CN103067325A - 基于多类特征参数和证据理论的协作调制识别方法 - Google Patents
基于多类特征参数和证据理论的协作调制识别方法 Download PDFInfo
- Publication number
- CN103067325A CN103067325A CN2013100381831A CN201310038183A CN103067325A CN 103067325 A CN103067325 A CN 103067325A CN 2013100381831 A CN2013100381831 A CN 2013100381831A CN 201310038183 A CN201310038183 A CN 201310038183A CN 103067325 A CN103067325 A CN 103067325A
- Authority
- CN
- China
- Prior art keywords
- characteristic parameter
- evidence
- signal
- fusion
- coefficient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于多类特征参数和证据理论的协作调制识别方法,实现对2ASK,4ASK,8ASK,2PSK,QPSK,8PSK,2FSK,4FSK,8FSK,16QAM,32QAM,64QAM和OFDM13种调制方式正确识别。相互协作的节点提取不同类的特征参数,它们分别是基于瞬时信息的特征提取,基于小波分解的细节系数与高阶累积量相结合的特征提取和基于信号倒谱系数的特征提取,这些特征参数可以从不同角度表征目标信号,每个节点将特征参数输入到已训练好的BP神经网络进行测试,然后将神经网络的输出直接作为证据送往融合中心进行融合,融合规则采用D-S证据理论组合规则。
Description
技术领域
本发明涉及一种基于多类特征参数和证据理论的协作调制识别方法,属于通信技术领域。
背景技术
调制识别是介于信号检测和信息解调之间的一个中间步骤,在无线通信中应用范围很广。通信信号的调制识别技术大致分为决策理论识别和统计模式识别,前者用概率和复合假设检验的观点,获得分类器的判决准则。该方法主要难点是如何正确地判决门限,计算复杂度也非常大。另一个是模式识别,它通过提取信号的特征参量构成特征向量,采用模式识别分类器进行信号的分类识别。该方法不需要一定的假设条件,可实现信号的盲识别,比较适合信号的处理,因此该方法应用更广泛些。
目前模式识别中比较流行的特征提取方法有很多,如基于瞬时信息的特征提取,基于小波分解的细节特征提取,基于高阶累积量的特征提取,基于分形理论的特征提取和基于信号倒谱系数的特征提取,而且很多方法还得到了改进,但很少有文章综合利用各种方法,以达到取长补短,进一步提高总体识别率的目的。针对无线通信环境中隐节点问题,有些学者提出协作的识别方法,但相互协作的节点仅限于提取相同类型的特征参数,单一类型的特征参数表征信号的种类有限,当对某一信号识别率很低时,这种情况不会因为相互协作节点数的增加有很好的改善,因此系统平均识别率得不到提高。若将适当的不同类型的特征参数结合,选择合适的融合规则,可使系统平均识别性能提高,还可增加系统可识别信号的种类,所以特征参数和融合规则的选择非常重要。
数据融合技术就是将来自多源信息进行综合处理,从而得到更为准确、可靠的结论。比较成熟的识别融合技术有贝叶斯法、模板法、表决法等,以及有证据推理法、神经网络、专家系统法。在历史上,贝叶斯理论曾是解决多数据融合的最佳方法,但是其存在严重缺陷:很难根据贝叶斯理论给出精确的可信度表示。作为贝叶斯理论扩充的D-S推理技术,在数据融合中得到了广泛的应用。它的主
要特点是:满足比贝叶斯概率理论更弱的条件;具有直接表达“不确定”和“不知道”的能力.但D-S亦有其局限性,例如在合成高度冲突的证据时,合成结果将有悖常理,为解决该问题,文献[一种改进的证据推理组合规则]提出根据D-S提出一种新的证据理论合成公式,新的合成公式弥补了D-S 证据理论所存在的不足,使高冲突证据合成的结果更为理想。
发明内容
技术问题:本发明的目的在于提供一种基于多类特征参数和证据理论的协作调制识别方法。该方法针对已有协作识别方法中,相互协作的节点仅限于提取相同类型的特征参数,但单一类型的特征参数表征信号的种类有限,导致系统可识别信号种类非常有限的问题,提出将适当的不同类型的特征参数结合,选择合适的融合规则,以达到不降低系统平均识别率的同时,增加系统可识别信号的种类。
技术方案:本发明给出的基于多类特征参数和改进D-S证据理论的协作调制识别方法,包含以下步骤:
a. 特征提取部分:选择3个节点相互协作时,每个节点提取不同类型的特征参数,它们分别是基于瞬时信息的特征参数,基于小波分解细节系数和高阶累积量的特征参数,基于倒谱系数的特征参数,这些特征参数可以从不同角度表征目标信号;当6个节点相互协作时,其中有两个节点都提取基于瞬时信息的特征参数,两个节点都提取基于小波分解细节系数和高阶累积量的特征参数,剩余两个节点都提取基于倒谱系数的特征参数;当9个节点相互协作时,其中有三个节点都提取基于瞬时信息的特征参数,三个节点都提取基于小波分解细节系数和高阶累积量的特征参数,剩余三个节点都提取基于倒谱系数的特征参数;
b. 特征级融合:各节点内有以训练好的BP神经网络,提取的特征参数被送入该节点内的BP神经网络进行测试,得出特征级融合结果;
