CN108600135A - 一种信号调制方式的识别方法 - Google Patents

Abstract

本发明提供了一种构建信号调制方式识别模型的方法。该方法包括：根据调制信号循环谱图中多个数据点的特征数据与信号调制方式的关联性，获得由多组分析数据构成的训练集，其中，每组分析数据包括循环谱图中多个数据点的特征数据和对应的调制方式；基于所述训练集，以所述循环谱图中多个数据点的特征数据作为输入，以所述对应的调制方式作为输出，训练分类模型，从而获得信号调制方式识别模型。本发明提供了扩展性好的信号调制方式识别模型，能够提高信号调制方式的正确识别率，对于低信噪比信号尤其有效。

Description

一种信号调制方式的识别方法

技术领域

本发明涉及通信技术领域，尤其涉及一种信号调制方式的识别方法。

背景技术

由于通信技术的飞速发展，通信的规范和体系也在不断突破，尤其在非合作通信方面，参见图1示出的非合作通信过程，非合作通信是在不影响合作通信发送方和合作通信接收方正常通信的前提下接入到合作通信系统的通信方式，是一种非授权的接入通信模式，由于非合作接收方不能像合作通信中的双方那样已知发送方的相关信息，因此，需要完成非授权模式下的信号检测、调制方式识别与解调。随着非标准体制的应用越来越广泛，对信号侦察的要求也更高了，其中，信号调制方式的识别是信号侦察的一个重要环节，只有在准确地识别调制方式的前提下，才能对信号进行正确的解调。

在现有技术中，通常采用两种方法来识别信号的调制方式，包括：最大似然假设检验方法和基于特征提取的模式识别方法。最大似然法是采用概率论和假设检验理论来解决信号调制方式的识别问题，其是根据信号的统计特性，通过理论分析与推导，得到统计检验量，然后与一个合适的门限进行比较，从而形成判决准则来实现信号调制方式的自动识别。最大似然法需要知道更多的先验知识，例如，除了载波频率、码元速率、信号均值和方差等之外，还需要知道信噪比参数和噪声模型等，并且，当实际接收的信号与最大似然比识别算法模型有差异时，算法的性能下降很多，甚至得出错误的结论，此外，由于未知参量的存在，导致最大似然比识别算法的分类统计量一般都非常复杂，而对其进行简化的结果，往往又导致分类信息的丢失、调制类型的合并、分类性能的下降等问题，因此，最大似然比方法不适用于低信噪比的非合作通信环境。基于特征提取的模式识别方法由信号预处理、特征分析与提取和分类器设计三部分组成，其中，信号预处理的作用是将接收信号转换为适合后续计算处理的信号并估计基本参数；特征分析和提取是从预处理后的信号中提取出区别于其他信号的特征参数，是模式识别方法的关键，例如，有基于瞬时参数分析的特征值提取、基于信号时频的特征参数、基于星座图的特征参数等；分类器用于根据提取的特征参数确定信号的调制方式。纵观模式识别方法中使用的各种特征参量发现，特征提取基本上没有统一的规律可循，很难找到一个用于调制方式分类的通用特征和方法，对每种分类问题都必须具体情况具体分析，依据所需分类的调制类型的不同，寻找特定的方法和特征，而寻找特征是很困难的工作，需要花费大量的精力。

综上，现有技术中调制方式的识别主要存在两方面的问题：不适用于低信噪比环境；能够识别的调制类型及数量有限，扩展性差。而导致这两个问题的最主要原因是人为的特征提取(例如人为提取峰值个数等)，由于人为的特征提取有以下缺点：一是人为的特征提取会抛弃掉很多有用的信息，只保留了人为观察的信息，这就使得对信号的抽象表示不完全，且一般人为提取的特征都是一个数值，在低信噪比下，该值就会偏离正常值很多，所以用于识别调制方式时性能较差；二是特征提取难度大，且对每种分类问题都必须具体情况具体分析，依据所需分类的调制类型的不同，寻找特定的方法和特征，可扩展性差。

因此，需要对现有技术进行改进，以提供应用范围广、扩展性好的信号调制方式的识别方法。

发明内容

本发明的目的在于克服上述现有技术的缺陷，提供一种信号调制方式的识别方法。

根据本发明的第一方面，提供了一种构建信号调制方式识别模型的方法。该方法包括以下步骤：

步骤1：根据调制信号循环谱图中多个数据点的特征数据与信号调制方式的关联性，获得由多组分析数据构成的训练集，其中，每组分析数据包括循环谱图中多个数据点的特征数据和对应的调制方式；

