本發(fā)明涉及認(rèn)知無線電技術(shù)領(lǐng)域，特別是涉及一種無線數(shù)字信號(hào)調(diào)制方式識(shí)別方法及裝置。

背景技術(shù)：

隨著無線通信的高速發(fā)展，無線通信服務(wù)業(yè)務(wù)出現(xiàn)了飛速增長(zhǎng)，導(dǎo)致頻譜資源愈發(fā)緊缺；而，無線設(shè)備由于軟件無線電的快速發(fā)展而變得更加廉價(jià)，導(dǎo)致非法用戶惡意占用授權(quán)頻段的事件時(shí)有發(fā)生，因此，為了保障無線通信系統(tǒng)的高效利用與運(yùn)行安全，無線電監(jiān)測(cè)顯得至關(guān)重要。而無線通信標(biāo)準(zhǔn)和無線信號(hào)的多樣性使得無線通信環(huán)境越來越復(fù)雜，給無線電頻譜監(jiān)測(cè)帶來了極大的挑戰(zhàn)，鑒于此，無線信號(hào)調(diào)制方式識(shí)別技術(shù)被引入，用于通過識(shí)別指定頻帶內(nèi)的信號(hào)的調(diào)制方式，提高頻譜檢測(cè)能力。

其中，基于特征的調(diào)制識(shí)別方法，是從無線數(shù)字信號(hào)中提取一系列特征，然后根據(jù)這些特征對(duì)無線數(shù)字信號(hào)的調(diào)制方式進(jìn)行判斷，該方法因計(jì)算復(fù)雜度相對(duì)較低、魯棒性較強(qiáng)、簡(jiǎn)單易行的設(shè)計(jì)等特點(diǎn)，在無線數(shù)字信號(hào)調(diào)制方式識(shí)別領(lǐng)域應(yīng)用廣泛。

現(xiàn)有基于特征的調(diào)制方法識(shí)別中，一般先從無線數(shù)字信號(hào)中提取出理論上具有較好分類效果的特征，然后對(duì)提取出的特征不作任何處理或僅做一些簡(jiǎn)單的處理，就直接輸入到分類器中，進(jìn)行信號(hào)調(diào)制方式識(shí)別。但在實(shí)際工作環(huán)境中，尤其是在信噪比較低、采樣點(diǎn)數(shù)較少的情況下，噪聲和干擾的影響會(huì)使得不同調(diào)制方式信號(hào)的特征互相混淆，難以區(qū)分，導(dǎo)致直接使用一些理論上具有較好分類效果的特征進(jìn)行調(diào)制方式的識(shí)別時(shí)，準(zhǔn)確率低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例的目的在于提供一種無線數(shù)字信號(hào)調(diào)制方式識(shí)別方法及裝置，以提高無線數(shù)字信號(hào)調(diào)制方式識(shí)別的準(zhǔn)確率。具體技術(shù)方案如下：

第一方面，本發(fā)明實(shí)施例提供了一種無線數(shù)字信號(hào)調(diào)制方式識(shí)別方法，所述方法包括：

根據(jù)預(yù)先確定的目標(biāo)特征優(yōu)化函數(shù)，獲取待識(shí)別無線數(shù)字信號(hào)的目標(biāo)類型的第一原始特征，其中，所述第一原始特征用以識(shí)別所述待識(shí)別無線數(shù)字信號(hào)的調(diào)制方式；

通過所述目標(biāo)特征優(yōu)化函數(shù)，優(yōu)化所述第一原始特征，得到優(yōu)化特征；

將所述優(yōu)化特征，輸入到預(yù)先訓(xùn)練好的目標(biāo)分類器中，獲得所述待識(shí)別無線數(shù)字信號(hào)的調(diào)制方式識(shí)別結(jié)果。

可選地，在所述獲取待識(shí)別無線數(shù)字信號(hào)的目標(biāo)類型的第一原始特征的步驟之前，所述方法還包括：

獲取樣本無線數(shù)字信號(hào)的所述目標(biāo)類型的第二原始特征；

根據(jù)所述第二原始特征，基于多基因遺傳編程訓(xùn)練分類器，確定所述目標(biāo)特征優(yōu)化函數(shù)和所述目標(biāo)分類器；其中，所述多基因遺傳編程的適應(yīng)度函數(shù)為所述分類器對(duì)應(yīng)的分類算法。

可選地，所述分類算法為多項(xiàng)Logistic回歸分類算法。

可選地，所述根據(jù)所述第二原始特征，基于多基因遺傳編程訓(xùn)練分類器，確定所述目標(biāo)特征優(yōu)化函數(shù)和所述目標(biāo)分類器的步驟，包括：

按照第一預(yù)設(shè)數(shù)量，隨機(jī)初始化初代種群，生成所述初代種群的個(gè)體，并將所述初代種群確定為目標(biāo)種群；

判斷多基因遺傳編程的遺傳代數(shù)是否小于預(yù)設(shè)最大遺傳代數(shù)；

若是，根據(jù)所述目標(biāo)種群中每一個(gè)體中的映射關(guān)系，分別優(yōu)化所述第二原始特征，得到優(yōu)化后的特征樣本集，并將所述樣本集按照預(yù)設(shè)比例劃分為訓(xùn)練集和驗(yàn)證集，根據(jù)所述訓(xùn)練集，訓(xùn)練多項(xiàng)Logistic回歸分類器，并獲得訓(xùn)練好的所述多項(xiàng)Logistic回歸分類器在所述測(cè)試集上的分類準(zhǔn)確率，將所述分類準(zhǔn)確率確定為每一個(gè)體的適應(yīng)度；

判斷所述目標(biāo)種群中的所有個(gè)體的適應(yīng)度中的最大適應(yīng)度是否大于預(yù)設(shè)閾值；

若不大于，對(duì)所述目標(biāo)種群中的個(gè)體執(zhí)行選擇性遺傳操作，將所得到的個(gè)體和隨機(jī)生成的新個(gè)體組成下一代種群，并將所述目標(biāo)種群更新為所述下一代種群，返回執(zhí)行所述判斷多基因遺傳編程的遺傳代數(shù)是否小于預(yù)設(shè)最大遺傳代數(shù)的步驟；

若大于，將所述最大適應(yīng)度對(duì)應(yīng)的個(gè)體中的映射關(guān)系確定為所述目標(biāo)特征優(yōu)化函數(shù)，將所述最大適應(yīng)度對(duì)應(yīng)的訓(xùn)練好的所述多項(xiàng)Logistic回歸分類器確定為所述目標(biāo)分類器。

可選地，所述獲取樣本無線數(shù)字信號(hào)的所述目標(biāo)類型的第二原始特征的步驟，包括：

獲得所述樣本無線數(shù)字信號(hào)的第一譜相關(guān)密度；

對(duì)所述第一譜相關(guān)密度進(jìn)行頻率平滑處理，得到第二譜相關(guān)密度；

對(duì)所述第二譜相關(guān)密度進(jìn)行峰值歸一化，得到第三譜相關(guān)密度；

采用預(yù)設(shè)數(shù)量個(gè)時(shí)間塊，對(duì)所述第三譜相關(guān)密度進(jìn)行平均處理，獲得目標(biāo)譜相關(guān)密度；

將所述目標(biāo)譜相關(guān)密度對(duì)應(yīng)的循環(huán)周期圖上目標(biāo)點(diǎn)的幅度值確定為所述樣本無線數(shù)字信號(hào)的第二原始特征；其中，所述目標(biāo)點(diǎn)的(f,α)坐標(biāo)值分別為(f_c，R_s)、(0，2f_c)、(0，2f_c+0.5R_s)、(0，2f_c-0.5R_s)、(R_s，2f_c)、(2R_s，2f_c)；其中，f為頻率，α為循環(huán)頻率，f_c、R_s分別為所述樣本無線數(shù)字信號(hào)的載波頻率和碼率。

