CN101764786B - 基于聚类算法的mqam信号识别方法 - Google Patents

Abstract

本发明公开了一种基于聚类算法的MQAM信号识别方法，主要解决由多聚类半径引起的调制识别系统复杂，运算量大，识别率低的方法。其实施步骤为：首先采用了循环逼近的思想对接收信号的实际载波频率进行无限逼近估计，使得能消除载波频率对聚类识别的影响；再通过小波消噪，均衡技术处理减小噪声，多经对聚类识别的影响；最后根据星座图的对称性，取基带信号的同向分量和正交分量为一个聚类特征集，增加聚类中心点的聚类密度，由一种聚类半径对聚类特征集进行聚类根据聚类中心点数识别出信号集中信号。仿真结果表明，本发明具有减小运算量，简化识别系统，提高识别率的优点，可用于识别4QAM、16QAM、32QAM和64QAM信号。

Description

基于聚类算法的MQAM信号识别方法

■技术领域

本发明属于通信技术领域，具体涉及正交振幅调制信号MQAM的识别方法，用于对频带信号下变频时的载波估计以及在多径信道、低信噪比条件下对多进制，4QAM，16QAM，32QAM，64QAM信号星座图的盲识别。

■背景技术

通信信号调制方式的识别是信号分析的重要部分，也是软件无线电的关键技术，可以广泛地应用于军用和民用上。在一些通信中，由于接收端未知发送信号的调制方式，所以需要进行调制方式的识别以达到信号处理的要求。MQAM是常用的数字调制方式，它在微波通信、卫星通信和网络通信中有广泛的应用，对MQAM进行调制识别研究有着重要的意义。MQAM调制方式是一种高效的频谱调制方式，同时进行了幅度和相位的调制。由于任何一种数字幅相调制信号都可以用星座图唯一表示，因此利用这种关系，基于星座图聚类的方法成为了数字幅相调制信号识别的重要方法之一。聚类分析作为一个独立的工具透视数据分布，在分析过程中不需要训练样本进行学习和训练，它利用多个观测指标将相似程度大的样本聚合为一类，用于提取数据之间不明显的分类关系。

目前对用聚类方法分星座图信号主要文章有2004年清华大学ZHAN Ya-feng，CAOZhi-gang，MA Zheng-xin等人提出对信号进行参数估计，插值，解卷，聚类最后得到识别结果，参考文献《Modulation classification of M-QAM signals》2004年通信学报第二期第2卷，文中对载波的估计采用了复信号的四次方变换后，其频谱含四次方分量频率，依次估计出信号载波频率，再通过CZT(线性Z变换)进行细微估计，虽然采取了对载频估计CZT精确的方法，但是载波估计偏差仍然很大；近年王希维利用减法聚类算法重建了接收信号的星座图，然后给出了通过构造评估函数来识别信号的调制方式，参考《基于星座图聚类分析的QAM信号调制识别算法及其DSP实现》电子元器件应用2009年第11期第6卷，文中理想化了信号环境，不考虑频偏的影响，对信号星座图聚类识别采取了通常的多种聚类半径识别，系统复杂运算量大；Hanwen Cheng，HuaHan，Lenan Wu，Liang Chen等人的《A 1-Dimension Structure Adaptive Self-organizing NeuralNetwork for QAM Signal Classification》IEEE Third intemational Conference on Natural Computation2007等等，文中仿真环境为高斯白噪声下，虽然通过取信号的的瞬时幅度或相位作为聚类特征来改变聚类多半径问题但是在低信噪比下信号的识别率相当低。

由上述典型文献以及目前涉及该方向所以文献来看，对于聚类方法分星座图信号一般分为两种情况：第一，直接采用理想情况下的复基带信号在高斯噪声下的识别，此识别方式将信号的载波频率偏移给忽略；第二，不考虑频率影响直接聚类，将信号星座图聚成同心圆的形式。第一种情况理想化了聚类环境，使得在有载波频率影响下无法将信号给区分开来，第二种情况由于同心圆在低信噪比的情况下由噪声和多径的影响使得信号的识别率很低。再者，由于对信号的聚类都用到了不同的聚类半径，造成识别系统复杂，计算量大。

