MATLAB 数字调制识别仿真系统

项目简介

项目使用 MATLAB 生成 ASK、FSK、BPSK、QPSK 和 16QAM 五类信号，在不同 SNR 下加入 AWGN，提取幅度、相位、频率变化和高阶累积量特征，并比较 RBF-SVM 与 KNN 的调制识别效果。

项目目标

• 建立统一的五类调制信号数据生成流程。
• 覆盖 -10:2:20 dB 的噪声条件。
• 形成训练集、测试集、特征表、准确率曲线和混淆矩阵。
• 用 SVM 作为主分类器、KNN 作为对照组。

使用技术

MATLAB 复数基带建模、AWGN、幅相频特征、高阶累积量、RBF-SVM、ECOC 多分类、KNN、混淆矩阵和 CSV/MAT 结果导出。

硬件环境

本项目是离线仿真，不依赖专用硬件。普通能够运行 MATLAB 和 Statistics and Machine Learning Toolbox 的电脑即可执行。

软件环境

• MATLAB。
• Statistics and Machine Learning Toolbox，用于 fitcecoc、templateSVM 和 fitcknn。
• 入口为 run_modulation_recognition.m，结果输出到 results/。

系统架构

脚本分为参数配置、信号生成、加噪、特征提取、数据集构建、模型训练、预测评估和结果导出八个阶段。训练集与测试集按调制类型和 SNR 生成，特征矩阵统一标准化后分别送入 SVM 与 KNN。

功能模块

• 五类调制信号生成和功率归一化。
• 复高斯噪声注入。
• 17 维幅度、相位、频率和累积量特征。
• SVM/KNN 训练、逐 SNR 准确率和 10 dB 混淆矩阵。
• 时域、频谱、星座、CSV、MAT 和论文材料输出。

实现步骤

1. 固定随机种子并定义 SNR、采样率和帧长度。
2. 为每类调制生成归一化复基带帧。
3. 依据目标 SNR 计算并加入复高斯噪声。
4. 提取 17 维特征并构造训练/测试集。
5. 训练 RBF-SVM 和 k=5 的 KNN。
6. 输出准确率、混淆矩阵、特征数据和模型文件。

关键代码

src/run_modulation_recognition.m：AWGN 注入

噪声功率由信号功率和目标 SNR 直接计算：

noisePower = signalPower / (10^(snrDb / 10));
noise = sqrt(noisePower / 2) * (randn(size(signal)) + 1j * randn(size(signal)));
noisy = signal + noise;

src/run_modulation_recognition.m：特征与分类器

信号先归一化，再计算相位差分与高阶累积量；训练阶段同时建立 SVM 和 KNN 作为对照：

z = signal(:);
z = z / sqrt(mean(abs(z).^2) + eps);
zCentered = z - mean(z);
phaseStep = wrapToPiLocal(diff(unwrap(angle(z))));

m20 = mean(zCentered.^2);
m40 = mean(zCentered.^4);
c40 = m40 - 3 * m20^2;

svmModel = fitcecoc(XTrain, YTrain, ...
    "Learners", templateSVM("KernelFunction", "rbf", "Standardize", true), ...
    "Coding", "onevsone");
svmPred = predict(svmModel, XTest);

调试过程

先检查每类信号的时域、频谱和星座，再核对特征是否出现 NaN 或量纲异常；随后分别观察低 SNR 与高 SNR 的混淆矩阵，确认模型提升来自信噪比变化而不是数据泄漏。

遇到的问题

• 五类调制的幅度尺度不同，会让分类器过度依赖能量。
• 低 SNR 下相位与频率差分特征波动明显。
• 多分类 SVM 不能直接使用单个二分类器完成。

解决方案

每帧按平均功率归一化；同时使用幅度统计、相位差分和高阶累积量形成互补特征；通过 fitcecoc 采用 one-vs-one 编码组织多个 RBF-SVM 学习器。

最终效果

仓库结果显示 SVM 在 4 dB 后准确率接近 100%，6 dB 后达到 100%；KNN 在高 SNR 下表现良好，但低 SNR 稳定性较弱。工程输出逐 SNR 准确率、五类星座、两种混淆矩阵、完整特征表和模型文件。

项目总结

该项目形成了可重复的通信信号机器学习实验链路，并清楚保留参数、数据、模型和图表。结果属于仿真数据上的识别性能，不等同于真实射频采集环境。

GitHub 仓库链接

访问 digital-modulation-recognition-matlab