CN113033486A - 基于广义分形理论的信号特征提取与调制类型识别方法 - Google Patents

基于广义分形理论的信号特征提取与调制类型识别方法 Download PDF

Info

Publication number
CN113033486A
CN113033486A CN202110431459.7A CN202110431459A CN113033486A CN 113033486 A CN113033486 A CN 113033486A CN 202110431459 A CN202110431459 A CN 202110431459A CN 113033486 A CN113033486 A CN 113033486A
Authority
CN
China
Prior art keywords
signal
instantaneous
feature
modulation
standard deviation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110431459.7A
Other languages
English (en)
Other versions
CN113033486B (zh
Inventor
熊刚
陈迪
郁文贤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202110431459.7A priority Critical patent/CN113033486B/zh
Publication of CN113033486A publication Critical patent/CN113033486A/zh
Application granted granted Critical
Publication of CN113033486B publication Critical patent/CN113033486B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明提供了一种基于广义分形理论的信号特征提取与调制类型识别方法，包括：对已调制信号进行基于多重分形谱的信号特征提取以及基于奇异性功率谱的信号特征提取；同时，提取信号的瞬时特征，并通过广义分形谱特征和瞬时特征融合融合，构造特征向量，并采用SVM分类器对信号调制类型进行识别。该方法在提取常见信号特征之外，还提取利用了信号的广义分形谱特征来融合分类的特征向量，再利用SVM分类器进行多分类任务，在低信噪比、非高斯和分形噪声环境下，可更好地提取信号特征，具有更优抗噪声性能和识别率。