■发明内容

本发明的目的在于克服上述现有技术的不足，提供一种基于聚类算法的MQAM信号识别方法，以消除在低信噪比、多径信道的非理想情况下，频带信号下变频过程中存在频偏对识别效果的影响，减小识别系统复杂度和运算量，提高信号识别率。

为实现上述目的，本发明的技术方案包括：

(1)将接收到的MQAM信号表示为：

$x\left(n\right)=\underset{k=0}{\overset{+\∞}{\mathrm{\Σ}}}s\left(k\right)h(n-k)+v\left(n\right),$ n＝1，2，….N

其中，x(n)是接收信号序列，h(·)是多径信道的冲激响应，

v(n)是加性高斯白噪声，其均值为0，方差为σ²，

k为序列数，N是采样点数，

$s\left(k\right)=\underset{t=0}{\overset{+\∞}{\mathrm{\Σ}}}{I}_{M}g(t-m{T}_s)\cos \left(w_{c}k\right)+\underset{t=0}{\overset{+\∞}{\mathrm{\Σ}}}{Q}_{M}g(t-m{T}_s)\sin \left(w_{c}k\right),$ m＝1，2…，

T_s是符号周期，M为进制数，I_M为基带信号同向分量，

Q_M为基带信号正交分量，

w_c＝2πf_c，f_c为载波频率，g(t)为门函数；

(2)对接收到的信号序列x(n)进行循环逼近下变频变换，得到基带信号s′(k)＝I′_M(k)+j^*Q′_M(k)，I′_M表示受到噪声和多径干扰后的基带信号s′(k)同向分量，Q′_M表示受到噪声和多径干扰后的接收信号s′(k)正交分量；

(3)对基带信号s′(k)进行小波消噪，减小噪声对信号的干扰；

(4)对小波消噪后的基带信号作均衡处理，得到均衡处理后的信号：

s″(k)＝I″_M(k)+j^*Q″_M(k)，

其中，I″_M表示s″(k)的同向分量，Q″_M表示s″(k)正交分量；

(5)提取s″(k)的同向分量I″_M和正交分量Q″_M作为聚类特征集

并对该特征集进行聚类；

(6)根据聚类中心点的个数的不同识别出不同的信号，若聚类中心点个数为2时判为4QAM信号，若聚类中心点个数为4时判为16QAM信号，若聚类中心点个数为6时判为32QAM信号，若聚类中心点个数为7，8或9时判为64QAM信号。

所述的对接收到的信号序列x(n)进行循环逼近下变频，按如下步骤进行：

(2a)对信号序列x(n)作希尔伯特变换hilbert后，再作四次方变换得到信号四次方序列y(n)；

(2b)对信号四次方序列y(n)作快速傅立叶变换FFT得到其频谱；

(2c)搜索频谱中归一化幅度最大点对应的频率值f₀，得到信号序列x(n)频率估计值Δf_c＝f₀/4的粗略估计；

(2d)将信号序列x(n)频率估计值Δf_c向左移L长度，得到信号序列x(n)频率左侧的估计值f′_c＝Δf_c-L，且满足f′_c＞0；

(2e)若信号序列x(n)频率左侧的估计值f′_c＞ε，ε为误差精度，则进行频谱搬移，实现方法为 $x\left(n\right)=x\left(n\right)*e^{-j2\mathrm{\π}{f}_c^{\′}n},$ n＝1，2…N，然后调整L的长度后重复步骤(2a)；

(2f)  若信号序列x(n)频率左侧的估计值f′_c＜ε，结束估计过程，则此时信号序列x(n)为经过下变频后的基带信号。

本发明具有如下的优点：

本发明通过循环逼近下变频得到无载波频率干扰的基带信号星座图，根据星座图的对称性，提取基带信号同向分量，正交分量为一个聚类特征集，提高聚类中心点的聚类密度，避免了传统方法中不同信号聚类需要不同聚类半径的问题，如：4QAM信号聚类半径r_4QAM＝0.33，16QAM信号聚类半径r_16QAM＝0.22，32QAM信号聚类半径r_32QAM＝0.14，64QAM信号聚类半径r_64QAM＝0.09，本发明只用一种聚类半径识别出信号集内的所有信号，因此大大减小了计算量，简化了识别系统，提高了信号识别率。

