基于支持向量机的小波包调制信号识别
基于小波包变换和支持向量机的虹膜识别方法
（ ｍｐ ｔｒ ｎ ｏ Ｃｏ ｕｅ ｄＣ ｍｍｕ ｉａｉｎＥ ｇｎ ｅｉｇＩｓｉ ｔ，Ｃｈ ｎ ｓ ａＵｎｖ ｒｉ ｆ ｃｅ ｃ ｎ ｅ ｈ ｏｏ ｙ ａ ｎｃｔ ｎ ｉｅｒ ｔｕｅ ｏ ｎ ｎ ｔ ａ ｇ ｈ ｉｅｓｙ ｏ ｉｎ ｅａ ｄＴ ｃ ｎ ｌｇ ， ｔ Ｓ
基于支持向量机的辐射源识别算法
ｖｃ ｒ ｃ ｉ Ｓ Ｍ） ｉ ｉｔ ｄ ｃｄ ｔ ｉｅ ｔ ｉｅｅｔｓ ａ ． ｖｌｔｐ ｃｅ ｔ ｎｆｒ ａ ｏｄ ｅｔ ｈｎ ｏ ｍａ ｅ（ Ｖ ｓ ｎｒ ｕｅ ｏ ｄｎｉ ｄ ｒ ｉ ｌ Ｗａｅ ａｋ ｔ ｒ ｓ ｍ ｈｓｇｏ ｏ ｆ ｆ ｎ ｇ ｓ ｙ ｎ ｅ ａ ｏ
ｒ ｓｏ ｍ ｉ ｓ ｄ ｔ ｘ ｒ ｔ ｈ ｉ ｌ ｆａｕ ｅ ｆ ｔ ｔ ｎ ｆｒ ｓ ｕ ｅ ｏ ｅ ｔ ｃ ｔｅ ｓｇ ａ ｅ ｔ ｒｓ ｏ ｉ － ｅ ｕ ｎ ｙ ｓ ｅ ｔｕ ｉ ｈ ｓ ｐ ｐ ｒ ａ ｄ ｓ ｐ ｏ ｔ ａ ａ ｎ ｍｅ ￣ ｑ ｅ ｃ ｐ ｃｒ ｍ ｎ ｔ ｉ ａ ｅ ， ｎ ｕ ｐ ｒ
摘
要 ：为 了提 高电子对抗 设备 对辐 射 源的识 别能 力 ，采 用 小波 包变换 法提取 信 号 的 时频 谱特
征 ，并 引入 支持 向量机 完成 对辐射 源的 分 类 。小 波 包 变换 对信 号局 部 的 时频特 征 具 有较 好 的 分
ห้องสมุดไป่ตู้
基于小波包和支持向量机的ERT系统流型识别
第２ ９卷
第 １期
吉
林
建
筑
工
程
学
院
学
报
Ｖｏ１２ Ｎｏ ．９ ．１２１ Fra bibliotek ２年 ２月
Ｊｕ ａ ｆ ｉｎ Ｉｓｉ ｔ ｆＡ ｃ ｉ ｃｕｅ＆ Ｃ ｖｌ ｇｎｅｉｇ ｏ ｒ ｌｏ ｌ ｎｔ ｕｅｏ ｒｈｔ ｔｒ ｎ Ｊｉ ｔ ｅ ｉｉＥｎ ｉｅ ｒ ｎ
Ｆｅ ２ ２ ｂ． ０１
一
．
本 文首先采用 小波包分析方 法对 Ｅ Ｔ系统 中的测量数据进行特征提取 ， Ｒ 然后将提取 的特征数据输 入支持 向量
机 多类分类模型 ， 两相流 的４种流型进行识别． 对 仿真 实验证 明小 波包分析 和支持 向量机 的结合 是两相 流流 型识
别 领 域 的 一种 有 效 方 法．
关键词 ： 电阻层析 成像 ； 流型识别 ； 波包 ； 小 支持 向量机 中图分类号 ：Ｐ３ １４ Ｔ ９ ． 文献标志码 ： Ａ 文章编号 ：０ ９— １５ ２ １ ） １— ０ ３— ３ １０ ０ ８ （０２ Ｏ ０８ ０
Ｆ ｏ Ｒｅ ｉ ｄ ｎ ｉ ｃ ｔ ｎ ｏ ｅ ｔｉ ａ ｓｓａ ｃ ｍ ｏ ｒ ｐ ｙ Ｓ ｓｅ ｌ ｗ ｇ ｍｅ Ｉ ｅ ｔ ａ ｉ ｆＥｌｃ ｒｃ ｌＲｅ ｉｔ ｎ ｅ Ｔｏ ｇ ａ ｈ ｙ ｔ ｍ ｉ ｆ ｏ
Ｂａ ｅ ｎ Ｗ ａ ｅｅ ｃ ｔａ ｕｐ ｒ ｃｏ ａ ｈ ｎ ｓｄ ｏ ｖ ｌｔＰａ ｋｅ ｎｄ Ｓ ｐｏ ｔＶｅ ｔ ｒ Ｍ ｃ ｉ ｅ
基于小波包变换的表面肌电信号模式识别
基于小波包变换的表面肌电信号模式识别作者：王玲来源：《现代电子技术》2011年第17期摘要：采用小波包变换的方法对表面肌电信号sEMG进行了多尺度分解，并提取小波包分解系数的能量值构建特征矢量，采用四种方法设计多类最小二乘支持向量机(LS-SVM)分类器，对8种表面肌电信号进行了模式分类。
实验结果表明，采用四种多类分类方法的LS-SVM 分类器对8种表面肌电信号的平均识别率在90%以上，LS-SVM分类准确率明显优于传统的RBF神经网络分类器。
关键词：表面肌电信号; 小波包变换; LS-SVM; 模式识别中图分类号：TN911.7-34 文献标识码：A文章编号：1004-373X(2011)17-0122-03Surface EMG Signal Mode Recognition Based on Wavelet Package TransformWANG Ling(Shaanxi Vocational and Technical College, Xi’an 710100, China)Abstract： The surface electromyographic signal is analyzed by wavelet package transform. The feature vectors are built by extracting the energy value of the wavelet package coefficients. The multi-class least squares support vector machine classifier is designed by using four kinds of multi-class classification approach. The LS-SVM classifier is applied to the classification of eight movements with recording of the surface EMG. Experimental results show that the average recognition rate is over 90%, and the classification accuracy of LS-SVM classifier is significantly better than RBF neural network classifier.Keywords： surface electromyographic signal; wavelet package transform; LS-SVM; pattern recognition0 引言表面肌电信号(surface Electromyographic Signal,sEMG)是从肌肉表面通过电极引导、放大、记录下来的神经肌肉系统活动时的非平稳一维时间序列生物电信号，能够反映神经肌肉的活动［1］。
