CN105656826A - 基于顺序统计量和机器学习的调制识别方法及系统 - Google Patents

Abstract

本发明涉及一种基于顺序统计量和机器学习的调制识别方法及系统。该方法包括：获取待识别信号的幅值和相位，获取幅值的顺序统计量和相位的顺序统计量；利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类，以区分QAM信号和不同的PSK信号；获取待识别的QAM信号的实部和虚部，获取待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量；利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和虚部的顺序统计量对待识别的QAM信号进行调制类型的分类，以区分不同的QAM信号。本发明在计算复杂度较低的情况下保持良好的信号分类性能。

Description

基于顺序统计量和机器学习的调制识别方法及系统

技术领域

本发明涉及无线通信技术领域，尤其涉及一种基于顺序统计量和机器学习的调制识别方法及系统。

背景技术

无线通信是我们生活中重要的一种信息传递方式，从早先的电台与电视广播信号到现在的Wi-Fi、手机使用的4G通信技术，无线通信技术由于其便利性正越来越多地影响我们的生活。而通信信号的调制与解调是无线通信中的一个重要领域。

由于低频无线信号不适合进行发射和接收，我们需要将传输的信号通过一定的方式加载到高频载波上，使其适合在空中传播，这一过程即为信号的调制。由于无线通信的通信目的、通信环境等条件的不同，无线通信的调制的方式也多种多样。早期的调制信号通常采用的是模拟调制，但随着数字通信技术不断发展，目前通信采用的调制信号大多是数字调制，数字调制相比于模拟调制有抗干扰能力强、传输信息范围广、保密性高等特点。由于无线通信应用在越来越广泛的领域，为满足不同用户的需求，无线信号在传播中通常会采用不同的调制方式。常用的数字调制方式可以分为幅度键控(ASK)，频移键控(FSK)和相移键控(PSK)三种调制类型，分别通过变化信号的幅度、频率和相位信息来传递信息。另外还有一些联合调制的方式，如QAM通过同时改变相位和幅值来传递信息。

调制方式是区别不同无线信号的一个重要特征，而调制信号识别技术指的是通过接收到的信号来判断空间中信号的调制类型，它是近年来无线电通信中发展较快的一个研究方向，其应用领域广泛。在军事方面，由于现代战争中信息主要通过无线电波传递，因此调制识别是对敌方通信进行侦察或干扰的前提；在民用方面，信号的调制方式可以作为无线电频谱管理的依据，即通过调制识别监测无线频段的使用情况，从而可以对无线频谱资源的分配进行指导，或防止无线频谱被干扰或非法利用。另外，在认知无线电中，调制识别配合软件定义无线电可以让认知用户能够在不同调制系统中进行通信，从而增加无线频谱的利用率。

目前，调制识别方法可以分成基于似然概率和基于特征的两大类。基于似然概率的方法通过计算信号的似然概率作为分类依据，可以细分为平均似然比检验、总体似然比检验、混合似然比检验等。其中平均似然比检验将未知参数当成一个随机变量，通过对其取期望来去除未知参数的影响；总体似然比检验将未知参数当作一个确定的值以使似然概率最大化；混合似然比检验是将以上两种方法混合，即认为一部分变量是随机的，另一部分变量则是确定的。这三种方法可以去除部分未知信道的影响，并且各有各的优点，但计算复杂度较高。

另一方面，基于特征的调制识别方法利用了不同假设下接收信号的特征不同进行分类，这种方法往往需要知道的信息较少，常用基于特征的调制识别方法包括：基于瞬时信息的方法、基于变换域的方法和基于信号统计特性的方法。其中基于瞬时信息的调制识别方法主要使用的信息是信号的瞬时的振幅、相位、频率等。基于变换域的方法通过将信号变换到其它空间之后来区分不同调制类型，其中最常见的是傅里叶变换和小波变换。基于信号统计特性的方法则是将接收信号的统计量作为特征进行分类，其中最常用的统计量是高阶矩和高阶积累量。通常的基于特征的识别方法具有较低的计算复杂度，且只需知道较少的信道信息，但分类性能相对于基于似然函数的方法较差。

发明内容

本发明所要解决的技术问题是：现有的调制识别方法计算复杂度较低、分类性能较差的问题。

为解决上述技术问题，本发明一方面提出了一种基于顺序统计量和机器学习的调制识别方法，该方法包括：

获取待识别信号的幅值和相位，分别对各个待识别信号的幅值和相位进行排序，获取幅值的顺序统计量和相位的顺序统计量；

利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类，以区分QAM信号和不同的PSK信号；

获取待识别的QAM信号的实部和虚部，分别对各个待识别的QAM信号的实部和虚部进行排序，获取待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量；

利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类，以区分不同的QAM信号。

可选地，在所述获取待识别信号的幅值和相位之前，还包括：

利用已知调制类型的信号的顺序统计量训练所述机器学习模型。

可选地，所述机器学习模型为线性支持向量机模型。

可选地，在所述获取待识别信号的幅值和相位之前，还包括：

获取待识别信号的信道信息。

可选地，所述机器学习模型为反向传播神经网络模型。

可选地，在所述获取待识别信号的幅值和相位之前，还包括：

对所述待识别信号进行能量归一化处理，并消除所述待识别信号的相位偏移和频率偏移。

可选地，在所述利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类之前，还包括：

分别获取所述幅值的顺序统计量和相位的顺序统计量的部分元素，获取幅值的压缩顺序统计量和相位的压缩顺序统计量；

相应地，所述利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类包括：

利用反向传播神经网络模型根据幅值的压缩顺序统计量和相位的压缩顺序统计量对待识别信号进行调制类型的分类。

可选地，在所述利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类之前，还包括：

分别获取所述待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量的部分元素，获取待识别的QAM信号的实部的压缩顺序统计量和虚部的压缩顺序统计量；

相应地，所述利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类包括：

利用反向传播神经网络模型根据带识别的QAM信号的实部的顺序统计量和虚部的顺序统计量对待识别的QAM信号进行调制类型的分类。

本发明另一方面提出了一种基于顺序统计量和机器学习的调制识别系统，该系统包括：

第一顺序统计量获取单元，用于获取待识别信号的幅值和相位，分别对各个待识别信号的幅值和相位进行排序，获取幅值的顺序统计量和相位的顺序统计量；

第一分类单元，用于利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类，以区分QAM信号和不同的PSK信号；

第二顺序统计量获取单元，用于获取待识别的QAM信号的实部和虚部，分别对各个待识别的QAM信号的实部和虚部进行排序，获取待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量；

第二分类单元，利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类，以区分不同的QAM信号。

可选地，所述机器学习模型为线性支持向量机模型或反向传播神经网络模型。

本发明提供的基于顺序统计量和机器学习的调制识别方法及系统，用于区分PSK和QAM两种调制类型的信号，利用信号的顺序统计量作为特征进行分类，在计算复杂度较低的情况下保持良好的信号分类性能。

附图说明

通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：

图1示出了本发明一个实施例的基于顺序统计量和机器学习的调制识别方法的流程示意图；

图2示出了本发明一个实施例的基于顺序统计量和机器学习的调制识别方法的原理图；

图3示出了本发明一个实施例的反向传播神经网络的示意图；

图4示出了信道已知时各个方法的分类性能示意图；

图5示出了信道未知时各个方法的分类性能示意图；

图6示出了本发明一个实施例的基于顺序统计量和机器学习的调制识别系统的结构示意图。

具体实施方式

下面将结合附图对本发明的实施例进行详细描述。

顺序统计量是对实值变量进行升序排列后的值，它能够保留除原数据顺序外的所有信息，可以作为一种特征进行调制类型的分类。

图1示出了本发明一个实施例的基于顺序统计量和机器学习的调制识别方法的流程示意图。如图1所示，该方法包括：

S11：获取待识别信号的幅值和相位，分别对各个待识别信号的幅值和相位进行排序，获取幅值的顺序统计量和相位的顺序统计量；

S12：利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类，以区分QAM信号和不同的PSK信号；

S13：获取待识别的QAM信号的实部和虚部，分别对各个待识别的QAM信号的实部和虚部进行排序，获取待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量；

S14：利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类，以区分不同的QAM信号。

需要说明的是，顺序统计量是对实值变量进行升序排列后的值，它能够保留除原数据顺序外的所有信息，因此可以作为一种特征进行调制分类。

本实施例的基于顺序统计量和机器学习的调制识别方法，用于区分PSK和QAM两种调制类型的信号，利用信号的顺序统计量作为特征进行分类，在计算复杂度较低的情况下保持良好的信号分类性能。

进一步地，在所述获取待识别信号的幅值和相位之前，还包括：

利用已知调制类型的信号的顺序统计量训练所述机器学习模型。

在一种可选的实施方式中，所述机器学习模型为线性支持向量机模型LSVM。

在所述获取待识别信号的幅值和相位之前，还包括：

获取待识别信号的信道信息。

本领域技术人员应该明白，LSVM需要在信道信息已知的前提下进行分类。

在另一种可选的实施方式中，所述机器学习模型为反向传播神经网络模型BPNN。图3示出了本发明一个实施例的反向传播神经网络的示意图。

为了提高分类的准确性，在所述获取待识别信号的幅值和相位之前，还包括：

对所述待识别信号进行能量归一化处理，并消除所述待识别信号的相位偏移和频率偏移。

为了减少分类的计算量，在所述利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类之前，还包括：

分别获取所述幅值的顺序统计量和相位的顺序统计量的部分元素，获取幅值的压缩顺序统计量和相位的压缩顺序统计量；

相应地，所述利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类包括：

利用反向传播神经网络模型根据幅值的压缩顺序统计量和相位的压缩顺序统计量对待识别信号进行调制类型的分类。

同样地，为了减少分类的计算量，在所述利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类之前，还包括：

分别获取所述待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量的部分元素，获取待识别的QAM信号的实部的压缩顺序统计量和虚部的压缩顺序统计量；

相应地，所述利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类包括：

利用反向传播神经网络模型根据带识别的QAM信号的实部的顺序统计量和虚部的顺序统计量对待识别的QAM信号进行调制类型的分类。

图2示出了本发明一个实施例的基于顺序统计量和机器学习的调制识别方法的原理图。如图2所示，本实施例用于区分多类PSK和QAM信号，包括以下两步：首先利用信号幅值和相位的顺序统计量(或压缩顺序统计量)区分QAM大类和不同的PSK信号；接下来，利用信号的实部和虚部的顺序统计量(或压缩顺序统计量)区分不同的QAM信号。

LSVM则需要信道已知，其具体步骤为：

步骤一：对特定的信道条件，利用训练样本的顺序统计量训练LSVM。

步骤二：接收一段需要进行识别的信号。

步骤三：对接收到的信号取幅值和相位，分别进行排序，得到它们的顺序统计量。

步骤四：利用LSVM分类这两组顺序统计量，以区分QAM信号和不同的PSK信号。

步骤五：对被分成QAM类型的信号取实部和虚部，分别进行排序，得到它们的顺序统计量。

步骤六：利用LSVM分类这两组顺序统计量，以区分不同的QAM信号。

BPNN适合信道未知情况下进行调制分类，具体步骤为：

步骤一：利用训练样本的压缩顺序统计量训练线性BPNN。

步骤二：接收一段需要进行识别的信号，并使它的能量归一化。

步骤三：估计信号的相位偏移和频率偏移，并消除这两个偏移的影响。

步骤四：对处理后的信号取幅值和相位，分别进行排序，得到它们的顺序统计量。

步骤五：取这两组顺序统计量的部分元素，得到压缩顺序统计量。

步骤六：利用BPNN分类这两组压缩顺序统计量，以区分QAM信号和不同的PSK信号。

步骤七：对被分成QAM类型的信号取实部和虚部，分别进行排序，得到它们的顺序统计量。

步骤八：取这两组顺序统计量的部分元素，得到压缩顺序统计量。

步骤九：利用BPNN分类这两组压缩顺序统计量，以区分不同的QAM信号。

图4示出了信道已知时各个方法的分类性能示意图；图5示出了信道未知时各个方法的分类性能示意图。表1示出了信道已知时各方法的分类时间，表2示出了信道未知时各方法的分类时间。

表1信道已知时各方法的分类时间

算法	Matlab运行时间(秒)
		基于积累量的算法	1.2
BPNN	3.8
		LSVM	3.8
最大似然算法	115.0

表2信道未知时各方法的分类时间

算法	Matlab运行时间(秒)
		BPNN	5.6
期望最大算法	1748

由图4、图5和表1、表2可知，本发明实施例的分类性能与现有的算法接近，且较优于现有的算法，但计算复杂度远低于现有算法。本发明实施例在分类性能和计算复杂度之间做出了一个很好的折中，即在计算复杂度较低的情况下保持良好的分类性能。

需要说明的是，由于顺序统计量稳定的特性，可以利用BPNN在信道未知的条件下进行分类。

下面以一个具体的实施方式说明信道已知时利用LSVM进行调制类型识别的具体步骤：

步骤一：对特定的信道条件，利用训练样本的顺序统计量训练LSVM。

在一个两类分类问题中，对于一组训练样本其中t_i∈{+1，-1}，若t_i＝1，则属于第一类样本，否则属于第二类样本。LSVM利用各元素的线性组合进行分类，其中u和a是待训练的参数，如果则认为属于第一类样本，否则属于第二类样本。LSVM通过最优化

$\begin{array}{cc}P1:\underset{u,a,{\mathrm{\ξ}}_i}{\min }& \frac{1}{2}{\left|u\right|}_2^2+C\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i^2\\ s.t.& t_i\left(u^T\stackrel{\→}{z}\right(i)+a)\≥1-{\mathrm{\ξ}}_i\\ & {\mathrm{\ξ}}_i\≥0,i=1,\mathrm{...},N\end{array}$

来获得u和a。其中是惩罚系数，C更大说明对错分样本的容忍更小，是松弛变量。以上优化问题的拉格朗日函数为

$L(u,a,\mathrm{\β},\mathrm{\δ})=\frac{1}{2}{\left|u\right|}_2^2+C\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i^2-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\δ}}_i{\mathrm{\ξ}}_i-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_i\[t_i\left(u^T\stackrel{\→}{z}\right(i)+a)-1+{\mathrm{\ξ}}_i\],$

其中是拉格朗日乘子。通过计算拉格朗日函数对于原变量的导数，可以得到

$\frac{\∂L(u,a,\mathrm{\β},\mathrm{\δ})}{\∂u}=0\⇒u=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_i{t}_i\stackrel{\→}{z}\left(i\right)$

$\frac{\∂L(u,a,\mathrm{\β},\mathrm{\δ})}{\∂a}=0\⇒\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_i{t}_i=0$

$\frac{\∂L(u,a,\mathrm{\β},\mathrm{\δ})}{\∂{\mathrm{\ξ}}_i}=0\⇒2{\mathrm{C\ξ}}_i-{\mathrm{\β}}_i-{\mathrm{\δ}}_i=0.$

把以上几式代入问题P1，可以得到

$\begin{array}{cc}P2:\underset{\mathrm{\β},\mathrm{\δ}}{\min }& \frac{1}{2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{t}_i{t}_j{\mathrm{\β}}_i{\mathrm{\β}}_j\stackrel{\→}{z}{\left(i\right)}^T\stackrel{\→}{z}\left(j\right)+\frac{1}{4C}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{\β}}_i+{\mathrm{\δ}}_i)}^2-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_i\\ s.t.& {\mathrm{\β}}_i\≥0,{\mathrm{\δ}}_i>0\\ & \underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_i{t}_i=0.\end{array}$

当问题P2取到最小时，一定有δ_i＝0，因此我们可以简化P2

$\begin{array}{cc}P3:\underset{\mathrm{\β}}{\min }& \frac{1}{2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{t}_i{t}_j{\mathrm{\β}}_i{\mathrm{\β}}_j\stackrel{\→}{z}{\left(i\right)}^T\stackrel{\→}{z}\left(j\right)+\frac{1}{4C}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_i^2-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_i\\ s.t.& {\mathrm{\β}}_i\≥0\\ & \underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_i{t}_i=0.\end{array}$

P3是一个凸优化问题，可以通过各种工具求解则原问题的解为

$u^{*}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_i^{*}{t}_i\stackrel{\→}{z}\left(i\right),$

$a^{*}=\frac{1}{\left|\mathrm{\Γ}\right|}\underset{i\∈\mathrm{\Γ}}{\mathrm{\Σ}}\left(t_i\right(1-\frac{{\mathrm{\β}}_i^{*}}{2C})-u^{*T}\stackrel{\→}{z}(i\left)\right),$

其中是支持向量集，其元素个数为|Γ|。

对于多类分类问题，可以对区分每一类和其它所有类训练一个LSVMu_m，am，然后利用

$\hat{m}=\arg \underset{m}{max}\{u_m\stackrel{\→}{z}+a_m\}$

进行分类。

步骤二：接收一段需要进行识别的信号r＝[r(1)，r(2)，…，K)]^T。信道已知时，接收信号可以表示为

r(k)＝αs(k)+w(k)，

其中信号s(k)是从M个调制类型{S₁，，S₂，…，S_M}中产生的，α是已知的信道系数，w(k)是能量为的复高斯噪声。

步骤三：对接收到的信号取幅值η＝||r||₂和相位分别进行排序，得到它们的顺序统计量和

步骤四：利用LSVM分类这两组顺序统计量，以区分QAM信号和不同的PSK信号。

步骤五：对被分成QAM类型的信号取实部和虚部分别进行排序，得到它们的顺序统计量和

步骤六：利用LSVM分类这两组顺序统计量，以区分不同的QAM信号。

下面以一个具体的实施方式说明信道未知时利用BPNN进行调制类型识别的具体步骤：

步骤一：利用训练样本的压缩顺序统计量训练线性BPNN。

BPNN的结构如图3所示，第一层是输入层，输入层的每一个节点收到输入信号并把它们传到下一层。中间的几层是隐层，它们接收并处理上一层的数据，并把它传播到下一层。最后一层是输出层。通常在一个M分类问题中，输出层有M个节点，在分类过程中，选取这M个节点中最大的一个作为最后的决策。

在每一个节点中，可以利用Sigmoid函数处理从上层接收的数据

$S\left(\mathrm{\υ}\right)=\frac{1}{1+e^{-\mathrm{\υ}}}.$

因此，第l层的输出可以表示为

${\mathrm{\υ}}_j^l=\frac{1}{1+e^{-({\mathrm{\Σ}}_i{W}_{ij}^l{\mathrm{\υ}}_i^{l-1}+b_j^l)}},$

其中是l层第j个节点的输出，是连接第l层第j个节点和第l-1层第i个节点的权重，是第l层第j个节点的偏置。BPNN分类器的训练算法如下

输入：训练样本和训练目标{d₁,d₂d_N},其中d_i是M维向量，属于第k类样本，则d_i的第k维元素为1，其余为0。网络层数L，每层的节点数n^l，更新速率ζ，迭代次数T。

初始化：随机初始化权重W和偏移b。

i从1到T做

获得一个新的数据和训练目标d＝d_n，其中n＝imodN。

计算网络的输出v^L。

对每一个输出层的节点，计算

${\mathrm{\ϵ}}_j^L={\mathrm{\υ}}_j^L(1-{\mathrm{\υ}}_j^L)(d_j-{\mathrm{\υ}}_j^L)$

对每一个隐层节点，计算

${\mathrm{\ϵ}}_j^l={\mathrm{\υ}}_j^l(1-{\mathrm{\υ}}_j^l)\underset{k=1}{\overset{n_{l+1}}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_k^{l+1}{W}_{jk}^{l+1}(i-1)$

更新权重和偏移

$W_{ij}^l\left(i\right)=W_{ij}^l(i-1)+{\mathrm{\η\ϵ}}_j^l{\mathrm{\υ}}_i^{l-1}$

$b_j^l\left(i\right)=b_j^l(i-1)+{\mathrm{\ζ\ϵ}}_j^l$

结束

步骤二：接收一段需要进行识别的信号r＝[r(1)，r(2)，…，r(K)]^T，并使它的能量归一化其中信道未知时，接收信号可以表示为

$r\left(k\right)={\mathrm{\αe}}^{j({\mathrm{k\ω}}_0+{\mathrm{\θ}}_0)}s\left(k\right)+\mathrm{\ω}\left(k\right),$

其中θ₀是相位偏移，ω₀是频率偏移。

步骤三：估计信号的相位偏移θ₀和频率偏移φ₀，并消除这两个偏移的影响。相位偏移可以通过

${\widehat{\mathrm{\θ}}}_0=\frac{1}{\mathrm{\λ}}\∠\mathrm{\ν}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{r}^{\mathrm{\λ}}\left(k\right)$

估计，其中

频率偏移可以通过

${\widehat{\mathrm{\ω}}}_0=\frac{1}{\mathrm{\λ}(K-P)}\[\∠\left(\mathrm{\ν}\underset{k=K-P+1}{\overset{K}{\mathrm{\Σ}}}{r}^{\mathrm{\λ}}\right(k\left)\right)-\∠\left(\mathrm{\ν}\underset{k=1}{\overset{P}{\mathrm{\Σ}}}{r}^{\mathrm{\λ}}\right(k\left)\right)\]$

估计，其中P＝K/3时估计性能最好。在估计出和之后，可以通过乘以消除这两者的影响。

步骤四：对接收到的信号取幅值和相位分别进行排序，得到它们的顺序统计量和

步骤五：取这两组顺序统计量的部分元素，得到压缩顺序统计量和其中{n₁，n₂，…，n_T}均匀分布在(1，K)范围内。

步骤六：利用BPNN分类这两组压缩顺序统计量，以区分QAM信号和不同的PSK信号。

步骤七：对被分成QAM类型的信号取实部和虚部分别进行排序，得到它们的顺序统计量和

步骤八：取这两组顺序统计量的部分元素，得到压缩顺序统计量和

步骤九：利用BPNN分类这两组压缩顺序统计量，以区分不同的QAM信号。

图6示出了本发明一个实施例的基于顺序统计量和机器学习的调制识别系统的结构示意图。如图6所示，该系统包括：

第一顺序统计量获取单元61，用于获取待识别信号的幅值和相位，分别对各个待识别信号的幅值和相位进行排序，获取幅值的顺序统计量和相位的顺序统计量；

第一分类单元62，用于利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类，以区分QAM信号和不同的PSK信号；

第二顺序统计量获取单元63，用于获取待识别的QAM信号的实部和虚部，分别对各个待识别的QAM信号的实部和虚部进行排序，获取待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量；

第二分类单元64，利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类，以区分不同的QAM信号。

进一步地，所述机器学习模型为线性支持向量机模型或反向传播神经网络模型。

本实施例所述的基于顺序统计量和机器学习的调制识别系统可以用于执行上述方法实施例，其原理和技术效果类似，此处不再赘述。

本发明提供的基于顺序统计量和机器学习的调制识别方法及系统，用于区分PSK和QAM两种调制类型的信号，利用信号的顺序统计量作为特征进行分类，在计算复杂度较低的情况下保持良好的信号分类性能。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种基于顺序统计量和机器学习的调制识别方法，其特征在于，包括：

获取待识别信号的幅值和相位，分别对各个待识别信号的幅值和相位进行排序，获取幅值的顺序统计量和相位的顺序统计量；

利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类，以区分QAM信号和不同的PSK信号；

获取待识别的QAM信号的实部和虚部，分别对各个待识别的QAM信号的实部和虚部进行排序，获取待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量；

利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类，以区分不同的QAM信号。

2.根据权利要求1所述的基于顺序统计量和机器学习的调制识别方法，其特征在于，在所述获取待识别信号的幅值和相位之前，还包括：

利用已知调制类型的信号的顺序统计量训练所述机器学习模型。

3.根据权利要求1所述的基于顺序统计量和机器学习的调制识别方法，其特征在于，所述机器学习模型为线性支持向量机模型。

4.根据权利要求3所述的基于顺序统计量和机器学习的调制识别方法，其特征在于，在所述获取待识别信号的幅值和相位之前，还包括：

获取待识别信号的信道信息。

5.根据权利要求1所述的基于顺序统计量和机器学习的调制识别方法，其特征在于，所述机器学习模型为反向传播神经网络模型。

6.根据权利要求5所述的基于顺序统计量和机器学习的调制识别方法，其特征在于，在所述获取待识别信号的幅值和相位之前，还包括：

对所述待识别信号进行能量归一化处理，并消除所述待识别信号的相位偏移和频率偏移。

7.根据权利要求5所述的基于顺序统计量和机器学习的调制识别方法，其特征在于，在所述利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类之前，还包括：

分别获取所述幅值的顺序统计量和相位的顺序统计量的部分元素，获取幅值的压缩顺序统计量和相位的压缩顺序统计量；

相应地，所述利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类包括：

利用反向传播神经网络模型根据幅值的压缩顺序统计量和相位的压缩顺序统计量对待识别信号进行调制类型的分类。

8.根据权利要求5所述的基于顺序统计量和机器学习的调制识别方法，其特征在于，在所述利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类之前，还包括：

分别获取所述待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量的部分元素，获取待识别的QAM信号的实部的压缩顺序统计量和虚部的压缩顺序统计量；

相应地，所述利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类包括：

利用反向传播神经网络模型根据带识别的QAM信号的实部的顺序统计量和虚部的顺序统计量对待识别的QAM信号进行调制类型的分类。

9.一种基于顺序统计量和机器学习模型的调制识别系统，其特征在于，包括：

第一顺序统计量获取单元，用于获取待识别信号的幅值和相位，分别对各个待识别信号的幅值和相位进行排序，获取幅值的顺序统计量和相位的顺序统计量；

第一分类单元，用于利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类，以区分QAM信号和不同的PSK信号；

第二顺序统计量获取单元，用于获取待识别的QAM信号的实部和虚部，分别对各个待识别的QAM信号的实部和虚部进行排序，获取待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量；

第二分类单元，利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类，以区分不同的QAM信号。

10.根据权利要求9所述的基于顺序统计量和机器学习模型的调制识别系统，其特征在于，所述机器学习模型为线性支持向量机模型或反向传播神经网络模型。