近日，中国科学院国家授时中心在eLoran解调算法研究方面取得重要突破，研究人员提出了一种基于多类支持向量机（MSVM）的解调算法，为机器学习算法在长波领域的应用奠定了基础。

传统解调方法基于时域信号采样点相位对比，抗干扰和噪声性能有限。该研究利用支持向量机原理，将多分类问题转化为多个二元分类问题，依样本置信分数分类，大幅提升解调精度与稳定性。（见图1）构建算法时深入研究核函数，发现线性核函数处理eLoran信号解调效果佳，能在高维空间高效分离样本且抑制噪声。特征向量构建聚焦信号脉冲组特定范围，提取关键特征，平衡精度与计算成本。

图1. MSVM算法流程图。其中包括了特征向量构建、核函数处理、支持向量机训练、MSVM模型搭建

以及置信分数分类解调等几个核心步骤。

实验结果表明，在不同噪声和干扰环境下，MSVM算法均展现出卓越性能。与传统EPD算法相比性能优势显著，尤其在高噪声和强干扰场景中（如SNR=-10dB），其解调准确率提升幅度高达12.5%以上。与随机森林（RF）、K近邻（KNN）等研究中团队设计的其他多种机器学习算法相比，MSVM算法在分类准确性和计算效率方面也具备明显优势（见图2、图3）。

图2. 无连续波干扰（CWI）时不同算法的DAR对比曲线图。

图3. 不同个数CWI时不同算法的DAR对比曲线图。子图（a）~（d）分别代表1~4个CWI干扰。

研究成果以《Research on eLoran Demodulation Algorithm Based on Multiclass Support Vector Machine》为题发表于期刊Remote Sensing，该成果不仅为eLoran系统接收机的设计开辟了全新的思路，而且为提升系统的高精度定时服务能力提供了强有力的技术支撑。