[发明专利]基于高阶累积量的调制信号识别方法

权利要求书

1.一种基于高阶累积量的调制信号识别方法，其特征在于，包括如下：

(1)通过matlab仿真获得8种调制信号，每种调制信号码元个数为2400个，得到原始训练数据集X1和测试数据集Y1，其中原始训练集X1和测试数据集Y1中每种调制信号码元个数各为1200个；

(2)对8种调制信号原始的训练数据集X1和测试数据集Y1进行加高斯白噪声处理，得到加噪后的训练数据集X2和测试数据集Y2；

(3)对训练数据集X2进行特征提取：

(3a)对训练数据集X2中各调制信号进行特征计算：

(3a1)根据公式M_pq＝E[X(t)^p-qX^*(t)^q]，计算加噪训练数据集X2中各调制信号的p阶混合矩阵M₂₀、M₂₁、M₄₀、M₄₂、M₆₀、M₈₀，其中M_pq为p阶混合矩，p为高阶矩或者高阶累积量的阶数，q为高阶累积量中自变量的实际取值，q≤n，n为调制阶数，X(t)为各调制信号，X^*(t)为X(t)的共轭；

M₂₀是p＝2，q＝0时的二阶混合矩阵，M₂₁是p＝2，q＝1时的二阶混合矩阵，M₄₀是p＝4，q＝0时的四阶混合矩阵，M₄₂是p＝4，q＝2时的四阶混合矩阵，M₆₀是p＝6，q＝0时的六阶混合矩阵，M₈₀是p＝8，q＝0时的八阶混合矩阵；

(3a2)根据(3a1)中的p阶混合矩阵计算各调制信号特征序列的高阶累积量：

C₈₀＝M₈₀-28M₂₀M₆₀-35M²₄₀+420M²₂₀M₄₀-630M⁴₂₀、

C₄₂＝M₄₂-M²₂₀-2M²₂₁、

C₄₀＝M₄₀-3M²₂₀、

其中，C₈₀是八阶累积量，C₄₀是4个X(t)相累积的四阶累积量，C₄₂表示2个X(t)与2个X^*(t)相累积的四阶累积量；

(3a3)将(3a2)中的高阶累积量两两组合，得到3组特征参数：F₁＝|C₈₀|/|C₄₂|²，F₂＝|C₄₀|/|C₄₂|，F₃＝|C₈₀|/|C₄₀|；

(3a4)将调制信号BPSK、2ASK、4PSK、16PSK带入到第一组特征参数F₁中，得到这4种调制信号的特征值；将调制信号QPSK、OQPSK带入到第二组特征参数F₂中，得到这2种调制信号的特征值；将调制信号8PSK、π/4-QPSK带入到第三组特征参数F₃中，得到这2种调制信号的特征值；

(3b)根据(3a4)的计算，得出特征序列训练数据集X3；

(4)将特征序列的训练数据集X3输入到现有的卷积神经网络CNN进行训练：

(4a)对卷积神经网络CNN进行权值的初始化；

(4b)给定目标输出值t1和误差的期望值e1；

(4c)将特征序列训练数据集X3中各调制信号的每个信号值经过卷积神经网络CNN的卷积层、下采样层、全连接层向前传播，得到输出值t2；

(4d)求出输出值t2与目标输出值t1之间的实际误差e2；

(4e)将实际误差e2与误差的期望值e1进行比较：

当e2e1时，将实际误差e2传回网络中，依次求得全连接层、下采样层、卷积层的实际误差，并对各层误差求和得到实际总误差e3，再根据求得的实际总误差e3进行权值更新，返回(4c)再次进行训练；

当e2＝e1时，结束训练，得到训练好的卷积神经网络CNN；

(4)将测试数据集Y2输入到训练好的卷积神经网络CNN中进行测试，得到8种调制信号的分类结果。