Description

基于广义分形理论的信号特征提取与调制类型识别方法
技术领域
本发明涉及一种基于广义分形理论的信号特征提取与调制类型识别方法。
背景技术
通信信号调制识别是通信侦察和通信电子战的核心技术之一。上世纪60年代，斯坦福大学的C.S.Waver等人首先提出了基于模式识别的通信调制类型识别方法，之后的半个多世纪，信号调制识别技术在特征提取和分类器等方面得到广泛研究和发展。在特征提取方面，包括信号幅度、频率、差分相位直方图和幅度、频率方差等特征参数，以及从信号偶数次幂、频谱和包络中提取的特征参数，以及各种时频域、稀疏域特征表示方法，包括最近几年发展起来的基于深度学习的特征提取方法等；在分类器方面，包括传统的对数似然比判决方法、最大似然准则的半盲识别方法、神经网络分类器、基于决策论的方法，以及基于深度学习的分类器。然后在缺乏大量标记样本、计算资源不足等前提，以及在非合作、低信噪比和非高斯噪声环境下，上述方法并不能取得满意的效果。
发明内容
本发明的目的在于提供一种基于广义分形理论的信号特征提取与调制类型识别方法。
为解决上述问题，本发明提供一种基于广义分形理论的信号特征提取与调制类型识别方法，包括：
对已调制信号进行基于多重分形谱的第一信号特征的提取；
对已调制信号进行基于奇异性功率谱的第二信号特征的提取；
对已调制信号进行瞬时特征的提取；
对所述第一信号特征、第二信号特征和瞬时特征进行特征融合，以构造特征向量；
基于所述特征向量对SVM分类器进行训练，得到训练完成的SVM分类器，基于训练完成的SVM分类器对已调制信号进行分类识别。
进一步的，在上述方法中，对已调制信号进行基于多重分形谱的第一信号特征的提取，包括：
选用小波leaders，系数djk定义为：
Figure BDA0003031520700000026
其中， Ijk＝[k2-j，(k+1)2-j)，构造配分函数
Figure BDA0003031520700000021
并定义质量函数为
Figure BDA0003031520700000022
从而有奇异性指数α(q)和多重分形谱f(α)为：
α(q)＝dτωl(q)/dq；
f(α)＝infq[qα(q)-τωl(q)]。
进一步的，在上述方法中，对已调制信号进行基于奇异性功率谱的第二信号特征的提取，包括：
一维连续信号x(t)的奇异性功率谱密度公式为：
Figure BDA0003031520700000023
一维离散信号
Figure BDA0003031520700000024
的奇异性功率谱密度公式为：
Figure BDA0003031520700000025
进一步的，在上述方法中，对已调制信号进行瞬时特征的提取，包括：
取每种已调制信号100个样本进行瞬时特征分析，并作统计平均，通过对信号的瞬时幅值、瞬时相位和瞬时频率分析，来采集包括零中心归一化瞬时幅度功率谱密度的最大值γmm、零中心归一化瞬时幅度绝对值的标准偏差σaa、非弱信号段中心化瞬时相位非线性分量标准偏差σdp、非弱信号段中心化瞬时相位非线性分量标准偏差σap及非弱信号段中心归一化瞬时频率绝对值标准偏差σaf在内的瞬时特征，各值定义如下：
零中心归一化瞬时幅度功率谱密度的最大值γmm：
γmm＝max|FFT[acn(i)]2/Ns|，
式中，Ns为采样点数；acn(i)为瞬时幅度归一化取零为中心的结果，acn(i)由下式计算：
acn(i)＝an(i)-1，
an(i)＝a(i)/m(a)，
Figure BDA0003031520700000031
零中心归一化瞬时幅度绝对值的标准偏差σaa定义为：
Figure BDA0003031520700000032
非弱信号段中心化瞬时相位非线性分量标准偏差σdp定义为：
Figure BDA0003031520700000033
其中，有
Figure BDA0003031520700000034
非弱信号段中心化瞬时相位非线性分量标准偏差σap定义为：
Figure BDA0003031520700000035
非弱信号段中心归一化瞬时频率绝对值标准偏差σaf定义为：
Figure BDA0003031520700000036
