CN101753515A - 多进制正交幅度调制的识别方法 - Google Patents

Abstract

本发明公开了一种多进制正交幅度调制的识别方法，主要解决现有识别MQAM类内信号调制方式计算量复杂，识别率低的问题。其实现过程是：先对接收的信号y(t)进行过采样得到采样序列y(n)，使连续信号变为离散信号；求出接收采样信号y(n)的二阶矩，四阶矩和六阶矩的值；利用该二阶矩，四阶矩和六阶矩的值算出组合矩

；取组合矩

的实部作为接收采样信号的特征向量m₂₃；计算各阶QAM特征向量理论值m′；通过各阶QAM特征向量理论值m′算出调制方式判决门限；根据接收采样信号的特征向量m₂₃和调制方式判决门限判决接收信号的调制方式。本发明在瑞利衰落信道、低信噪比环境下对MQAM类内信号的识别，识别率在5dB以上达到100％，高于现有的其它方法。

Description

多进制正交幅度调制的识别方法

技术领域

本发明属于通信技术领域，涉及一种瑞利衰落信道、低信噪比条件下对多进制正交幅度调制MQAM信号类内的识别方法，应在于自动模式识别AMC中。

背景技术

自动模式识别是指在衰落信道下，通过观察和分析对接收信号采样下来的数据，自动识别该信号调制类型的一种技术。AMC不管在军用或者民用上都显得越来越重要，例如在电子信息战、信号频谱监测管理和软件无线电中，需要在未知调制信息的前提下，判断通信信号的调制方式，并估计相应的调制参数，才能进行解调。目前，对于MQAM信号类内识别研究比较少，现有的研究集中在理想高斯信道环境条件下，并且在低信噪比条件下识别率不高，不能满足实际应用的需要。

实现AMC主要有两种方法，一种是决策论，另一种是模式识别。决策论相当于把调制识别看作一个多假设问题，根据接收到的采样数据，建立合适的似然函数，求出使该似然函数最大的假设调制类型，就是接收到的调制类型。但是这种方法很难根据采样数据得到理想的似然函数，存在很大的误差，而且计算复杂度特别大，所以这方法不宜使用。模式识别包括两个步骤：第一步是根据接收到的采样数据，提取出合适的特征向量，第二步是根据所得到的特征向量，决定接收信号的调制类型。目前，大量的文章提取的特征向量都是基于高阶累积量，或者高阶矩的。

Reichert.J，Swami，Spooner，和Dobre等人提出的基于高阶累积量的模式识别方法，应用在高斯白噪声，低信噪比信道下，区分MQAM类内信号时，识别率不高。BinWang在文章中，“Algorithm for Blind Identification of OFDM Signal Based onHigher Oder Moments”，Journal of Data Acquisition & Processing，Vol.21，No.1，Mar2006，pp37-41中考虑到在实际的无线信道下，不仅仅是存在高斯白噪声，而且由于信道条件是随时在变化的，普遍存在瑞利效应和低信噪比的环境，因此提出了在瑞利衰落信道下，用基于高阶矩的方法，提取特征向量，但是这种方法有两方面不足，一是它的前提是要先通过联合矩估出信噪比，这样会增加运算复杂度，二是只应用在区分多载波调制和单载波调制时，识别率在0dB时才基本可以达到100％，应用在区分MQAM类内信号时，识别率不高。

发明内容

本发明的目的在于克服现有的MQAM类内信号识别领域在低信噪比、瑞利信道下识别率低，计算复杂的不足，提出一种多进制正交幅度调制的识别方法，由二阶矩，四阶矩，六阶矩组合成新的特征向量，来区分MQAM类内信号的方法，以实现在瑞利信道，低信噪比条件下对MQAM类内信号的识别，提高无线通信传输的准确性与有效性。为实现上述目的，本发明的技术方案包括如下步骤：

