CN108494711A - 一种基于kl散度的通信信号图域特征提取方法 - Google Patents
一种基于kl散度的通信信号图域特征提取方法 Download PDFInfo
- Publication number
- CN108494711A CN108494711A CN201810114008.9A CN201810114008A CN108494711A CN 108494711 A CN108494711 A CN 108494711A CN 201810114008 A CN201810114008 A CN 201810114008A CN 108494711 A CN108494711 A CN 108494711A
- Authority
- CN
- China
- Prior art keywords
- modulation type
- divergences
- index
- characteristic
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004891 communication Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 238000001228 spectrum Methods 0.000 claims abstract description 20
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 15
- 238000010276 construction Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 13
- 238000011002 quantification Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 description 12
- 230000010363 phase shift Effects 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001151 other effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
Abstract
本发明公开了一种基于KL散度的通信信号图域特征提取方法,利用通信信号的循环谱,在保证算法鲁棒性的前提下实现了特征序列的自动构建;具体讲,本发明首先通过图域映射理论,将通信信号的循环谱转换为一系列邻接矩阵,并提取邻接矩阵中的元素构建特征序列备选集;然后对特征序列备选集中的每一个索引,根据每种调制类型在该索引处元素值的大小确定主调制类型,并计算主调制类型相对其他调制类型的KL散度;最后根据KL散度的大小来建立每种调制类型的特征序列。
Description
技术领域
本发明属于信号处理技术领域,更为具体地讲,涉及一种基于KL散度的通信信号图域特征提取方法。
背景技术
自动调制分类(AMC)可以在很少或没有先验知识的情况下识别接收信号的调制类型,广泛应用于军事和民用通信。典型的自动调制识别方法通常分为两类:基于最大似然的方法(ML)和基于特征提取的方法(FB)。基于最大似然的方法是一种基于假设检验的理论,通过接收信号的似然函数,将似然比与一个门限值做比较做出判决,这种方法可以得到贝叶斯意义上的最优解,但是也存在诸多弊端;基于特征识别的方法包括特征提取(FE)和模式识别(PR)两个阶段,特征提取阶段从接收到的未知信号中提取若干参考特征,然后在模式识别阶段根据提取的特征判断信号的调制类型,这种方法虽然不是最优的但实施效率相比前者较高。但两种方法都需要系统提供较高的运算能力,难以用于一些实时性要求较高而系统资源受限的特殊应用场合;现有识别方法在处理实际无线通信信号时性能严重恶化,实际工程应用中鲁棒性差。
基于图域的自动调制分类(AMCG)第一次将AMC变换到图形域,并且已经实现了比现有PR和基于LB的决策理论算法更优的性能。该方法利用调制信号的循环谱,依据循环频率将循环谱映射到图域,构建为加权有向环,手动记录邻接矩阵次对角线上的非零项,这些非零项被构建为有效特征参数。然而在AMCG中的整个图域特征构建是通过人工进行的,计算十分繁琐,工作量大,如果不适当地选择特征序列,容易造成较大的误差,通常会影响识别效果。这就需要一种科学地选择特征的方法,用于AMCG特征的自动构建。
KL散度用来表示两个随机分布的差异,通过计算某种调制类型相对于其他调制类型的KL散度并根据其大小进行排序,可以实现信号图域特征的自动构建,提取较少数量的特征达到更优化的性能,在避免人工参与特征构建的同时保证AMCG的鲁棒性。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于KL散度的通信信号图域特征提取方法,在保证算法鲁棒性的前提下实现无人工参与的特征序列自动构建。