式中，fN(i)＝fc(i)/Rb，Rb为符号速率，fc(i)＝f(i)-mf，
Figure BDA0003031520700000041
进一步的，在上述方法中，基于所述特征向量对SVM分类器进行训练之前，还包括：
在进行基于SVM分类器的多分类识别方法中，对m类调制信号设计m个分类器来分别预测不同调制类别的调制信号，对于一个需要分类的调制信号x，选择置信度最大的类别标记为调制信号x的分类结果。
进一步的，在上述方法中，基于所述特征向量对SVM分类器进行训练，包括：
基于所述特征向量并选取线性函数作为核函数，进行一对多的SVM分类器的训练。
与现有技术相比，本发明在融合特征向量时，为综合利用多个维度的信息，提高分类精度，采用特征融合的方式，使得通信侦察信号的特征空间既包含广义分形谱特征，又包含瞬时特征及高阶累积量。本发明提取的特征空间既包含广义分形谱特征，又包含瞬时特征及高阶累积量，可以为基于SVM的信号调制分类提供更有效的特征向量。
附图说明
图1是本发明一实施例的基于广义分形理论的信号特征提取与调制类型识别方法的流程图；
图2为特征向量构建示意图；
图3为多分类问题SVM架构设计示意图；
图4为基于特征融合和SVM的调制识别流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供一种基于广义分形理论的信号特征提取与调制类型识别方法，包括：
对已调制信号进行基于多重分形谱的第一信号特征的提取；
对已调制信号进行基于奇异性功率谱的第二信号特征的提取；
对已调制信号进行瞬时特征的提取；
对所述第一信号特征、第二信号特征和瞬时特征进行特征融合，以构造特征向量；
基于所述特征向量对SVM分类器进行训练，得到训练完成的SVM分类器，基于训练完成的SVM分类器对已调制信号进行分类识别。
在此，研究表明，分形模型能较好地对自然场景噪声和信道噪声进行建模，采用分维和多重分形谱能较好的描述噪声的统计自相似、尺度不变性等特征，特别是最近几年发展起来的广义分形谱方法，为噪声建模和通信调制信号识别提供了新的特征提取途径；支持向量机(Support Vector Machine，SVM)是一类按监督学***面。SVM使用铰链损失函数计算经验风险并在求解***中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。 SVM可以通过核方法进行非线性分类，是核学习方法之一。
由上，我们将广义分形理论与SVM的特征提取部分结合，提出一种基于广义分形理论的信号特征提取与调制类型识别方法，有效地提升信号的调制识别率。
本发明在融合特征向量时，为综合利用多个维度的信息，提高分类精度，采用特征融合的方式，使得通信侦察信号的特征空间既包含广义分形谱特征，又包含瞬时特征及高阶累积量。本发明提取的特征空间既包含广义分形谱特征，又包含瞬时特征及高阶累积量，可以为基于SVM的信号调制分类提供更有效的特征向量。
本发明的基于广义分形理论的信号特征提取与调制类型识别方法一实施例中，对已调制信号进行基于多重分形谱的第一信号特征的提取，包括：
选用小波leaders，系数djk定义为：
Figure BDA0003031520700000065
其中， Ijk＝[k2-j，(k+1)2-j)，构造配分函数
Figure BDA0003031520700000061
并定义质量函数为
Figure BDA0003031520700000062
从而有奇异性指数α(q)和多重分形谱f(α)为：
α(q)＝dτωl(q)/dq；
f(α)＝infq[qα(q)-τωl(q)]。
本发明的基于广义分形理论的信号特征提取与调制类型识别方法一实施例中，对已调制信号进行基于奇异性功率谱的第二信号特征的提取，包括：
一维连续信号x(t)的奇异性功率谱密度公式为：
Figure BDA0003031520700000063
一维离散信号
Figure BDA0003031520700000066
的奇异性功率谱密度公式为：
Figure BDA0003031520700000064
