[发明专利]基于最小二乘支持向量机的调制识别方法

权利要求书

1.基于最小二乘支持向量机的调制识别方法，其特征在于,包括如下：

(1)待识别的调制信号种类共有7种，分别是4ASK、2PSK、4PSK、8PSK、2FSK、4FSK、8FSK，接收端收到受加性高斯白噪声AWGN影响的调制信号后，计算零中心归一化瞬时幅度谱密度的最大值γ_max、自回归AR谱峰个数、第一高阶累积量特征f_s,1和第二高阶累积量特征f_s,2；

(2)对(1)的7类调制信号设定不同类别标签，即将信号4ASK、2PSK、4PSK、8PSK、2FSK、4FSK、8FSK分别对应的类别标签设为0、1、2、3、4、5、6；

(3)将(1)计算得到的结果参数表示为矩阵：C＝C₁；C₂；C₃...C_i...C_m，其中C_i是由瞬时特征统计量γ_max、自回归AR谱峰个数、第一高阶累积量特征f_s,1和第二高阶累积量特征f_s,2组成的特征向量,i的范围是1～m，m为发送信号的数量；

计算第一高阶累积量特征f_s,1和第二高阶累积量特征f_s,2，其公式如下：

f_s,1＝|c_s,41|/|c_s,42|

f_s,2＝|c_s,40|/|c_s,42|

其中，c_s,40＝E[s(k)⁴]-3E[s(k)²]²为第一四阶累积量

c_s,41＝E[s(k)³s^*(k)]-3E[s(k)²]E[s(k)s^*(k)]为第二四阶累积量，

c_s,42＝E[s(k)²s^*(k)²]-E[s(k)²]²-2E[s(k)s^*(k)]²为第三四阶累积量，

其中s(k)是信号采样序列，E[·]表示数学期望，s^*(k)是s(k)的共轭；

(4)在(3)中得到的矩阵添加每一行特征向量所属的调制信号对应的类别标签，得到数据集，将该数据集的70％的数据作为训练集，30％的数据作为测试集；

(5)使用最小二乘支持向量机LSSVM算法，将训练集数据作为输入，选用高斯核函数：设定高斯核函数参数γ为0.8，以求解相应的拉格朗日Lagrange函数，得到lagrange乘子α和截距b，并保存；

(6)将测试集数据作为输入x，计算分类标签得到调制信号的识别结果，其中α_i是α的分量，C_i为C的分量，

2.根据权利要求1所述的方法，其特征在于(1)中计算接收端收到信号的零中心归一化瞬时幅度谱密度的最大值γ_max，其公式如下：

γ_max＝max|DFT(A_cn(i))|²/N

其中，N为采样点数，A_cn(i)为零中心归一化瞬时幅度，由下式计算：

A_cn(i)＝A_n(i)-1

其中，A_n(i)＝A(i)/m_a，A(i)为信号瞬时幅度，是信号瞬时幅度的平均值。

3.根据权利要求1所述的方法，其特征在于(1)中计算接收端收到信号的自回归AR谱峰个数，是先由有限阶自回归过程的方法计算得到AR谱，然后进行谱峰搜索，得到谱峰个数。

4.根据权利要求1所述的方法，其特征在于(5)中求解拉格朗日Lagrange函数，实现如下：

5a)给出Lagrange函数的如下表示式：

其中W为超平面法向量，e为误差矢量，e_i为e的分量，λ为正则化参数，y_i为类别标签，为x_i的高维映射；

5b)通过如下等式求解Lagrange函数中的拉格朗日乘子α和截距b：

其中，为的转置，E是单位矩阵，y为类别标签向量，K是m×m的矩阵，为K的元素，p和q的取值范围都为1～m。