c.决策级融合:特征级融合结果即神经网络输出直接作为证据被送往融合中心进行融合,融合规则采用一种改进的D-S证据理论组合规则,该规则可使高冲突证据合成的结果更为理想。
有益效果:为了减小无线通信环境中存在的深衰落、阴影效应和隐藏节点等问题对调制识别结果的影响,本发明提供了一种将不同类型的特征参数结合在一起,选择D-S融合规则,可在不降低系统平均识别率的同时,增加系统可识别信号的种类。
附图说明
图1系统模型图。
具体实施方式
本发明提出一种新的节点间协作的识别方法,实现对2ASK,4ASK,8ASK,2PSK,QPSK,8PSK,2FSK,4FSK,8FSK,16QAM,32QAM,64QAM和OFDM 13种调制方式正确识别。选择3个节点相互协作时,每个节点提取不同类型的特征参数,它们分别是基于瞬时信息的特征参数,基于小波分解细节系数和高阶累积量的特征参数,基于倒谱系数的特征参数,这些特征参数可以从不同角度表征目标信号。当6个节点相互协作时,其中有两个节点都提取基于瞬时信息的特征参数,两个节点都提取基于小波分解细节系数和高阶累积量的特征参数,剩余两个节点都提取基于倒谱系数的特征参数,当9个节点相互协作时,其中有三个节点都提取基于瞬时信息的特征参数,三个节点都提取基于小波分解细节系数和高阶累积量的特征参数,剩余三个节点都提取基于倒谱系数的特征参数,各个节点将特征参数输入到已训练好的BP神经网络进行测试,然后将神经网络的输出直接作为证据送往融合中心进行融合,融合规则采用一种改进的D-S证据理论组合规则。由于3个节点与6,9个节点协作过程完全相同,所以以下只说明3个节点协作的情况,系统模型图如图1所示。图中节点1,2,3是处在衰落无线通信环境下的调制识别的节点,每个节点具备基于BP神经网络进行调整信号自动识别的功能,神经网络的输出直接作为证据:
然后采用改进D-S理论公式进行融合,融合结果为
从合成后的证据中选出最大值,其对应的调制方式即为融合结果。
下面我们阐述本发明的具体实施方式:
a. 特征提取
本发明采用以下3类特征参数,它们结合后可取长补短,提高系统的平均识别性能。选择3个节点相互协作时,每个节点提取不同类型的特征参数,它们分别是基于瞬时信息的特征参数,基于小波分解细节系数和高阶累积量的特征参数,基于倒谱系数的特征参数,这些特征参数可以从不同角度表征目标信号;当6个节点相互协作时,其中有两个节点都提取基于瞬时信息的特征参数,两个节点都提取基于小波分解细节系数和高阶累积量的特征参数,剩余两个节点都提取基于倒谱系数的特征参数;当9个节点相互协作时,其中有三个节点都提取基于瞬时信息的特征参数,三个节点都提取基于小波分解细节系数和高阶累积量的特征参数,剩余三个节点都提取基于倒谱系数的特征参数。
1. 基于瞬时信息的特征提取
(4) 零中心归一化瞬时频率( 从被截取的信号段的非衰弱时间间隔估计而来) 的绝对值的标准偏差,定义式为:
这里,是判断弱信号段的一个幅度判决门限电平,是在取样数据中属于非弱信号值的个数,,,,是采样点数,而是数字化符号位序列的符号位速率( 在二进制调制方式里, 符号位速率等于比特率)。该参数可将从,中区分出来。
(6) 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,定义式为:
以上选取的基于瞬时信息的特征参数对13种信号都有一定的识别功能,但低信噪比时对某些信号识别性不好,甚至在-10dB时出现识别率为0的情况。
2. 基于小波分解系数和高阶累积量的特征提取
2.1 利用小波分解特征提取的具体步骤如下:
2)信号重构。各接收节点利用8种小波系数重构各层信号,通过分解,分析含噪信号也可做到有效细节特征提取,各层重构信号也能反映各调制信号的特征。
(13)
2.2 高阶累积量的特征提取
(14)
(15)
3 基于倒谱系数的特征提取
功率谱的对数值的逆傅氏变换称为倒谱,又称作功率倒频谱。广泛应用于语音信号处理。倒频谱函数(power cepstrum)其数学表达式为: ,其中,是信号的傅里叶变换,为取对数,为逆傅里叶变换。本发明将调制信号与一维离散小波变换相结合,再求其MFCC(Mel Frequency Cepstral Coefficients)的方法。
b. 特征级融合:各节点内有以训练好的BP神经网络,提取的特征参数被送入该节点内的BP神经网络进行测试,得出特征级融合结果。
c.决策级融合:特征级融合结果即神经网络输出直接作为证据被送往融合中心进行融合,融合规则采用D-S证据理论组合规则,该规则可使高冲突证据合成的结果更为理想。
下面对D-S融合规则进行说明。
在此只说明采用3个节点协作时的融合公式,6,9个节点协作时的融合公式可类推。3个节点协作时,提取特征参数的方法各不相同,它们分别是基于瞬时信息的特征提取,基于小波分解系数和高阶累积量的特征提取,基于倒谱系数的特征提取。提取的三类特征参数在高信噪比时对2ASK,4ASK,8ASK,2PSK,QPSK,8PSK,2FSK,4FSK,8FSK,16QAM,32QAM,64QAM和OFDM 13种信号都有一定的识别功能,对同一信号有不同的识别率,有高有低,低信噪比时某种信号的识别率可能为零,但不会出现三种方法对同一信号识别率全为零的情况。三者经过上述新的合成公式融合后能够取长补短,达到互补的功能。若三个节点内BP神经网络的输出分别为(1),(2),(3),为方便叙述,三个神经网络输出表达式简化为:
1. 任意两个证据间局部冲突为:
M为待识别调制方式数。
2. 计算任两个证据间的距离:
3. 3. 计算任两个证据间的相似性测度
