2 通信信号特征参数及调制方式分类器

• 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 $x(t)$的解析表示:

• 为实信号的希尔伯特变换

• 表示卷积操作。

• 信号 $y(t)$可看作 $x(t)$通过一个滤波器的输出

  • 希尔伯特变换器

• 其冲激响应为