CN101895494B - 基于随机共振预处理的数字调制方式自动识别方法 - Google Patents

Abstract

本发明公开了一种基于随机共振预处理的数字调制方式自动识别的方法，主要解决在低信噪比情况下，现有技术对调制方式自动识别性能较差的问题。其方法是：对接收到的连续数字调制信号进行采样；对采样后的信号进行归一化；利用双稳态随机共振系统对归一化后的信号进行预处理，以提高信号的信噪比；利用统计模式识别方法对随机共振预处理后的信号计算二、四以及六阶累积量，得到特征矢量；利用特征矢量训练支持向量机，通过训练完毕的支持向量机对数字信号的调制方式进行识别。本发明能够有效地提高数字信号调制方式的识别成功率，特别是在低信噪比时仍能保证较为准确的识别，可用于提高通信系统接收端的性能。

Description

基于随机共振预处理的数字调制方式自动识别方法

技术领域

本发明属于通信技术领域，是一种数字信号调制识别方法，适合用于极低信噪比下的无线通信信道。

背景技术

通信的目的就是通过信道快速、有效、安全、准确地传输信息。为了充分利用信道，空间传播的通信信号均是调制后才进行传输的。在当前复杂的信号环境中，信号采用的调制方式也是多样的。对于接收的信号，要想正确的解调、分析收到的信号，或者进行干扰，必须能够正确的识别信号的调制方式，然后采取相应的解调方法。而要解调截获通信信号的信息内容，必须知道信号的调制方式。调制方式是区分不同性质通信信号的一个重要特征。通信信号调制识别的基本任务就是在多信号环境和有信号干扰条件下确定出接收信号的调制方式和其它信号参数，从而为进一步分析和处理信号提供依据。

随着通信技术的发展，数字技术的广泛运用，无线通信环境日益复杂，通信号在很宽的频带上采用不同调制参数的各种调制样式。如何有效的监视和识别这些信号在军事和民用领域都是十分重要的倍受人们关注的研究课题。

在军事上，信号调制方式的识别也是电子对抗的一个重要方面，是对敌方通信进行干扰和侦听的前提。它利用检测设备截获敌方信号来识别其调制方式，依据调制方式进行调制参数估计，以便实施有效的干扰或反干扰，以保证友方通信，同时抑制和破坏敌方通信，实现电子战中通信对抗的目的。在电子侦察中，一旦知道敌方的通信调制方式和调制参数，以便于对敌方的信息进行有效的截获。在民用方面，数字通信的快速发展形成了多种通信体制并存的局面，而且这些通信体制的调制方式和接入技术各不相同，给多体制间的通信互联带来了很大的障碍。通信信号调制识别技术能够自动地识别通信信号的调制方式，它是构成基于软件无线电的通用接收机和智能调制解调器的重要技术基础，在多体制通信互联和软件无线电方面也有着十分重要的应用。

调制方式的识别，主要是提取信号的某些关键特征。这些特征能够表现出信号调制方式的不同，或者对这些特征进行一定的处理后能够表现出信号调制方式的不同，再对这些特征采用一定的分类方法，从而进行调制方式识别。直接从原始样本进行分类是无目的的，这是由于对分类来说，重要的不是一个模式的完整描述，而是导致区别不同类别模式的那些“选择性”信息的提取，也就是说，特征提取的主要目的就是尽可能集中表征显著类别差异的模式信息。另一个目的则是尽可能缩小数据集，以提高识别效率，减少计算量。特征的提取和选择是非常重要的，因为它强烈地影响到分类器的设计及其功能。理想情况下经过特征提取和选择得到的特征矢量对于不同调制类型有明显地差别，然而在实际问题中却常常不容易找到那些最重要的特征，或受条件限制不能对它们进行测量，这就使特征提取和选择的任务复杂化，从而成为信号调制识别系统中最困难的任务之一。但是，当我们对信号一些参数知道后，则建立特征参数就更有针对性。

现有的数字调制信号自动识别的国内外现有技术主要包括：

第一类方法是利用概率论去推导一个合适的分类规则。它根据信号的统计特性，通过理论分析与推导，得到检验统计量，然后与一个合适的门限进行比较，从而形成判决准则，即基于判决理论的识别方法，参见J.E.Hipp，“Modulation Classification Based on Statistical Moments”，Milcom’86，pp.20.2.1-20.2.6，1986.；C.D.Chung，A.Polydoros，“Envelope-Based Classification Schemes For Continuous-Phase BinaryFrequency-Shift-Keyed Modulations”，Milcom’94，pp.796-800，1994.S.S.Soliman，S.Z.Hsue，“Signal classification Using Statistical Moments”，IEEE Trans.Comm，Vol.40，No.2/3/4，pp.1493-1504，Feb/Mar/Apr，1995.