为实现上述发明目的,本发明一种基于KL散度的通信信号图域特征提取方法,其特征在于,包括以下步骤:
(1)、通信信号图域映射
(1.1)、设置调制类型候选集Mdef,Mdef={M1,M2,...,MK},其中,Mk表示第k种调制类型,k=1,2,...,K,K表示调制类型总数;
(1.2)、利用FAM算法计算通信信号x(n)的循环谱其中,α为循环频率,α的取值为[α1,α2,…,αp],p为循环频率的取值个数,f为x(n)的频率,再对循环谱进行归一化和量化处理得到谱
(1.3)、在谱中,根据的对称性,在每种调制类型下取α和f均为正的四分之一谱映射到图域,得到一个图集其中,表示第k种调制类型下循环频率为ατ时的一个图,τ<p;将图集中的每一个图转换为一个邻接矩阵,建立起相应的邻接矩阵集 由图转换成的邻接矩阵;
同理,建立其余调制类型下的邻接矩阵集;
(2)、构建特征序列备选集
在所有邻接矩阵集中,取所有邻接矩阵的元素加入到特征序列备选集Idef中;
Idef={β1,β2,…,βi,…,βI}
其中,βi表示第i个元素,i=1,2,...,I,I表示元素的最大数量;
(3)、自动构建特征序列
(3.1)、确定主调制类型
重复计算次数为M;在第k种调制类型下第m次计算时,m=1,2,…,M,根据Idef中索引i找到到对应邻接矩阵中的一个元素,其值记为
重复计算M次,得到第k种调制类型下的M个值
同理,分别得到其余调制类型下的M个值;
对每种调制类型下的M个值求绝对累和,再选出绝对累和最大的一组对应的调制类型作为主调制类型,其索引为Kdef,即
(3.2)、计算主调制类型在每个索引处的KL散度
在第i个索引处,统计M次计算时第k种调制类型下的的概率分布:
其中,
其中,xk,i是每次计算时的随机变量;
再对xk,i取绝对值|xk,i|,得:
同理,计算出第i个索引处M次计算时,其余调制类型下的概率分布并将主调制类型的概率分布记为
然后计算第i个索引处的主调制类型的联合KL散度Ψi;
同理,按照上述方法可以求得每一个索引i=1,2...,I处主调制类型的联合KL散度;
(3.3)、根据KL散度构建特征序列
设K种调制类型总共需要提取N个特征;在I个索引处的KL散度中选出最大的前N个KL散度,并将对应的索引处的元素作为需要提取N个特征;
然后找到这N个索引分别对应的主调制类型,将每个索引处对应的元素加入主调制类型的特征序列,构建K个特征序列。
本发明的发明目的是这样实现的:
本发明一种基于KL散度的通信信号图域特征提取方法,利用通信信号的循环谱,在保证算法鲁棒性的前提下实现了特征序列的自动构建;具体讲,本发明首先通过图域映射理论,将通信信号的循环谱转换为一系列邻接矩阵,并提取邻接矩阵中的元素构建特征序列备选集;然后对特征序列备选集中的每一个索引,根据每种调制类型在该索引处元素值的大小确定主调制类型,并计算主调制类型相对其他调制类型的KL散度;最后根据KL散度的大小来建立每种调制类型的特征序列。
同时,本发明一种基于KL散度的通信信号图域特征提取方法还具有以下有益效果:
(1)、避免人工参与构建特征序列,不会因为人为地选择到不适当的特征而影响识别效果;
(2)、构建的特征序列在基于AMCG算法的整个分类过程中可以保持不变,并且可以忽略因训练信号传输符号随机性而导致的多种调制类型的调制特征序列的不一致性;
(3)、相比人工记录的方法,自动构建的特征序列包含较少的特征,不会导致任何的计算复杂性,但是达到更优的性能。
附图说明
图1是本发明基于KL散度的通信信号图域特征提取方法流程图;
图2是BPSK调制类型下的图域映射示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
为了方便描述,先对具体实施方式中出现的相关专业术语进行说明:
BPSK(binary phase-shift keying):二进制相移键控;
QPSK(quadrature phase-shift keying):正交相移键控;
OQPSK(offset quadrature phase-shift keying):偏移四相相移键控;
2FSK(binary frequency-shift keying):二进制频移键控;
4FSK(quadrature frequency-shift keying):四进制频移键控;
MSK(minimum shift keying):最小频移键控;
LB(Likelihood-based influence):基于最大似然
FB(feature-based):基于特征
FE(feature-extraction):特征提取
PR(pattern recognition):模式识别
AMCG(graph-based automatic modulation classification):基于图域的自动调制分类;
KL散度(Kullback-Leibler divergence):KL散度,又称相对熵;
