量和相位的顺序统计量对待识别信 号进行调制类型的分类，W区分QAM信号和不同的PSK信号；
[0048] S13:获取待识别的QAM信号的实部和虚部，分别对各个待识别的QAM信号的实部和 虚部进行排序，获取待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序 统计量；
[0049] S14:利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM 信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类，W区分不同的QAM信 号。
[0050] 需要说明的是，顺序统计量是对实值变量进行升序排列后的值，它能够保留除原 数据顺序外的所有信息，因此可W作为一种特征进行调制分类。
[0051] 本实施例的基于顺序统计量和机器学习的调制识别方法，用于区分PSK和QAM两种 调制类型的信号，利用信号的顺序统计量作为特征进行分类，在计算复杂度较低的情况下 保持良好的信号分类性能。
[0052] 进一步地，在所述获取待识别信号的幅值和相位之前，还包括：
[0053] 利用已知调制类型的信号的顺序统计量训练所述机器学习模型。
[0054] 在一种可选的实施方式中，所述机器学习模型为线性支持向量机模型LSVM。
[0055] 在所述获取待识别信号的幅值和相位之前，还包括：
[0056] 获取待识别信号的信道信息。
[0057] 本领域技术人员应该明白，LSVM需要在信道信息已知的前提下进行分类。
[0058] 在另一种可选的实施方式中，所述机器学习模型为反向传播神经网络模型BPNN。 图3示出了本发明一个实施例的反向传播神经网络的示意图。
[0059] 为了提高分类的准确性，在所述获取待识别信号的幅值和相位之前，还包括：
[0060] 对所述待识别信号进行能量归一化处理，并消除所述待识别信号的相位偏移和频 率偏移。
[0061] 为了减少分类的计算量，在所述利用机器学习模型根据幅值的顺序统计量和相位 的顺序统计量对待识别信号进行调制类型的分类之前，还包括：
[0062] 分别获取所述幅值的顺序统计量和相位的顺序统计量的部分元素，获取幅值的压 缩顺序统计量和相位的压缩顺序统计量；
[0063] 相应地，所述利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待 识别信号进行调制类型的分类包括：
[0064] 利用反向传播神经网络模型根据幅值的压缩顺序统计量和相位的压缩顺序统计 量对待识别信号进行调制类型的分类。
[0065] 同样地，为了减少分类的计算量，在所述利用机器学习模型根据待识别的QAM信号 的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制 类型的分类之前，还包括：
[0066] 分别获取所述待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的 顺序统计量的部分元素，获取待识别的QAM信号的实部的压缩顺序统计量和虚部的压缩顺 序统计量；
[0067] 相应地，所述利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待 识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类包括：
[0068] 利用反向传播神经网络模型根据带识别的QAM信号的实部的顺序统计量和虚部的 顺序统计量对待识别的QAM信号进行调制类型的分类。
[0069] 图2示出了本发明一个实施例的基于顺序统计量和机器学习的调制识别方法的原 理图。如图2所示，本实施例用于区分多类PSK和QAM信号，包括W下两步:首先利用信号幅值 和相位的顺序统计量(或压缩顺序统计量）区分QAM大类和不同的PSK信号;接下来，利用信 号的实部和虚部的顺序统计量(或压缩顺序统计量)区分不同的QAM信号。
[0070] LSVM则需要信道已知，其具体步骤为：
[0071] 步骤一:对特定的信道条件，利用训练样本的顺序统计量训练LSVM。
[0072] 步骤二:接收一段需要进行识别的信号。
[0073] 步骤Ξ:对接收到的信号取幅值和相位，分别进行排序，得到它们的顺序统计量。
[0074] 步骤四：利用LSVM分类运两组顺序统计量，W区分QAM信号和不同的PSK信号。
[007引步骤五:对被分成QAM类型的信号取实部和虚部，分别进行排序，得到它们的顺序 统计量。
