CN102438334B - 一种多传感器节点分布式协作进行调制识别的方法 - Google Patents

Abstract

一种多传感器节点分布式协作进行调制识别的方法针对在衰落信道中低信噪比时单接收节点调制识别率低的缺点，利用无线传感器网络中多个传感器节点分布式协作，提取信号的特征参数，识别出信号的调制方式。具体步骤如下：首先利用网络中相互协作的多个传感器，从提高网络识别性能出发，在每个传感器节点能耗最小的前提下，根据接收信噪比的大小设计有效的协作方案，得到反映调制类型显著差异的特征参数的新组合，然后利用人工神经网络对数字调制信号进行识别，并就不同的网络条件，给出不同的协作方案。与单节点调制识别相比，多传感器节点分布式协作进行调制识别方法在衰落信道中具有更高的识别率，并且节点系统更灵活可靠。

Description

一种多传感器节点分布式协作进行调制识别的方法

技术领域

本发明涉及一种无线传感器网络中多个传感器节点分布式协作进行自动调制识别的实现方法，属于通信技术领域。

背景技术

随着通信技术的发展，通信信号在很宽的频带上采用不同的调制方式，同时这些信号的调制参数也不尽相同。数字信号的自动调制识别可以在多种调制信号和有噪声干扰的条件下确定出信号的调制方式，在民用和军用领域都有重要的作用。随着通信信号的体制和调制样式变得更加复杂多样，通信信号的调制识别就显得尤为重要和迫切。

目前，调制方式自动识别的研究方法主要可以分为两类：基于假设检验的最大似然方法和基于特征提取的模式识别方法。基于假设检验的最大似然方法，通过对信号的似然函数进行处理，将得到的似然比与阈值进行比较，完成调制识别功能。基于特征提取的模式识别方法，通常包含两个子系统，一个子系统用于提取信号的特征参数，另一个子系统根据信号的特征参数，采用一定的分类器确定信号的调制类型。

基于特征提取的模式识别方法，在理论上是一种次优的方法，但是其形式通常比较简单，易于实现，而且在某些条件下能够达到近似最优的识别性能。在模型失配的情况下，基于特征提取的模式识别方法要比最大似然法稳健。在基于特征提取的模式识别方法中，用于调制识别的分类器，主要包括人工神经网络、支持向量机、聚类以及其他一些模式识别方法。

目前，大多数调制识别研究仅限于单接收节点，对接收信号集中处理，其识别性能取决于信道的特性和接受信号的强度，存在低信噪比时识别率低及不可靠的缺点。

传感器网络是由部署在作用区域内的、具有无线通信与计算能力的传感器节点通过自组织方式构成的能根据环境自主完成指定任务的分布式智能化网络系统。随着传感器网络的兴起，分布式检测，估计及识别算法的优越性受到了越来越多的关注。在信号自动调制识别方面，可以在传感器网络中进行基于似然函数的调制识别方法和基于特征参数的调制识别方法，在基于特征参数的调制识别方法中，利用各个传感器节点之间的相互协作，提高接收信号特征参数的精度，可以提高系统的调制识别率。

发明内容

技术问题：本发明的目的在于提供一种在无线传感器网络中多个传感器节点分布式协作识别数字调制信号的方法。该方法针对在衰落信道中低信噪比时单接收节点调制识别率低的缺点，利用无线传感器网络中多个传感器节点分布式协作，提取信号的特征参数，识别出信号的调制方式。与单节点调制识别相比，多传感器节点分布式协作进行调制识别方法在衰落信道中具有更高的识别率，并且节点系统更灵活可靠。

技术方案：本发明的多传感器节点分布式协作进行调制识别的方法包含以下步骤：

a.利用网络中相互协作的多个传感器，分别提取反映调制类型显著差异的特征参数的组合，包括零中心归一化瞬时幅度之谱密度的最大值r_max、零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差σ_ap、零中心非弱信号段瞬时相位非线性分量的标准偏差σ_dp、零中心归一化瞬时幅度绝对值的标准偏差σ_aa和矩的组合k₂₀；

b.根据接收信噪比的大小设计协作方案，当五个传感器节点相互协作时，基于传感器节点能耗最小的考虑，每个传感器只提取一个特征参数，基于系统整体识别率的考虑，接收信噪比最高的传感器节点提取的特征参数类型，为可以区分最容易产生相互误判的调制方式的那种特征参数，以此类推；最终选择特征参数的原则是：相互协作的五个传感器，按接收信号的信噪比由高到低排序：信噪比最高的提取r_max；次高的提取σ_aa；第三提取σ_dp；信噪比最低的两个传感器节点分别提取σ_ap及k₂₀；

