1 引言
当前,绝大多数非高斯噪声的建模形式都为Alpha稳定分布噪声。首先,Alpha稳定分布符合中心极限定理,在理论上适合应用于实际场景中的噪声建模;其次,Alpha稳定分布由于其参数的可变性,包含高斯分布、柯西分布和拉普拉斯分布等,研究Alpha噪声下的调制识别方法比高斯分布噪声更具有普适性。但是,Alpha稳定分布噪声不具有二阶及二阶以上特性,大部分的时频特征和统计特征失效。
课题的第四章节主要利用统计特征实现非高斯场景下的调制识别方法。在非高斯场景中,主要的抑制噪声手段如图1所示。
![8e2fe3c9dc0d9b05445c3bb2fea7fd24.png](https://i-blog.csdnimg.cn/blog_migrate/cfcc150c5cd17b0255998af8a96e0940.png)
本次分享中,主要介绍特征分数低阶化的方法,用到的特征是常用的循环谱方法,通过构造分数低阶循环谱特征,获得含有Alpha稳定分布噪声信号的特征向量,最终使用训练好的分类器模型得到最终的信号分类结果。
2 研究目的:
论文的第四章节中,主要想利用基于分数低阶统计特征的调制识别方法,因此首先尝试了使用分数低阶循环谱特征,该方法有效地实现了Alpha噪声下的调制识别,并得到较优的识别精度。一方面,使用传统的方法实现非高斯场景下的调制识别方法具有工程可实现性;另一方面,为第五章节基于深度学习的调制识别方法提供了对比。
3 循环谱的理论基础
通常在对平稳随机过程的各阶统计量进行描述时,因为平稳的随机过程具有时间遍历性,所以各阶统计量都可以采用时间平均这一概念来描述。但由于非平稳信号的均值和自相关函数都是随时间而变化的函数,所以不能直接用时间平均来计算信号的统计量特征。
假设一个确定的复正弦信号
![62f955c1099c3c290ff596c6b8dab3ad.png](https://i-blog.csdnimg.cn/blog_migrate/d2516390cdf0cd4c1d1d2e910629ae5a.png)
用统计平均的方法求出以上过程的均值,有
![dea5f6e925c80cbe7e994738b993f6a5.png](https://i-blog.csdnimg.cn/blog_migrate/3c68619c153eca59138fbbc98c106176.png)
![f01e584fc7576e0bbde80afce3b8df62.png](https://i-blog.csdnimg.cn/blog_migrate/9ee01bb91f294f79fb8a5c9f13517e9b.png)
其中信号的持续时间为
![fdbfe9e1fd840a7503f0e40f6cf791e0.png](https://i-blog.csdnimg.cn/blog_migrate/61a759752b009d812739a699d727aa3f.png)
信号的持续时间越长,外界噪声对信号的干扰越小,有
![94ecdaecfa647f0fcd656e90baa3a860.png](https://i-blog.csdnimg.cn/blog_migrate/7176c1ea78143e3e1bb499ba20015f5a.png)