附图说明

图1是本发明的MQAM数字信号间识别的流程图；

图2是在多径情况下用传统的聚类算法对噪声为5db下16QAM信号聚类星座图；

图3是在多径情况下用传统的聚类算法对噪声为5db下32QAM信号聚类星座图；

图4是在多径情况下用传统的聚类算法对噪声为5db下64QAM信号聚类星座图；

图5是用本发明方案对多径情况下噪声为5db下4QAM，16QAM，32QAM，64QAM信号聚类100次分类仿真图。

具体实施方式

本发明中使用的信号源集合为：4QAM，16QAM，32QAM，64QAM。

由于不同的QAM信号星座图不同，要通过不同的星座图识别出不同的信号，本发明先将对接收到的信号下变频，消除载波频率影响，再通过小波消噪，均衡减小噪声，多径的影响，最后对处理后的信号聚类特征集聚类，得到不同信号的星座图聚类中心点数。

参照图1，本发明的具体实现步骤如下：

步骤1.将接收到的MQAM信号表示为：

$x\left(n\right)=\underset{k=0}{\overset{+\∞}{\mathrm{\Σ}}}s\left(k\right)h(n-k)+v\left(n\right),$ n＝1，2，….N

其中，x(n)是接收信号序列，h(·)是多径信道的冲激响应，

v(n)是加性高斯白噪声，其均值为0，方差为σ²，

k为序列数，N是采样点数，

$s\left(k\right)=\underset{t=0}{\overset{+\∞}{\mathrm{\Σ}}}{I}_{M}g(t-m{T}_s)\cos \left(w_{c}k\right)+\underset{t=0}{\overset{+\∞}{\mathrm{\Σ}}}{Q}_{M}g(t-m{T}_s)\sin \left(w_{c}k\right),$ m＝1，2…，

T_s是符号周期，M为进制数，I_M为基带信号同向分量，

Q_M为基带信号正交分量，

w_c＝2πf_c，f_c为载波频率，g(t)为门函数；

步骤2.对接收到的频带信号下变频到基带，消除载波频率f_c对识别的影响，其实现过程如下：

(2a)对信号序列x(n)作希尔伯特变换hilbert后，再作四次方变换得到信号四次方序列y(n)；

(2b)对信号四次方序列y(n)作快速傅立叶变换FFT得到其频谱；

(2c)搜索频谱中归一化幅度最大点对应的频率值f₀，得到信号序列x(n)频率估计值Δf_c＝f₀/4的粗略估计；

(2d)将信号序列x(n)频率估计值Δf_c向左移L长度，得到信号序列x(n)频率左侧的估计值f′_c＝Δf_c-L，且满足f′_c＞0；

(2e)若信号序列x(n)频率左侧的估计值f′_c＞ε，ε为误差精度，则进行频谱搬移，实现方法为 $x\left(n\right)=x\left(n\right)*e^{-j2\mathrm{\π}{f}_c^{\′}n},$ n＝1，2…N，然后调整L的长度后重复步骤a)；

(2f)  若信号序列x(n)频率左侧的估计值f′_c＜ε，结束估计过程，则此时信号序列x(n)为经过下变频后的基带信号。

此时得到的下变频后的信号x(n)为受到噪声和多径干扰后的基带信号s′(k)＝I′_M(k)+j^*Q′_M(k)，I′_M为s′(k)同向分量，Q′_M为s′(k)正交分量；