c.当两个传感器协作时，为了降低传感器节点的能耗，每个传感器只提取部分特征参数，其协作方式确立的依据是，区分最容易产生误判的调制方式的特征参数由两个传感器节点各提取一次，其余特征参数仅利用其中一个传感器节点提取一次，对信号的处理过程相似的特征参数由同一个传感器节点提取，每个传感器进行特征参数提取时的具体分配方式为：传感器1提取的特征参数为r_max、σ_aa和σ_dp，传感器2提取的特征参数为r_max、σ_aa和k₂₀；

d.由各个传感器节点分布式协作，提取出信号的特征参数后，将提取的特征参数作为输入送入神经网络进行训练，利用训练好的神经网络，最终实现调制方式的自动识别。

有益效果：本发明提供了一种多传感器节点分布式协作进行调制识别的方法，与采用单接收节点进行自动调制识别相比，本发明提出的算法能够有效提高系统的调制识别率，并可就不同的网络条件，采用不同的协作方案，系统更灵活可靠。

附图说明

图1是多节点协作调制识别系统模型。其中S₁，S₂…S_n是传感器。

具体实施方式

本发明提供一种在无线传感器网络中多个传感器节点分布式协作识别数字调制信号的方法。该方法针对在衰落信道中低信噪比时单接收节点调制识别率低的缺点，为了实现调制方式的正确识别，首先利用网络中相互协作的多个传感器，从提高网络识别性能出发，在每个传感器节点能耗最小的前提下，根据接收信噪比的大小设计有效的协作方案，得到反映调制类型显著差异的特征参数的新组合，然后利用人工神经网络对数字调制信号进行识别，并就不同的网络条件，给出不同的协作方案。与单节点调制识别相比，多传感器节点分布式协作进行调制识别方法在衰落信道中具有更高的识别率，并且节点系统更灵活可靠。

本发明所提出的无线传感器网络中多传感器节点分布式协作识别数字调制信号的系统模型如图1所示。图中，S₁，S₂…S_n为传感器节点，被散放在不同的地理位置，可以感知并接收调制信号；主节点中内含径向基神经网络分类器，可对调制类型进行识别。若各传感器可以将接收到的原始信号全部无差错的传送到主节点，由主节点处理信号，则可以识别出调制方式；但是信号到主节点的信道带宽是有限的，将所有传感器观测到的原始数据全部同时无差错的传送给主节点是不易实现的。因此设计的传感器节点有调制识别相关的信号处理功能，并且使各个传感器节点接收信号是同步的，各传感器只要将信号处理结果发送给主节点即可。

基于神经网络的分布式协作调制识别算法的流程包括三部分：一是信号的预处理，在此阶段接收并处理信号以提取信号的特征参数；二是神经网络的训练学习阶段；三是利用训练好的神经网络进行调制识别。应用于传感器网络中，其具体工作过程如下：传感器S₁，S₂…S_n具有足够的能量来处理信号，并可以按照设计的分布式协作具体方案，分别提取调制识别所需的部分特征参数，以达到降低每个传感器能耗，提高系统整体识别率的要求。然后协作的各个传感器分别将提取的特征参数送入主节点，节点中包含的神经网络分类器经过训练后可对调制方式进行识别。

各个传感器节点被散放在不同的地理位置，虽然发射端发送的是相同的调制信号，但是由于在传播过程中会受到信道衰落的影响，不同传感器节点接收到的信号是不同的。信号经历不同的衰落，SNR服从不同的分布。如若信号经历阴影衰落时，SNR服从对数正态分布；若信号经历Rayleigh多径衰落后，SNR服从指数分布等。假设信道模型为阴影衰落，则各个传感器接收到的信号SNR服从对数正态分布，根据对数正态分布的性质：如果一个变量服从对数正态分布，则其对数服从正态分布，若将SNR表示成单位是dB的形式SNR(dB)，则SNR(dB)服从正态分布N(u，σ²)，因而可以通过传感器节点间有效的协作，提高系统识别性能。

单节点检测时，单个节点需要提取调制识别所需的全部特征参数。而在传感器网络多个传感器分布式协作进行调制识别的方案设计中，为了降低传感器节点的能耗，可以视协作的传感器的数目，使每个传感器节点只提取其中一部分特征参数，这样既能延长传感器的使用寿命，又可通过采用有效的协作方案，使协作时具有更高的调制识别率。协作的传感器数目越多，每个传感器需要提取的特征参数的平均个数越少。

假若由于条件的限制，或者传感器出现故障，使可以协作的传感器数目变少，则仍可以通过自适应的调整协作方式，达到比单节点进行调制识别具有更高的调制识别率的要求。当只有两个传感器节点进行协作，则可以通过两个节点分别提取全部的特征参数，作为神经网络的输入，对调制方式进行识别。然而考虑到传感器网络能耗是影响网络性能的重要因素，为了降低每个传感器的能耗，本发明对其进行了改进，每个传感器只提取部分特征参数，并且保证不会造成识别率的大幅降低。

