CN104796365A - 低信噪比下基于复杂度特征的调制信号识别方法 - Google Patents

Abstract

本发明提供了一种低信噪比下基于复杂度特征的调制信号识别方法，本发明提取不同的通信调制信号的多重分形维数特征，突出时间信号序列不同概率点的特征，实现不同通信调制信号类型的特征提取；另外，对预处理后的离散时间信号序列进行分组，一方面可以简化多重分形维数的计算，另一方面也可以将长的时间信号序列转化为更小的序列段来观察计算，从而实现对信号进行小范围的特征刻画，更精细的提取信号的特征；此外，将提取的未知的通信调制信号的多重分形维数特征与数据库中计算好的已知的通信调制信号的多重分形维数特征进行灰关联处理，选择关联度大的信号的调制类型作为该未知的通信调制信号的调制类型，进而实现调制类型的分类识别。

Description

低信噪比下基于复杂度特征的调制信号识别方法

技术领域

本发明涉及一种低信噪比下基于复杂度特征的调制信号识别方法。

背景技术

通信信号调制识别技术是软件无线电等领域的一个重要内容,其研究重点在于在没有先验信息、复杂环境和噪声干扰的条件下，对通信电台传递的通信信号进行截取或分析，以识别出信号的调制类型和调制参数等信息，为进一步的分析、处理提供依据。目前已有的通信信号调制识别方法有基于信号的瞬时幅度、瞬时频率和瞬时相位、谱对称性等参数的逐级分类识别算法；基于谱相关函数的数字调制信号识别算法；基于信号包络特征的识别算法以及基于高阶累积量，小波分解等特征的识别算法。如今，通信技术迅速发展，调制的种类、复杂度和信号的空间密集程度都有所增加，这就对调制识别的方法提出了更高的要求，传统的识别算法很难在较低信噪比下对通信信号的调制方式准确的识别。因此，如何在低信噪比下识别出信号的调制类型，成为软件无线电的通信信号调制方式识别技术中的难点，在民用领域具有重要的理论意义和工程应用价值。

发明内容

本发明的目的在于提供一种低信噪比下基于复杂度特征的调制信号识别方法，能够克服现有识别方法中难以在低信噪比下对通信信号的调制类型进行分类识别的问题。

为解决上述问题，本发明提供一种低信噪比下基于复杂度特征的调制信号识别方法，包括：

对接收到的未知的通信调制信号进行离散预处理得到离散信号序列；

将所述离散信号序列进行重组得到重组信号序列；

对所述重组信号序列进行多重分形维数运算得到该调制信号的多重分形维数特征；

根据多重分形维数特征提取未知调制信号的多重分形维数特征序列，对未知调制信号的多重分形维数特征序列利用灰色关联理论与数据库中的已知调制类型信号的多重分形维数特征序列进行关联度计算，判断该未知调制信号的调制类型为关联度最大的已知调制类型信号的调制类型。

进一步的，在上述方法中，对接收到的未知的通信调制信号进行离散预处理得到离散信号序列的步骤包括：

接收到的通信调制信号为s，预处理后的离散信号序列为{s(i)}，其中，s(i)为离散信号序列的第i个采样点值，i＝1,2,…,N₀表示信号的采样点数，N₀为信号序列的长度。

进一步的，在上述方法中，将所述离散信号序列进行重组得到重组信号序列的步骤包括：

重组信号序列S(j)的定义方法为：S(j)＝s(T(j)*(t(j)-1)+T₀(j))，其中，t(j)＝2^j，表示每次重组信号中离散信号点的个数，其中，j＝1,2,…,n表示重组信号不同向量个数的次数的取值，表示重组信号不同向量个数的次数， $T\left(j\right)=\frac{N_0}{t\left(j\right)}=\frac{N_0}{2^j},$ T₀(j)＝[1:T(j)]。

进一步的，在上述方法中，对所述重组信号序列进行多重分形维数运算得到该调制信号的多重分形维数特征的步骤包括：

选择不同的维数，提取所述重组信号序列的多重分形维数特征。

进一步的，在上述方法中，选择不同的维数，提取所述重组信号序列的多重分形维数特征的步骤包括：

将第J个概率测度P_J带入到多重分形维数D_q的计算式中即可得到该未知的通信调制信号的多重分形维数特征，

其中，S_J为第J次重组信号的和，J₀为重组信号的次数， $S_J=\mathrm{\ΣS}\left(j\right)=\mathrm{\Σs}(T\left(j\right)*(t\left(j\right)-1)+T_0\left(j\right))=\underset{T_0\left(j\right)=1}{\overset{T\left(j\right)}{\mathrm{\Σ}}}s(T\left(j\right)*(t\left(j\right)-1)+T_0\left(j\right)),$ $j=\mathrm{1,2},...j_0,$ j₀表示每次重组信号的个数， $S=\underset{i=1}{\overset{N_0}{\mathrm{\Σ}}}s\left(i\right),$ $D_q=\frac{1}{q-1}\underset{\mathrm{\ϵ}\→0}{\lim }\frac{\ln X_q\left(\mathrm{\ϵ}\right)}{\ln \mathrm{\ϵ}}=\frac{1}{q-1}\underset{\mathrm{\ϵ}\→0}{\lim }\frac{\ln \left(\underset{a=1}{\overset{N}{\mathrm{\Σ}}}{P}_a^q\right)}{\ln \mathrm{\ϵ}},X_q\left(\mathrm{\ϵ}\right)=\underset{a=1}{\overset{N}{\mathrm{\Σ}}}{P}_a^q,$ X_q(ε)为各个区域的概率加权求和，ε为线度大小，q为密度分布函数P_a的幂数，把未知的通信调制信号分为N个区域，取第a个区域的线度大小为ε_a，第a个区域的密度分布函数P_a，则不同区域a的标度指数为α_a。

进一步的，在上述方法中，q值的确定可以根据实际情况进行选择，定义：

当q＝0时，定义D_q为容量维数，即分形盒维数D₀，表示信号序列的几何分布特性；

当q＝1时，定义D_q为信息维数D₁，表示信号序列的概率分布特性；

当q＝2时，定义D_q为关联维数D₂，表示信号序列的关联特性。

进一步的，在上述方法中，根据多重分形维数特征提取未知调制信号的多重分形维数特征序列的步骤包括：

取q值从-q₀到q₀，q₀值的大小根据需要提取特征的精细程度来决定，若需要较精细的特征，q₀的取值可以选择的较大，但随之而来的是复杂度的提高，需要较长的计算时间。反之，若对实时性有较高的要求，则q₀值可以取较小的数值。此时，计算出信号的多重分形维数共有2q₀+1重特征，每重特征即每个q值对应共有个特征点，对于一个通信调制信号，构成的特征向量共有个特征点值，将其构成一个未知的通信调制信号的多重分形特征序列F₀。

进一步的，在上述方法中，对未知调制信号的多重分形维数特征序列利用灰色关联理论与数据库中的已知调制类型信号的多重分形维数特征序列进行关联度计算，判断该未知调制信号的调制类型为关联度最大的已知调制类型信号的调制类型的步骤包括：

利用灰色关联理论对未知的通信调制信号的多重分形特征序列F₀与数据库中的已知的通信调制信号的多重分形维数特征序列F_i作关联，选择未知的通信调制信号与已知的通信调制信号关联度最大的判断为该未知的通信调制信号的调制类型，其中，灰色关联度γ₀(F₀,F_i)定义为：

${\mathrm{\γ}}_0(F_0,F_i)=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\mathrm{\γ}(F_0,F_i),$

其中，设共有k种已知的通信调制信号的调制方式模板，则调制方式种类i＝1,2,…,k表示调制方式的个数，γ(F₀,F_i)表示两个序列的关联系数，关联系数γ(F₀,F_i)的计算方法为：

$\mathrm{\γ}(F_0,F_i)=\frac{\underset{i}{\min }\underset{N}{\min }|F_0\left(N\right)-F_i\left(N\right)|+\mathrm{\ξ}\underset{i}{\max }\underset{N}{\max }|F_0\left(N\right)-F_i\left(N\right)|}{|F_0\left(N\right)-F_i\left(N\right)|+\mathrm{\ξ}\underset{i}{\max }\underset{N}{\max }|F_0\left(N\right)-F_i\left(N\right)|},$

表示每种信号特征向量的第N个特征，ξ为分辨系数，定义域ξ∈(0,1)。

进一步的，在上述方法中，取ξ＝0.5。

进一步的，在上述方法中未知的通信调制信号的多重分形特征序列F0与数据库中的已知信号的多重分形维数特征序列F_i作关联构成的特征矩阵为：

$F_0=({D^0}_{-q_0}\left(1\right),{D^0}_{-q_0}\left(2\right),...,{D^0}_{-q_0}\left(n\right),{D^0}_{-q_0+1}\left(1\right),...,{D^0}_{-q_0+1}\left(n\right),{...D^0}_{q_0}\left(1\right),{D^0}_{q_0}\left(2\right),...,{D^0}_{q_0}\left(n\right))$

$F_1=({D^1}_{-q_0}\left(1\right),{D^1}_{-q_0}\left(2\right),...,{D^1}_{-q_0}\left(n\right),{D^1}_{-q_0+1}\left(1\right),...,{D^1}_{-q_0+1}\left(n\right),{...D^1}_{q_0}\left(1\right),{D^1}_{q_0}\left(2\right),...,{D^1}_{q_0}\left(n\right))$

…

$F_i=({D^i}_{-q_0}\left(1\right),{D^i}_{-q_0}\left(2\right),...,{D^i}_{-q_0}\left(n\right),{D^i}_{-q_0+1}\left(1\right),...,{D^i}_{-q_0+1}\left(n\right),{...D^i}_{q_0}\left(1\right),{D^i}_{q_0}\left(2\right),...,{D^i}_{q_0}\left(n\right))$

…

$F_k=({D^k}_{-q_0}\left(1\right),{D^k}_{-q_0}\left(2\right),...,{D^k}_{-q_0}\left(n\right),{D^k}_{-q_0+1}\left(1\right),...,{D^k}_{-q_0+1}\left(n\right),{...D^k}_{q_0}\left(1\right),{D^k}_{q_0}\left(2\right),...,{D^k}_{q_0}\left(n\right)).$

与现有技术相比，本发明的核心技术内容在于提取不同的通信调制信号的多重分形维数特征，选择不同的分形维数，突出时间信号序列不同概率点的特征，实现不同通信调制信号类型的特征提取；本发明包括的信号特征向量的重组，其主要内容为：对预处理后的离散时间信号序列按照一定的准则进行分组，一方面可以简化多重分形维数的计算，另一方面也可以将长的时间信号序列转化为更小的序列段来观察计算，从而实现对信号进行小范围的特征刻画，更精细的提取信号的特征；本发明包括的灰关联分类识别，其主要内容为：将本发明提取的未知的通信调制信号的多重分形维数特征与数据库中计算好的已知的通信调制信号的多重分形维数特征进行灰关联处理，计算出未知的通信调制信号与数据库中模板信号的关联度，选择关联度大的信号的调制类型作为该未知的通信调制信号的调制类型，进而实现调制类型的分类识别。本发明可以克服现有识别方法中难以在低信噪比下对通信信号的调制类型进行分类识别的问题，本发明具有在强干扰环境下检测区分出不同调制类型的通信信号的能力，进而达到对通信信号调制类型的进行识别的目的，本发明不需要长时间对信号的观测，且不需要大量的信号样本，计算方法简单，可以通过选择不同的信号序列分组方法和不同的分形维数选择方法来突出信号的不同特征，实现了在低信噪比下对不同的通信信号调制类型进行识别的目的。

附图说明

图1是本发明一实施例的低信噪比下基于复杂度特征的调制信号识别方法的流程图；

图2是本发明一实施例的低信噪比下基于复杂度特征的调制信号识别方法的原理图；

图3是本发明一实施例的通信调制信号1的多重分形维数曲线图；

图4是本发明一实施例的通信调制信号2的多重分形维数曲线图；

图5是本发明一实施例的通信调制信号3的多重分形维数曲线图；

图6是本发明一实施例的通信调制信号4的多重分形维数曲线图；

图7是本发明一实施例的通信调制信号5的多重分形维数曲线图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1和2所示，本发明提供一种低信噪比下基于复杂度特征的调制信号识别方法，包括：

步骤S1，首先对接收到的未知的通信调制信号进行离散预处理得到离散信号序列：

接收到的通信调制信号为s，预处理后的离散信号序列为{s(i)}，其中，s(i)为离散信号序列的第i个采样点值，i＝1,2,…,N₀表示信号的采样点数，N₀为信号序列的长度；

步骤S2，将所述离散信号序列进行重组(离散信号点重组)得到重组信号序列(不同长度离散信号向量组)：

对于离散预处理后的离散通信信号序列{s(i)}，i＝1,2,…,N₀，定义以下特征参量，

定义表示重组信号不同向量个数的次数；

定义t(j)＝2^j，表示每次重组信号中离散信号点的个数，其中，j＝1,2,…,n表示重组信号不同向量个数的次数的取值；

定义数字序列其中，j＝1,2,…,n；

基于以上的定义变量，可以实现对离散信号序列的重组，重组信号序列S(j)的定义方法为：S(j)＝s(T(j)*(t(j)-1)+T₀(j))，(1)

公式(1)中，T₀(j)＝[1:T(j)]，j＝1,2,…,n，其余变量定义同上；

步骤S3，对所述重组信号序列进行多重分形维数运算得到该调制信号的多重分形维数特征：

选择不同的维数，提取所述重组信号序列的多重分形维数特征，在此，多重分形维特征数描述的是事物不同层次的特征，一个多重分形维特征可以看做是由不同维数的分形子集组成的并集，把未知的通信调制信号(研究对象)分为N个区域，取第a个区域的线度大小为ε_a，第a个区域的密度分布函数P_a，则不同区域a的标度指数α_a可以描述为：

$P_a={\mathrm{\ϵ}}_a^{{\mathrm{\α}}_a},a=\mathrm{1,2},...,N---\left(2\right)$

非整数α_a称为奇异指数，其取值与所述区域有关，表示某一区域的分形维数，由于一个未知调制信号可以划分为许多不同的区域，于是可以得到由一系列不同的α_a所组成的变量f(α)，则f(α)成为信号的多重分形谱，

为了得到一系列子集的分布特性，定义函数X_q(ε)为各个区域的概率加权求和，其中，ε为线度大小，q为密度分布函数P_i的幂数，即：

$X_q\left(\mathrm{\ϵ}\right)=\underset{a=1}{\overset{N}{\mathrm{\Σ}}}{P}_a^q,---\left(3\right)$

从(3)式可以看出，具有不同标度指数特征的子集，可以通过q值的改变来区分。由此进一步定义广义分形维数D_q为：

$D_q=\frac{1}{q-1}\underset{\mathrm{\ϵ}\→0}{\lim }\frac{\ln X_q\left(\mathrm{\ϵ}\right)}{\ln \mathrm{\ϵ}}=\frac{1}{q-1}\underset{\mathrm{\ϵ}\→0}{\lim }\frac{\ln \left(\underset{a=1}{\overset{N}{\mathrm{\Σ}}}{P}_a^q\right)}{\ln \mathrm{\ϵ}}$

X_q(ε)可以通过对q值的改变来突出不同大小的概率测度P_i的在整体分形维数定义计算中的贡献。在计算的过程中，并不是q值越大或越小就越好，选择不同的q值，可以突出不同概率测度处的特征，根据仿真图分析q值的选取范围，当q值增大或缩小到一定值时，多重分形维数的计算结果已经没有显著变化了，则q的范围就可以确定。

当q＞＞1时，求和中概率测度大的区域在计算结果中占有的比重大，此时，多重分形维数D_q突出的是概率高的区域信号的性质；

当q＜＜1时，求和中概率测度小的区域在计算结果中占有的比重大，此时，多重分形维数D_q突出的是概率小的区域信号的性质。

从上面的分析可得，选取不同的q值可以体现不同概率特性区域的性质，通过加权求和处理，就把一个通信调制信号分成许多具有不同奇异程度的区域，从而实现从不同层次来提取信号的特征，为低信噪比下提取微弱信号的特征从而对信号的调制类型进行分类识别提供了很好的理论依据。

由此，基于以上的理论分析，对步骤S2得到的重组信号序列进行处理，计算信号的多重分形维数：

对步骤S2中的每一个重组信号序列S(j)求和，S(j)表示第j个重组信号序列，即 $S_J=\mathrm{\ΣS}\left(j\right)=\mathrm{\Σs}(T\left(j\right)*(t\left(j\right)-1)+T_0\left(j\right))=\underset{T_0\left(j\right)=1}{\overset{T\left(j\right)}{\mathrm{\Σ}}}s(T\left(j\right)*(t\left(j\right)-1)+T_0\left(j\right)),$ $J=\mathrm{1,2},...J_0,j=\mathrm{1,2},...j_0,$ 其中，j₀表示每次重组信号的个数，S_J为第J次重组信号的和，J₀为重组信号的次数；

再对步骤S1得到的整个离散信号序列求和，和为S，即：

$S=\underset{i=1}{\overset{N_0}{\mathrm{\Σ}}}s\left(i\right),i=\mathrm{1,2},...,N_0,$

s(i)为离散信号序列的第i个采样点值，则第J个概率测度P_J定义为：

$P_J=\frac{S_J}{S},J=\mathrm{1,2},...J_0,$

将P_J带入到多重分形维数D_q的计算式中即可得到该未知的通信调制信号的多重分形维数特征，在此，q值的确定可以根据实际情况进行选择，定义：

当q＝0时，定义D_q为容量维数，即分形盒维数D₀，表示信号序列的几何分布特性；

当q＝1时，定义D_q为信息维数D₁，表示信号序列的概率分布特性；

当q＝2时，定义D_q为关联维数D₂，表示信号序列的关联特性；

步骤S4，根据多重分形维数特征提取未知调制信号的多重分形维数特征序列，对未知调制信号的多重分形维数特征序列利用灰色关联(灰关联)理论与数据库中的已知调制类型信号的多重分形维数特征序列进行关联度计算，判断该未知调制信号的调制类型为关联度最大的已知调制类型信号的调制类型，即实现了对未知的通信调制信号的分类识别：

取q值从-q₀到q₀，q₀值的大小根据需要提取特征的精细程度来决定，若需要较精细的特征，q₀的取值可以选择的较大，但随之而来的是复杂度的提高，需要较长的计算时间。反之，若对实时性有较高的要求，则q₀值可以取较小的数值。此时，计算出信号的多重分形维数共有2q₀+1重特征，每重特征即每个q值对应共有个特征点，对于一个通信调制信号，构成的特征向量共有个特征点值，将其构成一个未知的通信调制信号的多重分形特征序列F₀，利用灰色关联理论对未知的通信调制信号的多重分形特征序列F₀与数据库中的已知信号的多重分形维数特征序列Fi作关联，设γ(F₀,F_i)表示两个序列的关联系数，设共有k种调制方式模板，则调制方式种类i＝1,2,…,k，构成的特征矩阵为：

$F_0=({D^0}_{-q_0}\left(1\right),{D^0}_{-q_0}\left(2\right),...,{D^0}_{-q_0}\left(n\right),{D^0}_{-q_0+1}\left(1\right),...,{D^0}_{-q_0+1}\left(n\right),{...D^0}_{q_0}\left(1\right),{D^0}_{q_0}\left(2\right),...,{D^0}_{q_0}\left(n\right))$

$F_1=({D^1}_{-q_0}\left(1\right),{D^1}_{-q_0}\left(2\right),...,{D^1}_{-q_0}\left(n\right),{D^1}_{-q_0+1}\left(1\right),...,{D^1}_{-q_0+1}\left(n\right),{...D^1}_{q_0}\left(1\right),{D^1}_{q_0}\left(2\right),...,{D^1}_{q_0}\left(n\right))$

…

$F_i=({D^i}_{-q_0}\left(1\right),{D^i}_{-q_0}\left(2\right),...,{D^i}_{-q_0}\left(n\right),{D^i}_{-q_0+1}\left(1\right),...,{D^i}_{-q_0+1}\left(n\right),{...D^i}_{q_0}\left(1\right),{D^i}_{q_0}\left(2\right),...,{D^i}_{q_0}\left(n\right))$

…

$F_k=({D^k}_{-q_0}\left(1\right),{D^k}_{-q_0}\left(2\right),...,{D^k}_{-q_0}\left(n\right),{D^k}_{-q_0+1}\left(1\right),...,{D^k}_{-q_0+1}\left(n\right),{...D^k}_{q_0}\left(1\right),{D^k}_{q_0}\left(2\right),...,{D^k}_{q_0}\left(n\right))$

其中，i＝1,2,…,k表示调制方式的个数，

由此定义关联系数γ(F₀,F_i)的计算方法为：

$\mathrm{\γ}(F_0,F_i)=\frac{\underset{i}{\min }\underset{N}{\min }|F_0\left(N\right)-F_i\left(N\right)|+\mathrm{\ξ}\underset{i}{\max }\underset{N}{\max }|F_0\left(N\right)-F_i\left(N\right)|}{|F_0\left(N\right)-F_i\left(N\right)|+\mathrm{\ξ}\underset{i}{\max }\underset{N}{\max }|F_0\left(N\right)-F_i\left(N\right)|},---\left(4\right)$

公式(4)中，表示每种信号特征向量的第N个特征，ξ为分辨系数，定义域ξ∈(0,1)，通常取ξ＝0.5。由此，未知调制信号的多重分形维数特征值序列F₀与数据库中已有模板调制方式的特征值F_i之间的灰色关联度γ₀(F₀,F_i)定义为：

${\mathrm{\γ}}_0(F_0,F_i)=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\mathrm{\γ}(F_0,F_i),$

此灰色关联度为所求，选择未知的通信调制信号与已知的通信调制信号关联度最大的判断为该信号的调制类型，实现对通信信号的调制类型的分类识别。本发明可以克服现有识别方法中难以在低信噪比下对通信信号的调制类型进行分类识别的问题，本发明具有在强干扰环境下检测区分出不同调制类型的通信信号的能力，进而达到对通信信号调制类型的进行识别的目的，本发明不需要长时间对信号的观测，且不需要大量的信号样本，计算方法简单，可以通过选择不同的信号序列分组方法和不同的分形维数选择方法来突出信号的不同特征，实现了在低信噪比下对不同的通信信号调制类型进行识别的目的。

结合图2～7，在强干扰环境下，本发明设计出的低信噪比下基于复杂度特征的调制信号识别方法的原理图如图2所示：随机选取5种未知的通信信号调制类型即通信调制信号1～5，对其附加相同分布的色噪声以模仿传输信号的复杂的电磁环境，并按照本发明所述的方法进行多重分形维数特征提取，在SNR＝0dB的条件下，取q＝-3～3共7重分形维数，绘制不同调制信号的多重分形维数特征图如图3～图7所示，图3～图7的曲线趋势说明，不同调制信号的多重分形维数特征有所区别，可以提取到信号的有效特征。再对每种信号产生100个信号样本，5种信号共500个信号样本混合在一起，对每种信号样本在不同的信噪比下利用本发明设计的方法进行分类识别，计算出不同信噪比下的识别率如表1所示：

表1不同信噪比下通信信号调制类型识别率

表1的计算结果表明，在低信噪比下，利用多重分形维数对通信信号的调制类型进行识别可以实现，且在较低的信噪比下，可以达到很高的识别率，但前提是所处环境的噪声分布是稳定的。

基于以上对该发明方法的分析讨论，可以得知，信号的多重分形维数特征具有很好抗噪性能，即使在高噪声环境下，仍可以对信号进行可靠地识别，这就为软件无线电、电子侦察、电子对抗中的通信信号调制方式识别提供了可靠地理论保证。

综上所述，本发明的核心技术内容在于提取不同的通信调制信号的多重分形维数特征，选择不同的分形维数，突出时间信号序列不同概率点的特征，实现不同通信调制信号类型的特征提取；本发明包括的信号特征向量的重组，其主要内容为：对预处理后的离散时间信号序列按照一定的准则进行分组，一方面可以简化多重分形维数的计算，另一方面也可以将长的时间信号序列转化为更小的序列段来观察计算，从而实现对信号进行小范围的特征刻画，更精细的提取信号的特征；本发明包括的灰关联分类识别，其主要内容为：将本发明提取的未知的通信调制信号的多重分形维数特征与数据库中计算好的已知的通信调制信号的多重分形维数特征进行灰关联处理，计算出未知的通信调制信号与数据库中模板信号的关联度，选择关联度大的信号的调制类型作为该未知的通信调制信号的调制类型，进而实现调制类型的分类识别。本发明可以克服现有识别方法中难以在低信噪比下对通信信号的调制类型进行分类识别的问题，本发明具有在强干扰环境下检测区分出不同调制类型的通信信号的能力，进而达到对通信信号调制类型的进行识别的目的，本发明不需要长时间对信号的观测，且不需要大量的信号样本，计算方法简单，可以通过选择不同的信号序列分组方法和不同的分形维数选择方法来突出信号的不同特征，实现了在低信噪比下对不同的通信信号调制类型进行识别的目的。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (10)

1.一种低信噪比下基于复杂度特征的调制信号识别方法，其特征在于，包括：

对接收到的未知的通信调制信号进行离散预处理得到离散信号序列；

将所述离散信号序列进行重组得到重组信号序列；

对所述重组信号序列进行多重分形维数运算得到该调制信号的多重分形维数特征；

根据多重分形维数特征提取未知调制信号的多重分形维数特征序列，对未知调制信号的多重分形维数特征序列利用灰色关联理论与数据库中的已知调制类型信号的多重分形维数特征序列进行关联度计算，判断该未知调制信号的调制类型为关联度最大的已知调制类型信号的调制类型。

2.如权利要求1所述的低信噪比下基于复杂度特征的调制信号识别方法，其特征在于，对接收到的未知的通信调制信号进行离散预处理得到离散信号序列的步骤包括：

接收到的通信调制信号为s，预处理后的离散信号序列为{s(i)}，其中，s(i)为离散信号序列的第i个采样点值，i＝1,2,…,N₀表示信号的采样点数，N₀为信号序列的长度。

3.如权利要求2所述的低信噪比下基于复杂度特征的调制信号识别方法，其特征在于，将所述离散信号序列进行重组得到重组信号序列的步骤包括：

重组信号序列S(j)的定义方法为：S(j)＝s(T(j)*(t(j)-1)+T₀(j))，其中，t(j)＝2^j，表示每次重组信号中离散信号点的个数，其中，j＝1,2,…,n表示重组信号不同向量个数的次数的取值，表示重组信号不同向量个数的次数， $T\left(j\right)=\frac{N_0}{t\left(j\right)}=\frac{N_0}{2^j},$ T₀(j)＝[1:T(j)]。

4.如权利要求3所述的低信噪比下基于复杂度特征的调制信号识别方法，其特征在于，对所述重组信号序列进行多重分形维数运算得到该调制信号的多重分形维数特征的步骤包括：

选择不同的维数，提取所述重组信号序列的多重分形维数特征。

5.如权利要求4所述的低信噪比下基于复杂度特征的调制信号识别方法，其特征在于，选择不同的维数，提取所述重组信号序列的多重分形维数特征的步骤包括：

将第J个概率测度P_J带入到多重分形维数D_q的计算式中即可得到该未知的通信调制信号的多重分形维数特征，

其中，J＝1,2,…J₀，S_J为第J次重组信号的和，J₀为重组信号的次数， $S_J=\mathrm{\ΣS}\left(j\right)=\mathrm{\Σs}(T\left(j\right)*(t\left(j\right)-1)+T_0\left(j\right))=\underset{T_0\left(j\right)=1}{\overset{T\left(j\right)}{\mathrm{\Σ}}}s(T\left(j\right)*(t\left(j\right)-1)+T_0\left(j\right)),$ j＝1,2,…j₀，j₀表示每次重组信号的个数， $D_q=\frac{1}{q-1}\underset{\mathrm{\ϵ}\→0}{\lim }\frac{\ln X_q\left(\mathrm{\ϵ}\right)}{\ln \mathrm{\ϵ}}=\frac{1}{q-1}\underset{\mathrm{\ϵ}\→0}{\lim }\frac{\ln \left(\underset{a=1}{\overset{N}{\mathrm{\Σ}}}{P}_a^q\right)}{\ln \mathrm{\ϵ}},X_q\left(\mathrm{\ϵ}\right)=\underset{a=1}{\overset{N}{\mathrm{\Σ}}}{P}_a^q,$ X_q(ε)为各个区域的概率加权求和，ε为线度大小，q为密度分布函数P_a的幂数，a＝1,2,…,N，把未知的通信调制信号分为N个区域，取第a个区域的线度大小为ε_a，第a个区域的密度分布函数P_a，则不同区域a的标度指数为α_a。

6.如权利要求5所述的低信噪比下基于复杂度特征的调制信号识别方法，其特征在于，q值的确定可以根据实际情况进行选择，定义：

当q＝0时，定义D_q为容量维数，即分形盒维数D₀，表示信号序列的几何分布特性；

当q＝1时，定义D_q为信息维数D₁，表示信号序列的概率分布特性；

当q＝2时，定义D_q为关联维数D₂，表示信号序列的关联特性。

7.如权利要求6所述的低信噪比下基于复杂度特征的调制信号识别方法，其特征在于，根据多重分形维数特征提取未知调制信号的多重分形维数特征序列的步骤包括：

取q值从-q₀到q₀，q₀值的大小根据需要提取特征的精细程度来决定，若需要较精细的特征，q₀的取值可以选择的较大，反之，若对实时性有较高的要求，则q₀值可以取较小的数值,此时，计算出信号的多重分形维数共有2q₀+1重特征，每重特征即每个q值对应共有个特征点，对于一个通信调制信号，构成的特征向量共有个特征点值，将其构成一个未知的通信调制信号的多重分形特征序列F₀。

8.如权利要求7所述的低信噪比下基于复杂度特征的调制信号识别方法，其特征在于，对未知调制信号的多重分形维数特征序列利用灰色关联理论与数据库中的已知调制类型信号的多重分形维数特征序列进行关联度计算，判断该未知调制信号的调制类型为关联度最大的已知调制类型信号的调制类型的步骤包括：

利用灰色关联理论对未知的通信调制信号的多重分形特征序列F₀与数据库中的已知的通信调制信号的多重分形维数特征序列F_i作关联，选择未知的通信调制信号与已知的通信调制信号关联度最大的判断为该未知的通信调制信号的调制类型，其中，灰色关联度γ₀(F₀,F_i)定义为：

${\mathrm{\γ}}_0(F_0,F_i)=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\mathrm{\γ}(F_0,F_i),$

其中，设共有k种已知的通信调制信号的调制方式模板，则调制方式种类i＝1,2,…,k表示调制方式的个数，γ(F₀,F_i)表示两个序列的关联系数，关联系数γ(F₀,F_i)的计算方法为：

$\mathrm{\γ}(F_0,F_i)=\frac{\underset{i}{\min }\underset{N}{\min }|F_0\left(N\right)-F_i\left(N\right)|+\mathrm{\ξ}\underset{i}{\max }\underset{N}{\max }|F_0\left(N\right)-F_i\left(N\right)|}{|F_0\left(N\right)-F_i\left(N\right)|+\mathrm{\ξ}\underset{i}{\max }\underset{N}{\max }|F_0\left(N\right)-F_i\left(N\right)|},N=\mathrm{1,2},...,({2q}_0+1)*{\log }_2^{N_0}$ 表示每种信号特征向量的第N个特征，ξ为分辨系数，定义域ξ∈(0,1)。

9.如权利要求8所述的低信噪比下基于复杂度特征的调制信号识别方法，其特征在于，取ξ＝0.5。

10.如权利要求8所述的低信噪比下基于复杂度特征的调制信号识别方法，其特征在于，未知的通信调制信号的多重分形特征序列F₀与数据库中的已知信号的多重分形维数特征序列F_i作关联构成的特征矩阵为：

$\begin{array}{c}{F}_0=({D^0}_{{-q}_0}\left(1\right),{D^0}_{{-q}_0}\left(2\right),...,{D^0}_{{-q}_0}\left(n\right),{D^0}_{{-q}_0+1}\left(1\right),...,{D^0}_{{-q}_0+1}\left(1\right),{D^0}_{q_0}\left(1\right),{D^0}_{q_0}\left(2\right),...,{D^0}_{q_0}\left(n\right))\\ F_1=({D^1}_{{-q}_0}\left(1\right),{D^1}_{{-q}_0}\left(2\right),...,{D^1}_{{-q}_0}\left(n\right),{D^1}_{{-q}_0+1}\left(1\right),...,{D^1}_{{-q}_0+1}\left(n\right),{D^1}_{q_0}\left(1\right),{D^1}_{q_0}\left(2\right),...{D^1}_{q_0}\left(n\right))\\ ...\\ F_i=({D^i}_{{-q}_0}\left(1\right),{D^i}_{{-q}_0}\left(2\right),...,{D^i}_{{-q}_0}\left(n\right),{D^i}_{{-q}_0+1}\left(1\right),...,{D^i}_{{-q}_0+1}\left(n\right),...{D^i}_{q_0}\left(1\right),{D^i}_{q_0}\left(2\right),...,{D^i}_{q_0}\left(n\right))\\ ...\\ F_k=({D^k}_{{-q}_0}\left(1\right),{D^k}_{{-q}_0}\left(2\right),...,{D^k}_{{-q}_0}\left(n\right),{D^k}_{{-q}_0+1}\left(1\right),...,{D^k}_{{-q}_0+1}\left(n\right),...{D^k}_{q_0}\left(1\right),{D^k}_{q_0}\left(2\right),...,{D^k}_{q_0}\left(n\right))\end{array}.$