基于支持向量机的多类数字调制识别方法

doi:10.3969/j.issn.1006-6055.2013.02.005

›› 2013, Vol. 35 ›› Issue (2): 181-183，186.doi: 10.3969/j.issn.1006-6055.2013.02.005

基于支持向量机的多类数字调制识别方法

章仁飞1 陈印2 卢莹2

1.中国电子科技集团公司第38研究所，合肥230031；2.重庆大学通信与测控中心，重庆400044

出版日期:2013-04-25 发布日期:2013-04-27

Online:2013-04-25 Published:2013-04-27

摘要/Abstract

摘要：

提出了一种基于支持向量机的多类数字调制方式识别方法。该方法根据信号的瞬时信息提取特征向量，并利用支持向量机将特征向量映射到一个高维空间，在高维空间中构造最优分类超平面以实现信号分类。该方法避免了判决门限的确定，与传统的神经网络算法相比，具有更好的泛化推广能力。仿真结果表明，在高斯白噪声环境下，信噪比大于等于5dB时，7种数字调制信号的正确识别率均高于97.4%。

关键词: 数字调制识别, 支持向量机, 瞬时信息, 特征提取

中图分类号:

TN911

章仁飞陈印卢莹 . 基于支持向量机的多类数字调制识别方法[J]. , 2013, 35(2): 181-183，186.

[1]	王瑶郭鹏飞. 基于PCMRA-SVM的采煤工作面瓦斯涌出量预测[J]. , 2016, 38(6): 1266-1270.
[2]	孙臣良商政李冰包小龙. 煤层底板突水危险性的ReliefF-IGS-SVM预测模型及应用[J]. , 2016, 38(6): 1271-1275，1293.
[3]	李烨贾进章. 基于改进GS-SVM的煤矿冲击地压预测研究[J]. , 2016, 38(4): 758-762.
[4]	何银银. 基于改进GS-SVM的煤炭生产成本预测[J]. , 2016, 38(3): 701-705，723.
[5]	杨明磊戚旭鹏张春华郝朝瑜姜超. 基于支持向量机回归与分源预测法的瓦斯涌出量预测模型及其应用[J]. , 2015, 37(5): 485-489.
[6]	刘涛贾进章. 基于K-CV&SVM的工作面煤层瓦斯含量预测[J]. , 2015, 37(2): 147-150.
[7]	张智纲王雪峰范瑞. 基于果蝇算法的破坏带深度FOA-SVM预计模型[J]. , 2014, 36(5): 494-497.
[8]	温廷新张波. 基于EMD和LSSVM的滚动轴承故障诊断[J]. , 2014, 36(1): 76-79,88.
[9]	朱征宇钟锐. 基于区块位置与加权视觉语义映射的语义图像检索[J]. , 2013, 35(5): 624-626, 636.
[10]	罗显科柴毅李华锋梁奕欢. 半监督增量式SVM在故障诊断中的应用研究[J]. , 2013, 35(4): 459-461.
[11]	李国军周晓娜蒋勇李林李少华 . 短波电报信号自动检测技术研究综述[J]. , 2013, 35(3): 337-343.
[12]	石锐郑晓平何庆华 . 基于HMM-ANN的咳嗽音识别[J]. , 2012, 34(5): 751-753,783.
[13]	闫嘉田逢春庆华冯敬伟贾鹏飞孙诚樊澍 . 基于支持向量机和粒子群算法的电子鼻伤口感染检测[J]. , 2012, 34(2): 261-264.
[14]	闫嘉田逢春何庆华冯敬伟贾鹏飞孙诚樊澍. 基于支持向量机和粒子群算法的电子鼻伤口感染检测[J]. , 2012, 34(2): 0-264.
[15]	何杰朱征宇董曙佳于春雷. 基于概念词的特征提取方法[J]. , 2012, 34(1): 119-122,147.

基于支持向量机的多类数字调制识别方法

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