第二类方法是从原始数据中在时域或者频域中提取出对调制识别有用的特征参数，并以此判断信号调制类型的从属关系，即基于统计模式的识别方法，参见Hsue S Z，Soliman S S.“Automatic modulation recognitionof digitally modulated signals”.MILCOM’89，37.4.1-37.4.5.；Assaleh K，Farrell K，Mammone R J.“A new method of modulation classification fordigitally modulated signals”.MILCOM’92，Vol.2pp.712-716.；高立辉，吴楚，付文祥.通信信号数字调制方式自动识别的特征矢量研究[J].信息工程大学学报，2003，4(2)。

统计模式识别方法由经典模式识别理论衍生而来，一般可以分为两部分：特征提取部分和类型识别部分。特征提取部分是从原始数据中提取出对调制识别有用的信息，类型识别部分的功能是判断信号调制类型的从属关系。特征的提取可以在时域进行，也可以在频域进行。该类方法在识别系统的构建过程中通常需要一定量的各类调制信号样本，以取得各个特征参数的判决门限。

判决理论识别方法的性能更优，但是计算复杂，实际适应性较差。比如对于一个简单的信号形式，最优分类器的完全数学表达式都是非常复杂的，它还需要构建一个正确的假设并且仔细分析，从而判断一个合适的门限，这一点是十分困难的。而且一旦假设和实际情况不符，则正确识别率下降很厉害；与判决理论识别方法相比，统计模式识别方法理论分析简单，提取的特征适应性强，可用于多种类型的调制信号的识别，但是容易受到噪声干扰，在低信噪比情况下识别效果较差。因此寻找一种既可靠又有效的方法对数字信号调制识别问题显得尤为重要。

发明内容

本发明根据调制识别领域中的上述问题，在统计模式理论的基础上，提出一种基于随机共振预处理的数字信号调制方式识别方法，以提高在低信噪比情况下调制识别的成功率。

实现本发明目的的技术方案是：针对通信中低信噪比情况下的调制识别的要求，将非线性科学中的随机共振技术引入到接收信号的预处理中，将随机共振技术与统计模式识别方法相结合，具体步骤如下：

(1)对接收到的连续数字调制信号进行采样，采样频率取值为f_s＝50，得到接收离散信号s(k)；

(2)对接收离散信号s(k)进行归一化，得到归一化信号r(k)；

(3)对归一化信号r(k)进行随机共振预处理，得到经随机共振处理的信号x(k)：

x(k)＝x(k-1)+(h/6)*(l₁+l₂+l₃+l₄)

式中，

$\left\{\begin{array}{c}{l}_1=\mathrm{ax}(k-1)-x{(k-1)}^3+r(k-1)\\ l_2=a(x(k-1)+l_1/2)-b{(x(k-1)+l_1/2)}^3+r\left(k\right)\\ l_3=a(x(k-1)+l_2/2)-b{(x(k-1)+l_2/2)}^3+r\left(k\right)\\ l_4=a(x(k-1)+l_3/2)-b{(x(k-1)+l_3/2)}^3+r(k+1)\end{array}\right.---\left(3\right)$

x(k)为经随机共振处理后的信号，x(k-1)为经随机共振处理后的前一时刻信号，h为积分步长取值为0.3，a和b是随机共振系统的参数a＝1，b＝1，r(k-1)为前一时刻的输入的归一化信号，r(k)为当前时刻的输入归一化信号，r(k+1)为下一时刻的输入归一化信号。