(1)设定通过瑞利衰落信道后所接收到的MQAM信号为：

其中：a(t)和

均为信道的影响因子，a(t)服从瑞利分布，

服从0到2π间均匀分布，f_d是多普勒因子，w(t)是均值为零，方差为σ_g ²的复高斯白噪声，s(t)为发送信号；

(2)对接收信号y(t)进行过采样，得到接收采样信号序列y(n)：

其中a(n)，

w(n)和s(n)分别为a(t)，

w(t)和s(t)的采样序列；

(3)分别算出接收采样序列y(n)的二阶矩M_2，1(y)，四阶矩M_4，2(y)和六阶矩M_6，3(y)；

(4)根据M_2，1(y)，M_4，2(y)和M_6，3(y)阶矩，通过下式求出接收采样序列的组合矩m₂₃：

$\stackrel{\‾}{m_{23}}=\frac{\sqrt[\frac{2}{3}]{M_{\mathrm{6,3}}\left(y\right)-9M_{\mathrm{4,2}}\left(y\right)M_{\mathrm{2,1}}\left(y\right)+12{M^3}_{\mathrm{2,1}}\left(y\right)}}{M_{\mathrm{4,2}}\left(y\right)-2{M^2}_{\mathrm{2,1}}\left(y\right)};$

(5)取组合矩m₂₃的实部，作为接收采样序列的特征向量m₂₃＝Re[m₂₃]，其中Re[·]表示求·实部；

(6)根据m₂₃的理论值 $m^{\′}=\mathrm{Re}\left[\frac{\sqrt[\frac{2}{3}]{m_{30}-{9m}_{20}+12}}{m_{20}-2}\right]$ 分别算出16QAM，32QAM和64QAM信号的特征向量的理论值m′_16QAM，m′_32QAM和m′_64QAM，其中m₂₀＝2×k₂₀，m₃₀＝6×k₃₀，k₂₀和k₃₀分别为不同调制信号平均功率率归一化下的四阶矩和六阶矩的理论值；

(7)根据16QAM和64QAM的特征向量理论值m′_16QAM和m′_64QAM算出16QAM和64QAM调制方式的判决门限 ${\mathrm{th}}_1=\frac{m_{16\mathrm{QAM}}^{\′}+m_{64\mathrm{QAM}}^{\′}}{2},$ 根据16QAM和32QAM的特征向量理论值m′_16QAM和m′_32QAM算出16QAM和32QAM调制方式的判决门限 ${\mathrm{th}}_2=\frac{m_{16\mathrm{QAM}}^{\′}+m_{32\mathrm{QAM}}^{\′}}{2};$

(8)根据接收采样序列的特征向量m₂₃和MQAM信号调制方式的判决门限对MQAM信号调制方式进行判决：

本发明与现有技术相比具有的优点：

本发明是一种多进制正交幅度调制的识别方法，在BinWang提出的方法上，通过求出接收采样序列的组合矩，取组合矩的实部作为接收信号的特征向量，来识别MQAM类内的信号，省去了BinWang的通过联合矩估计信噪比这一步，减少了运算量，提高了识别的精确度。本发明不但适用于高斯白噪声信道，也适用于瑞利衰落信道。仿真表明，在瑞利衰落信道，5dB信噪比下，对区分MQAM类内信号的识别可达到100％的识别率，高于现有的其它方法。

附图说明

图1是本发明多进制正交幅度调制的识别实现流程示意图；

图2是本发明进行100次蒙特卡罗实验后的仿真图。

具体实施方式

参见图1，本发明多进制正交幅度调制的识别实现步骤如下：

步骤1，设定通过瑞利衰落信道后，接收到的MQAM信号模型为：

其中：a(t)和

均为信道的影响因子，a(t)服从瑞利分布，

服从0到2π间均匀分布，f_d是多普勒因子，w(t)是均值为零，方差为σ_g ²的复高斯白噪声，而s(t)为发送信号：

$s\left(t\right)=N_p\underset{k}{\mathrm{\Σ}}{c}_k{e}^{j2\mathrm{\π}{f}_{c}t}g(t-{\mathrm{kT}}_s)$