第二方面，本發(fā)明實(shí)施例提供了一種無線數(shù)字信號(hào)調(diào)制方式識(shí)別裝置，所述裝置包括：

第一獲取模塊，用于根據(jù)預(yù)先確定的目標(biāo)特征優(yōu)化函數(shù)，獲取待識(shí)別無線數(shù)字信號(hào)的目標(biāo)類型的第一原始特征，其中，所述第一原始特征用以識(shí)別所述待識(shí)別無線數(shù)字信號(hào)的調(diào)制方式；

優(yōu)化模塊，用于通過所述目標(biāo)特征優(yōu)化函數(shù)，優(yōu)化所述第一原始特征，得到優(yōu)化特征；

獲得模塊，用于將所述優(yōu)化特征，輸入到預(yù)先訓(xùn)練好的目標(biāo)分類器中，獲得所述待識(shí)別無線數(shù)字信號(hào)的調(diào)制方式識(shí)別結(jié)果。

可選地，所述裝置還包括：

第二獲取模塊，用于在所述第一獲取模塊獲取待識(shí)別無線數(shù)字信號(hào)的目標(biāo)類型的第一原始特征之前，獲取樣本無線數(shù)字信號(hào)的所述目標(biāo)類型的第二原始特征；

確定模塊，用于根據(jù)所述第二原始特征，基于多基因遺傳編程訓(xùn)練分類器，確定所述目標(biāo)特征優(yōu)化函數(shù)和所述目標(biāo)分類器；其中，所述多基因遺傳編程的適應(yīng)度函數(shù)為所述分類器對(duì)應(yīng)的分類算法。

可選地，所述分類算法為多項(xiàng)Logistic回歸分類算法。

可選地，所述確定模塊，具體用于：

按照第一預(yù)設(shè)數(shù)量，隨機(jī)初始化初代種群，生成所述初代種群的個(gè)體，并將所述初代種群確定為目標(biāo)種群；

判斷多基因遺傳編程的遺傳代數(shù)是否小于預(yù)設(shè)最大遺傳代數(shù)；

若是，根據(jù)所述目標(biāo)種群中每一個(gè)體中的映射關(guān)系，分別優(yōu)化所述第二原始特征，得到優(yōu)化后的特征樣本集，并將所述樣本集按照預(yù)設(shè)比例劃分為訓(xùn)練集和驗(yàn)證集，根據(jù)所述訓(xùn)練集，訓(xùn)練多項(xiàng)Logistic回歸分類器，并獲得訓(xùn)練好的所述多項(xiàng)Logistic回歸分類器在所述測(cè)試集上的分類準(zhǔn)確率，將所述分類準(zhǔn)確率確定為每一個(gè)體的適應(yīng)度；

判斷所述目標(biāo)種群中的所有個(gè)體的適應(yīng)度中的最大適應(yīng)度是否大于預(yù)設(shè)閾值；

若不大于，對(duì)所述目標(biāo)種群中的個(gè)體執(zhí)行選擇性遺傳操作，將所得到的個(gè)體和隨機(jī)生成的新個(gè)體組成下一代種群，并將所述目標(biāo)種群更新為所述下一代種群，返回執(zhí)行所述判斷多基因遺傳編程的遺傳代數(shù)是否小于預(yù)設(shè)最大遺傳代數(shù)的步驟；

若大于，將所述最大適應(yīng)度對(duì)應(yīng)的個(gè)體中的映射關(guān)系確定為所述目標(biāo)特征優(yōu)化函數(shù)，將所述最大適應(yīng)度對(duì)應(yīng)的訓(xùn)練好的所述多項(xiàng)Logistic回歸分類器確定為所述目標(biāo)分類器。

可選地，所述第二獲取模塊，具體用于：

獲得所述樣本無線數(shù)字信號(hào)的第一譜相關(guān)密度；

對(duì)所述第一譜相關(guān)密度進(jìn)行頻率平滑處理，得到第二譜相關(guān)密度；

對(duì)所述第二譜相關(guān)密度進(jìn)行峰值歸一化，得到第三譜相關(guān)密度；

采用預(yù)設(shè)數(shù)量個(gè)時(shí)間塊，對(duì)所述第三譜相關(guān)密度進(jìn)行平均處理，獲得目標(biāo)譜相關(guān)密度；

將所述目標(biāo)譜相關(guān)密度對(duì)應(yīng)的循環(huán)周期圖上目標(biāo)點(diǎn)的幅度值確定為所述樣本無線數(shù)字信號(hào)的第二原始特征；其中，所述目標(biāo)點(diǎn)的(f,α)坐標(biāo)值分別為(f_c，R_s)、(0，2f_c)、(0，2f_c+0.5R_s)、(0，2f_c-0.5R_s)、(R_s，2f_c)、(2R_s，2f_c)；其中，f為頻率，α為循環(huán)頻率，f_c、R_s分別為所述待識(shí)別無線數(shù)字信號(hào)的載波頻率和碼率。

本發(fā)明實(shí)施例提供的無線數(shù)字信號(hào)調(diào)制方式識(shí)別方法中，根據(jù)預(yù)先確定的目標(biāo)特征優(yōu)化函數(shù)，獲取待識(shí)別無線數(shù)字信號(hào)的目標(biāo)類型的第一原始特征，然后，通過目標(biāo)特征優(yōu)化函數(shù)，優(yōu)化第一原始特征，得到優(yōu)化特征，再將優(yōu)化特征，輸入到預(yù)先訓(xùn)練好的目標(biāo)分類器中，獲得待識(shí)別無線數(shù)字信號(hào)的調(diào)制方式識(shí)別結(jié)果；其中，第一原始特征用以識(shí)別待識(shí)別無線數(shù)字信號(hào)的調(diào)制方式。與現(xiàn)有技術(shù)中，不對(duì)用以識(shí)別待識(shí)別無線數(shù)字信號(hào)的調(diào)制方式的原始特征作任何處理或僅做簡(jiǎn)單處理，便直接輸入分類器中進(jìn)行分類相比，應(yīng)用本發(fā)明實(shí)施例提供的無線數(shù)字信號(hào)調(diào)制識(shí)別方法，首先對(duì)獲取的原始特征進(jìn)行優(yōu)化，從而增強(qiáng)不同類別的調(diào)制信號(hào)之間的差異性，獲得具有更好的分類效果的優(yōu)化特征，再將優(yōu)化特征輸入到已訓(xùn)練好的分類器中進(jìn)行分類識(shí)別，這樣，可以減小信道噪聲和干擾的影響，提高無線數(shù)字信號(hào)調(diào)制方式識(shí)別的準(zhǔn)確率。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例提供的無線數(shù)字信號(hào)調(diào)制方式識(shí)別方法的一種流程示意圖；

圖2為本發(fā)明實(shí)施例提供的無線數(shù)字信號(hào)調(diào)制方式識(shí)別方法的另一種流程示意圖；

圖3為現(xiàn)有技術(shù)中多基因遺傳編程的流程示意圖；

圖4為本發(fā)明實(shí)施例提供的無線數(shù)字信號(hào)調(diào)制方式識(shí)別裝置的一種結(jié)構(gòu)示意圖；

圖5為本發(fā)明實(shí)施例提供的無線數(shù)字信號(hào)調(diào)制方式識(shí)別裝置的另一種結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

為提高無線數(shù)字信號(hào)調(diào)制方式識(shí)別的準(zhǔn)確率，本發(fā)明實(shí)施例提供了一種無線數(shù)字信號(hào)調(diào)制方式識(shí)別方法及裝置。