图1是本发明基于KL散度的通信信号图域特征提取方法流程图。
在本实施例中,如图1所示,本发明一种基于KL散度的通信信号图域特征提取方法,包括以下步骤:
S1、设置调制类型候选集Mdef,在本实施例中,共包含六种调制类型,Mdef={BPSK,2FSK,4FSK,QPSK,OQPSK,MSK}。
S2、计算循环谱并处理
在本实施例中,以BPSK调制类型为例,利用FAM算法计算BPSK调制信号x(n)的循环谱其中,α为循环频率,α的取值为[α1,α2,…,αp],p为循环频率的取值个数,f为x(n)的频率,再对循环谱进行归一化和量化处理得到谱如图2(a)所示,给出了BPSK调制类型的归一化后的循环谱,图2(b)给出了量化处理后的循环谱。
S3、图域映射
在谱中,根据的对称性,在每种调制类型下取α和f均为正的四分之一谱映射到图域,移除其中的空图,得到一个图集其中,表示BPSK调制类型下循环频率为ατ时的一个图,τ<p;将图集中的每一个图转换为一个邻接矩阵,建立起相应的邻接矩阵集 由图转换成的邻接矩阵;
在本实施例中,如图2(c)所示,以循环频率α=0为例,给出了其在第一象限的频谱以及周期延拓方法,其中f1,...,f8为频率f的等间隔采样点,图2(d)给出了图2(c)对应的图域表示的邻接矩阵。
同理,我们还可以建立2FSK,4FSK,QPSK,OQPSK,MSK等调制类型下的邻接矩阵集,其方法相同在此不再赘述。
S4、构建特征序列备选集
邻接矩阵集中包含大量的元素,如要实现快速AMC不可能将所有元素都作为识别特征,因此特征的提取十分关键。已有的AMCG算法利用调制信号的循环谱,依据循环频率将其构建为图形域中的加权有向环,并手动记录其邻接矩阵次对角线的非零项,这些非零项的行索引被构建为有效特征参数。这种人工记录邻接矩阵的方法进行图域特征构建,计算繁琐,不仅耗时而且往往带来令人不满意的效果。因此需要一种科学的方法,实现AMCG特征的自动构建,在快速构建特征的同时保证算法的鲁棒性。
因此,我们在所有邻接矩阵集中,取所有邻接矩阵的元素加入到特征序列备选集Idef中;
Idef={β1,β2,…,βi,…,βI}
其中,βi表示第i个元素,i=1,2,...,I,I表示元素的最大数量;
S5、确定主调制类型
设置重复计算次数为M;在BPSK调制类型下第m次计算时,m=1,2,…,M,根据Idef中索引i找到到对应邻接矩阵中的一个元素,其值记为
重复计算M次,得到第k种调制类型下的M个值
同理,分别得到2FSK,4FSK,QPSK,OQPSK,MSK调制类型下的M个值;
对每种调制类型下的M个值求绝对累和,再选出绝对累和最大的一组对应的调制类型作为主调制类型,其索引为Kdef,即
S6、计算主调制类型在每个索引处的KL散度
KL散度,又称相对熵,是描述两个概率分布P和Q差异的一种方法,当两个分布相同时,它们的相对熵为零,当两个随机分布的差别增大时,它们的相对熵也会增大。
设P(x)和Q(x)是X取值的两个离散概率分布,则P对Q的相对熵为:
对于连续随机变量,定义为:
KL散度有两个主要性质:
(1)不对称性
尽管KL散度从直观上是一个度量或距离函数,但它并不是一个真正的度量或者距离,因为它不具有对称性,即D(P||Q)≠D(Q||P);
(2)非负性,即D(P||Q)≥0。
将KL散度应用于本发明中,具体为:
假设第i个索引处的主调制类型为BPSK,统计M次计算时BPSK调制类型下的的概率分布;
其中,
其中,xBPSK,i是每次计算时的随机变量;
再对xBPSK,i取绝对值|xBPSK,i|,得:
同理,计算出第i个索引处M次计算时,其余调制类型下的概率分布其中k∈{2FSK,4FSK,OQPSK,QPSK,MSK};
然后计算第i个索引处的主调制类型BPSK的联合KL散度Ψi;
同理,按照上述方法可以求得每一个索引i=1,2...,I处主调制类型的联合KL散度;
S7、根据KL散度构建特征序列
设每种调制类型总共需要提取N个特征;在I个索引处的KL散度中,选出最大的前N个KL散度,并将对应的索引处的元素作为需要提取的N个特征;
然后找到这N个索引分别对应的主调制类型,将每个索引处对应的元素加入主调制类型的特征序列,构建图域特征序列。
在本实施例中,特征提取情况如表1所示,由于零元素不会被选为特征,因此仅展示了非零元素的情况,其中,灰色填充为提取的特征。
表1
本实施例构建的六种调制类型的图域特征序列分别为:
根据上述方法可以实现图域特征的自动构建,提取的特征数明显减少,在简化计算的同时保证了算法的鲁棒性。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种基于KL散度的通信信号图域特征提取方法,其特征在于,包括以下步骤:
(1)、通信信号图域映射
(1.1)、设置调制类型候选集Mdef,Mdef={M1,M2,...,MK},其中,Mk表示第k种调制类型,k=1,2,...,K,K表示调制类型总数;
