CN107707497A - 基于减法聚类和模糊聚类算法的通信信号识别方法 - Google Patents
基于减法聚类和模糊聚类算法的通信信号识别方法 Download PDFInfo
- Publication number
- CN107707497A CN107707497A CN201710319971.6A CN201710319971A CN107707497A CN 107707497 A CN107707497 A CN 107707497A CN 201710319971 A CN201710319971 A CN 201710319971A CN 107707497 A CN107707497 A CN 107707497A
- Authority
- CN
- China
- Prior art keywords
- clustering
- fuzzy
- fuzzy clustering
- constellation
- center
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004891 communication Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000010586 diagram Methods 0.000 claims description 15
- 102100026758 Serine/threonine-protein kinase 16 Human genes 0.000 claims description 4
- 101710184778 Serine/threonine-protein kinase 16 Proteins 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000000977 initiatory effect Effects 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 6
- 239000000969 carrier Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种基于减法聚类和模糊聚类算法的通信信号识别方法,其包括初始化参数;针对不同子载波,设置不同的初始领域半径值,采用减法聚类算法对接收的通信信号的星座点进行聚类;当减法聚类中心的个数小于第一预设定阀值时,将邻域半径减小,继续进行减法聚类;以减法聚类中心中密度较大的第一预设定阀值个减法聚类中心作为模糊聚类算法的初始中心,采用模糊聚类算法对通信信号的星座点再次进行聚类;指定模糊聚类的初始聚类数目,联合Xie‑Beni指标和聚类后星座图的相对半径评价聚类的合理性,若不合理,初始聚类数目需进行迭代;将相对半径与标准星座图半径比较,可得出信号的调制方式则标准调制信号所在的类别为通信信号的类别。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种基于减法聚类和模糊聚类算法的通信信号识别方法。
背景技术
调制信号识别在多种民用和军用领域中扮演关键角色,如认知无线电、频谱监测等。在实际无线通信中,多径信道会引起信号的失真,信号识别变得更有挑战性。目前,在非合作通信中,对不同标准协议的OFDM信号识别时,很重要的一个步骤就是对OFDM的有效子载波进行识别。
在基于星座聚类与神经网络的调制识别研究中利用减法聚类和模糊聚类叠加来对单载波信号识别,在SNR=15dB时能有效的识别信号,但是其减法聚类中的领域半径值为固定值,当待识别信号集种类较多时,会降低其识别率。
在多径衰落环境下高阶QAM信号调制识别算法研究中使用减法聚类识别子载波信号时,在领域半径中引入了信噪比,以适用于不同密集程度的信号星座点,但是在非协作合作通信中,信噪比事实上是未知的,需要进行估计,这样会增大整个算法的计算量,并且估计后也会有误差,误差会累积下来,最终影响识别率,且其利用噪声功率来构造相关函数,进而利用此函数来控制最终的聚类数目,会增加整个算法的复杂度。
发明内容
针对现有技术中的上述不足,本发明提供的基于减法聚类和模糊聚类算法的通信信号识别方法解决了现有的聚类算法对通信信号识别率低及复杂度高的问题。
为了达到上述发明目的,本发明采用的技术方案为:
提供一种基于减法聚类和模糊聚类算法的通信信号识别方法,其包括:
初始化领域半径、有效性函数变量、模糊聚类函数的收敛阀值和模糊聚类函数的最大迭代次数;
采用减法聚类算法对接收的通信信号的星座点进行聚类,并输出得到的多个减法聚类中心;
当减法聚类中心的个数小于第一预设定阀值时,将领域半径按第二预设定阀值减小,并重新采用减法聚类算法对通信信号的星座点进行聚类,直至减法聚类中心的个数大于等于第一预设定阀值;
以减法聚类中心中密度较大的第一预设定阀值个减法聚类中心作为模糊聚类算法的初始中心,采用模糊聚类算法对通信信号的星座点进行聚类,并输出得到的多个模糊聚类中心;
计算每个模糊聚类中心相对星座图原点的距离,并对所有的距离按降序排列,采用前半部分距离和后半部分距离计算通信信号星座图的相对半径;
;
通过相对半径对应的模糊聚类中心数目查找标准调制信号星座图具有相同聚类中心数目所对应的标准半径值,当相对半径与标准半径值之间的差异小于第三预设定阀值时,则标准调制信号所在的类别为通信信号的类别。
本发明的有益效果为:能够动态地确定不同通信信号在减法聚类时的初始领域半径,当减法聚类中心的个数小于第一预设定阀值时,将领域半径按第二预设定阀值减小,这样可以针对不同的调制信号得到与其相对应的领域半径值,得到的聚类数目和减法聚类中心更精准。
在通信信号识别过程中,采用减法聚类算法得到的减法聚类中心作为模糊聚类的初始中心,使模糊聚类能够在信号盲识别中使用,并将指定的聚类数目 更新过程与领域半径的更新过程结合起来,可以实现大部分通信信号的准确识别,通过仿真试验,其得到的聚类数目和聚类中心在准确度和稳定性远高于单个聚类算法。
用减法聚类后得到的减法聚类中心代替模糊聚类的初始聚类中心,能减少模糊聚类的迭代次数,并利用模糊聚类来对减法聚类得到的中心进行再次修正,使得到的聚类中心更可靠。
附图说明
图1为基于减法聚类和模糊聚类算法的通信信号识别方法一个实施例的流程图。
图2a为采用减法聚类、模糊聚类与本方案方法获取子载波BPSK信号聚类中心的仿真图。
图2b为采用减法聚类、模糊聚类与本方案方法获取子载波QPSK信号聚类中心的仿真图。
图2c为采用减法聚类、模糊聚类与本方案方法获取子载波16QAM信号聚类中心的仿真图。
图2d为采用减法聚类、模糊聚类与本方案方法获取子载波64QAM信号聚类中心的仿真图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
参考图1,图1示出了基于减法聚类和模糊聚类算法的通信信号识别方法一个实施例的流程图,如图1所示,该方法100包括步骤101至步骤106。
在步骤101中,初始化领域半径、有效性函数变量、模糊聚类函数的收敛阀值和模糊聚类函数的最大迭代次数。具体实施时,优选有效性函数变量OldF=10e10,模糊聚类函数的收敛阀值ε=1e-5,模糊聚类函数的最大迭代次数max_iter=100。
在步骤102中,采用减法聚类算法对接收的通信信号的星座点进行聚类,并输出得到的多个减法聚类中心。
在本发明的一个实施例中,所述采用减法聚类算法对接收的通信信号的星座点进行聚类进一步包括:
计算通信信号中各个星座点的密度值:
其中,Di为密度值;γa为领域半径;xj和xi为通信信号中第j、第i个星座点;n为通信信号中星座点的总数目;exp为e的指数;||xi-xj||为第i个星座点与第j个星座点之间的距离;
将最大的密度值作为减法聚类中心,并计算通信信号中余下的星座点的密度值:
其中,为上一次星座点密度值中的最大值,为上一次星座点密度值中的最大值所对应的星座点;为xi与之间的距离;γb=1.25γa;
当获取的减法聚类中心能够覆盖所有的星座点或者余下的星座点的密度值小于预设值时,输出获得的所有减法聚类中心。
经过多次仿真试验发现,在高斯信道下,当SNR为13dB时,子载波为BPSK信号时,当γa≈0.35时,其聚类效果最好(指减法聚类中心更接近于原始信号的标准中心,聚类数目更接近于最佳聚类数目);同理,当γa≈0.3时,QPSK信号的聚类效果最好;当γa≈0.2时,16QAM信号的聚类效果最好;当γa≈0.1时,64QAM信号的聚类效果最好。
在步骤103中,当减法聚类中心的个数小于第一预设定阀值时,将领域半径按第二预设定阀值减小,并重新采用减法聚类算法对通信信号的星座点进行聚类,直至减法聚类中心的个数大于等于第一预设定阀值。
实施时,优选领域半径按第二预设定阀值减小中的第二预设定阀值为0.01,则更新后的领域半径为newγa=γa-0.01。第一预设定阀值优选为2,其实在为初始聚类中心数目。