下面首先對(duì)本發(fā)明實(shí)施例提供的一種無線數(shù)字信號(hào)調(diào)制方式識(shí)別方法進(jìn)行介紹。

參見圖1，本發(fā)明實(shí)施例提供的一種無線數(shù)字信號(hào)調(diào)制方式識(shí)別方法，包括：

S101，根據(jù)預(yù)先確定的目標(biāo)特征優(yōu)化函數(shù)，獲取待識(shí)別無線數(shù)字信號(hào)的目標(biāo)類型的第一原始特征。

其中，第一原始特征用以識(shí)別待識(shí)別無線數(shù)字信號(hào)的調(diào)制方式；目標(biāo)特征優(yōu)化函數(shù)是在對(duì)待識(shí)別無線數(shù)字信號(hào)的調(diào)制方式進(jìn)行識(shí)別前預(yù)先確定的。

需要說明的是，無線數(shù)字信號(hào)具有多種類型的特征，例如，譜相關(guān)特征、高階累積量特征等，在應(yīng)用本發(fā)明實(shí)施例提供的無線數(shù)字信號(hào)調(diào)制方式識(shí)別方法時(shí)，可以根據(jù)預(yù)先確定的目標(biāo)特征優(yōu)化函數(shù)相關(guān)的特征，來針對(duì)性地獲取待識(shí)別無線數(shù)字信號(hào)的目標(biāo)類型的第一原始特征。

舉例而言，假設(shè)待識(shí)別無線數(shù)字信號(hào)具有A類型的特征A₁、特征A₂、特征A₃、特征A₄、特征A₅、特征A₆，B類型的特征B₁、特征B₂、特征B₃、特征B₄、特征B₅、特征B₆、特征B₇，預(yù)設(shè)針對(duì)B類型特征，確定目標(biāo)特征優(yōu)化函數(shù)，在確定過程中發(fā)現(xiàn)，特征B₃、特征B₄不是分類效果好的特征，而最終確定的目標(biāo)特征優(yōu)化函數(shù)只與特征B₁、特征B₂、特征B₅、特征B₆、特征B₇相關(guān)，那么，便可以在獲取待識(shí)別無線數(shù)字信號(hào)的目標(biāo)類型的第一原始特征時(shí)，只獲取B類型的特征B₁、特征B₂、特征B₅、特征B₆、特征B₇，并將這五個(gè)特征確定為第一原始特征。當(dāng)然，實(shí)際應(yīng)用中，目標(biāo)類型也可以包含多個(gè)類型，例如，包含A類型和B類型，此處不作限定。

實(shí)際應(yīng)用中，針對(duì)2ASK(ASK，Amplitude Shift Keying，幅移鍵控法)、4ASK、2PSK(PSK，Phase Shift Keying，相移鍵控法)、4PSK、2FSK(FSK，F(xiàn)requency shift keying，頻移鍵控法)、4FSK、MSK(Minimum Shift Keying，最小頻移鍵控)和WGN(用于產(chǎn)生高斯白噪聲)等常見調(diào)制方式進(jìn)行識(shí)別時(shí)，考慮到信號(hào)循環(huán)譜的抗噪特性，能夠提高信號(hào)分析的可靠性，第一原始特征可以為譜相關(guān)特征。

S102，通過目標(biāo)特征優(yōu)化函數(shù)，優(yōu)化第一原始特征，得到優(yōu)化特征。

在實(shí)際工作環(huán)境中，尤其是在信噪比較低、采樣點(diǎn)數(shù)較少的情況下，噪聲和干擾的影響會(huì)使得不同調(diào)制方式下的原始特征互相混淆，難以區(qū)分，導(dǎo)致直接使用一些理論上具有較好分類效果的特征進(jìn)行調(diào)整方式的識(shí)別時(shí)，準(zhǔn)確率低，因此，可以針對(duì)獲取到的第一原始特征，通過目標(biāo)特征優(yōu)化函數(shù)，進(jìn)行優(yōu)化，增強(qiáng)不同調(diào)制方式信號(hào)之間的差異性，得到分類效果更好的優(yōu)化特征，用以識(shí)別無線數(shù)字信號(hào)的調(diào)制方式，以減小信道噪聲和干擾的影響，提高識(shí)別的準(zhǔn)確率。

可以理解的是，考慮到不同情況下調(diào)制方式識(shí)別的特殊性，在特征優(yōu)化過程中可根據(jù)信噪比和采樣點(diǎn)數(shù)，產(chǎn)生不同的特征優(yōu)化函數(shù)和不同數(shù)量的優(yōu)化特征。具體地，當(dāng)信噪比較低、采樣點(diǎn)數(shù)較少時(shí)，可產(chǎn)生較多的優(yōu)化特征，以增強(qiáng)不同調(diào)制方式信號(hào)之間的差異；而當(dāng)信噪比較高、采樣點(diǎn)數(shù)較多時(shí)，不同調(diào)制方式信號(hào)間較易區(qū)分，可產(chǎn)生較少的優(yōu)化特征，甚至移除一些分類作用較小的原始特征，以降低識(shí)別階段的計(jì)算復(fù)雜度。

S103，將優(yōu)化特征，輸入到預(yù)先訓(xùn)練好的目標(biāo)分類器中，獲得待識(shí)別無線數(shù)字信號(hào)的調(diào)制方式識(shí)別結(jié)果。

其中，可以將S102得到的優(yōu)化特征輸入到已訓(xùn)練好的目標(biāo)分類器中，輸出待識(shí)別無線數(shù)字信號(hào)的調(diào)制方式。

需要說明的是，當(dāng)預(yù)先確定的特征優(yōu)化函數(shù)為多個(gè)，相應(yīng)地，預(yù)先訓(xùn)練好的分類器也為多個(gè)時(shí)，可以根據(jù)待識(shí)別無線數(shù)字信號(hào)的信噪比預(yù)估值以及采樣點(diǎn)數(shù)選擇對(duì)應(yīng)的特征優(yōu)化函數(shù)和分類器，即目標(biāo)特征優(yōu)化函數(shù)和目標(biāo)分類器，有針對(duì)性地進(jìn)行調(diào)制方式的識(shí)別，從而進(jìn)一步提高識(shí)別的準(zhǔn)確率。

此外，實(shí)際應(yīng)用中，特征優(yōu)化和對(duì)應(yīng)分類器的訓(xùn)練可以是獨(dú)立的，即分別確定特征優(yōu)化函數(shù)和對(duì)應(yīng)的分類器；也可以是相輔相成的，即同時(shí)確定特征優(yōu)化函數(shù)和對(duì)應(yīng)的目標(biāo)分類器，具體地，可以在通過特征優(yōu)化函數(shù)，得到優(yōu)化特征后，對(duì)分類器進(jìn)行訓(xùn)練，然后根據(jù)分類效果，再去調(diào)整特征優(yōu)化函數(shù)，以產(chǎn)生分類效果更好的優(yōu)化特征。當(dāng)然，這兩種方式都是可行的，在此不作限定。