步骤2：基于所述训练集，以所述循环谱图中多个数据点的特征数据作为输入，以所述对应的调制方式作为输出，训练分类模型，从而获得信号调制方式识别模型。

在一个实施例中，所述分类模型包括基于决策树的分类模型、基于SVM的分类模型、softmax分类模型或贝叶斯模型。

在一个实施例中，步骤2包括以下子步骤：

步骤21：建立softmax模型；

步骤22：利用所述训练集通过最小化损失函数求解所述softmax模型的优化权重和偏置；

步骤23：根据获得的所述优化权重和偏置来构建所述信号调制方式识别模型。

在一个实施例中，在步骤1中，每组分析数据所包括的循环谱图中的多个数据点的特征数据是从该循环谱图的一个象限提取获得。

在一个实施例中，在步骤1中，每组分析数据所包括的循环谱图中的多个数据点的特征数据是从该循环谱图中循环频率为码元速率整数倍的位置处提取。

在一个实施例中，所述调制方式为BPSK、QPSK、MSK、2FSK、4FSK、2ASK或4ASK。

在一个实施例中，所述训练集中包括在-20dB至20dB信噪比下的多组分析数据。

在一个实施例中，所述特征数据包括频率、循环频率和幅值。

根据本发明的第二方面，提供了一种信号调制方式的识别方法，该方法包括以下步骤：

步骤91：获取待检测信号的循环谱图；

步骤92：提取所述循环谱图中的多个数据点的特征数据；

步骤93：将所述循环谱图中的多个数据点的特征数据输入到根据本发明的信号调制方式识别模型，以获得所述待检测信号的调制方式。

与现有技术相比，本发明的优点在于：通过获取能够反映非平稳信号周期性变化规律的循谱图并从中提取表征信号调制方式的特征数据，经过训练获得信号调制方式的识别模型，该模型能够准确地检测信号的调制方式，尤其提高了低信噪比信号的识别准确率，此外，本发明获得的模型扩展性好，当通信过程中引入新的调制方式时，无需寻找新的特征。

附图说明

以下附图仅对本发明作示意性的说明和解释，并不用于限定本发明的范围，其中：

图1示出了现有技术中非合作通信环境的示意图；

图2示出了根据本发明一个实施例的信号调制方式的识别方法的流程图；

图3示出了时域平滑FFT累加算法的示意流程图；

图4示出了BPSK信号循环谱图；

图5示出了的BFSK信号循环谱图；

图6示出了BPSK信号的循环谱在循环频率α＝0的截面图；

图7示出了BFSK信号的循环谱在循环频率α＝0的截面图；

图8示出了BPSK信号循环谱的俯视图；

图9示出了BFSK信号循环谱的俯视图；

图10示出softmax模型的示意图；

图11示出了根据本发明的方法的不同调制方式下的正确识别率示意图。

具体实施方式

为了使本发明的目的、技术方案、设计方法及优点更加清楚明了，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

根据本发明的一个实施例，提供了一种信号调制方式的识别方法，简言之，该方法包括获取调制信号的循环谱图；基于循环谱图提取多个数据点的特征数据，构建训练集；基于训练集训练分类模型，以获得信号调制方式识别模型；利用信号调制方式识别模型实时地识别待测信号的调制方式，具体地，参见图2所示，该方法包括以下步骤：

步骤S210，获取调制信号的循环谱图。

在通信过程中，信源信号经过周期变换，例如，采样、调制、扫描、倍乘和编码处理，其统计参数会随时间呈现周期性变化，即具有循环平稳特性，可通过循环谱图来表征调制信号的循环平稳性。在本文中，所述的调制信号是指经过信源编码、信道编码和调制之后获得信号。

例如，可采用现有的时域平滑FFT累加算法(FAM)来获取调制信号的循环谱图，参见图3所示，FAM算法的基本过程为：对调制信号x(n)进行采样抽取和加窗操作；对加窗之后的数据进行N′点FFT变换，例如，N′＝64；然后，分别乘以e^{-j2πkmL/N’}和e^{-j2πlmL/N’}从两路进行频移，其中，k和l＝-N′/2,…,N′/2，m＝0，…，P-1，k、l、m的步长为1；将两路频移后的复解调信号共轭相乘；进行P点的傅里叶变换。

