基于模糊数学的信号识别.pptVIP

3.3仿真Mamdani系统进行对信号的识别 在Mamdani模糊系统工具箱下，根据各类信号的特征值，建立对应Mamdani模糊系统的输入隶属度函数以及对应的输出隶属度函数，如以下几个图例所示。 建立模糊规则 去模糊化 假设我们收到信号为s，提取s的幅度和相位信息，接着计算峰度值，相位分布的导数方差以及谱密度的有效面积，例如得到峰度值kurtosis=1.75，相位分布导数的方差var=0.1，功率谱的有效面积prodf=8，根据模糊系统得输入隶属度函数，kurtosis=1.75，只有可能为ASK和QAM信号，prodf=8，不可能为ASK信号，推测出此信号为QAM信号。用图示如下： 系统搭建完成，对接收到的数据进行测试 在一次仿真中，调制信号为随机序列，噪声为均值为0的高斯白噪声序列。采用抽样频率为8kHz，载波频率为200Hz，在信噪比为1~20dB下做了500次测试，识别情况如下图所示。 小结 结果表明，利用Mamdani模糊逻辑系统实现调制信号识别的算法具有较高的识别率。这种算法的优点是不需要信号的信噪比、载波的相位和波特率等先验知识，但是，隶属度的建立受人为的因素影响较大。 因此下一节，利用训练数据和模糊C均值聚类来实现调制信号的识别。 第三节基于C均值聚类实现调制信号的识别 一、模糊C均值聚类算法的介绍 二、模糊C均值实现调制信号识别★ 一、模糊C均值聚类算法的介绍 模糊C均值聚类，是用隶属度确定每个数据点属于某个聚类的程度地一种聚类算法。 FCM把n个向量xi(i =1,2,...,n)分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小。 FCM的价值函数(或目标函数) 一般化形式: 上式达到最小的必要条件为: 由左侧 10、11两个必要 条件，模糊c均值 聚类算法是一个 简单的迭代过程。 以上的模糊C均值聚类算法的实现方法，实际是一种离线学习方法，无需监督信息，待分类数据集X是一次全部输入进行聚类分析。 二、模糊C均值实现调制信号识别★ 模糊c均值实现调制信号识别算法流程 (1)待识别的信号为2ASK,4ASK,BPSK,QPSK,8PSK,2FSK,4FSK。将这7种信号按照随机序列组合作为训练数据，利用上一节的算法提取信号的特征值，第一个特征向量为信号包络的峰度，第二个特征向量为信号相位分布的直方图，第三个为信号的功率谱的有效面积。得到一组数据样本空间X={x1,x2……xn}（其中x1为一个行向量，由上述三个特征向量值来表示。）作为训练数据样本空间。 二、模糊C均值实现调制信号识别★ 实例 首先计算2ASK,4ASK,BPSK,QPSK,8PSK,2FSK,4FSK这7种信号的特征值，接着利用模糊C均值聚类将这7种信号归为三类(ASK,FSK,PSK),最后将每一类信号再进行模糊C均值聚类，进行信号的类内识别。 (1)由上一节的算法得到2ASK,4ASK,BPSK,QPSK, 8PSK,2FSK,4FSK这7种信号的三个特征向量。 (2)根据式(4-8)的约束条件，用随机数产生初始隶属度矩阵，其每一列0,1间元素的值相加和为1。 如下所示得到的初始化的隶属矩阵U: (3)计算聚类中心，并代入价值函数进行迭代，直到相邻价值函数的差值小于ε（这里令ε为0.00001)停止，迭代10步后，目标函数的差值小于ε，迭代停止， 如图所示： 得到3类信号的聚类中心: (4)输入待识别信号BPSK,所加的噪声为高斯白噪声，信噪比为10dB。计算待识别信号与聚类中心的欧式距离，如图所示: 从图中可以看出，待识别信号与第三类信号的距离最小，所以将此信号判定为PSK信号。 仿真结果： 一级聚类(三类信号识别)正确识别率： 二级聚类(具体信号划分)正确识别率： 结论： 利用Mamdani模糊系统实现调制信号识别的算法，对四种数字调制信号(ASK,PSK,FSK,QAM)进行识别，并给出了识别率的曲线图，实验表明，这种方法有较好的识别率，而且实现简单。 由于Mamdani模糊逻辑系统隶属的函数的建立要依据人为的经验，所以利用模糊C均值算法来实现对调制信号的识别。该算法依靠训练数