1、 出处： Sherme A E. A novel method for automatic modulation recognitionJ. Applied Soft Computing, 2012, 12(1): 453-461. 中文 5015 字 一种新的自动调制识别的方法 摘 要 数字信号的自动调制识别在各种各样的应用中起着重要的作用。本文研究一种用于数字调制的准确的系统的设计。首先，它引入了一个高效的模式识别系统，其包括两个主要模块：特征提取模块和分类模块。特征提取模块提取一种合适的组合，即高达 八阶的瞬时量、高达八阶的高阶累积量以及数字调制的瞬时特性。这些特征的组合是第一次被运用在
2、这一领域中。在分类器模块 ,两类重要的被控制的分类器，基于分类器的 MLP神经网络以及多层多级支持向量机器被研究。通过实验性的研究，我们为既定的调制的识别选择了最合适的分类器。然后，我们提出了一个混合启发式识别系统，在这个系统中一个优化模块被添加上用来改善分类器通常的表现。在这个模块中，我们提出了一个叫做蜜蜂算法的新的优化算法。该模块通过寻找适合其判别函数的参数的最佳值来优化分类器的设计。仿真结果表明，所提出的混合智能技术有 很高的识别精度，即使是在特征不明显的低信噪比的情况下。 1.引言 自动调制识别是一种识别在接收机处接收到的信号的类型的技术。它在军事和民用领域都发挥着重要的作用。例如，在
3、军事应用中，它可用于电子监视，干扰识别和干扰监控。广泛的民用应用包括频谱管理，网络流量管理，信号确认，软件无线电，智能解调器，认知无线电等。由于在例如软件无线电这样的新技术中对数字信号使用的不断增长，近期的研究一直集中在识别这些信号的类型的方面。 一般地，数字信号的识别方法归为两大类：决策理论（ DT）的方法和模式识别（ PR）的方法。决策理论 方法使用概率论和假设检验来表示出识别的问题。决策理论方法的主要缺点是其计算复杂性过高，缺乏模式不匹配的鲁棒性以及需要设置正确的阈值的仔细的分析。模式识别方法，不管怎样，不需要这样复杂的处理，它们很容易实现。模式识别方法可以被更进一步地分为两个主要的子系
4、统：特征提取子系统和分类器子系统。前者提取特征（例如直方图，光谱特性，瞬时特性，第二阶距和第四阶矩的结合，对称性等），并且后者决定信号的组成（例如，神经网络， K近邻，模糊逻辑分类器等）。 从现有的出版物来看，这件事看起来很明显，即在设计一个用来自动识别数字信 号的类型（调制）的系统时，这里存在一些重要的问题，它们如果得到适当的处理，会促一种新的自动调制识别的方法 进更好鲁棒性以及更有效的识别器的发展。其中的一个问题涉及到将要采纳的分类方法的选择。以往的文献显示，没有考虑其巨大的潜力，不同的监督分类的应用没有得到它们在调制分类中应有的关注。因此，在本文中我们研究了多层感应神经网络（ MLP）以
5、及支持向量机（ SVM）的性能。在本文中，我们已经在所提出的分层分类器中使用了支持向量机（ SVM）。选择正确的特征集是依然存在的另一个问题。在本文中，一组合适的瞬时特征，高达八阶的高阶矩以及高达八阶的高阶累 积量作为有效的特征被提出。回到数字信号识别系统中来，我们可以发现：（ 1）特征选择不是以一种完全自动的方式进行的并且（ 2）所采用的分类器的最好的自由参数的选择通常都在实践中被证实（模型选择问题）。本文中解决的另外一个问题是优化的问题。在这个模型中我们使用了一种新的叫做蜜蜂算法（ BA）的优化算法。通过使用优化器，分类器最适合的参数与最优的特征子集被选择出来。 论文的其他部分内容如下。第
6、二部分介绍了特征提取。第三部分描述了分类器。第四部分解释了识别器的优化。第五部分展示了一些仿真结果。最后，第六部分对全文进行了总 结。 2、特征提取 主要有四种类型的数字调制方式： FSK、 ASK、 PSK 和 QAM。这些不同的调制方式有不同的特征。因此寻找识别它们所需的特征是一个关键问题。在本文中考虑到的无线电信号包括： FSK2, FSK4, ASK4, ASK8, PSK2, PSK4, PSK8,QAM8, QAM16, QM32 和 QAM64。为了简化它们的标识，这些信号分别用 P1， P2， P3， P4， P5， P6， P7， P8， P9， P10， P11取代表示。 基于大量的实验和研究，高达八阶的高阶矩和高达八阶的高阶累积量和谱特征的均衡的结 合被考虑作为突出的特征。这些特征可被用来定义信号的概率密度函数的特征。在决定在系统中这些量在表征信号的的特征中有用性大小方面，高阶矩和高阶累积量的表现是重要的因素。对接收到的信号的唯一的影响仅仅是平均值的变化。方差和高阶矩或累积量不受影响。接收到的信号的星座图，由于多径
