基于支持向量機(jī)的調(diào)制方式識(shí)別算法的研究.pdf

1、隨著通信技術(shù)的發(fā)展，無線通信環(huán)境日益復(fù)雜，通信信號(hào)在傳送時(shí)采用了多種調(diào)制方式，同時(shí)這些信號(hào)的調(diào)制參數(shù)也不完全相同，如何有效的監(jiān)視和識(shí)別這些信號(hào)，在軍事和民用領(lǐng)域都是十分重要的研究課題。支持向量機(jī)具有較強(qiáng)的學(xué)習(xí)，識(shí)別能力，能較好地處理復(fù)雜的非線性問題，而且具有較好的穩(wěn)健性和潛在的容錯(cuò)性，在調(diào)制識(shí)別中被廣泛應(yīng)用。論文主要研究了基于支持向量機(jī)的調(diào)制方式識(shí)別算法。以AWGN 信道下基于瞬時(shí)特征的調(diào)制識(shí)別為研究的切入點(diǎn)，給出了各種調(diào)制方式瞬時(shí)特征

2、參數(shù)的提取方法，由于現(xiàn)有的C-SVM 存在沒有考慮超平面位置以及可能受異常點(diǎn)影響的缺點(diǎn)，本文對(duì)其模型進(jìn)行了改進(jìn)，引入了表示超平面位置的參數(shù)以及表示樣本點(diǎn)權(quán)重的模糊因子，并給出了對(duì)改進(jìn)模型的求解過程，構(gòu)建了能夠有效識(shí)別調(diào)制信號(hào)的基于二叉樹的多類SVM分類器，并對(duì)改進(jìn)算法進(jìn)行了仿真。結(jié)果表明，改進(jìn)后的C-SVM的識(shí)別正確率優(yōu)于現(xiàn)有C-SVM的識(shí)別正確率。
　　 論文以四階累積量為特征參數(shù)，采用支持向量機(jī)(SVM)將分類特征值映射到高

3、維空間中，并構(gòu)建最優(yōu)分類超平面，實(shí)現(xiàn)對(duì)QPSK、16QAM、64QAM和OFDM 四種信號(hào)的自動(dòng)調(diào)制識(shí)別。由于瞬時(shí)特征參數(shù)易受噪聲影響，論文分析了AWGN 信道、Rayleigh 衰落信道和Nakagami 衰落信道對(duì)四階累積量的影響，推導(dǎo)并給出了經(jīng)過衰落信道后四階累積量的表達(dá)式。仿真結(jié)果表明，當(dāng)信噪比為-5dB 時(shí)，AWGN 信道下的平均識(shí)別率能達(dá)到80%，而Rayleigh和Nakagami 信道下的平均正確識(shí)別率均能達(dá)到70%，當(dāng)

4、信噪比大于等于0dB 時(shí)，三種信道下的平均正確率均可達(dá)到95%以上，并且基于SVM的調(diào)制識(shí)別的正確率優(yōu)于逐級(jí)判決調(diào)制識(shí)別正確率。
　　 最后，論文提出了一種基于協(xié)作的調(diào)制方式識(shí)別算法。該算法著重探討低信噪比情況下的調(diào)制識(shí)別的改進(jìn)，根據(jù)融合方法的不同，分析了特征級(jí)融合的協(xié)作調(diào)制識(shí)別算法和決策級(jí)融合的協(xié)作調(diào)制識(shí)別算法。在特征級(jí)融合的協(xié)作調(diào)制識(shí)別算法中，各個(gè)用戶節(jié)點(diǎn)將特征值送往融合中心，融合中心再根據(jù)SVM 算法得到識(shí)別結(jié)果，而在決策