(4)利用统计模式识别方法计算随机共振处理后的信号x(k)的二、四以及六阶累积量，得到特征矢量[C20、C21、C40、C41、C42、C60、C63]；

(5)利用所述的特征矢量对支持向量机进行训练，得到训练后的支持向量机；

(6)利用所述的训练后的支持向量机对数字信号调制方式进行自动识别。

本发明与现有技术相比具有的优点：

本发明由于在接收端将随机共振理论与统计模式识别方法相结合，即用统计模式识别方法对双稳态随机共振系统预处理后的离散信号x(k)进行调制方式识别，能够有效地提高信噪比，从而大大提高了识别率，此外，本发明所提出的方法简单易于实现，能够快速准确完成数字信号调制方式自动识别。

附图说明

图1是本发明的实现流程框图；

图2是本发明采用的非线性双稳态随机共振系统结构框图；

图3是本发明采用的支持向量机训练示意图；

图4是本发明的调制方式识别示意图；

图5是本发明方法与现有方法仿真性能对比曲线图。

具体实施方式

参照图1，说明本发明的实现步骤包括如下：

步骤1，对接收到的连续数字调制信号进行采样，确定采样频率f_s，得到接收离散信号s(K)，采样频率f_s是制约随机共振技术的重要因素，采样频率过小则随机共振处理的性能与理想情况相差甚远，而采样频率过大则随机共振系统的计算复杂度太高，本发明中取f_s＝50。

步骤2，对采样后的离散信号s(k)进行归一化处理，得到归一化信号r(k)：

$r\left(k\right)=\sqrt{\frac{4a}{27b}}\frac{s\left(k\right)}{\left|A\right|}---\left(1\right)$

式中，A为输入信号包络的最大值，a＝1，b＝1为随机共振系统参数。

步骤3，利用双稳态随机共振预处理系统，对归一化信号r(k)进行随机共振预处理，得到经随机共振处理的信号。

随机共振(Stochastic resonance-SR)最初是由Benzi和他的合作者在研究古气象冰川问题时提出的，现在已经在通信、雷达等许多方面的应用不断地得到深入；

随机共振，就是在特定的非线性系统中，当系统的非线性与信号和噪声之间存在某种匹配时，通过对系统施加适当强度的噪声，可以将噪声的部分能量转化为信号能量，提高系统的信噪比，增强信号传输；

本发明采用的双稳态随机共振系统如图2所示，它涉及的环节有比例放大，积分环节，求和及倍乘环节，输入信号r(k)通过系统的上述环节产生输出信号x(k)，其中，a和b是随机共振系统参数；

利用此系统对归一化信号r(k)处理的步骤如下：

x(k)＝x(k-1)+(h/6)*(l₁+l₂+l₃+l₄)        (2)

式中，

$\left\{\begin{array}{c}{l}_1=\mathrm{ax}(k-1)-x{(k-1)}^3+r(k-1)\\ l_2=a(x(k-1)+l_1/2)-b{(x(k-1)+l_1/2)}^3+r\left(k\right)\\ l_3=a(x(k-1)+l_2/2)-b{(x(k-1)+l_2/2)}^3+r\left(k\right)\\ l_4=a(x(k-1)+l_3/2)-b{(x(k-1)+l_3/2)}^3+r(k+1)\end{array}\right.---\left(3\right)$

x(k)为经随机共振处理后的信号，x(k-1)为经随机共振处理后的前一时刻信号，h为积分步长取值为0.3，a和b是随机共振系统的参数a＝1，b＝1，r(k-1)为前一时刻的输入的归一化信号，r(k)为当前时刻的输入归一化信号，r(k+1)为下一时刻的输入归一化信号。

步骤4，利用统计模式识别方法计算随机共振处理后的信号x(k)的二、四以及六阶累积量。

4a)计算经随机共振后的信号x(k)的各阶混合矩：

m₂₀＝E[x(k)²]

m₂₁＝E[x(k)x^*(k)]

m₄₀＝E[x(k)⁴]

m₄₁＝E[x(k)³x^*(k)]，                    (4)

m₄₂＝E[x(k)²x^*(k)²]

m₆₀＝E[x(k)⁶]

m₆₃＝E[x(k)³x^*(k)³]

式中E[·]是期望运算符，*表示函数的共轭，m₂₀、m₂₁是所述x(k)信号的二阶混合矩，m₄₀、m₄₁、m₄₂是所述信号x(k)的四阶混合矩，m₆₀、m₆₃是所述信号x(k)的六阶混合矩；