4. 每个证据体的支持度:
6. 计算系统全局冲突过程为:
8. 计算融合结果,如
从合成后的证据中选出最大值,其对应的调制方式即为融合结果。
Claims (1)
1.一种基于多类特征参数和证据理论的协作调制识别方法,其特征在于该方法包括以下步骤:
a. 特征提取: 3个节点相互协作,每个节点提取不同类型的特征参数,它们分别是基于瞬时信息的特征参数、基于小波分解细节系数和高阶累积量的特征参数和基于倒谱系数的特征参数,这些特征参数可以从不同角度表征目标信号;其中基于瞬时信息的特征参数包括:瞬时幅度均值的平方 ,零中心归一化瞬时幅度绝对值的标准偏差,瞬时频率的平方和,零中心归一化瞬时频率的绝对值的标准偏差,瞬时频率的变换值,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,零中心非弱信号段相位非线性分量的标准偏差;基于小波分解系数和高阶累积量的特征参数包括:采用db3小波对接收信号进行7层分解,提取各层小波系数,重构各层信号并计算各层信号的平均方差得到S1~S8八种参数,二阶矩和四阶矩的组合参数,高阶累积量及;
c.决策级融合:将神经网络输出直接作为证据被送往融合中心进行融合,融合规则采用证据理论组合规则,步骤为:
步骤一:计算任意两个证据间局部冲突:
M为待识别调制方式数;
步骤二:计算任两个证据间的距离:
M为待识别调制方式数;则:
步骤三:计算任两个证据间的相似性测度:
步骤四:计算每个证据体的支持度:
步骤六:计算系统全局冲突,过程如下:
3)全局冲突为 ;
步骤八:计算融合结果,即合成后的证据,例如对于2ASK信号:
从合成后的证据中选出最大值,其对应的调制方式即为识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013100381831A CN103067325A (zh) | 2013-01-31 | 2013-01-31 | 基于多类特征参数和证据理论的协作调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013100381831A CN103067325A (zh) | 2013-01-31 | 2013-01-31 | 基于多类特征参数和证据理论的协作调制识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103067325A true CN103067325A (zh) | 2013-04-24 |
Family
ID=48109792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013100381831A Pending CN103067325A (zh) | 2013-01-31 | 2013-01-31 | 基于多类特征参数和证据理论的协作调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103067325A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103441974A (zh) * | 2013-08-26 | 2013-12-11 | 东南大学 | 一种联合高阶统计量和谱峰特征的调制识别装置及方法 |
CN104717167A (zh) * | 2015-02-28 | 2015-06-17 | 东南大学 | 一种基于PXIe模块化仪器的调制识别方法 |
CN104935359A (zh) * | 2015-05-12 | 2015-09-23 | 国网重庆市电力公司电力科学研究院 | 一种低压电力线载波通信信号调制方式识别装置及系统 |
CN108540202A (zh) * | 2018-03-15 | 2018-09-14 | 西安电子科技大学 | 一种卫星通信信号调制方式识别方法、卫星通信系统 |
CN108600137A (zh) * | 2018-04-28 | 2018-09-28 | 重庆邮电大学 | 一种基于反向传播神经网络的新型多载波识别方法 |
CN108616471A (zh) * | 2018-05-07 | 2018-10-02 | 中国电子科技集团公司第三十六研究所 | 一种基于卷积神经网络的信号调制识别方法和装置 |
CN108768907A (zh) * | 2018-01-05 | 2018-11-06 | 南京邮电大学 | 一种基于瞬时特征统计量和bp神经网络的调制识别方法 |
CN108924836A (zh) * | 2018-07-04 | 2018-11-30 | 南方电网科学研究院有限责任公司 | 一种基于深度神经网络的边缘侧物理层信道认证方法 |
CN109034088A (zh) * | 2018-08-06 | 2018-12-18 | 北京邮电大学 | 一种无人机信号探测方法及装置 |
CN110958199A (zh) * | 2019-12-03 | 2020-04-03 | 上海电机学院 | 一种基于多维特征提取的通信调制信号识别方法 |
CN111510408A (zh) * | 2020-04-14 | 2020-08-07 | 北京邮电大学 | 信号调制方式识别方法、装置、电子设备及存储介质 |
CN111740930A (zh) * | 2020-08-26 | 2020-10-02 | 东南大学 | 基于多特征分层处理的多类型非合作水声信号识别方法 |