在步骤104中,以减法聚类中心中密度较大的第一预设定阀值个减法聚类中心作为模糊聚类算法的初始中心,采用模糊聚类算法对通信信号的星座点进行聚类,并输出得到的多个模糊聚类中心。
在步骤103中,假设第一预设定阀值为4,初次聚类后的聚类中心个数小于4时,将邻域半径按0.01减小后,并重新采用减法聚类算法对通信信号的星座点进行聚类,直到减法聚类中心的个数大于等于4,由于减法聚类时是自动聚类的,每聚类一次有可能增加1个、2个、3个或者更多,也即每次增加的个数是不定的,假设其聚类完成后的减法聚类中心个数为6个,那么在步骤104中,采用模糊聚类算法时,就以减法聚类中心中密度较大的前4个减法聚类中心作为模糊聚类算法的初始中心。
在本发明的一个实施例中,所述采用模糊聚类算法对通信信号的星座点进行聚类进一步包括:
根据第一预设定阀值个初始中心,计算模糊聚类算法的模糊聚类中心:
其中,vi为模糊聚类中心;n为通信信号中星座点的总数目;μij为星座点xj被分类到模糊聚类中心vi的隶属度,0≤μij≤1;m为模糊聚类算法的模糊因子,m∈[1,∞);
计算模糊聚类算法的代价函数值:
其中,dij=||vi-xj||,其为模糊聚类中心vi与星座点xj之间的距离;m为模糊因子,m∈[1,∞);λj,j=1,...,n为拉格朗日因子;
当代价函数值小于模糊聚类函数的收敛阀值,或计算模糊聚类中心的迭代次数小于模糊聚类函数的最大迭代次数时,更新星座点被分类到每个模糊聚类中心的隶属度:
其中,dkj=||vk-xj||,其为模糊聚类中心vk与星座点xj之间的距离;
采用更新后的星座点被分类到每个模糊聚类中心的隶属度计算模糊聚类算法的模糊聚类中心;
当计算的代价函数值大于等于模糊聚类函数的收敛阀值,或计算模糊聚类中心的迭代次数等于模糊聚类函数的最大迭代次数时,输出模糊聚类中心和每个星座点被分类到每个模糊聚类中心的隶属度。
经过多次仿真发现,在高斯信道下,当SNR为13dB时,在对BPSK信号、 QPSK信号、16QAM信号和64QAM信号进行模糊聚类的过程中,发现当m≈2时,其相对于其它的模糊因子m值,得到的聚类中心离原始信号的标准中心都比较近,且得到的聚类数目也都比较准确,对四种子载波信号都有较好的聚类效果。
在步骤105中,计算每个模糊聚类中心相对星座图原点的距离,并对所有的距离按降序排列,采用前半部分距离和后半部分距离计算通信信号星座图的相对半径;
在本发明的一个实施例中,采用前半部分距离和后半部分距离计算通信信号星座图的相对半径进一步包括:
当模糊聚类中心数目大于等于预设定个数(实施时,本方案优选预设定个数为4),则将前半部分距离中前预设定个数距离的平均值与后半部分距离中前预设定个数距离的平均值的比值作为通信信号星座图的相对半径;
当模糊聚类中心数目小于预设定个数时,将前半部分距离的平均值与后半部分距离的平均值的比值作为通信信号星座图的相对半径。
采用上述方式获取的相对半径,能够进一步保证相对半径的准确性,进而进一步保证了通信信号识别时的准确率。
在步骤106中,通过相对半径对应的模糊聚类中心数目查找标准调制信号星座图具有相同聚类中心数目所对应的标准半径值,当相对半径与标准半径值之间的差异小于第三预设定阀值时,则标准调制信号所在的类别为通信信号的类别。
在本发明的一个实施例中,所述输出得到的多个模糊聚类中心与所述计算每个模糊聚类中心到星座图原点的距离之间进一步包括:
根据模糊聚类算法输出的星座点被分类到每个模糊聚类中心的隶属度,计 算聚类有效性函数值。
实施时,可以采用以下算例计算聚类有效性函数值:
其中,xj为通信信号中第j个星座点;c为模糊聚类中心的个数;vi为第i个模糊聚类中心;n为通信信号中星座点的总数目;μij为星座点xj被分类到模糊聚类中心vi的隶属度;当uij>ukj时,δij=1,否则,δij=0;μkj为星座点xj被分类到模糊聚类中心xk的隶属度,k≠i;||...||为求距离操作;||xj-vi||为第j个模糊聚类中心vj与第i个星座点xi之间的距离;||vi-vj||为第i个模糊聚类中心vi与第j个模糊聚类中心vj之间的距离。
将第一预设定阀值按设定倍数增加后更新第一预设定阀值,将领域半径按第二预设定阀值减小后更新领域半径,采用聚类有效性函数值更新有效性函数变量;实施时,设定倍数优选为2,此处的第二预设定阀值与前面提到的第二预设定阀值为同一个参数,其优选为0.01。
根据更新后的第一预设定阀值、领域半径和有效性函数变量,采用减法聚类算法对通信信号的星座点进行聚类,直至有效性函数值大于有效性函数变量。