基于小波包和支持向量机的电能质量扰动识别
里 叶 变 换 和 小 波 变 换 的 组 合 与 发 展 ，文 献 ［ ， ３ ４］ 中 提 出 了通 过 ｓ变 换 法 提 取 扰 动 信 号 的特 征 ，
类 器 性 能优 劣 的重 要 因素 之 一 。
本 文 选 用 小 波 包 分 析 法 对 电 能 质 量 扰 动 信 号
ＶＭ 分 类 器 的 训 练 样 仿 真结 果 表 明 ，这 种 方 法 能 够 在 噪 声 环 境 中 检 浸 进 行 特 征 提 取 ，将 其 作 为 Ｓ ０ 各 种 扰 动信 号 ，但 是 其 检 测 精 度 与 信 噪 比值 相 关 本 ；利 用 Ｓ ＶＭ 和 粒 子 群 优 化 算 法 快 速 训 练 Ｓ ＶＭ
断、脉 冲暂态及谐波 ；利用 小波 包分析 方 法对上 述扰 动信 号进 行特 征 向量提 取 ；并采 用粒子 群 算法对
Ｓ Ｍ核 函数参数 ｙ和惩罚参数 ｃ寻优 ，确 定最优 Ｓ Ｍ 分 类模 型，最终测试 精度 为 ９．２％ ，表 明该算 Ｖ Ｖ ８１５
法 实 时性 强 、 识 别 精 度 高 ，从 而验 证 了所 用 方 法 的 可 行 性 。
力 部 门 、用 户 及 相 关 研 究 人 员 的关 注 ， 同 时 ， 电 求 解 问 题 能 力 强 ，具 有 大 规 模 分 布 并 行 处 理 、非
力 系 统 中产 生 的数 据 正 在 以指 数 速 度 增 长 ， 因此 ， 线 性 、 自组 织 和 自学 习 等 优 良特 性 ， 目前 是 分 类
征 量 均有 较好 地 检 测 能 力 ，但 其 易 受 到 噪声 干 扰 ， 选 取较 大 ，会 导 致 Ｓ ＶＭ 范 化 能 力 变 弱 ，识 别 精 度 不 易 准 确 识 别 是 哪 种 扰 动 类 型 ；Ｓ变 换 法 ，是 傅 不 高 ，因此 ，Ｓ ＶＭ 的参 数 选 择 问题 是决 定 Ｓ ＶＭ 分
使用小波变换进行目标检测与识别的方法与技巧
使用小波变换进行目标检测与识别的方法与技巧引言：目标检测与识别是计算机视觉领域的重要研究方向之一。
随着人工智能技术的不断发展，小波变换作为一种有效的信号处理方法，被广泛应用于目标检测与识别中。
本文将介绍使用小波变换进行目标检测与识别的方法与技巧。
一、小波变换简介小波变换是一种时频分析方法，它能够将信号分解为不同尺度的频率成分。
与傅里叶变换相比，小波变换具有更好的时频局部性，能够更好地捕捉信号的时域和频域特征。
因此，小波变换在目标检测与识别中具有独特的优势。
二、小波变换在目标检测中的应用1. 尺度空间分析小波变换能够将信号分解为不同尺度的频率成分，在目标检测中可以通过分析不同尺度下的信号特征来实现目标的定位与识别。
例如，可以利用小波变换将图像分解为多个尺度的频域图像，然后通过分析不同尺度下的图像特征来进行目标检测。
2. 特征提取小波变换可以将信号分解为不同频率的子带，每个子带都包含了不同频率范围内的信号特征。
在目标检测中，可以利用小波变换将图像分解为多个频域子带，然后提取每个子带的特征，用于目标的检测与识别。
常用的特征提取方法包括小波包变换、小波能量谱等。
三、小波变换在目标识别中的应用1. 模式匹配小波变换可以将信号分解为不同尺度的频率成分，每个尺度都包含了不同频率范围内的信号特征。
在目标识别中，可以利用小波变换将目标信号与模板信号进行匹配，通过计算匹配度来实现目标的识别。
常用的匹配方法包括小波相关匹配、小波距离匹配等。
2. 特征分类小波变换可以将信号分解为不同频率的子带，每个子带都包含了不同频率范围内的信号特征。
在目标识别中，可以利用小波变换将目标信号分解为多个频域子带，然后提取每个子带的特征，用于目标的分类与识别。
常用的分类方法包括小波神经网络、小波支持向量机等。
结论：小波变换作为一种有效的信号处理方法，在目标检测与识别中具有重要的应用价值。
通过尺度空间分析和特征提取，可以利用小波变换实现目标的定位与识别。
基于小波包变换的支持向量机损伤诊断方法
第２ ８卷第 ２ 期
２０ ０ ８年 ６月
振 动 、 试 与诊 断 测
Ｊ ｕ ｎ ｌｏ ｂ ａ ｉｎ， ｅ ｓ ｒ ｍｅ ｔ８ ａ ｎ ｓｓ ｏ ｒ ａ ｆＶｉｒ ｔ ｏ Ｍ ａ ｕ ｅ ｎ Ｌ Ｄｉｇ ｏ ｉ
Ｖ ｏ１ ８ Ｎ ｏ．２ ．２
学 习以及训 练 时需要 大量 的学 习样本 等缺 陷 。 由于 其 出色 的 学习性 能 ， 已在 很 多领 域得 到 了成 功 的应 用 ［。 １ 结构 发生 损伤后 ， ］ 引起 固有 频率 、 型 、 振 阻尼 等 模态 参数 发生 变化 ， 检测 相关 的加速 度 、 动频 率 等 振 响应 信号 ， 中包含 有非平 稳成 分 ， 些非 平稳 成分 其 这
机器 学 习算法 。该 算法通 过寻求 结 构风 险最小 化来 实 现实 际 风险 最 小化 ， 而达 到 在样 本 量 较 少 的情 从
