[发明专利]基于多特征关联和贝叶斯网络的通信信号分类识别方法

说明书

本发明公开了一种基于多特征关联和贝叶斯网络的通信信号分类识别方法，属于通信信号处理技术领域。本发明针对信噪比波动范围大、训练样本不足等特点，对信号的时域、频域和空域的特征进行关联，并设计贝叶斯网络模型，通过结构学习和参数学习得到贝叶斯网络分类器，得到用户认知结果。本发明采用贝叶斯网络分类器进行认知分类，能够充分挖掘各个维度的特征之间的依赖关系，物理意义明确，适用于小样本情况和不完备数据集；采用先验和聚类结合进行离散化预处理的方法，可以最大程度的保留原始数据信息；采用随机抽样的方法对贝叶斯网络模型进行参数学习，在信噪比波动范围大和训练样本数量不足的情况下，仍然可获得很好的分类准确率。

技术领域

本发明属于通信信号处理技术领域，具体指一种基于多特征关联和贝叶斯网络的通信信号分类识别方法。

背景技术

随着电子和通信技术的高速发展，无线电认知技术已经在民用频域资源监管、民用无线电通信、无线电子对抗等众多领域得到了广泛应用。无线电认知就是对无线通信信号进行的接收、识别、分析的过程。在信号确认、频谱监测等各种无线电管理领域中，无线电认知可以监视合法无线电电台是否合法使用频谱资源，同时侦听不法电台的干扰信号并对其进行识别。在无线电通信领域中，无线电认知可以在无线通信过程中，实现接收方自动识别发送数据的调制方式，从而提高频谱效率。而这些应用的需求，也在不断推进无线电认知技术的发展与进步。

对通信信号的认知过程可以划分为三步：首先，对信号进行预处理；其次，对某些关键的特征进行选择和提取；最后，通过构建分类器进行分类和识别。目前，对通信信号的认知和识别主要有两大类方法：一种是基于最大似然比的判别识别方法，另一种是基于特征选择和提取的统计模式识别方法。基于最大似然比的判别识别方法是把对信号的识别问题转化为假设检验问题，通过定义信号的似然函数并对其进行处理，得到可用于分类的特征量，然后输入到分类器中进行比较，从而得到识别的结果。最大似然比的判别识别方法目标是最大化似然概率，所以可以得到理论上的最优解，但是该方法表达式通常较为复杂，优化过程较为困难，同时对模型失配和参数偏差问题比较敏感，稳定性差。而基于特征选择和提取的统计模式识别方法是选择、提取信号的某些特征，例如幅度、频率、相位等直接特征或高阶累积量、循环累计量、混合矩等间接特征，然后按照一定的分类规则进行训练，从而对信号进行分类认知。该方法计算简单，较容易实现，而且在特征选择合适等情况下，可以近似得到最优解。

针对在真实且复杂的地理环境中，通信信号的种类繁多、通信信道的噪声干扰强、信号具有很大的不确定性的特点，设计一种准确高效的通信信号认知分类算法具有重要的研究意义。

发明内容

本发明的目的是为了实现在复杂的电磁环境下，实现对无线通信信号进行用户分类认知的功能。针对信噪比波动范围大、训练样本不足等特点，对信号的时域、频域和空域的特征进行关联，并设计贝叶斯网络模型，对不同信噪比范围和较少样本数量的数据集进行训练，能够快速准确的得到用户认知结果。

本发明提出的基于多特征关联和贝叶斯网络的通信信号分类识别方法，具体步骤如下：

第一步，构建包括多种调制方式在内的通信信号样本数据集，选择并提取通信信号的时域、频域和空域维度的特征；并将所述的通信信号样本数据集分为训练集、交叉验证集和测试集三部分。

第二步，采用基于先验和聚类结合的方法对训练集数据进行离散化预处理；

第三步，输入训练集，对贝叶斯网络模型进行结构学习，得到贝叶斯网络模型的有向无环图；

第四步，对贝叶斯网络模型进行参数学习，得到各节点的条件概率分布表，构建出贝叶斯网络分类器；

第五步，对交叉验证集和测试集的信号进行特征提取和离散化处理后，输入到第四步已训练好的贝叶斯网络分类器中，最终可得到信号认知结果。

本发明的优点在于：