CN101764784B - 多径信道下基于图像处理的正交幅度调制类内识别方法 - Google Patents

Abstract

本发明公开了一种多径信道下基于图像处理的正交幅度调制类内识别方法，主要解决现有技术在低信噪比下识别率低，需存储数据量大的不足，其实现过程是：首先对接收信号恢复到基带；然后对基带采样序列进行多模均衡；再将处理后的基带采样序列映射到复平面上并转化为一幅二进制图像；提取描述图像轮廓的特征量F₁和区分16QAM和64QAM信号的特征量F₂；将特征量F₁与设定的图像轮廓门限th₁相比识别出信号是否为32QAM信号，若不是32QAM信号，将特征量F₂与设定的峰值高度门限th₂相比，识别出信号为16QAM或64QAM信号。本发明在多径信道、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97％，可用于信号探测后，在解调信号之前所必需的调制方式识别。

Description

多径信道下基于图像处理的正交幅度调制类内识别方法

技术领域

本发明属于通信技术领域，涉及一种多径信道、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，应用在自动调制方式识别中。

背景技术

自动模式识别AMC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。它是介于信号探测和信号解调中间的步骤，在军用和民用中都扮演着重要角色。但是对于MQAM信号类内识别研究比较少，现有的研究大多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。

目前，实现AMC主要有两种方法，一种是决策论方法，另一种是模式识别方法。决策论方法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，甚至有时需要知道许多先验信息，所以这方法不宜使用。如Yucek和Arslan的方法便属于决策论范畴，参见T.Yucek and H.Arslan，″A novel sub-optimum maximum-likelihood modulationclassification algorithm for adaptive OFDM systems″，in Proc.IEEE Wireless Communicationsand Networking Conference，vol.2，Mar.2004，pp.739-744.他们构建了最大似然分类器来完成调制识别的任务，但是需要知道所有的信道参数。Paris等人面向了多径信道下的调制识别问题，首次将均衡技术引入调制识别，参见B.P.Paris，G.C.Orsak，H.Chen，and N.Warke，“Modulation classification in unknown dispersive environments”，in IEEE ASSP’97，1997，pp.1169.他们采用先均衡消除信道影响，后构建基于假设检验的分类器，同样也属决策论方法。但是这种方法只能对4QAM和8QAM进行识别。模式识别方法包括两个步聚，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、高阶矩或是基于小波变换的后续处理。如Lin Yang等人的文章，参见Lin Yang，Zhi Ji，XiaodongXu，Xuchu Dai and Peixia Xu，“Modulation Classification In Multipath FadingEnvironments”，ISWCS 2007 on 17-19 Oct.2007，pp.171-174.他们同样先采用了均衡技术消除多径信道的影响，不同于Paris的方法，Lin Yang之后提取了基于高阶累计量的特征量来进行分类，属模式识别范畴，但是该方法识别率比较低。

发明内容

本发明的目的是在于克服上述现有技术的不足，提出一种多径信道下基于图像处理的正交幅度调制类内识别方法，以提高在多径信道，低信噪比条件下对MQAM信号类内的识别率，实现无线通信传输的准确性与有效性。

MQAM信号类内识别领域在低信噪比、多径信道下识别率低的不足，提出一种先均衡，后采用基于数学形态学的图像分析的方法，

本发明的技术方案是：假设对接收的频带数据做理想载波恢复并得到了基带多径数据，将均衡后的基带数据星座图转化为二进制图像，并进行分析，实现步骤如下：

(1)设经过多径信道后的基带信号采样序列为：

$y\left(n\right)=\underset{k=0}{\overset{L-1}{\mathrm{\Σ}}}{h}_{k}x(n-n_k)+g\left(n\right),$

其中：k＝0，1，…，L-1为长度为L的多径信道的各径标号，h_k与n_k分别为第k条径的衰落系数和时延，g(n)是具有0均值和未知方差的加性高斯白噪声，x(n-n_k)是信源的基带信号采样序列x(n)延迟n_k个采样点所得的序列；

(2)对上述的接收采样序列y(n)进行功率归一化，之后再进行多模均衡，输出的采样序列为：

z(n)＝W(n)*y(n)，

其中符号*代表卷积，W(n)为W(n)的共轭，W(n)，n＝0，1，…，N-1为长度为N的均衡器抽头系数，抽头系数迭代公式为：

W(n+1)＝W(n)-με(n)y(n)