况下， 也能 获得 很 好 的学 习效果 ， 克服 了 过 学 习 、 欠
１ 小 波 包 分 解 及 其 频 带 能 量 ｒ 。 ］
１ １ 小 波 包 分 解 ．
Ｊｎ ２ ０ ｕ． ０８
基 于 小 波包 变 换 的支 持 向量 机 损伤 诊 断 方法
赵 学风 段 晨 东 刘 义艳 韩 曼
（ 西安 交 通 大 学 电气 工 程 学 院 西 安 ， １０ ９ ７ ０４ ） （ 长安 大 学 建工 学 院 西 安 ，１ ０ １ ７０ ６ ）
摘 要 针 对 结 构 损 伤 识 别 中 缺 少 实 际 损 伤 样 本 的 问 题 ， 出 基 于 小 波 包 特 征 提 取 的 支 持 向 量 机 结 构 损 伤 诊 断 方 提
在 多分辨分析 中， 正交分解为 川 ＝ ０ ，
基于小波包分析和支持向量机的异步电机转子断条故障诊断
（ Ｓ ｎ ｕ ｐｒｖｃ ｒ ａｈｎ Ｓ Ｍ） Ｔ ｅｓ ｅａｄｆ ｑ ｅｃ （ ＋ ｓｆｃｒ ｎ ｒ ｅｔ ｇｔｅｂｏ ｅ ａ ｕ ａ ＷＰ ）ａｄｓｐ ｏ ｅｔ ｃｉｅ（ Ｖ ． ｈ ｄｂｎ ｅｕ ｎｙ １ ２） ｒ ｔ ｅ ｃ ｎ ｒ ｎｂｒｆ ｌｗ ｓ ｔ ｏｍ ｉ ｒ ｕｅ ｆ ｉ ｈ ｌ ｋ ａｔ
Ａｂ ｔａ ｔ ａ ｌ ｄａ ｎ ｓｓ ｍｅｈ ｄ ｗ ｓ ｐ ｅ ｅБайду номын сангаасｔｄ ｆ ｒｍｏｏ ｏｏ ｒ ｋ ｎ ｂ ｒｆ ｕｔｂ ｓ ｄ ｏ ｖ ｌｔｐ ｃ ｅ ｎ ｌ ｓ ｓ ｒ ｃ ：Ａ ｆｕ ｔ ｉｇ ｏ ｉ ｔ ｏ ａ ｒ ｓ ｎ ｅ ｏ ｔ ｒｒ ｔｒ ｂ ｏ ｅ ａ ａ ｌ ａ ｅ ｎ ｗａ ｅ ｅ ａ ｋ ｔ ａ ａｙ ｉ ｓ
ａ ａｙ ｅ ｔ ｈ ｅ ｈ ｏ ｏ ｙ ｏ ａ ｅｅ ａ ｋ ｔｄ ｃ ｍｐ ｓｔ ｎ Ｔ ｅ ｆｅ ｕ ｎ ｙ ｓ ｇ ｎ ｏ ｒｕ ｄ ｒｏ ｅ ａｉ ｇ ｓａｅ ａ ｂ ｎ ｌｚ ｄ ｗｉ ｔ ｅ ｔｃ ｎ ｌｇ ｆｗ ｖ ｌ ｔ ｃ ｅ ｅ ｏ ｏ ｉ ｏ ． ｈ ｒ ｑ ｅ ｃ ｅ ｍｅ ｔｐ ｗｅ ｎ ｅ ｐ ｒ ｔ ｔｔ ｓｗ ｓａ － ｈ ｐ ｉ ｎ ｓ ａ ｔｄ ａ ａ ｌ ｃ ａ ａ ｔ ｒ ｔ ｅ ｔ ｒ ｗｈｃ ｅ ｋ ｎ ｄ ｔ ｅｉ ｆ ｅ ｃ ｓｏ ａ ａ ｌ ｏ ｄ ａ ｄ ｎ ｉｅ Ｉ ｒ ｅ ｉ ｇ ｏ ｅｔ ｅ ｒ — ｔ ｃｅ ｓｆ ｕ ｔ ｈ ｒ ｃｅ ｓｉ ｖ ｃｏｓ ｉｈ ｗ ａ ｅ ｅ ｎ ｕ ｎ ｅ ｆ ｒ ｂ ｅｌ ａ ｎ ｏ ｓ ． ｎ ｏ ｄ ｒｔ ｄ ａ ｓ ｈ ｏ ｒ ｉ ｃ ｈ ｌ ｖｉ ｏ ｎ ｔｒｂ ｏ ｅ ａ ａ ｌ ｕ ｄ ｒｓ ｌ ｓ ｍｐ ｅ ，ｔ ｅ ｆｕ ｔ ｌ ｓｉ ｉｒｗａ ｏ ｏ ｅ ｙ ｔｅ ｌａ ｔｓ ｕ ｒ ＶＭｓ ｔ ｉｅ ｙ ｔ ｅ ｆ ｕｔ ｏ ｒ ｋ ｎ ｂ ｒ ｕ ｔ ｎ ｅ ｍａｌ ａ ｌｓ ｈ ａ ｌ ｃ ａ ｓ ｅ ｓｃ ｍｐ ｓ ｄ ｂ ｈ ｅ ｓ ｑ ａ ｅ Ｓ ｆ ｉ ｆ ｒ ｎ ｄ ｂ ｈ ａ ｌ ａ ｃ ａａ ｔｒｓ ｃ ｖ ｃ ｏｓ Ａｎ ｔａｓ ｏ ｋ ｔ ｅ ｔ ｉ ｉｇ ｅ ｏ ｓ ａ ｄ ｔ ｅｃ ｌｕ ａｉ ｇ ｅ ｃｅ ｃ ｎ ｏ ｃ ｎ ｉ ｅａ ｉｎ ｈ ｒｃ ｅ ｔ ｅ ｔ ｒ． ｄ ｉ ｌｏ ｔｏ ｈ ｒ ｎ ｎ ￣ ｒ ｎ ａ ｃ ｌｔ ｆ ｉｎ ｙ ｉｔ ｏ ｓ ｒｔ ．Ｅ ｐ ｒ ｎ ａ ｅ ｉ ｉ ａ ｈ ｎ ｉ ｄ ｏ ｘ ｅ ｍｅ ｔ ｒ — ｉ ｌ ｓ ｌ ｈ ｗ ｔａ ｈ ａ ｌ ｃ ａ ａ ｔｒｓ ｃｖ ｃｏ ｓａ ｓｒ ｃｅ ｙＷ Ｐ ｒ ｖ ｄ ｎ ． ｉ ｍｅｈ ｄ ｈ ｓｇ ｏ ｌｓ ｉｃ ｔ ｎ ａ ｄ ｇ ｎ ｒ ｕ ｔ ｓ ｏ ｔ ｅ ｆｕｔ ｈ ｒｃｅ ｔ ｅ ｔｒ ｂ ｔａ ｔ ｄ ｂ Ａ ａ ｅｅ ｉ ｅ ｔ Ｔ ｓ ｔ ｏ ａ ｏ ｄ ｃａ ｓｆ ａｉ ｎ ｅ ｅ ・ ｓ ｈ ｔ ｉ ｉ ｈ ｉ ｏ ａｉａｉｎ ａ ｉ ｔ ｓ ａ ｄ ｉ ｒ ｖ ｓ ｔ ｅ ａ ｃ ｒ ｃ ｆｄ ｔ ｃｉｎ ｆ ｒｒ ｔｒｂ ｏ ｅ ａ ａ ｌ ｉ ｄ ｃｉ ｎ ｍａ ｈ ｎ ｓ ｌ ｔ ｂ ｌ ｉ ， ｎ ｍｐ ｏ ｅ ｈ ｃ ｕ ａ ｙ ｏ ｅｅ ｔ ｏ ｏｏ ｒ ｋ ｎ ｂ ｒｆ ｕ ｔ ｎ ｉ ｕ ｔ ｃ ｉ ｅ ． ｚ ｏ ｉｅ ｏ ｎ ｏ
基于小波包分析的辐射源特征提取和识别算法
（ 西安 电子科技 大 学 电子 工程 学 院，陕 西 西安 ７０ ７） １０ １
摘 要 ：提 出了一种 基 于小 波 包的 变换 方 法。 该方 法通 过对 不 同脉 内调制 方 式进行 频 带能 量 的提取 。并 引入 支持 向量 机 来完成 对辐 射 源的 分类 。该 小波 包变换对信 号 局部 的 时频特 征具
１１ 小 波变换 ．
小 波 变 换 是 由法 国科 学 家 Ｍｏｌｔ １８ 年在 ｒ 于 ９４ ｅ
进 行 地震数 据 分析 时提 出 的 。他 在分 析 地震 波 局 部 信 号 时 ，发 现 传 统 的傅 里 叶 变 换 难 以达 到要 求 ，从 而引人 了小 波概 念 。 小 波变 换 与短 时傅里 叶变换 一样 ，属于 时频 分 析 方 法 中 的 一 类 分 析 方 法 。即 核 函 数 分 解 法 （ｔｍ ｃ ｅｏ ｐ ｓ ｉｎ Ｄ ，也 就 是 线 性 时 频 描 ａｏ ｉ ｄ ｃｍ ｏｉｏ ，Ａ ） ｔ
