基于LDA-KNN的水声信号自动调制识别方法技术

本发明专利技术公开了一种基于LDA

【技术实现步骤摘要】
基于LDA
‑
KNN的水声信号自动调制识别方法


[0001]本专利技术属于水声通信
，具体地说，涉及一种基于LDA
‑
KNN的水声信号自动调制识别方法。

技术介绍

[0002]声波作为一种优秀的水下信息载体，因其具有较高的传输距离和传输速度以及较低的衰减系数，成为了水下通信的首选媒介。水声通信系统中，发送端通常使用自适应调制编码技术(adaptive modulation coding，AMC)，该技术可依据信道状况，自适应地选择适合当前信道的调制方式，该技术需要信号发送端与接收端通过握手信号同步调制方式，然而水声信道噪声干扰与多径效应严重，致使握手信号无法准确传输，致使接收端采用了不匹配的解调方式，进而导致解调数据的严重错误。
[0003]自动调制识别(automatic modulation recognition，AMR)技术可使接收端在调制信息未知的情况下，自动识别出信号的调制方式，保证接收端采用正确的解调方式解调数据。目前调制方式智能识别的方法主要有基于最大似然比的识别方法与基于特征提取的识别方法；前者虽然数学理论完备，但是需要大量的先验信息，难以实际应用且复杂度较高，后者则实现简单，易于工程应用。然而水下信道复杂多变，存在严重的噪声与多径干扰，严重影响提取特征的质量，降低了特征的区分度。此外，传统的AMR方法模型复杂，识别速率低下，难以满足通信系统的实时性要求。
[0004]因此，需要设计研发一种识别性能良好的水声信号自动调制识别方法。
专利
技术实现思路