在评价模糊聚类的有效性时,通常情形下,最小的聚类有效性函数值F即对应最佳的聚类数目c。但在信号识别中,有时候会遇到如下情形,虽然在c=4时得到的F值比c=8小,但由于信号的M为偶数,在c=7或c=3处可能会出现最小的F值。
本发明通过聚类有效性函数值F和星座图聚类后的相对半径能够大幅度提高模糊聚类中心的最佳数目,从而保证通信信号调整类型判断的准确性。
实施时,本方案优选当更新后的第一预设定阀值大于等于第四预设定阀(此 处优选为8)时,还包括计算模糊聚类中心为四分之一第一预设定阀值和二分之一第一预设定阀值时的通信信号星座图的相对半径;
当更新后的第一预设定阀值大于等于二分之一第四预设定阀,且小于第四预设定阀时,还包括计算模糊聚类中心为二分之一第一预设定阀值时的通信信号星座图的相对半径。
由于第一预设定阀值时按设定倍数进行更新的,个数较小的减法聚类中心和模糊聚类中心在之前已经计算出来了,此处只需要直接调取之前获取的相应数目的模糊聚类中心即可计算相对半径。
当有多个相对半径时,在步骤106中会读取多个模糊聚类中心数目对应的标准半径值,通过能够满足差异小于第三预设定阀值的相对半径评判通信信号的类别。若多个相对半径都满足差异小于第三预设定阀值条件,可以通过最小距离原则选取差异最小时对应的相对半径去评判通信信号的类别。
本方案中通信信号可以选择OFDM有效子载波信号,所述OFDM有效子载波信号包括MPSK信号和MQAM信号,所述MPSK信号和MQAM信号的初始领域半径不同。
下面结合仿真对本方案的通信信号识别方法的效果进行说明:
在进行仿真时,OFDM信号选用DVB-T标准,模式选用2K点FFT,子载波个数为2048,符号的持续时间取280us,保护间隔取56us,采样频率10MHz,载波频率2MHz,子载波调制方式分别为S={BPSK,QPSK,16QAM,64QAM},QPSK的相位是π/2的整数倍,子载波为64QAM时的OFDM符号数目为5000,其它三种子载波的符号数目为2000,信噪比为13dB。在对接收信号去CP、FFT变换后,随机从众多有效子载波中随机抽取一条,以供识别,这里抽取的是序号为300的子载波。
在高斯信道下,针对子载波16QAM信号,比较减法聚类(算法一)、模糊聚类(算法二)和本方案方法(算法三)进行信号类型识别时的性能。
在计算相对半径R值时,算法三得到R的均值最接近标准半径值,其方差也最小,算法二其次。可以说明算法三无论是在估计相对半径值的精确度方面,还是在稳定度方面,都是最好的,即算法三确实提高了算法一的聚类性能。当算法二和算法三都处于最佳聚类数目时,算法三的迭代次数n在均值和方差方面比算法二小。可以说明算法三确实缩短了算法二的迭代次数。
表1 高斯信道下三种算法对子载波16QAM的聚类性能对比表
如图2a和图2b所示,对于高斯信道,子载波为BPSK和QPSK信号时,三种算法聚类后的c(聚类中心,本申请中所提到的所有c均代表聚类中心)一样,图2a可知,算法一在同相轴[-1,-0.995],正交轴[-5,5]*10-3区域内得到的聚类中心离标准中心的距离更远。
如图2c可以看出,对于子载波为16QAM信号,算法二在同相轴[0.3,0.4],正交轴[-0.9,-1.05]区域内得到了两个聚类中心,这是由于其初始隶属矩阵随机给定,而算法三避免此种情形出现的原因是,减法聚类的领域半径γa和γb设置合理,导致其得到的聚类中心之间的距离相隔不会很近。
如图2d可以看出,子载波为64QAM信号时,算法一最终聚类出来的聚类数目为27,这是因为此刻其领域半径的值不适合,而算法三能避免的原因是其领域半径有一个微调、迭代过程,newγa=γa-0.01,以及有效性函数和相对半径对聚类有效性的联合评价。
由4中信号的仿真可以看出,算法三得到的信号调制阶数和聚类中心相对其他两种算法而言都是最好的。
表2为三种算法对不同子载波信号聚类后得到的调制阶数M和相对半径R。可以看出,在高斯信道下,当SNR为13dB时,子载波为BPSK、QPSK信号,三种算法的识别精度相当,但是此时算法一在估计相对半径上的准确度时比较差。子载波为16QAM信号,算法三聚类后的相对半径更接近于标准中心,算法一次之,说明此时算法一的当前领域半径值设置得较为合理。子载波为64QAM信号,算法一仿真时由于出现识别错误,故计算出的相对半径值的结果也很差,算法三相对于算法二的相对半径值估计得更准确。
表2 高斯信道下三种算法对不同子载波聚类的M、R参数表