本发明的基于广义分形理论的信号特征提取与调制类型识别方法一实施例中，对已调制信号进行瞬时特征的提取，包括：
取每种已调制信号100个样本进行瞬时特征分析，并作统计平均，通过对信号的瞬时幅值、瞬时相位和瞬时频率分析，来采集包括零中心归一化瞬时幅度功率谱密度的最大值γmm、零中心归一化瞬时幅度绝对值的标准偏差σaa、非弱信号段中心化瞬时相位非线性分量标准偏差σdp、非弱信号段中心化瞬时相位非线性分量标准偏差σap及非弱信号段中心归一化瞬时频率绝对值标准偏差σaf在内的瞬时特征，各值定义如下：
零中心归一化瞬时幅度功率谱密度的最大值γmm：
γmm＝max|FFT[acn(i)]2/Ns|，
式中，Ns为采样点数；acn(i)为瞬时幅度归一化取零为中心的结果，acn(i)由下式计算：
acn(i)＝an(i)-1，
an(i)＝a(i)/m(a)，
Figure BDA0003031520700000071
零中心归一化瞬时幅度绝对值的标准偏差σaa定义为：
Figure BDA0003031520700000072
非弱信号段中心化瞬时相位非线性分量标准偏差σdp定义为：
Figure BDA0003031520700000073
其中，有
Figure BDA0003031520700000074
非弱信号段中心化瞬时相位非线性分量标准偏差σap定义为：
Figure BDA0003031520700000075
非弱信号段中心归一化瞬时频率绝对值标准偏差σaf定义为：
Figure BDA0003031520700000076
式中，fN(i)＝fc(i)/Rb，Rb为符号速率，fc(i)＝f(i)-mf，
Figure BDA0003031520700000077
本发明的基于广义分形理论的信号特征提取与调制类型识别方法一实施例中，基于所述特征向量对SVM分类器进行训练之前，还包括：
在进行基于SVM分类器的多分类识别方法中，对m类调制信号设计m个分类器来分别预测不同调制类别的调制信号，对于一个需要分类的调制信号x，选择置信度最大的类别标记为调制信号x的分类结果。
本发明的基于广义分形理论的信号特征提取与调制类型识别方法一实施例中，基于所述特征向量对SVM分类器进行训练，包括：
基于所述特征向量并选取线性函数作为核函数，进行一对多的SVM分类器的训练。
依据上述的基于广义分形理论的信号特征提取与调制类型识别方法，可以充分利用不同调制类型的信号的广义分形特征，来帮助在信号调制识别方面取得更高的识别率。
具体的，本例提供一种基于广义分形理论的信号特征提取与调制类型识别
方法，其流程示意图如图1所示，具体包括如下步骤。
S100：对已调制信号进行基于多重分形谱的信号特征提取；
S200：进行基于奇异性功率谱的信号特征提取；
S300：提取瞬时特征；
S400：特征融合并构造特征向量；
S500：进行基于SVM分类器的多分类已调制信号识别。
通过上述步骤S100-S500训练SVM后，可充分利用不同调制类型的信号的广义分形特征，来帮助提高信号调制识别准确率。
下面对上述各步骤进行详细说明。
在步骤S100中，对已调制信号进行基于多重分形谱的信号特征提取，具体来讲，选用小波leaders，系数djk定义为：
Figure BDA0003031520700000083
其中， Ijk＝[k2-j，(k+1)2-j)。构造配分函数
Figure BDA0003031520700000081
并定义质量函数为
Figure BDA0003031520700000082
从而有奇异性指数α(q)和多重分形谱f(α)为：
α(q)＝dτωl(q)/dq
f(α)＝infq[qα(q)-τωl(q)]
在步骤S200中，进行奇异性功率谱的信号特征提取，对于一维连续信号x(t)，其奇异性功率谱密度公式为：
Figure BDA0003031520700000091
其中，θt为局部入射角，
Figure BDA0003031520700000092
表示xT(t)的Hausdorff测度下的差分值。
对于一维离散信号
Figure BDA0003031520700000093
其奇异性功率谱密度公式为：
Figure BDA0003031520700000094
