董重重，何 行，孫秉宇，謝 瑋，蔡兵兵，王先培

(1.國(guó)網(wǎng)湖北省電力有限公司計(jì)量中心，湖北 武漢 430000;2.武漢大學(xué)電子信息學(xué)院，湖北 武漢 430000)

0 引 言

低壓電力線載波通信（L-PLC）技術(shù)是智能電網(wǎng)用電信息采集系統(tǒng)本地通信方式之一，是利用現(xiàn)有的低壓電力線進(jìn)行遠(yuǎn)距離抄表等信息傳遞的媒介[1]，由于低壓電力線連通千家萬(wàn)戶，故低壓電力線載波通信技術(shù)因具有使用成本低廉，完美解決“最后一公里”問(wèn)題等優(yōu)點(diǎn)得到了廣泛的應(yīng)用。在目前國(guó)網(wǎng)建設(shè)的用電信息采集系統(tǒng)中，是作為本地通信首選通信方式。因此，其物理層通信安全問(wèn)題不容忽視，在研究載波通信物理層安全問(wèn)題中，如何判別其接收的信號(hào)是否是合法信號(hào)，其調(diào)制方式是其中的依據(jù)之一，因而研究電力線載波通信調(diào)制信號(hào)識(shí)別對(duì)于研究載波通信物理層安全具有重要意義。

電力線載波信號(hào)的調(diào)制識(shí)別指依據(jù)接收信號(hào)的特征來(lái)預(yù)估信號(hào)的調(diào)制方式，通過(guò)各種調(diào)制信號(hào)所表現(xiàn)的不同特征對(duì)調(diào)制信號(hào)進(jìn)行分類[2]。目前研究算法主要有兩類，一類是基于假設(shè)檢驗(yàn)的最大似然方法，但該方法需要較多的調(diào)制參數(shù)作為先驗(yàn)知識(shí)，這在許多場(chǎng)合下不能滿足，并且其識(shí)別準(zhǔn)確率不高；另一類是基于特征提取的模式識(shí)別方法，通過(guò)抽取調(diào)制信號(hào)的一個(gè)或多個(gè)特征參數(shù)，采用分類器確定調(diào)制信號(hào)的調(diào)制類型。在調(diào)制信號(hào)特征的選擇上，有基于概率峰度系數(shù)K、概率密度平坦系數(shù)F、概率密度函能量分布參數(shù)P特征的識(shí)別，除此之外，基于瞬時(shí)幅度、頻率、相位特征等特征參數(shù)也是調(diào)制信號(hào)的常見(jiàn)選擇之一[3]。這些不同調(diào)制信號(hào)的特征組成了一個(gè)總的特征集，但過(guò)多的特征參數(shù)容易使用分類器進(jìn)行識(shí)別時(shí)出現(xiàn)過(guò)擬合問(wèn)題，因此一般采用從總特征集中選取幾個(gè)重要的特征來(lái)作為識(shí)別的依據(jù)，但實(shí)際上這種選取方法具有過(guò)多的人為主觀因素，因而最終識(shí)別準(zhǔn)確率不高。因此選擇借助一個(gè)特征選擇工具——FEAST，從一系列特征集中找出最能標(biāo)識(shí)數(shù)據(jù)集的特征子集，以最大程度提高識(shí)別的準(zhǔn)確率。對(duì)于調(diào)制識(shí)別的分類器，主要有SVM、人工神經(jīng)網(wǎng)絡(luò)、極端學(xué)習(xí)機(jī)ELM以及樸素貝葉斯等模式識(shí)別方法。

王毅等提出的應(yīng)用BP神經(jīng)網(wǎng)絡(luò)方法，選取調(diào)制信號(hào)的4個(gè)特征進(jìn)行調(diào)制信號(hào)的類型的識(shí)別，其識(shí)別效果顯著。但BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、泛化能力差，需調(diào)試選擇不同神經(jīng)元，方案復(fù)雜。并且其選取4個(gè)特征具有人為的主觀因素。本文針對(duì)低壓電力線載波通信信號(hào)以往研究的不足，采用SVM識(shí)別BFSK、BPSK和QPSK信號(hào)，構(gòu)建調(diào)制信號(hào)特征總集[4]，使用FEAST工具找出最能標(biāo)識(shí)數(shù)據(jù)集的子集，依據(jù)信號(hào)特征子集對(duì)調(diào)制信號(hào)進(jìn)行訓(xùn)練，從而進(jìn)行調(diào)制信號(hào)的分類識(shí)別。仿真實(shí)驗(yàn)結(jié)果表明，SVM分類結(jié)果的識(shí)別準(zhǔn)確率高于BP神經(jīng)網(wǎng)絡(luò)，其收斂速度也比神經(jīng)網(wǎng)絡(luò)快。