其中μ为迭代步长，ε(n)为误差信号ε(n)的共轭，

误差信号：ε(n)＝ε_R(n)+jε_I(n)，

ε_R(n)＝z_R(n)(|z_R(n)|²-R_R)，

ε_I(n)＝z_I(n)(|z_I(n)|²-R_I)，

其中，z_R(n)和z_I(n)分别为均衡后采样序列z(n)的实部和虚部，

$R_R=\frac{E\left\{{\left|x_R\left(n\right)\right|}^4\right\}}{E\left\{{\left|x_R\left(n\right)\right|}^2\right\}},$ $R_I=\frac{E\left\{{\left|x_I\left(n\right)\right|}^4\right\}}{E\left\{{\left|x_I\left(n\right)\right|}^2\right\}},$ 称为发散常量，

其中，x_R(n)和x_I(n)分别为信源基带信号采样序列x(n)的实部和虚部，在未知调制方式的情况下，取R_R＝R_I＝0.85；

(3)将复平面上的序列z(n)转化为一幅128×128像素的二进制图像；

(4)提取二进制图像中描述图像轮廓的特征量F₁，将该特征量F₁与设定的图像轮廓门限th₁进行比较，若F₁＞th₁，判为32QAM信号，若F₁＜th₁判为16QAM或是64QAM信号，并进入步骤(5)；

(5)提取二进制图像中区分16QAM和64QAM信号的特征量F₂，将该特征量F₂与设定的峰值高度门限th₂进行比较，若F₂＞th₂，判为16QAM信号，若F₂＜th₂判为64QAM信号。

本发明与现有技术相比具有的优点：

本发明由于在均衡后采用了二进制图像处理的方法，因而识别过程存储量小，计算简单；同时由于使用了新的描述图像轮廓的特征量F₁和区分16QAM和64QAM信号的特征量F₂，即使在低信噪比下32QAM和64QAM信号均衡所得眼图不清晰，依然能完成识别任务，提高了低信噪比下的识别率。仿真表明，在多径信道，5dB信噪比下，本发明所提出的多径信道下MQAM信号类内识别的方法可达到97％的识别率，高于现有的其它方法。

附图说明

图1是本发明的MQAM信号类内识别实现流程框图；

图2是本发明在10dB信噪比下将基带采样序列z(n)转化为灰度图像和二进制图像的示例图；

图3是本发明在10dB信噪比下16QAM，32QAM和64QAM信号以19×19的结构元素膨胀后的二进制图像；

图4是本发明在两种测试信道下区分出32QAM信号的图像轮廓特征量F₁随信噪比变化的实验仿真图；

图5是本发明在两种测试信道下区分16QAM和64QAM信号的特征量F₂随信噪比变化的实验仿真图；

图6是本发明在两种测试信道下基于100次蒙特卡罗实验的分类正确率随信噪比变化的仿真图。

具体实施方式

本发明的MQAM类内信号识别包括对16QAM、32QAM和64QAM信号的识别。

参见图1，本发明的具体实现步骤如下：

步骤1.对接收到的时域信号采样，并对该采样序列进行载波恢复，得到接收的基带信号采样序列为：

$y\left(n\right)=\underset{k=0}{\overset{L-1}{\mathrm{\Σ}}}{h}_{k}x(n-n_k)+g\left(n\right),$

其中：k＝0，1，…，L-1表示长度为L的多径信道的各径标号，h_k与n_k分别表示第k条径的衰落系数和时延，g(n)是具有0均值和未知方差的加性高斯白噪声，x(n-n_k)是信源的基带信号采样序列x(n)延迟n_k个采样点所得的序列。

步骤2.对接收的基带采样序列y(n)进行功率归一化，之后再进行多模均衡，输出均衡后的采样序列为：

z(n)＝W(n)*y(n)，

其中符号*代表卷积，W(n)，n＝0，1，…，N-1表示长度为N的均衡器抽头系数，W(n)为W(n)的共轭，抽头系数W(n)的迭代公式为：

W(n+1)＝W(n)-με(n)y(n)

