论文翻译九：Automatic Digital Modulation Recognition Based on Novel Features and Support Vector Machine

最新推荐文章于 2022-12-10 19:45:19 发布

寒社科少

最新推荐文章于 2022-12-10 19:45:19 发布

阅读量868

点赞数

分类专栏：通信信号论文翻译

本文链接：https://blog.youkuaiyun.com/xuanye2008/article/details/111563585

版权

本文提出了一种基于模式识别的自动数字调制识别算法，重点在于特征提取。利用新颖的时域、频域和小波域特征，识别数字调制类型，包括BASK、BFSK等。采用基于二进制支持向量机的分层结构克服多类问题。仿真结果显示，在低SNR环境下，该算法具有高精度，最小SNR识别精度为-5 dB，-10 dB时达到98.15%。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

30天挑战翻译100篇论文

坚持不懈，努力改变，在翻译中学习，在学习中改变，在改变中成长…

Automatic Digital Modulation Recognition Based on Novel Features and Support Vector Machine

基于新特征和支持向量机的自动数字调制识别
Salman Hassanpour
Department of Electrical Engineering
Sharif University of Technology
Tehran, Iran
hpourz@gmail.com
Amir Mansour Pezeshk
Department of Electrical Engineering
Sharif University of Technology
Tehran, Iran
pezeshk@sharif.edu
Fereidoon Behnia
Department of Electrical Engineering
Sharif University of Technology
Tehran, Iran
behnia@sharif.edu

摘要—本文提出了一种新的基于模式识别方法的自动调制识别算法。这里的主要重点仍然放在特征提取模块上，并介绍了新颖的特征以识别数字调制方案。调制类型包括：BASK，BFSK，BPSK，4-ASK，4-FSK，QPSK和16-QAM，并且将信道模型视为AWGN信道。从时域，频域和小波域中考虑的接收信号中提取特征。此外，为了克服多类问题，研究了一种基于二进制支持向量机（SVM）的分层结构。仿真表明，在噪声非常低的SNR值极低的环境中，所提出功能的精确分离数字调制信号的能力强。因此，完美识别的最小SNR被证明为-5 dB，并且在-10 dB中获得了98.15的最终精度百分比。

关键字-自动调制识别（AMR），鲁棒性，低SNR，模式识别，支持向量机（SVM）

1.简介

如今，随着现代通信系统的发展，AMR算法在多种应用中起着举足轻重的作用。在此问题上，各种学术和军事研究机构都集中在该研究领域上以开发AMR算法，以便准确地识别接收到的未知RF信号的调制类型。 AMR技术在民用和军事用途中具有广泛的应用。例如，AMR方法可用于频谱监视和管理，干扰识别和监视，电子对抗措施等。由于它的重要性，已经完成了许多研究，并且在这方面使用了多种技术引入了各种算法，并试图在尽可能低的SNR值中实现更高的精度。
可以将所有已开发的AMR算法归为两个主要原理。决策理论和模式识别技术。在基于决策理论开发的方法中，AMR问题主要是用概率和假设检验的论点来表述的。在[1-4]中，基于似然函数开发了一种AMR算法。尽管此方法能够找到最佳解决方案，但它具有很高的计算复杂度。 Azzouz和Nandi在[5-6]中还基于决策理论方法提出了基于特征的算法。与最大似然技术相比，他们的方法具有较低的计算复杂度；然而，它需要确定特定的阈值，以通过决策树来识别所考虑的调制类型。已经发表了几篇论文[7]，[8]和[9]，每篇论文都使用了类似的方法来解决AMR问题。
近年来，由于高计算复杂度，指定适当的阈值以及决策理论方法的其他困难，AMR算法主要基于提供更多灵活性的模式识别方法来实现。这些算法由两个通用模块组成，包括特征提取和分类模块。近来，已经使用人工神经网络（ANN）[10-15]和SVM分类器[16-19]，基于具有不同分类结构的模式识别方法，提出了许多AMR技术。在这些研究中，各种类型的特征，例如统计特征，包括高阶统计[11]，[12]，[17]，[18]，频谱特征，包括瞬时幅度，频率和相位[12]，[15]和小波基于特征[14]，[19]，[20]。
在本文中，我们提出了一种基于模式特征的，基于新颖特征的结构，以识别未知接收信号的数字调制类型。图1显示了提出的AMR模型的一般方框图。接收的调制信号建模如下
在这里插入图片描述
$_c是载波频率，\varphi _c是载波相位，n（t）表示复数加性高斯白噪声。另外，\overline s（t）是实信号s（t）的基带复数包络定义为$

$其中a（t），f（t）和\varphi（t）分别是信号的瞬时幅度，频率和相位。$

如图1所示，预处理块在接收到截获的调制信号后，通过执行所需的预处理操作（例如幅度归一化，滤波操作，瞬时幅度，频率和相位），为下一个块做好准备。提取和中值滤波。
在这里插入图片描述
本文的主要贡献在于特征提取模块，因为从归一化接收信号的时域，频域和小波域中提取有益数据对于在非常低的SNR情况下正确区分数字调制类型起着至关重要的作用。因此，介绍了几种新颖的特征，包括基于我们在[21]中先前提出的结构获得的新颖的基于小波的特征。同样，对先前工作中研究的某些功能进行了修改，并在此处用于区别提到的调制类型。特征提取模块将在第二节中详细说明。在下一个块中，使用基于SVM分类器的二叉树结构识别接收到的信号的调制类型，该结构在第三节中介绍。在第四节中，将所提方法的仿真结果与通过将特征应用于基于众所周知的名为“一对一”（OAO）方法的SVM结构而获得的准确率进行比较。比较表明，与OAO结构相比，所提出的二叉树结构不仅精度更高，而且复杂度也大大降低。仿真结果表明，所研究算法在准确性和鲁棒性等方面均优于先前算法。最后，第五节提供结论。

2.特征提取

特征提取是通过模式识别方法开发的任何AMR算法的关键步骤。在该步骤中，从接收到的调制信号中提取一些可测量的量，称为特征，以用于分类步骤。这些功能应充分描述数字调制信号的特性，并能容忍信道噪声和输入变化。在本节中，我们介绍一些新颖的特征，可以将其分为两部分：基于时间和频谱的特征，以及在以下部分中评估的基于小波的特征。此外，与不同特征相关的仿真结果已在图2中给出。这些结果已通过分析提出的特征获得，以显示它们相对于信道噪声的变化。另外，值得一提的是，在图2所示的图中，每个点代表在每个SNR值处对应调制类型的1000个实现的相关特征的平均值。