1 調(diào)制識(shí)別系統(tǒng)

1.1 調(diào)制識(shí)別系統(tǒng)方案

本文對(duì)國(guó)網(wǎng)部分主流電力線載波通信芯片的調(diào)制方式進(jìn)行識(shí)別測(cè)試，主要為BFSK、BPSK、QPSK 3種調(diào)制類型。首先對(duì)測(cè)試設(shè)備供電，之后載波模塊識(shí)別載波通信測(cè)試儀發(fā)的指令并發(fā)送相應(yīng)傳遞信息的調(diào)制信號(hào)，在接收端濾波后被信號(hào)采集裝置采集，調(diào)制識(shí)別系統(tǒng)圖如圖1所示。然后經(jīng)上位機(jī)搭建基于Matlab的信號(hào)處理平臺(tái)，對(duì)采集到的調(diào)制信號(hào)根據(jù)載波芯片的中心頻率進(jìn)行前期處理，包括下變頻、載頻分量的去除等，對(duì)處理后的信號(hào)利用FEAST工具構(gòu)建訓(xùn)練集，采用SVM等分類器進(jìn)行調(diào)制信號(hào)的識(shí)別。國(guó)網(wǎng)使用的主要載波通信芯片參數(shù)見(jiàn)表1。

圖1 調(diào)制識(shí)別系統(tǒng)方案框圖

1.2 系統(tǒng)總體實(shí)現(xiàn)

電力線載波通信調(diào)制信號(hào)系統(tǒng)總體實(shí)現(xiàn)主要包括數(shù)據(jù)收集、數(shù)據(jù)處理、特征選擇提取、特征匹配4個(gè)模塊，系統(tǒng)總體框圖如圖2所示。數(shù)據(jù)收集模塊屬于信號(hào)采集裝置，通過(guò)信號(hào)采集裝置對(duì)待測(cè)載波模塊發(fā)出的各類載波調(diào)制信號(hào)進(jìn)行采集數(shù)據(jù)。數(shù)據(jù)處理模塊主要功能是分析識(shí)別采集到的信號(hào)中可能出現(xiàn)的噪聲，并且對(duì)采集到的信號(hào)[5]進(jìn)行濾波處理之后去除噪聲影響，此模塊包括噪聲檢測(cè)和去噪處理兩個(gè)子模塊。特征選擇提取模塊主要功能是從去噪之后的信號(hào)數(shù)據(jù)提取多個(gè)特征合成特征總集，使用FEAST工具對(duì)特征總集進(jìn)行分析，選出最優(yōu)子集來(lái)作為識(shí)別調(diào)制信號(hào)類型的依據(jù)。特征匹配模塊是使用分類器訓(xùn)練好的模型進(jìn)行電力線載波信號(hào)的識(shí)別，主要使用機(jī)器學(xué)習(xí)中的有監(jiān)督學(xué)習(xí)方法，選取最適合本系統(tǒng)的分類算法進(jìn)行信號(hào)調(diào)制類型的識(shí)別，最終識(shí)別出信號(hào)。

表1 國(guó)內(nèi)載波通信芯片參數(shù)表

圖2 系統(tǒng)總體實(shí)現(xiàn)圖

2 SVM分類器設(shè)計(jì)

2.1 SVM原理

SVM一般包括3種，即軟、硬間隔SVM，以及在引入核函數(shù)之后可解決非線性問(wèn)題的非線性SVM[6]。由于載波調(diào)制信號(hào)特征識(shí)別是非線性問(wèn)題，故采用非線性SVM。針對(duì)其訓(xùn)練的數(shù)據(jù)集：

其中xi為 訓(xùn)練的數(shù)據(jù)，yi為標(biāo)簽類別，m為支持向量的個(gè)數(shù)。通過(guò)引入的高斯函數(shù)將低維數(shù)據(jù)空間映射到高維數(shù)據(jù)空間，使得數(shù)據(jù)變?yōu)榫€性可分，在高維數(shù)據(jù)空間找到最佳“超平面”，其數(shù)學(xué)表達(dá)式[7]如下所示：

