[发明专利]一种布谷鸟搜索改进灰狼优化支持向量机的调制信号分类方法

摘要

本发明公开一种布谷鸟搜索改进灰狼优化支持向量机的调制信号分类方法，其中，所述的方法对调制信号的特征参数选用高阶累积量和局部均值分解量近似熵，并利用布谷鸟搜索二次更新狼群位置以优化最小二乘支持向量机模型的两个关键参数，惩罚系数γ和核参数σ，从而获取最优的核极限学习机参数值，本发明涉及的方法减弱了噪声因素对信号识别结果的影响，弥补了传统的模态经验分解中欠包络、过包络、边界效应的缺陷，并有效改善了灰狼优化全局搜索能力薄弱，在处理高维数据时易陷入局部最优解的缺点，通过MATLAB仿真与原灰狼优化结果比较，证明本发明能更高效准确地对调制信号进行智能分类，具有良好的应用前景。

主权项

1.一种布谷鸟搜索改进灰狼优化支持向量机的调制信号分类方法，包含训练阶段和测试阶段，其特征在于：所述训练阶段包括以下步骤：(1)从总数为M个BPSK、QPSK、8PSK、16QAM以及64QAM五种数字调制信号中随机抽取N个调制信号组成训练信号集array1，确保N个调制信号中包括上述5种数字调制信号，剩余M‑N个调制信号自然组成测试信号集array2；(2)对训练信号集array1中每个信号xi提取基于高阶累积量的特征参数F1，F2，和基于局部均值分解量的近似熵特征参数ApFn1，ApFn2，提取出的特征参数构成该训练信号的四维特征向量：fik，k＝1，2，3，4；所有训练信号的特征向量构成数据训练样本fi，i＝1，2，3，...N；(3)将步骤(2)所得的训练样本数据作为等式约束中的一项代入如下最小二乘支持向量机估计模型进行训练：使其满足等式约束：其中y_i为第i个训练样本对应的调制信号类型，以1、2、3、4、5分别表示BPSK、QPSK、8PSK、16QAM、64QAM的不同类别，w是权向量，是将调制信号映射到高维特征空间的非线性函数，u表示偏差量，e_i则为第i组训练样本的实际结果与估计输出的误差量，γ为惩罚系数；上式优化的目标函数minJ(w，e_i)的第一部分用来校准权重的大小，第二个部分描述训练数据中的误差，使用拉格朗日法寻找最优惩罚系数γ和核参数σ以使得目标函数值达到最小：其中μi为拉格朗日乘数，分别对上述表达式中的w，u，ei，μi微分并使它们都等于0，得到该问题的最优化条件：消去w和ei，最优解问题将转换为以下线性方程组的形式：式中y＝[y1；...；yN]，μ＝[μ1；...；μN]，I是一个单位矩阵，1v＝[1；...；1]，Ω为方阵，第m行第n列元素为Ωmn＝K(fm，fn)，m，n＝1，2，3，...，N，其中引入的核函数为：最终得到调制信号的决策函数；所述测试阶段包括以下步骤：(4)对测试信号集中的测试信号如上述步骤(2)提取特征值构成该测试信号的四维特征向量，构成数据测试样本；(5)将数据测试样本代入决策函数，输出信号的分类结果。