CN102868653A - 一种基于双谱和稀疏矩阵的数字调制信号分类方法 - Google Patents

Abstract

本发明公开了一种基于双谱和稀疏矩阵的数字调制信号分类方法，提出了两步法来对数字调制信号进行分类。第一步已知调制类型的数字调制信号进行双谱估计，利用压缩感知的方法对数字调制信号的双谱进行压缩，得到其稀疏表示，根据这个稀疏表示制作字典；第二步对输入待分类的数字调制信号进行第一步相同的变换，得到的变换结果与字典进行对比，计算残差均值，将残差均值最小的那个类型确定为信号的调制方式。通过与以前的基于经典特征的支持向量机（SVM）分类算法相比较，本发明提出的分类方法在分类正确率上有了明显的提高。

Description

一种基于双谱和稀疏矩阵的数字调制信号分类方法

技术领域

本发明属于认知无线电技术领域，更为具体地讲，涉及一种基于双谱和稀疏矩阵的数字调制信号分类方法。

背景技术

无线电频谱是一种宝贵的自然资源，它的分配通常是由无线电法规部门确定的。目前世界各国采用的是基于固定频谱分配的原则，随着无线通信需求的不断增长，人们对通信速率的需求也越来越高。根据香农理论，通信速率越高，通信系统所需占用的频谱带宽也越来越宽，从而导致适用于无线通信的频谱资源变得日益紧张。另一方面调查显示，无线电通信的频谱资源的利用率很低。

在解决日益稀缺的频谱问题上，认知无线电（Cognitive Radio，简称CR）是一种很有前景的技术。认知无线电被视为以适应在真实环境中无线电频谱的使用不断变化的智能无线通信系统。这种频谱随机接入策略是依赖于频谱感知，频谱感知是认知无线电技术的突出特征。为提高频谱感知正确率，已进行了很多关于频谱感知技术的研究，然而，实现这样的认知无线电感知技术，需要知道输入数字调制信号的调制类型。

自动调制分类（AMC）技术在非合作和动态通信环境，防止有害干扰授权用户，提高频谱的利用率中起着重要的作用。一般情况下，自动调制分类分为两个类型：决策理论和调制分类。决策理论通常涉及数字调制信号的统计特征和似然比；调制分类则主要依赖于特征的选取。数字调制信号分类的特征选取没有一个特定的方式，当已经确定特征的时候，只有通过仿真计算才能确定是否是最优的，数字调制信号的分类准确率有待提高。

发明内容

本发明的目的在于克服现有技术的不足，提供一种分类准确率更高的基于双谱和稀疏矩阵的数字调制信号分类方法。

为实现上述目的，本发明基于双谱和稀疏矩阵的数字调制信号分类方法，其特征在于，包括以下步骤：

（1）、稀疏矩阵字典的建立

1.1）、分别计算确知的四种数字调制信号2FSK、4FSK、QPSK、16QAM的训练序列x_2FSK(t),x_4FSK(t),x_QPSK(t),x_16QAM(t)的双谱，得到其双谱表示，对每个序列进行以下处理：

将长度为N的训练序列分割成M段，计算每个分段的双谱

其中L₁是预设整数，Δ₀是双谱域的频率采样间隔，

K=N/M，xⁱ(·)表示数字调制信号的第i个部分；

训练序列的双谱采用均值定义，表示为

这样四种数字调制信号2FSK、4FSK、QPSK、16QAM的训练序列x_2FSK(t),x_4FSK(t),x_QPSK(t),x_16QAM(t)的双谱为：以及

1.2）、对四种数字调制信号的双谱

分别进行稀疏表示，得到各自的稀疏矩阵ψ：

$\stackrel{\‾}{B}({\mathrm{\λ}}_1,{\mathrm{\λ}}_2)=\mathrm{\ψ}{s}_0,$ 其中：

ψ=[v₁,v₂,...v_n,]∈Rⁿ

Rⁿ是n维实数域，v_j是第j个数据，j=1,2…,K；

$s_0\stackrel{.}{=}{{[0,\·\·\·,0,s_{d1},s_{d2},\·\·\·,s_{\mathrm{dm}},0,\·\·\·,0]}_n}^T$

由于维度为n相对较高，计算复杂度高，需要进行降维处理：

用矩阵Ф同时对两边进行相乘，得到：

$y\stackrel{.}{=}\mathrm{\Φ}\stackrel{\‾}{B}({\mathrm{\λ}}_1,{\mathrm{\λ}}_2)=\mathrm{\Φ\ψ}{s}_0\∈R^f$

