《一种基于聚类和支持向量机的联合调制识别方法.pdf》由会员分享，可在线阅读，更多相关《一种基于聚类和支持向量机的联合调制识别方法.pdf（10页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 102497343 A (43)申请公布日 2012.06.13 C N 1 0 2 4 9 7 3 4 3 A *CN102497343A* (21)申请号 201110383552.1 (22)申请日 2011.11.25 H04L 27/00(2006.01) H04L 27/18(2006.01) H04L 27/34(2006.01) (71)申请人南京邮电大学 地址 210003 江苏省南京市新模范马路66 号 (72)发明人朱琦 刘爱声 朱洪波 杨龙祥 (74)专利代理机构南京经纬专利商标代理有限 公司 32200 代理人叶连生 (54) 发明名称 一种。
2、基于聚类和支持向量机的联合调制识别 方法 (57) 摘要 本发明提供了一种基于聚类和支持向量机的 联合调制识别方法，以改进聚类算法在低信噪比 时调制识别率低的缺点。该方法针对基于星座图 的调制方式PSK/QAM，利用聚类算法提取调制信 号的特征参数，通过支持向量机识别出信号的调 制方式，以提高系统的调制识别率。具体步骤如 下：针对典型的基于星座图的调制方式PSK/QAM， 首先利用聚类算法，重建接收信号的星座图，然后 通过构造有效性评估函数，分别得到在不同聚类 中心数时能够反映调制类型显著差异的有效性函 数值，作为输入支持向量机的特征参数。为了克服 支持向量机识别多类问题时，常用的一对余类及 。
3、一对一类两种算法计算复杂度高的缺点，可以采 用分级的算法对支持向量机进行训练。 (51)Int.Cl. 权利要求书1页 说明书6页 附图2页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书 1 页 说明书 6 页 附图 2 页 1/1页 2 1.一种基于聚类和支持向量机的联合调制识别方法，其特征在于该方法针对基于星座 图的调制方式PSK/QAM，利用聚类算法提取调制信号的特征参数，通过支持向量机分类器识 别出信号的调制方式，该方法包含以下步骤： a. 设经过信号预处理后得到的接收信号的同相分量为，正交分量为，其中下 标中的代表同相分量，代表正交分量，N是样点的数目； b。
4、.利用K-均值聚类算法对样点进行分类，得到聚类中心点和第个样点到 第个聚类中心的隶属度，从而决定每个样点的归属，重建接收信号的星座图，其中 ，是样本和聚类中心的欧式距离， 的取值取决于调制方式的阶数，若待识别调制方式为BPSK、QPSK、8PSK、16QAM、32QAM及 64QAM,则的取值分别为2、4、8、16、32及64； c对每个样点，计算值，其中为样点与 划分到其所在的聚类中心中其他样点的平均欧式距离，为样点与所有划分到第 k个聚类中心 的所有样点的平均欧式距离； d计算所有划分到第i个聚类中心中的样点的的平均值，其 中为所有隶属于聚类中心的样点数目； e当聚类中心数为K时，将聚类整。
5、体划分结果的评估值定义为所有的均值，即 ； f利用提取的作为特征参数输入训练好的支持向量机分类器，识别出输入信号的 调制方式；=2,4,8,16,32,64。 权 利 要 求 书CN 102497343 A 1/6页 3 一种基于聚类和支持向量机的联合调制识别方法 技术领域 0001 本发明涉及一种基于聚类和支持向量机的自动调制识别实现方案，属于通信技术 领域。 背景技术 0002 随着通信技术的发展，通信信号在很宽的频带上采用不同的调制方式，同时这些 信号的调制参数也不尽相同。数字信号的自动调制识别可以在多种调制信号和有噪声干扰 的条件下确定出信号的调制方式，在民用和军用领域都有重要的作用。。