其中，N_p为接收信号的平均功率，c_k为接收信号的等效基带符号序列，T_s为符号周期，f_c为载波频率，g(t-kT_s)为成形脉冲信号g(t)经过kT_s延时后的成形脉冲信号。

步骤2，对接收信号y(t)进行过采样，得到接收采样信号序列y(n)：

其中a(n)，

w(n)和s(n)分别为a(t)，

w(t)和s(t)的采样序列，

步骤3，分别算出接收采样序列y(n)的二阶矩M_2，1(y)，四阶矩M_4，2(y)和六阶矩M_6，3(y)：

M_2，1(y)＝E(|y(n)|²)＝S+N

M_4，2(y)＝E(|y(n)|⁴)＝m₂₀S²+4NS+2N²

M_6，3(y)＝E(|y(n)|⁶)＝m₃₀S³+9m₂₀S²N+18N²+6N³

其中，S＝E(|u(n)|²)，N＝E(|w(n)|²)，y表示接收采样序列y(n)，

由于信道的影响因子a(n)服从瑞利分布，可令a(n)＝r_s(n)+jr_c(n)，r_s(n)和r_c(n)为统计独立的高斯随机分布，均值为零，方差为σ²，根据公式 $E\left({\left|a\left(n\right)\right|}^k\right)={\left({2\mathrm{\σ}}^2\right)}^{\frac{k}{2}}\mathrm{\Γ}\left(\frac{1}{2}(2+k)\right),(k\≥0),$ 有M₂₁(a)＝E|a(n)²|＝2σ²，M₄₂(a)＝E|a(n)⁴|＝8σ⁴，M₆₃(a)＝E|a(n)⁶|＝48σ⁸，所以

m₂₀＝M_4，2(u)/M² _2，1(u)＝M_4，2(a)/M² _2，1(a)×M_4，2(s)/M² _2，1(s)＝2×k₂₀

m₃₀＝M_6，3(u)/M³ _2，1(u)＝M_6，3(a)/M³ _2，1(a)×M_6，3(s)/M³ _2，1(s)＝6×k₃₀

其中，a表示信道的影响因子a(n)，s表示发送信号s(n)，k₂₀＝M_4，2(s)/M² _2,1(s)，k₃₀＝M_6，3(s)/M³ _2，1(s)，k₂₀和k₃₀对应的各阶QAM理论值如表1所示。

