CN104243391A - 一种基于证据折扣的协作调制识别方法 - Google Patents

Abstract

本发明的目的在于提出一种基于证据折扣的协作调制识别方法，本发明通过多个节点协作来完成11种调制方式的识别。具体过程是：首先N个节点分别单独提取出能区分调制类型的7个特征参数，将这7个参数送入事先已经训练好的BP神经网络进行识别，将神经网络的输出送到融合中心，融合中心采用证据理论进行融合，将神经网络的输出作为D-S证据理论中的基本概率赋值（BPAF），并根据节点接收信噪比的情况对证据进行调整，由证据理论对N个节点的数据进行融合，得到识别结果。本发明提高信噪比高的数据对融合结果的贡献，同时降低信噪比低的数据对融合结果的影响，有效的提高了融合性能。

Description

一种基于证据折扣的协作调制识别方法

技术领域

本发明涉及一种基于决策层数据融合的协作调制信号识别方法方案，属于通信技术领域。

背景技术

调制识别是信号检测和信息解调之间的一个中间过程，它的任务是：在完成信号检测及部分参数估计的基础上，对接收机接收到的感兴趣信号的观测数据作适当的处理，并根据某种规则判定该信号属于预先设定的若干种调制形式的某一种，为信息解调等后续通信任务提供必要的信息。

通信信号调制识别方法与策略虽然纷繁复杂，就目前而言，识别分类的基本方法主要有两种，一是决策论方法，二是统计模式识别方法。决策论途径的基本框架是符合假设检验，它适应与待识别种类有效的情况；而统计模式识别途径的基本框架则是先从信号中提取事先选定的特征，然后进行模式识别。不论是决策论途径还是模式识别途径，无线信号的自动调制识别实际上都是假设检验和统计推断这两个基本数学方法的实现。

数据融合是利用计算机对各种信息源进行处理、控制和决策的一体化过程。它的功能主要包括检测、相关、识别和估计。数据融合结构的分类方法有多种，第一种分类方法是根据对原始数据处理方法的不同，在这种分类标准下，数据融合可以分为三种处理结构，分别是：集中式处理结构、分布式处理结构以及混合式处理结构。另一种方法可以按照数据抽象的三个层次，分为像素级融合，特征级融合和决策级融合。

决策级融合相对前两级融合而言，是一种高层次的融合。它要求在融合之前，同一目标不同类型的传感器的信号处理模块能够完成包括特征提取，识别或者判决分类等任务。融合中心只是根据一定的准则和决策的可信度作出最优决策，以便融合结果具有良好的实时性和容错性，使得即使在一种或几种传感器失效的情况下也能工作。决策级融合在信息处理方面具有很高的灵活性，系统对信息传送的带宽要求较低，能有效地反映环境或目标各个侧面的不同类型信息，通信量小，抗干扰能力强，融合中心处理代价低。关于决策级的融合已有研究采用加权表决的融合算法，但该算法在低信噪比时性能并不是很好。本发明采用D-S证据理论的方法进行融合。

发明内容

技术问题：由于无线通信环境中存在深衰落、阴影效应和隐藏节点等问题而使得单个用户在某个时间段对调试方式的识别出错，特别在低信噪比时识别率很低，本发明提出一种基于证据折扣的协作调制识别方法，以解决此问题。

技术方案：本发明提出一种基于决策层数据融合的协作调制信号识别方法，通过N个用户协作来完成对{2ASK，4ASK，2PSK，4PSK，8PSK，8QAM，16QAM，32QAM，2FSK，4FSK，OFDM}这11种调制方式的识别。首先N个节点分别单独提取出能区分调制类型的七个特征参数：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，二阶矩和四阶矩的组合K₂₀，高阶累积量C₄₀和C₄₂，以及信号微分之后再提取的K₂₀和C₄₂。将这7个参数送入事先已经训练好的BP神经网络进行识别，神经网络的输出作为D-S证据理论中的基本概率赋值（BPAF），再由证据理论对N个节点的数据进行融合，得到识别结果。在此基础上，引入证据折扣优化的D-S融合算法，根据节点接收信噪比的情况对证据进行调整，得出新的基本概率赋值，提高信噪比高的数据对融合结果的贡献，同时降低信噪比低的数据对融合结果的影响，提高融合性能。

