信号:干扰类别及特征提取(二)

目录

第二部分:特征提取

一:瞬时特征参数

1.零中心归一化瞬时幅度之谱密度的最大值

2.非弱信号段零中心归一化瞬时幅度的标准偏差

3.零中心归一化瞬时幅度绝对值的标准偏差

4.零中心归一化非弱信号段瞬时频率的标准偏差

5.零中心归一化非弱信号段瞬时频率绝对值的标准偏差

6.非弱信号段瞬时相位非线性分量直接值的标准偏差

7.零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差

二:包络特征参数 R

三:谱特征

1.功率谱特征

2.平方谱特征

2.1  平方谱幅度最大值Q2max:

3.四平方谱特征

3.1   n 次方谱检测参数 Spn:

四:高阶累积量和高阶矩

二阶累积量

四阶累积量

参考文献

刘春桃.卫星测控信号调制识别技术研究[D].国防科技大学,2017.

张妙. 战术数据链Link-11物理层及调制识别技术的研究[D].西安电子科技大学,2011.

王旭.基于小波变换的通信信号特征提取与调制识别[D].贵州大学,2009.

第二部分:特征提取

一:瞬时特征参数

幅度、 相位和频率是通信信号的三大基本特征

1.零中心归一化瞬时幅度之谱密度的最大值

用来区分幅度包络是否恒定

2.非弱信号段零中心归一化瞬时幅度的标准偏差

3.零中心归一化瞬时幅度绝对值的标准偏差

区分不同的幅度个数

4.零中心归一化非弱信号段瞬时频率的标准偏差

反映信号是否存在频率调制变化。怎么样估计符号速率/载频,以及如何设置非弱信号的门限,都是问题。

5.零中心归一化非弱信号段瞬时频率绝对值的标准偏差

区分不同的频率个数

6.非弱信号段瞬时相位非线性分量直接值的标准偏差

7.零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差



二:包络特征参数 R



三:谱特征

1.功率谱特征

     信号功率谱单频分量数量值 N1:N1 用来定量的描述信号功率谱中突出单频谱线的数量,因此我们可以利用 N1来识别有单频分量信号和无单频分量信号。

2.平方谱特征

信号的平方谱,即信号平方后的功率谱,反映平方后的调制信号功率在频率上的分布情况

2.1  平方谱幅度最大值Q2max:

用来描述信号平方谱中突出单频分量的绝对值的最大值,求Q2max 的方法与求 N1 方法相近,对信号平方谱做去直流处理后,找到可能的单频分量,此时,不需要设定阈值判断是否为单频分量,只需要求得单频分量的最大值即可。

3.四平方谱特征

信号的四次方谱,即信号四次方后的功率谱

3.1   n 次方谱检测参数 Spn:

调制样式不同的信号,在经过非线性变换后通常具有丰富的谱线特征



四:高阶累积量和高阶矩

二阶累积量

四阶累积量

X (k+l)表示X (k)的时延序列,*表示取共轭

在 X(k) 独立同分布情况下,当 时,高阶累积量可以简化为:

其中是 X (k)  的 p 阶混合矩。

参考文献

  • [1]Nandi.A.K, Azzous.E.E. Recognition of analogue modulations [J].Signal Processing. 1995,46(2):211-222。
  • [2] Azzous.E.E, Nandi.A.K. Automatic identification of digital modulations [J].Signal Processing. 1995,47(1):55-69。
  • [3] E.E. Azzous, A.K.Nandi. Procedure for Automatic Recognition of analogue and digital modulations [J] . IEEE Proceeding Communications . 1996 , 143(5):259-266。
  • [4] A.K.Nandi, E.E. Azzous. Algorithms for Automatic Modulation Recognition of Communication Signals [J] . IEEE Transactions on Communication.1998,46(4):431-436。

  • 25
    点赞
  • 20
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
多维特征信号识别是一种信号处理技术,它通过对信号进行多个维度的特征提取和分析,从而实现对信号进行分类和识别。而SVM是一种常用的机器学习算法,可以用于解决分类和回归问题。 多维特征信号识别中,首先需要对信号进行预处理,去除噪声和干扰,提高信号的质量。然后,根据信号的特点和需求,选择合适的特征提取方法。常见的特征包括时域特征、频域特征和小波特征等。接下来,将提取到的多维特征作为输入,构建SVM分类器。在构建分类器时,需要确定SVM的参数,如核函数类型、核函数参数和正则化参数等。 在多维特征信号识别过程中,SVM主要用于两个方面:特征选择和分类器构建。对于特征选择,SVM可以通过计算特征的重要性或权重,选择具有较高区分度的特征,从而降低维度并提高识别性能。对于分类器构建,SVM将多维特征作为输入,通过求解最优超平面的方式,将信号分为不同的类别。SVM的目标是使得超平面与不同类别的样本之间的间隔最大化,从而达到最好的分类效果。 多维特征信号识别中,SVM具有以下优势:首先,它可以处理高维数据,并且在多特征情况下,可以有效地提取特征并减少维度;其次,SVM具有较好的泛化能力,适用于小样本学习;此外,SVM在处理非线性问题时,可以通过选择不同的核函数来实现非线性分类。 综上所述,多维特征信号识别中使用SVM可以有效地提取特征和构建分类器,以实现信号的分类和识别。该方法在各种信号处理领域中具有广泛的应用前景。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值