Ｖ０． ２ Ｎ ． ０ １ ｏ１ １ Ｏｃ．２ １ ｔ ＯＯຫໍສະໝຸດ ２ ｌ 年 ｌ 月 ＯＯ Ｏ
振荡性 、速降性 、带通性 ，在 定义 域 内是 紧支 撑
的。
（） ３ ：将 各 个频 带 的信 号 能量 组 成特 征 向量 ，
Ｓ
定 义 ：设 ｛ ｝是 由式 （ １ ）给 出的小 波 函
第 ｌ卷 ２
第 １ 期 ０
Ｖｏ． ２ Ｎｏ １ １ ．０ １
Ｏｃ ．２ Ｏ ｔ Ｏ１
２ １ 年 ｌ 月 ００ ０
ｄ ｉ ０３ ６ ／ｉ ｎ１ ６ － ７ ５ ０ ０１ ．２ ｏ： ．９ ９ ．ｓ ．５ ３ ４ ９ ． １ ． ０ ７ １ ｊｓ ２ ０
基于小波包分析 的辐射源特征 提取和识别算法
基于小波变换的数字调制识别技术研究
（Ｏ ＩＴ Ｃ ＭＮ ） 的关键内 ［ 。 容［ 在军事电 ６ ７ ］ 子对抗中， 战场信息的 传输主要依靠 无 线电通信来实 现，通 信信号侦察与午扰是电 子战的 主要内 容， 信号调制类型又 是信号侦察中的一个关 键步 它是对敌方通信进行干扰， 骤， 侦听和监测的 前提，
一旦知道 了调制类型，就可 以估 计调掉参数 ，数据解调 ，信 息提取和信 号干扰
关键词 ： 数字调制
小波变换
调制识别
瞬时特征提取
电子战
Ａ ｄ ｏ ｔｅ ｉ ｌ ｄｌ ｉ Ｉｅｔｉ ｔｎ ｓ ｙ ｈ Ｄｇ ａＭｏｕ ｔ ｎ ｎｉ ａｏ ｔ ｕ ｎ ｉｔ ａｏ ｄ ｆ ｉ ｃ
Ｔｃ ｏ ｇｅ ａｅ ｏ ｎ ｌ ｉ ｂ ｓｄ Ｗａｅ ｔ ｎｆｒ ｅｈ ｏ ｓ ｎ ｖｌ Ｔ ａｓ ｍ ｅ ｒ ｏ
无线 电台，在对信号进行接 收解调 前就首先 必须识别出该信 号的调制制式和其 它信 号参数 ， 才能解调 出调制制信息 ， 并根据 其信 息内容将 其转 换为其它频率 ，
因为小 波变换具有 良 好的时间，频率局域化特征和多 分辨率分析的 特性，所以
小波变换是 一种 能有效地 从不同调制类型的信 号中提取瞬 时特 征的技术 ，而且
不需要己 调信号 任何的 先验知识。 不同 类型信号的小 波变换系 数的明显不同非
常适合对数字调制信号 的调制 类型进行识别 。在理论上对 四种数 字通信信 号运 用 小波进行 分析后 得到 了不同的变换结果 ，在此基础 上建 立了同时对这 四种典 型数字通信信 号进行类 间和类 内识别 的调制识 别器模 型。这种调制识 别器 主要 利用输入信 号小波变换量 的不同来进行调制类型 的识别 。识别器通 过将小波变 换幅度 的方差 与判 决门限 比较来对类 间信号进行调制 识别，利用信 号的小波变 换 的幅度层 数和 峰值大 小种数 来进行类 内调制类型 的识别 。
基于小波包-支持向量机的滚动轴承故障诊断
配 对 ， 化 成 两 类 问题 进 行 训 练 ， 样 就 需 要 建 立 转 这
（ Ｋ一１／ ）２个 Ｓ Ｍ。 Ｖ 在识别时 ， 对构成的多个 Ｓ Ｍ Ｖ 进行综合判断 ， 一般 用投票 或淘汰 的方法来 完成 多 类识别 ， 但这 种方法需要较多 的分类器 ， 测试 时需要
的应用价值 。
一
对于非线性问题 ， 用核 函数将 其从低 维转化 利 成 高维空 间的线性 问题 ， 在特征 空间 中求最优 分类 面， 时， 此 相应的分类函数变为 ：
个三层小波包分解 的结构如图 １ 所示 。
） ｇ【 ） ６】 ＝ｓ ∑。Ｙ （ ＋ ’ ｎ
（） ６
进行多层次的频带 划分 ， 仅继承 了小波变换所 具 不 有 的良好时频局域 化优点 ， 而且继续 对没再分解 的
可求得最优超平面的决策 函数为 ：
， ） ｓ ［ｗ ＋ ＝ ｇ【 。ｉ ． ＋ （ ＝ ｇ ） ｂ ］ ｓ ∑口Ｙ ｘ ） ｂ】 ¨ ｎ ‘
（ ５）
高频频带进一步分解 ， 并能 够根据被 分析信号 的特 征， 自适应地 选择 相应 频带 ， 之 与信 号频 谱相 匹 使 配， 从而提高了时频分辨率 ， 因此小波包具有更广泛
二 次 凸规 划 的 问题 ， ： 即
振动信号为研究对 象 ， 利用小 波分析进行 消噪处 理
后， 再利用小波包频带能量进行 特征提取 ， 构成振动 信号的特征向量 ， 此基础上 通过支持 向量机对 特 在 征 向量进行 故障模式识别 ， 试验结果表 明， 基于小波 包 一 支持向量机 的滚动轴 承故障诊 断是可行 的 ， 且
支持 向量机是 由线性 可分模式发 展而来 的 ， 主 要思想是建立一个超平面作为决策曲面 ， 使得正 、 反 例 的边缘间隔最 大化 。将 １个 ｄ维样本表示为 ： ７ ，
基于小波包分解和支持向量机的虹膜识别方法
基 于 小 波 包 分 解 和 支 持 向 量 机 的 虹 膜 识 别 方 法
张 雯 雯 ， 国 良 赵
（ 尔滨 工程 大 学 自动 化 学 院 ， 哈 黑龙 江 哈 尔 滨 １０ ０ ） ５ ０ １
摘 要 ： 考虑到虹膜 识别的非 线性 和小样本 的特 点 ， 以及小 波包分解具有 的分析 高频特 征信息 的优 势 ， 提出 了