在圖1所示實(shí)施例提供的無線數(shù)字信號(hào)調(diào)制方式識(shí)別方法中，根據(jù)預(yù)先確定的目標(biāo)特征優(yōu)化函數(shù)，獲取待識(shí)別無線數(shù)字信號(hào)的目標(biāo)類型的第一原始特征，然后，通過目標(biāo)特征優(yōu)化函數(shù)，優(yōu)化第一原始特征，得到優(yōu)化特征，再將優(yōu)化特征，輸入到預(yù)先訓(xùn)練好的目標(biāo)分類器中，獲得待識(shí)別無線數(shù)字信號(hào)的調(diào)制方式識(shí)別結(jié)果；其中，第一原始特征用以識(shí)別待識(shí)別無線數(shù)字信號(hào)的調(diào)制方式。與現(xiàn)有技術(shù)中，不對(duì)用以識(shí)別待識(shí)別無線數(shù)字信號(hào)的調(diào)制方式的原始特征作任何處理或僅做簡(jiǎn)單處理，便直接輸入分類器中進(jìn)行分類相比，應(yīng)用本發(fā)明實(shí)施例提供的無線數(shù)字信號(hào)調(diào)制識(shí)別方法，首先對(duì)獲取的原始特征進(jìn)行優(yōu)化，從而增強(qiáng)不同類別的調(diào)制信號(hào)之間的差異性，獲得具有更好的分類效果的優(yōu)化特征，再將優(yōu)化特征輸入到已訓(xùn)練好的分類器中進(jìn)行分類識(shí)別，這樣，可以減小信道噪聲和干擾的影響，提高無線數(shù)字信號(hào)調(diào)制方式識(shí)別的準(zhǔn)確率。

進(jìn)一步地，在圖1所示實(shí)施例的基礎(chǔ)上，本發(fā)明提供的無線數(shù)字信號(hào)調(diào)制方式識(shí)別方法，如圖2所示，在S101之前，還可以包括：

S104，獲取樣本無線數(shù)字信號(hào)的目標(biāo)類型的第二原始特征。

其中，樣本無線數(shù)字信號(hào)的目標(biāo)類型的第二原始特征用以確定目標(biāo)特征優(yōu)化函數(shù)和訓(xùn)練分類器?？梢岳斫獾氖牵瑢?shí)際應(yīng)用中，可以根據(jù)調(diào)制方式的種類，有針對(duì)性地選擇樣本無線數(shù)字信號(hào)的特征作為第二原始特征，且用于訓(xùn)練分類器的樣本無線數(shù)字信號(hào)的第二原始特征與待識(shí)別無線數(shù)字信號(hào)的第一原始特征應(yīng)保持一致，屬于同一類型，舉例而言，假設(shè)第一原始特征為譜相關(guān)特征，那么第二原始特征應(yīng)也為譜相關(guān)特征。

由S101中的相關(guān)描述可知，第一原始特征是根據(jù)目標(biāo)特征優(yōu)化函數(shù)確定的，可能與第二原始特征個(gè)數(shù)相同，也可能少于第二原始特征，只是第二原始特征中一部分分類效果較好的特征，這都是合理的。

此外，樣本無線數(shù)字信號(hào)與待識(shí)別無線數(shù)字信號(hào)可以屬于同一類信號(hào)，如都是信噪比小，采樣點(diǎn)數(shù)少的信號(hào)，這樣確定出的目標(biāo)特征優(yōu)化函數(shù)和目標(biāo)分類器更具有針對(duì)性。

具體地，當(dāng)?shù)诙继卣鳛樽V相關(guān)特征時(shí)，所述獲取樣本無線數(shù)字信號(hào)的目標(biāo)類型的第二原始特征，可以包括：

獲得樣本無線數(shù)字信號(hào)的第一譜相關(guān)密度；

對(duì)第一譜相關(guān)密度進(jìn)行頻率平滑處理，得到第二譜相關(guān)密度；

對(duì)第二譜相關(guān)密度進(jìn)行峰值歸一化，得到第三譜相關(guān)密度；

采用預(yù)設(shè)數(shù)量個(gè)時(shí)間塊，對(duì)第三譜相關(guān)密度進(jìn)行平均處理，獲得目標(biāo)譜相關(guān)密度；

將目標(biāo)譜相關(guān)密度對(duì)應(yīng)的循環(huán)周期圖上目標(biāo)點(diǎn)的幅度值確定為樣本無線數(shù)字信號(hào)的第二原始特征；其中，目標(biāo)點(diǎn)的(f,α)坐標(biāo)值分別為(f_c，R_s)、(0，2f_c)、(0，2f_c+0.5R_s)、(0，2f_c-0.5R_s)、(R_s，2f_c)、(2R_s，2f_c)；其中，f為頻率，α為循環(huán)頻率，f_c、R_s分別為所述樣本無線數(shù)字信號(hào)的載波頻率和碼率。

需要說明的是，可以先計(jì)算獲得樣本無線數(shù)字信號(hào)的譜相關(guān)密度，具體地，針對(duì)一個(gè)平穩(wěn)隨機(jī)信號(hào)x(t)，首先將該信號(hào)均分為M段，針對(duì)劃分后的每一段信號(hào)按照以下公式計(jì)算對(duì)應(yīng)的譜相關(guān)密度：

其中，T代表劃分后的每個(gè)信號(hào)段的長(zhǎng)度，α為循環(huán)頻率，X_T為有限時(shí)域傅里葉變換，f為信號(hào)的頻率。

實(shí)際應(yīng)用中，由于只能使用有限的采樣來計(jì)算譜相關(guān)密度，導(dǎo)致計(jì)算結(jié)果具有不確定性和不精確性，鑒于此，可以采用移動(dòng)平均濾波器對(duì)獲得的M段信號(hào)的譜相關(guān)密度進(jìn)行頻率平滑處理，以減少隨機(jī)波動(dòng)，處理后得到的譜相關(guān)密度的離散表達(dá)式如下所示：

其中，Δf為頻域平滑間隔，且Δf＝MF；F_S為頻率采樣增量，且F_S＝F_samp/L，F(xiàn)_samp為采樣頻率，L為信號(hào)樣本長(zhǎng)度。

為便于后續(xù)處理，可以對(duì)頻率平滑處理后的譜相關(guān)密度進(jìn)行峰值歸一化，處理后的譜相關(guān)密度表達(dá)式如下所示：

然后，對(duì)峰值歸一化后的譜相關(guān)密度，采用預(yù)設(shè)數(shù)量個(gè)時(shí)間塊進(jìn)行平均處理，以增強(qiáng)計(jì)算結(jié)果的穩(wěn)定性，得到目標(biāo)譜相關(guān)密度表達(dá)式如下所示：

其中，N為進(jìn)行平均處理的時(shí)間塊的數(shù)量，即上面所述的預(yù)設(shè)數(shù)量。

可以理解的是，不同的調(diào)制方式的無線數(shù)字信號(hào)的譜相關(guān)密度對(duì)應(yīng)的循環(huán)周期圖不同，且主要區(qū)別在于譜峰出現(xiàn)的位置與幅度值大小。

因此，我們可以有針對(duì)性地計(jì)算在循環(huán)周期圖上可能出現(xiàn)譜峰的位置的幅度值，并將這些幅度值作為調(diào)制分類的原始特征，而不是直接計(jì)算整個(gè)譜相關(guān)密度，以減少計(jì)算成本。

