，能够大大减少计算量、提高信号调制类型识别的效率和性能稳定性。另外，本发 明通过局部保持投影算法得到最优投影矩阵，即利用局部保持投影算法对包含各调制类型 的训练信号所在的信号样本矩阵进行局部保持投影计算后得到最优投影矩阵。如此在局部 保持投影过程中，不仅保持了信号样本的差异性特征，还保持了样本的局部相似性特征，具 有较好地鲁棒性，使得即使在待识别信号调制类型较多、信噪比较低的情况下本发明的信 号调制类型识别方法也能取得较高的识别率。
【附图说明】
[0070] 图1是本发明一个实施例的一种信号调制类型识别方法的流程示意图；
[0071] 图2是本发明的一种信号调制类型识别方法的原理示意图；
[0072] 图3是本发明一个实施例的采用特征向量个数为2时训练信号样本在低维特征子 空间的投影效果图；
[0073] 图4是本发明的信号调制类型识别方法与现有技术PCA方法的识别率对比示意 图；
[0074] 图5是现有技术PCA方法在信噪比为IOdb的条件下，针对不同信号调制类型所取 得的识别率结果示意图；
[0075] 图6是本发明的信号调制类型识别方法在信噪比为IOdb的条件下，针对不同信号 调制类型所取得的识别率结果示意图；
[0076] 图7是本发明一个实施例提供的一种信号调制类型识别系统的框图。
【具体实施方式】
[0077] 本发明的核心思想是：提出一种基于统计模式识别原理信号调制类型识别方案， 解决在非合作通信系统中信号调制类型识别鲁棒性差，以及低信噪比下识别率低的问题。 本发明的技术方案通过对待识别信号进行预处理，提取出7种特征参量来表征待识别信 号，并采用局部保持投影算法处理信号调制类型已知的各训练信号样本，得到最优投影矩 阵；利用该最优投影矩阵对预处理后的待识别信号以及训练信号进行进一步的特征提取， 将待识别信号和训练信号（待识别信号和训练信号都可以看作高维空间中的点）投影到低 维的特征子空间中，经过局部保持投影后，训练信号在低维特征子空间中具有较好地同类 紧致性，不同类离散性，然后再利用基于欧氏距离的最近邻判别方法对投影后的待识别信 号与各调制类型已知的训练信号间的距离进行计算和比较，如果待识别信号与其中某一类 信号调制类型已知的训练样本点的欧式距离最小，则将待识别信号的信号调制类型确定为 与该训练样本信号调制类型相同，然后对待识别信号的信号调制类型进行判决输出。由此， 通过局部保持投影算法计算得到最优投影矩阵时，既考虑了训练信号样本的差异性，又兼 顾了训练信号样本的局部相似性，信号识别的鲁棒性更好，从而使得信号类型识别在低信 噪比条件下也能取得较高的识别率。
[0078] 图1是本发明一个实施例的一种信号调制类型识别方法的流程示意图，参见图1， 本发明实施例的这种信号调制类型识别方法包括：
[0079] 步骤S110,对待识别信号进行预处理，提取出预定数量的特征参量，并使用所述预 定数量的特征参量组成的特征向量表征所述待识别信号；
[0080] 步骤S120,利用最优投影矩阵对所述待识别信号进行特征提取，将所述待识别信 号投影到低维特征子空间中；其中，所述最优投影矩阵通过局部保持投影算法得到；
[0081] 步骤S130,计算所述低维特征子空间中的待识别信号与信号调制类型已知的训练 信号之间的欧式距离，基于欧氏距离的最近邻算法确定出待识别信号的信号调制类型。
[0082] 经过图1所示的步骤，本发明一个实施例的信号类型调制方法，在局部保持投影 过程中，不仅保持了训练信号样本的差异性特征，还保持了训练信号样本的局部相似性特 征，具有较好地鲁棒性，所以即使在待识别信号调制类型较多，信噪比较低的情况下也能取 得较高的识别率。
[0083] 在本发明的一个实施例中，在对待识别信号进行预处理之前，该方法还包括：训练 得到最优投影矩阵；训练得到最优投影矩阵包括：对信号调制类型已知的训练信号进行与 待识别信号同样的预处理步骤，提取出预定数量的特征参量，并使用特征参量组成的特征 向量表征信号调制类型已知的训练信号，得到包含各调制类型训练信号的信号样本矩阵； 利用局部保持投影算法，对信号样本矩阵进行处理，计算得到最优投影矩阵。