(1.2)、利用FAM算法计算通信信号x(n)的循环谱其中,α为循环频率,α的取值为[α1,α2,…,αp],p为循环频率的取值个数,f为x(n)的频率,再对循环谱进行归一化和量化处理得到谱
(1.3)、在谱中,根据的对称性,在每种调制类型下取α和f均为正的四分之一谱映射到图域,得到一个图集其中,表示第k种调制类型下循环频率为ατ时的一个图,τ<p;将图集中的每一个图转换为一个邻接矩阵,建立起相应的邻接矩阵集 由图转换成的邻接矩阵;
同理,建立其余调制类型下的邻接矩阵集;
(2)、构建特征序列备选集
在所有邻接矩阵集中,取所有邻接矩阵的元素加入到特征序列备选集Idef中;
Idef={β1,β2,…,βi,…,βI}
其中,βi表示第i个元素,i=1,2,...,I,I表示的最大数量;
(3)、自动构建特征序列
(3.1)、确定主调制类型
重复计算次数为M;在第k种调制类型下第m次计算时,m=1,2,…,M,根据Idef中索引i找到到对应邻接矩阵中的一个元素,其值记为
重复计算M次,得到第k种调制类型下的M个值
同理,分别得到其余调制类型下的M个值;
对每种调制类型下的M个值求绝对累,再选出绝对累和最大的一组对应的调制类型作为主调主调制类型,其索引为Kdef,即
(3.2)、计算主调制类型在每个索引处的KL散度
在第i个索引处,统计M次计算时第k种调制类型下的的概率分布:
其中,
其中,xk,i是每次计算时的随机变量;
再对xk,i取绝对值|xk,i|,得:
同理,计算出第i个索引处M次计算时,其余调制类型下的概率分布并将主调制类型的概率分布记为
然后计算第i个索引处的主调制类型的联合KL散度Ψi;
同理,按照上述方法可以求得每一个索引i=1,2...,I处主调制类型的联合KL散度;
(3.3)、根据KL散度构建特征序列
设K种调制类型总共需要提取N个特征;在I个KL散度中选出最大的前N个KL散度,并作为需要提取N个特征;
然后根据这前N个KL散度找到对应的主调制类型,再将该主调制类型下对应元素构建图域特征序列。
2.根据权利要求1所述的基于KL散度的通信信号图域特征提取方法,其特征在于,所述的元素是由该邻接矩阵中的循环频率和行索引组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810114008.9A CN108494711B (zh) | 2018-02-05 | 2018-02-05 | 一种基于kl散度的通信信号图域特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810114008.9A CN108494711B (zh) | 2018-02-05 | 2018-02-05 | 一种基于kl散度的通信信号图域特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108494711A true CN108494711A (zh) | 2018-09-04 |
CN108494711B CN108494711B (zh) | 2020-09-18 |
Family
ID=63344192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810114008.9A Expired - Fee Related CN108494711B (zh) | 2018-02-05 | 2018-02-05 | 一种基于kl散度的通信信号图域特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108494711B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109875570A (zh) * | 2019-01-30 | 2019-06-14 | 华南理工大学 | 一种运动前后心电信号身份识别的有效方法 |
CN113285762A (zh) * | 2021-02-25 | 2021-08-20 | 广西师范大学 | 一种基于相对熵计算的调制格式识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521617A (zh) * | 2011-12-26 | 2012-06-27 | 西北工业大学 | 一种利用稀疏基的协同显著性检测方法 |
CN107135176A (zh) * | 2017-07-06 | 2017-09-05 | 电子科技大学 | 基于分数低阶循环谱的图域通信信号调制识别方法 |
CN107147599A (zh) * | 2017-04-14 | 2017-09-08 | 电子科技大学 | 一种用于通信信号调制识别的图域特征自动构建方法 |
-
2018
