專利名稱：基于多類特征參數(shù)和證據(jù)理論的協(xié)作調(diào)制識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于多類特征參數(shù)和證據(jù)理論的協(xié)作調(diào)制識別方法，屬于通信技術(shù)領(lǐng)域。
背景技術(shù)：
調(diào)制識別是介于信號檢測和信息解調(diào)之間的一個中間步驟，在無線通信中應(yīng)用范圍很廣。通信信號的調(diào)制識別技術(shù)大致分為決策理論識別和統(tǒng)計模式識別，前者用概率和復(fù)合假設(shè)檢驗的觀點，獲得分類器的判決準(zhǔn)則。該方法主要難點是如何正確地判決門限，計算復(fù)雜度也非常大。另一個是模式識別，它通過提取信號的特征參量構(gòu)成特征向量，采用模式識別分類器進(jìn)行信號的分類識別。該方法不需要一定的假設(shè)條件，可實現(xiàn)信號的盲識別，比較適合信號的處理，因此該方法應(yīng)用更廣泛些。目前模式識別中比較流行的特征提取方法有很多，如基于瞬時信息的特征提取，基于小波分解的細(xì)節(jié)特征提取，基于高階 累積量的特征提取，基于分形理論的特征提取和基于信號倒譜系數(shù)的特征提取，而且很多方法還得到了改進(jìn)，但很少有文章綜合利用各種方法，以達(dá)到取長補短，進(jìn)一步提高總體識別率的目的。針對無線通信環(huán)境中隱節(jié)點問題，有些學(xué)者提出協(xié)作的識別方法，但相互協(xié)作的節(jié)點僅限于提取相同類型的特征參數(shù)，單一類型的特征參數(shù)表征信號的種類有限，當(dāng)對某一信號識別率很低時，這種情況不會因為相互協(xié)作節(jié)點數(shù)的增加有很好的改善，因此系統(tǒng)平均識別率得不到提高。若將適當(dāng)?shù)牟煌愋偷奶卣鲄?shù)結(jié)合，選擇合適的融合規(guī)則，可使系統(tǒng)平均識別性能提高，還可增加系統(tǒng)可識別信號的種類，所以特征參數(shù)和融合規(guī)則的選擇非常重要。數(shù)據(jù)融合技術(shù)就是將來自多源信息進(jìn)行綜合處理，從而得到更為準(zhǔn)確、可靠的結(jié)論。比較成熟的識別融合技術(shù)有貝葉斯法、模板法、表決法等，以及有證據(jù)推理法、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)法。在歷史上，貝葉斯理論曾是解決多數(shù)據(jù)融合的最佳方法，但是其存在嚴(yán)重缺陷很難根據(jù)貝葉斯理論給出精確的可信度表示。作為貝葉斯理論擴(kuò)充的D-S推理技術(shù)，在數(shù)據(jù)融合中得到了廣泛的應(yīng)用。它的主
要特點是滿足比貝葉斯概率理論更弱的條件；具有直接表達(dá)“不確定”和“不知道”的能力.但D-S亦有其局限性，例如在合成高度沖突的證據(jù)時，合成結(jié)果將有悖常理，為解決該問題，文獻(xiàn)[一種改進(jìn)的證據(jù)推理組合規(guī)則]提出根據(jù)D-S提出一種新的證據(jù)理論合成公式，新的合成公式彌補了 D-S證據(jù)理論所存在的不足，使高沖突證據(jù)合成的結(jié)果更為理
本巨
ο

發(fā)明內(nèi)容
技術(shù)問題本發(fā)明的目的在于提供一種基于多類特征參數(shù)和證據(jù)理論的協(xié)作調(diào)制識別方法。該方法針對已有協(xié)作識別方法中，相互協(xié)作的節(jié)點僅限于提取相同類型的特征參數(shù)，但單一類型的特征參數(shù)表征信號的種類有限，導(dǎo)致系統(tǒng)可識別信號種類非常有限的問題，提出將適當(dāng)?shù)牟煌愋偷奶卣鲄?shù)結(jié)合，選擇合適的融合規(guī)則，以達(dá)到不降低系統(tǒng)平均識別率的同時，增加系統(tǒng)可識別信號的種類。技術(shù)方案本發(fā)明給出的基于多類特征參數(shù)和改進(jìn)D-S證據(jù)理論的協(xié)作調(diào)制識別方法，包含以下步驟
