۰٫۱۳۶۸-

۴٫۱۹۸۳

۵

۶

۷

۱٫۱۰۲۴-

۰٫۱۱۲۴-

۰٫۸۹۷۵

۱

۲

۴

۱٫۶۲۲۲

۴٫۹۹۹۱-

۰٫۸۴۸۶

۱

۲

۰

۲

۲

۰

شکل ۳-۸ نمایشی از این ویژگی­های جدید را در تمامی SNR ها نشان می­دهد. مطابق این شکل، ویژگی­های استخراجی به مقدار زیادی، خصوصیات ویژگی ایده­آل را دارند. مطابق این شکل و مقادیر پارامترهای ویژگی جدید که در جدول ۳-۱۲ لیست شده است؛ این ویژگی­ها از سیگنال به نویزهای خیلی پایین تا سیگنال به نویز­های بالا، تقریبا ثابت هستند. این امر نشان می­دهد که در کانال AWGN انتخاب چنین ضرایبی برای هر مدولاسیون می ­تواند منجر به ویژگی کارا و مقاومی نسبت به شرایط کانال گردد.

شکل۳-۸- ویژگی جدید برای تمامی مدولاسیون­ها در SNR های متفاوت
چنانچه در قسمت نتایج شبیه سازی مورد بررسی قرار می­گیرد؛ بر اساس این ویژگی (نه ویژگی­های دیگر) طبقه ­بندی کننده SVM می ­تواند با کرنل خطی سیگنال­ها را شناسایی نماید. دستیابی به درصد تشخیص بالا در سیگنال به نویز پایین از این­رو امکان پذیر است؛ که شناساگر تنها این با این ویژگی­ها پردازش انجام می­دهد و این ویژگی­ها از نقطه نظر مباحث مربوط به پردازش سیگنال به اندازه کافی از یکدیگر مستقل هستند که با یک کرنل خطی بتوان آنها را از هم تفکیک نمود. شکل ۳-۹ نیز نمایشی از رسم میانگین ویژگی­های نگاشت شده با روش جدید را در بازه­ی بزرگ­تری از SNR نشان می­دهد. چنانچه مشاهده می­ شود سیگنال­ها به خوبی از هم تفکیک­پذیر هستند.

شکل۳-۹- ویژگی جدید برای تمامی مدولاسیون­ها در SNR هایی با بازه بیشتر
به منظور مقایسه­ این دو بازه از SNR، در جدول ۳-۱۳ میانگین مقادیر هر ویژگی در تمامی SNR­ها برای هر شبیه­سازی نشان داده شده است. مطابق این جدول ویژگی­ها در دو حالت تغییرات کمی دارند. در این جدول M، پارامتری برای بیان نوع مدولاسیون و S1 و S2 به ترتیب، نتیجه حاصل از میانگین مقادیر ویژگی در SNR های بازه­ی [-۳۰:۴۰] و SNR های بازه­ی [-۱۰:۲۶] است.
جدول ۳-۱۳- میانگین مقادیر ویژگی در بازه­های مختلفی از SNR