其中μ为计算抽头系数的迭代步长，ε(n)为误差信号ε(n)的共轭，

误差信号：ε(n)＝ε_R(n)+jε_I(n)，

ε_R(n)＝z_R(n)(|z_R(n)|²-R_R)，

ε_I(n)＝z_I(n)(|z_I(n)|²-R_I)，

其中，z_R(n)和z_I(n)分别为均衡后采样序列z(n)的实部和虚部，

$R_R=\frac{E\left\{{\left|x_R\left(n\right)\right|}^4\right\}}{E\left\{{\left|x_R\left(n\right)\right|}^2\right\}},$ $R_I=\frac{E\left\{{\left|x_I\left(n\right)\right|}^4\right\}}{E\left\{{\left|x_I\left(n\right)\right|}^2\right\}},$ 称为发散常量，

其中，x_R(n)和x_I(n)分别为信源基带信号采样序列x(n)的实部和虚部。由于计算发散常量要使用到x(n)，实际上在未知调制方式的情况下，无法知道R_R和R_I的精确值，但是可以对其做估计。由于在均衡之前需要做功率归一化，因此需要计算功率归一化下无噪声和多径影响的16QAM、32QAM和64QAM的发散常量的理论值。通过理论计算可得，16QAM信号的发散常量为R_R＝R_I＝0.82，32QAM信号的发散常量为R_R＝R_I＝0.9035，64QAM信号的发散常量为R_R＝R_I＝0.8810，这三个值相距并不是很远，并且仿真表明，均衡中所使用的发散常量的轻微变动并不影响均衡结果，所以为了能同时完成三种信号的均衡任务，以R_R＝R_I＝0.85作为这里均衡器中的发散常量的估计值。

步骤3.将复平面上的序列z(n)转化为一幅128×128像素的二进制图像。

(3a)选定复平面上需要被转化为图像的一片区域：因为在均衡之前需要功率归一化，所以均衡后的基带序列采样点都会在实轴-1.5～1.5和虚轴-1.5～1.5所确定的方形区域范围内。即使有噪声造成的图像模糊，序列z(n)的采样点在图像上的位置也不会超出这个范围，如图2(a)，10dB信噪比下，复平面上采样点的位置不会超出划定的范围；

(3b)将选定的区域转化为一幅灰度图像：很明显，一幅图像上的像素是占据一定面积的，但是复平面上序列z(n)的采样点却是理想的无面积点。为解决如上问题，将(3a)中选取的实轴范围和虚轴范围分别分成128份，使整个区域被分成128×128个方格以代表转化后图像的128×128个像素，如果有一个序列z(n)的样点落入任何一个方格的范围内，则该方格的值加1，对序列z(n)的所有采样点进行如上操作，得到128×128个方格值，用这些方格值代表的灰度值与其所属像素的位置构成选定区域所对应的灰度图，如图2(b)所示；

(3c)将灰度图转化为二进制图：因为二进制图像计算简单，便于处理，所以将其转化为二进制图像是有必要的。若依方格值大于1则化为1，方格值为0则化为0的规则直接转化为二进制图像，在采样数据很多的情况下，由于噪声的影响，会造成图像上理论的汇聚中心周围有很多散布的像素值为1的像素，汇聚中心不易辨认，如图2(c)。为解决该问题，需要根据所有方格值，设定灰度门限th₃，这里将th₃设为所有方格值均值的2/3，用(3b)中得到的灰度图中的灰度值与灰度门限th₃进行比较，若任何一个灰度值大于th₃，则此灰度值记为1，若任何一个灰度值小于th₃，则此灰度值记为0。对所有灰度值进行如上处理，灰度图便转化为一幅像素值只为1或0的二进制图，如图2(d)是经过门限th₃处理后的二进制图像。

步骤4.提取二进制图像中描述图像轮廓的特征量F₁。

用19×19像素大小的方形结构元素对二进制图像进行膨胀，图3(a)、图3(b)和图3(c)分别是膨胀后的16QAM、32QAM、64QAM信号的图像，32QAM信号的二进制图像轮廓是8边形，而16QAM和64QAM信号二进制图像轮廓是正方形。提取二进制图像中像素值为1的区域的边界并画出矩形边框，矩形框内的矩形面积记为S₁，原二进制图像中像素值为1的区域的面积记为S₂，则描述图像轮廓的特征量 $F_1=\frac{S_1-S_2}{S_1}.$ 由于8边形是缺少4个角的方形，所以32QAM的F₁大于16QAM和64QAM信号的F₁。将该特征量F₁与通过仿真设定的图像轮廓门限th₁进行比较，若F₁＞th₁，判为32QAM信号，若F₁＜th₁判为16QAM或是64QAM信号，并进入步骤5。

