论文部分内容阅读
随着通信技术的发展,无线通信环境日益复杂,通信信号在传送时采用了多种调制方式,同时这些信号的调制参数也不完全相同,如何有效的监视和识别这些信号,在军事和民用领域都是十分重要的研究课题。支持向量机具有较强的学习,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应用。论文主要研究了基于支持向量机的调制方式识别算法。以AWGN信道下基于瞬时特征的调制识别为研究的切入点,给出了各种调制方式瞬时特征参数的提取方法,由于现有的C-SVM存在没有考虑超平面位置以及可能受异常点影响的缺点,本文对其模型进行了改进,引入了表示超平面位置的参数以及表示样本点权重的模糊因子,并给出了对改进模型的求解过程,构建了能够有效识别调制信号的基于二叉树的多类SVM分类器,并对改进算法进行了仿真。结果表明,改进后的C-SVM的识别正确率优于现有C-SVM的识别正确率。论文以四阶累积量为特征参数,采用支持向量机(SVM)将分类特征值映射到高维空间中,并构建最优分类超平面,实现对QPSK、16QAM、64QAM和OFDM四种信号的自动调制识别。由于瞬时特征参数易受噪声影响,论文分析了AWGN信道、Rayleigh衰落信道和Nakagami衰落信道对四阶累积量的影响,推导并给出了经过衰落信道后四阶累积量的表达式。仿真结果表明,当信噪比为-5dB时,AWGN信道下的平均识别率能达到80%,而Rayleigh和Nakagami信道下的平均正确识别率均能达到70%,当信噪比大于等于0dB时,三种信道下的平均正确率均可达到95%以上,并且基于SVM的调制识别的正确率优于逐级判决调制识别正确率。最后,论文提出了一种基于协作的调制方式识别算法。该算法着重探讨低信噪比情况下的调制识别的改进,根据融合方法的不同,分析了特征级融合的协作调制识别算法和决策级融合的协作调制识别算法。在特征级融合的协作调制识别算法中,各个用户节点将特征值送往融合中心,融合中心再根据SVM算法得到识别结果,而在决策级融合的协作调制识别算法中,各个用户节点将各自的判决结果以比特的形式送往融合中心,融合中心再根据表决融合准则或者最大后验概率准则得到最终的识别结果。仿真结果表明,与非协作的调制识别算法相比,当信噪比比较低时,基于协作的调制方式识别算法明显改善了调制识别的正确率。