从表3中可以看出,在高斯信道下,当SNR为13dB时,在算法三的聚类过程中,子载波为BPSK信号时,c=2处的F值比c=4处小,并且其对应的R值更接近于其对应聚类数目的标准半径值;子载波为QPSK信号时,c=8处的F值比c=4处大,说明最小的F值对应的c的范围应该在[2,8]之间,并且在c=4处的R值 更接近于其对应聚类数目的标准半径值;同理,子载波为16QAM信号时,利用F值缩小范围后,8≤c≤32,且在c=16处的R值更接近于其对应聚类数目的标准半径值;子载波为64QAM信号时,利用F值缩小范围后,64≤c≤256,且在c=64处的R值更接近于其对应聚类数目的标准半径值。
表3 高斯信道下算法三对不同子载波聚类的c、F、R参数表
Claims (8)
1.基于减法聚类和模糊聚类算法的通信信号识别方法,其特征在于,包括:
初始化领域半径、有效性函数变量、模糊聚类函数的收敛阀值和模糊聚类函数的最大迭代次数;
采用减法聚类算法对接收的通信信号的星座点进行聚类,并输出得到的多个减法聚类中心;
当减法聚类中心的个数小于第一预设定阀值时,将领域半径按第二预设定阀值减小,并重新采用减法聚类算法对通信信号的星座点进行聚类,直至减法聚类中心的个数大于等于第一预设定阀值;
以减法聚类中心中密度较大的第一预设定阀值个减法聚类中心作为模糊聚类算法的初始中心,采用模糊聚类算法对通信信号的星座点进行聚类,并输出得到的多个模糊聚类中心;
计算每个模糊聚类中心相对星座图原点的距离,并对所有的距离按降序排列,采用前半部分距离和后半部分距离计算通信信号星座图的相对半径;
通过相对半径对应的模糊聚类中心数目查找标准调制信号星座图具有相同聚类中心数目所对应的标准半径值,当相对半径与标准半径值之间的差异小于第三预设定阀值时,则标准调制信号所在的类别为通信信号的类别。
2.根据权利要求1所述的基于减法聚类和模糊聚类算法的通信信号识别方法,其特征在于,所述采用前半部分距离和后半部分距离计算通信信号星座图的相对半径进一步包括:
当模糊聚类中心数目大于等于预设定个数,则将前半部分距离中前预设定个数距离的平均值与后半部分距离中前预设定个数距离的平均值的比值作为通信信号星座图的相对半径;
当模糊聚类中心数目小于预设定个数时,将前半部分距离的平均值与后半 部分距离的平均值的比值作为通信信号星座图的相对半径。
3.根据权利要求1或2所述的基于减法聚类和模糊聚类算法的通信信号识别方法,其特征在于,所述输出得到的多个模糊聚类中心与所述计算每个模糊聚类中心到星座图原点的距离之间进一步包括:
根据模糊聚类算法输出的星座点被分类到每个模糊聚类中心的隶属度,计算聚类有效性函数值;
将第一预设定阀值按设定倍数增加后更新第一预设定阀值,将领域半径按第二预设定阀值减小后更新领域半径,采用聚类有效性函数值更新有效性函数变量;
根据更新后的第一预设定阀值、领域半径和有效性函数变量,采用减法聚类算法对通信信号的星座点进行聚类,直至有效性函数值大于有效性函数变量。
4.根据权利要求3所述的基于减法聚类和模糊聚类算法的通信信号识别方法,其特征在于,当更新后的第一预设定阀值大于等于第四预设定阀时,还包括计算模糊聚类中心为四分之一第一预设定阀值和二分之一第一预设定阀值时的通信信号星座图的相对半径;
当更新后的第一预设定阀值大于等于二分之一第四预设定阀,且小于第四预设定阀时,还包括计算模糊聚类中心为二分之一第一预设定阀值时的通信信号星座图的相对半径。
5.根据权利要求3或4所述的基于减法聚类和模糊聚类算法的通信信号识别方法,其特征在于,所述计算聚类有效性函数值的具体公式为:
其中,xj为通信信号中第j个星座点;c为模糊聚类中心的个数;vi为第i 个模糊聚类中心;n为通信信号中星座点的总数目;μij为星座点xj被分类到模糊聚类中心vi的隶属度;当uij>ukj时,δij=1,否则,δij=0;μkj为星座点xj被分类到模糊聚类中心xk的隶属度,k≠i;||...||为求距离操作;||xj-vi||为第j个模糊聚类中心vj与第i个星座点xi之间的距离;||vi-vj||为第i个模糊聚类中心vi与第j个模糊聚类中心vj之间的距离。
6.根据权利要求1、2、4或5所述的基于减法聚类和模糊聚类算法的通信信号识别方法,其特征在于,所述采用减法聚类算法对接收的通信信号的星座点进行聚类进一步包括:
计算通信信号中各个星座点的密度值:
其中,Di为密度值;γa为领域半径;xj和xi为通信信号中第j、第i个星座点;n为通信信号中星座点的总数目;exp为e的指数;||xi-xj||为第i个星座点与第j个星座点之间的距离;
将最大的密度值作为减法聚类中心,并计算通信信号中余下的星座点的密度值:
其中,为上一次星座点密度值中的最大值,为上一次星座点密度值中的最大值所对应的星座点;为xi与之间的距离;γb=1.25γa;
当获取的减法聚类中心能够覆盖所有的星座点或者余下的星座点的密度值小于预设值时,输出获得的所有减法聚类中心。
7.根据权利要求6所述的基于减法聚类和模糊聚类算法的通信信号识别方法,其特征在于,所述采用模糊聚类算法对通信信号的星座点进行聚类进一步包括:
根据第一预设定阀值个初始中心,计算模糊聚类算法的模糊聚类中心:
其中,vi为模糊聚类中心;n为通信信号中星座点的总数目;μij为星座点xj被分类到模糊聚类中心vi的隶属度,0≤μij≤1;m为模糊聚类算法的模糊因子,m∈[1,∞);
计算模糊聚类算法的代价函数值:
其中,dij=||vi-xj||,其为模糊聚类中心vi与星座点xj之间的距离;m为模糊因子,m∈[1,∞);λj,j=1,...,n为拉格朗日因子;
当代价函数值小于模糊聚类函数的收敛阀值,或计算模糊聚类中心的迭代次数小于模糊聚类函数的最大迭代次数时,更新星座点被分类到每个模糊聚类中心的隶属度:
其中,dkj=||vk-xj||,其为模糊聚类中心vk与星座点xj之间的距离;
采用更新后的星座点被分类到每个模糊聚类中心的隶属度计算模糊聚类算法的模糊聚类中心;
当计算的代价函数值大于等于模糊聚类函数的收敛阀值,或计算模糊聚类中心的迭代次数等于模糊聚类函数的最大迭代次数时,输出模糊聚类中心和每星座点被分类到每个模糊聚类中心的隶属度。
8.根据权利要求1、2、4、5或7任一所述的基于减法聚类和模糊聚类算法的通信信号识别方法,其特征在于,所述通信信号为OFDM有效子载波信号,所述OFDM有效子载波信号包括MPSK信号和MQAM信号;所述MPSK信号和MQAM信号的初始领域半径不同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710319971.6A CN107707497B (zh) | 2017-05-09 | 2017-05-09 | 基于减法聚类和模糊聚类算法的通信信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710319971.6A CN107707497B (zh) | 2017-05-09 | 2017-05-09 | 基于减法聚类和模糊聚类算法的通信信号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107707497A true CN107707497A (zh) | 2018-02-16 |
CN107707497B CN107707497B (zh) | 2020-06-02 |
Family
ID=61169576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710319971.6A Active CN107707497B (zh) | 2017-05-09 | 2017-05-09 | 基于减法聚类和模糊聚类算法的通信信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107707497B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109274626A (zh) * | 2018-11-21 | 2019-01-25 | 电子科技大学 | 一种基于星座图正交扫描特征的调制识别方法 |
CN109978006A (zh) * | 2019-02-25 | 2019-07-05 | 北京邮电大学 | 聚类方法和装置 |
CN112565126A (zh) * | 2020-11-26 | 2021-03-26 | 杭州电子科技大学 | 一种基于接收机多维特征模数混合信号的调制识别方法 |
CN112737992A (zh) * | 2020-09-23 | 2021-04-30 | 青岛科技大学 | 一种水声信号调制方式自适应类内识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008022435A1 (en) * | 2006-08-21 | 2008-02-28 | Kaveh Seyed Momen | Method, system and apparatus for real-time classification of muscle signals from self-selected intentional movements |