其中 ξi和常數(shù)C分別為輔助變量和懲罰因子，輔助變量為對(duì)應(yīng)點(diǎn)距離主群點(diǎn)的遠(yuǎn)近的程度，懲罰因子表示對(duì)離群點(diǎn)帶來(lái)的損失的重視度；W=ωT，ω =(ω1,ω2,···,ωi)為法向量，決定超平面方向；xi=(x1,x2,···,xi)T；b為位移項(xiàng)，決定超平面與原點(diǎn)的距離。首先對(duì)ai求解下列函數(shù)的最大值：

其中ai為L(zhǎng)agrange乘子為核函數(shù)，則最優(yōu)分類函數(shù)式相應(yīng)變?yōu)?/p>

2.2 Lib-SVM在Matlab中實(shí)現(xiàn)多分類

上述SVM只能區(qū)分兩類模式的分類問(wèn)題，當(dāng)需要識(shí)別3種以及3種以上類型的電力線載波調(diào)制信號(hào)時(shí)，二分類分類器無(wú)法識(shí)別，需要將二分類器變成多分類器。其方法有兩類：一類是一對(duì)多（oneto-many），對(duì)于需要識(shí)別的Z類對(duì)象，訓(xùn)練Z個(gè)分類器，選擇其中的一類分類器作為正類，其余的Z-1分類器作為負(fù)類。以此類推，對(duì)每一個(gè)類將其于其余類劃分為正類和負(fù)類，利用SVM進(jìn)行分類識(shí)別，將多分類問(wèn)題轉(zhuǎn)化為二分類問(wèn)題。對(duì)于一個(gè)需要分類的數(shù)據(jù)x，使用投票的方式來(lái)確定x的類別。最后統(tǒng)計(jì)得票最多的類，將是x的類屬性；另一類是所有對(duì)所有（all-versus-all,AVA），給定Z個(gè)類，對(duì)Z個(gè)類中的每?jī)蓚€(gè)類都訓(xùn)練一個(gè)分類器，總共的二類分類器個(gè)數(shù)Z(Z-1)/2,比如有3 個(gè)類，那么需要3 個(gè)分類器，分別是對(duì)1和2類，1和3類，2和3類。對(duì)于一個(gè)需要分類的數(shù)據(jù)x，需要經(jīng)過(guò)所有分類器的預(yù)測(cè)，也同樣使用投票的方式來(lái)決定x的最終類屬性，應(yīng)用Lib-SVM工具包可在Matlab中實(shí)現(xiàn)多分類問(wèn)題的解決，Lib-SVM工具包采用的是第二種“所有對(duì)所有”的方式實(shí)現(xiàn)多分類問(wèn)題。

使用Lib-SVM實(shí)現(xiàn)多分類的步驟如下：

1）對(duì)數(shù)據(jù)作歸一化（simple scaling）。將數(shù)據(jù)映射到小范圍內(nèi)處理，不僅可以加快分類器模型的收斂速度，而且能提升分類器模型的精度，使最終識(shí)別準(zhǔn)確率更高[8]。

2）針對(duì)具體的分類識(shí)別問(wèn)題選擇合適的核函數(shù)。基于訓(xùn)練集將樣本空間映射到高維，在高維樣本空間中找到一個(gè)劃分超平面，使線性不可分問(wèn)題得以解決。這里選擇使用 RBF（radial basis function）徑向基核函數(shù)[9]。

3）選擇最優(yōu)的C和g。C是懲罰因子，是一個(gè)在訓(xùn)練模型前需要自己設(shè)置的一個(gè)數(shù)值，它表示對(duì)類中的離散數(shù)據(jù)的重視程度，C的值越大，重視程度越高；g是核函數(shù)中的gamma函數(shù)設(shè)置。

