CN103152790B - 基于相关性分簇的两级融合调制识别方法 - Google Patents

Abstract

本发明提供一种基于相关性分簇的两级融合调制识别方法，为了实现对BPSK，2FSK，2ASK，QPSK，4FSK以及4ASK这6种调制方式的正确识别，本发明特征提取方法为采用db3小波对这六种信号进行7层分解，对每层信号重构并计算各层信号的平均方差S，得到S1~S8八个参数；同时引入四种瞬时特征参数、、、，以便对2PSK、QPSK和2ASK三种信号进行更好的识别。为克服“隐终端”问题，该发明采用了一种基于接收信号相关性进行分簇的两级融合调制识别的方法，该方法基于接收信号能量的相关性进行分簇，簇内节点根据接收信噪比的大小提取不同的参数进行协作，每个节点只提取一个特征参数，提取方法如上所述，簇头进行初级特征融合，汇聚中心进行决策级融合。

Description

基于相关性分簇的两级融合调制识别方法

技术领域

本发明涉及一种调制方式自动识别技术中两级融合的实现方案，属于通信技术领域。

背景技术

通信的目的是通过信道有效、安全、准确的传输信息，无论有线通信或是无线通信，由于信道的限制也为了充分利用信道的容量，满足用户的不同需求，基带信号都不能直接传输，必须经过调制。通过调制，可使信号更安全的传输，也可获得更高的通信速率，更有效的频谱利用率。随着电子技术的快速发展，以及对信息传输技术的不断提高，通信信号的调制方式也越来越多。目前的通信系统中应用了各种各样的调制方式，并将信号调制到不同的频带上进行传输。在大部分民用通信中，大都采用合作通信即事先知道传输信号的调制方式、调制参数，接收机只需要将接收到的信息按事先所给的调制方式和调制参数解调即可。但是接收端可能会接收到各种各样的信号，毕竟在通信信号如此发达的今天，周围空间中的信号复杂繁多，如何从接收端提取出真正要接收的信号也是一个重要的问题，有一种方法就是对接收到的信号进行识别，得到其调制方式和调制参数，然后和事先给定的信号比对，如果确定是发送端的信号就对其进行接收并解调。同时目前软件无线电接收机也都实现了多频带、多调制信号的自动接收，也需要先进行信号的调制模式识别和信号参数识别，才能正确接收。非合作通信主要应用的就是军事领域，电子战是现代战争的重要标志。通信对抗是电子战的主要内容，包括敌方信号的截获、检测、识别和定向测位对方信号，进而破译对方的通信信启、或发出相同的信号对敌方信号进行干扰。然而通信信号调制方式的识别是实现侦听和干扰的前提，只有正确识别对方信号的调制方式才有可能进一步检测出对方信号的相关调制参数，从而达到破译敌方信号的目的。调制识别在军事和民用方面都有重要的意义和价值。

信号调制特点反映在时频两域，想准确地提取不同信号调制特点需要从时频两域进行。小波变换具有不同于傅里叶变换的多分辨分析特点，能从时域频域很好地表征信号局部特性，从而可用来提取不同调制类别的特征。神经网络作为分类器进行分类识别，不需要先验知识和选取门限值，能够在个别参数不准确或失真的情况下保证整体的识别率。因此，小波分析和神经网络结合的无线通信信号调制类别检测系统，具有很大的应用前景。

无线环境中“隐终端”、衰落等问题将会导致识别性能的恶化。为了克服这些问题，采用多个接收用户协作识别的方法，将不同用户接收到的来自同一发送端的信息加以融合，避免了单用户识别的独断性，同时还能够节省单用户的能耗。协作实际建立了空间分集，利用了相同无线信号在不同终端不同传输路径的多接收优势。

分簇结构的应用使得接收用户向簇头而不是直接向汇聚中心报告信息，与传统策略相比，报告信道的距离缩小了，从而可以延长整个网络的生存时间，而且分簇式拓扑结构有利于分布式算法的应用。根据相似性进行分簇的算法，利用了成员节点受到多种因素共同影响且可以周期性重复的特点，实现了有效的自适应分簇，而协作增益随协作的用户距离增加，相关性减小而增大。

