CN102868654B - 一种认知网络中数字调制信号的分类方法 - Google Patents

Abstract

本发明公开了一种认知网络中数字调制信号的分类方法针对认知无线电中数字调制信号的分类，提出了一种新的基于db5（5daubechies）小波变换与分数傅里叶变换的调制分类方法。在本发明中，首先对数字调制信号进行db5（5daubechies）小波变换和分数傅里叶变换得到数据分布情况，将这个数据分布情况作为分类的特征，确定数字调制信号的调制方式。经过测试表明，本发明的性能比传统方法性能跟高，在相同信噪比环境下分类准确率较高，同时本发明的方法不仅可以适用于高斯信道下的数字调制信号分类，而且也适用于瑞利信道下的数字调制信号分类。

Description

一种认知网络中数字调制信号的分类方法

技术领域

本发明属于认知无线电技术领域，更为具体地讲，涉及一种认知网络中数字调制信号的分类方法。

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认知网络中数字调制信号的分类方法。

为实现上述目的，本发明认知网络中数字调制信号的分类方法，其特征在于，包括以下步骤：

（1）、计算输入数字调制信号x(t)的db5（5daubechies）小波变换得到结果X(ω)：

$X\left(\mathrm{\ω}\right)=\mathrm{CWTf}(a,b)={\∫}_{R}x\left(t\right){\mathrm{\ψ}}_{a,b}\left(t\right)\mathrm{dt}={\∫}_{R}x\left(t\right){\left|a\right|}^{\frac{1}{2}}\mathrm{\ψ}\left(\frac{t-b}{a}\right)\mathrm{dt}$

${\mathrm{\ψ}}_{a,b}\left(t\right)=\frac{1}{\sqrt{\left|a\right|}}\mathrm{\ψ}\left(\frac{t-b}{a}\right);$

其中，R是实数域，CWTf(a,b)表示对函数进行小波变换后的结果，ω是一个变量；db5小波变换的小波基是ψ_a,b(t)，a是缩放因子，b代表时间平移，t是时间变量；

（2）、对db5小波变换结果X(ω)进行分数傅里叶变换，得到分类特征f_p(u)

$f_p\left(u\right)={\∫}_{-\∞}^{+\∞}{K}_p(u,\mathrm{\ω})X\left(\mathrm{\ω}\right)\mathrm{d\ω}$

其中：

$K_p(u,\mathrm{\ω})=\left\{\begin{array}{c}{A}_{\mathrm{\α}}\exp \left[\mathrm{j\π}(u^2\cot \mathrm{\α}-2\mathrm{u\ω}\csc \mathrm{\α}+{\mathrm{\ω}}^2\cot \mathrm{\α})\right],\mathrm{\α}\≠\mathrm{n\π}\\ \mathrm{\δ}(u-\mathrm{\ω}),\mathrm{\α}=2\mathrm{n\π}\\ \mathrm{\δ}(u+\mathrm{\ω}),\mathrm{\α}=(2n+1)\mathrm{\π}\end{array}\right.$

$A_{\mathrm{\α}}=\frac{\exp [-\mathrm{j\πsgn}\left(\sin \mathrm{\α}\right)/4+\mathrm{j\α}/2]}{{\left|\sin \mathrm{\α}\right|}^{1/2}},$ $\mathrm{\α}=\frac{\mathrm{p\π}}{2};$

K_p(u,ω)是分数傅里叶变换的核函数，n为整数，sgn(·)表示取符号，exp()表示以e为底的指数，δ(·)代表冲击函数，j代表虚数部分，p代表分数傅里叶变换的阶次，u是一个变量；

（3）、分类判定调制类型

统计分类特征f_p(u)的数据分布情况，根据数据分布情况来进行分类，确定数字调制信号的调制方式。

本发明的发明目的是这样实现的：

本发明认知网络中数字调制信号的分类方法针对认知无线电中数字调制信号的分类，提出了一种新的基于db5（5daubechies）小波变换与分数傅里叶变换的调制分类方法。在本发明中，首先对数字调制信号进行db5（5daubechies）小波变换和分数傅里叶变换得到数据分布情况，将这个数据分布情况作为分类的特征，确定数字调制信号的调制方式。经过测试表明，本发明的性能比传统方法性能跟高，在相同信噪比环境下分类准确率较高，同时本发明的方法不仅可以适用于高斯信道下的数字调制信号分类，而且也适用于瑞利信道下的数字调制信号分类。

附图说明

图1是本发明认知网络中数字调制信号的分类方法一种具体实施方式的原理框图；

图2是四种调制方式的数字调制信号经过db5小波变换与分数傅里叶变换后的分类特征图；

图3是信噪比SNR=0dB的时候四种数字调制信号的分类特征统计量；

图4是高斯信道下，四种数字调制信号调制方式在不同信噪比下的各自分类准确率；

图5是瑞利信道下，四种数字调制信号调制方式在不同信噪比下的各自分类准确率。

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是本发明认知网络中数字调制信号的分类方法一种具体实施方式的原理框图。