4）用得到的最優(yōu)C和g訓(xùn)練多分類模型。使用Lib-SVM中的svmtrain函數(shù)來(lái)訓(xùn)練多分類模型。

5）測(cè)試。使用Lib-SVM中的svmpredict函數(shù)來(lái)測(cè)試分類精度。

3 基于SVM調(diào)制識(shí)別算法

3.1 載波調(diào)制信號(hào)特征參數(shù)選取

對(duì)電力線載波調(diào)制信號(hào)進(jìn)行自動(dòng)識(shí)別時(shí)，首先需要提取信號(hào)特征參數(shù)，使用SVM訓(xùn)練時(shí)依據(jù)不同調(diào)制信號(hào)對(duì)應(yīng)的不同信號(hào)特征來(lái)區(qū)分調(diào)制信號(hào)的類型。在選擇調(diào)制信號(hào)的特征參數(shù)時(shí)，特征參數(shù)選取的個(gè)數(shù)、種類直接影響調(diào)制信號(hào)的識(shí)別的準(zhǔn)確率，由文獻(xiàn)[2]，特征參數(shù)選擇有信號(hào)功率譜特征、信號(hào)平方譜特征、瞬時(shí)幅度、頻率、相位以及概率峰度系數(shù)K和概率密度平坦系數(shù)F以及概率密度函能量分布參數(shù)P等，例如對(duì)于信號(hào)功率譜特征，頻移鍵控信號(hào)與其他信號(hào)在信號(hào)功率上區(qū)別很大。BFSK信號(hào)在調(diào)制頻率處具有不同的單頻分量，相移鍵控如QPSK信號(hào)沒(méi)有離散的單峰，二者有明顯的不同，故可通過(guò)此特征識(shí)別BFSK調(diào)制。

11類特征參數(shù)的算法定義由以下各式給出：

1）零中心歸一化瞬時(shí)幅度譜密度最大值 γmax：

其中Ns為取樣點(diǎn)數(shù)，acn(i)為零中心歸一化幅度值，由下式計(jì)算：

2）零中心歸一化非弱信號(hào)段瞬時(shí)頻率的一階絕對(duì)原點(diǎn)矩fabsorg：

3）零中心非弱信號(hào)段瞬時(shí)相位非線性分量的一階絕對(duì)中心矩Pabscen：

4）零中心非弱性信號(hào)段瞬時(shí)相位非線性分量絕對(duì)值標(biāo)偏差 σap：

σap用來(lái)區(qū)分BPSK和QPSK信號(hào)。

5）信號(hào)功率譜包絡(luò)的均值平方μ2和方差 σ2。記參數(shù)R為信號(hào)功率譜包絡(luò)的波動(dòng)程度。定義如下[10]：

由定義式知，若信號(hào)譜平滑，則R值逼近于0。反之，若信號(hào)不平滑，存在尖峰，則R值隨著譜峰數(shù)的減少而增大。用 μ2，σ2作為特征參數(shù)，可用來(lái)識(shí)別BFSK信號(hào)。

6）瞬變譜中大于設(shè)定閾值的譜峰數(shù)目 SN和平方譜中大于設(shè)定閾值的譜峰數(shù)目N。通過(guò)設(shè)定閾值p1，根據(jù)大于p1閾值的平方譜峰數(shù)目N兩種特征來(lái)區(qū)別BPSK和QPSK信號(hào)[11]。除此，還定義 SN=瞬變譜中大于設(shè)定閾值的譜峰數(shù)目，將此二者作為特征參數(shù)用來(lái)區(qū)分BPSK和QPSK調(diào)制信號(hào)特征參數(shù)。

7）另3 種特征參數(shù)為概率峰度系數(shù)K和概率密度平坦系數(shù)F以及概率密度函能量分布參數(shù)P[12]。

3.2 利用FEAST工具構(gòu)建最優(yōu)特征子集

3.1中列出了對(duì)于識(shí)別電力線載波調(diào)制信號(hào)常用的11類特征參數(shù)，但在實(shí)際使用過(guò)程中為防止過(guò)多的特征可能會(huì)出現(xiàn)過(guò)擬合現(xiàn)象，從而降低系統(tǒng)的識(shí)別性能，一般從這11類特征參數(shù)中抽取幾類作為調(diào)制信號(hào)識(shí)別的依據(jù)。以往的研究中一般從中選取對(duì)要識(shí)別的信號(hào)相關(guān)度較高的特征參數(shù)作為識(shí)別的依據(jù)，但這種選取有著較強(qiáng)的主觀因素，從而選取了不恰當(dāng)?shù)奶卣鲄?shù)類別或數(shù)目，進(jìn)而導(dǎo)致最終識(shí)別的準(zhǔn)確率不夠高[13]。因此，為最大程度提高選取特征參數(shù)的有效性，借助特征選擇工具——FEAST從一系列由所有特征參數(shù)組成的特征總集中找出最能標(biāo)識(shí)數(shù)據(jù)集的特征子集，使用到的主要命令為：