ｅｓ ｄ ｃ ｍｐ ｓｔｏ ｓｈａ ｈｅ ａ ｖ ｎ ａ ｅ ｉ ｎａｙ ｉ ｇ ｄ ｔｉ ｎ ｏ ｍａｉｎ ｏ ｉｈ ｆｅ ｕｅ ｃ ｅ ．Ｏｎ ｔ ａ ａ ｉ ｔ ｅ ｏ ｏ ｉ ｎ ｓ ｔ ｄ ａ ｔｇ ｎ ａ ｌｚｎ ｅａ ｌ ｉ ｆ ｒ ｔｏ ｆｈ ｇ ｒ ｑ ｎ ｉｓ ｉ ｓ ｈ ｔｂ ｓｓ，ａ ｌ ｏ ｎ ａｇ — ｒｔ ｍ ｏ ｒｓｒ ｃ ｇ ｉｉｎ ｉ ｒ ｓ ｎ ｅ ｎ ｔ ｉ ａ ｅ ．Ｆｉｓｌ ｉｈ ｆ ｒｉ ｅ ｏ ｎ ｔ ｓｐ ｅ ｅ ｔｄ ｉ ｈｓ ｐ ｐ ｒ ｉ ｏ ｒｔ ｙ，ｗａ ｅ ｅ ａ ｋ ｔ ｅ ｏ ｏ ｉ ｏ ｓ ｗｅ ｅ ｄ ｎ ｏ ｉｉ ｍａ ｖ ｌｔｐ ｃ ｅ ｓｄ ｃ ｍｐ ｓｔ ｎ ｒ ｏ ｅ ｔ ｒｓ ｉ — ｉ ｇ ｓ，ｗｈ ｃ ｄ ｂ ｅ ｉｉ ｅ ｎ ｏ ｓ ｖ ｒ ｌｗｉ ｄ ｗｓ ｅ ｏ ｄ ｙ，ｔ ｅ ｓ ｂ ｂ ｎｄ ｎ ｅ ｃ ｎ ｏ ，ｗｈｃ ｏ ｔｉ ｓ ｅ ｉ ｈ ｈａ ｅ ｎ ｄ ｖ ｄ ｄ ｉ ｔ ｅ ｅ ａ ｎ ｏ ．Ｓ ｃ ｎ ｌ ｈ ｕ — ａ ｓｉ ａ ｈ ｗｉ ｄ ｗ ｉｈ ｃ ｎ ａｎ ｍｏ ｔ ｉ ｆｒ ａｉ ｎ ｏ ｒｓｉ ｇ ｓ ｎｏ ｍ ｔｏ ｆｉｉ ｍａ ｅ ，ｗｅ ｅ ｍａ ｅ ａ ｓｆｉ ｇ ｔｅ ｔ ｎ ．Ｔ ｉｄｙ，ｔ ｅｆ ｒｈ ｒｆ ａｕ ｅ ｅ ｔａ ｔ ｎ ａ ｄ ｃ ｍｐ ｅ ｓｏ ｏ ｒ ｄ ｉ ｎ ｒ ａｍｅ ｔ ｈ ｒ ｌ ｔ ｈ ｕ ｔ ｅ ｅ ｔ ｒ ｘｒ ｃｉ ｎ ｏ ｒ ｓ ｉｎ ｔ ｏ ｔ ｅ ｅ ｓ ｂ— ｎ ｍａ ｅ ｒ ｅ ｆ ｒ ｄ ｔｒ ｕ ｈ ｓｎ ｕ ａ ａｕｅ ｄｅ ｏ ｏ ｉｉｎ，Ｓ ｈ ｔ ｔｅ ｉｉ ｅ ｏ ｎｉ ｏ ｅ ｔ ｒ ｓ ｈ ｓ ｕ ｂａ ｄ ｉ ｇ ｓ ｗｅ ｅ ｐ ｒｏ ｍｅ ｈ ｏ ｇ ｉ ｇ ｌｒ ｖ ｌ ｃ ｍｐ ｓｔ ｏ Ｏ ｔ ａ ｈ ｒｓ ｒ ｃ ｇ ｔ ｎ ｆ ａｕ ｅ ｉ ｗｅ ｅ ｏ ｔｉ ｅ ｒ ｂ ａｎ ｄ．Ｆｉａ ｌ ｎ ｌｙ，ｓ ｐ ｏ ｅ ｔｒ ｍａ ｈｉ ｅ ｃａ ｓｆｅ ｓ ｕｔ ｉｅ ｏ ｃ ｎ ｕ ｔａ ｐａｔｒ ｔｈｉ ｇ ｆｒ ｉ ｓ ｌ ａ ｕ ｐ ｒ ｖ ｃ ｏ ｃ ｎ ｌｓ ｉｉｒ ｗａ ｉ ｚ ｄ ｔ ｏ ｄ ｃ ｔｅｎ ｍａｃ ｎ ｒ ｅ — ｔ ｌ ｏ ｉ ｔ ｒ ｓ Ｅｘ ｅ ｍｅ ｔｌｒ ｓ ｌ ｈ ｗ ｈ ｔ ｏ ｓ ｖ ｌｄ ｉ ｒｓ ｒ ｃ ｇ ｉｉ ｎ ｕｅ ． ｐ ｒ ｎ ａ ｅ ｕ ｔ ｓ ｏ ｔ ｅ ｍｅ ｈ ｄ ｉ ａ ｉ ｎ ｉ ｅ ｏ ｎ ｔｏ ． ｉ ｓ ｉ
基于小波分析的通信信号检测方法改进
基于小波分析的通信信号检测方法改进引言通信信号检测是实现可靠和高效通信的重要环节。
而在实际应用中，由于噪声干扰等因素的存在，传统的通信信号检测方法往往难以满足准确性和实时性的要求。
因此，本文将探讨基于小波分析的通信信号检测方法，并对其进行改进，提高信号检测的准确性和可靠性。
一、小波分析在通信信号检测中的应用小波分析是一种在时间-频率域上进行信号分析的方法，具有突出时频特征的优势。
在通信领域，小波分析被广泛运用于信号检测、调制识别、参数估计等方面。
1.1 小波变换小波变换是小波分析的重要工具，通过将信号分解为尺度和位移不同的小波基函数，可以精确描述信号的时频特性。
相比于傅里叶变换，小波变换具有更好的局部性和时频分辨率。
因此，在通信信号检测中，小波变换被广泛应用于信号分解和特征提取。
1.2 小波包分析小波包分析是一种进一步拓展小波变换的方法，通过多层次的分解和重构，可以更加准确地分析信号的时频特征。
在通信信号检测中，小波包分析可以提取出信号的细节特征，实现对信号的高精度检测和识别。
二、基于小波分析的通信信号检测方法存在的问题虽然基于小波分析的通信信号检测方法具有较高的时频分辨率和准确性，但在实际应用中，仍然存在一些问题。
2.1 噪声干扰通信信号常常受到各种噪声干扰，如加性白噪声、多径效应等。
这些噪声干扰会导致信号的能量扩散和频谱混叠，从而影响信号的检测和识别性能。
2.2 实时性要求在很多通信场景下，实时性是信号检测方法必须满足的要求。
然而，传统的基于小波分析的信号检测方法往往需要大量的计算和存储资源，无法满足实时性的需求。
三、基于小波分析的通信信号检测方法改进为了提高基于小波分析的通信信号检测方法的准确性和可靠性，我们可以从以下几个方面进行改进。
3.1 噪声抑制针对噪声干扰的问题，我们可以引入小波阈值去噪技术。
通过对小波系数进行阈值处理，可以有效抑制噪声对信号的影响。
同时，为了进一步提高噪声抑制效果，可以采用多层次小波分析和自适应阈值选取方法。
基于支持向量机和小波包能量特征的气液两相流流型识别方法
(4)
2
支持向量机
支持向量机是统计学习理论中最年轻的内容，
0 )和 求解上述问题，得到最优解 α 0 = (α10 , ,α n
也是最实用的部分，其核心内容是在 1992 至 1995 年提出的[12]。SVM 是从线性可分情况下的最优分 类 面 发 展 而 来 的 。 设 给 定 训 练 集 为 {( x1 , y1 ),, ( xn , yn )} ，其中 xi ∈ R n ， yi ∈ {−1, 1} 。再假设该训 练集中的所有向量均可被一个超平面 ( w ⋅ x) + b = 0 线性划分，并且距超平面最近的异类向量之间的距 离（margin）最大，则该超平面为最优超平面。其 中 距 离超 平 面 最 近 的 异 类向量 被 称 为支持 向量 （Support Vector） 。 一组支持向量可以唯一地确定一 个超平面。 如图 1 所示， 黑点和白点代表两类样本， H 为最优超平面，H1、H2 分别为通过支持向量且平 行于分类面的直线，这时分类间隔为 2 / w 。寻找 分类间隔最大的最优分类面，实际上是对推广能力 的控制，是 SVM 的核心思想之一。