通过上述过程，对于调制信号x(n)，利用FAM计算的循环谱表示如下：

其中，P＝N/L，N为采样数据长度，L为抽取因子，r＝0,…,P-1,q＝-P/2,…,P/2-1,r、q的步长为1，f₁＝f+α/2，f₂＝f-α/2，α表示循环频率，f表示频率，X_T(r,f₁),X_T(r,f₂)是调制信号x(n)的复解调函数，公式如下：

其中，a(r)是窗函数，T＝N′T_s，N′为加窗函数截短数据的长度，T_s是抽样周期。

采用上述的FAM方法，对于每种调制方式下的信号均能获得一张对应的循环谱图，图4、图5分别示意了BPSK、BFSK调制方式下的信号的循环谱图，三个坐标分别对应循环谱图的频率(Frequency)、循环频率(Cycle frequency)和幅值。

步骤S220，分析循环谱图的特征数据与调制方式的关联关系。

通过分析信号的循环谱图发现，在不同的调制方式下，循环谱图的波形分布、最大波形位置、波形的个数以及波形的陡峭程度都是不同的，参见图4至图9所示，其中，图4、图5分别示意了BPSK、BFSK调制方式下的信号的循环谱图；图6、图7分别示意了BPSK、BFSK信号在循环频率α＝0时的截面图；图8、图9分别示意了BPSK、BFSK信号的俯视图。对于循环谱图中的任意位置的数据点，可采用频率、循环频率和幅值等特征数据来描述，一张循环谱图中的多个数据点的特征数据即可表征循环谱图的波形分布、波形的陡峭程度等特征，也即可以用于表征该特征谱图对应的调制方式。

步骤S230，筛选循环谱图的特征数据，以构建训练集。

在此步骤中，通过从循环谱图中提取多个数据点的频率、循环频率和幅值构成多组分析数据来表征信号的调制方式，该多组分析数据构成训练集。参见下表1示意的训练集示例。

表1：训练集示例

表1示意了由两组分析数据构成的训练集，每组分析数据包括一张循环谱图的两个数据点和对应的调制方式标签，该训练集为二维矩阵，第一个维度(行)用来索引循环谱图，第二个维度(列)用于索引每张循环谱图中的数据点，该训练集的标签是各个循环谱图对应的调制方式，在本文中，将训练集中由频率、循环频率和幅值构成的数据也称为特征数据，将指示调制方式的标签也称为训练集的输出或输出标签。

根据本发明的其他实施例，训练集中的特征数据可不限于频率、循环频率和幅值，例如，还可包括相邻数据点之间的幅值差等。

需要说明的是，表1仅是示意性的说明，在实际应用中，为了提高训练精度，训练集中包括足够多的训练样本，例如，包括同一调制方式下不同通信环境中的多张循环谱图，又如，每张循环谱图中提取足够多的数据点的特征数据。在一个实施例中，对于每种调制方式，训练集中包括信噪比范围在-20dB至20dB的多个循环谱图，并且从每张循环谱可获得65(频率)×32769(循环频率)个数据点，其中，所能获得的数据点个数与FAM算法设置的参数有关，例如，采样数据长度N和抽取因子L等。

训练集中的输出标签能够标识不同的调制方式即可，例如，可采用“one-hotvectors(独热编码)”方式表示，即一个one-hot向量除了某一位的数字是1以外，其余数字均是0，例如，对于七种调制方式的情况，标签2ASK可表示为[1,0,0,0,0,0,0]，标签4ASK可表示为[0,1,0,0,0,0,0]，BPSK可表示为[0,0,1,0,0,0,0]，其余调制方式的表示类似。

尽管训练集中每张循环谱图中提取的数据点越多，越有助于提高训练精度，但同时也会增加训练资源以及训练时间。在一个优选实施例中，为了提高训练效率，在不影响训练精度的前提下，可对构成训练集的特征数据进行压缩。例如，对于每张循环谱图，仅提取一个象限中的特征数据，这是由于通过分析发现，循环谱图在四个象限中的图像是对称的，参见图4和图8所示，因此，一个象限中的特征数据即可对该特征图谱对应的调制信号进行表征，而其余三个象限的数据可作为冗余数据去除。又如，循环谱还具有这样的特征，即出现特征谱线的位置是循环频率(单位Hz)为码元速率(单位bps)的整数倍的位置，参见图8的俯视图，该循环谱图的码元速率为10Mbps(即10⁷bps)，则只有在循环频率为码元速率整数倍的位置才可能出现特征谱线，例如，1x10⁷Hz(即0.1x10⁸Hz)、-1x10⁷Hz(即-0.1x10⁸Hz),2X10⁷Hz(即0.2x10⁸Hz)、0Hz，利用这一特征，可进一步压缩训练集，即仅提取循环频率为码元速率整数倍位置的数据点的特征数据。通过上述的两种压缩方法，对于一种循环谱图可以仅提取16(频率)*32(循环频率)个数据点(即512个数据点)的特征数据，这与提取65(频率)×32769(循环频率)个数据点的特征数据构成训练集时具有一样的训练效果。

