CN107689933B - Alpha稳定分布噪声下MFSK信号调制识别方法 - Google Patents

Abstract

本发明属于非高斯噪声环境下通信信号调制分析技术领域，公开了一种Alpha稳定分布噪声下MFSK信号调制识别方法，对接收到的MFSK信号做广义短时傅立叶变换得到MFSK信号的时频分析图像；提取广义短时傅立叶变换时频分析图像中频率跳变特征序列，并采用盲聚类方法对频率跳变特征序列进行聚类分析从而完成MFSK信号的调制类型识别。对于MFSK信号，在Alpha稳定分布噪声环境下，当混合信噪比大于0dB时，识别率达到94％以上；由此可见，本发明的调制识别效果较好。

Description

Alpha稳定分布噪声下MFSK信号调制识别方法

技术领域

本发明属于非高斯噪声环境下通信信号调制分析技术领域，尤其涉及一种 Alpha稳定分布噪声环境下MFSK信号调制识别方法。

背景技术

多进制频移键控(MFSK)信号以其较好的抗干扰性能被广泛应用于通信系统中。在通信对抗、无线电监测等非合作第三方接收应用领域，需要先对接收信号进行调制方式自动识别，才能实现信号的解调、解译。

目前，对于高斯噪声环境下频移键控(FSK)信号的调制识别的研究已经出现了很多成果。MFSK信号调制识别的方法大致可以分为基于Fourier变换的方法，基于小波变换的方法，基于时频分布的方法，以及基于高阶统计量的方法。然而，实际的通信环境(如短波通信、浅海水声通信等)不可避免的存在一些尖峰脉冲噪声，通常用Alpha稳定分布描述这类脉冲噪声。由于Alpha稳定分布噪声不存在有限的二阶矩，使得现有的高斯背景下的MFSK信号调制识别方法的性能严重退化。近期，针对Alpha稳定分布噪声下MFSK信号的识别问题，杨伟超等人通过选取多重分形谱之间的差异完成对2FSK、4FSK和8FSK的识别，但是该方案识别的准确率并不高(杨伟超,赵春晖,成宝芝.Alpha稳定分布噪声下的通信信号识别[J].应用科学学报,2010,28(2):111-114.)；

综上所述，现有技术存在的问题是：现有的高斯噪声假设下的MFSK信号调制识别技术在Alpha稳定分布噪声环境下性能严重退化，另外，现有的Alpha 稳定分布噪声下的MFSK信号调制识别技术复杂度高，可靠性较低，且不适用于不同调制指数的MFSK信号识别。

发明内容

针对现有技术存在的问题，本发明提供了一种Alpha稳定分布噪声下MFSK 信号调制识别方法。

本发明所要解决的技术问题是提供一种Alpha稳定分布噪声环境下MFSK 信号调制识别方法，用以解决短波通信，浅海水声通信等存在脉冲噪声的环境中通信信号监视等应用领域里信号识别的问题。本发明所述Alpha稳定分布噪声下MFSK信号调制识别方法包括：