具體地，當(dāng)對(duì)2ASK、4ASK、2PSK、4PSK、2FSK、4FSK、MSK和WGN八種調(diào)制方式對(duì)應(yīng)的無線數(shù)字信號(hào)進(jìn)行調(diào)制方式識(shí)別時(shí)，根據(jù)上述原則，可以首先找出八種待分類信號(hào)的循環(huán)周期圖上所有歸一化幅度值大于0.6且穩(wěn)定出現(xiàn)的譜峰的位置，綜合對(duì)比各個(gè)調(diào)制信號(hào)的譜峰坐標(biāo)，保留幅度值穩(wěn)定且具有分類效果的譜峰的坐標(biāo)點(diǎn)，假設(shè)，針對(duì)循環(huán)周期圖上的點(diǎn)A、B，調(diào)制方式一在A處存在穩(wěn)定譜峰，調(diào)制方式二在B處存在穩(wěn)定譜峰，調(diào)制方式三在兩處都有穩(wěn)定譜峰，那么，可以表明循環(huán)周期圖上點(diǎn)A、B處的幅度值具有分類效果，保留點(diǎn)A、B，以此方式可以篩選出如下6個(gè)特殊點(diǎn)，并將這6個(gè)點(diǎn)的幅度值作為用以確定目標(biāo)特征優(yōu)化函數(shù)和訓(xùn)練分類器的原始特征，其中，這6個(gè)點(diǎn)的(f,α)坐標(biāo)值分別為(f_c，R_s)、(0，2f_c)、(0，2f_c+0.5R_s)、(0，2f_c-0.5R_s)、(R_s，2f_c)、(2R_s，2f_c)，可以看出，這些目標(biāo)點(diǎn)在循環(huán)周期圖(f-α平面)上的坐標(biāo)均與信號(hào)載波頻率f_c和/或碼率R_s有關(guān)，且不同調(diào)制方式的無線數(shù)字信號(hào)在這些目標(biāo)點(diǎn)的幅度值不同，使用這些譜相關(guān)特征作為原始特征，不僅能區(qū)分功率譜密度相同的調(diào)制信號(hào)，如2PSK和4PSK，還對(duì)加性高斯白噪聲具有相當(dāng)好的魯棒性，而且不需計(jì)算整個(gè)譜相關(guān)密度，降低了時(shí)間復(fù)雜度。

其中，若將點(diǎn)(f_c，R_s)、(0，2f_c)、(0，2f_c+0.5R_s)、(0，2f_c-0.5R_s)、(R_s，2f_c)、(2R_s，2f_c)的幅度值分別看作特征一、特征二、特征三、特征四、特征五以及特征六，需要說明的是，特征一和特征二可用于識(shí)別2PSK，4PSK，2ASK、4ASK；特征二可用于識(shí)別WGN；特征三和特征四可用于識(shí)別區(qū)分MSK；特征五和特征六可用于識(shí)別2FSK和4FSK。

可以理解的是，當(dāng)?shù)诙继卣鳛樯鲜?個(gè)目標(biāo)點(diǎn)的幅度值時(shí)，相應(yīng)地，待識(shí)別無線數(shù)字信號(hào)的第一原始特征，可以為對(duì)應(yīng)地上述提到的6個(gè)目標(biāo)點(diǎn)的幅度值，也可以為這6個(gè)目標(biāo)點(diǎn)中的其中幾個(gè)的幅度值，這都是合理的，具體根據(jù)預(yù)先確定的目標(biāo)特征優(yōu)化函數(shù)而定。

S105，根據(jù)第二原始特征，基于多基因遺傳編程訓(xùn)練分類器，確定目標(biāo)特征優(yōu)化函數(shù)和目標(biāo)分類器。

需要說明的是，在獲取待識(shí)別無線數(shù)字信號(hào)的目標(biāo)類型的第一原始特征之前，若對(duì)應(yīng)的目標(biāo)特征優(yōu)化函數(shù)和目標(biāo)分類器不存在，可以根據(jù)樣本無線數(shù)字信號(hào)的目標(biāo)類型的第二原始特征，基于多基因遺傳編程訓(xùn)練分類器，確定目標(biāo)特征優(yōu)化函數(shù)和目標(biāo)分類器，以進(jìn)行后續(xù)的識(shí)別操作。

其中，多基因遺傳編程的適應(yīng)度函數(shù)為分類器對(duì)應(yīng)的分類算法；而分類算法可以為多項(xiàng)Logistic回歸分類算法、SVM(Support Vector Machine，支持向量機(jī))、神經(jīng)網(wǎng)絡(luò)等算法。

可以理解的是，多項(xiàng)Logistic回歸分類算法的計(jì)算復(fù)雜度遠(yuǎn)低于SVM(Support Vector Machine，支持向量機(jī))、神經(jīng)網(wǎng)絡(luò)等算法；另，基于cover定理：將復(fù)雜的模式分類問題非線性地投射到高維空間將會(huì)增大其在高維空間線性可分的概率，為了產(chǎn)生更好的分類結(jié)果，特征函數(shù)會(huì)自動(dòng)向非線性的方向優(yōu)化，因此，基于多基因遺傳編程訓(xùn)練分類器所確定的目標(biāo)特征優(yōu)化函數(shù)一般是非線性的，而多項(xiàng)Logistic回歸分類模型屬于線性分類算法，二者結(jié)合使用，可將低維特征空間中的樣本非線性的映射到高維特征空間，然后在高維空間中進(jìn)行線性分類，相當(dāng)于在原始特征空間中對(duì)樣本進(jìn)行非線性分類；而人工神經(jīng)網(wǎng)絡(luò)、KNN算法本身就是非線性分類算法，再與非線性的目標(biāo)特征優(yōu)化函數(shù)結(jié)合使用，則會(huì)帶來不必要的計(jì)算開銷，降低分類算法的運(yùn)行速度。

需要說明的是，遺傳編程來源于遺傳算法，是一種并行的全局優(yōu)化算法。遺傳編程的優(yōu)化對(duì)象是計(jì)算機(jī)程序，一般將其視為一個(gè)映射關(guān)系，使用樹形結(jié)構(gòu)表示，并稱之為個(gè)體。而多基因遺傳，與普通遺傳編程相比，具有強(qiáng)健的多目標(biāo)優(yōu)化能力；且在多基因遺傳編程中，每個(gè)個(gè)體包含多個(gè)獨(dú)立的映射關(guān)系，在優(yōu)化過程中，一個(gè)個(gè)體中的所有映射關(guān)系將被同時(shí)優(yōu)化，以產(chǎn)生更優(yōu)的個(gè)體?，F(xiàn)有技術(shù)中典型的多基因遺傳編程流程，參見圖3，可以包括如下步驟：

S301，隨機(jī)初始化種群。

具體地，按照預(yù)設(shè)的種群大小、單個(gè)個(gè)體中的最大映射數(shù)量、最大樹深度、函數(shù)集以及變量集，隨機(jī)初始化一個(gè)種群，生成種群的個(gè)體，其中，每個(gè)個(gè)體中包含若干個(gè)映射關(guān)系。

下面將對(duì)上述提到的一些術(shù)語分別進(jìn)行解釋：

種群大小，表示種群中包含個(gè)體的數(shù)量，每代種群的大小可以相同，也可以不同，實(shí)際應(yīng)用中，為降低算法復(fù)雜度，可以為每代設(shè)置相同的種群大??；此外，可以理解的是，種群大小越大，最終得到的個(gè)體結(jié)果越好，但時(shí)間復(fù)雜度越高，實(shí)際應(yīng)用中，可以根據(jù)具體需求而定；

單個(gè)個(gè)體中的最大映射數(shù)量，表示每個(gè)個(gè)體中映射關(guān)系數(shù)量的上限，用于限制多基因遺傳編程的復(fù)雜度，實(shí)際應(yīng)用中，每個(gè)個(gè)體中的映射關(guān)系隨機(jī)產(chǎn)生，數(shù)量依照多基因遺傳編程算法的優(yōu)化情況而定；

最大樹深度，為個(gè)體中單個(gè)映射關(guān)系以樹形結(jié)構(gòu)表示的深度，它用于限制映射關(guān)系的復(fù)雜度；

函數(shù)集，包括所有構(gòu)成個(gè)體中映射關(guān)系的函數(shù)，可以看作映射數(shù)的中間節(jié)點(diǎn)，包含加、減、乘、除、開方、平方、立方、絕對(duì)值、指數(shù)、對(duì)數(shù)等函數(shù)；

