【技术实现步骤摘要】
本专利技术涉及电子信息，尤其涉及一种基于多特征融合的信号调制分析方法。
技术介绍
1、随着电子信息技术的发展，频谱资源日益紧张。同一频段内工作的无线电设备日趋增多且调制方式多样，导致电磁环境复杂化，给信号调制识别带来了巨大挑战。传统的调制识别算法由于依靠单一特征，导致在复杂电磁环境下的调制识别准确率不高。因此复杂电磁环境下基于多特征融合的调制识别技术具有重要的研究意义。
2、针对上述问题，目前以存在几种解决思路，比如：1、通过提取信号的六阶累积量构造一种新的特征参数作为深度神经网络(deep neural networks,dnn)的输入，仿真结果证明在考虑频偏和多径影响的低信噪比条件下，算法仍具有良好的识别性能和鲁棒性。2、基于径向基函数网络(radial basis function network,rbfn)和基于稀疏自编码器的深度神经网络(sparse-autoencoder-based deep neural network,saednn)，通过构造混合特征空间(hybrid feature space,hfs)作为网络输入。仿真结果表明，在考虑频率选择性衰落和多普勒频移的情况下，算法都具有较好的分类精度。3、基于粒子群优化(particleswarm optimization,pso)的深度神经网络(dnn)，解决传统dnn模型陷入局部极小值、隐形节点需要仍选择的问题，通过对加有高斯白噪声的调制信号特征进行识别，提高了低信噪比下的识别性能。4、基于星座图(grid constellation matrix
3、但是，目前已有的研究工作多集中在单一特征的提取，针对信号多域特征的提取和融合鲜有学者讨论。由于电磁环境的复杂化，传统依靠单一特征的调制识别算法在低信噪比条件下准确率不高。因此，如何实现基于多特征融合的信号调制识别，并提升低信噪比条件下的识别准确率，成为了需要研究的课题。
技术实现思路
1、本专利技术的实施例提供一种基于多特征融合的信号调制分析方法，能够实现基于多特征融合的信号调制识别，并提升低信噪比条件下的识别准确率。
2、为达到上述目的，本专利技术的实施例采用如下技术方案：
3、第一方面，本专利技术的实施例提供的方法，包括：
4、s1、根据输入信号获取sst时频系数矩阵和wvd时频系数矩阵；
5、s2、利用经过预处理的所述sst时频系数矩阵，来抑制所述wvd时频系数矩阵的交叉干扰，并输出为mwvd矩阵；
6、s3、对所述mwvd矩阵进行时频特征提取，并结合信号波形的时域特征进行融合；
7、s4、利用融合后的特征进行性能分析。
8、其中，在s1中，获取sst时频系数矩阵包括：建立迭代重分配后的sst时频系数矩阵其中，stft[]表示窗函数，h表示时间点，m表示频率点，δ表示冲击函数，ξ表示冲击响应中的频率变量，ω表示迭代得到的角频率函数，n表示迭代次数，l表示信号长度。传统时频分析算法在时频域所提取的调制信号特征区分度不高。本实施例提出一种基于矩阵加权的时频分析算法。该算法通过构造系数sst时频系数矩阵对传统时频分析方法进行优化，提高了时频聚集度和时频分辨率，使得信号在时频域的特征更加易于区分。具体的，本实施例通过构造sst时频系数矩阵对wvd时频分析的交叉干扰项进行抑制，同时提高时频聚集度和时频分辨率，进而提高信号时频特征的区分度。假设信号为x(t)，通过窗函数截取得到信号x(τ)g(τ-t)，沿信号x(t)滑动截取并进行傅里叶变换，则stft可以表述为：
9、
10、其中，g(t)为窗函数，为窗函数的中心，τ为时间变量。
11、为了便于分析，假设输入信号为调幅和调相的单分量信号x(t)
12、
13、其中，a(t)为信号瞬时幅度，为信号瞬时相位。
14、从stft理论来讲，stft是计算窗函数截取到的信号x(τ)g(τ-t)，在η∈[t-δt,t+δt]内傅里叶变换的结果，η表示时间范围，t表示时间，δt表示变化量，因此，存在足够小的ε，满足|a′(t)|≤ε且ε表示极限值，a′(t)表示幅度求导，表示瞬时相位的二阶导数。此时x(t)的短时傅里叶变换可以描述为：
15、
16、其中，g(·)表示窗函数g(t)的傅里叶变换，表示信号的瞬时频率，r(t,ω)为的无穷小量，所以当ε满足|a′(t)|≤ε和时，r(t,ω)可以被忽略。
17、由次可见，信号x(t)的短时傅里叶变换是由相位相同但瞬时幅度不同的时频系数组成的，从窗函数g(t)的傅里叶变换可以看出，当时，随着频率增大，时频系数幅值逐渐减小，同时时频系数的相位与原始信号的相位相同。因此stft(t,ω)对时间t的导数如下：
18、
19、因此，当stft(t,ω)≠0时，可以推得stft的二维频率估计：
20、
21、其中，表示求导符号，i表示虚数，
22、综上所述，只要x(t)的短时傅里叶变换结果满足stft(t,ω)≠0，频率估计值可以约等于信号的真实频率。sst通过频率重分配算子来提高时频系数的聚集性，可以表示为：
23、
24、通过sst运算，可以发现stft结果的能量主要集中在频率轨迹附近。
25、通过对上述公式进行离散化得到sst时频系数矩阵如下：
26、
27、为了得到更加清晰的时频矩阵，sst需要满足弱时变的条件，对于强调频信号来说，由于信号频率的不断变化，会导致实际频率与估计频率之间的误差不断增加，导致时频表示模糊。在sst处理后确实会得到更加清晰的时频表示，因此通过对已经得到的sst结果再次执行sst会本文档来自技高网...
【技术保护点】
1.一种基于多特征融合的信号调制分析方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，在S1中，获取SST时频系数矩阵包括：
3.根据权利要求1或2所述的方法，其特征在于，S2中，还包括：
4.根据权利要求3所述的方法，其特征在于，S2中，所述抑制所述WVD时频系数矩阵的交叉干扰并输出为MWVD矩阵，包括：
5.根据权利要求1所述的方法，其特征在于，在S3，对所述MWVD矩阵进行时频特征提取，包括：
6.根据权利要求5所述的方法，其特征在于，在S3，对所述MWVD矩阵进行时域特征提取，包括：
7.根据权利要求5所述的方法，其特征在于，所述对所提取的特征进行融合，包括：
8.根据权利要求7所述的方法，其特征在于，所述概率加权融合，包括：
9.根据权利要求7所述的方法，其特征在于，所述特征拼接融合，包括：
10.根据权利要求7所述的方法，其特征在于，所述特征加和融合，包括：
【技术特征摘要】
1.一种基于多特征融合的信号调制分析方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，在s1中，获取sst时频系数矩阵包括：
3.根据权利要求1或2所述的方法，其特征在于，s2中，还包括：
4.根据权利要求3所述的方法，其特征在于，s2中，所述抑制所述wvd时频系数矩阵的交叉干扰并输出为mwvd矩阵，包括：
5.根据权利要求1所述的方法，其特征在于，在s3，对所述mwvd矩阵进行时频特...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。