步骤一，对接收到的MFSK信号做广义短时傅立叶变换得到MFSK信号的时频分析图像；

步骤二，提取广义短时傅立叶变换时频分析图的频率跳变波形；

步骤三，利用盲聚类方法对频率跳变波形进行聚类分析从而完成MFSK信号的调制识别。

进一步，所述广义短时傅立叶变换定义为：

其中，t为时间，ε为频率，η(·)表示时间宽度较短的窗函数，通常为矩形窗，f[·]表示非线性变换，其表达式为：

其中，r(t)为接收信号。

进一步，所述提取广义短时傅立叶变换时频分析图频率跳变波形的表达式为：

其中，S_r(t,ε)广义短时傅立叶变换时频分析图。

进一步，所述利用盲聚类方法对频率跳变波形进行聚类分析从而完成MFSK 信号的调制识别方法如下：

首先，确定聚类区间。将MFSK信号的广义短时傅立叶变换时频图像的频率跳变特征序列

的最小值置零，再对其进行最大值归一化，即

取值范围被映射到[0,1]，据此，可以确定聚类区间为[0,1]。

然后，确定聚类半径。对于调制阶数为M的FSK信号，将其跳变特征序列

映射到[0,1]范围，即信号的M个调制频率分量被映射在[0,1]范围，相邻调制频率分量之间的差值不超过

因此，可以根据待识别MFSK信号的最大调制阶数M_max设置聚类半径，此处聚类半径设置为

最后，修正聚类中心数目，对聚类数目进行修正，如果聚类中心之间的差值小于

则判定为同一类别，得到修正后的聚类数目Z。

根据的聚类数目数Z给出调制阶数判断规则：1＜Z≤3为2FSK信号， 3＜Z＜5为4FSK信号，5≤Z≤8为8FSK信号。

本发明的优点及积极效果为：通过广义短时Fourier变换提取MFSK信号的调制频率跳变信息，并采用盲聚类算法实现MFSK信号的调制识别，该识别算法的性能明显优于传统算法，并且在不同频率间隔及噪声特征指数变化的情况下也可以获得较好的识别性能。由图2可以看出，当混合信噪比大于0dB时， FSK信号的识别率达到94％以上；由图3可以看出，本发明对不同特征指数的脉冲噪声具有较好的稳健性，即使在特征指数为0.8的强脉冲噪声下依然可以获得良好的识别性能，当噪声特征指数为2.0时，噪声变为高斯噪声，而本文方法在高斯噪声依然有效；由图4可以看出，本发明可以适应不同调制指数的FSK 信号，当信号频率间隔较小时，本发明依然具有较好识别效果。

附图说明

图1是本发明实施例提供的Alpha稳定分布噪声下MFSK信号调制识别方法流程图。

图2是本发明实施例提供的Alpha稳定分布噪声下MFSK信号的识别性能示意图。

图3是本发明实施例提供的Alpha稳定分布噪声下MFSK信号的识别性能示意图。

图4是本发明实施例提供的Alpha稳定分布噪声下MFSK信号的识别性能示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的Alpha稳定分布噪声下MFSK信号调制识别方法包括以下步骤：

S101：首先对接收到的MFSK信号做广义短时傅立叶变换(Generalized short-time Fourier transform，GSTFT)的时频分析得到接收信号的时频分析图像；

S102：然后提取广义短时傅立叶变换时频分析图像的频率跳变特征序列；

S103：最后利用盲聚类方法对频率跳变特征序列进行聚类分析从而实现 MFSK信号的调制类型的识别。

下面结合附图对本发明的应用原理作进一步的描述。

本发明实施例提供的Alpha稳定分布噪声下MFSK信号调制识别方法包括以下步骤：

S1对接收到的MFSK信号做关于GSTFT的时频分析得到接收信号的时频分析图像；

α稳定分布噪声下接收信号模型，其表达式为：

r(t)＝s(t)+w(t)；

其中，s(t)为发送信号，调制类型分别为MFSK信号、OFDM信号或SCLD 信号。w(t)为α稳定分布噪声。s(t)为MFSK信号，其表达式为：

式中，A是信号幅度，θ为相偏，Δf_c表示频偏，频率偏移量为f_Δ，频率间隔为2f_Δ，T_a为符号周期，s_i表示传输符号且

g(t)为信号脉冲成型函数。

w(t)为α稳定分布噪声，w(t)的特征函数为：

其中：

其中，参数α为特征指数，用来表征脉冲性的强弱。α越小，脉冲性越强；α越大，脉冲性越弱，当α＝2时脉冲噪声退化为高斯噪声。参数a决定分布的中心位置。参数γ为分散系数，度量样本相对均值的分散程度。参数β决定了分布的歪斜程度。当a＝0且γ＝1时，称为标准α稳定分布，当β＝a＝0时，可记作SαS分布。