6、随着通信信号的体 制和调制样式变得更加复杂多样，通信信号的调制识别就显得尤为重要和迫切。 0003 目前，调制方式自动识别的研究方法主要可以分为两类：基于假设检验的最大似 然方法和基于特征提取的模式识别方法。基于假设检验的最大似然方法，通过对信号的似 然函数进行处理，将得到的似然比与阈值进行比较，完成调制识别功能。基于特征提取的模 式识别方法，通常包含两个子系统，一个子系统用于提取信号的特征参数，另一个子系统根 据信号的特征参数，采用一定的分类器确定信号的调制类型。 0004 基于特征提取的模式识别方法，在理论上是一种次优的方法，但是其形式通常比 较简单，易于实现，而且在某些条件下能够达到近似。
7、最优的识别性能。在模型失配的情况 下，基于特征提取的模式识别方法要比最大似然法稳健。在基于特征提取的模式识别方法 中，用于调制识别的分类器，主要包括人工神经网络、支持向量机、聚类以及其他一些模式 识别方法。 0005 聚类是数据挖掘中一个重要手段，是将数据集划分为若干组或类的过程，并使得 同一个组内的数据对象具有较高的相似度，而不同组中的数据对象则是非相似的。目前在 许多领域，包括数据挖掘、统计学、模式识别、机器学习、图像处理、市场分析都有聚类的研 究和应用。目前基于距离的聚类算法以及基于密度的聚类方法已用于基于星座图调制方式 的自动识别。 0006 支持向量机是基于统计学习理论而发展起来的一。
8、种模式识别方法，其基本思想 是：首先通过非线性变换将输入空间变换到一个高维特征空间，然后在这个高维空间求线 性分类面，而这种非线性变换是通过定义适当的核函数实现的，升维后只是改变了内积运 算，并没有使算法复杂性随着维数的增加而增加。SVM 从理论上实现了对不同类别的最优 分类，有较好的推广能力，能根据信号的特征值，识别信号的调制类型。 0007 然而，在以往的调制识别算法，例如，基于聚类的调制识别算法中，当接收信号的 信噪比较低时，调制方式的识别率很低。以致无法为进一步处理信号，如正确的解调、分析 或者进行干扰提供可靠的依据。如何提高信号的调制识别率，仍是自动调制识别算法中需 要解决的问题之一。
9、。 发明内容 0008 技术问题：本发明的目的是在于提供一种基于聚类和支持向量机的联合调制识别 说 明 书CN 102497343 A 2/6页 4 方法，以改进聚类算法在低信噪比时调制识别率低的缺点。该方法针对基于星座图的调制 方式PSK/QAM，利用聚类算法提取调制信号的特征参数，通过支持向量机分类器识别出信号 的调制方式。与单独采用聚类算法相比，该方法能够提高系统的调制识别率，尤其是在接收 信号的信噪比较低时，调制信号的识别率明显提高。 0009 技术方案：本发明提供一种基于聚类和支持向量机的算法，实现调制方式的自动 识别，以改进聚类算法在低信噪比时调制识别率低的缺点。该方法针对典型的基。
10、于星座图 的调制方式PSK/QAM，首先利用聚类算法，如K-均值聚类，重建接收信号的星座图，然后通 过构造有效性评估函数，分别得到在不同聚类中心数时能够反映调制类型显著差异的有效 性函数值，作为输入支持向量机的特征参数。为了克服支持向量机识别多类问题时，常用的 一对余类及一对一类两种算法计算复杂度高的缺点，可以采用分级的算法对支持向量机进 行训练。最后利用训练好的支持向量机分类器，识别出信号的调制方式，以提高系统对接收 信号的调制识别率。 0010 基于聚类和支持向量机的联合调制识别方法针对基于星座图的调制方式PSK/ QAM，利用聚类算法提取调制信号的特征参数，通过支持向量机分类器识别出信号。
11、的调制方 式，该方法包含以下步骤： a. 设经过信号预处理后得到的接收信号的同相分量为，正交分量为，其中下 标中的代表同相分量，代表正交分量，N是样点的数目； b.利用K-均值聚类算法对样点进行分类，得到聚类中心点和第个样点到 第个聚类中心的隶属度，从而决定每个样点的归属，重建接收信号的星座图，其中 ，是样本和聚类中心的欧式距离， 的取值取决于调制方式的阶数，若待识别调制方式为BPSK、QPSK、8PSK、16QAM、32QAM及 64QAM,则的取值分别为2、4、8、16、32及64； c对每个样点，计算值，其中为样点与 划分到其所在的聚类中心中其他样点的平均欧式距离，为样点与所有划分到第 。
