基于EMD的复杂信号接收聚类分析.docVIP

学号 姓名 傅麟 学院 计通学院 专业 信息与通信工程 成绩 基于EMD的复杂信号接收聚类分析 摘要： 在现代通信中，如何接收识别目标信号一直是通信行业研究的重点。我们选择了信号的瞬时频率作为信号的特征值,凭借该值完成聚类分析。我们选择了几种不同调制格式的信号来进行分析，利用MATLAB仿真，仿真过程中，我们使用的采样频率为125Hz。每个信号先做EMD变换，针对它的主成分，进行希尔伯特变换，求得时频变换关系。我们采集了16组数据，每组数据包含四个变量：f1、f2、频差、信噪比，有了数据之后，我们选择使用SPSS软件进行聚类分析。最终结果基本达到目的。 提出问题并分析问题 在现代通信中，电磁波承载的信号往往与噪声干扰纠缠在一起，如何接收识别目标信号一直是通信行业研究的重点。除却噪声之外，不同调制模式的信号，往往也会被接收机同时接收，目标信号混在其中。为了把目标信号从中分离出来，这时我们通常使用聚类分析进行检波前的分选。[1][2] 我们的目标是：在可以接受的噪声范围内，在通信系统正常工作的信噪比下，提取出信号的特征值，利用该特征值进行聚类分类，选择我们需要的信号类[3]，送往下一级的判别分析。 我们选择了信号的瞬时频率作为信号的特征值[5]。这里的信号瞬时频率不是 信号本身瞬时频率，而是信号经过EMD[4]变换后的主分量的瞬时频率。EMD变换就是经验模式分解，接收的信号按照EMD算法的准则，进行计算，得到若干个分量IMF。在这些分量中，第一个分量为主分量，占据了信号的绝大多数能量，选择它的瞬时频率作为特征值，计算时简单易行而且相对可靠。这个分析过程可以使用MATLAB来实现，如图1所示，信号的主分量功率谱密度最大，图2则展示了不同分量的瞬时频率。 图1 信号EMD分解 图2 各分量频谱图 概括来说，即将信号进行EMD变换，然后去信号主分量的瞬时频率作为特征值，该特征值就是我们聚类分析的依据，凭借该值完成聚类分析。同时我们考虑到信号的信噪比不同，在聚类过程中也考虑了信噪比的因素，将其作为一个影响变量。 数据描述 我们选择了几种不同调制格式的信号来进行分析，这些信号包括最经典的模拟调制信号AM信号与常用的数字调制信号2FSK信号。在之前的学习生活中，曾经写过相关的MATLAB仿真程序，能模拟各种信号的产生发射接收过程。在此基础上我又加入了EMD分析的相关算法，求得信号的分量，再通过希尔伯特变换求得主分量的瞬时频率。 在仿真过程中，我们使用的采样频率为125Hz。每个信号先做EMD变换，针对它的主成分，进行希尔伯特变换，求得时频变换关系。之后每个时频谱取两次数据，在t=1时取第一组瞬时频率数据f1，在距离t=1半周期处取信号的第二组瞬时频率数据f2，频差为两组瞬时频率差的绝对值|f1-f2|，同时考虑到真实环境的复杂多变，产生该数据的时候，我们设定了三种信噪比，在三种信噪比下我们采集了16组数据，如表1所示。 表1 16组信号瞬时频率与信噪比 信号1 信号2 信号3 信号4 信号5 信号6 信号7 信号8 f1 367.2 301.4 211.3 215.8 217.7 218.9 223.7 222.2 f2 358.3 311.5 432.8 422.9 812.3 823.4 816.3 412.1 频差 8.9 10.1 221.6 207.1 594.6 604.5 592.6 189.9 信噪比 10 10 10 10 10 5 8 8 信号9 信号10 信号11 信号12 信号13 信号14 信号15 信号16 f1 408.1 373.2 321.1 242.2 225.4 412.6 432.1 238.5 f2 789.5 364.5 312.6 401.2 801.6 814.2 842.7 415.4 频差 381.4 8.7 8.5 159 576.2 401.6 410.6 176.9 信噪比 8 5 8 8 10 10 5 5 模型建立 这16组数据中，每组数据包含四个变量：f1、f2、频差、信噪比。f1、f2均为信号主分量的瞬时频率。大体看些数据，f1、f2分布范围比较广，不太好找规律，但是如果通过频差来看，可以明显的归为两类，一类为个位数，一类为三位数。这点我们后边也会讲到，这与信号的调制格式有关。 对于这次聚类分析来说，有四个变量，即f1、f2、频差、信噪比，样品即为这16个信号。这十六个信号的数据由仿真程序采集，我们可以根据这四个变量来完成对信号的聚类分析，达到信号分选的目的。 利用软件求解模型 有了数据之后，我们