CN113315727A (zh) * | 2021-03-29 | 2021-08-27 | 中山大学 | 基于预处理降噪的数字通信信号调制识别方法 |
CN113643781A (zh) * | 2021-06-25 | 2021-11-12 | 合肥工业大学 | 基于时序预警信号的健康干预方案个性化推荐方法及系统 |
-
2013
- 2013-01-31 CN CN2013100381831A patent/CN103067325A/zh active Pending
Non-Patent Citations (3)
Title |
---|
刘爱声等: "多传感器节点分布式协作调制识别算法", 《信号处理》 * |
李巍华等: "基于改进证据理论及多神经网络融合的故障分类", 《机械工程学报》 * |
谭晓衡等: "基于联合特征参数的数字调制识别优化算法", 《系统工程与电子技术》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103441974B (zh) * | 2013-08-26 | 2016-08-10 | 东南大学 | 一种联合高阶统计量和谱峰特征的调制识别装置及方法 |
CN103441974A (zh) * | 2013-08-26 | 2013-12-11 | 东南大学 | 一种联合高阶统计量和谱峰特征的调制识别装置及方法 |
CN104717167A (zh) * | 2015-02-28 | 2015-06-17 | 东南大学 | 一种基于PXIe模块化仪器的调制识别方法 |
CN104935359A (zh) * | 2015-05-12 | 2015-09-23 | 国网重庆市电力公司电力科学研究院 | 一种低压电力线载波通信信号调制方式识别装置及系统 |
CN104935359B (zh) * | 2015-05-12 | 2017-06-16 | 国网重庆市电力公司电力科学研究院 | 一种低压电力线载波通信信号调制方式识别装置及系统 |
CN108768907A (zh) * | 2018-01-05 | 2018-11-06 | 南京邮电大学 | 一种基于瞬时特征统计量和bp神经网络的调制识别方法 |
CN108540202A (zh) * | 2018-03-15 | 2018-09-14 | 西安电子科技大学 | 一种卫星通信信号调制方式识别方法、卫星通信系统 |
CN108540202B (zh) * | 2018-03-15 | 2021-01-26 | 西安电子科技大学 | 一种卫星通信信号调制方式识别方法、卫星通信系统 |
CN108600137B (zh) * | 2018-04-28 | 2020-11-24 | 重庆邮电大学 | 一种基于反向传播神经网络的新型多载波识别方法 |
CN108600137A (zh) * | 2018-04-28 | 2018-09-28 | 重庆邮电大学 | 一种基于反向传播神经网络的新型多载波识别方法 |
CN108616471A (zh) * | 2018-05-07 | 2018-10-02 | 中国电子科技集团公司第三十六研究所 | 一种基于卷积神经网络的信号调制识别方法和装置 |
CN108616471B (zh) * | 2018-05-07 | 2020-11-20 | 中国电子科技集团公司第三十六研究所 | 一种基于卷积神经网络的信号调制识别方法和装置 |
CN108924836A (zh) * | 2018-07-04 | 2018-11-30 | 南方电网科学研究院有限责任公司 | 一种基于深度神经网络的边缘侧物理层信道认证方法 |
CN109034088A (zh) * | 2018-08-06 | 2018-12-18 | 北京邮电大学 | 一种无人机信号探测方法及装置 |
CN110958199A (zh) * | 2019-12-03 | 2020-04-03 | 上海电机学院 | 一种基于多维特征提取的通信调制信号识别方法 |
CN111510408A (zh) * | 2020-04-14 | 2020-08-07 | 北京邮电大学 | 信号调制方式识别方法、装置、电子设备及存储介质 |
CN111510408B (zh) * | 2020-04-14 | 2021-05-07 | 北京邮电大学 | 信号调制方式识别方法、装置、电子设备及存储介质 |
CN111740930B (zh) * | 2020-08-26 | 2020-11-24 | 东南大学 | 基于多特征分层处理的多类型非合作水声信号识别方法 |
CN111740930A (zh) * | 2020-08-26 | 2020-10-02 | 东南大学 | 基于多特征分层处理的多类型非合作水声信号识别方法 |
CN113315727A (zh) * | 2021-03-29 | 2021-08-27 | 中山大学 | 基于预处理降噪的数字通信信号调制识别方法 |
CN113315727B (zh) * | 2021-03-29 | 2022-10-11 | 中山大学 | 基于预处理降噪的数字通信信号调制识别方法 |
CN113643781A (zh) * | 2021-06-25 | 2021-11-12 | 合肥工业大学 | 基于时序预警信号的健康干预方案个性化推荐方法及系统 |