其中，
Figure BDA0003031520700000095
代表各个奇异性指数范围内的信号点数。
取每种调制信号100个样本进行奇异性功率谱估计，并作统计平均，则得各调制信号的奇异性功率谱分布。
在步骤S300中，提取瞬时特征，取每种调制信号100个样本进行瞬时特征分析，并作统计平均，通过对信号的瞬时幅值、瞬时相位、瞬时频率分析，来采集包括零中心归一化瞬时幅度功率谱密度的最大值γmm、零中心归一化瞬时幅度绝对值的标准偏差σaa、非弱信号段中心化瞬时相位非线性分量标准偏差σdp、非弱信号段中心化瞬时相位非线性分量标准偏差σap及非弱信号段中心归一化瞬时频率绝对值标准偏差σaf在内的瞬时特征。
从信号的瞬时信息中估计调制信号的参数，具有计算简单、可用统计样本数量大的优势，是分类识别的基础，可以为后续从不同角度提取统计特征值奠定基础。
瞬时特征的各值定义如下：
零中心归一化瞬时幅度功率谱密度的最大值γmm：
γmm＝max|FFT[acn(i)]2/Ns|
式中，Ns为采样点数；acn(i)为瞬时幅度归一化取零为中心的结果，acn(i)由下式计算：
acn(i)＝an(i)-1
an(i)＝a(i)/m(a)
Figure BDA0003031520700000101
零中心归一化瞬时幅度绝对值的标准偏差σaa定义为：
Figure BDA0003031520700000102
非弱信号段中心化瞬时相位非线性分量标准偏差σdp定义为：
Figure BDA0003031520700000103
其中，有
Figure BDA0003031520700000104
非弱信号段中心化瞬时相位非线性分量标准偏差σap定义为：
Figure BDA0003031520700000105
非弱信号段中心归一化瞬时频率绝对值标准偏差σaf定义为：
Figure BDA0003031520700000106
式中，fN(i)＝fc(i)/Rb，Rb为符号速率，fc(i)＝f(i)-mf，
Figure BDA0003031520700000107
在步骤S400中，融合特征向量，为综合利用多个维度的信息，提高分类精度，采用特征融合的方式，使得通信侦察信号的特征空间既包含广义分形谱特征，又包含瞬时特征，结构如图2所示。由此，结合各部分特征，设计了13位的特征向量。
在步骤S500中，设计SVM分类器来实现多分类任务，采取一对多架构，设计多个二分类器来实现多分类效果，如图3所示，具体来讲，对m类信号设计m个分类器来分别预测不同调制类型信号，对于一个需要分类的数据x，选择置信度最大的类别标记为分类结果。
在设计分类器时，将步骤S400中特征向量作为分类对象，选取线性函数作为核函数，训练分类器，其整体流程如图4。
利用本发明提供的基于广义分形理论的信号特征提取与调制类型识别方法，选取调制类型为BPSK、QPSK、2FSK、WB-FM、DSB-AM这5种信号各1000 份，附加高斯噪声(GWN)、单分形噪声(DFGN)、多分形噪声(RWS)3 种类型噪声，设置信噪比分别为10dB、5dB、0dB，训练SVM时选取训练集 900，测试集100的分配，实验结果如表(a)、(b)、(c)所示。表(a)、(b)、(c)为5类调制方式识别效果表，表(a)、(b)、(c)分别为0dB、5dB、10dB下的识别率。由实验结果可以发现具有良好的识别准确性。
因此，本发明提供的基于广义分形理论的信号特征提取与调制类型识别方法，可利用不同调制类型的信号的广义分形特征，同时结合传统信号特征，运用SVM分类器来完成对不同调制类型信号的分类与识别，为信号的调制识别提出了新方法新技术。
Figure BDA0003031520700000111
(a)SNR＝0dB
Figure BDA0003031520700000112
(b)SNR＝-5dB
Figure BDA0003031520700000113
Figure BDA0003031520700000121
(c)SNR＝-10dB
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (6)

