[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

说明书

本发明提供的是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。首先应用FRFT技术解决了多信号分离的难题，然后在时频域用预训练CNN结合SVM实现对强信号的精确分类识别，同时提取弱信号的谱峭度、均方根植、AR特征系数及Renyi熵等特征实现特征融合，用主成分分析(PCA)对融合特征降维以提高系统有效性，进而将降维后的特征送入SVM实现第二信号分类识别，最终实现在较低信噪比下精确快速的识别多信号调制方式。

技术领域

本发明涉及的是一种联合分类器信号调制识别方法，具体地说是一种基于分数阶傅里叶变换(FRFT)对多信号分离的联合分类器信号调制识别方法。

背景技术

随着电磁环境越来越密集，多信号同时到达的问题给信号调制的高可靠性识别带来难度。因此，多信号分离成为对单信号调制方式分类识别前要解决的关键问题。

多信号在时域未混叠时采用的时域检测法以能量检测法的原理为基础，虽然时域算法计算量小、实现简单并且检测速度快，但存在的突出问题是对噪声比较敏感，不适用信噪比较低的情况；频域未混叠时采用的频域检测算法主要以幅度谱和循环谱等为判决量，频域检测算法运算相对复杂且检测速度相对较慢。对于时频域混叠的信号，上述两种常用方法均束手无策。此外，分离后的单信号需要进行调制识别，基于时频图像的脉内调制识别方法适用性广泛，对信号时频分析后提取图像特征，在其后端接入支持向量机(SVM)分类器，可在低信噪比下获得较高识别率。但是该方法需人工提取特征，若人工提取特征信息不当必将使识别出现偏差，最终导致其识别率低，且多信号中弱信号被分离出来后会严重缺失颜色特征和细节特征，提取时频图像特征对信号调制识别时识别率较低。后端应用SVM对信号进行分类识别时，当核函数确定以后，核函数参数和支持向量机惩罚因子的不同取值会对分类结果起到决定性的作用，惩罚因子的大小代表重视损失的程度，核函数参数的大小决定拟合程度。粒子群算法(PSO)对SVM参数优化可获得较好的优化效果，但PSO算法本身易陷入局部最优且整体迭代速度偏慢，影响整体的识别效果。

发明内容

本发明的目的在于提供一种能够实现在较低信噪比下精确快速的识别多信号调制方式的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

本发明的目的是这样实现的：

步骤一：产生9类雷达信号集，对信号进行平滑伪Wigner-Ville分布(SPWVD)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，滤除能量较弱的信号以及噪声，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，剩余信号中将包含能量较弱的信号及噪声，对剩余信号做相应的FRFT以进一步消除其中的噪声，再对分离出的信号做FRFT，得到第二信号的时域形式；