4b)根据4a)步骤得到的各阶混合矩计算各阶累积量，得到特征矢量[C₂₀，C₂₁，C₄₀，C₄₁，C₄₂，C₆₀，C₆₃]：

C₂₀＝m₂₀

C₂₁＝m₂₁

$C_{40}=m_{40}-3m_{20}^2$

C₄₁＝m₄₁-3m₂₁m₂₀

                                            (5)

$C_{42}=m_{42}-{\left|m_{20}\right|}^2-2m_{21}^2$

$C_{60}=C_{60}-15m_{40}{m}_{20}+30m_{20}^3$

$C_{63}=m_{63}-9m_{41}{m}_{21}-6m_{21}^3$

式中C₂₀、C₂₁是所述x(k)信号的二阶累积量，C₄₀、C₄₁、C₄₂是所述信号x(k)的四阶累积量，C₆₀、C₆₃是所述信号x(k)的六阶累积量。

步骤5，利用式(5)所示的特征矢量训练可区分两类调制方式的支持向量机，并以此为基础利用一对一的方法训练(1/2)*N(N-1)个支持向量机。

5a)根据特征矢量构造训练数据：

(x₁，y₁)，...，(x_l，y_l)，x_i∈Rⁿ，y_i∈{+1，-1}，i＝1，2，...，l

式中x_i＝[C₂₀，C₂₁，C₄₀，C₄₁，C₄₂，C₆₀，C₆₃]为第i个样本的特征矢量，l为样本总数，y_i为第i个样本的类别索引：当x_i属于两类调制方式中的一类时，设样本的类别索引y_i＝1，当x_i属于两类调制方式中的另一类时，设样本的类别索引y_i＝-1；

5b)如图3所示，利用上述训练数据，根据拉格朗日乘子法构造分类函数f_pq(x)：

$f_{\mathrm{pq}}\left(x\right)=\mathrm{sgn}[\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{a}_i{y}_i\left(x_{i}x\right)+b^{\′}]---\left(6\right)$

式中：sgn[·]为符号函数，a_i为拉格朗日乘子，b′为分类域值，x为待识别信号的特征矢量，p和q为区分的两类调制方式，p，q＝1，2，...，N，p≠q，N为信号调制方式总数；

调整拉格朗日乘子a_i和分类域值b′使不同类别的数据距离最大，即完成可识别两类调制方式的支持向量机的训练；

5c)采用一对一的方法完成(1/2)*N(N-1)个支持向量机的训练，即在N类训练数据中，分别利用每两类数据构造支持向量机，共构造出(1/2)*N(N-1)个支持向量机。

步骤6，利用所述的训练后的支持向量机对数字信号调制方式进行自动识别。

参照图4，本步骤的具体实现如下：

6a)利用所述的特征矢量x_i＝[C₂₀，C₂₁，C₄₀，C₄₁，C₄₂，C₆₀，C₆₃]分别对通过5c)中训练后的(1/2)*N(N-1)个支持向量机进行识别：

当判为第p类信号时，将第p类的得票数加1；当判为第q类信号时，将第q类的得票数加1；

6b)累计各类别n的得票数，1≤n≤N，选择得票最高数所对应的类别为数字信号的调制方式，完成调制方式的自动识别。

本发明的效果可以通过以下仿真结果说明：

参照图5，现有的统计模式识别方法对数字调制信号在0dB的时候平均识别成功率就已经下降到80％以下，而采用本发明可以在-6dB的时候达到80％的平均识别成功率，即本发明比现有方法性能提高6dB。

综上所述，本发明所提出的基于双稳态随机共振预处理的统计模式识别方法简单易于实现，能够有效地提高调制方式的识别成功率，特别是在低信噪比，即信噪比snr＜-5dB的情况下，仍能保证较为准确的识别，可有效提高通信系统接收端的性能。

Claims (5)

1.一种基于随机共振预处理的数字信号调制方式自动识别方法，包括如下步骤：

(1)对接收到的连续数字调制信号进行采样，采样频率取值为f_s＝50，得到接收离散信号s(k)；

(2)对接收离散信号s(k)进行归一化，得到归一化信号r(k)；

(3)对归一化信号r(k)进行随机共振预处理，得到经随机共振处理的信号：

x(k)＝x(k-1)+(h/6)*(l₁+l₂+l₃+l₄)