广义短时傅立叶变换(Generalized short-time Fouriertransform，GSTFT)定义式为：

其中，t为时间，ε为频率，η(·)表示时间宽度较短的窗函数，通常为矩形窗。f[·]表示非线性变换，其表达式为：

其中r(t)表示。

S2提取广义短时傅立叶变换时频分析图像的频率跳变波形：

提取S_r(t,f)不同时刻最大值对应的频率位置，即频率跳变特征序列：

其中，S_r(t,f)为广义短时傅立叶变换的时频分析图像。

S5利用盲聚类方法对频率跳变波形进行聚类从而完成MFSK信号的调制识别按以下步骤进行。

首先，确定聚类区间。调制阶数M相同的FSK信号，其主要差别在于调制指数h(

其中Δf表示频率间隔，f_d表示符号速率)不同。若频率间隔Δf相同，仅改变符号速率f_d，对频率跳变特征序列

不会造成影响；若频率间隔Δf发生变化，就会影响MFSK信号的调制频率的大小，从而使得频率跳变特征序列

发生变化。为了消除频率间隔改变带来的影响，先将频率跳变特征序列

的最小值置零，再对其进行最大值归一化，即

经过上述处理，MFSK信号跳变特征序列

值不随调制指数h变化而改变，取值范围被映射到[0,1]，据此，确定聚类区间为[0,1]。

然后，确定聚类半径。对于调制阶数为M的FSK信号，将其跳变特征序列

映射到[0,1]范围，即信号的M个调制频率分量被映射在[0,1]范围，相邻调制频率分量之间的差值不超过

因此可以根据待识别FSK信号的最大调制阶数M_max设置聚类半径，此处聚类半径设置为

最后，修正聚类中心数目，对聚类数目进行修正，如果聚类中心之间的差值小于

则判定为同一类别，得到修正后的聚类数目Z。

根据的聚类数目数Z给出调制阶数判断规则：1＜Z≤3为2FSK信号， 3＜Z＜5为4FSK信号，5≤Z≤8为8FSK信号。

下面结合仿真对本发明的应用效果作详细的描述。

为了评估本发明的性能，采用仿真实验进行验证。实验中MFSK信号的载波频率为14KHz，采样频率40KHz；2FSK，4FSK，8FSK信号符号速率依次为： 2000Baud，1000Baud，500Baud，噪声为加性α稳定分布噪声。混合信噪比范围设置为-4dB～10dB，并且以2dB为间隔，在不同混合信噪比下分别进行1000次 Monte Carlo仿真实验。其仿真结果如图2、图3和图4所示，由图2可以看出，当混合信噪比大于0dB时，FSK信号的识别率达到94％以上；由图3可以看出，本发明对不同特征指数的脉冲噪声具有较好的稳健性，即使在特征指数为0.8的强脉冲噪声下依然可以获得良好的识别性能，当噪声特征指数为2.0时，噪声变为高斯噪声，而本文方法在高斯噪声依然有效；由图4可以看出，本发明可以适应不同调制指数的FSK信号，当信号频率间隔较小时，本发明依然具有较好识别效果。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种Alpha稳定分布噪声下MFSK信号调制识别方法，其特征在于，所述Alpha稳定分布噪声下MFSK信号调制识别方法包括：

步骤一，对接收到的MFSK信号做广义短时傅立叶变换的时频分析得到MFSK信号的时频分析图像；

步骤二，提取广义短时傅立叶变换时频分析图像的频率跳变特征序列；

步骤三，利用盲聚类方法对频率跳变特征序列进行聚类分析实现MFSK信号的调制类型的识别；

所述步骤一中的广义短时傅立叶变换S_r(t,ε)定义为：

其中，t为时间，ε为频率，η(·)表示时间宽度较短的窗函数，通常为矩形窗；f[·]表示非线性变换，其表达式为：

其中，r(t)为接收信号；

步骤二提取广义短时傅立叶变换时频分析图像的频率跳变特征序列

表达式为：

其中，

表示频率跳变序列，S_r(t,ε)为广义短时傅立叶变换时频分析图像，

表示提取不同时刻S_r(t,ε)最大值对应的频率位置；

所述步骤三具体包括：

首先，确定聚类区间，调制阶数M相同的FSK信号，其主要差别在于调制指数h不同，

其中Δf表示频率间隔，f_d表示符号速率，若频率间隔Δf相同，仅改变符号速率f_d，对频率跳变特征序列

不会造成影响；若频率间隔Δf发生变化，就会影响MFSK信号的调制频率的大小，使得频率跳变特征序列

发生变化，为了消除频率间隔改变带来的影响，先将MFSK信号的广义短时傅立叶变换时频图的频率跳变特征序列

的最小值置零，再对其进行最大值归一化，即

其中，min[·]表示取最小值，max[·]表示取最大值；频率跳变特征序列

的取值不随调制指数h的改变而变化，且

取值范围被映射到[0,1]，确定聚类区间为[0,1]；

然后，确定聚类半径，对于调制阶数为M的FSK信号，将其跳变特征序列

映射到[0,1]范围，信号的M个调制频率分量被映射在[0,1]范围，相邻调制频率分量之间的差值不超过

根据待识别MFSK信号的最大调制阶数M_max设置聚类半径，此处聚类半径设置为

最后，修正聚类中心数目，对聚类数目进行修正，如果聚类中心之间的差值小于

则判定为同一类别，得到修正后的聚类数目Z；

根据的聚类数目数Z给出调制阶数判断规则：1＜Z≤3为2FSK信号，3＜Z＜5为4FSK信号，5≤Z≤8为8FSK信号。

Images