a.特征提取部分選擇3個節(jié)點相互協(xié)作時，每個節(jié)點提取不同類型的特征參數(shù)，它們分別是基于瞬時信息的特征參數(shù)，基于小波分解細(xì)節(jié)系數(shù)和高階累積量的特征參數(shù)，基于倒譜系數(shù)的特征參數(shù)，這些特征參數(shù)可以從不同角度表征目標(biāo)信號；當(dāng)6個節(jié)點相互協(xié)作時，其中有兩個節(jié)點都提取基于瞬時信息的特征參數(shù)，兩個節(jié)點都提取基于小波分解細(xì)節(jié)系數(shù)和高階累積量的特征參數(shù)，剩余兩個節(jié)點都提取基于倒譜系數(shù)的特征參數(shù)；當(dāng)9個節(jié)點相互協(xié)作時，其中有三個節(jié)點都提取基于瞬時信息的特征參數(shù)，三個節(jié)點都提取基于小波分解細(xì)節(jié)系數(shù)和高階累積量的特征參數(shù)，剩余三個節(jié)點都提取基于倒譜系數(shù)的特征參數(shù)；
b.特征級融合各節(jié)點內(nèi)有以訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，提取的特征參數(shù)被送入該節(jié)點內(nèi)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，得出特征級融合結(jié)果；
c.決策級融合特征級融合結(jié)果即神經(jīng)網(wǎng)絡(luò)輸出直接作為證據(jù)被送往融合中心進(jìn)行融合，融合規(guī)則采用一種改進(jìn)的D-S證據(jù)理論組合規(guī)則，該規(guī)則可使高沖突證據(jù)合成的結(jié)果更為理想。有益效果為了 減小無線通信環(huán)境中存在的深衰落、陰影效應(yīng)和隱藏節(jié)點等問題對調(diào)制識別結(jié)果的影響，本發(fā)明提供了一種將不同類型的特征參數(shù)結(jié)合在一起，選擇D-S融合規(guī)則，可在不降低系統(tǒng)平均識別率的同時，增加系統(tǒng)可識別信號的種類。


圖1系統(tǒng)模型圖。
具體實施例方式本發(fā)明提出一種新的節(jié)點間協(xié)作的識別方法，實現(xiàn)對2ASK，4ASK，8ASK，2PSK，QPSK, 8PSK, 2FSK, 4FSK, 8FSK, 16QAM, 32QAM, 64QAM 和 OFDM 13 種調(diào)制方式正確識別。選擇3個節(jié)點相互協(xié)作時，每個節(jié)點提取不同類型的特征參數(shù)，它們分別是基于瞬時信息的特征參數(shù)，基于小波分解細(xì)節(jié)系數(shù)和高階累積量的特征參數(shù)，基于倒譜系數(shù)的特征參數(shù)，這些特征參數(shù)可以從不同角度表征目標(biāo)信號。當(dāng)6個節(jié)點相互協(xié)作時，其中有兩個節(jié)點都提取基于瞬時信息的特征參數(shù)，兩個節(jié)點都提取基于小波分解細(xì)節(jié)系數(shù)和高階累積量的特征參數(shù)，剩余兩個節(jié)點都提取基于倒譜系數(shù)的特征參數(shù)，當(dāng)9個節(jié)點相互協(xié)作時，其中有三個節(jié)點都提取基于瞬時信息的特征參數(shù)，三個節(jié)點都提取基于小波分解細(xì)節(jié)系數(shù)和高階累積量的特征參數(shù)，剩余三個節(jié)點都提取基于倒譜系數(shù)的特征參數(shù)，各個節(jié)點將特征參數(shù)輸入到已訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，然后將神經(jīng)網(wǎng)絡(luò)的輸出直接作為證據(jù)送往融合中心進(jìn)行融合，融合規(guī)則采用一種改進(jìn)的D-S證據(jù)理論組合規(guī)則。