信號(hào)調(diào)制方式的智能識(shí)別,是在接收方對(duì)信號(hào)的調(diào)制方式未知的條件下,對(duì)信號(hào)進(jìn)行一系列處理,包括提取關(guān)鍵特征值,以及識(shí)別提取的特征值以完成對(duì)信號(hào)的分類。當(dāng)下數(shù)字信號(hào)調(diào)制方式日益繁多,由于其重要的軍事意義與民用價(jià)值,信號(hào)調(diào)制方式識(shí)別的研究一直在無(wú)線通信領(lǐng)域扮演著極其重要的角色,是該領(lǐng)域的熱門(mén)研究課題。其應(yīng)用也十分廣泛,如電子對(duì)抗、識(shí)別干擾、頻帶監(jiān)管等多個(gè)領(lǐng)域。信號(hào)調(diào)制方式的智能識(shí)別,也是智能信息處理和機(jī)器學(xué)習(xí)的一大應(yīng)用場(chǎng)景。對(duì)調(diào)制識(shí)別算法的研究可以擴(kuò)展到其它智能信息處理問(wèn)題上,具有廣闊的應(yīng)用前景。本文基于上述背景,分析信號(hào)調(diào)制識(shí)別已有研究存在的一些問(wèn)題,在高斯白噪聲信道下,針對(duì)相位鍵控調(diào)制（MPSK）和正交振幅調(diào)制（MQAM）的識(shí)別問(wèn)題,提出了基于高階累積量與局部均值分解對(duì)調(diào)制信號(hào)進(jìn)行特征提取,本文設(shè)計(jì)了基于布谷鳥(niǎo)改進(jìn)灰狼算法優(yōu)化支持向量機(jī)的調(diào)制信號(hào)分類器。論文研究主要工作如下:1.針對(duì)高階累積量無(wú)法有效進(jìn)行MQAM與MPSK類間分類,以及模態(tài)經(jīng)驗(yàn)分解存在的端點(diǎn)效應(yīng)嚴(yán)重、過(guò)包絡(luò)等問(wèn)題,引入了局部均值分解概念,提出一種基于高階累積量與LMD近似熵的特征提取方法。通過(guò)計(jì)算接收信號(hào)的二、四、六階累積... 

【文章來(lái)源】：南京郵電大學(xué)江蘇省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 信號(hào)調(diào)制識(shí)別的研究現(xiàn)狀
        1.2.1 調(diào)制信號(hào)特征提取的研究現(xiàn)狀
        1.2.2 調(diào)制信號(hào)分類算法的研究現(xiàn)狀
    1.3 本文主要工作和結(jié)構(gòu)
第二章 信號(hào)調(diào)制理論概述及調(diào)制識(shí)別算法分析
    2.1 通信信號(hào)的基本調(diào)制方式
    2.2 調(diào)制識(shí)別算法基礎(chǔ)
    2.3 本章小結(jié)
第三章 基于高階累積量與局部均值分解的特征提取
    3.1 基于高階累積量的特征提取
        3.1.1 高階累積量的理論知識(shí)
        3.1.2 特征參數(shù)選取
    3.2 基于LMD的特征提取
        3.2.0 局部均值分解的理論知識(shí)
        3.2.1 特征參數(shù)選取
    3.3 特征提取
    3.4 本章小結(jié)
第四章 基于GWO算法優(yōu)化LSSVM的研究
    4.1 最小二乘支持向量機(jī)
    4.2 灰狼優(yōu)化算法
        4.2.1 算法來(lái)源
        4.2.2 算法數(shù)學(xué)模型
    4.3 基于GWO優(yōu)化LSSVM的調(diào)制信號(hào)分類器設(shè)計(jì)
        4.3.1 GWO優(yōu)化LSSVM算法分析
        4.3.2 GWO-LSSVM算法模型構(gòu)建
        4.3.3 調(diào)制信號(hào)識(shí)別分類器設(shè)計(jì)
    4.4 仿真與結(jié)果分析
    4.5 本章小結(jié)
第五章 基于布谷鳥(niǎo)算法改進(jìn)的GWO-LSSVM分類器
    5.1 布谷鳥(niǎo)算法基礎(chǔ)
        5.1.1 算法來(lái)源
        5.1.2 算法數(shù)學(xué)模型
    5.2 布谷鳥(niǎo)搜索算法改進(jìn)GWO算法
    5.3 基于CS-GWO算法優(yōu)化LSSVM分類器
    5.4 仿真與結(jié)果分析
    5.5 本章小結(jié)
第六章 總結(jié)與展望
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間申請(qǐng)的專利
致謝


【參考文獻(xiàn)】：
期刊論文
[1]布谷鳥(niǎo)搜索算法研究綜述[J]. 蘭少峰,劉升.  計(jì)算機(jī)工程與設(shè)計(jì). 2015(04)
[2]基于聚類與神經(jīng)網(wǎng)絡(luò)的無(wú)線通信聯(lián)合調(diào)制識(shí)別新方法[J]. 楊發(fā)權(quán),李贊,羅中良.  中山大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(02)
[3]汽輪機(jī)轉(zhuǎn)子故障診斷中LMD法和EMD法的性能對(duì)比研究[J]. 向玲,鄢小安.  動(dòng)力工程學(xué)報(bào). 2014(12)
[4]EMD與LMD在BCI腦電信號(hào)分析中的比較研究[J]. 朱曉琳,劉建平.  武警工程大學(xué)學(xué)報(bào). 2014 (04)
[5]一種新的自適應(yīng)布谷鳥(niǎo)搜索算法[J]. 錢(qián)偉懿,候慧超,姜守勇.  計(jì)算機(jī)科學(xué). 2014(07)
[6]基于半監(jiān)督聚類理論的MQAM信號(hào)的調(diào)制識(shí)別[J]. 孫剛燦,李蘋(píng)蘋(píng),申金媛,趙海東.  鄭州大學(xué)學(xué)報(bào)(工學(xué)版). 2014(04)
[7]一種基于Lévy飛行軌跡的蝙蝠算法[J]. 謝健,周永權(quán),陳歡.  模式識(shí)別與人工智能. 2013(09)
[8]高階累積量和分形理論在信號(hào)調(diào)制識(shí)別中的應(yīng)用研究[J]. 黨月芳,徐啟建,張杰,陳曉.  信號(hào)處理. 2013(06)
[9]基于混沌粒子群的決策樹(shù)SVM的調(diào)制模式識(shí)別[J]. 張愛(ài)華,尉宇.  電視技術(shù). 2012(23)
[10]對(duì)基于決策論的數(shù)字信號(hào)調(diào)制識(shí)別方法的改進(jìn)[J]. 張達(dá)敏,王旭.  計(jì)算機(jī)應(yīng)用. 2009(12)

博士論文
[1]數(shù)字通信信號(hào)調(diào)制識(shí)別算法研究[D]. 陳衛(wèi)東.西安電子科技大學(xué) 2001

碩士論文
[1]基于軟件無(wú)線電的通信信號(hào)調(diào)制模式識(shí)別算法及解調(diào)算法的研究[D]. 齊琳.哈爾濱工程大學(xué) 2005



本文編號(hào)：3627747