次规划问题，存在唯一的最优解，同时，最优解满 足 KT 条件，则原问题就转化为一个较为简单的二 次规划，如下式：
n 1 n max W (α ) = ∑ αi − ∑α iα j yi y j ( xi ⋅ x j ) 2 i, j i =1 n st ∑α i yi = 0,α i ≥ 0, i = 1, , n i =1
i, j
n
(7)
间隔=2/ w
Fig. 1
图 1 最优分类面 Optimal separating hyperplane
选择不同形式的核函数就可以生成不同的支持 向量机，常用的有以下几种： （1）线性核： K ( x, y ) = x ⋅ y ； （2）径向基核： K ( x , y ) = e− x − y
小波包分析和支持向量机在刀具故障诊断中的应用
地 解决 小样 本 、 线 性 和高维 模 式识 别 等实 际 问题 ， 非
比神经 网络 学 习方法 具有 较 强 的理论 依 据 和较好 的 泛 化能力 瞳 ， ］已被 成功 地 运用 于模 式 识别 。
诊 断都是 十 分有 用 的信息 。 目前 ， 国内外 大 都采 用快 速傅 里 叶变 换 （ ａｔＦ ｕ ｉ ａ ｓｏ ｍ， 称 Ｆ Ｔ） Ｆ ｓ ｏ ｒ ｒＴｒｎ ｆｒ 简 ｅ Ｆ 频 谱 分 析 选 取 某 些 特 征 频 率 的 幅值 来 进 行 监 测 诊
的任 意 信 号 划 归到 相 应 的 频 带 里［ ， 频带 信 号 包 １各 ］ 含 了原始 信 号 的详 细 信 息 ， 频 带 内信 号 的能 量 可 各 作 为 信 号 的特 征 量 。支 持 向 量 机 （ ｕ ｐ ｒ ｃｏ Ｓ ｐ ｏ ｔＶｅｔｒ
的 常 用 方 法 。 小 波 包 分 析 （ ｖ ｌ Ｐ ｃ ａ ｅ Ｗａ ｅｅ ａｋ ｇ ｔ Ａａ ａｙ ｉ， ｎ ｌｓ 简称 ＷＰ 是 在 多分 辨 率 分 析基 础 上 构 ｓ Ａ） 成 的一 种更 精 细 的正 交 分 解 方 法 ， 在 全 频 带对 信 它 号进 行 多层 次 的 频带 划 分 ， 将 包 括 正 弦 信号 在 内 并
本文 利用 声发 射 传感 器 采集 刀 具切 削状 态 的数 据， 用小 波包 分析 提取 特 征量 ， 用支 持 向量 机对 特 再
征量 进行 分类 。
个 频 带里 信 号 的能量 来 反映 机械 设 备 的状 态 Ｉ。因 ５ ］
１ 声 发 射 检 测 刀具 切 削 状 态 信 号
声发 射是 指结 构 中释 放 内部 储存 能 量所 引起 的
基于支持向量机的海洋平台结构损伤识别方法
文章编号：1001 -4500 (2020) 02-0053-08
ቤተ መጻሕፍቲ ባይዱ
中国海洋平台
CHINA OFFSHORE PLATFORM
Vol. 35 No. 2 Apr. , 2020
基于支持向量机的海洋平台结构损伤识别方法
关湃1,田育丰氛，庞洪林1,梁鹏1
(1.中海石油(中国)有限公司 天津分公司，天津300452； 2.天津大学 建筑工程学院，天津300072)
Key words: jacket platform； damage identification； wavelet packet transformation； Sup port Vector Machine (SVM)
基金项目：“十三五”国家科技重大专项——渤海油田高效开发示范工程(编号：2016ZX05058-004-002) 作者简介：关湃(1989-),男，硕士，工程师，主要从事船舶与海洋工程领域研究 *通信作者：田育丰(1986-),男，博士，工程师，主要从事船舶与海洋工程领域研究
1基于SVM算法的机器学习分类
1.1 SVM算法原理
SVM 是基于 VC 维(Vapnik - Chervonenkis Dimension)和结构风险最小化原理的机器学习算 法⑹，该算法以高度完善的数学框架为基石,形成了 一套丰富的理论体系。该算法对于小样本、非线性 及高维度的模式识别问题具有无可比拟的优越性。 因此，SVM被广泛应用于模式识别、故障诊断和回 归分析等领域⑺。
摘 要：基于支持向量机(Support Vector Machine,SVM)提出一种近海导管架平台结构损伤识别方法。
该方法利用小波包变换处理平台甲板上的加速度传感器信号得到小波包系数，从而实现特征提取，然后对小波
如何使用小波变换进行信号识别与分类
如何使用小波变换进行信号识别与分类引言：在现代科技发展的浪潮中，信号识别与分类是一个非常重要的研究领域。
而小波变换作为一种有效的信号处理方法，被广泛应用于信号识别与分类中。
本文将介绍小波变换的原理和应用，以及如何利用小波变换进行信号识别与分类。
一、小波变换的原理小波变换是一种时频分析方法，它可以将信号分解成不同频率的成分。
其原理是通过将信号与一组基函数进行卷积运算，得到信号在不同频率上的能量分布。
小波变换可以提供更丰富的频域信息，相比于傅里叶变换具有更好的时域局部性。
二、小波变换的应用1. 信号去噪小波变换在信号去噪方面有着广泛的应用。
通过将信号进行小波变换，可以将噪声和信号的成分分离开来，从而实现信号的去噪。
小波变换的局部性质使得它在去除非平稳噪声时具有较好的效果。
2. 信号压缩小波变换还可以用于信号的压缩。
通过将信号的高频成分舍弃，可以将信号的体积减小，从而实现信号的压缩。
这在数据传输和存储方面具有重要意义。
