论文翻译四：A Modulation Recognition Algorithm based on Cyclic Spectrum and SVM Classification

30天挑战翻译100篇论文

坚持不懈，努力改变，在翻译中学习，在学习中改变，在改变中成长…

A Modulation Recognition Algorithm based on Cyclic Spectrum and SVM Classification

基于循环谱和支持向量机分类的调制识别算法
Dong Shuli, Li Zhipeng, Zhao Linfeng
China Luoyang Electronic Equipment Test Center, Luoyang, China
dsl201089@163.com, 66672687@qq.com, jackyalbert@163.com

摘要—调制识别算法可识别通信信号的调制模式，以确定通信信号中包含的信号类型。 设计了一种基于循环频谱和支持向量机分类的调制识别算法。 该算法包括两个方面：特征提取和分类器设计。 通过选择具有高可分离性和稳定性的信号的二阶循环频谱特征，以及在频域中实现的信号幅度统计矩特征，根据所选择的特征，使用支持向量机分类器来实现该算法。 最后进行了实验仿真。

关键词—循环频谱； SVM（支持向量机）； 调制识别； 特征提取

1.简介

信号的调制识别主要是从截获或采集的信号中提取参数和特征，通过一些技术对这些参数进行处理，并通过调制识别算法弄清相关通信或电子信号的参数和性质。 调制识别主要用于非合作通信环境中的频谱监测，信号侦察和第三方接收器。 这是介于信号检测和信号解调之间的技术。
调制识别的概念最早由C. S. weaver于1969年提出[1]。 设计的相关算法使用信号的频谱特性来完成对模拟信号，FSK和其他信号的分类。A.Swami使用功率归一化和理想同步后的星座点累积量来完成相位调制，幅度相位和幅度调制信号的内部和内部类别识别[2]。K. C. ho使用离散Hal小波以单倍连续wt [3]变换矩形脉冲形成的PSK和FSK信号，并提取特征以完成信号分类。W. Wei对理想的ALRT算法进行了深入研究[4]，提出了一系列重要结论，大大提高了调制识别算法的理论研究深度。P. panagiotau [5]等人提出了HLRT算法，以解决ALRT算法计算复杂度高的问题，并实现AWGN信道中QAM和PSK信号的分类。 近年来，利用高阶统计量，循环平稳性，信道估计和多天线技术识别在分类器，特征识别和参数估计方面取得了国内成就，极大地促进了相关研究的进展。

基于统计模式识别的调制识别主要分为两个步骤：一个是特征提取，另一个是分类器设计。 本文设计的调制识别算法主要是通过选择可分离性强，稳定性强的信号的二阶循环频谱特征以及在频域中实现的信号幅度的统计矩特征，并根据所选特征使用支持向量机分类器来实现分类 。

2.特征提取

循环平稳信号是一种统计量随时间周期性变化的信号。 由于采样，编码和调制，一般的通信信号是循环平稳的[6]。 与常规功率谱分析方法相比，循环谱密度法具有分辨率高，抗干扰能力强的优点。
对于随机信号，自相关函数为：

循环光谱密度函数或光谱相关密度函数如下：

循环频谱密度函数常用的工程计算方法是离散频率平滑法[7]，其实现过程如下：

• （1）计算$x(n)$时间长度$\Delta t=N{T}_s$的N点FFT
  
• （2）时变周期图的计算：
  
• （3）频域平滑：

其中，$T_s$是信号采样频率，M是频域平滑窗口的宽度。
不同类型的信号在频域和循环频域中具有不同的特性。 分析和模拟了几个关键特性。

• （1）在 f = 0