1、“.....是在中采样点数在瞬时时间，表示非弱部分点。这个特征可以区分没有频率信息调制方案与调制方案以及和调制方案。截取信号段归化中心瞬时幅度功率谱密度最大值。它被定义为种新自动调制识别方法这个特征可以表达信号包络特征并且被添加用来区分进行幅度调制调制方案与不进行幅度调制调制方案。例如比值更高因为前者有和振幅值而后者有和振幅值，对于调频信号，例如，由于不存在调幅信息，因此这个参数值非常小。非弱信号段标准中心化瞬时频率直接值标准差。被用来区分和信号。高阶矩和高阶累积量概率分布时刻是期望值概念泛化，个随机变量第阶矩通用表达式在这里表述如下其中，是随机变量平均值......”。

2、“.....在本研究中信号被假定为期望值为，因此接下来，随机变量自动矩可以被定义为这里被称作矩序，代表复共轭。假设个以形式呈现零均值离散基带信号序列。使用自动矩定义，不同阶表达式可以轻问题双数由以下公式得出为了找到最优分类超平面，必须在限制下使最大化。当时候拉格朗日乘子是唯非零。在式中等式所涉及那些训练点叫做支持向量，它们满足。最优偏置通过下面式子给出对于任何支持向量来说，最优决策函数通过下面式子给出在这里是最优拉格朗日乘子。对于有很大噪声输入信号来说，使用平稳边缘可以引进非负多余变量来表示出来。为了得到，根据式应该使最小。在这里是罚参种新自动调制识别方法数......”。

3、“.....使用内核函数,非线性地绘制训练点到高维特征空间，线性分离是可能。内核函数如下线性,高斯基本函数,多项式,形,图提出分类器结构和η是内核函数参数。在个内核函数已经选定后，问题会变成,通过下式得到在训练后，如下式描述函数变成,支持向量机性能可以通过和内核参数来控制，它们被称作超参数。这些参数影响支持向量数目与最大化效益。。基于多类分类器有两种常用方式来将二元扩展为多类问题。其中个叫做对多方种新自动调制识别方法法。假设我们有个类模式识别问题，个独立支持向量机被构建出来......”。

4、“.....当在支持向量机训练完成之后对系统进行测试时，个样本被输入到所有支持向量机中。假设这个样本属于类理想地只有被训练用来分离支持向量机能够有正响应。另种方法叫做对方法。对于个类问题,个支持向量机被构建出来并且它们中每个被训练用来将样本中类与其他类分开。同样地，对个测试样本最终分类是基于这些支持向量机投票结果。在本文中我们使用了对多方法。在本文中我们假定了个简单有效。它有个层次结构。接收到得信号被馈送到第个。决定接收到信号属于哪个群组。这个过程会以同样方式继续，直到这个信号类型被最后个所识别。图显示了层次方案。这种结构个优点是数量少于和情况。如前所述基于多类分类器性能可以通过超参数来控制。在本文中我们采用了种优化算法，即算法，用来选择这些参数最优值。下节将会介绍该最优方法......”。

5、“..... 本文研究种用于数字调制的准确的系统的设计。 首先，它引入了个高效的模式识别系容如下。第二部分介绍了特征提取。第三部分描述了分类器。第四部分解释了识别器优化。第五部分展示了些仿真结果。最后，第六部分对全文进行了总结。特征提取主要有四种类型数字调制方式和。这些不同调制方式有不同特征。因此寻找识别它们所需特征是个关键问题。在本文中考虑到无线电信号包括,和。为了简化它们标识，这些信号分别用取代表示。基于大量实验和研究，高达八阶高阶矩和高达八阶高阶累积量和谱特征均衡结合被考虑作为突出特征。这些特征可被用来定义信号概率密度函数特征。在决定在系统中这些量在表征信号特征中有用性大小方面，高阶矩和高阶累积量表现是重要因素。对接收到信号唯影响仅仅是平均值变化。方差和高阶矩或累积量不受影响......”。

6、“.....由于多径或其他扭曲出处中文字种新自动调制识别方法摘要数字信号自动调制识别在各种各样应用中起着重要作用。本文研究种用于数字调制准确系统设计。首先，它引入了个高效模式识别系统，其包括两个主要模块特征提取模块和分类模块。特征提取模块提取种合适组合，即高达八阶瞬时量高达八阶高阶累积量以及数字调制瞬时特性。这些特征组合是第次被运用在这领域中。在分类器模块,两类重要被控制分类器，基于分类器神经网络以及多层多级支持向量机器被研究。通过实验性研究，我们为既定调制识别选择了最合适分类器。然后，我们提出了个混合启发式识别系统，在这个系统中个优化模块被添加上用来改善分类器通常表现。在这个模块中，我们提出了个叫做蜜蜂算法新优化算法。该模块通过寻找适合其判别函数参数最佳值来优化分类器设计。仿真结果表明，所提出混合智能技术有很高识别精度......”。

7、“.....引言自动调制识别是种识别在接收机处接收到信号类型技术。它在军事和民用领域都发挥着重要作用。例如，在军事应用中，它可用于电子监视，干扰识别和干扰监控。广泛民用应用包括频谱管理，网络流量管理，信号确认，软件无线电，智能解调器，认知无线电等。由于在例如软件无线电这样新技术中对数字信号使用不断增长，近期研究直集中在识别这些信号类型方面。般地，数字信号识别方法归为两大类决策理论方法和模式识别方法。决策理论方法使用概率论和假设检验来表示出识别问题。决策理论方法主要缺点是其计算复杂性过高，缺乏模式不匹配鲁棒性以及需要设置正确阈值仔细分析。模式识别方法，不管怎样，不需要这样复杂处理，它们很容易实现。模式识别方法可以被更进步地分为两个主要子系统特征提取子系统和分类器子系统。前者提取特征例如直方图，光谱特性，瞬时特性......”。

8、“.....对称性等，并且后者决定信号组成例如，神经网络，近邻，模糊逻辑分类器等。从现有出版物来看，这件事看起来很明显，即在设计个用来自动识别数字信号类型调制系统时，这里存在些重要问题，它们如果得到适当处理，会促种新自动调制识别方法进更好鲁棒性以及更有效识别器发展。其中个问题涉及到将要采纳分类方法选择。以往文献显示，没有考虑其巨大潜力，不同监督分类应用没有得到它们在调制分类中应有关注。因此，在本文中我们研究了多层感应神经网络以及支持向量机性能。在本文中，我们已经在所提出分层分类器中使用了支持向量机。选择正确特征集是依然存在另个问题。在本文中，组合适瞬时特征，高达八阶高阶矩以及高达八阶高阶累积量作为有效特征被提出。回到数字信号识别系统中来......”。

9、“.....本文中解决另外个问题是优化问题。在这个模型中我们使用了种新叫做蜜蜂算法优化算法。通过使用优化器，分类器最适合参数与最优特征子集被选择出来。论文其他部分内容如下。第二部分介绍了特征提取。第三部分描述了分类器。第四部分解释了识别器优化。第五部分展示了些仿真结果。最后，第六部分对全文进行了总结。特征提取主要有四种类型数字调制方式和。这些不同调制方式有不同特征。因此寻找识别它们所需特征是个关键问题。在本文中考虑到无线电信号包括,和。为了简化它们标识，这些信号分别用取代表示。基于大量实验和研究，高达八阶高阶矩和高达八阶高阶累积量和谱特征均衡结合被考虑作为突出特征。这些特征可被用来定义信号概率密度函数特征。在决定在系统中这些量在表征信号特征中有用性大小方面，高阶矩和高阶累积量表现是重要因素......”。