Otomatik Modülasyon Sınıflama (OMS), haberleşme sistemlerinde işaretin algılanması ile demodülasyon arasında yer alan bir süreçtir. OMS, alınan işarete ait hiç veya sınırlı bilgiye sahip olan bir alıcı için çok önemli bir süreçtir. OMS alınan örneklerden gönderilen işaretin modülasyon türünü belirlemek için kullanılmaktadır. Ayrıca yazılım tabanlı radyo, adaptif ve işbirliksiz haberleşme sistemleri gibi birçok uygulamada yer almaktadır. Fakat var olan tekniklerin birçoğu, modem standartlarında ve yüksek kapasiteli radyo sistemlerinde yaygın olarak kullanılan QAM işaretlerinin sınıflandırılmasında başarısız olduğu bildirilmektedir. Bu çalışmada, gönderilen toplanır beyaz Gauss gürültülü işaretlerin yüksek dereceden istatistik ve histogram kullanarak sınıflandırılması için EKK-DVM tabanlı bir QAM sınıflayıcı önerilmiştir. Burada önerilen yöntem, dört modülasyon türü (BPSK, QPSK, 16QAM ve 64QAM) için farklı işaret-gürültü oranı (SNR) ve örnek sayılarına göre analiz edilmiştir. Önerilen yöntem farklı SNR değerlerine karşı oldukça sağlamdır. Geliştirilen QAM sınıflayıcının bilinen logaritmik moment temelli OMS yöntemleriyle karşılaştırıldığı zaman yüksek başarıma sahip olduğu benzetim sonuçları ile görülmektedir. İşaret-gürültü oranı 4dB’den daha büyük olduğu zaman, önerilen sınıflayıcı %98 sınıflayıcı doğruluğundan daha fazlasına ulaşmaktadır.

Automatic Modulation Classification (AMC) is an intermediate step between signal detection and demodulation. It is a very important process for a receiver that has no, or limited knowledge of received signals. It is employed to automatically identify the modulation types of transmitted signals by observing the received data samples. AMC has found many applications such as software defined radio, adaptive and non-cooperative communications systems. However, the majority of existing techniques fail to classify QAM signals that have been widely used in modem standards and high capacity radio systems. In this paper, a QAM classifier based on LS-SVM has been proposed classify the transmitted signals in the presence of additive white Gaussian noise (AWGN) by taking high order statistics and histogram into account. The approach suggested here, four types of modulation (BPSK, QPSK, 16QAM and 64QAM), was analyzed in accordance with different signal-to-noise ratio and the number of samples. The proposed classifier is more robust to different signal-noise ratios (SNR). Simulation results have demostared that the developed QAM classifier has high identification accuracy when compared to conventional cumulant based AMC methods. When the signal-to-noise ratio is greater than 4 dB, the proposed classifier accuracy reaches to more than 98%.