該命令通過(guò)輸入的參數(shù)可以選擇輸出的最優(yōu)特征子集數(shù)量，比如以上命令中選擇輸出5個(gè)特征參數(shù)組成的特征子集，F(xiàn)EAST就會(huì)給出5個(gè)對(duì)應(yīng)標(biāo)簽的特征參數(shù)。

FEAST工具的基本原理是先對(duì)每一個(gè)特征與數(shù)據(jù)集的相關(guān)度進(jìn)行分析，然后對(duì)相關(guān)度從大到小進(jìn)行排序，然后根據(jù)要求給出對(duì)應(yīng)數(shù)量特征參數(shù)的特征子集。上述命令為10時(shí)，給出的是要求為10個(gè)特征下的最優(yōu)特征子集，調(diào)整參數(shù)為5，便給出的是要為5個(gè)特征下的最優(yōu)子集。這10個(gè)特征或者5個(gè)特征并不是根據(jù)數(shù)據(jù)相關(guān)度的排序給出了前10個(gè)或者前5個(gè)特征參數(shù)，而是工具自身運(yùn)算選出的最優(yōu)組合。

4 測(cè)試結(jié)果與分析

為防止外界可能存在的干擾導(dǎo)致信號(hào)采集過(guò)程中存在較大誤差，從而影響實(shí)驗(yàn)結(jié)果，整個(gè)實(shí)驗(yàn)過(guò)程在電磁兼容實(shí)驗(yàn)室完成。SNR取20 dB，采樣頻率為 100 MHz，模調(diào)制信號(hào)調(diào)制頻率為 100 kHz，調(diào)制指數(shù)為1，數(shù)字調(diào)制的符號(hào)率為20 kHz，采樣點(diǎn)數(shù)為10 000[14]。由圖1的調(diào)制識(shí)別系統(tǒng)，圖2的系統(tǒng)總體實(shí)現(xiàn)，對(duì)國(guó)網(wǎng)使用的不同調(diào)制類型的載波芯片進(jìn)行識(shí)別。對(duì)采集到的信號(hào)作前期處理，如濾波等，之后將處理的信號(hào)傳輸至調(diào)制識(shí)別模塊，作為其輸入信號(hào)。為使調(diào)制識(shí)別系統(tǒng)達(dá)到較高的識(shí)別準(zhǔn)確率，使用3.2中的FEAST工具選擇合適的特征參數(shù)種類及數(shù)目，圖3展示了整體的分類效果，說(shuō)明了特征值數(shù)量和樣本采集大小與分類準(zhǔn)確度有關(guān)。

圖3 設(shè)備識(shí)別性能和特征值數(shù)量及樣本集大小的關(guān)系

從圖中可以看出，隨著所提取的特征值數(shù)量的增加，設(shè)備識(shí)別的平均F-Score值也在變化，當(dāng)特征值增加到5個(gè)時(shí)，平均F-Score值達(dá)到最高，也即達(dá)到了精度和召回率的平衡點(diǎn)，這個(gè)數(shù)據(jù)也顯示了不同的設(shè)備可以一個(gè)較高的準(zhǔn)確率和召回率被區(qū)分。但當(dāng)持續(xù)增加特征數(shù)量時(shí)，識(shí)別性能就不再增長(zhǎng)，相反，曲線出現(xiàn)一定程度的下降趨勢(shì)。因此本文選擇前5個(gè)特征作為識(shí)別調(diào)制信號(hào)的依據(jù)。

由圖3可得到樣本量越大，設(shè)備識(shí)別的準(zhǔn)確度越高，故從總體樣本庫(kù)中分別隨機(jī)選擇100個(gè)BFSK、QPSK、BPSK信號(hào)作為樣本集，標(biāo)簽類別1為BFSK信號(hào)、2為BPSK信號(hào)、3為QPSK信號(hào)，從中選擇30個(gè)BFSK信號(hào)、40個(gè)BPSK信號(hào)、20個(gè)QPSK信號(hào)作為測(cè)試集，剩余信號(hào)作為訓(xùn)練集，測(cè)試結(jié)果如圖4所示。表2給出了從20組測(cè)試中抽取5組的測(cè)試結(jié)果。