- 2018-02-05 CN CN201810114008.9A patent/CN108494711B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521617A (zh) * | 2011-12-26 | 2012-06-27 | 西北工业大学 | 一种利用稀疏基的协同显著性检测方法 |
CN107147599A (zh) * | 2017-04-14 | 2017-09-08 | 电子科技大学 | 一种用于通信信号调制识别的图域特征自动构建方法 |
CN107135176A (zh) * | 2017-07-06 | 2017-09-05 | 电子科技大学 | 基于分数低阶循环谱的图域通信信号调制识别方法 |
Non-Patent Citations (1)
Title |
---|
XIAO YAN ET AL.: "Innovative Robust Modulation Classification Using Graph-Based Cyclic-Spectrum Analysis", 《IEEE COMMUNICATIONS LETTERS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109875570A (zh) * | 2019-01-30 | 2019-06-14 | 华南理工大学 | 一种运动前后心电信号身份识别的有效方法 |
CN113285762A (zh) * | 2021-02-25 | 2021-08-20 | 广西师范大学 | 一种基于相对熵计算的调制格式识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108494711B (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107147599A (zh) | 一种用于通信信号调制识别的图域特征自动构建方法 | |
CN104765768B (zh) | 海量人脸库的快速准确检索方法 | |
Zhang et al. | Automatic modulation classification using convolutional neural network with features fusion of SPWVD and BJD | |
CN108540202B (zh) | 一种卫星通信信号调制方式识别方法、卫星通信系统 | |
CN107135176A (zh) | 基于分数低阶循环谱的图域通信信号调制识别方法 | |
CN102710572B (zh) | 一种通信信号的特征提取与调制识别方法 | |
CN101834819B (zh) | 基于平行判决的模拟数字混合调制方式识别装置和数字调制方式识别装置 | |
CN108494711A (zh) | 一种基于kl散度的通信信号图域特征提取方法 | |
CN110149207A (zh) | 基于机器学习的新型连续变量量子密钥分发方法 | |
CN106878307B (zh) | 一种基于误码率模型的未知通信协议识别方法 | |
CN102497343A (zh) | 一种基于聚类和支持向量机的联合调制识别方法 | |
CN110222795B (zh) | 基于卷积神经网络的p2p流量的识别方法及相关装置 | |
CN106330805B (zh) | 一种信号调制方式自动识别方法及系统 | |
CN1141824C (zh) | 无需先验知识的常用数字信号调制方式的自动识别方法 | |
CN106357574A (zh) | 基于顺序统计量的bpsk/qpsk信号调制盲识别方法 | |
CN105516036B (zh) | 一种cpfsk调制识别方法 | |
CN106487730A (zh) | 一种盲信号调制识别的方法及装置 | |
CN107707497A (zh) | 基于减法聚类和模糊聚类算法的通信信号识别方法 | |
CN108270703A (zh) | 一种通信信号数字调制类型识别方法 | |
CN108199995A (zh) | 一种基于kl散度的通信信号图域特征迭代提取方法 | |
CN105915479B (zh) | 一种基于聚类算法的调制识别方法及系统 | |
CN109525528A (zh) | 面向mqam调制信号的图域信号识别方法 | |
CN111193552A (zh) | 一种涡旋光束拓扑荷数识别方法 | |
CN107070602B (zh) | 一种基于k均值聚类算法的空间调制系统盲检测方法 | |
CN108174379A (zh) | 基于支持向量机和阈值筛选的恶意用户识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200918 |
|
CF01 | Termination of patent right due to non-payment of annual fee |