发明内容

技术问题：本发明的目的是提供一种基于相关性分簇的两级融合调制识别方法，该方法能提高系统平均识别性能，是一种低信噪比下的很好的调制识别方法。

技术方案：本发明的调制信号特征提取方法是用db3小波对BPSK，2FSK，2ASK，QPSK，4FSK，以及4ASK六种信号进行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S，得到S1~S8八种参数；同时引入四种特征参数：、、、。为克服“隐终端”问题，采用了一种基于接收信号相关性分簇的两级融合调制识别的方法，该方法基于接收信号能量的相关性进行分簇，簇内节点根据接收信噪比的大小提取不同参数进行协作，每个节点按上述方法只提取一种特征参数，送往簇头，在簇头处进行初级特征融合，簇头将初级判决结果送至汇聚中心，在汇聚中心进行决策级融合。

具体的方法为：

a.各节点计算相关性矩阵R，节点j在第t次循环接收信号能量为

其中为信号的采样点数，是j节点在第t次循环接收到的信号，表达式为

是j节点接收到的有用信号，假定其为一个均值为零，方差为的独立随机分布过程，为服从零均值、方差为的高斯独立随机分布过程的白噪声，并且和相互独立的。则任意两个相互独立的节点接收信号的相关系数为

为一个分簇周期的能量计算次数，j,k=1,2,...,N，N为接收节点个数，共得到个系数，这些系数组成代表各节点间相关性的矩阵R，R={}，共个元素。

b.基于相关性矩阵进行分簇，每个簇由12个成员节点组成，具体过程如下：

1)j表示节点序号，令j=1；

2)汇聚中心选择与节点j相关性最小的还未成簇的11个节点形成一个簇，且这12个节点打上成簇标签；

3)若j小于接收节点个数N，则j=j+1，转4）；否则跳到5）；

4)汇聚中心查询节点j是否成簇，若已成簇返回3）；否则返回2）；

5)分簇结束。

c.特征级融合，簇内12个节点相互进行协作，每个节点只提取一个特征参数，按接收信号的信噪比由高到低选择特征参数的顺序是：S1、S2、S3、S4、S5、S6、S7、S8、、、、M，其中S1~S8是采用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的八种参数；为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；为零中心非弱信号段瞬时相位非线性分量的标准偏差；为复数平均值的模，其中是经零中心化处理后瞬时相位的非线性分量，,是瞬时相位，；为瞬时幅度均值的平方；每个簇选择信噪比最高的节点为簇头，各节点将提取的特征参数送往簇头已训练好的神经网络中进行识别，簇头将得到的融合识别结果告知汇聚中心。

d.汇聚中心根据各簇的识别结果，采用投票融合准则得出最终的调制识别结果。

有益效果：本发明首先利用小波分解和瞬时信息特征提取得到用于识别信号的特征参数，然后根据接收信号相关性进行分簇，利用分簇结构实现两级融合，提高系统平均识别性能。

附图说明

图1是四个特征参数在不同信噪比时的变化图，

图2是分簇系统模型图。

具体实施方式

1.特征提取

1.1小波变换特征提取

小波分析可以描述信号时间（空间）和频率（尺度）域的局部特性。采用小波分析最大优点是可对信号进行实施局部分析，可在任意的时间或空间域中分析信号，所以被称为“数学显微镜”。

1.1.1基小波和分解尺度的选取

信号进行小波变换后得到的小波系数能够反映原信号与不同尺度下基小波的相关性。选取不同基小波和分解尺度，所表现出的信号局部特征有所不同。选取具有正交性的紧支集小波———db3小波作为基小波，选取的分解尺度为7。

1.1.2小波变换特征提取

小波分解可以在时频两域反映出信号的复杂特征，选用的特征参数多是小波分解的离散细节，而信号在不同频率上的特征分布可以通过不同频率上信号的能量、均方差等表现出来。利用小波分解特征提取的具体步骤如下：

1)小波分解。接收节点采用db3小波对接收信号进行7层小波分解得到8种小波系数：1种低频逼近系数和7种高频细节系数，，…，。

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。

3）特征提取。选用各层信号的平均方差作为特征参数，

(1)

其中：为信号的采样点数；表示对应采样点的信号值，信号特征参数为=［，，…，］，其中，为低频逼近系数重构后对应信号的平均方差，，…，为高频细节系数，，…，分别重构后对应信号的平均方差。表1为得出的识别率，由表1看出-15dB、-13dB、-11dB时2PSK,QPSK,2ASK三种信号在低信噪比时识别率非常低，为此必须引入新的特征参数。

