论文部分内容阅读
提出了一种基于相关向量机的信号调制识别新方法。与支持向量机相比，相关向量机训练是在贝叶斯框架下进行的，不仅解更稀疏，核函数也不需要满足Mercer条件。本文首先从信号中提取盒维数和信息维数作为分类特征，然后设计了基于相关向量机的多类分类器。文中介绍了稀疏贝叶斯分类模型，将相关向量机学习转化为最大化边缘似然函数超参数估计问题；通过选用径向基核函数，采用一对一多类分类器分解方法，并利用交叉验证搜索法优化核函数参数，构造了稳健的多类相关向量机分类器。实验表明：当选择合适的核参数时，相关向量机与支持向量机分类精度