[0005]针对现有水声信号自动调制识别方法的抗干扰能力差、计算成本高、识别准确率低等技术问题，本专利技术的目的是提供一种基于LDA
‑
KNN的水声信号自动调制识别方法，以解决上述问题。
[0006]线性判别分析法(Linear Discriminant Analysis，LDA)是一种线性变换，可在降低特征维度的同时优化特征分布，K最近邻分类算法(K
‑
Nearest Neighbor，KNN)则是一种简单有效的分类算法，无需训练过程即可完成分类，但其严重依赖特征的空间分布且难以处理高维特征。本专利技术将LDA与KNN相结合，使用LDA降低特征维度的同时优化特征空间分布，同时提高了KNN的识别准确率与效率。
[0007]为实现上述专利技术目的，本专利技术采用下述技术方案予以实现：
[0008]一种基于LDA
‑
KNN的水声信号自动调制识别方法，包括以下步骤：
[0009]S1：获取水声信号；
[0010]S2：提取S1中水声信号的形态特征与熵特征，并进行归一化处理；
[0011]S3：将S2中处理后的特征向量用于训练LDA，得到LDA映射的权值与偏置；
[0012]S4：将S2中处理后的特征向量与S3得到的权值相乘后，加上偏置项，得到LDA映射后的特征向量；
[0013]S5：将S4得到的特征向量进行L2标准化之后，作为KNN的分类样本空间，得到LDA
‑
KNN分类模型；
[0014]S6：将需要识别的水声信号经过上述S1
‑
S4的特征提取与映射后，输入到S5中训练好的LDA
‑
KNN分类模型中，输出信号调制方式识别分类。
[0015]进一步的，所述S2中计算水声信号的特征所采用的信号处理方法包括：功率谱、奇异谱、相位谱、小波能量谱、频谱以及瞬时幅度。
[0016]进一步的，所述S2中，所述形态特征包括：零中心归一化瞬时幅度谱密度的最大值、零中心归一化瞬时幅度标准差、波动系数；
[0017]所述熵特征包括：功率谱香农熵、功率谱指数熵、奇异谱香农熵、奇异谱指数熵、频谱幅度香农熵、频谱幅度指数熵、相位谱香农熵、相位谱指数熵、小波能量指数熵、小波能量香农熵、瞬时幅度指数熵、瞬时幅度香农熵。
[0018]更进一步的，所述零中心归一化瞬时幅度谱密度的最大值的公式为：
[0019]γ
max
＝max{DFT[a
cn
(n)]}2/N
[0020]式中n＝(1,2,..,N)，N为采样点数，a
cn
(n)＝a
n
(n)
‑
1，a
n
(n)为归一化后的瞬时幅度，DFT(
·
)表示离散傅里叶变换；
[0021]其中，零中心归一化瞬时幅度标准差的公式为：
[0022][0023]式中为a
cn
(n)的均值；
[0024]其中，波动系数的具体公式为：
[0025]β＝v/μ
[0026]其中v与μ分别为a
n
(n)的方差与均值。
[0027]更进一步的，所述奇异谱香农熵和奇异谱指数熵的计算方法为：
[0028]将离散的水声采样信号嵌入维数m和延迟时间n后得到重构相空间矩阵：
[0029][0030]对该矩阵进行奇异值分解得：其中矩阵Q为对角矩阵，对角线上的奇异值σ构成奇异值谱σ＝{σ1，σ2，...，σx|j≤K}；定义归一化后奇异值为σ
i
的权值为P
i
，则可分别得到奇异谱香农熵和指数熵为：
[0031]奇异谱香农熵：
[0032]奇异谱指数熵：
[0033]其中，功率谱香农熵与功率谱指数熵的计算公式如下：
[0034]功率谱香农熵：
[0035]功率谱指数熵：
[0036]式中P
i
为信号功率谱中各点的权值，K为功率谱的点数。
[0037]其中，频谱幅度香农熵与频谱幅度指数熵的计算方法如下：
[0038]记信号的幅频响应序列为F＝{x1,x2,...,x
k
}，则各点权值P
i
如下：
[0039][0040]则频谱幅度香农熵与频谱幅度指数熵的公式如下：
[0041]频谱幅度香农熵：
[0042]频谱幅度指数熵：
[0043]式中K为幅频响应序列的点数。
[0044]其中，相位谱香农熵与相位谱指数熵的计算方法如下：
[0045]记信号的相频响应序列为P＝{x1,x2,...,x
k
}，则各点权值w
i
如下：
[0046][0047]则相位谱香农熵与相位谱指数熵的公式如下：
[0048]相位谱香农熵：
[0049]相位谱指数熵：
[0050]式中K为相频响应曲线的点数。
[0051]其中，小波能量香农熵与小波能量指数熵的计算方法如下：
[0052]使用dB3小波作为母小波对信号进行n层小波分解，得到2
n
级分解后的信号序列，计算每级信号能量，得到小波能量谱，记为E＝{E1,E2,...,E
2n
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LDA
‑
KNN的水声信号自动调制识别方法，其特征在于，该方法包括以下步骤：S1：获取水声信号；S2：提取S1中水声信号的形态特征与熵特征，并进行归一化处理；S3：将S2中处理后的特征向量用于训练LDA，得到LDA映射的权值与偏置；S4：将S2中处理后的特征向量与S3得到的权值相乘后，加上偏置项，得到LDA映射后的特征向量；S5：将S4得到的特征向量进行L2标准化之后，作为KNN的分类样本空间，得到LDA
‑
KNN分类模型；S6：将需要识别的水声信号经过上述S1
‑
S4的特征提取与映射后，输入到S5中训练好的LDA
‑
KNN分类模型中，输出信号调制方式识别分类。2.如权利要求1所述的水声信号自动调制识别方法，其特征在于，所述S2中，所述形态特征包括：零中心归一化瞬时幅度谱密度的最大值、零中心归一化瞬时幅度标准差、波动系数。3.如权利要求2所述的水声信号自动调制识别方法，其特征在于，所述零中心归一化瞬时幅度谱密度的最大值的公式为：γ
max
＝max{DFT[a
cn
(n)]}2/N式中n＝(1,2,..,N)，N为采样点数，a
cn
(n)＝a
n
(n)
‑
1，a
n
(n)为归一化后的瞬时幅度，DFT(
·
)表示离散傅里叶变换；其中，零中心归一化瞬时幅度标准差的公式为：式中为a
cn
(n)的均值；所述波动系数的具体公式为：β＝v/μ其中v与μ分别为a
n
(n)的方差与均值。4.如权利要求1所述的水声信号自动调制识别方法，其特征在于，所述熵特征包括：功率谱香农熵、功率谱指数熵、奇异谱香农熵、奇异谱指数熵、频谱幅度香农熵、频谱幅度指数熵、相位谱香农熵、相位谱指数熵、小波能量指数熵、小波能量香农熵、瞬时幅度指数熵、瞬时幅度香农熵。5.如权利要求4所述的水声信号自动调制识别方法，其特征在于，所述奇异谱香农熵和奇异谱指数熵的计算方法为：将离散的水声采样信号嵌入维数m和延迟时间n后得到重构相空间矩阵：对该矩阵进行奇异值分解得：其中矩阵Q为对角矩阵，对角
线上...

【专利技术属性】
技术研发人员：黄子豪，权天祺，吴承安，孙雅宁，矫禄禄，杨作骞，赵文龙，王景景，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：