[发明专利]基于分数阶傅里叶变换的联合分类器多信号调制识别方法

权利要求书

1.一种基于分数阶傅里叶变换的联合分类器多信号调制识别方法，其特征是：

步骤一：产生9类雷达信号集，对信号进行平滑伪Wigner-Ville分布得到时频图像，调整时频图像大小；

步骤二：基于MatConvNet官网提供的CNN模型imagenet-googlenet-DAG，使其参数保持不变，由其Input层至icp9模块构成FT-CNN特征提取模块，接着图像送入特征提取模块从而输出特征，选取时频图像特征作为训练集，随后提取信号的谱峭度、均方根植、AR特征系数及Renyi熵特征实现特征融合，将融合特征作为另一个训练集；

步骤三：将云理论与PSO算法结合，利用PSO算法先计算适应度值，根据适应度值将粒子分为三层，对每层的惯性权重ω进行赋值，其中，中间层采用云理论进行求取，在对惯性权重ω赋值后，联合应用PSO与ABC两算法计算适应度值，每独立计算一次比较取最优适应度值，直到到达最大迭代次数取最优值，通过云理论、PSO算法与ABC算法的三者结合实现对SVM参数寻优，从而构成IPSO-SVM分类器，分别选取图像特征和融合特征训练集对分类器进行训练，利用训练后的分类器对各自训练集进行识别，验证FT-CNN-IPSO-SVM和IPSO-5features-SVM分类器的识别率；

步骤四：系统接收多信号时，先将多信号进行FRFT，形成能量的二维分布；

步骤五：对此二维分布进行滤波，并对滤波结果做相应的FRFT，得到第一信号的时域形式；

步骤六：在时域中消去当前信号中的第一信号，对剩余信号做相应的FRFT，再对分离出的信号做FRFT，得到第二信号的时域形式；

步骤七：对第一信号进行SPWVD得到时频图像，调整时频图像大小，然后将图像送入步骤二构建的特征提取模块从而输出特征，再将输出的特征送入步骤三的FT-CNN-IPSO-SVM分类器进行分类识别；

步骤八：提取第二信号的谱峭度、均方根植、AR特征系数及Renyi熵特征实现特征融合，并应用PCA对特征降维，将降维特征输入步骤三提出的IPSO-SVM分类器构成IPSO-5features-SVM分类器，实现第二信号的分类识别。