步骤5.提取二进制图像中区分16QAM和64QAM信号的特征量F₂。

(5a)使用2×2的结构元素对步骤3中得到的二进制图像先腐蚀再膨胀；

(5b)将腐蚀膨胀处理后的二进制图像分别投影到横、纵轴上得到横轴投影曲线和纵轴投影曲线；

(5c)对横轴投影曲线依次进行长度为9和长度为3的滑动平均滤波器平滑，得到横轴平滑曲线V_R，之后用一条抛物线拟合V_R，将V_R与该抛物线之差的方差记为σ_R；

(5d)对纵轴投影曲线依次进行长度为9和长度为3的滑动平均滤波器平滑，得到纵轴平滑曲线V_C，之后用一条抛物线拟合V_C，将V_C与该抛物线之差的方差记为σ_C；

(5e)将σ_R和σ_C求和取平均，得到区分16QAM和64QAM的特征量 $F_2=\frac{{\mathrm{\σ}}_R+{\mathrm{\σ}}_C}{2};$

(5f)将特征量F₂与通过仿真设定的峰值高度门限th₂进行比较，若F₂＞th₂，判为16QAM信号，若F₂＜th₂判为64QAM信号。

本发明的效果可以通过以下仿真进一步说明：

仿真环境见表1，测试信道参数见表2。

表1：仿真环境

	数值
		信号类型	{16QAM，32QAM，64QAM}信源符号率：4M/s  采样频率：280MHz载波频率：70MHz
信道	多径信道+加性高斯白噪声信噪比：0dB，5dB，10dB，15dB，20dB，25dB
		均衡器	均衡器长度：55群衡器步长：0.00004

表2：测试信道参数

仿真内容及结果：

(1)仿真内容：

对描述图像轮廓的特征量F₁和区分16QAM和64QAM信号的特征量F₂在两种不同测试信道下随信噪比变化的情形进行了仿真，结果如图4和图5所示，其中图4(a)是在测试信道1下F₁随信噪比变化的情形，图4(b)是在测试信道2下F₁随信噪比变化的情形，图5(a)是在测试信道1下F₂随信噪比变化的情形，图5(b)是在测试信道2下F₂随信噪比变化的情形。

对本发明中MQAM类内信号的识别正确率在两种不同测试信道下随信噪比变化的情形进行了仿真，结果如图6所示，其中图6(a)是在测试信道1下识别正确率随信噪比变化的情形，图6(b)是在测试信道2下识别正确率随信噪比变化的情形，图6是综合图4和图5中的数据并计算识别正确率的结果。

(2)仿真结果：

从图4和图5可知，在两种不同的测试信道下，划定的门限值在5dB信噪比以上均能基本无误的区分开三种信号。

由图6可见，当信噪比大于或等于5dB时，在两种不同的测试信道下MQAM信号类内的识别率可达97％。

Claims (2)

1.一种多径信道下基于图像处理的正交幅度调制类型内识别方法，包括如下步骤：

(1)设经过多径信道后的基带信号采样序列为：

$y\left(n\right)=\underset{k=0}{\overset{L-1}{\mathrm{\Σ}}}{h}_{k}x(n-n_k)+g\left(n\right),$

其中：k＝0，1，…，L-1为长度为L的多径信道的各径标号，h_k与n_k分别为第k条径的衰落系数和时延，g(n)是具有0均值和未知方差的加性高斯白噪声，x(n-n_k)是信源的基带信号采样序列x(n)延迟n_k个采样点所得的序列；