R^f表示f(f<n)维的实数域；

这样得到四种数字调制信号2FSK、4FSK、QPSK、16QAM的稀疏矩阵为：

y_2FSK,y_4FSK,y_QPSK,y_16QAM，并构成稀疏矩阵字典；

（2）、数字调制信号调制方式的分类

2.1）对输入待分类的数字调制信号进行步骤（1）同样的变换，得到变换结果

2.2）、计算输入待分类数字调制信号变换后结果与字典中每个稀疏矩阵的残差：

$r_d\left({\tilde{y}}_x\right)=\left|\right|{\tilde{y}}_x-y_d\left|\right|={\left|\right|{\tilde{y}}_x-\mathrm{\&Phi;}\stackrel{\&OverBar;}{B}({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2)\left|\right|}_2,d=\mathrm{1,2,3,4}$

d=1的时候y_d=y_2FSK,d=2的时候y_d=y_4FSK,

d=3的时候y_d=y_QPSK,d=4的时候y_d=y_16QAM,

为了提高分类的稳定性，采用残差均值,得到其残差均值为：

$E\left[r_d\right]=\frac{1}{l}\underset{j=1,\&CenterDot;\&CenterDot;\&CenterDot;,l}{\mathrm{\&Sigma;}}{r}_d\left({\tilde{y}}_x\right)$

其中，l表示对同一待分类数字调制信号的测试次数；

2.3）、鉴别待分类数字调试信号的调制方式：对哪种调制方式的稀疏矩阵的残差均值E[r_d]最小，就确定为该调制类别。

本发明的发明目的是这样实现的：

本发明基于双谱和稀疏矩阵的数字调制信号分类方法，提出了两步法来对数字调制信号进行分类。第一步已知调制类型的数字调制信号进行双谱估计，利用压缩感知的方法对数字调制信号的双谱进行压缩，得到其稀疏表示，根据这个稀疏表示制作字典；第二步对输入待分类的数字调制信号进行第一步相同的变换，得到的变换结果与字典进行对比，计算残差均值，将残差均值最小的那个类型确定为信号的调制方式。通过与以前的基于经典特征的支持向量机（SVM）分类算法相比较，本发明提出的分类方法在分类正确率上有了明显的提高。

附图说明

图1是本发明基于双谱和稀疏矩阵的数字调制信号分类方法一种具体实施方式的原理框图；

图2是四种调制方式数字信号的双谱图；

图3是四种调制方式数字信号的不同信噪比下的分类正确率。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明基于双谱和稀疏矩阵的数字调制信号分类方法一种具体实施方式的原理框图；

如图1所示，本发明基于双谱和稀疏矩阵的数字调制信号分类方法首先是建立稀疏矩阵字典，用这个稀疏矩阵字典去判断是哪种调制方式。

（1）、稀疏矩阵字典的建立

步骤ST1.1：稀疏矩阵字典的建立采用确知调制类型的数字调制信号2FSK、4FSK、QPSK和16QAM分别计算它们的双谱，得到的双谱表示为：

以及

步骤ST1.2：进行稀疏变换，计算其双谱的稀疏矩阵，得到稀疏矩阵y_d，并构成稀疏矩阵字典，其中，d=1,2,3,4；d=1的时候表示2FSK，d=2的时候表示4FSK，d=3的时候表示QPSK，d=4的时候表示16QAM。

（2）、数字调制信号调制方式的分类

步骤ST2.1：对于输入加噪的待分类数字调制信号，同样通过双谱变换和稀疏变换，得到其变换结果

步骤ST2.2：计算输入待分类数字调制信号变换与字典每个稀疏矩阵的残差

$r_d\left({\tilde{y}}_x\right)=\left|\right|{\tilde{y}}_x-y_d\left|\right|={\left|\right|{\tilde{y}}_x-\mathrm{\&Phi;}\stackrel{\&OverBar;}{B}({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2)\left|\right|}_2,d=\mathrm{1,2,3,4}$

为了提高稳定性，采用残差均值,得到其残差均值为

$E\left[r_d\right]=\frac{1}{l}\underset{j=1,\&CenterDot;\&CenterDot;\&CenterDot;,l}{\mathrm{\&Sigma;}}{r}_d\left({\tilde{y}}_x\right)$

与那种调制方式的字典残差最小，就确定待分类数字调制信号的调制方式为此种调制方式

$\mathrm{identity}\left({\tilde{y}}_x\right)=\arg \underset{d}{\min }E\left[r_d\right]$