CN102065056A (zh) * | 2011-01-10 | 2011-05-18 | 郑州大学 | 基于聚类实现任意星座图的mqam信号调制方式识别的方法 |
CN103150731A (zh) * | 2013-03-07 | 2013-06-12 | 南京航空航天大学 | 一种模糊聚类图像分割方法 |
CN104898562A (zh) * | 2015-04-27 | 2015-09-09 | 攀枝花学院 | 数控机床热误差补偿的建模方法 |
CN104915560A (zh) * | 2015-06-11 | 2015-09-16 | 万达信息股份有限公司 | 一种基于广义神经网络聚类的疾病病种诊疗方案预测方法 |
CN106408569A (zh) * | 2016-08-29 | 2017-02-15 | 北京航空航天大学 | 基于改进模糊c均值聚类算法的脑部mri图像分割方法 |
-
2017
- 2017-05-09 CN CN201710319971.6A patent/CN107707497B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008022435A1 (en) * | 2006-08-21 | 2008-02-28 | Kaveh Seyed Momen | Method, system and apparatus for real-time classification of muscle signals from self-selected intentional movements |
CN102065056A (zh) * | 2011-01-10 | 2011-05-18 | 郑州大学 | 基于聚类实现任意星座图的mqam信号调制方式识别的方法 |
CN103150731A (zh) * | 2013-03-07 | 2013-06-12 | 南京航空航天大学 | 一种模糊聚类图像分割方法 |
CN104898562A (zh) * | 2015-04-27 | 2015-09-09 | 攀枝花学院 | 数控机床热误差补偿的建模方法 |
CN104915560A (zh) * | 2015-06-11 | 2015-09-16 | 万达信息股份有限公司 | 一种基于广义神经网络聚类的疾病病种诊疗方案预测方法 |
CN106408569A (zh) * | 2016-08-29 | 2017-02-15 | 北京航空航天大学 | 基于改进模糊c均值聚类算法的脑部mri图像分割方法 |
Non-Patent Citations (2)
Title |
---|
SAN YE ,AI LING: "《Fuzzy identification based on improved clustering arithmetic and its application》", 《2011 EIGHTH INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY (FSKD)》 * |
袁莹莹: "《多径衰落环境下高阶QAM信号调制识别算法研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109274626A (zh) * | 2018-11-21 | 2019-01-25 | 电子科技大学 | 一种基于星座图正交扫描特征的调制识别方法 |
CN109274626B (zh) * | 2018-11-21 | 2020-11-13 | 电子科技大学 | 一种基于星座图正交扫描特征的调制识别方法 |
CN109978006A (zh) * | 2019-02-25 | 2019-07-05 | 北京邮电大学 | 聚类方法和装置 |
CN109978006B (zh) * | 2019-02-25 | 2021-02-19 | 北京邮电大学 | 人脸图像的聚类方法和装置 |
CN112737992A (zh) * | 2020-09-23 | 2021-04-30 | 青岛科技大学 | 一种水声信号调制方式自适应类内识别方法 |
CN112565126A (zh) * | 2020-11-26 | 2021-03-26 | 杭州电子科技大学 | 一种基于接收机多维特征模数混合信号的调制识别方法 |
