况下，信号的识别率均达到的百分百的识别率，因此，在高信噪比下，用GA-SVM分类器的优势体现不完全。

Nakagami衰落信道基于GA-SVM分类器在-1dB下的分类仿真图以及适应度函数如图11所示。

阴影衰落基于GA-SVM分类器在-1dB下的分类仿真图以及适应度函数如图12所示。

4.3)GA算法和PSO算法比较

将PSO-SVM分类器和GA-SVM分类器在相同的仿真环境下进行比较，可以得出如下的仿真结果，从结果中可以得出：不论是PSO-SVM分类器还是GA-SVM分类器，他们都较常规SVM分类器的分类效果有了明显提升，以下就是对他们的优缺点进行对比分析。

相同点：1.PSO-SVM分类器和GA-SVM分类器都属于仿生算法。PSO主要是模拟鸟类觅食、人类认知等社会行为而提出的，而GA主要借助于生物进化中“适者生存”的规律。

PSO-SVM分类器和GA-SVM分类器都属于全局优化算法。在解空间都随机产生初始种群，因而算法在全局的解空间进行搜索，且搜索的重点多集中在性能高的部分。

根据个体的适配信息进行搜索，因此不受函数约束条件的限制。

对高维复杂问题，往往会遇到早收敛和收敛性较差的特点，都无法保证收敛到最优点。

不同点：1.PSO具有记忆特性，会保存之前分类较佳的结果，而GA是无记忆性的，之前的分类结果会随着种群的改变被破坏。

PSO中的粒子仅仅通过当前搜索到最优点进行共享信息，所以很大程度上这是一种单项信息共享机制。而GA中，染色体之间相互共享信息，使得整个种群都向最有区域移动。

GA的编码技术和遗传操作比较简单，而PSO相对于GA,，没有交叉和变异操作，粒子只是通过内部速度进行更新，因此原理更简单、参数更少、实现更容易。

GA算法收敛速度过慢，容易陷入局部最优值:而PSO的收敛速度大大快于GA，这是GA和PSO的最主要的区别。

综合实验论证和以上分析，PSO算法在本发明中，其性能略优于GA算法，且训练时间和测试时间较GA算法用的较少而且可以得到更准确的参数。

如图13所示，本发明提供一种矿井多模无线信号精确识别***包括：

矿井通信信号识别模块1：用于进行信号预处理、特征参数提取以及分类器低信噪比下信号的识别。

矿井无线信道模型分析模块2：与矿井通信信号识别模块连接，用于大尺度衰落特性分析及小尺度衰落特性分析。

基于高阶累积量的特征提取模块3：与矿井无线信道模型分析模块连接，用于构建识别的矿井通信信号的二阶矩和四阶矩、二阶累积量四阶累积量归一化特征量，再衰落信道对高阶累积量的影响进行分析。

下面结合效果对本发明作进一步描述。

本发明主要分析了矿井环境基于PSO-SVM、GA-SVM的自动调制识别算法。通信信号调制方式的多样化和复杂化对信号调制方式的识别显得尤为迫切和重要。SVM属于机器学习的一种方式，由于其具有较强的学习，识别能力，能较好地处理复杂的非线性问题，而且具有较好的稳健性和潜在的容错性，在调制识别中被广泛的应用。本发明提出的基于优化SVM参量的算法，在一定程度上提高了调制识别性能。

本发明分析了矿井环境对信号特征参量的影响，以支持向量机(SVM)作为分类器，以信号的四阶累积量作为SVM的输入，实现对BPSK、OFDM、16QAM和64QAM四种信号的分类识别。针对普通SVM分类器在低信噪比下低识别率的问题，提出优化SVM分类识别的方法。将数据样本集分为测试数据集和训练数据集，使用粒子群算法和遗传算法对训练数据集中SVM的惩罚因子和核函数进行寻优处理，得到优化的SVM模型，并用此模型对测试集进行测试分类。文中使用Matlab平台环境进行仿真，仿真结果表明，在信噪比为-5dB的三种信道环境下，四种信号的平均识别率均能达到80％以上；在信噪比大于-3dB的三种信道环境下，四种信号的平均识别率均能达到90％以上。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。