表1单传感器提取8个特征参数的识别结果

识别率/%	2PSK	2FSK	2ASK	QPSK	4FSK	4ASK	平均识别率/%
								u=-15dB	2	100	0	43	63	58	44.33
u=-13dB	13	100	0	43	67	89	52.00
								u=-11dB	12	100	11	43	70	95	55.17
u=-9dB	28	100	70	63	77	100	73.00
								u=-7dB	62	100	98	70	95	100	87.50
u=-5dB	72	100	100	72	96	100	90.00
								u=-3dB	77	100	100	80	97	100	92.33
u=-1dB	87	100	100	98	100	100	97.50

1.2瞬时特征参数提取

该发明引入入四种瞬时特征参数，它们是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，零中心非弱信号段瞬时相位非线性分量的标准偏差，复数平均值的模值，瞬时幅度均值的平方。

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，定义式为：

（2）

其中，是判断弱信号段的一个幅度判决门限电平，C是在取样数据中属于非弱信号值的个数，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，其定义式为：

（3）

式中的各个变量的含义均与中的相同。

3）复数平均值的绝对值，其定义式为：

（4）

4）瞬时幅度均值的平方，其定义式为：

（5）

式（5）中，为瞬时幅度的平均值。

２.自适应协作调制识别方案

多个接收用户协作识别，将不同用户接收到的来自相同发送端的信息加以融合，避免了单用户识别的独断性，同时还能够节省能耗。协作实际建立了空间分集，利用了相同无线信号在不同终端不同传输路径的多接收优势。下面分析12个节点，每个节点提取一个特征参数的协作方式。

表2u=-15dB单传感器提取12个特征参数的识别结果

由表2可以发现信噪比为-15dB时影响平均识别率的是2ASK，2FSK，4FSK，识别2ASK的参数是小波变换提取的S1-S8和M，而M参数图显示，在-15dB时能很好的将2ASK区分，且由图中各信号参数线趋势看，信噪比越低，区分效果越好，低信噪比时2ASK识别率不高应该是参数S1-S8的缘故，区分2FSK，4FSK的参数就是S1-S8，故优先考虑S1-S8，M放在最后。另外我们发现识别率不足100%的信号几乎都会被误判为QPSK，即其它5种信号在-15dB时没能跟QPSK很好区分，能够将QPSK区分出来的除了S1-S8，还有；2PSK识别率也不是很高，识别该信号的瞬时参数是，；综上所述，多节点协作时，基于系统整体识别率的考虑，采用如下协作方案：相互协作的12个节点，每个节点只提取一个特征参数，按接收信号的信噪比由高到低选择特征参数的顺序是：S1、S2、S3、S4、S5、S6、S7、S8、、、、M。

３.分簇系统模型

节点协作识别能提高识别准确性，降低对每个节点识别灵敏度的要求。分簇结构通过对多个节点有效分配识别任务，能很好的提高系统整体性能。协作增益随节点间相关性增大而减小，即相互协作的用户距离越远，相关性越小，协作增益越大。因此将相关性小的节点分入同一簇，以得到较好的识别性能。该发明采用均匀分簇，每个簇有12个成员节点，另外定义汇聚中心每完成一次融合判决进行一次循环，r次循环所用时间为一个分簇周期。

若节点j在第t次循环接收信号为

（6）

是j节点在第t次循环接收到的信号，是j节点接收到的有用信号，假定其为一个均值为零，方差为的独立随机分布过程，为服从零均值、方差为的高斯独立随机分布过程的白噪声，并且和相互独立的。为信号的采样点数，则节点j在第t次循环接收信号能量为

（7）

能量的概率密度函数（ProbabilityDensityFunction，PDF）服从非中心卡方分布。利用中心极限定理，它可近似为一个高斯分布^[11]：

均值：（8）

方差：

（9）

假设是复BPSK调制信号，则，于是，。我们定义，它是节点接收信号的接收信噪比，可见节点接收信号能量可反应

节点的地理位置和识别环境且计算复杂度低。

两个节点接收信号能量之间的相关系数为

（10）

为一个分簇周期的能量计算次数，j,k=1,2,...,N，N为接收节点个数。

采用的基于接收信号相关性进行分簇的两级融合协作调试识别的系统模型图2所示，包括三个部分：

（1）分簇,所有节点计算接收信号能量值，然后发给汇聚中心，经过r次循环后，对于每个节点汇聚中心都获得r个能量值，利用公式（10）计算任意两个相互独立的节点接收信号的相关系数，j,k=1,2,...,N，共得到个系数，这些系数组成代表各节点间相关性的矩阵R，R={}，汇聚中心根据R矩阵决定如何成簇，具体过程如下：

