- 直接从原始样本进行分类是无目的的,
- 对分类,重要的不是一个模式的完整描述
- 而是导致区别不同类别模式的那些“选择性”信息的提取,
- 特征提取的目的
- 尽可能集中表征显著类别差异的模式信息
- 另一目的尽可能缩小数据集,提高识别效率、减少计算量
- 对通信信号来讲,用不同的调制方式时,特征参数的取值特点不同。
- 可通过对待识别对象的分析得出调制方式的一些本质特征,
- 进而根据这些特征或者特征的组合进行调制识别。
- 特征参数可直接通过调制信号获得也可通过某种变换获得,
- 希望得到那些尽可能多的包含表征分类特性的特征,并据此达到好分类性能
- 用于调制识别的信号特征
- 统计量特征(瞬时信息特征、高阶累积量特征、循环累积量特征)
- 谱相关特征、小波变换特征、分形特征和复杂度特征
- 分类器的设计是模式识别领域的重点,
- 通信信号调制识别领域,根据分类器使用的特征值和分类原理的不同
- 最大似然分类器、
- 基于样本特征值的分类器
- 聚类算法分类器
- 本章对这3种分类器简单的介绍,
- 具体的应用方法将在后续章节中
2.1统计量特征
2.1.1信号瞬时特征
- 从信号的瞬时信息中估计调制信号的参数,
- 具有计算简单、可用统计样本数量大的优势,是模式识别类算法最基本
- 瞬时幅度、相位、频率及其不同角度的统计特征值,
- 其中瞬时幅度、瞬时相位、瞬时频率是最基本
2.1.1.1 瞬时幅度、相位、频率
- 为方便调制信号的瞬时幅度、相位、频率特征值的提取
- 实信号 的解析表示:
- 为实信号的希尔伯特变换
-
表示卷积操作。
-
信号 可看作 通过一个滤波器的输出
- 希尔伯特变换器
-
其冲激响应为