在本实施例中，如图1所示，数字调制信号通过信道传输到接收方来，信道模型采用高斯信道或瑞利信道两种信道模型，接收到的数字调制信号为x(t)。

对于接收到的数字调制信号x(t)=A(t)·s(t)+n(t)，其中s(t)是源信号，即发送方的数字调制信号，A(t)由信道模型决定，n(t)是噪声

a1.高斯信道模型

在高斯模型下，A(t)为一个常数，n(t)是服从高斯分布的函数，信噪比决定其数值大小。

a2.瑞利信道模型

对于瑞利衰落信道，那么对于采样点s_i，接收到的其中-N₁≤n≤N₂,T_s是输入采样间隔，τ_k是设定的路径时延，K是总的路径数N₁,N₂是设定的使得|g_n|最小。

如图1所示，对于接收到的数字调制信号，在本发明中，采用db5小波变换和分数傅里叶变换对其提取分类特征，得到其分类特征f_p(u)。

统计分类特征f_p(u)的数据分布情况，根据分布情况来确定调制方式。

在本实施例中，如图1所示，在认知网络中，源信号有以下四种调制方式2ASK,2FSK,BPSK,16QAM，采用相同的符号率40Kb/s采样频率为800KHz，载波频率为100KHz，对于每类调制方式，测试用例1000个。在高斯信道下，信噪比由-20dB到20dB，而瑞利衰落信道路径时延10^-6，最大多普勒平移为130Hz，路径信噪比按照高斯信噪比不断变化。

图2是四种调制方式的数字调制信号经过db5小波变换与分数傅里叶变换后的分类特征图。

图3是信噪比SNR=0dB的时候四种数字调制信号的分类特征统计量。

根据四种数字调制信号的分类特征统计量，可以确定每种数字调制信号调制类型的统计边界，由此来设计一个分类器的来统计分类特征f_p(u)的数据分布情况，即统计量，确定数字调制信号的调制方式。

通过以上的设计，对于一个输入的待分类的数字调制信号，同样经过小波变换与分数傅里叶变换，进入分类器，就可以确定输入待分类数字调制信号的调制类型。

图4是高斯信道下，四种数字调制信号调制方式在不同信噪比下的各自分类准确率；

图5是瑞利信道下，四种数字调制信号调制方式在不同信噪比下的各自分类准确率。

如图4、5所示，本发明的认知网络中数字调制信号的分类方法对四种调制类型都具有较高的分类准确率。

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)

1.一种认知网络中数字调制信号的分类方法，其特征在于，包括以下步骤：

（1）、计算输入数字调制信号x(t)的db5（5daubechies）小波变换得到结果X(ω)：

$X\left(\mathrm{\ω}\right)=\mathrm{CWTf}(a,b)={\∫}_{R}x\left(t\right){\mathrm{\ψ}}_{a,b}\left(t\right)\mathrm{dt}={\∫}_{R}x\left(t\right){\left|a\right|}^{\frac{1}{2}}\mathrm{\ψ}\left(\frac{t-b}{a}\right)\mathrm{dt}$

${\mathrm{\ψ}}_{a,b}\left(t\right)=\frac{1}{\sqrt{\left|a\right|}}\mathrm{\ψ}\left(\frac{t-b}{a}\right);$

其中，R是实数域，CWTf(a,b)表示对函数进行小波变换后的结果，ω是一个变量；db5小波变换的小波基是ψ_a,b(t)，a是缩放因子，b代表时间平移，t是时间变量；

（2）、对db5小波变换结果X(ω)进行分数傅里叶变换，得到分类特征f_p(u)

$f_p\left(u\right)={\∫}_{-\∞}^{+\∞}{K}_p(u,\mathrm{\ω})X\left(\mathrm{\ω}\right)\mathrm{d\ω}$

其中：

$K_p(u,\mathrm{\ω})=\left\{\begin{array}{c}{A}_{\mathrm{\α}}\exp \left[\mathrm{j\π}(u^2\cot \mathrm{\α}-2\mathrm{u\ω}\csc \mathrm{\α}+{\mathrm{\ω}}^2\cot \mathrm{\α})\right],\mathrm{\α}\≠\mathrm{n\π}\\ \mathrm{\δ}(u-\mathrm{\ω}),\mathrm{\α}=2\mathrm{n\π}\\ \mathrm{\δ}(u+\mathrm{\ω}),\mathrm{\α}=(2n+1)\mathrm{\π}\end{array}\right.$

$A_{\mathrm{\α}}=\frac{\exp [-\mathrm{j\πsgn}\left(\sin \mathrm{\α}\right)/4+\mathrm{j\α}/2]}{{\left|\sin \mathrm{\α}\right|}^{1/2}},$ $\mathrm{\α}=\frac{\mathrm{p\π}}{2};$

K_p(u,ω)是分数傅里叶变换的核函数，n为整数，sgn(·)表示取符号，exp()表示以e为底的指数，δ(·)代表冲击函数，j代表虚数部分，p代表分数傅里叶变换的阶次，u是一个变量；

（3）、分类判定调制类型

统计分类特征f_p(u)的数据分布情况，根据数据分布情况来进行分类，确定数字调制信号的调制方式。