由圖4及表2可知，SVM預(yù)測(cè)結(jié)果準(zhǔn)確率在98%以上。

為了更形象評(píng)價(jià)分類器性能，引入ROC（receiver operating characteristic） 曲 線 和AUC （area under curve）。ROC曲線上的每一點(diǎn)反映的是對(duì)同一信號(hào)刺激的感受性，它是衡量分類模型好壞的一種評(píng)價(jià)指標(biāo)。曲線越靠近左上角，意味著越多的正例優(yōu)于負(fù)例，模型的整體表現(xiàn)越好。其橫軸表示的是負(fù)正類率（false positive rate，F(xiàn)PR）特異度，縱軸表示的是真正類率（true positive rate，TPR）靈敏度，其公式分別為式（15）、式（16）所示。AUC值表示的是正例排在負(fù)例前面的概率，其值為ROC曲線下的面積，也是分類模型的一種評(píng)價(jià)標(biāo)準(zhǔn)。

其中 TP 為真正例個(gè)數(shù)，F(xiàn)N 為假反例個(gè)數(shù)，F(xiàn)P為假正例個(gè)數(shù)，TN為真反例個(gè)數(shù)。

由于ROC曲線一般用于二分類，在針對(duì)多分類問(wèn)題上也要將多分類問(wèn)題轉(zhuǎn)變?yōu)槎诸悊?wèn)題。圖5為基于SVM分類器下QPSK信號(hào)ROC曲線和AUC值。由圖可知，曲線靠近左上角，AUC值為0.995，接近理想狀態(tài)，分類器性能較好。

圖5 SVM分類器下QPSK信號(hào)識(shí)別ROC曲線和AUC值

表3 BP神經(jīng)網(wǎng)絡(luò)下多次測(cè)試下準(zhǔn)確率及運(yùn)行時(shí)間[2]

圖6 BP分類器下QPSK信號(hào)識(shí)別ROC曲線和AUC值

為表現(xiàn)SVM在電力線載波通信信號(hào)的識(shí)別的優(yōu)越性，與BP神經(jīng)網(wǎng)絡(luò)調(diào)制識(shí)別性能作對(duì)比，表3給出了相同條件下BP神經(jīng)網(wǎng)絡(luò)相同條件下識(shí)別效果和運(yùn)行時(shí)間。圖6為BP分類器下QPSK信號(hào)ROC曲線和AUC值。將表2和表3作對(duì)比，圖5和圖6作對(duì)比，可見(jiàn)基于SVM的準(zhǔn)確率均在98%以上，平均準(zhǔn)確率為98.59%，平均運(yùn)行時(shí)間為0.907 s。而B(niǎo)P神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率最好的情況也不到97%，平均準(zhǔn)確率為94.56%，平均運(yùn)行時(shí)間為1.668 s，而由兩種分類器的ROC曲線和AUC值能得到更直觀表現(xiàn)結(jié)果，相比BP分類器，SVM分類器的ROC曲線更靠近左上角，AUC值也更大。分析圖表數(shù)據(jù)可知，基于SVM的調(diào)制信號(hào)識(shí)別，無(wú)論是在識(shí)別分類效果還是在運(yùn)行速度上，都優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)?？偠灾?，將本文方法應(yīng)用于電力線載波調(diào)制信號(hào)的識(shí)別，取得了良好的效果，驗(yàn)證了本文方法的有效性。

5 結(jié)束語(yǔ)

本文以低壓電力線載波通信物理層安全為目標(biāo)，研究電力線載波芯片調(diào)制信號(hào)的識(shí)別問(wèn)題。在特征參數(shù)的選擇中，采用FEAST工具進(jìn)行特征點(diǎn)的評(píng)估和選取，避免了以往主觀因素選取特征參數(shù)導(dǎo)致最終調(diào)制識(shí)別性能差的問(wèn)題。并且當(dāng)識(shí)別更多類型調(diào)制信號(hào)時(shí)，使用FEAST工具可以彈性選擇特征參數(shù)，可擴(kuò)展至處理更多信號(hào)。分類器采用Lib-SVM對(duì)國(guó)網(wǎng)常用的3 種調(diào)制方式的載波芯片進(jìn)行識(shí)別，并在相同條件下與BP神經(jīng)網(wǎng)絡(luò)作對(duì)比。仿真結(jié)果表明，Lib-SVM的識(shí)別準(zhǔn)確率高于BP神經(jīng)網(wǎng)絡(luò)，且收斂速度更快，分類效果更好，多次測(cè)試結(jié)果表明，該方法的準(zhǔn)確率可達(dá)98%以上。