在本发明的实施例中，训练集包含60000行训练数据，每张循环谱图提取16*32(即512)个数据点，其中，包括七种调制信号2ASK、4ASK、BPSK、QPSK、MSK、2FSK和4FSK的循环谱图，信噪比范围为-20dB～20dB。因此，训练集中特征数据(即训练过程的输入)是一个形状为[60000，512]的二维矩阵。

步骤S240，训练分类模型，获得信号调制方式识别模型

利用步骤S230获得的训练集来训练分类模型，以训练集中的特征数据作为输入，以与特征数据对应的调制方式作为输出，获得的训练好的分类模型即为信号调制方式识别模型。

分类模型可采用基于决策树的分类模型、基于SVM的分类模型、softmax分类模型或贝叶斯算法等。以softmax模型为例，参见图10，其中，示出了三组输入数据、三路输出数据和一个特征图层(即一层权重)。简言之，利用softmax模型进行分类训练的基本原理是：首先，在多组权重和偏置下，对输入数据x₁，x₂，x₃进行加权求和(即神经元的输出)，例如，第一路神经元的输出为θ₁＝x₁·W_1,1+x₂·W_1,2+x₃·W_1,3+b₁，第二路神经元的输出为θ₂＝x₁·W_2,1+x₂·W_2,2+x₃·W_2,3+b₂，第三路神经元的输出为θ₃＝x₁·W_3,1+x₂·W_3,2+x₃·W_3,3+b₃，其中偏置值b₁，b₂，b₃用于调节输入数据中通常会存在的一些无关的干扰量；然后，采用softmax函数计算在每组权重和偏置下的损失函数，损失函数最小时对应的权重和偏置，即为训练好的模型参数。

需要说明的是，图10仅是示意性的softmax模型结构，在实际应用中，输入数据的数量、输出数据的数量以及特征图层的数量需根据构建的训练集以及对模型的精度要求或训练速度要求等来确定。

具体地，在此实施例中，当采用softmax模型训练时，输入数据是训练集中的特征数据，如果循环谱图的特征数据具有很强的证据，说明这张图不属于对应的调制方式，那么相应的权值为负数，相反，如果该循环谱图的特征数据拥有有利的证据支持这张循环谱图属于对应的调制方式，那么权值是正数。例如，对于给定的输入的特征数据x_j代表的是调制方式i的证据可以表示为：

其中，i表示调制方式类别，j表示给定循环谱图的特征数据索引，b_i表示第i类的偏移量。

然后，用softmax函数可以把这些证据转换成概率y(即利用概率来表示证据的说服力)，表示为：

y＝soft max(θ_i) (4)

其中，softmax函数定义为：

其中，K代表一共有调制方式的种类数，i∈1,...,K

在采用softmax模型进行分类训练过程中，可采用预测值和实际值的差值作为损失函数来衡量模型的精确度，在此实施例中，采用的损失函数是“交叉熵(cross-entropy)”，定义如下：

其中，y是softmax模型预测的概率分布，y'是softmax模型实际的概率分布。

通过此步骤S240的训练过程可获得softmax模型优化的权重和偏置，也即信号调制方式识别模型。

步骤S250，利用信号调制方式识别模型来识别待测信号的调制方式。

利用信号调制方式识别模型可实时地识别通信过程中待检测信号的调制方式，检测方法包括：

实时地获取待检测信号的循环谱图并从循环谱图中提取特征数据；

将该特征数据集输入已获得的信号调制方式识别模型得出该检测的信号属于各个调制方式的概率，与训练过程类似，概率计算公式为：

其中，K代表一共有调制方式的种类数，i∈1,...,K，θ_i和θ_k为相应的输入特征数据与优化权重和偏置的加权和。概率最大值对应的调制方式作为该待检测信号的调制方式。