12、k个聚类中心 的所有样点的平均欧式距离； d计算所有划分到第i个聚类中心中的样点的的平均值，其 中为所有隶属于聚类中心的样点数目； e当聚类中心数为K时，将聚类整体划分结果的评估值定义为所有的均值，即 ； 说 明 书CN 102497343 A 3/6页 5 f利用提取的作为特征参数输入训练好的支持向量机分类器，识别出输入信号的 调制方式；=2,4,8,16,32,64。 0011 有益效果：本发明提供了一种基于聚类和支持向量机的联合调制识别方法，与单 独采用聚类算法进行自动调制识别相比，本发明提出的算法能够有效提高系统的调制识别 率，尤其是在接收信号的信噪比较低时，调制方式的识别率明显提高。。
13、 附图说明 0012 图1 系统模型。 0013 图2 分级SVM分类器。 0014 图3 联合调制识别算法流程。 具体实施方式 0015 本发明所给出的基于聚类和支持向量机的联合调制识别算法的系统模型如图1 所示。调制信号为基于星座图的调制方式PSK/QAM，信号在传播过程中会受到信道中加性高 斯白噪声及其他干扰的影响。聚类和神经网络是在接收端进行调制识别的两种主要算法。 0016 聚类是一种无监督学习，是将数据集划分为若干组或类的过程，并使得同一组内 的数据对象具有较高的相似度，而不同组中的数据对象则是非相似的。聚类分析可以发现 数据的分布模式以及数据属性之间存在的有价值的相关联系。基于星。
14、座图的调制方式，由 于其调制信号能被它的星座图唯一表述，因而可以通过聚类算法，将接收到的信号点分类， 恢复接收信号星座图，进而提取反映调制类型间具有显著差异的特征参数。 0017 支持向量机方法是从线性可分情况下的最优分类超平面提出的，它首先通过核函 数定义的非线性变换将输入空间变换到一个高维空间，然后在这个新空间中求取最优线性 分类超平面。支持向量机从理论上实现了对不同类别的最优分类，有较好的推广能力。因 此，可以从提高系统的调制识别性能出发，利用聚类算法所提取的特征参数的新组合作为 支持向量机的输入对支持向量机分类器进行训练，然后利用训练后的支持向量机分类器对 基于星座图的调制方式进行识别。
15、。 0018 基于聚类和支持向量机的联合调制识别算法的流程包含三部分：一是信号的预处 理，在此阶段对信号进行处理，利用聚类算法，如K-均值聚类，重建信号的星座图，然后采 用有效性函数计算出在不同聚类中心数时的函数值，做为输入支持向量机的特征参数；二 是支持向量机的训练学习，在此阶段可以采用分级的算法，对支持向量机分类器进行训练， 以达到设定的精度要求；三是测试阶段，即利用训练好的支持向量机分类器对调制方式进 行识别。通过聚类和支持向量机两种模式识别算法的结合，以有效提高系统对调制方式的 识别率。 0019 基于聚类与支持向量机的联合调制识别方法中，首先基于聚类算法进行调制信号 特征参数的提取。。
16、在聚类算法中，首先要将接收到的信号进行预处理，经过载波下变频，低 通滤波，以及抽样等信号预处理过程得到接收信号的同相分量和正交分量的值，设为数据 矩阵。经过信号预处理得到数据集后，可对数据集中的样本点进行聚类运算，例如， K-均值聚类。K-均值聚类算法能自动对数据对象进行分类，通过优化模糊目标函数得到聚 说 明 书CN 102497343 A 4/6页 6 类中心和每个样本点对类中心的隶属度，从而决定样本点的归属。FCM 聚类问题可表示成下面的数学规划问题，其目标函数为： (1) 其约束条件为： (2) 其中，N是数据集中元素的个数。K是聚类中心数，因为待识别调制信号 为：BPSK，QPSK，。