變量集，包括所有構(gòu)成映射關(guān)系的遍歷，可以看作映射樹的終端節(jié)點(diǎn)，在具體實(shí)現(xiàn)中作為輸入?yún)?shù)；在本發(fā)明實(shí)施例提供的技術(shù)方案中，該變量集包括原始特征參數(shù)以及一些隨機(jī)產(chǎn)生的常數(shù)，舉例而言，若原始特征為上述提到的6個(gè)目標(biāo)點(diǎn)的幅度值，那么，該變量集需包括表示這6個(gè)目標(biāo)點(diǎn)的幅度值的參數(shù)，如a₁、a₂、a₃、a₄、a₅、a₆。

S302，分別計(jì)算獲得種群中每個(gè)個(gè)體的適應(yīng)度。

需要說明的是，由于遺傳編程中的個(gè)體本身一般就是計(jì)算機(jī)程序或函數(shù)，因此，可以直接執(zhí)行種群中的每個(gè)個(gè)體，并根據(jù)執(zhí)行結(jié)果及適應(yīng)度函數(shù)，獲得每個(gè)個(gè)體的適應(yīng)度，其中，適應(yīng)度用以表征每個(gè)個(gè)體解決給定問題的能力強(qiáng)弱。

S303，判斷種群的所有個(gè)體中是否存在滿足適應(yīng)度門限的個(gè)體，如果存在，執(zhí)行S304，如果不存在，執(zhí)行S305。

其中，可以在得出種群中每個(gè)個(gè)體的適應(yīng)度后，篩選出當(dāng)前種群中適應(yīng)度最高的個(gè)體，作為當(dāng)前最優(yōu)解，并將其適應(yīng)度與適應(yīng)度門限作比較。

S304，輸出最佳個(gè)體。

可以理解的是，若當(dāng)前最優(yōu)解的適應(yīng)度滿足給定的門限要求，則可以將該個(gè)體作為最佳個(gè)體輸出并終止程序。

S305，選擇種群中適應(yīng)度較好的前90％的個(gè)體。

在當(dāng)前最優(yōu)解的適應(yīng)度不滿足給定的門限要求時(shí)，可以首先通過對(duì)種群中所有個(gè)體的適應(yīng)度進(jìn)行排序，過濾掉適應(yīng)度較差的個(gè)體，保留前90％適應(yīng)度較好的個(gè)體，以生成新一代種群。

S306，對(duì)選擇出的個(gè)體使用遺傳操作符。

其中，遺傳操作符，指多基因遺傳編程中對(duì)個(gè)體進(jìn)行遺傳操作的遺傳算子，如交叉、變異和復(fù)制等。

實(shí)際應(yīng)用中可以對(duì)選擇出的個(gè)體依照一定的概率，如0.85、0.1、0.05，進(jìn)行交叉、變異、復(fù)制等遺傳運(yùn)算符操作，以產(chǎn)生新個(gè)體。

需要說明的是，關(guān)于S305和S306，也可以看作是對(duì)種群中個(gè)體的選擇性遺傳操作。

S307，隨機(jī)產(chǎn)生數(shù)量為種群大小10％的個(gè)體。

其中，可以通過類似于S301中的操作隨機(jī)產(chǎn)生種群大小10％的個(gè)體，以補(bǔ)充過濾掉的個(gè)體，達(dá)到種群數(shù)目穩(wěn)定的目的。

S308，組成新一代種群，返回執(zhí)行S302。

需要說明的是，當(dāng)S303的執(zhí)行結(jié)果為否，即當(dāng)前種群的所有個(gè)體中不存在滿足適應(yīng)度門限的個(gè)體時(shí)，可以執(zhí)行S305至S307，并將S306及S307產(chǎn)生的新個(gè)體共同組成下一代種群，然后返回執(zhí)行S302，直到找到滿足適應(yīng)度門限的個(gè)體或達(dá)到預(yù)設(shè)的最大遺傳代數(shù)。

其中，最大遺傳代數(shù)，指在輸出最佳個(gè)體之前，多基因遺傳編程可以進(jìn)行遺傳優(yōu)化的最大迭代次數(shù)。

基于上述介紹的多基因遺傳編程，當(dāng)分類算法為多項(xiàng)Logi st i c回歸分類算法、原始特征為譜相關(guān)特征時(shí)，可以首先獲取樣本無線數(shù)字信號(hào)的第二原始特征，即計(jì)算樣本無線數(shù)字信號(hào)的譜相關(guān)密度，進(jìn)行相應(yīng)處理，獲得最終的循環(huán)周期圖(f-α平面)，并在圖上選取合適的(f、α)坐標(biāo)點(diǎn)對(duì)應(yīng)的譜相關(guān)特征作為第二原始特征，例如，可以將圖1所示實(shí)施例中描述的6個(gè)目標(biāo)點(diǎn)的幅度值作為第二原始特征；然后基于多基因遺傳編程-多項(xiàng)Logistic回歸聯(lián)合算法訓(xùn)練分類器，具體地，利用多基因遺傳編程產(chǎn)生的大量映射關(guān)系將樣本無線數(shù)字信號(hào)的第二原始特征轉(zhuǎn)換為新特征，再使用多項(xiàng)Logistic回歸分類算法對(duì)這些新特征進(jìn)行篩選，并保留分類效果較好的新特征，反饋給多基因遺傳編程進(jìn)行進(jìn)一步優(yōu)化，照此循環(huán)，直到獲得分類效果最好的一組新特征，即優(yōu)化特征，以及產(chǎn)生優(yōu)化特征的映射關(guān)系和對(duì)應(yīng)的訓(xùn)練好的多項(xiàng)Logistic回歸分類器，即目標(biāo)特征優(yōu)化函數(shù)和目標(biāo)分類器。

具體地，所述根據(jù)第二原始特征，基于多基因遺傳編程訓(xùn)練分類器，確定目標(biāo)特征優(yōu)化函數(shù)和目標(biāo)分類器，可以包括如下六步：

第一步，按照第一預(yù)設(shè)數(shù)量，隨機(jī)初始化初代種群，生成初代種群的個(gè)體，并將初代種群確定為目標(biāo)種群。

其中，第一預(yù)設(shè)數(shù)量為初代種群的大小，也可以為后續(xù)每一代種群的大小，使得種群大小不隨遺傳代數(shù)的變化而變化。

需要說明的是，關(guān)于具體如何隨機(jī)初始化初代種群，生成初代種群的個(gè)體，屬于現(xiàn)有技術(shù)，此處不再贅述。

第二步，判斷多基因遺傳編程的遺傳代數(shù)是否小于預(yù)設(shè)最大遺傳代數(shù)，若是，執(zhí)行第三步。

具體地，可以在初始化初代種群時(shí)，設(shè)置一個(gè)參數(shù)，用以表示遺傳代數(shù)，初始值為0，后續(xù)每生成新一代種群時(shí)，便對(duì)該參數(shù)的取值做加1的操作。

第三步，根據(jù)目標(biāo)種群中每一個(gè)體中的映射關(guān)系，分別優(yōu)化第二原始特征，得到優(yōu)化后的特征樣本集，并將樣本集按照預(yù)設(shè)比例劃分為訓(xùn)練集和驗(yàn)證集，根據(jù)訓(xùn)練集，訓(xùn)練多項(xiàng)Logistic回歸分類器，并獲得訓(xùn)練好的多項(xiàng)Logistic回歸分類器在測(cè)試集上的分類準(zhǔn)確率，將分類準(zhǔn)確率確定為每一個(gè)體的適應(yīng)度。

舉例而言，假設(shè)目標(biāo)種群中包含5個(gè)個(gè)體，那么，便可以針對(duì)其中任一個(gè)體，根據(jù)它所包含的映射關(guān)系，優(yōu)化樣本無線數(shù)字信號(hào)的原始特征，得到特征樣本集，然后，從中隨機(jī)抽取80％的樣本作為訓(xùn)練集，用于訓(xùn)練一個(gè)多項(xiàng)Logistic回歸分類器，其余20％的樣本作為驗(yàn)證集，用于測(cè)試訓(xùn)練好的分類器的分類準(zhǔn)確率，最后將測(cè)試得到的分類準(zhǔn)確率，即調(diào)制方式識(shí)別的準(zhǔn)確率，作為個(gè)體的適應(yīng)度，如此，最終可以分別得到這5個(gè)個(gè)體的適應(yīng)度，例如20％，40％，78％，97％，63％。