此步骤中的循环谱图的获取，特征数据的提取以及概率的计算与构建信号调制方式模型中的相应过程类似，在此不再赘述。

需要说明的是，利用本发明的信号调制方式识别模型可进行任意类型的调制方式检测，即使随着通信标准的发展，引入新的调制方式的情况下，只需要根据循环谱图的图像特征，选择适合的分类器训练即可获得新的信号调制方式识别模型，可采用本文所述的softmax模型分类器，也可采用更适合于新的调制方式的其他分类模型，例如，基于深层网络CNN(卷积神经网络)的分类模型等。因此，本发明利用循环谱图的特征获得信号调制方式识别模型的方法提高了模型的可扩展性。

为了进一步验证本发明(基于循环谱图像特征法)的效果，分别对2ASK、4ASK、BPSK、QPSK、MSK、2FSK和4FSK七种调制信号进行了测试，每隔两个信噪比进行测试，每个信噪比下每种调制信号测试样本数为2000个，图11示出了该七种调制方式的总识别率，其中，横坐标表示信噪比SNR(dB)，纵坐标表示识别率(Pcc)，可以看出，对于信噪比大于-1dB的信号，识别率达到100％，即使对于-10dB至-2dB的低信噪比信号，识别的准确率也能够达到90％以上，对于信噪比处于更低范围的信号也能达到一定的识别准确率。

综上所述，本发明利用循环谱图生成训练集通过训练获得信号调制方式识别模型的方法，去除了人为特征提取的过程，同时由于信号循环谱的二维数据与图像的数据结构类似，所以把其当作图像处理，这样只要噪声没有大到全部淹没信号，不同调制方式的循环谱就是不同的，因此，本发明的方法能够提高抗噪性；此外，采用信号的循环谱图来生成训练集时，利用信号循环谱的性质对训练集进行压缩，不仅保留了有效的特征而且去除了冗余数据，从而有利用提高模型的训练速度以及识别待检测信号的效率。

需要说明的是，虽然上文按照特定顺序描述了各个步骤，但是并不意味着必须按照上述特定顺序来执行各个步骤，实际上，这些步骤中的一些可以并发执行，甚至改变顺序，只要能够实现所需要的功能即可。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以包括但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种构建信号调制方式识别模型的方法，包括以下步骤：

步骤1：根据调制信号循环谱图中多个数据点的特征数据与信号调制方式的关联性，获得由多组分析数据构成的训练集，其中，每组分析数据包括循环谱图中多个数据点的特征数据和对应的调制方式；

步骤2：基于所述训练集，以所述循环谱图中多个数据点的特征数据作为输入，以所述对应的调制方式作为输出，训练分类模型，从而获得信号调制方式识别模型。

2.根据权利要求1所述的方法，其中，所述分类模型包括基于决策树的分类模型、基于SVM的分类模型、softmax分类模型或贝叶斯模型。

3.根据权利要求2所述的方法，其中，步骤2包括以下子步骤：

步骤21：建立softmax模型；

步骤22：利用所述训练集通过最小化损失函数求解所述softmax模型的优化权重和偏置；

步骤23：根据获得的所述优化权重和偏置来构建所述信号调制方式识别模型。

4.根据权利要求1至3任一项所述的方法，其中，在步骤1中，每组分析数据所包括的循环谱图中的多个数据点的特征数据是从该循环谱图的一个象限提取获得。

5.根据权利要求1至3任一项所述的方法，其中，在步骤1中，每组分析数据所包括的循环谱图中的多个数据点的特征数据是从该循环谱图中循环频率为码元速率整数倍的位置处提取。

6.根据权利要求1至3任一项所述的方法，其中，所述调制方式为BPSK、QPSK、MSK、2FSK、4FSK、2ASK或4ASK。

7.根据权利要求1至3任一项所述的方法，其中，所述训练集中包括在-20dB至20dB信噪比下的多组分析数据。

8.根据权利要求1至3任一项所述的方法，其中，所述特征数据包括频率、循环频率和幅值。

9.一种信号调制方式的识别方法，包括以下步骤：

步骤91：获取待检测信号的循环谱图；

步骤92：提取所述循环谱图中的多个数据点的特征数据；

步骤93：将所述循环谱图中的多个数据点的特征数据输入到根据权利要求1至7中任一项所述的信号调制方式识别模型，以获得所述待检测信号的调制方式。

10.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1至7或8任一项所述方法的步骤。