[0084] 图2是是本发明的一种信号调制类型识别方法的原理示意图，参见图2,本发明的 信号调制类型识别的方法的原理是：对训练信号样本进行采样、预处理一提取7种信号特 征参量表征训练信号样本一利用局部保持投影，训练产生最优投影矩阵，将最优投影矩阵 输出给最近邻分类器；这里的训练信号样本的数量为多个，多个训练信号样本组成了信号 样本矩阵。接下来可以对待识别信号进行同样的预处理过程即对待识别信号进行信号采 样、预处理一提取出7种信号特征参量表征待识别信号一将7种特征参量表征的待识别信 号送入最近邻分类器；然后根据训练信号样本训练后得到的最优投影矩阵对待识别信号进 行投影，即将待识别信号和训练信号样本都投影到同一个特征子空间中，在该特征子空间 中，利用最近邻分类器计算待识别信号与哪个训练信号样本的欧式距离最小，那么就将待 识别信号的调制类型确定为与该训练信号样本的信号调制类型相同，然后对待识别信号的 信号调制类型进行判决输出。本实施例中，是计算待识别信号与信号调制类型已知的多个 训练信号的欧式距离，并将待识别信号确定为与欧式距离最小的那个训练信号属于同一信 号调制类型。欧式距离也称欧几里得距离，它是一个通常采用的距离定义，它是表示在m维 空间中两个点之间的真实距离。欧氏距离可看作信号的相似程度，距离越近就越相似。在 本发明的一个实施例中，对信号调制类型已知的训练信号进行与待识别信号同样的预处理 步骤，提取出预定数量的特征参量包括：
[0085] 步骤31，对接收到的训练信号s(t)进行采样，得到训练信号s(t)的瞬时幅度 a(i)、瞬时相位Φ (i)、瞬时频率f(i)和功率谱S(i);其中，采样频率为fs，采样点数为Ns;
[0086] 步骤32,计算归一化瞬时幅度的标准差σ a、归一化瞬时幅度的标准差与均值之比 艮以及归一化瞬时幅度的发散度μ a;
[0087] 步骤33,计算归一化瞬时频率的标准差σ f、归一化瞬时频率的发散度μ f以及归 一化非线性瞬时相位的标准差σ ^
[0088] 步骤34,计算功率谱的对称性P ;
[0089] 预定数量的特征参量包括步骤32、步骤33和步骤34计算出的共7个特征参量， 即7个特征参量分别为：归一化瞬时幅度的标准差 〇 a，归一化瞬时幅度的标准差与均值之 比Ra，归一化瞬时幅度的发散度μ %归一化瞬时频率的标准差σ f，归一化瞬时频率的发散 度μ f，归一化非线性瞬时相位的标准差σ ^，功率谱的对称性P。
[0090] 在本发明的一个实施例中，步骤32,计算归一化瞬时幅度的标准差σ a、归一化瞬 时幅度的标准差与均值之比Ra以及归一化瞬时幅度的发散度μ a包括：
[0091] 利用如下公式计算归一化瞬时幅度的标准差〇a:
[0092]
[0093] 利用如下公式计算归一化瞬时幅度的标准差与均值之比Ra:
[0094]
[0095] 利用如下公式计算归一化瞬时幅度的发散度μ a:
[0096]
Q
[0097] 在本发明的一个实施例中，步骤33,计算归一化瞬时频率的标准差σ f、归一化瞬 时频率的发散度μ 及归一化非线性瞬时相位的标准差σ φ包括：
[0098] 利用如下公式计算归一化瞬时频率的标准差σ f:
[0099]
[0100] 利用如下公式计算归一化瞬时频率的发散度μf:
[0101]
[0102] 利用如下公式计算归一化非线性瞬时相位的标准差σ
[0103]
，Φ⑴为瞬时 相位的非线性部分。
[0104] 在本发明的一个实施例中，步骤34,计算功率谱的对称性P包括：
[0105] 利用如下公式计算功率谱的对称性P :
[0108] 由此，通过上述步骤可以得到每个训练信号样本的7种特征参量，利用该7种特征 参量可以表征一个训练信号样本，即将7种特征参量看作是训练信号样本的维度，每个训 练信号样本可以看作是7维空间中的一个点，7种特征参量是这个训练信号样本点的坐标 值。
[0109] 需要说明的是，本发明实施例中，对训练信号样本和待识别信号进行同样的预处 理过程，即对待识别信号也要进行信号采样、预处理，提取出待识别信号的归一化瞬时幅度 的标准差、归一化瞬时幅度的标准差与均值之比、归一化瞬时幅度的发散度、归一化瞬时频 率的标准差、归一化瞬时频率的发散度、归一化非线性瞬时相位的标准差、功率谱的对称性 共7种特征参量。由于待识别信号的预处理过程是和训练信号样本的预处理步骤相同，因 此，对待识别信号的预处理步骤可以参见对训练信号样本的预处理步骤，在此不再赘述。
[0110] 由上可知，对每个训练信号样本都进行预处理，提取出该训练信号的7种特征参 量，用7种特征参量表示对应的训练信号样本后就可以得到由这些训练信号样本组成的信 号样本矩阵。
[0111] 在本发明的一个实施例中，利用局部保持投影算法，对信号样本矩阵进行处理，计 算得到最优投影矩阵包括：
[0112] 设信号样本矩阵X= [Xl，X2,…，知]，N表示训练信号样本的个数，X1 e R7xi α = 1，2,…，Ν