而相互协作的传感器节点根据接收信噪比大小，如何自适应的选择哪个或那些特征参数进行提取是协作方案中关系调制识别系统整体识别率的重要因素。

本发明以基于瞬时信息(瞬时幅度，瞬时频率和瞬时相位)和统计信息的特征参数组合对2ASK，2FSK，BPSK，4ASK，QPSK，OFDM这6种调制信号识别为例，具体说明无线传感器网络中各个传感器节点分布式协作，提取接收信号的特征参数，识别其调制方式的方案。

识别2ASK，2FSK，BPSK，4ASK，QPSK，OFDM这6种调制信号，本发明所提取的特征参数如下：

1)零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差σ_ap，其定义式为：

${\mathrm{\σ}}_{\mathrm{ap}}=\sqrt{\frac{1}{C}\left(\underset{a_n\left(i\right)>a_t}{\mathrm{\Σ}}{\mathrm{\φ}}_{\mathrm{NL}}^2\left(i\right)\right)-{\left(\frac{1}{C}\underset{a_n\left(i\right)>a_t}{\mathrm{\Σ}}\right|{\mathrm{\φ}}_{\mathrm{NL}}\left(i\right)\left|\right)}^2}---\left(1\right)$

其中，a_t是判断弱信号段的一个幅度判决门限电平，C是在取样数据N中属于非弱信号值的个数，φ_NL(i)是经零中心化处理后瞬时相位的非线性分量，其表达式如下：

式中的

是瞬时相位。

2)零中心非弱信号段瞬时相位非线性分量的标准偏差σ_dp，其定义式为：

${\mathrm{\σ}}_{\mathrm{dp}}=\sqrt{\frac{1}{C}\left(\underset{a_n\left(i\right)>a_t}{\mathrm{\Σ}}{\mathrm{\φ}}_{\mathrm{NL}}^2\left(i\right)\right)-{\left(\frac{1}{C}\underset{a_n\left(i\right)>a_t}{\mathrm{\Σ}}\right|{\mathrm{\φ}}_{\mathrm{NL}}\left(i\right)\left|\right)}^2}---\left(2\right)$

式中的各个变量的含义均与σ_ap中的相同。

3)零中心归一化瞬时幅度绝对值的标准偏差σ_aa，其定义式为：

${\mathrm{\σ}}_{\mathrm{aa}}=\sqrt{\frac{1}{N}\left(\underset{1}{\overset{N}{\mathrm{\Σ}}}{a}_{\mathrm{cn}}^2\left(i\right)\right)-{\left(\frac{1}{N}\underset{1}{\overset{N}{\mathrm{\Σ}}}\right|a_{\mathrm{cn}}\left(i\right)\left|\right)}^2}---\left(3\right)$

式中的N是采样点数，a_cn(i)是零中心归一化瞬时幅度，它可以由下式计算得到：

a_cn(i)＝a_n(i)-1                                    (4)

此处，a_n(i)＝a(i)/m_a，而

为瞬时幅度a(i)的平均值。

4)矩的组合k₂₀，它是二阶矩和四阶矩的一个组合。

对于一个信号s(n)，它们的二阶和四阶矩定义为：

M_2，1(s)＝E(s(n)s(n)^*)＝E(|s(n)|²)                (5)

M_4，2(s)＝E(s(n)²(s(n)^*)²)＝E(|s(n)|⁴)            (6)

将M_4，2(s)和M_2，1(s)进行组合，就可以得到特征参数k₂₀，它的定义为：

$k_{20}=M_{\mathrm{4,2}}\left(s\right)/M_{\mathrm{2,1}}^2\left(s\right)---\left(7\right)$

5)零中心归一化瞬时幅度之谱密度的最大值r_max，其定义式为：

r_max＝max|DFT(a_cn(i))|²/N                    (8)

其中式中的各个变量的含义均与σ_aa中的相同。

为了验证分布式协作调制识别的优越性，本发明仿真了协作的传感器节点恰好为五个时的情况，此时每个传感器只需提取一个特征参数即可。当五个传感器协作识别时，基于传感器节点能耗最小的考虑，每个传感器只提取一个特征参数。那么每个用户选择哪个特征参数进行提取的依据为：

1)当利用单传感器节点提取上述五种特征参数进行调制识别时，误判率最高的是：2FSK与QPSK之间的误判；而2ASK与4ASK之间的误判，也是降低系统平均识别率的因素。此外，BPSK也较易误判为2FSK。

