基于二次星座聚类和模糊补偿支持向量机的调制识别研究
发布时间：2020-12-22 15:21
在当今世界,人们对通信质量和通信效率的要求越来越高,然而无线通信的传输环境却越来越复杂。正交振幅调制(MQAM)和相位键控调制(MPSK)等信号能够较好地利用频带及信道资源,因此受到卫星通信及网络通信的关注。因此,对MQAM和MPSK信号的调制识别研究具有重要的实际价值。本文提出了一种基于二次星座聚类和模糊补偿支持向量机的算法对MQAM和MPSK信号进行调制识别。论文的主要研究成果如下:1.在分析了传统单一的聚类算法的缺陷,以及比较了不同的MPSK和MQAM的星座图的差异性的基础上,论文提出了一种二次星座聚类的算法:将DENCLUE(基于密度的聚类算法)和k均值聚类算法相结合,对信号的星座图中的点进行基于距离的特征提取,得到一组特征值,解决了传统聚类算法对初值的依赖性、不稳定、易陷入局部极值点等问题。并以此构建了特征提取模块。2.针对上文提出的二次星座聚类算法的不足之处,论文引入了在参数择优选择方面具有良好效果的粒子群算法进行了优化改进:重建了DENCLUE中获得聚类半径的模块,以确保在不同的调制阶数M都有对应的最优聚类半径,从而提高算法在低信噪比下识别的稳定性。使用了matlab仿真...
【文章来源】：南京邮电大学江苏省
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景
1.2 调制识别技术的研究现状
1.2.1 信号特征提取算法的研究现状
1.2.2 信号分类识别算法的研究现状
1.3 本文的主要工作和章节结构
第二章 数字信号调制识别分析
2.1 数字信号调制的优势
2.2 数字信号的调制方法
2.2.1 幅度键控（MASK）调制
2.2.2 频移键控（MFSK）调制
2.2.3 相位键控（MPSK）调制
2.2.4 正交振幅（MQAM）调制
2.3 数字信号调制的基础理论
2.3.1 模式识别算法步骤
2.3.2 数字信号的正交变换
2.3.3 数字调制信号的星座图
2.4 本章小结
第三章 基于二次星座聚类算法的特征提取
3.1 聚类算法基础
3.1.1 聚类算法简介
3.1.2 聚类算法相似性度量
3.2 二次星座聚类算法
3.2.1 传统聚类算法的不足
3.2.2 星座图信号的预处理
3.2.3 二次星座聚类算法实现
3.3 特征提取
3.4 本章小结
第四章 基于粒子群算法改进的二次星座聚类研究
4.1 粒子群算法基础
4.1.1 粒子群算法的原理
4.1.2 粒子群算法的参数分析
4.1.3 粒子群算法的收敛性
4.2 粒子群算法改进二次星座聚类算法
4.2.1 二次星座聚类算法的缺陷
4.2.2 粒子群优化二次星座聚类算法的步骤
4.3 仿真结果及分析
4.4 本章小结
第五章 基于模糊补偿的多分类支持向量机的研究
5.1 支持向量机基础
5.1.1 统计学习理论基础
5.1.2 最优分类超平面
5.2 传统的支持向量机多分类方法
5.2.1 一对余SVM
5.2.2 一对一SVM
5.3 模糊补偿和二叉树多分类的支持向量机算法
5.3.1 模糊性和模糊补偿
5.3.2 二叉树多分类方法
5.3.3 算法实现的步骤
5.4 仿真结果及对比分析
5.5 本章小结
第六章 总结与展望
参考文献
附录1 攻读硕士学位期间撰写的论文
致谢
【参考文献】：
期刊论文
[1]基于高阶累积量和循环谱的信号调制方式混合识别算法[J]. 赵雄文,郭春霞,李景春. 电子与信息学报. 2016(03)
[2]基于密度与网格的聚类算法的改进[J]. 邢长征,张园. 计算机工程与应用. 2016(22)