第四步，判斷目標(biāo)種群中的所有個(gè)體的適應(yīng)度中的最大適應(yīng)度是否大于預(yù)設(shè)閾值，若不大于，執(zhí)行第五步，若大于，則執(zhí)行第六步。

其中，預(yù)設(shè)閾值即是圖3的相關(guān)說明中提到的適應(yīng)度門限，也就是期望的識(shí)別準(zhǔn)確率。

第五步，對(duì)目標(biāo)種群中的個(gè)體執(zhí)行選擇性遺傳操作，將所得到的個(gè)體和隨機(jī)生成的新個(gè)體組成下一代種群，并將目標(biāo)種群更新為下一代種群，返回執(zhí)行第二步。

其中，選擇性遺傳操作，與圖3中的S305和S306相對(duì)應(yīng)，指首先從目標(biāo)種群中選擇適應(yīng)度較好的前90％的個(gè)體，然后對(duì)所選擇出的個(gè)體按照預(yù)設(shè)的概率，進(jìn)行交叉、變異、復(fù)制等遺傳運(yùn)算符操作，以產(chǎn)生新個(gè)體。

第六步，將最大適應(yīng)度對(duì)應(yīng)的個(gè)體中的映射關(guān)系確定為目標(biāo)特征優(yōu)化函數(shù)，將最大適應(yīng)度對(duì)應(yīng)的訓(xùn)練好的多項(xiàng)Logistic回歸分類器確定為目標(biāo)分類器。

需要說明的是，基于多基因遺傳編程-多項(xiàng)Logistic回歸聯(lián)合算法，進(jìn)行無線數(shù)字信號(hào)調(diào)制方式的識(shí)別，可以根據(jù)信噪比和采樣點(diǎn)數(shù)產(chǎn)生不同的特征優(yōu)化函數(shù)和調(diào)制分類器，有針對(duì)性地進(jìn)行識(shí)別。此外，可以理解的是，針對(duì)信噪比較低、采樣點(diǎn)數(shù)較少的無線數(shù)字信號(hào)調(diào)制方式的識(shí)別，為提高識(shí)別的準(zhǔn)確率，將會(huì)產(chǎn)生更復(fù)雜的非線性的特征優(yōu)化函數(shù)和數(shù)量多于原始特征的優(yōu)化特征，相當(dāng)于把低維空間的樣本非線性的映射到高維空間，然后使用線性分類器，即多項(xiàng)Logistic回歸分類器在高維空間對(duì)樣本進(jìn)行分類，這種非線性升維處理大大提高了在惡劣信道環(huán)境下的分類可能性和識(shí)別的準(zhǔn)確率；而針對(duì)信噪比較高、采樣點(diǎn)數(shù)較多的無線數(shù)字信號(hào)調(diào)制方式的識(shí)別，最終產(chǎn)生的優(yōu)化特征的數(shù)量可能少于原始特征，這本質(zhì)上是一種降維的過程，通過降維，可以降低分類器的計(jì)算成本，顯著加快分類器的識(shí)別速度。

并且，基于多基因遺傳編程的特性，在進(jìn)行特征優(yōu)化的過程中，可以通過嘗試原始特征之間的各種組合，產(chǎn)生差異性更大、分類效果更好的優(yōu)化特征，且分類能力較強(qiáng)的原始特征被保留，而分類能力較弱的原始特征可能會(huì)被移除，即確定的目標(biāo)特征優(yōu)化函數(shù)將不再作用于被移除的原始特征，那么，在無線數(shù)字信號(hào)調(diào)制方式識(shí)別階段，便不需要計(jì)算這些被移除的原始特征，大大減少了計(jì)算成本。

此外，當(dāng)多基因遺傳編程的適應(yīng)度函數(shù)為多項(xiàng)Logistic回歸分類算法時(shí)，可以看出，應(yīng)用圖2所示實(shí)施例提供的無線數(shù)字信號(hào)調(diào)制方式識(shí)別方法，不需要任何關(guān)于樣本分布的先驗(yàn)知識(shí)(例如，樸素貝葉斯分類算法在使用時(shí)，需要樣本分布的先驗(yàn)知識(shí))；也不需要考慮原始特征空間中的樣本是否線性可分(例如，邏輯回歸要求樣本線性可分)，即在原始特征空間中，是否使用一條直線就可以將樣本直接劃分。

現(xiàn)有技術(shù)中，一篇公開號(hào)為“105721371A”的中國(guó)專利，公開了一種基于循環(huán)譜相關(guān)的常用數(shù)字信號(hào)調(diào)制方式識(shí)別方法，利用信號(hào)循環(huán)譜的抗噪特性來提高信號(hào)分析的可靠性，并在信號(hào)譜相關(guān)函數(shù)的計(jì)算過程中引入α(循環(huán)頻率)截面小波去噪和疊加求取平均的環(huán)節(jié)，有效地減弱了原譜相關(guān)估計(jì)算法結(jié)果中由采樣點(diǎn)數(shù)受限和外界干擾引起的隨機(jī)波動(dòng)，有益于調(diào)制特征的識(shí)別和提取；同時(shí)，利用信號(hào)譜相關(guān)計(jì)算所獲取譜相關(guān)圖的α截面和f(載波頻率)截面，選取合適的特征和參數(shù)(如譜相關(guān)函數(shù)α截面和f截面最大絕對(duì)值比、α截面強(qiáng)譜線數(shù)目、α截面波動(dòng)系數(shù)、f截面歸一化面積、α截面譜線的顯著度比等)構(gòu)建分類方法對(duì)通信信號(hào)的調(diào)制方式進(jìn)行識(shí)別。與該專利使用五種譜相關(guān)特征和一種時(shí)域統(tǒng)計(jì)特征相比，本發(fā)明實(shí)施例提供的方案中可以使用上述說明中提到的6個(gè)目標(biāo)點(diǎn)的幅度值作為譜相關(guān)特征，免去了單獨(dú)計(jì)算更易受噪聲干擾的時(shí)域統(tǒng)計(jì)特征的過程，控制了計(jì)算成本，提高了調(diào)制方式識(shí)別的魯棒性。

在圖1所示實(shí)施例的基礎(chǔ)上，圖2所示實(shí)施例提供的無線數(shù)字信號(hào)調(diào)制方式識(shí)別方法中，還可以在獲取待識(shí)別無線數(shù)字信號(hào)的目標(biāo)類型的第一原始特征之前，獲取樣本無線數(shù)字信號(hào)的目標(biāo)類型的第二原始特征，然后，根據(jù)第二原始特征，基于多基因遺傳編程訓(xùn)練分類器，確定目標(biāo)特征優(yōu)化函數(shù)和目標(biāo)分類器，以進(jìn)行后續(xù)的特征優(yōu)化和調(diào)制方式識(shí)別。

相應(yīng)于上述方法實(shí)施例，本發(fā)明實(shí)施例提供了一種無線數(shù)字信號(hào)調(diào)制方式識(shí)別裝置，如圖4所示，該裝置包括：

第一獲取模塊401，用于根據(jù)預(yù)先確定的目標(biāo)特征優(yōu)化函數(shù)，獲取待識(shí)別無線數(shù)字信號(hào)的目標(biāo)類型的第一原始特征，其中，所述第一原始特征用以識(shí)別所述待識(shí)別無線數(shù)字信號(hào)的調(diào)制方式；