由于3個節(jié)點與6，9個節(jié)點協(xié)作過程完全相同，所以以下只說明3個節(jié)點協(xié)作的情況，系統(tǒng)模型圖如圖1所示。圖中節(jié)點1，2，3是處在衰落無線通信環(huán)境下的調(diào)制識別的節(jié)點，每個節(jié)點具備基于BP神經(jīng)網(wǎng)絡(luò)進(jìn)行調(diào)整信號自動識別的功能，神經(jīng)網(wǎng)絡(luò)的輸出直接作為證據(jù)
權(quán)利要求
1.一種基于多類特征參數(shù)和證據(jù)理論的協(xié)作調(diào)制識別萬法，其特征在于該萬法包括以下步驟a.特征提取3個節(jié)點相互協(xié)作，每個節(jié)點提取不同類型的特征參數(shù)，它們分別是基于瞬時信息的特征參數(shù)、基于小波分解細(xì)節(jié)系數(shù)和高階累積量的特征參數(shù)和基于倒譜系數(shù)的特征參數(shù)，這些特征參數(shù)可以從不同角度表征目標(biāo)信號；其中基于瞬時信息的特儼兮氣包括瞬時幅度均值的平方Il零中心歸一化瞬時幅度絕對值的標(biāo)準(zhǔn)偏差Ofl2，瞬時頻率的平方和零中心歸一化瞬時頻率的絕對值的標(biāo)準(zhǔn)偏差^，瞬時頻率的變換值M/，零中心非弱信號段瞬時相位非線性分量絕對值的標(biāo)準(zhǔn)偏差^ ,零中心非弱信號段相位非線性分量的標(biāo)準(zhǔn)偏差％ ;基于小波分解系數(shù)和高階累積量的特征參數(shù)包括采用db3小波對接收信號進(jìn)行7層分解，提取各層小波系數(shù)，重構(gòu)各層信號并計算各層信號的平均方差得到SfSS八種參數(shù)，二階矩和四階矩的組合參數(shù)- )，聞階累積量C40及Cf42 ；b.特征級融合提取的特征參數(shù)被送入該節(jié)點已訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，其輸出
全文摘要
本發(fā)明提供一種基于多類特征參數(shù)和證據(jù)理論的協(xié)作調(diào)制識別方法，實現(xiàn)對2ASK，4ASK，8ASK，2PSK，QPSK，8PSK，2FSK，4FSK，8FSK，16QAM，32QAM，64QAM和OFDM13種調(diào)制方式正確識別。相互協(xié)作的節(jié)點提取不同類的特征參數(shù)，它們分別是基于瞬時信息的特征提取，基于小波分解的細(xì)節(jié)系數(shù)與高階累積量相結(jié)合的特征提取和基于信號倒譜系數(shù)的特征提取，這些特征參數(shù)可以從不同角度表征目標(biāo)信號，每個節(jié)點將特征參數(shù)輸入到已訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，然后將神經(jīng)網(wǎng)絡(luò)的輸出直接作為證據(jù)送往融合中心進(jìn)行融合，融合規(guī)則采用D-S證據(jù)理論組合規(guī)則。
文檔編號H04L27/00GK103067325SQ20131003818
公開日2013年4月24日 申請日期2013年1月31日 優(yōu)先權(quán)日2013年1月31日
發(fā)明者朱琦, 辛艷雙 申請人:南京郵電大學(xué)