[发明专利]基于顺序统计量和机器学习的调制识别方法及系统

权利要求书

1.一种基于顺序统计量和机器学习的调制识别方法，其特征在于，包括：

获取待识别信号的幅值和相位，分别对各个待识别信号的幅值和相位进行排序，获取幅值的顺序统计量和相位的顺序统计量；

利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类，以区分QAM信号和不同的PSK信号；

获取待识别的QAM信号的实部和虚部，分别对各个待识别的QAM信号的实部和虚部进行排序，获取待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量；

利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类，以区分不同的QAM信号。

2.根据权利要求1所述的基于顺序统计量和机器学习的调制识别方法，其特征在于，在所述获取待识别信号的幅值和相位之前，还包括：

利用已知调制类型的信号的顺序统计量训练所述机器学习模型。

3.根据权利要求1所述的基于顺序统计量和机器学习的调制识别方法，其特征在于，所述机器学习模型为线性支持向量机模型。

4.根据权利要求3所述的基于顺序统计量和机器学习的调制识别方法，其特征在于，在所述获取待识别信号的幅值和相位之前，还包括：

获取待识别信号的信道信息。

5.根据权利要求1所述的基于顺序统计量和机器学习的调制识别方法，其特征在于，所述机器学习模型为反向传播神经网络模型。

6.根据权利要求5所述的基于顺序统计量和机器学习的调制识别方法，其特征在于，在所述获取待识别信号的幅值和相位之前，还包括：

对所述待识别信号进行能量归一化处理，并消除所述待识别信号的相位偏移和频率偏移。

7.根据权利要求5所述的基于顺序统计量和机器学习的调制识别方法，其特征在于，在所述利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类之前，还包括：

分别获取所述幅值的顺序统计量的部分元素和相位的顺序统计量的部分元素，获取幅值的压缩顺序统计量和相位的压缩顺序统计量；

相应地，所述利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类包括：

利用反向传播神经网络模型根据幅值的压缩顺序统计量和相位的压缩顺序统计量对待识别信号进行调制类型的分类。

8.根据权利要求5所述的基于顺序统计量和机器学习的调制识别方法，其特征在于，在所述利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类之前，还包括：

分别获取所述待识别的QAM信号的实部的顺序统计量的部分元素和待识别QAM信号的虚部的顺序统计量的部分元素，获取待识别的QAM信号的实部的压缩顺序统计量和虚部的压缩顺序统计量；

相应地，所述利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类包括：

利用反向传播神经网络模型根据待识别的QAM信号的实部的压缩顺序统计量和虚部的压缩顺序统计量对待识别的QAM信号进行调制类型的分类。