1.一种基于广义分形理论的信号特征提取与调制类型识别方法，其特征在于，包括：
对已调制信号进行基于多重分形谱的第一信号特征的提取；
对已调制信号进行基于奇异性功率谱的第二信号特征的提取；
对已调制信号进行瞬时特征的提取；
对所述第一信号特征、第二信号特征和瞬时特征进行特征融合，以构造特征向量；
基于所述特征向量对SVM分类器进行训练，得到训练完成的SVM分类器，基于训练完成的SVM分类器对已调制信号进行分类识别。
2.如权利要求1所述的基于广义分形理论的信号特征提取与调制类型识别方法，其特征在于，对已调制信号进行基于多重分形谱的第一信号特征的提取，包括：
选用小波leaders，系数djk定义为：
Figure FDA0003031520690000011
其中，Ijk＝[k2-j,(k+1)2-j)，构造配分函数
Figure FDA0003031520690000012
并定义质量函数为
Figure FDA0003031520690000013
从而有奇异性指数α(q)和多重分形谱f(α)为：
α(q)＝dτωl(q)/dq；
f(α)＝infq[qα(q)-τωl(q)]。
3.如权利要求1所述的基于广义分形理论的信号特征提取与调制类型识别方法，其特征在于，对已调制信号进行基于奇异性功率谱的第二信号特征的提取，包括：
一维连续信号x(t)的奇异性功率谱密度公式为：
Figure FDA0003031520690000021
一维离散信号
Figure FDA0003031520690000022
的奇异性功率谱密度公式为：
Figure FDA0003031520690000023
4.如权利要求1所述的基于广义分形理论的信号特征提取与调制类型识别方法，其特征在于，对已调制信号进行瞬时特征的提取，包括：
取每种已调制信号100个样本进行瞬时特征分析，并作统计平均，通过对信号的瞬时幅值、瞬时相位和瞬时频率分析，来采集包括零中心归一化瞬时幅度功率谱密度的最大值γmm、零中心归一化瞬时幅度绝对值的标准偏差σaa、非弱信号段中心化瞬时相位非线性分量标准偏差σdp、非弱信号段中心化瞬时相位非线性分量标准偏差σap及非弱信号段中心归一化瞬时频率绝对值标准偏差σaf在内的瞬时特征，各值定义如下：
零中心归一化瞬时幅度功率谱密度的最大值γmm：
γmm＝max|FFT[acn(i)]2/Ns|，
式中，Ns为采样点数；acn(i)为瞬时幅度归一化取零为中心的结果，acn(i)由下式计算：
acn(i)＝an(i)-1，
an(i)＝a(i)/m(a)，
Figure FDA0003031520690000024
零中心归一化瞬时幅度绝对值的标准偏差σaa定义为：
Figure FDA0003031520690000025
非弱信号段中心化瞬时相位非线性分量标准偏差σdp定义为：
Figure FDA0003031520690000031
其中，有
Figure FDA0003031520690000032
非弱信号段中心化瞬时相位非线性分量标准偏差σap定义为：
Figure FDA0003031520690000033
非弱信号段中心归一化瞬时频率绝对值标准偏差σaf定义为：
Figure FDA0003031520690000034
式中，fN(i)＝fc(i)/Rb，Rb为符号速率，fc(i)＝f(i)-mf，
Figure FDA0003031520690000035
5.如权利要求1所述的基于广义分形理论的信号特征提取与调制类型识别方法，其特征在于，基于所述特征向量对SVM分类器进行训练之前，还包括：
在进行基于SVM分类器的多分类识别方法中，对m类调制信号设计m个分类器来分别预测不同调制类别的调制信号，对于一个需要分类的调制信号x，选择置信度最大的类别标记为调制信号x的分类结果。
6.如权利要求1所述的基于广义分形理论的信号特征提取与调制类型识别方法，其特征在于，基于所述特征向量对SVM分类器进行训练，包括：
基于所述特征向量并选取线性函数作为核函数，进行一对多的SVM分类器的训练。
CN202110431459.7A 2021-04-21 2021-04-21 基于广义分形理论的信号特征提取与调制类型识别方法 Active CN113033486B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110431459.7A CN113033486B (zh) 2021-04-21 2021-04-21 基于广义分形理论的信号特征提取与调制类型识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110431459.7A CN113033486B (zh) 2021-04-21 2021-04-21 基于广义分形理论的信号特征提取与调制类型识别方法