3. 信号特征提取小波变换可以将信号分解成不同频率的成分，因此可以提取信号的频域特征。
这对于信号的识别与分类非常有帮助。
通过提取信号的频域特征，可以得到更具有区分度的特征向量，从而提高信号的识别与分类准确率。
三、如何使用小波变换进行信号识别与分类1. 数据预处理在使用小波变换进行信号识别与分类之前，需要对数据进行预处理。
预处理的目的是去除噪声和不相关的成分，从而提高信号的质量。
常用的预处理方法包括均值滤波、中值滤波等。
2. 小波分解将预处理后的信号进行小波分解，得到信号的小波系数。
小波系数反映了信号在不同频率上的能量分布情况。
可以通过选择合适的小波函数和分解层数，得到具有较好特征的小波系数。
3. 特征提取从小波系数中提取特征向量，用于信号的识别与分类。
常用的特征提取方法包括能量特征、熵特征、频率特征等。
通过提取多个特征向量，可以得到更全面的特征描述。
4. 信号分类利用提取的特征向量进行信号的分类。
基于支持向量机的多类数字调制方式自动识别算法
基于支持向量机的多类数字调制方式自动识别算法
孙建成;张太镒;刘枫
【期刊名称】《西安交通大学学报》
【年(卷),期】2004(038)006
【摘要】为了解决软件无线电系统中多种调制方式之间切换的问题,提出了一种基于支持向量机的多类数字调制方式识别算法.该算法通过提取有效的特征向量以区分不同的调制方式,并基于支持向量机和判决树分类思想,将特征向量映射到高维空间中加以分类,解决了样本在低维空间中的非线性不可分问题,避免了判决门限的确定,与传统的神经网络方法相比,具有更好的泛化推广能力.仿真结果表明,在具有加性带限高斯噪声的环境下,信噪比大于等于10 dB时,识别正确率大于90%.
【总页数】4页(P619-622)
【作者】孙建成;张太镒;刘枫
【作者单位】西安交通大学电子与信息工程学院,710049,西安;西安交通大学电子与信息工程学院,710049,西安;西安交通大学电子与信息工程学院,710049,西安【正文语种】中文
【中图分类】TN914.5
【相关文献】
1.基于AR模型谱估计的调制方式自动识别算法 [J], 孙钢灿;王忠勇
2.基于支持向量机的红外成像自动目标识别算法 [J], 范彬;冯云松;杨丽;杨华
3.基于瞬时频率的数字调制方式自动识别算法 [J], 张志民;李纲;皇甫堪
4.模拟通信信号调制方式自动识别算法 [J], 张志民;欧建平;皇甫堪
5.基于支持向量机的图像飞机目标自动识别算法研究 [J], 马琦;马蔚鹏;刘彦;章思严
因版权原因，仅展示原文概要，查看原文内容请购买。
基于小波包和双谱的发动机异响模式识别
基于小波包和双谱的发动机异响模式识别
杨兴国
【期刊名称】《噪声与振动控制》
【年(卷),期】2018(38)6
【摘要】摩托车发动机异响识别通常采用人工听诊法,受环境因素和经验参差不齐的影响准确率较低,需要寻找一种科学、有效的模式识别法来提高异响类型识别的准确度.利用麦克风采集发动机近场声音信号,首先利用小波空域相关滤波法去除背景噪声;然后分别采用小波包变换和双谱估计提取发动机声信号特征向量,作为发动机异响模式识别支持向量机的输入向量;选取RBF核函数及参数建立分类模型并训练;最后用测试样本检验分类模型的准确率.通过分析发现,采用所提出的发动机异响特征提取方法进行模式识别,训练准确率为98％,测试准确率达到90％.
【总页数】5页(P146-149,177)
【作者】杨兴国
【作者单位】重庆工商职业学院智能制造与汽车学院,重庆401520
【正文语种】中文
【中图分类】TB535
【相关文献】
1.发动机异响信号的小波包能量特征提取 [J], 刘艳梅;程凯;鞠浩民;季有昌
2.汽车发动机异响诊断（一）：第一讲发动机异响的由来 [J], 张家玺
3.发动机异响专题：发动机异响产生的原因及其鉴别 [J], 喻敬极
4.基于小波包FBank图谱与CNN的车内异响识别研究 [J], 王若平;房宇;陈达亮;王东;李仁仁;曾发林
5.基于小波包FBank图谱与CNN的车内异响识别研究 [J], 王若平;房宇;陈达亮;王东;李仁仁;曾发林
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基 于 支 持 向量 机 的小 波 包 调 制 信 号识 别
董 庭 亮 ， 唐 向宏 ， 马 丹丹 ， 李双 霞
ＤＯＮＧ Ｔｉ ｎｇ ｌ ｉ ａ ｎ ｇ ， ＴＡＮＧ Ｘｉ ａ ｎｇ ｈｏ ｎｇ 一 ， Ｍ Ａ Ｄａ ｎｄ ａ ｎ ，ＬＩ Ｓｈ ｕａ ｎ ｇｘ ｉ ａ
摘 要： 基 于 小 波 包调 制信 号和 Ｏ Ｆ Ｄ Ｍ 信 号 在 分数 阶傅 里 叶 变换 域分 布 的 不 同， 利用 图像 成 形技 术对 接 收信 号 的分 数 阶 傅 里 叶 变换 域分 布 图进 行 处理 ， 探 讨 了小 波 包调制 信 号和 Ｏ Ｆ Ｄ Ｍ 信 号 的分数 阶域分 布 成形 图的特征 参数 ， 利用 支持 向 量 机 做分 类 器 ， 实现 了这 两种 多载 波调 制信 号 的分类 识别 计 算机 仿真 结果 ， 验 证 了算 法的性 能 。
Ｄ ＯＮＧ Ｔｉ ｎ ｇ ｌ ｉ ａ ｎ ｇ ，ＴＡＮ Ｇ Ｘｉ ａ ｎｇ ｈ ｏ ｎｇ ，Ｍ Ａ Ｄａ ｎｄ ａ ｎ ，ｅ ｔ ａ １ ．Ｉ ｄ ｅ ｎ ｔ ｉ ｉｃ ｆ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｗａ ｖ ｅ ｌ ｅ ｔ ｐａ ｃ ｋ ｅ ｔ ｍｏ ｄ ｕ ｌ ａ ｔ ｉ ｏ ｎ ｓ ｉ ｇ ｎａ ｌ ｂａ ｓ ｅ ｄ ｏ ｎ