步骤3.对基带信号s′(k)进行小波消噪，减小噪声对基带信号s′(k)的干扰，小波消噪的实质是抑制信号中的无用部分，恢复信号中的有用部分的过程。

步骤4.对小波消噪后的基带信号作均衡处理，减小多径对基带信号s′(k)的影响，得到均衡处理后的信号：

s″(k)＝I″_M(k)+j^*Q″_M(k)，

其中，I″_M表示s″(k)的同向分量，Q″_M表示s″(k)正交分量；

步骤5.根据星座图的对称性，提取s″(k)的同向分量I″_M和正交分量Q″_M作为聚类特征集

提高聚类中心点的聚类密度，用一种聚类半径对聚类特征集聚类得出聚类中心点个数，聚类过程如下：

(5a)计算聚类特征集内所有点的聚类密度，计算公式为：

$D_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\exp [-\frac{{\left|\right|x_i-x_j\left|\right|}^2}{{(r_a/2)}^2}]---\left(1\right)$

其中，r_a为聚类半径，x_i，x_j为聚类特征集

中的第i点和第j点；

(5b)选择具有最高聚类密度的聚类特征点为第一个聚类中心点x_c1，并对每个聚类特征点的聚类密度进行修正，修正公式为：

$D_i^{\′}=D_i-D_{\mathrm{ck}}\exp [-\frac{{\left|\right|x_i-x_{\mathrm{ck}}\left|\right|}^2}{{(r_b/2)}^2}]$ i＝1，2，…，2N      (2)

其中，r_b为修正半径r_b＝2r_a，x_ck是第k个聚类中心点，D_ck是第k个聚类中心点x_ck的聚类密度，D_i为第i个聚类特征点的聚类密度，D′_i为第i个聚类特征点修正后的聚类密度；

(5c)选择修正后聚类密度集[D′₁，D′₂，…，D′_2N]中最大值D′_l以及其对应的聚类特征点x_l；

(5d)判断x_l是否为聚类中心点，判断方法如下：

(5d1)当D′_l＞εD_c1，D_c1为第一个聚类中心点的聚类密度，认为x_l为第k+1个聚类中心点x_c(k+1)，再用公式(2)对[D′₁，D′₂，…，D′_2N]进行修正，然后转到(5c)；

(5d2)当εD_c1＜D′_l＜εD_c1时，定义d_min为x_l和已确定的聚类中心点间距离的最小值：

若满足下式：

$\frac{d_{\min }}{r_a}+\frac{D_l^{\′}}{\left|\right|x_l\left|\right|}\≥1---\left(3\right)$

认为x_l为第k+1个聚类中心点x_c(k+1)，再用公式(2)对[D′₁，D′₂，…，D′_2N]进行修正，然后转到(5c)；

若不满足不等式(3)，认为x₁是聚类中心，将该数据点的密度指标D′_l设为零，选择余下聚类特征点中具有最高的密度指标的点为待确认的点，转到(5d1)。

(5d3)当D′_l＜εD_c1，认为x_l不是聚类中心点，终止聚类过程，得出所有聚类中心点的个数；

在上述判决的过程中，参数ε为认定一个聚类特征点为聚类中心的上限门限，即接受门限，参数ε为拒绝一个数据点为聚类中心的下限门限，即拒绝门限。

步骤6.根据聚类中心点的个数的不同识别出不同的信号，若聚类中心点个数为2时判为4QAM信号，若聚类中心点个数为4时判为16QAM信号，若聚类中心点个数为6时判为32QAM信号，若聚类中心点个数为7，8或9时判为64QAM信号。

为了证明此发明的有效性，采用下列仿真环境对4QAM，16QAM，32QAM，64QAM，进行仿真

1.仿真环境，见表1

表1：仿真环境

2.仿真内容及结果：

1)对信号16QAM用循环逼近下变频后，用传统的聚类方式聚类半径为r_16QAM＝0.22的进行聚类，聚类结果见图2；

2)对信号32QAM用循环逼近下变频后，用传统的聚类方式聚类半径r_32QAM＝0.14进行聚类，聚类结果见图3；

3)对信号64QAM用循环逼近下变频后，用传统的聚类方式聚类半径r_64QAM＝0.09进行聚类，聚类结果见图4；

由图2、图3和图4可以看出：(a)接受信号经过循环逼近下变频处理后，信号的受载波频率干扰小；(b)传统聚类方式聚类效果受噪声，多径影响大，即使在各自信号最好的聚类半径情况下，聚类效果也不好；(c)信号聚类受到聚类半径影响大；

