本文關(guān)鍵詞： 模式識別 多特征融合 聚類算法 有效性　出處：《西南科技大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：在現(xiàn)代通信系統(tǒng)中,調(diào)制信號的復(fù)雜程度越來越高,一些通信系統(tǒng)需要對多種調(diào)制信號進行識別,但目前算法多數(shù)缺乏通用性,即識別種類有限。另外在常用算法中,較多使用單一特征參數(shù)對信號進行識別,在噪聲較大時,很難進行有效識別。本文針對調(diào)制信號在噪聲環(huán)境中識別率不高的問題,通過特征參數(shù)提取和分類器的改進和優(yōu)化,研究MASK\MFSK\MPSK\MQAM等13種典型數(shù)字信號調(diào)制方式在低信噪比環(huán)境中的識別率。在特征參數(shù)提取方法中,本文使用了歸一化樣本熵特征,該參數(shù)能表征數(shù)據(jù)的復(fù)雜度程度;針對單一的特征參數(shù)識別率不高的問題,給出了基于多特征的多特征融合算法,將多個特征參數(shù)融合為可供調(diào)制信號類間識別的二進制特征參數(shù),再進行模式識別,主要用于MASK\MFSK\MPSK\MQAM四類經(jīng)典調(diào)制類型的識別。在類間識別中,本文給出了基于星座圖的AP-FCM聯(lián)合聚類算法,并使用聚類有效性準(zhǔn)則檢測聚類性能,該算法能夠自適應(yīng)的重構(gòu)星座圖,以此對2PSK\4PSK\8PSK\16PSK\16QAM\32QAM\64QAM調(diào)制信號進行識別;對MASK調(diào)制信號通過基于幅度譜密度和樣本熵特征的融合進行識別,識別種類分別為2ASK\4ASK\8ASK調(diào)制信號;MFSK調(diào)制信號通過頻譜的譜峰個數(shù)和譜峰間距的標(biāo)準(zhǔn)偏差特征的融合進行對2FSK\4FSK\8FSK調(diào)制信號識別。最后,還給出了基于MATLAB GUI的AP-FCM聚類算法的仿真界面設(shè)計。本文通過對改進和優(yōu)化的算法的仿真和實驗,在信噪比較低時,該算法能準(zhǔn)確識別調(diào)制類型,有較高的識別率,并使用AP和FCM聯(lián)合算法自適性重構(gòu)星座圖,辨識度較高,從而證明了經(jīng)過多特征融合算法后的模式識別的有效性和正確性。
[Abstract]:In modern communication systems, the complexity of modulation signals is becoming more and more complex. Some communication systems need to recognize many kinds of modulated signals, but most of the current algorithms are short of generality, that is, the types of recognition are limited. It is difficult to identify the signal effectively when the noise is high. In this paper, the feature parameter extraction and the improvement and optimization of the classifier are used to solve the problem that the recognition rate of the modulated signal in the noise environment is not high. The recognition rate of 13 typical digital signal modulation methods such as MASK\ MFSK\ MPSK\ MQAM in low SNR environment is studied. In the feature parameter extraction method, the normalized sample entropy feature is used, which can represent the complexity of the data. In order to solve the problem that the recognition rate of single feature parameter is not high, a multi-feature fusion algorithm based on multi-feature is presented. The multi-feature parameters are fused into binary feature parameters which can be recognized between classes of modulation signals, and then the pattern recognition is carried out. It is mainly used for the recognition of four kinds of classical modulation types of MASK\ MFSK\ MPSK\ MQAM. In the inter-cluster recognition, this paper presents the AP-FCM joint clustering algorithm based on constellation diagram, and uses the clustering validity criterion to detect the clustering performance. The algorithm can adaptively reconstruct the constellation diagram. In this way, 2PSK\ 4PSK\ 8PSK\ 16PSK\ 16QAM\ 32QAM\ 64QAM modulation signal is recognized, and the MASK modulation signal is identified by fusion based on amplitude spectral density and sample entropy. The recognition category is 2ASK\ 4ASK\ 8ASK modulation signal MFSK modulation signal is identified by the fusion of the number of spectral peaks and the standard deviation feature of spectral peak spacing. Finally, the 2FSK\ 4FSK\ 8FSK modulation signal is identified. The simulation interface design of AP-FCM clustering algorithm based on MATLAB GUI is also given. Through the simulation and experiment of the improved and optimized algorithm, when the SNR is low, the algorithm can accurately identify the modulation type and has a high recognition rate. The adaptive algorithm of AP and FCM is used to reconstruct the constellation diagram, and the recognition degree is high, which proves the validity and correctness of the pattern recognition after multi-feature fusion algorithm.
【學(xué)位授予單位】：西南科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TN911.3