步骤4，根据M_2，1(y)，M_4，2(y)和M_6，3(y)阶矩，求出接收采样序列的组合矩m₂₃：

将采样序列y(n)的二阶矩M_2，1(y)＝S+N，变形为N＝M_2，1(y)-S，并将其分别代进M_4，2(y)＝m₂₀S²+4NS+2N²和M_6，3(y)＝m₃₀S³+9m₂₀S²N+18N²+6N³后整理可得， $S^2=\frac{M_{\mathrm{4,2}}\left(y\right)-{{2M}^2}_{\mathrm{2,1}}\left(y\right)}{m_{20}-2},$ ${m^3}_{30}-{{9m}^2}_{20}+12=\frac{M_{\mathrm{6,3}}\left(y\right)-{9M}_{\mathrm{4,2}}\left(y\right)M_{\mathrm{2,1}}\left(y\right)+{{12M}^3}_{\mathrm{2,1}}\left(y\right)}{S^3},$ 然后将 $S^2=\frac{M_{\mathrm{4,2}}\left(y\right)-{{2M}^2}_{\mathrm{2,1}}\left(y\right)}{m_{20}-2}$ 代进 ${m^3}_{30}-{{9m}^2}_{20}+12=\frac{M_{\mathrm{6,3}}\left(y\right)-{9M}_{\mathrm{4,2}}\left(y\right)M_{\mathrm{2,1}}\left(y\right)+{{12M}^3}_{\mathrm{2,1}}\left(y\right)}{S^3}$ 整理后有 $\frac{\sqrt[\frac{2}{3}]{m_{30}-{9m}_{20}+12}}{m_{20}-2}=\frac{\sqrt[\frac{2}{3}]{M_{\mathrm{6,3}}\left(y\right)-{9M}_{\mathrm{4,2}}\left(y\right)M_{\mathrm{2,1}}\left(y\right)+{{12M}^3}_{\mathrm{2,1}}\left(y\right)}}{M_{\mathrm{4,2}}\left(y\right)-{{2M}^2}_{\mathrm{2,1}}\left(y\right)},$ 取等式的右边作为接收采样序列的组合矩 $\stackrel{\‾}{m_{23}}=\frac{\sqrt[\frac{2}{3}]{M_{\mathrm{6,3}}\left(y\right)-{9M}_{4,2}\left(y\right)M_{\mathrm{2,1}}\left(y\right)+{{12M}^3}_{\mathrm{2,1}}\left(y\right)}}{M_{\mathrm{4,2}}\left(y\right)-{{2M}^2}_{\mathrm{2,1}}\left(y\right)}.$

步骤5，取组合矩m₂₃的实部，作为接收采样序列的特征向量m₂₃＝Re[m₂₃]，其中Re[·]表示求·实部。

步骤6，通过m₂₃的理论值 $m^{\′}=\mathrm{Re}\left[\frac{\sqrt[\frac{2}{3}]{m_{30}-{9m}_{20}+12}}{m_{20}-2}\right]$ 分别算出16QAM，32QAM和64QAM信号的特征向量的理论值m′_16QAM，m′_32QAM和m′_64QAM，其各阶QAM的m′理论值如表1所示。

表1  各阶QAM的k₂₀，k₃₀和m′理论值

	k20	k30	m′
				16QAM	1.3200	1.9600	0
32QAM	1.3100	1.9000	-0.2571
				64QAM	1.3810	2.2258	0.8232

步骤7，根据16QAM和64QAM的特征向量理论值m′_16QAM和m′_64QAM算出16QAM和64QAM调制方式的判决门限 ${\mathrm{th}}_1=\frac{m_{16\mathrm{QAM}}^{\′}+m_{64\mathrm{QAM}}^{\′}}{2}=0.4116,$ 根据16QAM和32QAM的特征向量理论值m′_16QAM和m′_32QAM算出16QAM和32QAM调制方式的判决门限 ${\mathrm{th}}_2=\frac{m_{16\mathrm{QAM}}^{\′}+m_{32\mathrm{QAM}}^{\′}}{2}=-0.1286.$

步骤8，根据接收采样序列的特征向量m₂₃和MQAM信号调制方式的判决门限对MQAM信号调制方式进行判决：如果m₂₃＞th₁，则判断发送信号的调制方式是64QAM，如果th₁＞m₂₃＞th₂，则判断发送信号的调制方式是16QAM，如果m₂₃＜th₂，则判断发送信号的调制方式是32QAM。

本发明的效果可以通过仿真进一步说明：

仿真环境，见表2

表2：仿真环境

	数值
		信号类型	{16QAM，32QAM，64QAM}符号率：2k/s  采样频率：20kHz载波频率：6kHz  多普勒频移：10Hz
信道	瑞利衰落信道+附加高斯白噪声信噪比：0dB，5dB，10dB，15dB，20dB，25dB

仿真结果：

基于表2设置的仿真参数进行仿真的结果如图2，图2中给出了在瑞利衰落信道，不同的信噪比下，做100次蒙特卡罗实验后，得到接收采样信号特征向量m₂₃的统计结果。由图2可知，16QAM信号的m₂₃曲线围绕在0附近，有微小的波动；32QAM信号的m₂₃曲线围绕在-0.2571附近，有微小的波动；64QAM信号的m₂₃曲线围绕在0.8232附近，有微小的波动。再根据调制方式的判决门限th₁和th₂，算得当信噪比大于或者等于5dB时，MQAM信号类内的识别率可达100％。