本发明基于证据折扣的协作调制识别方法包括以下步骤：

a.每一个节点独立提取七个特征参数：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，二阶矩和四阶矩的组合K₂₀，高阶累积量C₄₀和C₄₂；

b．特征参数送入事先训练好的BP神经网络，得到节点i神经网络的输出P_i(2ASK)，P_i(4ASK)，P_i(2PSK)，P_i(4PSK)，P_i(8PSK)，P_i(8QAM)，P_i(16QAM)，P_i(32QAM)，P_i(2FSK)，P_i(4FSK)，P_i(OFDM)，其中1≤i≤N，N为节点数，若输出小于0.2将其取值赋为0，将神经网络的输出送到融合中心；

c.根据各个节点的神经网络的输出以及该节点接收信噪比的大小，计算证据理论中的基本概率赋值，以提高信噪比高的数据对融合结果的贡献，同时降低信噪比低的数据对融合结果的影响，融合中心使用D-S证据理论的合成规则对N个节点的数据进行融合，得到最终识别结果。

基本概率赋值的计算过程如下：

证据理论的焦元为{2ASK，4ASK，2PSK，4PSK，8PSK，8QAM，16QAM，32QAM，2FSK，4FSK，OFDM，Θ}，其中Θ为识别框架，则节点i获得的基本概率赋值：

m_i(2ASK)=p_i(2ASK)

m_i(4ASK)=p_i(4ASK)

……

m_i(OFDM)=p_i(OFDM)

m_i(Θ)=(1-m_i(2ASK))(1-m_i(4ASK))

(1-m_i(2PSK))(1-m_i(4PSK))(1-m_i(8PSK))

(1-m_i(8QAM))(1-m_i(16QAM)(1-m_i(32QAM))

(1-m_i(2FSK))(1-m_i(2ASK))(1-m_i(2FSK))(1-m_i(OFDM))

对各基本概率赋值进行归一化：

……

$m_i^{\′}\left(2\mathrm{ASK}\right)=\frac{m_i\left(2\mathrm{ASK}\right)}{\underset{A\⊆\mathrm{\Θ}}{\mathrm{\Σ}}{m}_i\left(A\right)}$

$m_i^{\′}\left(4\mathrm{ASK}\right)=\frac{m_i\left(4\mathrm{ASK}\right)}{\underset{A\⊆\mathrm{\Θ}}{\mathrm{\Σ}}{m}_i\left(A\right)}$

$m_i^{\′}\left(\mathrm{OFDM}\right)=\frac{m_i\left(\mathrm{OFDM}\right)}{\underset{A\⊆\mathrm{\Θ}}{\mathrm{\Σ}}{m}_i\left(A\right)}$

$m_i^{\′}\left(\mathrm{\Θ}\right)=\frac{m_i\left(\mathrm{\Θ}\right)}{\underset{A\⊆\mathrm{\Θ}}{\mathrm{\Σ}}{m}_i\left(A\right)}$

根据接收信噪比高的节点提供的证据可信度高，而接收信噪比低的节点提供的证据可信度低的原则，定义第i个节点的折扣因子为：

${\mathrm{\η}}_i=\frac{s_i}{\underset{i}{\max }\left(s_i\right)}=\frac{{10}^{\frac{{\mathrm{snr}}_i}{10}}}{\underset{i}{\max }\left({10}^{\frac{{\mathrm{snr}}_i}{10}}\right)}$

其中，s_i是第i个节点的接收信号的功率，snr_i为节点i的接收信噪比，用折扣因子对基本概率赋值进行修正，得到修正的基本概率赋值：

……

$m_i^d\left(2\mathrm{ASK}\right)={\mathrm{\η}}_i{m}_i^{\′}\left(2\mathrm{ASK}\right)$

$m_i^d\left(4\mathrm{ASK}\right)={\mathrm{\η}}_i{m}_i^{\′}\left(4\mathrm{ASK}\right)$