[0076] 步骤六:利用LSVM分类运两组顺序统计量，W区分不同的QAM信号。
[0077] BPNN适合信道未知情况下进行调制分类，具体步骤为：
[0078] 步骤一:利用训练样本的压缩顺序统计量训练线性ΒΡΓ^Ν。
[0079] 步骤二:接收一段需要进行识别的信号，并使它的能量归一化。
[0080] 步骤估计信号的相位偏移和频率偏移，并消除运两个偏移的影响。
[0081] 步骤四：对处理后的信号取幅值和相位，分别进行排序，得到它们的顺序统计量。
[0082] 步骤五:取运两组顺序统计量的部分元素，得到压缩顺序统计量。
[0083] 步骤六:利用ΒΡΝΝ分类运两组压缩顺序统计量，W区分QAM信号和不同的PSK信号。
[0084] 步骤屯:对被分成QAM类型的信号取实部和虚部，分别进行排序，得到它们的顺序 统计量。
[0085] 步骤八:取运两组顺序统计量的部分元素，得到压缩顺序统计量。
[0086] 步骤九:利用ΒΡΝΝ分类运两组压缩顺序统计量，W区分不同的QAM信号。
[0087] 图4示出了信道已知时各个方法的分类性能示意图；图5示出了信道未知时各个方 法的分类性能示意图。表1示出了信道已知时各方法的分类时间，表2示出了信道未知时各 方法的分类时间。
[0088] 表1信道已知时各方法的分类时间
[0089]
[0092] 由图4、图5和表1、表2可知，本发明实施例的分类性能与现有的算法接近，且较优 于现有的算法，但计算复杂度远低于现有算法。本发明实施例在分类性能和计算复杂度之 间做出了一个很好的折中，即在计算复杂度较低的情况下保持良好的分类性能。
[0093] 需要说明的是，由于顺序统计量稳定的特性，可W利用BP順在信道未知的条件下 进行分类。
[0094] 下面W-个具体的实施方式说明信道已知时利用LSVM进行调制类型识别的具体 步骤：
[00M]步骤一:对特定的信道条件，利用训练样本的顺序统计量训练LSVM。
[0096] 在一个两类分类问题中，对于一组训练样本{巧/}乂}，？·.二V<.·，％，其中tiE{ + 若ti = l，则玄飼属于第一类样本，否则it巧属于第二类样本。LSVM利用群?;)各元素的 线性组合m3乂 + α进行分类，其中U和a是待训练的参数，如果化/'《牛α >(》，则认为玄属于第 一类样本，否则之属于第二类样本。LSVM通过最优化
[0097]
[009引来获得U和a。其中亿€胶+是惩罚系数，C更大说明对错分样本的容忍更小， 食居股-堪松弛变量。W上优化问题的拉格朗日函数为
[0099]
[0100] 其中成,4 6 I'i'是拉格朗日乘子。通过计算拉格朗日函数对于原变量的导数，可W 得到
[01川其中Γ-揭從 >巧是支持向量集，其元素个数为I Γ I。
[0112] 对于多类分类问题，可W对区分每一类和其它所有类训练一个LSVMum,a"，然后利 用
[0113]
[0114] 进行分类。
[0115] 步骤二:接收一段需要进行识别的信号'=^(1)^(2)，一，1〇]了。信道已知时，接 收信号可W表示为
[0116] ;r(k) =as化)+W化），
[0117] 其中信号S化)是从Μ个调制类型{51，，52，一，5?}中产生的，〇是已知的信道系数，讯 化)是能量为的复高斯噪声。
[0118] 步骤Ξ:对接收到的信号取幅值11= Mr IU和相位巧:-Zr，分别进行排序，得到它 们的顺序统计量巧b?(i)，.巧斯…，巧和扬^!如…?片脚)
[0119] 步骤四：利用LSVM分类运两组顺序统计量，W区分QAM信号和不同的PSK信号。
[0120] 步骤五:对被分成QAM类型的信号取实部》巧(y')和虚部'狂::::測r)，分别进行排 序，得到它们的顺序统计量卡仙龄…，巧孩)F和穿Η获岭齡)，…，巧：.κ).Ρ'。
[0121 ]步骤六:利用LSVM分类运两组顺序统计量，W区分不同的QAM信号。
[0122] 下面W-个具体的实施方式说明信道未知时利用BP順进行调制类型识别的具体 步骤：
[0123] 步骤一:利用训练样本的压缩顺序统计量训练线性BPNN。
[0124] BPNN的结构如图3所示，第一层是输入层，输入层的每一个节点收到输入信号并把 它们传到下一层。中间的几层是隐层，它们接收并处理上一层的数据，并把它传播到下一 层。最后一层是输出层。通常在一个Μ分类问题中，输出层有Μ个节点，在分类过程中，选取运 Μ个节点中最大的一个作为最后的决策。
[0125] 在每一个节点中，可W利用Sigmoid函数处理从上层接收的数据
[0126]
[0127]因此，第1层的输出可W表示为 [012 引
[