式中，

x(k)为经随机共振处理后的信号，x(k-1)为经随机共振处理后的前一时刻信号，h为积分步长，取值为0.3，a和b是随机共振系统的参数，取值为a＝1，b＝1，r(k-1)为前一时刻的输入的归一化信号，r(k)为当前时刻的输入归一化信号，r(k+1)为下一时刻的输入归一化信号；

(4)利用统计模式识别方法计算随机共振处理后的信号x(k)的二、四以及六阶累积量，得到特征矢量[C20、C21、C40、C41、C42、C60、C63]；

(5)利用所述的特征矢量对支持向量机进行训练，得到训练后的支持向量机；

(6)利用所述的训练后的支持向量机对数字信号调制方式进行自动识 别。

2.根据权利要求1所述的调制方式自动识别方法，其特征在于步骤(2)所述的对接收离散信号s(k)进行归一化，得到归一化信号r(k)，采用如下公式进行：

式中，A为输入信号包络的最大值，a和b为随机共振系统参数，取值为a＝1，b＝1。

3.根据权利要求1所述的调制方式自动识别方法，其特征在于步骤(4)所述的利用统计模式识别方法计算随机共振处理后的信号x(k)的二、四以及六阶累积量，得到特征矢量[C20、C21、C40、C41、C42、C60、C63]，按如下步骤进行：

3a)计算经随机共振处理后的信号x(k)的各阶混合矩：

m₂₀＝E[x(k)²]

m₂₁＝E[x(k)x^*(k)]

m₄₀＝E[x(k)⁴]

m₄₁＝E[x(k)³x^*(k)]

m₄₂＝E[x(k)²x^*(k)²]

m₆₀＝E[x(k)⁶]

m₆₃＝E[x(k)³x^*(k)³]

式中*表示函数的共轭，m₂₀、m₂₁是信号x(k)的二阶混合矩，m₄₀、m₄₁、m₄₂是信号x(k)的四阶混合矩，m₆₀、m₆₃是信号x(k)的六阶混合矩；

3b)根据3a)步骤得到的各阶混合矩计算各阶累积量，得到特征矢量： 

C₂₀＝m₂₀

C₂₁＝m₂₁

C₄₁＝m₄₁-3m₂₁m₂₀

式中C₂₀、C₂₁是二阶累积量，C₄₀、C₄₁、C₄₂是四阶累积量，C₆₀、C₆₃是六阶累积量。

4.根据权利要求1所述的调制方式自动识别方法，其特征在于步骤(5)所述的利用特征矢量对支持向量机进行训练，得到训练后的支持向量机，按如下步骤进行：

4a)根据特征矢量构造训练数据：

(x₁，y₁)，...，(x_l，y_l)，x_i∈Rⁿ，y_i∈{+1，-1}，i＝1，2，...，l

式中x_i为第i个样本的特征矢量，x_i＝[C₂₀，C₂₁，C₄₀，C₄₁，C₄₂，C₆₀，C₆₃]，l为样本总数，y_i为第i个样本的类别索引：当x_i属于两类调制方式中的一类时，标记为y_i＝1，当x_i属于两类调制方式中的另一类时，标记为y_i＝-1；

4b)根据上述的训练数据，构造分类函数f_pq(x)，完成区分两类信号的支持向量机的训练：

式中：sgn[·]为符号函数，a_i为拉格朗日乘子，b′为分类域值，x为待识别信号的特征矢量，p、q为区分的两类信号调制方式，p，q＝1，2，...，N，p≠q，N为总的信号调制方式数； 

4c)采用一对一的方法完成(1/2)*N(N-1)个支持向量机的训练，即在N类训练数据中，分别利用每两类数据构造支持向量机，结果共构造(1/2)*N(N-1)个支持向量机。

5.根据权利要求1所述的调制方式自动识别方法，其特征在于步骤(6)所述的利用训练后的支持向量机对数字信号调制方式进行自动识别，按如下步骤进行：

5a)利用所述的特征矢量x_i＝[C₂₀，C₂₁，C₄₀，C₄₁，C₄₂，C₆₀，C₆₃]分别对训练后的(1/2)*N(N-1)个支持向量机分类器进行识别：

5b)累计各类别的得分，选择得分最高者所对应的类别为数字信号的调制方式，完成调制方式的自动识别。 

Images