[3]Method of neural network modulation recognition based on clustering and Polak-Ribiere algorithm[J]. Faquan Yang,Zan Li,Hongyan Li,Haiyan Huang,Zhongxian Pan. Journal of Systems Engineering and Electronics. 2014(05)
[4]基于熵特征和支持向量机的调制识别方法[J]. 李一兵,葛娟,林云. 系统工程与电子技术. 2012(08)
[5]基于小波和高阶累积量的数字调制识别算法[J]. 李世平,陈方超. 计算机应用. 2011(11)
[6]基于粒子群和减法聚类提取分类特征的MQAM信号识别[J]. 李艳玲,李兵兵,殷昌义,刘明骞. 西北大学学报(自然科学版). 2011(03)
[7]一种基于星座图聚类的MQAM识别方法[J]. 侯健,王华奎. 无线电通信技术. 2009(03)
[8]Hilbert变换与小波变换在数字信号调制识别中的应用[J]. 王旭,张达敏,周勇. 科技创新导报. 2008(29)
[9]基于模糊支持向量机的多分类算法研究[J]. 张钊,费一楠,宋麟,王锁柱. 计算机应用. 2008(07)
[10]基于遗传算法的自适应聚类与MQAM星座识别[J]. 吴月娴,葛临东,许志勇,薛富强. 计算机工程. 2007(22)
博士论文
[1]粒子群优化算法的改进及应用研究[D]. 刘逸.西安电子科技大学 2013
[2]多目标粒子群优化算法的全局搜索策略研究[D]. 王宇嘉.上海交通大学 2008
[3]智能粒子群优化算法研究[D]. 高芳.哈尔滨工业大学 2008
[4]通信信号调制识别研究[D]. 吕铁军.电子科技大学 2000
硕士论文
[1]基于聚类算法和支持向量机算法的文本分类算法研究[D]. 刘文.江苏科技大学 2012
[2]K-均值聚类算法的改进及其应用[D]. 梁烨炜.湖南大学 2012
[3]基于模糊C均值及粒子群参数优化的支持向量机故障诊断方法研究[D]. 李娜.电子科技大学 2011
[4]支持向量机及其在故障诊断中的应用研究[D]. 佟海侠.华北电力大学（河北） 2009
[5]基于多类软间隔支持向量机的文本分类问题研究[D]. 谭冠群.哈尔滨理工大学 2008
[6]通信信号调制识别研究[D]. 陈文.四川大学 2006
[7]Hilbert-Huang变换及其在信号处理中的应用[D]. 陈娟.大连理工大学 2006
本文编号：2931985
【文章来源】：南京邮电大学江苏省
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景
1.2 调制识别技术的研究现状
1.2.1 信号特征提取算法的研究现状
1.2.2 信号分类识别算法的研究现状
1.3 本文的主要工作和章节结构
第二章 数字信号调制识别分析
2.1 数字信号调制的优势
2.2 数字信号的调制方法
2.2.1 幅度键控（MASK）调制
2.2.2 频移键控（MFSK）调制
2.2.3 相位键控（MPSK）调制
2.2.4 正交振幅（MQAM）调制
2.3 数字信号调制的基础理论
2.3.1 模式识别算法步骤
2.3.2 数字信号的正交变换
2.3.3 数字调制信号的星座图
2.4 本章小结
第三章 基于二次星座聚类算法的特征提取
3.1 聚类算法基础
3.1.1 聚类算法简介
3.1.2 聚类算法相似性度量
3.2 二次星座聚类算法
3.2.1 传统聚类算法的不足
3.2.2 星座图信号的预处理
3.2.3 二次星座聚类算法实现
3.3 特征提取
3.4 本章小结
第四章 基于粒子群算法改进的二次星座聚类研究
4.1 粒子群算法基础
4.1.1 粒子群算法的原理
4.1.2 粒子群算法的参数分析
4.1.3 粒子群算法的收敛性