2)由提取的特征参数可以得到：可以区分2FSK与QPSK的特征参数为：r_max，并且在低信噪比下2FSK与QPSK之间的特征参数r_max差别较小，因此易造成相互误判。另一方面，BPSK与2FSK间r_max的差别也较明显，所以在五中特征参数中优先考虑r_max。可以区分2ASK与4ASK的特征参数为：σ_aa及σ_dp，并且随着信噪比的提高，2ASK与4ASK提取的σ_aa之间的差别变大，而σ_dp之间的差别变化不大，所以在这两种特征参数中优先考虑σ_aa。另外，σ_ap及k₂₀可以分别将六种调制方式分为两类，并且在低信噪比下差别也很明显，因而即使在低信噪比下，也不易造成相应调制方式间的误判。

因此，五个传感器节点协作时，基于系统整体识别率的考虑，选择特征参数的原则是：相互协作的五个传感器，按接收信号的信噪比由高到低排序：信噪比最高的提取r_max；次高的提取σ_aa；第三提取σ_dp；信噪比最低的两个传感器节点分别提取σ_ap及k₂₀。

当两个传感器协作，每个传感器提取全部特征参数时，共要提取10个特征参数。为了降低传感器节点的能耗，本发明提出了改进方法，每个传感器只提取部分特征参数，其协作方式确立的依据是：

1)因为2FSK与QPSK之间的误判是主要因素，所以区分这两种调制方式的主要特征参数r_max由两个传感器分别提取一次，其余的特征参数只由其中的一个传感器提取一次。

2)由五种特征参数的定义式可以看出，提取特征参数σ_aa与r_max时，两者在信号的中间处理过程中有一部分处理过程是相同的，特征参数σ_ap与σ_dp在提取时，也有相同的情况。因此为了信号处理的方便及节省能耗的考虑，可将特征参数σ_ap与σ_dp由同一个传感器提取。因此每个传感器进行特征参数提取时的具体分配方式为：

传感器1提取的特征参数：r_max，σ_ap，σ_dp；

传感器2提取的特征参数：r_max，σ_aa，k₂₀。

由上可见，由于造成系统识别率较低的主要特征参数r_max重复提取，因此不会造成提取的特征参数减少时系统识别率的大幅降低。并且当提取全部特征参数时，每个传感器节点需要提取5个特征参数，而改进的方法只需提取3个特征参数，可降低了每个传感器的能耗。

由各个传感器节点分布式协作，提取出信号的特征参数后，将提取的特征参数作为输入送入神经网络进行训练。由于神经网络分类器可以依据信号特征的观测值将信号分到不同的调制类别中，并且神经网络分类器具有强大的模式识别能力，可以处理复杂的非线性问题，而且具有较好的稳健性和潜在的容错性。因此将提取的特征参数作为输入，利用训练好的神经网络，可以实现接收信号调制类型的识别。

Claims (1)

1.一种多传感器节点分布式协作进行调制识别的方法，其特征在于该方法包含以下步骤：

a.利用网络中相互协作的多个传感器，分别提取反映调制类型显著差异的特征参数的组合，包括零中心归一化瞬时幅度之谱密度的最大值r_max、零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差σ_ap、零中心非弱信号段瞬时相位非线性分量的标准偏差σ_dp、零中心归一化瞬时幅度绝对值的标准偏差σ_aa和二阶矩和四阶矩的一个组合k₂₀；

b.根据接收信噪比的大小设计协作方案，当五个传感器节点相互协作时，基于传感器节点能耗最小的考虑，每个传感器只提取一个特征参数，基于系统整体识别率的考虑，接收信噪比最高的传感器节点提取的特征参数类型，为可以区分最容易产生相互误判的调制方式的那种特征参数，以此类推；最终选择特征参数的原则是：相互协作的五个传感器，按接收信号的信噪比由高到低排序：信噪比最高的提取r_max；次高的提取σ_aa；第三提取σ_dp；信噪比最低的两个传感器节点分别提取σ_ap及k₂₀；

c.当两个传感器协作时，为了降低传感器节点的能耗，每个传感器只提取部分特征参数，其协作方式确立的依据是，区分最容易产生误判的调制方式的特征参数由两个传感器节点各提取一次，其余特征参数仅利用其中一个传感器节点提取一次，对信号的处理过程相似的特征参数由同一个传感器节点提取，每个传感器进行特征参数提取时的具体分配方式为：传感器1提取的特征参数为r_max、σ_ap和σ_dp，传感器2提取的特征参数为r_max、σ_aa和k₂₀；

d.由各个传感器节点分布式协作，提取出信号的特征参数后，将提取的特征参数作为输入送入神经网络进行训练，利用训练好的神经网络，最终实现调制方式的自动识别。

Images