ｈｅ ｔ ｆ ｏ ｒ ｍｅ ｄ ｐ ｉ ｃ ｔ ｕ ｒ ｅ ｏ ｆ ｆ ｒ ａ ｃ ｔ ｉ ｏ ｎ ａ ｌ Ｆ ｏ ｕ ｒ ｉ ｅ ｒ ｄ ｏ ｍａ ｉ ｎ ｄ ｉ ｓ ｔ ｒ ｉ ｂ ｕ ｔ ｉ ｏ ｎ ａ ｒ ｅ ｄ ｉ ｓ ｃ ｕ ｓ ｓ ｅ ｄ ． Ｉ ｎ ａ ｄ ｄ ｉ ｔ ｉ ｏ ｎ ， ｈｅ ｔ ｍｏ ｄ ｕ ｌ ａ ｔ ｉ ｏ ｎ ｉ ｄ ｅ ｎ ｔ ｉ ｉ ｆ ｃ ａ ｔ ｉ ｏ ｎ ｂ ｅ ｔ ｗｅ ｅ ｎ ＯＦ ＤＭ
ａ ｎ ｄ ＷＰ Ｍ ｉ ｓ ｓ ｔ ｕ ｄ ｉ ｅ ｄ ． Ｔｈ ｅ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｎ ｅ ｓ ｓ ｏ ｆ ｔ ｈ ｉ ｓ ｍｅ ｔ ｈ ｏ ｄ ｉ ｓ ｄ ｏ ｎ ｅ ｂ ｙ ｔ ｈ ｅ ｃ ｏ ｍｐ ｕ ｔ ｅ ｒ ｓ ｉ ｍｕ ｌ ａ ｔ ｉ ｏ ｎ ｓ ．
１ ． 杭 州 电子科 技 大学 通信工 程学 院 ， 杭州 ３ １ ０ ０ １ ８
ቤተ መጻሕፍቲ ባይዱ
２ ． 杭 州 电子科 技 大学 信 息工 程学 院 ， 杭州 ３ １ ０ ０ １ ８
１ ． Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｃｏ ｍｍｕ ｎ ｉ ｃ ａ ｔ ｉ ｏ ｎ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， Ｈａ ｎ ｇ ｚ ｈ ｏ ｕ Ｄｉ ａ ｎ ｚ ｉ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｈａ ｎ ｇ ｚ ｈ ｏ ｕ ３ １ ０ ０ １ ８ ， Ｃｈ ｉ ｎ ａ ２ ． Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆＩ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ． Ｈａ ｎ ｇ ｚ ｈ ｏ ｕ Ｄｉ ａ ｎ ｚ ｉ Ｕｎｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｈａ ｎ ｇ ｚ ｈ ｏ ｕ ３１ ０ ０ １ ８ ， Ｃｈ ｉ ｎ ａ
Ｓ ＶＭ ． Ｃｏ ｍｐ ｕ ｔ ｅ ｒ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ａ ｎ ｄ Ａｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ ， ２ ０ １ ３ ， ４ ９ （ １ ８ ） ： ２ ２ ３ — ２ ２ ６ ．
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｂａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ ｄ ｉ ｆｅ ｒ ｅ ｎ ｃ ｅ ｏ ｆ ｗａ ｖ ｅ ｌ ｅ ｔ ｐ ａ ｃ ｋ ｅ ｔ ｍｏ ｄ ｕ ｌ ａ ｔ ｉ ｏ ｎ ｓ ｉ ｇ ｎ ａ ｌ ａ ｎ ｄ ＯＦ ＤＭ ｓ ｉ ｎ ａ ｇ ｌ ｉ ｎ ｔ ｈ ｅ ｆ ｒ ａ ｃ ｔ ｉ ｏ ｎ ａ ｌ Ｆｏ ｕ ｒ ｉ ｅ ｒ ｄ ｏ ｍａ ｎ ｉ ｄ ｉ ｓ ｔ ｒ ｉ ｂ ｕ ｔ ｉ ｏ ｎ ， ｔ ｈ ｅ ｐ ｉ ｃ ｔ ｕ ｒ ｅ ｏ ｆ ｒ ｅ ｃ ｅ ｉ ｖ ｅ ｄ ｓ ｉ ｇ ｎ ａ ｌ ’ Ｓ ｆ ｒ ａ ｃ ｔ ｉ ｏ ｎ ａ ｌ Ｆ ｏ ｕ ｒ ｉ ｅ ｒ ｄ ｏ ｍａ ｉ ｎ ｄ ｉ ｓ ｔ ｒ ｉ ｂ ｕ ｔ ｉ ｏ ｎ ｉ ｓ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｅ ｄ ｂ ｙ ｔ ｈ ｅ ｉ ｍａ ｇ ｅ ｆ ｏ ｍ ｉ ｒ ｎ ｇ ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ． Ｉ ｎ ａ ｄ ｄ ｉ ｔ ｉ ｖ ｅ
Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ：ｗａ ｖ ｅ ｌ ｅ ｔ ｐａ ｃ ｋ ｅ ｔ ｍｏ ｄ ｕ ｌ ａ ｔ ｉ ｏ ｎ ； ｍｏ ｄ ｕ ｌ ａ ｔ ｉ ｏ ｎ ｉ ｄ ｅ ｎ ｔ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ； ｆ ｒ ａ ｃ ｔ ｉ ｏ ｎ ａ ｌ Ｆ ｏ ｕ ｒ ｉ ｅ ｒ ； ｉ ｍａ ｇ ｅ ｆ ｏ ｍ ｉ ｒ ｎ ｇ
Ｇａ ｕ ｓ ｓ ｉ ａ ｎ ｗｈ ｉ ｔ ｅ ｎ ｏ ｉ ｓ ｅ ｃ ｈ ａ ｎ ｎ ｅ ｌ ， Ｒａ ｙ ｌ ｅ ｉ ｇ ｈ ｆ ａ ｄ ｉ ｎ ｇ ｃ ｈ ａ ｎ ｎ ｅ ｌ ａ ｎ ｄ ｆ ｒ ｅ ｑ ｕ ｅ ｎ ｃ ｙ ｓ ｅ ｌ ｅ ｃ ｔ ｉ ｖ ｅ ｆ ａ ｄ ｉ ｎ ｇ ｃ ｈ ａ ｎ ｎ ｅ ｌ ， ｔ ｈ ｅ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ ｐ ａ ｒ ａ ｍｅ ｔ ｅ ｒ ｓ ｏ ｆ