4)利用本发明方法对4QAM，16QAM，32QAM，64QAM信号个进行100次聚类试验仿真，仿真结果如图5；

由图5可以看出4QAM，16QAM，32QAM，64QAM信号通过聚类后的聚类中心点数分别为2，4，6，8，这些点数与理论信号聚类中心点数一致，因此即使在低信噪比，多径情况下，也可以识别出信号集中所有的信号。

Claims (2)

1.一种基于聚类算法的MQAM信号识别方法，包括如下步骤：

(1)将接收到的MQAM信号表示为：

$x\left(n\right)=\underset{k=0}{\overset{+\∞}{\mathrm{\Σ}}}s\left(k\right)h(n-k)+v\left(n\right),n=\mathrm{1,2},...,N$

其中，x(n)是接收信号序列，h(·)是多径信道的冲激响应，

v(n)是加性高斯白噪声，其均值为0，方差为σ²，

k为序列数，N是采样点数，

$s\left(k\right)=\underset{t=0}{\overset{+\∞}{\mathrm{\Σ}}}{I}_{M}g(t-m{T}_s)\cos \left(w_{c}k\right)+\underset{t=0}{\overset{+\∞}{\mathrm{\Σ}}}{Q}_{M}g(t-m{T}_s)\sin \left(w_{c}k\right),m=\mathrm{1,2}...,$

T_s是符号周期，M为进制数，I_M为基带信号同向分量，

Q_M为基带信号正交分量，

w_c＝2πf_c，f_c为载波频率，g(t)为门函数；

(2)对接收到的信号序列x(n)进行循环逼近下变频变换，得到基带信号s′(k)＝I′_M(k)+j*Q′_M(k)，I′_M表示受到噪声和多径干扰后的基带信号s′(k)同向分量，Q′_M表示受到噪声和多径干扰后的接收信号s′(k)正交分量；

(3)对基带信号s′(k)进行小波消噪，减小噪声对信号的干扰；

(4)对小波消噪后的基带信号作均衡处理，得到均衡处理后的信号：

s″(k)＝I″_M(k)+j*Q″_M(k)，

其中，I″_M表示s″(k)的同向分量，Q″_M表示s″(k)正交分量；

(5)提取s″(k)的同向分量I″_M和正交分量Q″_M作为聚类特征集

并对该特征集进行聚类；

(6)根据聚类中心点的个数的不同识别出不同的信号，若聚类中心点个数为2时判为4QAM信号，若聚类中心点个数为4时判为16QAM信号，若聚类中心点个数为6时判为32QAM信号，若聚类中心点个数为7，8或9时判为64QAM信号。

2.根据权利要求1所述的基于聚类算法的MQAM信号识别方法，其中步骤(2)所述的对接收到的信号序列x(n)进行循环逼近下变频，按如下步骤进行：

(2a)对信号序列x(n)作希尔伯特变换hilbert后，再作四次方变换得到信号四次方序列y(n)；

(2b)对信号四次方序列y(n)作快速傅立叶变换FFT得到其频谱；

(2c)搜索频谱中归一化幅度最大点对应的频率值f₀，得到信号序列x(n)频率估计值Δf_c＝f₀/4的粗略估计；

(2d)将信号序列x(n)频率估计值Δf_c向左移L长度，得到信号序列x(n)频率左侧的估计值f′_c＝Δf_c-L，且满足f′_c＞0；

(2e)若信号序列x(n)频率左侧的估计值f′_c＞ε，ε为误差精度，则进行频谱搬移，实现方法为

n＝1，2…N，然后调整L的长度后重复步骤(2a)；

(2f)若信号序列x(n)频率左侧的估计值f′_c＜ε，结束估计过程，则此时信号序列x(n)为经过下变频后的基带信号。

Images