1）j表示节点序号，令j=1；

2）汇聚中心选择与节点j相关性最小的还未成簇的11个节点形成一个簇，且这12个节点打上成簇标签；

3）若j小于接收节点个数N，则j=j+1，转4）；否则跳到5）；

4）汇聚中心查询节点j是否成簇，若已成簇返回3）；否则返回2）；

5）分簇结束。

（2）特征级融合，分好簇后各簇内可以选择信噪比SNR最高的节点为簇头，各节点计算接收信号能量，并且按照第2部分所设计的协作方案提取信号的特征参数，并将能量值及其提取的特征参数送往簇头；每个簇的簇头将特征参数送入已训练好的BP神经网络判决出识别结果，簇头将每个簇成员接收信号的能量值和该簇的识别结果送到汇聚中心；

（3）决策级融合，汇聚中心根据各簇的识别结果，利用投票融合准则得出最终的调制识别结果。

Claims (1)

1.一种基于信号相关性分簇的两级融合调制识别的方法，其特征在于该方法具体包括：

a.各节点计算相关性矩阵R，节点j在第t次循环接收信号能量为

$X_{t,j}=\frac{1}{N_s}\underset{i=1}{\overset{N_s}{\Σ}}|y_{t,j}\left(i\right){|}^2$

其中N_s为信号的采样点数，y_t,j(i)是节点j在第t次循环接收到的信号，表达式为

y_t,j(i)＝s_t,j(i)+w_t,j(i),i＝1,2,...,N_s

s_t,j(i)是节点j接收到的有用信号，假定其为一个均值为零，方差为的独立随机分布过程，w_t,j(i)为服从零均值、方差为的高斯独立随机分布过程的白噪声，并且s_t,j(i)和w_t,j(i)相互独立的；则任意两个相互独立的节点接收信号的相关系数ρ_jk为

${\mathrm{\ρ}}_{jk}=\frac{1}{r}\underset{t=1}{\overset{r}{\Σ}}\frac{X_{t,k}-\frac{1}{r}\underset{t=1}{\overset{r}{\Σ}}{X}_{t,k}}{\sqrt{\frac{1}{r}\underset{t=1}{\overset{r}{\Σ}}\[{(X_{t,k}-\frac{1}{r}\underset{t=1}{\overset{r}{\Σ}}{X}_{t,k})}^2\]}}\frac{X_{t,k}-\frac{1}{r}\underset{t=1}{\overset{r}{\Σ}}{X}_{t,j}}{\sqrt{\frac{1}{r}\underset{t=1}{\overset{r}{\Σ}}\[{(X_{t,j}-\frac{1}{r}\underset{t=1}{\overset{r}{\Σ}}{X}_{t,j})}^2\]}}$

r为一个分簇周期的能量计算次数，j,k＝1,2,...,N，N为接收节点个数，共得到N×N个系数，这些系数组成代表各节点间相关性的矩阵R，R＝{ρ_jk}，共N×N个元素；

b.基于相关性矩阵进行分簇，每个簇由12个成员节点组成，具体过程如下：

1)j表示节点序号，令j＝1；

2)汇聚中心选择与节点j相关性最小的还未成簇的11个节点形成一个簇，且这12个节点打上成簇标签；

3)若j小于接收节点个数N，则j＝j+1，转4)；否则跳到5)；

4)汇聚中心查询节点j是否成簇，若已成簇返回3)；否则返回2)；

5)分簇结束；

c.特征级融合，簇内12个节点相互进行协作，每个节点只提取一个特征参数，按接收信号的信噪比由高到低选择特征参数的顺序是：S1、S2、S3、S4、S5、S6、S7、S8、σ_ap、C2、σ_dp、M，其中S1～S8是采用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的八种参数；σ_ap为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_dp为零中心非弱信号段瞬时相位非线性分量的标准偏差；C2为复数平均值的模，其中φ_NL(i)是经零中心化处理后瞬时相位的非线性分量，是瞬时相位，M为瞬时幅度均值的平方；每个簇选择信噪比最高的节点为簇头，各节点将提取的特征参数送往簇头已训练好的BP神经网络中进行识别，簇头将得到的融合识别结果告知汇聚中心；

d.汇聚中心根据各簇的识别结果，采用投票融合准则得出最终的调制识别结果。