4.2 粒子群算法改进二次星座聚类算法
4.2.1 二次星座聚类算法的缺陷
4.2.2 粒子群优化二次星座聚类算法的步骤
4.3 仿真结果及分析
4.4 本章小结
第五章 基于模糊补偿的多分类支持向量机的研究
5.1 支持向量机基础
5.1.1 统计学习理论基础
5.1.2 最优分类超平面
5.2 传统的支持向量机多分类方法
5.2.1 一对余SVM
5.2.2 一对一SVM
5.3 模糊补偿和二叉树多分类的支持向量机算法
5.3.1 模糊性和模糊补偿
5.3.2 二叉树多分类方法
5.3.3 算法实现的步骤
5.4 仿真结果及对比分析
5.5 本章小结
第六章 总结与展望
参考文献
附录1 攻读硕士学位期间撰写的论文
致谢
【参考文献】：
期刊论文
[1]基于高阶累积量和循环谱的信号调制方式混合识别算法[J]. 赵雄文,郭春霞,李景春. 电子与信息学报. 2016(03)
[2]基于密度与网格的聚类算法的改进[J]. 邢长征,张园. 计算机工程与应用. 2016(22)
[3]Method of neural network modulation recognition based on clustering and Polak-Ribiere algorithm[J]. Faquan Yang,Zan Li,Hongyan Li,Haiyan Huang,Zhongxian Pan. Journal of Systems Engineering and Electronics. 2014(05)
[4]基于熵特征和支持向量机的调制识别方法[J]. 李一兵,葛娟,林云. 系统工程与电子技术. 2012(08)
[5]基于小波和高阶累积量的数字调制识别算法[J]. 李世平,陈方超. 计算机应用. 2011(11)
[6]基于粒子群和减法聚类提取分类特征的MQAM信号识别[J]. 李艳玲,李兵兵,殷昌义,刘明骞. 西北大学学报(自然科学版). 2011(03)
[7]一种基于星座图聚类的MQAM识别方法[J]. 侯健,王华奎. 无线电通信技术. 2009(03)
[8]Hilbert变换与小波变换在数字信号调制识别中的应用[J]. 王旭,张达敏,周勇. 科技创新导报. 2008(29)
[9]基于模糊支持向量机的多分类算法研究[J]. 张钊,费一楠,宋麟,王锁柱. 计算机应用. 2008(07)
[10]基于遗传算法的自适应聚类与MQAM星座识别[J]. 吴月娴,葛临东,许志勇,薛富强. 计算机工程. 2007(22)
博士论文
[1]粒子群优化算法的改进及应用研究[D]. 刘逸.西安电子科技大学 2013
[2]多目标粒子群优化算法的全局搜索策略研究[D]. 王宇嘉.上海交通大学 2008
[3]智能粒子群优化算法研究[D]. 高芳.哈尔滨工业大学 2008
[4]通信信号调制识别研究[D]. 吕铁军.电子科技大学 2000
硕士论文
[1]基于聚类算法和支持向量机算法的文本分类算法研究[D]. 刘文.江苏科技大学 2012
[2]K-均值聚类算法的改进及其应用[D]. 梁烨炜.湖南大学 2012
[3]基于模糊C均值及粒子群参数优化的支持向量机故障诊断方法研究[D]. 李娜.电子科技大学 2011
[4]支持向量机及其在故障诊断中的应用研究[D]. 佟海侠.华北电力大学（河北） 2009
[5]基于多类软间隔支持向量机的文本分类问题研究[D]. 谭冠群.哈尔滨理工大学 2008
[6]通信信号调制识别研究[D]. 陈文.四川大学 2006
[7]Hilbert-Huang变换及其在信号处理中的应用[D]. 陈娟.大连理工大学 2006
本文编号：2931985
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2931985.html