【相似文獻】

相關(guān)期刊論文 前10條

1 徐慧,劉鳳玉;多特征融合的入侵檢測[J];計算機工程;2004年15期

2 初紅霞;王科俊;王希鳳;郭慶昌;韓晶;;多特征融合的退火粒子濾波目標(biāo)跟蹤[J];計算機工程與應(yīng)用;2011年06期

3 顧鑫;王海濤;汪凌峰;王穎;陳如冰;潘春洪;;基于不確定性度量的多特征融合跟蹤[J];自動化學(xué)報;2011年05期

4 姚紅革;杜亞勤;;基于多模式多特征融合粒子濾波視頻目標(biāo)跟蹤[J];西安工業(yè)大學(xué)學(xué)報;2012年11期

5 王蘭;;基于多特征融合的票據(jù)分類技術(shù)及應(yīng)用[J];計算機光盤軟件與應(yīng)用;2013年13期

6 陳增照;何秀玲;楊揚;董才林;;基于多特征融合的票據(jù)分類技術(shù)及應(yīng)用[J];計算機工程與應(yīng)用;2006年09期

7 周斌;林喜榮;賈惠波;宋榕;;多特征融合的手背血管識別算法[J];清華大學(xué)學(xué)報(自然科學(xué)版);2007年02期

8 劉貴喜;范春宇;高恩克;;基于粒子濾波與多特征融合的視頻目標(biāo)跟蹤[J];光電子.激光;2007年09期

9 胡全;邱兆文;王霓虹;;基于多特征融合的圖像語義標(biāo)注[J];東北林業(yè)大學(xué)學(xué)報;2008年10期

10 周靜;黃心漢;彭剛;;基于多特征融合的飛機目標(biāo)識別[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2009年01期

相關(guān)會議論文 前3條

1 葉鋒;蔡光東;鄭子華;亓?xí)孕?尹鵬;;基于多特征融合的藥用植物標(biāo)本識別[A];2011年中國智能自動化學(xué)術(shù)會議論文集（第一分冊）[C];2011年

2 段其昌;季長有;;基于多特征融合的快速人臉檢測[A];第十七屆全國測控計量儀器儀表學(xué)術(shù)年會（MCMI'2007）論文集（上冊）[C];2007年

3 李玉峰;鄭德權(quán);趙鐵軍;;基于SVM和多特征融合的圖像分類[A];第四屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集（上）[C];2008年

相關(guān)博士學(xué)位論文 前6條

1 劉明華;復(fù)雜環(huán)境下基于多特征融合的目標(biāo)跟蹤關(guān)鍵技術(shù)研究[D];青島科技大學(xué);2016年

2 SAEED-UR-REHMAN;基于機器學(xué)習(xí)的排序優(yōu)化及其在行人再識別中的應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2017年

3 田綱;基于多特征融合的Mean shift目標(biāo)跟蹤技術(shù)研究[D];武漢大學(xué);2011年

4 徐志剛;基于多特征融合的路面破損圖像自動識別技術(shù)研究[D];長安大學(xué);2012年

5 陳秀新;多特征融合視頻復(fù)制檢測關(guān)鍵技術(shù)研究[D];北京工業(yè)大學(xué);2013年

6 初紅霞;基于均值移動和粒子濾波的目標(biāo)跟蹤關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 張巖;基于多特征融合及二部圖匹配的3D目標(biāo)檢索技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2015年

2 計明明;基于多特征融合的三維模型檢索技術(shù)[D];浙江大學(xué);2015年

3 王慶;基于多特征融合的人體動作識別方法研究[D];上海大學(xué);2015年

4 劉婕;復(fù)雜場景多特征融合粒子濾波目標(biāo)跟蹤[D];重慶理工大學(xué);2015年

5 崔劍;基于多特征融合的分級行人檢測方法研究[D];電子科技大學(xué);2015年

6 王珊珊;基于極化SAR非監(jiān)督分類的油膜厚度估算方法研究[D];大連海事大學(xué);2015年

7 肖冠;基于多特征融合的異類傳感器中段目標(biāo)關(guān)聯(lián)算法研究[D];國防科學(xué)技術(shù)大學(xué);2013年

8 王建榮;基于多特征融合的無人機航拍圖像識別研究[D];成都理工大學(xué);2015年

9 高爽;基于多特征融合的粒子濾波跟蹤算法研究[D];西安電子科技大學(xué);2014年

10 坎啟嬌;基于多特征融合的多目標(biāo)跟蹤算法[D];河北工業(yè)大學(xué);2015年

，

本文編號：1540657