[发明专利]基于最小二乘支持向量机的调制识别方法

说明书

本发明公开了一种基于最小二乘支持向量机的调制识别方法，主要解决现有方法对调制信号进行识别较为复杂的问题。其实现方案是：1)接收端接收到调制信号后计算出所需要的特征参数；2)将信号的特征参数制作为数据集并划分训练集数据和测试集数据；3)利用训练集数据求解拉格朗日Lagrange函数，得到lagrange乘子α和截距b；4)使用lagrange乘子α和截距b，计算得到测试集信号的分类结果。本发明具有简单易行，效果良好，计算量小，实现简便的优点，可用于调制信号的识别系统。

技术领域

本发明属于通信技术领域，特别涉及一种调制信号的识别方法，可用于调制识别系统中。

背景技术

无线通信是我们生活中重要的一种信息传递方式，从早先的电台与电视广播信号到现在的Wi-Fi、手机使用的4G通信技术，无线通信技术由于其便利性正越来越多地影响我们的生活。而通信信号的调制与解调是无线通信中的一个重要领域。

由于低频无线信号不适合进行发射和接收，就需要将传输的信号通过一定的方式加载到高频载波上，使其适合在空中传播，这一过程即为信号的调制。由于无线通信的通信目的、通信环境等条件的不同，无线通信的调制的方式也多种多样。早期的调制信号通常采用的是模拟调制，但随着数字通信技术不断发展，目前通信采用的调制信号大多是数字调制，数字调制相比于模拟调制有抗干扰能力强、传输信息范围广、保密性高等特点。由于无线通信应用在越来越广泛的领域，为满足不同用户的需求，无线信号在传播中通常会采用不同的调制方式。常用的数字调制方式可以分为幅度键控ASK，频移键控FSK和相移键控PSK三种调制类型，分别通过变化信号的幅度、频率和相位信息来传递信息。

在通信信号的自动调制识别的研究中，主要包括两个技术方向：一是基于贝叶斯决策理论调制模式识别，二是基于统计机器学习理论的调制模式识别，这两种调制识别方式各有千秋。

基于贝叶斯决策理论的调制识别，实质就是一个多重假设检验的问题。通过精巧的设计假设空间，检验统计量通常是似然比函数进行理论推导，寻找合适的判决门限，理论上可以实现在贝叶斯代价最小化准则下的调制模式判决。基于贝叶斯决策理论的调制识别具有完备的理论依据，并保证了在贝叶斯最小代价准则下调制识别效果最佳，因而可以作为理论性能上界检验其他识别算法的性能。然而在实际工程中，由于通信环境非常复杂，并且待识别的信号调制模式众多，导致调制模式正确识别率并不是很高，尤其是在低信噪比条件下，识别性能会急剧下降。并且，基于决策理论的调制识别算法理论推导繁杂，算法通用性差，工程实现代价大，导致识别效率非常低下，不利于信号调制模式实时的自动识别。

基于机器学习理论的模式识别方法应用在通信信号的自动调制识别领域则是最近二十年来的一个研究热点。其优势在于，基于统计机器学习的调制识别技术思路简单清晰，算法切实可行，性能优良可观。基于机器学习的调制识别器的实现具有通用的流程，主要包括通信信号的预处理和特征提取，信号分类器的训练学习，待分类信号的识别三个流程，而且这三个流程都可以快速有效的实现。并且，基于机器学习的调制识别器具有很好的鲁棒性，可以自适应通信环境的变化，使得调制识别器在较低信噪比条件下仍然可以很好的完成通信信号调制识别任务。因此，基于机器学习理论的通信信号调制识别技术越来越成为调制识别领域的主流研究方向。其中机器学习中的支持向量机SVM模型使用广泛，在调制识别任务中也有很不错的效果。但是SVM的优化问题是一个二次规划QP问题，模型实现会比较复杂。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于最小二乘支持向量机的调制识别方法，以解决使用现有方法对调制信号进行识别较为复杂的问题。