$m_i^d\left(\mathrm{OFDM}\right)={\mathrm{\η}}_i{m}_i^{\′}\left(\mathrm{OFDM}\right)$

$m_i^d\left(\mathrm{\Θ}\right)=1-m_i^d\left(2\mathrm{ASK}\right)-m_i^d\left(4\mathrm{ASK}\right)-m_i^d\left(2\mathrm{PSK}\right)-m_i^d\left(\mathrm{QPSK}\right)$

$-m_i^d\left(8\mathrm{PSK}\right)-m_i^d\left(8\mathrm{QAM}\right)-m_i^d\left(16\mathrm{QAM}\right)-m_i^d\left(32\mathrm{QAM}\right)$

$-m_i^d\left(2\mathrm{FSK}\right)-m_i^d\left(4\mathrm{FSK}\right)-m_i^d\left(\mathrm{OFDM}\right).$

$=1-{\mathrm{\η}}_i(1-m_i^{\′}\left(\mathrm{\Θ}\right))$

$=1-{\mathrm{\η}}_i-{\mathrm{\η}}_i{m}_i^{\′}\left(\mathrm{\Θ}\right)$

有益效果：无线通信环境中存在的诸如深衰落、阴影效应和隐藏节点等问题使得基于单节点的调制识别的性能不能使人满意，尤其是在信噪比较低时，正确识别率很低。本发明提供一种基于BP神经网络和D-S证据理论的协作调制信号识别方法，该方法通过多用户的协作可以纠正单用户检测时的出错结果，可以有效提高特别是低信噪比情况下的识别率。

附图说明

图1协作调制识别系统框图，

图2特征参数在不同信噪比下的取值，

图3BP神经网络结构。

具体实施方式

特征参数是区分调制信号的关键，要求所提取的特征参数对信噪比不敏感，但要对调制类型敏感。此外，参数之间最好能互补，因为有些参数在某些信噪比下不能区分信号的调制类型，但若有另一个参数能在这段信噪比下区分调制类型，就可以组合这两个参数完成对信号调制类型的识别。由于本发明要识别的信号类型比较多，仅仅采用基于瞬时特征的参数或是仅仅采用高阶累积量，识别效果都不是很好，因此本发明选用了以下7个特征参数作为识别这11种调制信号的特征参数：3个基于瞬时特征的参数，有很好抗噪声性能的高阶累积量C₄₀，C₄₂以及为识别2FSK，4FSK而提取的K₂₀_diff及C₄₂_diff，其中K₂₀_diff和C₄₂_diff是信号经过微分后再提取的基于混合矩的特征参数K₂₀和高阶累积量C₄₂。对它们的描述如下：

（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，它的定义为：

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

式中，m_a是瞬时幅度的平均值此处用平均值对瞬时幅度进行归一化是为了消除信道增益的影响。a_t是判断弱信号段的幅度判决门限电平，T是采样数据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，其表达式为其中 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，定义如下：

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

式中各变量的含义与（3）式中相同。

（3）二阶矩和四阶矩的组合K₂₀。首先给出高阶矩的定义，对于一个具有零均值的复随机过程X(t)，其P阶混合矩表示为：

M_pq=E[X(t)^p-qX^*(t)^q]    （3）

M_2,1(s)和M_4,2(s)是接收信号采样点s(n)的二阶矩和四阶矩，它们的定义式如下：

M_2,1(S)=E(s(n)s(n)^*)=E(|s(n)|²)        （4）

M_4,2(s)=E(s(n)²(s(n)^*)²)=E(|s(n)|⁴)    （5）

K₂₀是二阶混合矩和四阶混合矩的组合，对其的定义如下：

$K_{20}=M_{\mathrm{4,2}}\left(s\right)/M_{\mathrm{2,1}}^2\left(s\right)---\left(6\right)$

（4）高阶累积量C₄₀及C₄₂定义为：

C₄₀=cum(s(n),s(n),s(n),s(n))=M₄₀-3(M₂₀)²            （7）

C₄₂=cum(s(n),s(nn),s^*(n),s^*(n))=M₄₁-|M₂₀|²-2(M₂₁)²  （8）

从图2(a)中可以看到，σ_dp可以先将2ASK，4ASK和其他的信号区分开来，利用C₄₂可以很好的将2ASK和4ASK区分开来，见图2(b)。观察图2(c),C₄₀能将2PSK,4PSK,8QAM,16QAM,32QAM互相区分开来，但是8PSK，2FSK，4FSK，OFDM几乎混在一起，再借助于C₄₂也只能将OFDM从中区分出来，但是8PSK，2FSK，4FSK这三种信号依旧难以区分。对于不同进制的FSK，它们的高阶累积量总是一样，所以高阶累积量无法有效区分它们。本发明采取这样的方法^[13]:先对信号进行微分处理后再提取相应的混合矩组合K₂₀和高阶累积量C₄₂，这两个参数在不同信噪比下的取值见图2(e)和图2(f)，可以看到经过微分后高阶累积量C₄₂已经能够明显的将8PSK，2FSK，4FSK区分开来，只是8PSK在低信噪比时取值并不稳定，为此也取了信号微分后的K₂₀，可以作为这三种信号的进一步区分，此外，32QAM在信号微分后的取值也能和8PSK，2FSK，4FSK明显区分，可以弥补C₄₀对这几个信号区分时可能会产生的混乱。在仿真实验的过程中，发现效果并不是非常令人满意，所以本发明在以上的基础上还加入了σ_ap和K₂₀这两个参数以尽量弥补有些参数的不足，使识别性能更好。

根据本发明的系统模型所描述，要求每个节点都分配有神经网络进行本地的调制识别，以便产生用于D-S融合的基本概率赋值，所以神经网络的作用不可忽视。本发明采用的是比较经典的BP神经网络。BP神经网络采用误差逆传播学习算法，实质上是基于梯度下降思维的非线性优化问题。一个三层的BP网络包含输入层，隐含层及输出层，本发明的BP神经网络模型见图3。

D-S证据理论是贝叶斯方法的扩展，它使任何涉及了先验概率的信息缺乏得以显示。D-S证据理论用“识别框架Θ”表示命题集。对于一个判决问题，所有能认识到的可能结果的集合组成一个识别框架，要求框架中的元素相互排斥并且能完备的描述问题的所有可能性。Θ的一个子集称为一个命题，Θ的幂集2^Θ就表示了所有可能的命题集。证据理论定义了一个函数集：m:2^Θ→[0,1],如果满足：

则m称为识别框架Θ上的基本概率赋值函数BPAF(Basic Probability AssignmentFunction)。对于任意的m(A)称为证据对命题A的基本概率赋值，表示A的可信度，也即支持命题A发生的程度。但事实上BPAF难以确定，成为使用DS证据理论的一个难点，神经网络具有自学习，并行计算等特点,因此本发明考虑用神经网络来进行DS证据理论中的基本概率赋值的构造。

D-S证据理论还定义了两个证据的组合规则：由两个基本概率赋值m₁和m₂合成一个新的证据m。设m₁和m₂是对应的基本概率赋值，两者的焦元分别为A₁,…A_k和B₁,…B_r，则合成的新的证据定义如下：

其中，表征各个证据之间的冲突程度，系数1/(1-K)为归一化因子。

每个节点在提取出上述7个特征参数之后将其送入训练好的神经网络中测试，神经网络的每一个输出可以看作是输入信号可能会是对应的一种调制方式的概率，因此这些输出值可以作为DS证据理论中的基本概率赋值。D-S证据理论比传统的概率论对问题的未知程度和不确定程度有更好的把握，比之传统的贝叶斯，它引入了一个不确定度能够更好的描述问题。因此，本算法考虑将神经网络输出小于0.2的证据忽略，将其取值赋为0，并将这部分的证据赋给整体框架作为一个不确定度。以下给出第i个节点的基本概率赋值的获取（假设这里神经网络的输出已经经过是否大于0.2的判断）：

m_i(2ASK)=p_i(2ASK)    （11）

m_i(4ASK)=p_i(4ASK)    （12）

……

m_i(OFDM)=p_i(OFDM)                                           （13）

m_i(Θ)=(1-m_i(2ASK))(1-m_i(4ASK))

(1-m_i(2PSK))(1-m_i(4PSK))(1-m_i(8PSK))                        （14）

(1-m_i(8QAM))(1-m_i(16QAM))(1-m_i(32QAM))

(1-m_i(2FSK))(1-m_i(2ASK))(1-m_i(2FSK))(1-m_i(OFDM))

本发明的焦元为：{2ASK，4ASK，2PSK，4PSK，8PSK，8QAM，16QAM，32QAM，2FSK，4FSK，OFDM，Θ}，根据式（9）焦元需满足：

m_i(2ASK)+m_i(4ASK)+m_i(2PSK)+m_i(4PSK)+m_i(8PSK)+m_i(8QAM)       （15）

+m_i(16QAM)+m_i(32QAM)+m_i(2FSK)+m_i(4FSK)+m_i(OFDM)+m_i(Θ)=1

因此在对证据进行合成之前，各基本概率赋值首先应归一化：

……

$m_i^{\′}\left(2\mathrm{ASK}\right)=\frac{m_i\left(2\mathrm{ASK}\right)}{\underset{A\⊆\mathrm{\Θ}}{\mathrm{\Σ}}{m}_i\left(A\right)}---\left(16\right)$

$m_i^{\′}\left(4\mathrm{ASK}\right)=\frac{m_i\left(4\mathrm{ASK}\right)}{\underset{A\⊆\mathrm{\Θ}}{\mathrm{\Σ}}{m}_i\left(A\right)}---\left(17\right)$

$m_i^{\′}\left(\mathrm{OFDM}\right)=\frac{m_i\left(\mathrm{OFDM}\right)}{\underset{A\⊆\mathrm{\Θ}}{\mathrm{\Σ}}{m}_i\left(A\right)}---\left(18\right)$

$m_i^{\′}\left(\mathrm{\Θ}\right)=\frac{m_i\left(\mathrm{\Θ}\right)}{\underset{A\⊆\mathrm{\Θ}}{\mathrm{\Σ}}{m}_i\left(A\right)}---\left(19\right)$

各节点的基本概率赋值归一化后就可以送往融合中心，融合中心运用DS合成法则式（2）求出合并后的证据。比如，若有两个节点协作，首先计算式（2）中的K值：

$A_i,A_j\⊆\mathrm{\Θ}---\left(20\right)$

合成后的证据为：

……

$m\left(2\mathrm{ASK}\right)=\frac{{m_1}^{\′}\left(2\mathrm{ASK}\right){m_2}^{\′}\left(2\mathrm{ASK}\right)+{m_1}^{\′}\left(2\mathrm{ASK}\right){m_2}^{\′}\left(\mathrm{\Θ}\right)+{m_1}^{\′}\left(\mathrm{\Θ}\right){m_2}^{\′}\left(2\mathrm{ASK}\right)}{1-K}---\left(21\right)$

$m\left(4\mathrm{ASK}\right)=\frac{{m_1}^{\′}\left(4\mathrm{ASK}\right){m_2}^{\′}\left(4\mathrm{ASK}\right)+{m_1}^{\′}\left(4\mathrm{ASK}\right){m_2}^{\′}\left(\mathrm{\Θ}\right)+{m_1}^{\′}\left(\mathrm{\Θ}\right){m_2}^{\′}\left(4\mathrm{ASK}\right)}{1-K}---\left(22\right)$

$m\left(\mathrm{OFDM}\right)=\frac{{m_1}^{\′}\left(\mathrm{OFDM}\right){m_2}^{\′}\left(\mathrm{OFDM}\right)+{m_1}^{\′}\left(\mathrm{OFDM}\right){m_2}^{\′}\left(\mathrm{\Θ}\right)+{m_1}^{\′}\left(\mathrm{\Θ}\right){m_2}^{\′}\left(\mathrm{OFDM}\right)}{1-K}---\left(23\right)$

$m\left(\mathrm{\Θ}\right)=\frac{{m_1}^{\′}\left(\mathrm{\Θ}\right){m_2}^{\′}\left(\mathrm{\Θ}\right)}{1-K}---\left(24\right)$

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。若有第三个节点加入融合，则前两个节点的融合结果可以作为一个新的证据和第三个节点的证据融合，依此类推可以完成N个节点的证据融合。

本发明的信道模型是阴影衰落，N个节点所处的无线通信信道衰落情况是不一样的，那么不同节点给出的证据的可信度也是不一样的，可以认为接收信噪比高的节点提供的证据可信度高，而接收信噪比低的节点提供的证据可信度低，按可信度的大小对基本概率赋值进行折扣运算，提高信噪比数据对融合结果的贡献，抑制低信噪比数据对融合结果的不良影响。

定义第i个节点的折扣因子为：

${\mathrm{\η}}_i=\frac{s_i}{\underset{i}{\max }\left(s_i\right)}=\frac{{10}^{\frac{{\mathrm{snr}}_i}{10}}}{\underset{i}{\max }\left({10}^{\frac{{\mathrm{snr}}_i}{10}}\right)}---\left(25\right)$

式中，s_i是第i个节点的接收信号的功率。用折扣因子对基本概率赋值进行修正：

……

$m_i^d\left(2\mathrm{ASK}\right)={\mathrm{\η}}_i{m}_i^{\′}\left(2\mathrm{ASK}\right)---\left(26\right)$

$m_i^d\left(4\mathrm{ASK}\right)={\mathrm{\η}}_i{m}_i^{\′}\left(4\mathrm{ASK}\right)---\left(27\right)$

$m_i^d\left(\mathrm{OFDM}\right)={\mathrm{\η}}_i{m}_i^{\′}\left(\mathrm{OFDM}\right)---\left(28\right)$

$m_i^d\left(\mathrm{\Θ}\right)=1-m_i^d\left(2\mathrm{ASK}\right)-m_i^d\left(4\mathrm{ASK}\right)-m_i^d\left(2\mathrm{PSK}\right)-m_i^d\left(\mathrm{QPSK}\right)$

$-m_i^d\left(8\mathrm{PSK}\right)-m_i^d\left(8\mathrm{QAM}\right)-m_i^d\left(16\mathrm{QAM}\right)-m_i^d\left(32\mathrm{QAM}\right)$

$-m_i^d\left(2\mathrm{FSK}\right)-m_i^d\left(4\mathrm{FSK}\right)-m_i^d\left(\mathrm{OFDM}\right)---\left(29\right)$

$=1-{\mathrm{\η}}_i(1-m_i^{\′}\left(\mathrm{\Θ}\right))$

$=1-{\mathrm{\η}}_i-{\mathrm{\η}}_i{m}_i^{\′}\left(\mathrm{\Θ}\right)$

获得折扣过的基本概率赋值之后就能通过合成公式（2）将新的证据融合。

Claims (2)

1.一种基于证据折扣的协作调制识别方法，其特征在于该方法包括以下步骤：

a.每一个节点独立提取七个特征参数：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，二阶矩和四阶矩的组合K₂₀，高阶累积量C₄₀和C₄₂；

b．特征参数送入事先训练好的BP神经网络，得到节点i神经网络的输出P_i(2ASK)，P_i(4ASK)，P_i(2PSK)，P_i(4PSK)，P_i(8PSK)，P_i(8QAM)，P_i(16QAK)，P_i(32QAM)，P_i(2FSK)，P_i(4FSK)，P_i(OFDM)，其中1≤i≤N，N为节点数，若输出小于0.2将其取值赋为0，将神经网络的输出送到融合中心；

c.根据各个节点的神经网络的输出以及该节点接收信噪比的大小，计算证据理论中的基本概率赋值，以提高信噪比高的数据对融合结果的贡献，同时降低信噪比低的数据对融合结果的影响，融合中心使用D-S证据理论的合成规则对N个节点的数据进行融合，得到最终识别结果。

2.如权利要求1所述的基于证据折扣的协作调制识别方法，其特征在于基本概率赋值的计算过程如下：

证据理论的焦元为{2ASK，4ASK，2PSK，4PSK，8PSK，8QAM，16QAM，32QAM，2FSK，4FSK，OFDM，Θ}，其中Θ为识别框架，则节点i获得的基本概率赋值：

m_i(2ASK)=p_i(2ASK)

m_i(4ASK)=p_i(4ASK)

……

m_i(QFDM)=p_i(QFDM)

m_i(Θ)=(1-m_i(2ASK))(1-m_i(4ASK))

(1-m_i(2PSK))(1-m_i(4PSK))(1-m_i(8PSK))

(1-m_i(8QAM))(1-m_i(16QAM))(1-m_i(32QAM))

(1-m_i(2FSK))(1-m_i(2ASK))(1-m_i(2FSK))(1-m_i(OFDM))

对各基本概率赋值进行归一化：

……

$m_i^{\′}\left(2\mathrm{ASK}\right)=\frac{m_i\left(2\mathrm{ASK}\right)}{\underset{A\⊆\mathrm{\Θ}}{\mathrm{\Σ}}{m}_i\left(A\right)}$

$m_i^{\′}\left(4\mathrm{ASK}\right)=\frac{m_i\left(4\mathrm{ASK}\right)}{\underset{A\⊆\mathrm{\Θ}}{\mathrm{\Σ}}{m}_i\left(A\right)}$

$m_i^{\′}\left(\mathrm{OFDM}\right)=\frac{m_i\left(\mathrm{OFDM}\right)}{\underset{A\⊆\mathrm{\Θ}}{\mathrm{\Σ}}{m}_i\left(A\right)}$

$m_i^{\′}\left(\mathrm{\Θ}\right)=\frac{m_i\left(\mathrm{\Θ}\right)}{\underset{A\⊆\mathrm{\Θ}}{\mathrm{\Σ}}{m}_i\left(A\right)}$

根据接收信噪比高的节点提供的证据可信度高，而接收信噪比低的节点提供的证据可信度低的原则，定义第i个节点的折扣因子为：

${\mathrm{\η}}_i=\frac{s_i}{\underset{i}{\max }\left(s_i\right)}=\frac{{10}^{\frac{{\mathrm{snr}}_i}{10}}}{\underset{i}{\max }\left({10}^{\frac{{\mathrm{snr}}_i}{10}}\right)}$

其中，s_i是第i个节点的接收信号的功率，snr_i为节点i的接收信噪比，用折扣因子对基本概率赋值进行修正，得到修正的基本概率赋值：

……

$m_i^d\left(2\mathrm{ASK}\right)={\mathrm{\η}}_i{m}_i^{\′}\left(2\mathrm{ASK}\right)$

$m_i^d\left(4\mathrm{ASK}\right)={\mathrm{\η}}_i{m}_i^{\′}\left(4\mathrm{ASK}\right)$

$m_i^d\left(\mathrm{OFDM}\right)={\mathrm{\η}}_i{m}_i^{\′}\left(\mathrm{OFDM}\right)$

$m_i^d\left(\mathrm{\Θ}\right)=1-m_i^d\left(2\mathrm{ASK}\right)-m_i^d\left(4\mathrm{ASK}\right)-m_i^d\left(2\mathrm{PSK}\right)-m_i^d\left(\mathrm{QPSK}\right)$

$-m_i^d\left(8\mathrm{PSK}\right)-m_i^d\left(8\mathrm{QAM}\right)-m_i^d\left(16\mathrm{QAM}\right)-m_i^d\left(32\mathrm{QAM}\right)$

$-m_i^d\left(2\mathrm{FSK}\right)-m_i^d\left(4\mathrm{FSK}\right)-m_i^d\left(\mathrm{OFDM}\right).$

$=1-{\mathrm{\η}}_i(1-m_i^{\′}\left(\mathrm{\Θ}\right))$

$=1-{\mathrm{\η}}_i-{\mathrm{\η}}_i{m}_i^{\′}\left(\mathrm{\Θ}\right)$