CN113643781B (zh) * | 2021-06-25 | 2023-07-04 | 合肥工业大学 | 基于时序预警信号的健康干预方案个性化推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103067325A (zh) | 基于多类特征参数和证据理论的协作调制识别方法 | |
Peng et al. | A survey of modulation classification using deep learning: Signal representation and data preprocessing | |
Huang et al. | Automatic modulation classification using gated recurrent residual network | |
Güner et al. | Automatic digital modulation classification using extreme learning machine with local binary pattern histogram features | |
CN110855591B (zh) | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 | |
CN109450834A (zh) | 基于多特征关联和贝叶斯网络的通信信号分类识别方法 | |
Choqueuse et al. | Blind modulation recognition for MIMO systems | |
Yang et al. | Deep learning aided method for automatic modulation recognition | |
CN108540202A (zh) | 一种卫星通信信号调制方式识别方法、卫星通信系统 | |
CN104158633A (zh) | 一种基于混合高斯模型的最大似然调制识别方法 | |
CN102869064A (zh) | 基于特征级与决策级联合融合的分簇调制识别方法 | |
CN102647391A (zh) | 一种基于决策层数据融合的协作调制信号识别方法 | |
CN105656826A (zh) | 基于顺序统计量和机器学习的调制识别方法及系统 | |
Ali et al. | Algorithm for automatic recognition of PSK and QAM with unique classifier based on features and threshold levels | |
Chirov et al. | Application of the decision trees to recognize the types of digital modulation of radio signals in cognitive systems of HF communication | |
Cheng et al. | Deep learning network based spectrum sensing methods for OFDM systems | |
Tran et al. | GAN-based data augmentation for UWB NLOS identification using machine learning | |
Ali et al. | Modulation format identification using supervised learning and high-dimensional features | |
An et al. | Robust automatic modulation classification in low signal to noise ratio | |
CN104243391A (zh) | 一种基于证据折扣的协作调制识别方法 | |
Sobolewski et al. | Universal nonhierarchical automatic modulation recognition techniques for distinguishing bandpass modulated waveforms based on signal statistics, cumulant, cyclostationary, multifractal and fourier-wavelet transforms features | |
CN113037668A (zh) | 一种毫米波点对点通信信道均衡方法 | |
Ghauri et al. | A novel approach for automatic modulation classification via hidden Markov models and Gabor features | |
Abdelmutalab et al. | Automatic modulation classification using polynomial classifiers | |
Hreshee | Automatic recognition of the digital modulation types using the artificial neural networks. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130424 |