17、8PSK，16QAM，32QAM，以及64QAM，其调制阶数分别为：，所以 在本文中取聚类中心数共六种情况分别进行聚类运算。是 样本和聚类中心的欧式距离。是第j个样本到第i个聚类中心的隶属度， ，。K-均值聚类算法可转化为如下迭代算法实现： 步骤1：给出迭代标准，并初始化分类矩阵，你、n=0； 步骤2：计算更新隶属矩阵： （3） 步骤3：计算聚类中心矩阵： （4） 步骤4：用矩阵范数比较与，若 （5） 则停止迭代，否则令k=k+1，转向步骤2。 0020 通过上述迭代过程，优化（1）式的目标函数，最终可以得到优化的聚类中心和每个 样本点对聚类中心的隶属度矩阵。 0021 由于具有不同调制阶数的。
18、信号，其最佳的聚类中心数是不同的，因而要得到能够 区分不同调制方式的特征参数，可以对在不同聚类中心数K 值时得到的聚类结果进行有 效性分析，判断将接收信号点划分为K类是否合理，得到有效性函数值，从而区分不同的调 制信号。可以采用不同的有效性函数，例如，silhouette index算法，其具体实现过程如 下： 说 明 书CN 102497343 A 5/6页 7 1）首先对每个信号点，计算其值： (6) 其中，为第j 个信号点与划分到其所在的聚类中心中其他信号点的平均距 离，为第j 个信号点与所有划分到第k个聚类中心 的所有 信号点的平均距离。 0022 2）计算所有划分到第i个聚类中心中的。
19、信号点的的平均值： (7) 其中，为所有隶属于聚类中心的样本点数目。 0023 3）对聚类中心数为K时，对聚类整体划分结果的评估值，定义为所有的均 值，即： (8) 调制阶数不同的调制信号，将其信号划分为K类的合理程度是不同的，即不同调制信 号的值是各不相同的，因此可以通过提取有效性函数的值，区分不同的调制类型。 0024 利用聚类算法提取调制信号的特征参数，将在不同接收信噪比下提取的特征参数 送入支持向量机分类器，对支持向量机进行训练。 0025 SVM是从线性可分情形下求解最优分类面提出的。所谓最优分类超平面，就是要求 分类平面不但能将两类样本无错误的分开，而且要使两类之间的距离最大。对于。
20、两类可分 问题，其目标函数为： (9) 求解式（9）式得到最优解；选择的一个正分量，并据 此计算；最后，求得决策函数为： (10) 支持向量机识别多类问题时，常用的一对余类及一对一类两种算法。为了克服一对余 类及一对一类两种算法计算复杂度高的缺点，在此阶段可以采用分级的算法对支持向量机 进行训练，如图2所示。 说 明 书CN 102497343 A 6/6页 8 0026 基于聚类和支持向量机的联合调制识别算法的算法流程如图3所示。针对基于星 座图的调制方式PSK/QAM，利用聚类算法提取调制信号的特征参数，将在不同接收信噪比下 提取的特征参数送入支持向量机分类器，对支持向量机进行训练。支持向。
21、量机分类器训练 完成后，对于一个未知的调制信号，在应用本发明所提出的基于聚类和支持向量机的算法 进行调制识别时，需要依次经过如下步骤： 1）经过预处理，得到包含信号同相分量和正交分量的数据集 ； 2）对数据集进行聚类运算，如K-均值FCM聚类算法，得到各个信号点对聚类中心的 隶属度矩阵 ； 3）对隶属度矩阵用有效性函数进行处理，得到区分不同调制方式的特征参数向量。 0027 4）将特征参数向量作为输入，送入训练好的支持向量机分类器。从支持向量机的 输出即可得到未知信号的调制类型，即实现调制方式的自动识别。 0028 由于支持向量机分类器具有很强的模式识别能力，从理论上实现了对不同类别的 最优分类，有较好的推广能力。因此将聚类算法与支持向量机分类器相结合，用于调制信号 的自动识别，可有效提高系统的调制识别率。 说 明 书CN 102497343 A 1/2页 9 图1 图2 说 明 书 附 图CN 102497343 A 2/2页 10 图3 说 明 书 附 图CN 102497343 A 10 。