Publications (2)

Publication Number Publication Date
CN113033486A true CN113033486A (zh) 2021-06-25
CN113033486B CN113033486B (zh) 2022-11-11

Family

ID=76457163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110431459.7A Active CN113033486B (zh) 2021-04-21 2021-04-21 基于广义分形理论的信号特征提取与调制类型识别方法

Country Status (1)

Country Link
CN (1) CN113033486B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009175059A (ja) * 2008-01-25 2009-08-06 Nagaoka Univ Of Technology 環境負荷濃度変化判定装置及び方法
US20110077538A1 (en) * 2009-09-11 2011-03-31 Agency For Science, Technology And Research Electrocardiogram signal processing system
CN102521502A (zh) * 2011-11-28 2012-06-27 北京航天飞行控制中心 一种小波包辅助的自适应抗混总体平均经验模式分解方法
CN102869064A (zh) * 2012-07-27 2013-01-09 南京邮电大学 基于特征级与决策级联合融合的分簇调制识别方法
CN102930284A (zh) * 2012-09-13 2013-02-13 杭州电子科技大学 基于经验模态分解和分形的表面肌电信号模式识别方法
CN106934224A (zh) * 2017-02-28 2017-07-07 许昌学院 一种描述城市地表景观结构的非线性方法
CN110653661A (zh) * 2019-09-30 2020-01-07 山东大学 基于信号融合和多重分形谱算法的刀具状态监测识别方法
CN110686767A (zh) * 2019-09-20 2020-01-14 国家电网有限公司 一种基于时频法与数据序列法的gis振动异响联合特征提取方法
CN112364729A (zh) * 2020-10-29 2021-02-12 成都明杰科技有限公司 基于特征参数与bp神经网络的调制识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009175059A (ja) * 2008-01-25 2009-08-06 Nagaoka Univ Of Technology 環境負荷濃度変化判定装置及び方法
US20110077538A1 (en) * 2009-09-11 2011-03-31 Agency For Science, Technology And Research Electrocardiogram signal processing system
CN102521502A (zh) * 2011-11-28 2012-06-27 北京航天飞行控制中心 一种小波包辅助的自适应抗混总体平均经验模式分解方法
CN102869064A (zh) * 2012-07-27 2013-01-09 南京邮电大学 基于特征级与决策级联合融合的分簇调制识别方法
CN102930284A (zh) * 2012-09-13 2013-02-13 杭州电子科技大学 基于经验模态分解和分形的表面肌电信号模式识别方法
CN106934224A (zh) * 2017-02-28 2017-07-07 许昌学院 一种描述城市地表景观结构的非线性方法
CN110686767A (zh) * 2019-09-20 2020-01-14 国家电网有限公司 一种基于时频法与数据序列法的gis振动异响联合特征提取方法
CN110653661A (zh) * 2019-09-30 2020-01-07 山东大学 基于信号融合和多重分形谱算法的刀具状态监测识别方法
CN112364729A (zh) * 2020-10-29 2021-02-12 成都明杰科技有限公司 基于特征参数与bp神经网络的调制识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
GANG XIONG等: "Singularity power spectrum distribution", 《PJYSICA A》 *
GANG XIONG等: "Wavelet leaders-based multifractal spectrum distribution", 《NONLINEAR DYNAMICS》 *
QIUSHENG LI等: "Identification of aircraft targets based on multifractal spectrum features", 《 2012 IEEE 11TH INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING》 *
ROBERT D.URDA-BENITEZ等: "Characterization and classification of intracardiac atrial fibrillation signals using the time-singularity multifractal spectrum distribution", 《COMMUNICATIONS IN NONLINEAR SCIENCE AND NUMERICAL SIMULATION》 *
邵琪等: "基于VMD-Hilbert倒谱和多重分形特征的电力电缆局放识别", 《南京工程学院学报(自然科学版)》 *

Also Published As

Publication number Publication date
CN113033486B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
Wu et al. Robust automatic modulation classification under varying noise conditions
CN107124381B (zh) 一种数字通信信号调制方式自动识别方法
CN110163282B (zh) 基于深度学习的调制方式识别方法
CN107948107B (zh) 一种基于联合特征的数字调制信号分类方法
CN113014524B (zh) 一种基于深度学习的数字信号调制识别方法
CN108766464B (zh) 基于电网频率波动超矢量的数字音频篡改自动检测方法
CN110176250B (zh) 一种基于局部学习的鲁棒声学场景识别方法
CN113225282A (zh) 一种基于bp神经网络的通信信号调制识别方法
CN112737992B (zh) 一种水声信号调制方式自适应类内识别方法
CN111612130B (zh) 一种频移键控通信信号调制方式识别方法
CN111083079A (zh) 基于星座图的正交调制格式识别方法
WO2021088465A1 (zh) 基于多分布测试数据融合的多层感知器快速调制识别方法
Ali et al. Algorithm for automatic recognition of PSK and QAM with unique classifier based on features and threshold levels
CN113378644A (zh) 基于生成式对抗网络的信号调制类型识别攻击的防御方法
CN116257752A (zh) 一种信号调制样式识别方法
CN114726692A (zh) 一种基于SEResNet-LSTM的辐射源调制方式识别方法
Zhang et al. A deep learning approach for modulation recognition
CN110826425A (zh) 一种基于深度神经网络的vhf/uhf频段无线电信号调制方式识别方法
CN112151067B (zh) 一种基于卷积神经网络的数字音频篡改被动检测方法
CN113033486B (zh) 基于广义分形理论的信号特征提取与调制类型识别方法
CN111540381B (zh) 一种基于随机森林的话音模拟调制特征识别方法
Abdelmutalab et al. Automatic modulation classification using polynomial classifiers
CN116227939A (zh) 基于图卷积神经网络和em算法的企业信用评级方法和装置
CN114172770B (zh) 量子根树机制演化极限学习机的调制信号识别方法
CN115563468A (zh) 一种基于深度学习网络融合的自动调制分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant