CN106487730A - 一种盲信号调制识别的方法及装置 - Google Patents

Abstract

本发明实施例提供了一种盲信号调制识别的方法及装置，其中，该方法包括：获取多个接收信号，生成接收信号矩阵；对接收信号矩阵进行独立成分分析，得到分离矩阵；通过分离矩阵对多个接收信号进行盲信号分离，得到分离后的独立的源信号的多个估计信号；计算并根据多个估计信号的高阶累积量，得到多个估计信号中每个估计信号的特征值；比较每个估计信号的特征值与预设特征值，得到使每个估计信号的特征值与预设特征值的差值为最小值时对应的第一预设特征值，在预设调制方式与特征值关系库中查找与第一预设特征值对应的调制方式，确定每个估计信号的调制方式。通过本发明实施例能够实现对盲信号中的所有信号的调制方式的识别，防止信号丢失。

Description

一种盲信号调制识别的方法及装置

技术领域

本发明涉及无线通信领域，特别是涉及一种盲信号调制识别的方法及装置。

背景技术

在军事和民用通信中，无线信号经常被非法传输信号干扰，如何识别盲信号的调制方式是一项非常艰巨的任务。大多数的调制识别方法通常假定只有一个信号存在，但在实际的频谱监测中会发现，合法信号通常被大量的非法信号干扰，随着通信系统的日益复杂多样，盲信号的调制方式识别成为了一项亟需解决的问题。

信号自动调制识别技术作为一种盲信号调制识别方法，在军用和民用通信领域有很广泛的应用，例如频谱监测和截获信号，现有的信号识别算法主要有两大类：基于似然的算法和基于统计量的算法。基于似然的算法主要依据的是最大似然函数，它计算接收信号的不同调制识别类型的概率，在信号数据集中选择具有最大概率的类型作为识别结果。另一方面，基于统计量的算法主要是从接收到的信号中提取相关特征，从而利用这些特征确定信号相应的调制识别方法。

在现有的针对盲信号的自动调制方式识别的方法中，一种是只识别强信号而将其他弱信号视为干扰信号忽略掉，然而此方法易忽略有用的弱信号，造成信号丢失。

发明内容

本发明实施例的目的在于提供一种盲信号调制识别的方法及装置，以实现对盲信号中的所有信号的调制方式的识别，防止信号丢失。具体技术方案如下：

第一方面，本发明实施例提供了一种盲信号调制识别的方法，所述方法包括：

获取多个接收信号，生成接收信号矩阵；

对接收信号矩阵进行独立成分分析，得到分离矩阵；

通过分离矩阵对多个接收信号进行盲信号分离，得到分离后的独立的源信号的多个估计信号；

计算并根据多个估计信号的高阶累积量，得到多个估计信号中每个估计信号的特征值；

比较每个估计信号的特征值与预设特征值，得到使每个估计信号的特征值与预设特征值的差值为最小值时对应的第一预设特征值，在预设调制方式与特征值关系库中查找与第一预设特征值对应的调制方式，确定每个估计信号的调制方式。

可选的，对接收信号矩阵进行独立成分分析，得到分离矩阵，包括：

根据接收信号矩阵，计算接收信号矩阵的协方差矩阵；

对协方差矩阵进行特征值分解，得到协方差矩阵的特征值和特征向量；

根据协方差矩阵的特征值和特征向量，得到接收信号的白化矩阵；

通过白化矩阵对接收信号矩阵进行白化处理，得到白化处理后的接收信号矩阵；

通过快速独立成分分析FastICA对白化处理后的接收信号矩阵进行迭代计算，得到分离矩阵。

可选的，计算并根据多个估计信号的高阶累积量，得到多个估计信号中每个估计信号的特征值，包括：

计算多个估计信号中每个估计信号的四阶累积量和六阶累积量，并通过公式：

计算多个估计信号中每个估计信号的特征值；

其中，y_i为多个估计信号中的第i个估计信号，γ_i为第i个估计信号的特征值，C₄₂为第i个估计信号的四阶累积量，C₆₃为第i个估计信号的六阶累积量，i为大于或等于1的自然数。

可选的，比较每个估计信号的特征值与预设特征值，得到使每个估计信号的特征值与预设特征值的差值为最小值时对应的第一预设特征值，在预设调制方式与特征值关系库中查找与第一预设特征值对应的调制方式，确定每个估计信号的调制方式，包括：

通过公式：

γ_q＝arg(min|γ_i-γ_q|)

比较每个估计信号的特征值与预设特征值，得到使每个估计信号的特征值与预设特征值的差值为最小值时对应的第一预设特征值，在预设调制方式与特征值关系库中查找与第一预设特征值对应的调制方式，确定每个估计信号的调制方式；

其中，γ_i为第i个估计信号的特征值，γ_q为第q种调制方式对应的预设特征值，调制方式与预设特征值一一对应，i，q为大于或等于1的自然数。

可选的，在通过分离矩阵对多个接收信号进行盲信号分离，得到分离后的独立的源信号的多个估计信号之后，本发明实施例的盲信号调制识别的方法还包括：

通过公式：

评价分离矩阵进行盲信号分离的效果；

其中，PI为分离矩阵的评价系数，g_nm为G矩阵的元素，G＝WH，W为分离矩阵，H为信道矩阵，M为G矩阵的阶数，n为g_nm在G矩阵中的行数，m为g_nm在G矩阵中的列数。

第二方面，本发明实施例提供了一种盲信号调制识别的装置，所述装置包括：

第一矩阵生成模块，用于获取多个接收信号，生成接收信号矩阵；

第二矩阵生成模块，用于对接收信号矩阵进行独立成分分析，得到分离矩阵；

信号分离模块，用于通过分离矩阵对多个接收信号进行盲信号分离，得到分离后的独立的源信号的多个估计信号；

特征值计算模块，用于计算并根据多个估计信号的高阶累积量，得到多个估计信号中每个估计信号的特征值；

调制方式识别模块，用于比较每个估计信号的特征值与预设特征值，得到使每个估计信号的特征值与预设特征值的差值为最小值时对应的第一预设特征值，在预设调制方式与特征值关系库中查找与第一预设特征值对应的调制方式，确定每个估计信号的调制方式。

可选的，所述第二矩阵生成模块包括：

协方差矩阵计算子模块，用于根据接收信号矩阵，计算接收信号矩阵的协方差矩阵；

特征值分解子模块，用于对协方差矩阵进行特征值分解，得到协方差矩阵的特征值和特征向量；

白化矩阵计算子模块，用于根据协方差矩阵的特征值和特征向量，得到接收信号的白化矩阵；

白化处理子模块，用于通过白化矩阵对接收信号矩阵进行白化处理，得到白化处理后的接收信号矩阵；

第二矩阵生成子模块，用于通过快速独立成分分析FastICA对白化处理后的接收信号矩阵进行迭代计算，得到分离矩阵。

可选的，所述特征值计算模块具体用于：

计算多个估计信号中每个估计信号的四阶累积量和六阶累积量，并通过公式：

计算多个估计信号中每个估计信号的特征值；

其中，y_i为多个估计信号中的第i个估计信号，γ_i为第i个估计信号的特征值，C₄₂为第i个估计信号的四阶累积量，C₆₃为第i个估计信号的六阶累积量，i为大于或等于1的自然数。

可选的，所述调制方式识别模块具体用于：

通过公式：

γ_q＝arg(min|γ_i-γ_q|)

比较每个估计信号的特征值与预设特征值，得到使每个估计信号的特征值与预设特征值的差值为最小值时对应的第一预设特征值，在预设调制方式与特征值关系库中查找与第一预设特征值对应的调制方式，确定每个估计信号的调制方式；

其中，γ_i为第i个估计信号的特征值，γ_q为第q种调制方式对应的预设特征值，调制方式与预设特征值一一对应，i，q为大于或等于1的自然数。

可选的，所述的盲信号调制识别的装置，还包括：

评价模块，用于通过公式：

评价分离矩阵进行盲信号分离的效果；

其中，PI为分离矩阵的评价系数，g_nm为G矩阵的元素，G＝WH，W为分离矩阵，H为信道矩阵，M为G矩阵的阶数，n为g_nm在G矩阵中的行数，m为g_nm在G矩阵中的列数。

本发明实施例提供的一种盲信号调制识别的方法及装置，通过独立成分分析得到接收信号的分离矩阵，然后通过分离矩阵计算得到独立源信号的多个估计信号，并计算多个估计信号中每个估计信号的特征值，并与预设特征值进行对比，得到估计信号的调制方式，实现了对盲信号中的所有信号的调制方式的识别，有效防止信号丢失，并且本发明实施例提供的一种盲信号调制识别的方法及装置，不需要考虑盲信号中多个信号的功率，能够实现对不同功率的信号的有效识别。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的一种盲信号调制识别的方法流程图；

图2为本发明实施例的一种盲信号调制识别的装置结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了实现对盲信号中的所有信号的调制方式的识别，防止信号丢失，本发明实施例提供了一种盲信号调制识别的方法及装置。

下面，首先对本发明实施例提供的一种盲信号调制识别的方法进行介绍，如图1所示，本发明实施例提供的一种盲信号调制识别的方法，包括如下步骤：

S101，获取多个接收信号，生成接收信号矩阵；

在发送端发送多个源信号后，由多个信号接收端接收，由于信号在传输过程中存在路径多变的情况，使得每一个信号接收端获取的接收信号都是多个源信号混叠形成的接收信号；

在获取到多个信号接收端接收的多个接收信号后，对多个接收信号进行检测，得到每个接收信号的信号值，以矩阵的形式表示多个接收信号，生成接收信号矩阵。

需要说明的是，本步骤中的多个接收信号具体为K个，源信号为N个，并且K大于或等于N，源信号和接收信号分别为数字信号。

假设，源信号的矩阵为s，经过信道传输后的接收信号矩阵为r，则r＝hs+n，其中，h为信道矩阵，n为高斯噪声矩阵。

S102，对接收信号矩阵进行独立成分分析，得到分离矩阵；

在生成接收信号矩阵后，首先对接收信号矩阵去均值，再进行白化处理，去除各个接收信号之间的相关性，通过独立成分分析方法对接收信号进行独立成分分析，得到分离矩阵。

需要说明的是，对接收信号矩阵去均值和进行白化处理，目的是降低独立成分分析过程的复杂度，增强算法的收敛速度，可以理解的是，对接收信号矩阵去均值和进行白化处理是本步骤的优选解决方案。

例如，根据S101假设的接收信号矩阵为r，首先对接收信号矩阵r去均值，再进行白化处理，即进行线性变换，得到变换后的矩阵然后通过独立成分分析方法对变换后的矩阵进行独立成分分析，得到分离矩阵W。

其中，独立成分分析的过程为现有技术，此处不再赘述。

S103，通过分离矩阵对多个接收信号进行盲信号分离，得到分离后的独立的源信号的多个估计信号；

分离的过程为矩阵相乘的过程，即将分离矩阵与接收信号矩阵相乘，则得到分离后的独立的源信号的多个估计信号。

例如，S102步骤中得到的分离矩阵为W，S101步骤中生成的接收信号矩阵为r，则分离后的独立的源信号的多个估计信号的矩阵为y＝Wr，其中，y为多个估计信号组成的估计信号矩阵。

S104，计算并根据多个估计信号的高阶累积量，得到多个估计信号中每个估计信号的特征值；

获取并根据多个估计信号中的每个估计信号的信号值，分别计算每一个估计信号的多个高阶累积量，其中，所述的高阶累积量可以是二阶累积量、四阶累积量、还可以是六阶累积量或八阶累积量；

获取并根据每个估计信号的两个不同阶的高阶累积量，计算每个估计信号的特征值。

需要说明的是，通过根据每一个估计信号的高阶累积量得到每一个估计信号对应的特征值，能够实现对特征值的去单位化，降低噪声造成的误差。

S105，比较每个估计信号的特征值与预设特征值，得到使每个估计信号的特征值与预设特征值的差值为最小值时对应的第一预设特征值，在预设调制方式与特征值关系库中查找与第一预设特征值对应的调制方式，确定每个估计信号的调制方式。

其中，所述的预设特征值至少为一个预设特征值，所述的第一预设特征值为预设特征值中的任一个特征值。

具体地，在本步骤中，第一种可以实现的实施方式是：

第一步，获取多个估计信号的特征值中的第一估计信号的特征值，与预设调制方式与特征值关系库中的多个不同的特征值进行比较，得到使第一估计信号的特征值与预设特征值的差值为最小值时对应的第一预设特征值；

第二步，根据该第一预设特征值，在预设调制方式与特征值关系库中查找对应于该第一预设特征值的调制方式，则第一预设特征值的调制方式为第一估计信号的调制方式；

重复上述步骤，则能够得到多个估计信号的调制方式。

在本实施例中，在第一估计信号的特征值与预设调制方式与特征值关系库中的多个不同的特征值进行比较时，只需要在预设调制方式与特征值关系库中进行一次遍历比较，就能够快速得到与上述的第一估计信号的特征值对应的第一估计信号的调制方式，节省比较的时间，提高识别效率。

具体地，在本步骤中，第二种可以实现的实施方式是：

获取多个估计信号的特征值，与预设调制方式与特征值关系库中的第一预设特征值进行比较，得到使多个估计信号中的任一个特征值与第一预设特征值的差值为最小值时的一个估计信号的特征值，则第一预设特征值对应的调制方式为该估计信号的调制方式；

重复上述步骤，直至确定多个估计信号的全部估计信号的调制方式。

在本实施例中，通过一个第一预设特征值，与多个估计信号的特征值进行比较，能够得到与至少一个估计信号的特征值对应的估计信号的调制方式，并且，能够有效防止对估计信号调制方式识别的遗漏。

需要说明的是，以上两种实施方式仅为了更好的说明本发明实施例，并不能用于限定本发明实施例的实施方式，本步骤还可以有其他多种实施方式，基于本步骤的实施方式，在本领域普通技术人员没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明实施例中，通过独立成分分析得到接收信号的分离矩阵，然后通过分离矩阵计算得到独立源信号的多个估计信号，再通过计算并根据每个估计信号的高阶累积量计算多个估计信号中每个估计信号的特征值，与预设特征值进行对比，得到使每个估计信号的特征值与预设特征值的差值为最小值时对应的第一预设特征值，最后通过在预设调制方式与特征值关系库中查找与第一预设特征值对应的调制方式，得到估计信号的调制方式，实现了对盲信号中的所有信号的调制方式的识别，有效防止信号丢失，并且本发明实施例提供的一种盲信号调制识别的方法及装置，不需要考虑盲信号中多个信号的功率，能够实现对不同功率的信号的有效识别。

更进一步地，为了提高分离效率和算法收敛速度，所述对所述接收信号矩阵进行独立成分分析，得到分离矩阵，包括：

第一步，根据接收信号矩阵，计算接收信号矩阵的协方差矩阵；

第二步，对协方差矩阵进行特征值分解，得到协方差矩阵的特征值和特征向量；

第三步，根据协方差矩阵的特征值和特征向量，得到接收信号的白化矩阵；

第四步，通过白化矩阵对接收信号矩阵进行白化处理，得到白化处理后的接收信号矩阵；

第五步，通过快速独立成分分析FastICA对白化处理后的接收信号矩阵进行迭代计算，得到分离矩阵。

具体地，为了更清楚的描述本发明实施例的方案，下面对方案举例进行说明，假设接收信号矩阵为r，白化矩阵为L，则协方差矩阵为E{rr^T}，通过对协方差矩阵进行特征值分解，即E{rr^T}＝UDU^T，得到协方差矩阵的特征值和特征值向量，其中，U的各个分量为协方差矩阵E{rr^T}的特征向量，U为协方差矩阵E{rr^T}的各个特征向量组成的矩阵。D为协方差矩阵的各个特征值组成的对角矩阵；因此，能够得到接收信号的白化矩阵为L＝UD-^1/2U^T，经过白化处理后的接收信号矩阵为

通过快速独立成分分析FastICA并根据公式

对白化处理后的接收信号矩阵进行迭代计算，得到分离矩阵。

其中，W＝W⁺/||W⁺||，W⁺为当前计算得到的当前分离矩阵，W为当前分离矩阵的前一次计算得到的分离矩阵，W^T为W的转置矩阵，g(·)为非线性函数，||·‖为2-范数。分离矩阵满足最大化的非高斯性。

需要说明的是，在进行独立成分分析前对接收信号进行白化处理能够降低独立成分分析过程的复杂度，增强算法的收敛能力，通过快速独立成分分析FastICA能够减少算法的迭代次数，提高信号分离效率和收敛速度。

更进一步地，为了降低噪声造成的误差并且获得多个估计信号的全部调制方式，所述计算并根据多个估计信号的高阶累积量，得到多个估计信号中每个估计信号的特征值，包括：

计算多个估计信号中每个估计信号的四阶累积量和六阶累积量，并通过公式：

计算多个估计信号中每个估计信号的特征值；

其中，y_i为多个估计信号中的第i个估计信号，γ_i为第i个估计信号的特征值，C₄₂为第i个估计信号的四阶累积量，C₆₃为第i个估计信号的六阶累积量，i为大于或等于1的自然数。

在本步骤中，通过计算每个估计信号的四阶累积量和六阶累积量求得每个估计信号的特征值，能够降低噪声引起的误差，同时，能够获得更多数值的特征值，进而在后续步骤中能够得到的更多估计信号的调制方式。

其中，计算四阶累积量与计算六阶累积量属于现有技术，此处不再赘述。

应当理解的是，本方案中的四阶累积量和六阶累积为本发明实施例的优选方案，并不能用于限定本发明实施例，通过计算其他的高阶累积量获得对应的特征值也是允许的，并且应当是被保护的。

更进一步地，所述比较每个估计信号的第一特征值与预设特征值，得到使每个估计信号的特征值与预设特征值的差值为最小值时对应的第一预设特征值，在预设调制方式与特征值关系库中查找与第一预设特征值对应的调制方式，确定每个估计信号的调制方式，包括：

通过公式：

γ_q＝arg(min|γ_i-γ_q|)

比较每个估计信号的特征值与预设特征值，得到使每个估计信号的特征值与预设特征值的差值为最小值时对应的第一预设特征值，在预设调制方式与特征值关系库中查找与第一预设特征值对应的调制方式，确定每个估计信号的调制方式；

其中，γ_i为第i个估计信号的特征值，γ_q为第q种调制方式对应的预设特征值，调制方式与预设特征值一一对应，i，q为大于或等于1的自然数。

具体地，预设调制方式与特征值关系库为存储预设调制方式与特征值关系表的数据库，所述的关系表如表1所示：

表1预设调制方式与特征值关系表

调制方式	四阶累积量C42	六阶累积量C63	预设特征值γq
				4ASK	-1.36E2	8.32E3	0.3312
BPSK	-2E2	16E3	0.3150
				QPSK	-E2	4E3	0.3969
8PSK	-E2	4E3	0.3969
				16PSK	-E2	4E3	0.3969
16QAM	-0.68E2	2.08E3	0.4173
				32QAM	-0.69E2	2.11E3	0.4194
64QAM	-0.6191E2	1.7972E3	0.4188
				128QAM	-0.1814E2	1.9594E3	0.4200
256QAM	-0.6047E2	1.734E3	0.4190

可见，通过在预设调制方式与特征值关系表中进行查找，能够快速确定多个估计信号中每个估计信号的调制方式。

需要说明的是，表1所示的预设调制方式与特征值关系表仅仅用于举例说明，并不能用于限定本发明，在实际应用中，还可以有更多的调制方式和预设特征值。

更进一步地，为了评价分离矩阵的分离效果，在通过分离矩阵对多个接收信号进行盲信号分离，得到分离后的独立的源信号的多个估计信号之后，本发明实施例的盲信号调制识别的方法还包括：

通过公式：

评价分离矩阵进行盲信号分离的效果；

其中，PI为分离矩阵的评价系数，g_nm为G矩阵的元素，G＝WH，W为分离矩阵，H为信道矩阵，M为G矩阵的阶数，n为g_nm在G矩阵中的行数，m为g_nm在G矩阵中的列数。

需要说明的是，PI值越小，说明分离效果越好，当PI＝0时，则说明分离后的估计信号与源信号越接近。

相应于上述提供的一种盲信号调制识别的方法，本发明实施例提供了一种盲信号调制识别的装置，如图2所示，该装置包括：

第一矩阵生成模块201，用于获取多个接收信号，生成接收信号矩阵；

第二矩阵生成模块202，用于对接收信号矩阵进行独立成分分析，得到分离矩阵；

信号分离模块203，用于通过分离矩阵对多个接收信号进行盲信号分离，得到分离后的独立的源信号的多个估计信号；

特征值计算模块204，用于计算并根据多个估计信号的高阶累积量，得到多个估计信号中每个估计信号的特征值；

调制方式识别模块205，用于比较每个估计信号的特征值与预设特征值，得到使每个估计信号的特征值与预设特征值的差值为最小值时对应的第一预设特征值，在预设调制方式与特征值关系库中查找与第一预设特征值对应的调制方式，确定每个估计信号的调制方式。

需要说明的是，本发明实施例的装置是应用上述盲信号调制识别的方法的装置，则上述盲信号调制识别的方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。

具体地，所述第二矩阵生成模块202包括：

协方差矩阵计算子模块，用于根据接收信号矩阵，计算接收信号矩阵的协方差矩阵；

特征值分解子模块，用于对协方差矩阵进行特征值分解，得到协方差矩阵的特征值和特征向量；

白化矩阵计算子模块，用于根据协方差矩阵的特征值和特征向量，得到接收信号的白化矩阵；

白化处理子模块，用于通过白化矩阵对接收信号矩阵进行白化处理，得到白化处理后的接收信号矩阵；

第二矩阵生成子模块，用于通过快速独立成分分析FastICA对白化处理后的接收信号矩阵进行迭代计算，得到分离矩阵。

具体地，所述特征值计算模块204具体用于：

计算多个估计信号中每个估计信号的四阶累积量和六阶累积量，并通过公式：

计算多个估计信号中每个估计信号的特征值；

其中，y_i为多个估计信号中的第i个估计信号，γ_i为第i个估计信号的特征值，C₄₂为第i个估计信号的四阶累积量，C₆₃为第i个估计信号的六阶累积量，i为大于或等于1的自然数。

具体地，所述调制方式识别模块205具体用于：

通过公式：

γ_q＝arg(min|γ_i-γ_q|)

比较每个估计信号的特征值与预设特征值，得到使每个估计信号的特征值与预设特征值的差值为最小值时对应的第一预设特征值，在预设调制方式与特征值关系库中查找与第一预设特征值对应的调制方式，确定每个估计信号的调制方式；

其中，γ_i为第i个估计信号的特征值，γ_q为第q种调制方式对应的预设特征值，调制方式与预设特征值一一对应，i，q为大于或等于1的自然数。

具体地，所述的盲信号调制识别的装置，还包括：

评价模块，用于通过公式：

评价分离矩阵进行盲信号分离的效果；

其中，PI为分离矩阵的评价系数，g_nm为G矩阵的元素，G＝WH，W为分离矩阵，H为信道矩阵，M为G矩阵的阶数，n为g_nm在G矩阵中的行数，m为g_nm在G矩阵中的列数。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种盲信号调制识别的方法，其特征在于，包括：

获取多个接收信号，生成接收信号矩阵；

对所述接收信号矩阵进行独立成分分析，得到分离矩阵；

通过所述分离矩阵对所述多个接收信号进行盲信号分离，得到分离后的独立的源信号的多个估计信号；

计算并根据所述多个估计信号的高阶累积量，得到所述多个估计信号中每个估计信号的特征值；

比较所述每个估计信号的特征值与预设特征值，得到使所述每个估计信号的特征值与所述预设特征值的差值为最小值时对应的第一预设特征值，在预设调制方式与特征值关系库中查找与所述第一预设特征值对应的调制方式，确定所述每个估计信号的调制方式。

2.根据权利要求1所述的盲信号调制识别的方法，其特征在于，所述对所述接收信号矩阵进行独立成分分析，得到分离矩阵，包括：

根据所述接收信号矩阵，计算所述接收信号矩阵的协方差矩阵；

对所述协方差矩阵进行特征值分解，得到所述协方差矩阵的特征值和特征向量；

根据所述协方差矩阵的特征值和特征向量，得到所述接收信号的白化矩阵；

通过所述白化矩阵对所述接收信号矩阵进行白化处理，得到白化处理后的接收信号矩阵；

通过快速独立成分分析FastICA对所述白化处理后的接收信号矩阵进行迭代计算，得到分离矩阵。

3.根据权利要求1所述的盲信号调制识别的方法，其特征在于，所述计算并根据所述多个估计信号的高阶累积量，得到所述多个估计信号中每个估计信号的特征值，包括：

计算所述多个估计信号中每个估计信号的四阶累积量和六阶累积量，并通过公式：

${\mathrm{\γ}}_i=\left|\frac{C_{42}\left(y_i\right)}{{\left(C_{63}\right(y_i\left)\right)}^{2/3}}\right|$

计算所述多个估计信号中每个估计信号的特征值；

其中，y_i为所述多个估计信号中的第i个估计信号，γ_i为第i个估计信号的特征值，C₄₂为第i个估计信号的四阶累积量，C₆₃为第i个估计信号的六阶累积量，所述i为大于或等于1的自然数。

4.根据权利要求1所述的盲信号调制识别的方法，其特征在于，所述比较所述每个估计信号的特征值与预设特征值，得到使所述每个估计信号的特征值与所述预设特征值的差值为最小值时对应的第一预设特征值，在预设调制方式与特征值关系库中查找与所述第一预设特征值对应的调制方式，确定所述每个估计信号的调制方式，包括：

通过公式：

γ_q＝arg(min|γ_i-γ_q|)

比较所述每个估计信号的特征值与预设特征值，得到使所述每个估计信号的特征值与所述预设特征值的差值为最小值时对应的第一预设特征值，在预设调制方式与特征值关系库中查找与所述第一预设特征值对应的调制方式，确定所述每个估计信号的调制方式；

其中，γ_i为第i个估计信号的特征值，γ_q为第q种调制方式对应的预设特征值，所述调制方式与所述预设特征值一一对应，所述i，所述q为大于或等于1的自然数。

5.根据权利要求1所述的盲信号调制识别的方法，其特征在于，在所述通过所述分离矩阵对所述多个接收信号进行盲信号分离，得到分离后的独立的源信号的多个估计信号之后，所述的盲信号调制识别的方法还包括：

通过公式：

$PI=\frac{1}{M^2}{\mathrm{\Σ}}_{n=1}^M\left(\frac{\underset{m=1}{\overset{M}{\Σ}}{g}_{nm}}{{\max }_m\left\{g_{nm}\right\}}-1\right)$

评价分离矩阵进行盲信号分离的效果；

其中，所述PI为所述分离矩阵的评价系数，所述g_nm为G矩阵的元素，所述G＝WH，所述W为所述分离矩阵，所述H为信道矩阵，所述M为所述G矩阵的阶数，所述n为所述g_nm在所述G矩阵中的行数，所述m为所述g_nm在所述G矩阵中的列数。

6.一种盲信号调制识别的装置，其特征在于，包括：

第一矩阵生成模块，用于获取多个接收信号，生成接收信号矩阵；

第二矩阵生成模块，用于对所述接收信号矩阵进行独立成分分析，得到分离矩阵；

信号分离模块，用于通过所述分离矩阵对所述多个接收信号进行盲信号分离，得到分离后的独立的源信号的多个估计信号；

特征值计算模块，用于计算并根据所述多个估计信号的高阶累积量，得到所述多个估计信号中每个估计信号的特征值；

调制方式识别模块，用于比较所述每个估计信号的特征值与预设特征值，得到使所述每个估计信号的特征值与所述预设特征值的差值为最小值时对应的第一预设特征值，在预设调制方式与特征值关系库中查找与所述第一预设特征值对应的调制方式，确定所述每个估计信号的调制方式。

7.根据权利要求6所述的盲信号调制识别的装置，其特征在于，所述第二矩阵生成模块包括：

协方差矩阵计算子模块，用于根据所述接收信号矩阵，计算所述接收信号矩阵的协方差矩阵；

特征值分解子模块，用于对所述协方差矩阵进行特征值分解，得到所述协方差矩阵的特征值和特征向量；

白化矩阵计算子模块，用于根据所述协方差矩阵的特征值和特征向量，得到所述接收信号的白化矩阵；

白化处理子模块，用于通过所述白化矩阵对所述接收信号矩阵进行白化处理，得到白化处理后的接收信号矩阵；

第二矩阵生成子模块，用于通过快速独立成分分析FastICA对所述白化处理后的接收信号矩阵进行迭代计算，得到分离矩阵。

8.根据权利要求6所述的盲信号调制识别的装置，其特征在于，所述特征值计算模块具体用于：

计算所述多个估计信号中每个估计信号的四阶累积量和六阶累积量，并通过公式：

${\mathrm{\γ}}_i=\left|\frac{C_{42}\left(y_i\right)}{{\left(C_{63}\right(y_i\left)\right)}^{2/3}}\right|$

计算所述多个估计信号中每个估计信号的特征值；

其中，y_i为所述多个估计信号中的第i个估计信号，γ_i为第i个估计信号的特征值，C₄₂为第i个估计信号的四阶累积量，C₆₃为第i个估计信号的六阶累积量，所述i为大于或等于1的自然数。

9.根据权利要求6所述的盲信号调制识别的装置，其特征在于，所述调制方式识别模块具体用于：

通过公式：

γ_q＝arg(min|γ_i-γ_q|)

比较所述每个估计信号的特征值与预设特征值，得到使所述每个估计信号的特征值与所述预设特征值的差值为最小值时对应的第一预设特征值，在预设调制方式与特征值关系库中查找与所述第一预设特征值对应的调制方式，确定所述每个估计信号的调制方式；

其中，γ_i为第i个估计信号的特征值，γ_q为第q种调制方式对应的预设特征值，所述调制方式与所述预设特征值一一对应，所述i，所述q为大于或等于1的自然数。

10.根据权利要求6所述的盲信号调制识别的装置，其特征在于，所述的盲信号调制识别的装置，还包括：

评价模块，用于通过公式：

$PI=\frac{1}{M^2}{\mathrm{\Σ}}_{n=1}^M\left(\frac{\underset{m=1}{\overset{M}{\Σ}}{g}_{nm}}{{\max }_m\left\{g_{nm}\right\}}-1\right)$

评价分离矩阵进行盲信号分离的效果；

其中，所述PI为所述分离矩阵的评价系数，所述g_nm为G矩阵的元素，所述G＝WH，所述W为所述分离矩阵，所述H为信道矩阵，所述M为所述G矩阵的阶数，所述n为所述g_nm在所述G矩阵中的行数，所述m为所述g_nm在所述G矩阵中的列数。