本文主要研究内容
作者李蓉（2019）在《基于SVM矿井环境无线多模信号的检测识别》一文中研究指出：矿井信息化是煤矿安全生产的有效保障,而矿井多个信息子系统往往采用不同的信号模式,形成一体化信息系统必须实现多系统融合,多模信号的检测识别是多系统融合的关键。本文研究矿井环境对信号特征参量的影响,以支持向量机(SVM)作为分类器,建立矿井环境多模信号的分类识别模型,对井下多系统的研究与融合提供理论基础。针对矿井环境对信号的调制识别进行研究,选用模式识别方法,其分为特征参数提取和分类器设计两大部分。针对特征参量提取问题,选取信号的四阶累积量作为特征参量,分析并得出信号在高斯白噪声信道下的二阶矩、四阶矩以及四阶累积量值;在此基础上,进一步分析信号四阶累积量与阴影衰落和小尺度衰落的关系,并得出其经过这两种衰落信道的表达式。针对分类器设计问题,选取SVM作为目标分类器,以信号的四阶累积量作为SVM的输入,分别在二叉树分类器、一对余类分类器、一对一分类器以及决策树分类器情况下,实现对BPSK、OFDM、16QAM和64QAM四种信号的分类识别。仿真结果表明,决策树分类器识别效果较一对多分类器效果差;基于SVM算法下的三种分类器识别性能相当,且在低信噪比下,识别效果不理想。针对普通SVM分类器在低信噪比下低识别率的问题,提出优化SVM分类识别的方法。将数据样本集分为测试数据集和训练数据集,使用粒子群算法和遗传算法对训练数据集中SVM的惩罚因子和核函数进行寻优处理,得到优化的SVM模型,并用此模型对测试集进行测试分类。文中使用Matlab平台环境进行仿真,仿真结果表明,在信噪比为-5dB的三种信道环境下,四种信号的平均识别率均能达到80%以上;在信噪比大于-3dB的三种信道环境下,四种信号的平均识别率均能达到90%以上。
Abstract
kuang jing xin xi hua shi mei kuang an quan sheng chan de you xiao bao zhang ,er kuang jing duo ge xin xi zi ji tong wang wang cai yong bu tong de xin hao mo shi ,xing cheng yi ti hua xin xi ji tong bi xu shi xian duo ji tong rong ge ,duo mo xin hao de jian ce shi bie shi duo ji tong rong ge de guan jian 。ben wen yan jiu kuang jing huan jing dui xin hao te zheng can liang de ying xiang ,yi zhi chi xiang liang ji (SVM)zuo wei fen lei qi ,jian li kuang jing huan jing duo mo xin hao de fen lei shi bie mo xing ,dui jing xia duo ji tong de yan jiu yu rong ge di gong li lun ji chu 。zhen dui kuang jing huan jing dui xin hao de diao zhi shi bie jin hang yan jiu ,shua yong mo shi shi bie fang fa ,ji fen wei te zheng can shu di qu he fen lei qi she ji liang da bu fen 。zhen dui te zheng can liang di qu wen ti ,shua qu xin hao de si jie lei ji liang zuo wei te zheng can liang ,fen xi bing de chu xin hao zai gao si bai zao sheng xin dao xia de er jie ju 、si jie ju yi ji si jie lei ji liang zhi ;zai ci ji chu shang ,jin yi bu fen xi xin hao si jie lei ji liang yu yin ying cui la he xiao che du cui la de guan ji ,bing de chu ji jing guo zhe liang chong cui la xin dao de biao da shi 。zhen dui fen lei qi she ji wen ti ,shua qu SVMzuo wei mu biao fen lei qi ,yi xin hao de si jie lei ji liang zuo wei SVMde shu ru ,fen bie zai er cha shu fen lei qi 、yi dui yu lei fen lei qi 、yi dui yi fen lei qi yi ji jue ce shu fen lei qi qing kuang xia ,shi xian dui BPSK、OFDM、16QAMhe 64QAMsi chong xin hao de fen lei shi bie 。fang zhen jie guo biao ming ,jue ce shu fen lei qi shi bie xiao guo jiao yi dui duo fen lei qi xiao guo cha ;ji yu SVMsuan fa xia de san chong fen lei qi shi bie xing neng xiang dang ,ju zai di xin zao bi xia ,shi bie xiao guo bu li xiang 。zhen dui pu tong SVMfen lei qi zai di xin zao bi xia di shi bie lv de wen ti ,di chu you hua SVMfen lei shi bie de fang fa 。jiang shu ju yang ben ji fen wei ce shi shu ju ji he xun lian shu ju ji ,shi yong li zi qun suan fa he wei chuan suan fa dui xun lian shu ju ji zhong SVMde cheng fa yin zi he he han shu jin hang xun you chu li ,de dao you hua de SVMmo xing ,bing yong ci mo xing dui ce shi ji jin hang ce shi fen lei 。wen zhong shi yong Matlabping tai huan jing jin hang fang zhen ,fang zhen jie guo biao ming ,zai xin zao bi wei -5dBde san chong xin dao huan jing xia ,si chong xin hao de ping jun shi bie lv jun neng da dao 80%yi shang ;zai xin zao bi da yu -3dBde san chong xin dao huan jing xia ,si chong xin hao de ping jun shi bie lv jun neng da dao 90%yi shang 。
论文参考文献
论文详细介绍
论文作者分别是来自西安科技大学的李蓉，发表于刊物西安科技大学2019-10-15论文，是一篇关于矿井环境论文,四阶累积量论文,分类识别论文,支持向量机论文,西安科技大学2019-10-15论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自西安科技大学2019-10-15论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：矿井环境论文; 四阶累积量论文; 分类识别论文; 支持向量机论文; 西安科技大学2019-10-15论文;