[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

摘要

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。

主权项

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。