基于SVM矿井环境无线多模信号的检测识别

发布时间：2020-03-27 02:37

【摘要】：矿井信息化是煤矿安全生产的有效保障,而矿井多个信息子系统往往采用不同的信号模式,形成一体化信息系统必须实现多系统融合,多模信号的检测识别是多系统融合的关键。本文研究矿井环境对信号特征参量的影响,以支持向量机(SVM)作为分类器,建立矿井环境多模信号的分类识别模型,对井下多系统的研究与融合提供理论基础。针对矿井环境对信号的调制识别进行研究,选用模式识别方法,其分为特征参数提取和分类器设计两大部分。针对特征参量提取问题,选取信号的四阶累积量作为特征参量,分析并得出信号在高斯白噪声信道下的二阶矩、四阶矩以及四阶累积量值;在此基础上,进一步分析信号四阶累积量与阴影衰落和小尺度衰落的关系,并得出其经过这两种衰落信道的表达式。针对分类器设计问题,选取SVM作为目标分类器,以信号的四阶累积量作为SVM的输入,分别在二叉树分类器、一对余类分类器、一对一分类器以及决策树分类器情况下,实现对BPSK、OFDM、16QAM和64QAM四种信号的分类识别。仿真结果表明,决策树分类器识别效果较一对多分类器效果差;基于SVM算法下的三种分类器识别性能相当,且在低信噪比下,识别效果不理想。针对普通SVM分类器在低信噪比下低识别率的问题,提出优化SVM分类识别的方法。将数据样本集分为测试数据集和训练数据集,使用粒子群算法和遗传算法对训练数据集中SVM的惩罚因子和核函数进行寻优处理,得到优化的SVM模型,并用此模型对测试集进行测试分类。文中使用Matlab平台环境进行仿真,仿真结果表明,在信噪比为-5dB的三种信道环境下,四种信号的平均识别率均能达到80%以上;在信噪比大于-3dB的三种信道环境下,四种信号的平均识别率均能达到90%以上。
【图文】：

流程框图,调制识别,流程框图

2 数字信号调制识别的理论分析信号模式识别过程一般可分为信号预处理、提取特征参数以及分类器设计这三部分而其中研究的两个关键点是特征参数的提取和分类器的选取与设计。对几种特征参数取的方法进行对比分析，，得出不同的特征提取方法的优缺点以及应用场景。数字调制识别是所有信号处理与分析的基础。相较于模拟信号，数字信号具有更的抗干扰性，数字调制已经被广泛应用于各种通信系统中。本章将对 BPSK、16QAM64QAM 以及 OFDM 这几种数字信号的调制进行分析，并仿真得出信号的星座图，为续从理论上分析得出信号二阶矩、四阶矩以及四阶累积量作基础。2.1 调制识别的过程研究对事物的某些信息进行分析处理，提取出有别于其他事物的有效特征信息，这些征信息在本质上是可以完成对数据的识别与分类，用以对事物所表现出来的现象进行述和解释，将这个过程称之为模式识别。实质上，通信信号的分类识别也属于模式识别具体的调制识别算法的基本流程图如图 2.1 所示：

框图,基本原理,框图,模拟调制

（a）模拟调制法（b）数字键控法图 2.2 BPSK 调制的基本原理框图-4 -2 0 2 4-4-3-2-101234QuadratureIn-Phase接收信号星座图含噪声接收信号不含噪声信号图 2.3 BPSK 星座仿真图
【学位授予单位】：西安科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TD76;TP18

【参考文献】