图2是四种调制方式（2FSK,4FSK,QPSK,16QAM）的双谱图。

如图2所示，双谱是制作稀疏矩阵字典的一个关键中间环节，同时，可以看出，四种数字调制信号的双谱有较大差异，计算其双谱作为得到稀疏矩阵字典的前提。

图3是四种调制方式数字信号的不同信噪比下的分类正确率。

如图3所示，采用本发明方法，在不同信噪比条件下，分类正确率在信噪比高于0时都高于95%，具有较高的分类正确率。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于双谱和稀疏矩阵的数字调制信号分类方法，其特征在于，包括以下步骤：

（1）、稀疏矩阵字典的建立

1.1）、分别计算确知的四种数字调制信号2FSK、4FSK、QPSK、16QAM的训练序列x_2FSK(t),x_4FSK(t),x_QPSK(t),x_16QAM(t)的双谱，得到其双谱表示，对每个序列进行以下处理：

将长度为N的训练序列分割成M段，计算每个分段的双谱

$Y^{\left(i\right)}\left(\mathrm{\&lambda;}\right)=\frac{1}{K}\underset{k=0}{\overset{K-1}{\mathrm{\&Sigma;}}}{x}^i\left(k\right)\exp (-j2\mathrm{\&pi;k\&lambda;}/K),$ λ=λ₁+k₁、λ₂+k₂或λ₁+λ₂+k₁+k₂；

其中L₁是预设整数，Δ₀是双谱域的频率采样间隔，

K=N/M，xⁱ(·)表示数字调制信号的第i个部分；

训练序列的双谱采用均值定义，表示为

这样四种数字调制信号2FSK、4FSK、QPSK、16QAM的训练序列x_2FSK(t),x_4FSK(t),x_QPSK(t),x_16QAM(t)的双谱为：

以及

1.2）、对四种数字调制信号的双谱

分别进行稀疏表示，得到各自的稀疏矩阵ψ：

$\stackrel{\&OverBar;}{B}({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2)=\mathrm{\&psi;}{s}_0,$ 其中：

ψ=[v₁,v₂,...v_n,]∈Rⁿ

Rⁿ是n维实数域，vj是第j个数据，j=1,2…,K；

$s_0\stackrel{.}{=}{{[0,\&CenterDot;\&CenterDot;\&CenterDot;,0,s_{d1},s_{d2},\&CenterDot;\&CenterDot;\&CenterDot;,s_{\mathrm{dm}},0,\&CenterDot;\&CenterDot;\&CenterDot;,0]}_n}^T$

由于维度为n相对较高，计算复杂度高，需要进行降维处理：

用矩阵Ф同时对两边进行相乘，得到：

$y\stackrel{.}{=}\mathrm{\&Phi;}\stackrel{\&OverBar;}{B}({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2)=\mathrm{\&Phi;\&psi;}{s}_0\&Element;R^f$

R^f表示f(f<n)维的实数域；

这样得到四种数字调制信号2FSK、4FSK、QPSK、16QAM的稀疏矩阵为：

y_2FSK,y_4FSK,y_QPSK,y_16QAM，并构成稀疏矩阵字典；

（2）、数字调制信号调制方式的分类

2.1）对输入待分类的数字调制信号进行步骤（1）同样的变换，得到变换结果

2.2）、计算输入待分类数字调制信号变换后结果

与字典中每个稀疏矩阵的残差：

$r_d\left({\tilde{y}}_x\right)=\left|\right|{\tilde{y}}_x-y_d\left|\right|={\left|\right|{\tilde{y}}_x-\mathrm{\&Phi;}\stackrel{\&OverBar;}{B}({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2)\left|\right|}_2,d=\mathrm{1,2,3,4}$

d=1的时候y_d=y_2FSK,d=2的时候y_d=y_4FSK,

d=3的时候y_d=y_QPSK,d=4的时候y_d=y_16QAM,

为了提高分类的稳定性，采用残差均值,得到其残差均值为：

$E\left[r_d\right]=\frac{1}{l}\underset{j=1,\&CenterDot;\&CenterDot;\&CenterDot;,l}{\mathrm{\&Sigma;}}{r}_d$

其中，l表示对同一待分类数字调制信号的测试次数；

2.3）、鉴别待分类数字调试信号的调制方式：对哪种调制方式的稀疏矩阵的残差均值E[r_d]最小，就确定为该调制类别。

Images