優(yōu)化模塊402，用于通過所述目標(biāo)特征優(yōu)化函數(shù)，優(yōu)化所述第一原始特征，得到優(yōu)化特征；

獲得模塊403，用于將所述優(yōu)化特征，輸入到預(yù)先訓(xùn)練好的目標(biāo)分類器中，獲得所述待識(shí)別無線數(shù)字信號(hào)的調(diào)制方式識(shí)別結(jié)果。

在圖4所示實(shí)施例提供的無線數(shù)字信號(hào)調(diào)制方式識(shí)別方法中，根據(jù)預(yù)先確定的目標(biāo)特征優(yōu)化函數(shù)，獲取待識(shí)別無線數(shù)字信號(hào)的目標(biāo)類型的第一原始特征，然后，通過目標(biāo)特征優(yōu)化函數(shù)，優(yōu)化第一原始特征，得到優(yōu)化特征，再將優(yōu)化特征，輸入到預(yù)先訓(xùn)練好的目標(biāo)分類器中，獲得待識(shí)別無線數(shù)字信號(hào)的調(diào)制方式識(shí)別結(jié)果；其中，第一原始特征用以識(shí)別待識(shí)別無線數(shù)字信號(hào)的調(diào)制方式。與現(xiàn)有技術(shù)中，不對(duì)用以識(shí)別待識(shí)別無線數(shù)字信號(hào)的調(diào)制方式的原始特征作任何處理或僅做簡(jiǎn)單處理，便直接輸入分類器中進(jìn)行分類相比，應(yīng)用本發(fā)明實(shí)施例提供的無線數(shù)字信號(hào)調(diào)制識(shí)別方法，首先對(duì)獲取的原始特征進(jìn)行優(yōu)化，從而增強(qiáng)不同類別的調(diào)制信號(hào)之間的差異性，獲得具有更好的分類效果的優(yōu)化特征，再將優(yōu)化特征輸入到已訓(xùn)練好的分類器中進(jìn)行分類識(shí)別，這樣，可以減小信道噪聲和干擾的影響，提高無線數(shù)字信號(hào)調(diào)制方式識(shí)別的準(zhǔn)確率。

進(jìn)一步地，在包括第一獲取模塊401、優(yōu)化模塊402和獲得模塊403的基礎(chǔ)上，如圖5所示，本發(fā)明實(shí)施例所提供的一種無線數(shù)字信號(hào)調(diào)制方式識(shí)別裝置，還可以包括：

第二獲取模塊404，用于在所述第一獲取模塊401獲取待識(shí)別無線數(shù)字信號(hào)目標(biāo)類型的第一原始特征之前，獲取樣本無線數(shù)字信號(hào)的所述目標(biāo)類型的第二原始特征；

確定模塊405，用于根據(jù)所述第二原始特征，基于多基因遺傳編程訓(xùn)練分類器，確定所述目標(biāo)特征優(yōu)化函數(shù)和所述目標(biāo)分類器；其中，所述多基因遺傳編程的適應(yīng)度函數(shù)為所述分類器對(duì)應(yīng)的分類算法。

在圖4所示實(shí)施例的基礎(chǔ)上，圖5所示實(shí)施例提供的無線數(shù)字信號(hào)調(diào)制方式識(shí)別方法中，還可以在獲取待識(shí)別無線數(shù)字信號(hào)的目標(biāo)類型的第一原始特征之前，獲取樣本無線數(shù)字信號(hào)的目標(biāo)類型的第二原始特征，然后，根據(jù)第二原始特征，基于多基因遺傳編程訓(xùn)練分類器，確定目標(biāo)特征優(yōu)化函數(shù)和目標(biāo)分類器，以進(jìn)行后續(xù)的特征優(yōu)化和調(diào)制方式識(shí)別。

具體地，所述分類算法可以為多項(xiàng)Logistic回歸分類算法。

具體地，所述確定模塊405，具體可以用于：

按照第一預(yù)設(shè)數(shù)量，隨機(jī)初始化初代種群，生成所述初代種群的個(gè)體，并將所述初代種群確定為目標(biāo)種群；

判斷多基因遺傳編程的遺傳代數(shù)是否小于預(yù)設(shè)最大遺傳代數(shù)；

若是，根據(jù)所述目標(biāo)種群中每一個(gè)體中的映射關(guān)系，分別優(yōu)化所述第二原始特征，得到優(yōu)化后的特征樣本集，并將所述樣本集按照預(yù)設(shè)比例劃分為訓(xùn)練集和驗(yàn)證集，根據(jù)所述訓(xùn)練集，訓(xùn)練多項(xiàng)Logistic回歸分類器，并獲得訓(xùn)練好的所述多項(xiàng)Logistic回歸分類器在所述測(cè)試集上的分類準(zhǔn)確率，將所述分類準(zhǔn)確率確定為每一個(gè)體的適應(yīng)度；

判斷所述目標(biāo)種群中的所有個(gè)體的適應(yīng)度中的最大適應(yīng)度是否大于預(yù)設(shè)閾值；

若不大于，對(duì)所述目標(biāo)種群中的個(gè)體執(zhí)行選擇性遺傳操作，將所得到的個(gè)體和隨機(jī)生成的新個(gè)體組成下一代種群，并將所述目標(biāo)種群更新為所述下一代種群，返回執(zhí)行所述判斷多基因遺傳編程的遺傳代數(shù)是否小于預(yù)設(shè)最大遺傳代數(shù)的步驟；

若大于，將所述最大適應(yīng)度對(duì)應(yīng)的個(gè)體中的映射關(guān)系確定為所述目標(biāo)特征優(yōu)化函數(shù)，將所述最大適應(yīng)度對(duì)應(yīng)的訓(xùn)練好的所述多項(xiàng)Logistic回歸分類器確定為所述目標(biāo)分類器。

具體地，所述第二獲取模塊404，具體可以用于：

獲得所述樣本無線數(shù)字信號(hào)的第一譜相關(guān)密度；

對(duì)所述第一譜相關(guān)密度進(jìn)行頻率平滑處理，得到第二譜相關(guān)密度；

對(duì)所述第二譜相關(guān)密度進(jìn)行峰值歸一化，得到第三譜相關(guān)密度；

采用預(yù)設(shè)數(shù)量個(gè)時(shí)間塊，對(duì)所述第三譜相關(guān)密度進(jìn)行平均處理，獲得目標(biāo)譜相關(guān)密度；

將所述目標(biāo)譜相關(guān)密度對(duì)應(yīng)的循環(huán)周期圖上目標(biāo)點(diǎn)的幅度值確定為所述樣本無線數(shù)字信號(hào)的第二原始特征；其中，所述目標(biāo)點(diǎn)的(f,α)坐標(biāo)值分別為(f_c，R_s)、(0，2f_c)、(0，2f_c+0.5R_s)、(0，2f_c-0.5R_s)、(R_s，2f_c)、(2R_s，2f_c)；其中，f為頻率，α為循環(huán)頻率，f_c、R_s分別為所述樣本無線數(shù)字信號(hào)的載波頻率和碼率。

需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開來，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

本說明書中的各個(gè)實(shí)施例均采用相關(guān)的方式描述，各個(gè)實(shí)施例之間相同相似的部分互相參見即可，每個(gè)實(shí)施例重點(diǎn)說明的都是與其他實(shí)施例的不同之處。尤其，對(duì)于系統(tǒng)實(shí)施例而言，由于其基本相似于方法實(shí)施例，所以描述的比較簡(jiǎn)單，相關(guān)之處參見方法實(shí)施例的部分說明即可。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換、改進(jìn)等，均包含在本發(fā)明的保護(hù)范圍內(nèi)。