数字通信信号自动调制识别中的分类器设计与实现

模式识别具有广泛的应用前景。目前模式识别已广泛应用于文字识别、语音识别、指纹识别等等。其中通信调制信号的自动识别也属于模式识别的范畴。模式识别主要研究的问题是分类特征的选择和优化以及分类器的设计。所以数字通信信号的自动调制识别也主要是针对这两个问题。而本文重在研究能应用于数字通信调制信号识别的分类器,从而有效识别信号的调制方式。 本文主要针对比较常用的6种数字通信调制信号,首先介绍了用于区分它们的5个分类特征参数。包括每个分类特征参数的意义以及如何提取这些分类特征参数。然后采用固定门限的决策树分类器对这些信号进行识别,识别的结果表明在低信噪比下效果不太好,在较高的信噪比下才达到比较好的识别效果,在25dB时识别正确率达到94.44%。 接下来采用神经网络作为分类器。首先介绍了BP神经网络的结构及均方误差反向传播修正权值和阈值的训练方法。然后设计了一个适合于数字信号自动调制识别的神经网络结构,并采用自适应调整学习率的训练方法对网络进行训练。之后研究了神经网络隐含层神经元个数选取和样本数对识别率的影响,得出了最佳隐含层神经元个数为10个的结论,从而也验证了隐含层神经元个数选取的经验公式的正确性。总的来说在信噪比为15dB时,识别率达到90%以上,能完成数字信号的自动调制识别。 为了克服神经网络的局部极值、训练过程不易控制、需要大量训练样本等缺点,本文研究了具有只需要小的训练样本、泛化性好、全局最优等优点的支持向量机多类分类算法。本文采用了三种支持向量机多分类算法：一对多、一对一、决策有向无循环图。通过对三种多分类方法的识别率和训练测试时间的仿真比较,得出一对一方法更适合于解决数字通信信号自动调制识别问题。这不仅仅是因为一对一方法具有更高的识别正确率,在10dB时最低识别率为87.17%,15dB时最低识别率为95.83%。同时也是因为在训练时间和分类时间上它比较有优势。 最后本文简要介绍了实现自动调制识别要用到的硬件,并把一对一的支持向量机多分类算法在DSP上实现,能实时地识别信号调制模式,从而验证了本文设计的分类器的有效性。