Claims (4)

1.一种多进制正交幅度调制的识别方法，包括如下过程：

(1)设定通过瑞利衰落信道后所接收到的MQAM信号为：

其中：a(t)和

均为信道的影响因子，a(t)服从瑞利分布，服从0到2π间均匀分布，f_d是多普勒因子，w(t)是均值为零，方差为σ_g ²的复高斯白噪声，s(t)为发送信号；

(2)对接收信号y(t)进行过采样，得到接收采样信号序列y(n)：

其中a(n)，w(n)和s(n)分别为a(t)，

w(t)和s(t)的采样序列；

(3)分别算出接收采样序列y(n)的二阶矩M_2，1(y)，四阶矩M_4，2(y)和六阶矩M_6，3(y)；

(4)根据M_2，1(y)，M_4，2(y)和M_6，3(y)阶矩，通过下式求出接收采样序列的组合矩m₂₃：

$\stackrel{\‾}{m_{23}}=\frac{\sqrt[\frac{2}{3}]{M_{\mathrm{6,3}}\left(y\right)-9M_{\mathrm{4,2}}\left(y\right)M_{\mathrm{2,1}}\left(y\right)+12{M^3}_{\mathrm{2,1}}\left(y\right)}}{M_{\mathrm{4,2}}\left(y\right)-2{M^2}_{\mathrm{2,1}}\left(y\right)};$

(5)取组合矩m₂₃的实部，作为接收采样序列的特征向量m₂₃＝Re[m₂₃]，其中Re[·]表示求·实部；

(6)根据m₂₃的理论值 $m^{\′}=\mathrm{Re}\left[\frac{\sqrt[\frac{2}{3}]{m_{30}-9m_{20}+12}}{m_{20}-2}\right]$ 分别算出16QAM，32QAM和64QAM信号的特征向量的理论值m′_16QAM，m′_32QAM和m′_64QAM，其中m₂₀＝2×k₂₀，m₃₀＝6×k₃₀，k₂₀和k₃₀分别为不同调制信号平均功率率归一化下的四阶矩和六阶矩的理论值；

(7)根据16QAM和64QAM的特征向量理论值m′_16QAM和m′_64QAM算出16QAM和64QAM调制方式的判决门限 ${\mathrm{th}}_1=\frac{{m^{\′}}_{16\mathrm{QAM}}+{m^{\′}}_{64\mathrm{QAM}}}{2},$ 根据16QAM和32QAM的特征向量理论值m′_16QAM和m′_32QAM算出16QAM和32QAM调制方式的判决门限 ${\mathrm{th}}_2=\frac{{m^{\′}}_{16\mathrm{QAM}}+{m^{\′}}_{32\mathrm{QAM}}}{2};$

(8)根据接收采样序列的特征向量m₂₃和MQAM信号调制方式的判决门限对MQAM信号调制方式进行判决：

2.根据权利要求书1所述的多进制正交幅度调制的识别方法，其中所述的二阶矩M_2，1(y)，通过公式M_2，1(y)＝E(y×y^*)＝E(|y|²)计算获得，y表示接收采样序列y(n)，E(·)表示求·期望，y^*表示求y的共轭。

3.根据权利要求书1所述的多进制正交幅度调制的识别方法，其中所述的四阶矩M_4，2(y)，通过公式M_4，2(y)＝E(y²×(y^*)²)＝E(|y|⁴)计算获得。

4.根据权利要求书1所述的多进制正交幅度调制的识别方法，其中所述的六阶矩M_6，3(y)，通过公式M_6，3(y)＝E(y³×(y^*)³)＝E(|y|⁶)计算获得。

Images