论文翻译九：Automatic Digital Modulation Recognition Based on Novel Features and Support Vector Machine

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…

Automatic Digital Modulation Recognition Based on Novel Features and Support Vector Machine

基于新特征和支持向量机的自动数字调制识别
Salman Hassanpour
Department of Electrical Engineering
Sharif University of Technology
Tehran, Iran
hpourz@gmail.com
Amir Mansour Pezeshk
Department of Electrical Engineering
Sharif University of Technology
Tehran, Iran
pezeshk@sharif.edu
Fereidoon Behnia
Department of Electrical Engineering
Sharif University of Technology
Tehran, Iran
behnia@sharif.edu

摘要—本文提出了一种新的基于模式识别方法的自动调制识别算法。 这里的主要重点仍然放在特征提取模块上，并介绍了新颖的特征以识别数字调制方案。 调制类型包括：BASK，BFSK，BPSK，4-ASK，4-FSK，QPSK和16-QAM，并且将信道模型视为AWGN信道。 从时域，频域和小波域中考虑的接收信号中提取特征。 此外，为了克服多类问题，研究了一种基于二进制支持向量机（SVM）的分层结构。 仿真表明，在噪声非常低的SNR值极低的环境中，所提出功能的精确分离数字调制信号的能力强。 因此，完美识别的最小SNR被证明为-5 dB，并且在-10 dB中获得了98.15的最终精度百分比。

关键字-自动调制识别（AMR），鲁棒性，低SNR，模式识别，支持向量机（SVM）

1.简介

如今，随着现代通信系统的发展，AMR算法在多种应用中起着举足轻重的作用。 在此问题上，各种学术和军事研究机构都集中在该研究领域上以开发AMR算法，以便准确地识别接收到的未知RF信号的调制类型。 AMR技术在民用和军事用途中具有广泛的应用。 例如，AMR方法可用于频谱监视和管理，干扰识别和监视，电子对抗措施等。 由于它的重要性，已经完成了许多研究，并且在这方面使用了多种技术引入了各种算法，并试图在尽可能低的SNR值中实现更高的精度。
可以将所有已开发的AMR算法归为两个主要原理。 决策理论和模式识别技术。 在基于决策理论开发的方法中，AMR问题主要是用概率和假设检验的论点来表述的。 在[1-4]中，基于似然函数开发了一种AMR算法。 尽管此方法能够找到最佳解决方案，但它具有很高的计算复杂度。 Azzouz和Nandi在[5-6]中还基于决策理论方法提出了基于特征的算法。 与最大似然技术相比，他们的方法具有较低的计算复杂度； 然而，它需要确定特定的阈值，以通过决策树来识别所考虑的调制类型。 已经发表了几篇论文[7]，[8]和[9]，每篇论文都使用了类似的方法来解决AMR问题。
近年来，由于高计算复杂度，指定适当的阈值以及决策理论方法的其他困难，AMR算法主要基于提供更多灵活性的模式识别方法来实现。 这些算法由两个通用模块组成，包括特征提取和分类模块。 近来，已经使用人工神经网络（ANN）[10-15]和SVM分类器[16-19]，基于具有不同分类结构的模式识别方法，提出了许多AMR技术。 在这些研究中，各种类型的特征，例如统计特征，包括高阶统计[11]，[12]，[17]，[18]，频谱特征，包括瞬时幅度，频率和相位[12]，[15]和小波 基于特征[14]，[19]，[20]。
在本文中，我们提出了一种基于模式特征的，基于新颖特征的结构，以识别未知接收信号的数字调制类型。 图1显示了提出的AMR模型的一般方框图。 接收的调制信号建模如下

$其中f_c是载波频率，{\phi }_c是载波相位，n（t）表示复数加性高斯白噪声。另外，\overline{s}（t）是实信号s（t）的基带复数包络定义为$

$其中a（t），f（t）和\phi （t）分别是信号的瞬时幅度，频率和相位。$

如图1所示，预处理块在接收到截获的调制信号后，通过执行所需的预处理操作（例如幅度归一化，滤波操作，瞬时幅度，频率和相位），为下一个块做好准备。 提取和中值滤波。

本文的主要贡献在于特征提取模块，因为从归一化接收信号的时域，频域和小波域中提取有益数据对于在非常低的SNR情况下正确区分数字调制类型起着至关重要的作用。 因此，介绍了几种新颖的特征，包括基于我们在[21]中先前提出的结构获得的新颖的基于小波的特征。 同样，对先前工作中研究的某些功能进行了修改，并在此处用于区别提到的调制类型。 特征提取模块将在第二节中详细说明。 在下一个块中，使用基于SVM分类器的二叉树结构识别接收到的信号的调制类型，该结构在第三节中介绍。 在第四节中，将所提方法的仿真结果与通过将特征应用于基于众所周知的名为“一对一”（OAO）方法的SVM结构而获得的准确率进行比较。 比较表明，与OAO结构相比，所提出的二叉树结构不仅精度更高，而且复杂度也大大降低。 仿真结果表明，所研究算法在准确性和鲁棒性等方面均优于先前算法。 最后，第五节提供结论。

2.特征提取

特征提取是通过模式识别方法开发的任何AMR算法的关键步骤。 在该步骤中，从接收到的调制信号中提取一些可测量的量，称为特征，以用于分类步骤。 这些功能应充分描述数字调制信号的特性，并能容忍信道噪声和输入变化。 在本节中，我们介绍一些新颖的特征，可以将其分为两部分：基于时间和频谱的特征，以及在以下部分中评估的基于小波的特征。 此外，与不同特征相关的仿真结果已在图2中给出。这些结果已通过分析提出的特征获得，以显示它们相对于信道噪声的变化。 另外，值得一提的是，在图2所示的图中，每个点代表在每个SNR值处对应调制类型的1000个实现的相关特征的平均值。

• A.时间和光谱特征
  在这一部分中，基于频谱中的隐藏信息，接收信号的瞬时幅度，频率和相位，介绍了四个不同的特征。 这些特征中的三个是从时域提取的，其中之一与频域有关。
  

• • A.1。 瞬时相非线性分量的二阶矩