(2)对上述的接收采样序列y(n)进行功率归一化，之后再进行多模均衡，输出的采样序列为：

$z\left(n\right)=\stackrel{\‾}{W}\left(n\right)*y\left(n\right),$

其中符号*代表卷积，

为W(n)的共轭，W(n)，n＝0，1，…，N-1为长度为N的均衡器抽头系数，抽头系数迭代公式为：

$W(n+1)=W\left(n\right)-\mathrm{\μ}\stackrel{\‾}{\mathrm{\ϵ}}\left(n\right)y\left(n\right)$

其中μ为迭代步长，

为误差信号ε(n)的共轭，

误差信号：ε(n)＝ε_R(n)+jε_I(n)，

ε_R(n)＝z_R(n)(|z_R(n)|²-R_R)，

ε_I(n)＝z_I(n)(|z_I(n)|²-R_I)，

其中，z_R(n)和z_I(n)分别为均衡后采样序列z(n)的实部和虚部，

$R_R=\frac{E\left\{{\left|x_R\left(n\right)\right|}^4\right\}}{E\left\{{\left|x_R\left(n\right)\right|}^2\right\}},$ $R_I=\frac{E\left\{{\left|x_I\left(n\right)\right|}^4\right\}}{E\left\{{\left|x_I\left(n\right)\right|}^2\right\}},$ 称为发散常量，

其中，x_R(n)和x_I(n)分别为信源基带信号采样序列x(n)的实部和虚部，在未知调制方式的情况下，取R_R＝R_I＝0.85；

(3)将复平面上的序列z(n)转化为一幅128×128像素的二进制图像；

(4)提取二进制图像中描述图像轮廓的特征量F₁，即用19×19像素大小的方形结构元素对二进制图像进行膨胀，提取该膨胀图中像素值为1的区域的边界并画出矩形边框，将该矩形框内的面积记为S₁，将原图中像素值为1的区域的面积记为S₂，则描述图像轮廓的特征量

再将该特征量F₁与设定的图像轮廓门限th₁进行比较，若F₁＞th₁，判为32QAM信号，若F₁＜th₁判为16QAM或是64QAM信号，并进入步骤(5)；

(5)提取二进制图像中区分16QAM和64QAM信号的特征量F₂：

(5a)用2×2的结构元素对二进制图像先腐蚀再膨胀；

(5b)将腐蚀膨胀处理后的二进制图像分别投影到横、纵轴上得到横轴投影曲线和纵轴投影曲线；

(5c)对横轴投影曲线依次进行长度为9和长度为3的滑动平均滤波器平滑，得到横轴平滑曲线V_R，之后用一条抛物线拟合V_R，将V_R与该抛物线之差的方差记为σ_R；

(5d)对纵轴投影曲线依次进行长度为9和长度为3的滑动平均滤波器平滑，得到纵轴平滑曲线V_C，之后用一条抛物线拟合V_C，将V_C与该抛物线之差的方差记为σ_C；

(5e)将σ_R和σ_C求和取平均，得到区分16QAM和64QAM的特征量 $F_2=\frac{{\mathrm{\σ}}_R+{\mathrm{\σ}}_C}{2};$

(6)将特征量F₂与设定的峰值高度门限th₂进行比较，若F₂＞th₂，判为16QAM信号，若F₂＜th₂判为64QAM信号。

2.根据权利要求书1所述的正交幅度调制类型内识别方法，其中步骤(3)所述的将复平面上的序列z(n)转化为一幅128×128像素的二进制图像，按如下步骤操作：

(2a)选定复平面上需要被转化为图像的一片区域，并将此区域划定为实轴为-1.5～1.5和虚轴为-1.5～1.5的方形区域范围；

(2b)将选取的实轴范围和虚轴范围分别分成128份，使整个区域被分成128×128个方格以代表转化后图像的128×128个像素，如果有一个序列z(n)的样点落入任何一个方格的范围内，则该方格的值加1，对序列z(n)的所有采样点进行如上操作，得到128×128个方格值，用这些方格值代表的灰度值与其所属像素的位置构成选定区域所对应的灰度图；

(3c)根据所有方格值，设定灰度门限th₃为所有方格值均值的2/3，用(2b)得到的灰度图中的灰度值与灰度门限th₃进行比较，若任何一个灰度值大于th₃，则此灰度值记为1，若任何一个灰度值小于th₃，则此灰度值记为0，对所有灰度值进行如上处理，使灰度图转化为一幅像素值只为1或0的二进制图。

Images