CN112565126B (zh) * | 2020-11-26 | 2022-06-28 | 杭州电子科技大学 | 一种基于接收机多维特征模数混合信号的调制识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107707497B (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109802905B (zh) | 基于cnn卷积神经网络的数字信号自动调制识别方法 | |
CN107707497B (zh) | 基于减法聚类和模糊聚类算法的通信信号识别方法 | |
Like et al. | Signal classification in fading channels using cyclic spectral analysis | |
JP2004159277A (ja) | 無線通信システムのチャネルを介して受信した変調信号のシンボルを検出する方法およびシステム | |
Zhao et al. | Deep Learning-Based channel estimation with SRGAN in OFDM Systems | |
CN114567528B (zh) | 基于深度学习的通信信号调制方式开集识别方法及系统 | |
CN108696305A (zh) | 适用于lte-a mimo信号分析系统的高精度频偏测量方法 | |
KR102370119B1 (ko) | 무선 통신 시스템에서 부분 후보 기반의 신호 검출 장치 및 방법 | |
EP2140561B1 (en) | A method and an apparatus for estimating a delay spread of a multipath channel | |
CN112350965B (zh) | 无线光通信系统中自适应最小二乘信道估计方法及接收机 | |
CN112270263A (zh) | 基于差分密度星座图的调制识别方法 | |
CN112636855A (zh) | 一种ofdm信号检测方法 | |
CN109167744B (zh) | 一种相位噪声联合估计方法 | |
CN116800575A (zh) | Mimo-ofdm信号子载波盲调制识别 | |
Mello et al. | Low-Complexity Detection Algorithms Applied to FTN-GFDM Systems | |
CN116388798A (zh) | 一种Link16跳频信号去噪侦察识别算法 | |
CN116132237A (zh) | 一种基于周期卷积与分形的ofdm信号检测识别方法 | |
Batra et al. | A study of automatic modulation classification for rayleigh fading channel | |
De Souza et al. | A novel signal detector in MIMO systems based on complex correntropy | |
Nasraoui et al. | Performance study of an efficient reduced-complexity time synchronization approach for DMT systems | |
CN111935044B (zh) | 基于emd分解的psk及qam类信号调制识别方法 | |
KR102596571B1 (ko) | 가시광 통신에서 일반적인 led 인덱스 기반 변조 방식용 딥 러닝 기반의 인덱스 추정기 | |
CN110213189A (zh) | 一种基于快速傅里叶变换的正交频分复用填充式认知系统主用户信号盲估计方法 | |
Priyanka et al. | Improved MFO algorithm based PTS scheme in OFDM systems for PAPR reduction | |
Liu et al. | DFT-Based Channel Estimation with Iterative Denoising for OFDM-IM System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |