[发明专利]基于LMD近似熵、高积累积量和SVM的调制信号识别方法

说明书

本发明公开了基于LMD近似熵、高阶累积量和SVM的调制信号识别方法。利用LMD算法把复杂的信号分解成一系列简单PF信号，再求这些PF信号的近似熵，与高阶累积量构建联合特征模块。近似熵可以作为时间序列复杂性的一种度量，信号经LMD分解后的PF分量为依次从高频到低频的时间序列，故用近似熵对PF分量进行量化，可实现以PF分量的复杂性作为目标的有用信息提取。

技术领域

本发明涉及信号处理领域，特别是基于LMD(Local Mean Decomposition，局部均值分解)近似熵、高积累积量和SVM(Support Vector Machine，支持向量机)的调制信号识别方法。

背景技术

随着现代通信技术突飞猛进地发展，无线通信的环境变得愈发复杂。传统的通信中调制方式种类较少，收发双方可以事先约定好传输信号的调制方式再进行通信，从而不需要再对调制方式进行识别；而现代通信中大多数为多频段、多制式、功能复杂的通信系统，整个通信环境存在着大量的信号。通常接活信号的先验知识是未知的，在这种情况下对调制类型的识别变得越来越重要。所以无论是在民用领域还是在军事领域，无线通信中对信号调制方式的有效识别都是一个至关重要的科研课题。在民用领域，调制识别技术广泛应用于频谱监测和管理、无线信号监测和干扰违法信号等工作中。在军事领域，识别技术应用于电子干扰、敌我甄别和通信侦测等方面的电子对抗中，截获敌方情报或者干扰敌方通信。而要完成对通信的掌握，首先就必须对截获信号进行调制方式识别，才能对敌人的重要通信参数进行追踪和截获。在二十世纪的调制信号识别中，由于识别手段的匮乏，识别通常是由工作人员利用自身经验进行人工识别。但是此法由于效率低、识别率低、依赖性强且识别种类少等不足而逐渐被舍弃。优秀的智能调制识别方法不但能减少对人工依赖，而且能增加识别种类和准确率。

发明内容

为了解决上述问题，本发明提供一种基于LMD近似熵、高积累积量和SVM的调制信号识别方法，以能更加快速、准确的识别信号的调制方式。

基于LMD近似熵、高积累积量和SVM的调制信号识别方法，其特征在于，包括以下步骤：

步骤1、利用LMD算法计算调制信号的一系列PF分量；

步骤2、选取前三个PF分量，分别求它们的近似熵作为调制信号一组特征参数；

步骤3、计算调制信号平均功率化后的四阶与六阶高阶累积量作为一组特征参数：

F₁＝|C₄₀|，F₂＝|C₆₃|；

步骤4、选取前一百次的特征参数作为训练样本，训练LS-SVM，并寻找LS-SVM的最优参数；

步骤5、用剩余的特征向量进行分类识别，得出分类的正确率。

本发明的有益效果：

1)LMD算法在估计包络函数时使用滑动平均，避免了虚假分量的产生。

近似熵可以作为时间序列复杂性的一种度量，信号经LMD分解后的PF分量为依次从高频到低频的时间序列，故用近似熵对PF分量进行量化，可实现以PF分量的复杂性作为目标的有用信息提取。求近似熵相对而言比较简单，快速。

2)利用高阶累积量调制识别的方法中，要用到多个累积量值构造特征值，本发明只需一个累积量值即可有效进行MQAM与MPSK类内识别。

3)相对于支持向量机模型，LS-SVM模型中的约束是等式约束，降低了计算复杂度。

附图说明

图1为基于LMD近似熵、高积累积量和SVM的调制信号识别方法流程图；

图2为分层分类识别的方案示意图；