[发明专利]一种布谷鸟搜索改进灰狼优化支持向量机的调制信号分类方法

说明书

本发明公开一种布谷鸟搜索改进灰狼优化支持向量机的调制信号分类方法，其中，所述的方法对调制信号的特征参数选用高阶累积量和局部均值分解量近似熵，并利用布谷鸟搜索二次更新狼群位置以优化最小二乘支持向量机模型的两个关键参数，惩罚系数γ和核参数σ，从而获取最优的核极限学习机参数值，本发明涉及的方法减弱了噪声因素对信号识别结果的影响，弥补了传统的模态经验分解中欠包络、过包络、边界效应的缺陷，并有效改善了灰狼优化全局搜索能力薄弱，在处理高维数据时易陷入局部最优解的缺点，通过MATLAB仿真与原灰狼优化结果比较，证明本发明能更高效准确地对调制信号进行智能分类，具有良好的应用前景。

技术领域

本发明涉及调制信号分类领域和群智能优化领域，尤其涉及一种布谷鸟搜索改进灰狼优化支持向量机的调制信号分类方法。

背景技术

信号调制方式识别，指的是于多调制信号以及噪声干扰的环境下识别出各个信号的调制方式及其各项参数。一般情况下，接收方只能截取先验知识未知的信号，因此有效识别信号的调制方式变得愈发的重要。

在已发表的调制识别相关的文献中，信号的智能识别大致可以分为两种：基于决策论的最大概似假设检验方法和基于特征提取的统计模式分类识别方法。前者在解决调制信号分类问题时，最大特点是需要观测待分类信号的波形，随后将其假设为候选调制方式中的某一种，再根据所选择的判决门限进行相似性判断以确定待分类信号的调制方式；后者则需先提取接收信号的特征参数，随后经由模式识别系统确定信号种类。一般性的，调制信号的模式识别框架主要包括信号预处理、特征参数提取和分类器三个主要模块。本发明研究的领域集中于分类器模块，分类器的优劣将直接关系到识别的正确率。当下热门的分类器设计结构有三种：基于决策树理论的识别方法、基于支持向量机的方法和基于神经网络的识别方法。

支持向量机(SVM)是一种基于最小经验风险理论和VC维理论的先进模式识别方法。SVM有最小化结构统计的性质，有利于处理非线性、小样本、高维的模式识别问题。

最小二乘支持向量机(LSSVM)是对标准SVM的改进。不同于标准SVM采用的不等式约束，LSSVM采用等式约束以得到线性方程组，极大地简化了计算过程，减小了计算成本，同时使得支持向量机更容易训练。LSSVM模型中惩罚系数与核参数统称为超参数。上述分析可得，LSSVM估计模型的建立问题即超参数的选取问题，不恰当地选取超参数，将降低预测结果的可信度。选择合适的参数对模型的估计精确度和复杂度起着决定性作用。

灰狼优化(GWO)受到了生活在亚欧大陆的苍狼群体的智慧行为的启发。GWO主要模拟了自然界中狼的领导等级制和捕猎机理，通过模拟狼群的领导等级制将狼群划分为4种类型，如图1所示。α、β、δ被看作狼群中表现最好(适应度最好)的前三只狼，他们引导其它的狼(ω)趋向于搜索空间中最好的区域(带求解问题的的全局最优解)。在整个迭代搜索过程中用α、β、δ三种狼来预测评估猎物可能位置，即通过趋势搜索跳转至关键群组——具有高适应度值的个体。

GWO的寻优过程为：在搜索空间中随机产生一群灰狼，在进化过程中，由α，β，δ负责对猎物的位置(全局最优解)进行评估定位，群内其余个体以此为标准计算自身与猎物之间的距离，并完成对猎物的全方位靠近、包围、攻击等行为，最终捕获猎物。GWO的这种位置更新方式缺陷十分明显：全局搜索能力薄弱，有较高的概率陷入局部最优解，尤其是在使用高维数据时。

布谷鸟搜索(CS)的思想基于特定种群的布谷鸟的寄生哺育机制与莱维飞行，已有研究表明布谷鸟搜索在解决优化问题是不需要对参数进行多次匹配，具有设置参数少、易于实现等优点。布谷鸟搜索的初始解表示宿主鸟巢中已有的鸟蛋，而布谷鸟搜索生成的新解代表的含义为布谷鸟产卵的所在位置，最终的实现需建立在下列三条假设规则上：

一、布谷鸟随机选取宿主鸟巢进行产卵，且布谷鸟一次仅产卵一枚，即最终只允许一个；

二、最优宿主鸟巢连同其拥有最高优先级的布谷鸟卵(最优解)被保留至下一步迭代；