CN109547376A - 一种基于调制特性的高斯混合模型的调制识别方法 - Google Patents

Abstract

本发明属于无线通信技术领域，涉及一种基于调制特性的高斯混合模型的调制识别方法。本发明的识别方法包括：接收机对接收到的信号进行预处理，通过预处理获得针对不同调制方式的初始化聚类中心点；采用基于调制特性的高斯混合模型，对调制方案集合中的所有调制方式都进行计算，获得每一种调制方式的似然函数；采用最大似然标准选择具有最大似然值的调制方案，作为识别结果。本发明的有益效果在于，本发明提出的调制识别模块与传统调制识别方法相比，可以有更高的识别精确度，能够在较短的观测间隔内识别出源信号的调制方式。同时，本发明不需要知道信道参数和信源信号的先验信息，并且对于噪声不确定性的场景都有很强的鲁棒性。

Description

一种基于调制特性的高斯混合模型的调制识别方法

技术领域

本发明属于无线通信技术领域，涉及一种基于调制特性的高斯混合模型的调制识别方法。

背景技术

调制识别是介于信号检测和信号解调之间的一个中间过程，如图1所示，其主要任务是在完成信号检测及部分参数估计的基础上，对接收机接收到的观测信号作适当的处理，并根据某种规则判定该信号属于预先设定的若干种调制形式的某一种，为信息解调或威胁评估、实施干扰等后续非合作通信任务提供必要的信息。传统的调制识别算法，需要较长的观测信号，才能很好的估计信道信息，来获得较高的识别准确率。并且由于噪声的存在，对噪声的估计具有很强的不确定性。接收机需要大量的观察信号才能得到较好的检测性能。

发明内容

本发明的目的，就是针对上述问题，提出了一种基于高斯混合模型利用调制类型星座图特性的仅需极少数据点的新调制识别技术。

本发明采用的技术方案为：

一种基于调制特性的高斯混合模型的调制识别方法，其特征在于，包括以下步骤：

S1、接收机对接收到的信号进行预处理，通过预处理获得针对不同调制方式的初始化聚类中心点；

S2、采用基于调制特性的高斯混合模型，对调制方案集合中的所有调制方式都进行计算，获得每一种调制方式的似然函数；

所述基于调制特性的高斯混合模型为：

S3、采用最大似然标准选择具有最大似然值的调制方案，作为识别结果。

本发明总的技术方案，提出了一种基于调制特性的高斯混合模型(Modulation-constrained Gaussian Mixture Model，MC-GMM)的符号检测算法，针对每一种候选调制方式计算它的似然函数。最后，利用最大似然标准来选择具有最大似然值的调制方案。

进一步的，步骤S1中所述预处理的具体方法为：

使用单个重建参数r重构得到聚类中心μ＝[μ₁,…,μ_K]作为聚类初始点，所述重建参数r为具有最大幅度的接收信号，聚类初始点可以表示为：

μ_k＝ra_k,

其中A_M＝[a₁,...,a_K]为已知的，在调制方式为M时的重建系数向量。

上述方案是本发明所提出的一种新的基于中心点恢复(CentroidsReconstruction)的方法，目的是希望使用较少的参数来表示聚类中心点。接收机在迭代聚类算法进行检测时，不需要估计K个中心点。仅需要少量的N_t个参数就可以恢复出所有的K个中心点。其中N_t为发送天线个数。具体原理如下：

设K个可能发送的符号向量形成的符号矩阵为：对应的接收信号中心点组成的中心点矩阵为：Ω＝[μ₁,μ₂,…,μ_K]。在经过传输系统之后，有对于每个调制方案，发送的符号都遵循预定义的星座图结构。因此，可以使用N_t个重建参数r重建所有聚类中心点Ω＝[μ₁,μ₂,…,μ_K]，即，μ＝rA,其中A是已知的重建系数向量。因此，接收机仅需估计r中的N_t个重建参数而不是Ω的所有K个中心点。

更进一步的，步骤S2中获得每一种调制方式的似然函数的具体方法为：

设接收信号的对数似然函数为：

其中φ＝{μ₁,…,μ_K,σ²}定义为未知参数集合，初始的φ值由步骤S1给出。且隐藏变量γ_nk为：

且其更新公式为：

μ_k＝ra_k,k＝1,...,K

给定初始值φ＝{μ₁,...,μ_K,σ²}之后，在每次迭代中，分别使用以上几个式子来更新γ_nk、μ_k和σ²；之后重复迭代过程，直到算法达到收敛或达到预定义的迭代次数。

再进一步的，所述步骤S3的具体方法为：

其中，为设定的调制方案集合，y＝[y(1),y(2),...,y(N)]表示接收到的信号向量，M为假设的调制方案，

本发明的有益效果在于，本发明提出的调制识别模块与传统调制识别方法相比，可以有更高的识别精确度，能够在较短的观测间隔内识别出源信号的调制方式。同时，本发明不需要知道信道参数和信源信号的先验信息，并且对于噪声不确定性的场景都有很强的鲁棒性。

附图说明

图1示出了传统调制识别的系统框图；

图2示出了本发明提出的调制识别的工作示意图；

图3示出了本发明中聚类算法中心点恢复、更新与标记示意图；

图4示出了本发明在N＝256时，不同调制方案的正确分类概率对比示意图；

图5示出了本发明在不同发送符号长度下的性能的比较示意图。

具体实施方式

下面结合附图和仿真示例对本发明进行详细描述，以便本领域的技术人员能够更好地理解本发明。

图1给出了调制识别模块在接收机中的位置示意。调制识别是介于信号检测和信号解调之间的处理步骤。调制识别过程的实现可以分为两个步骤。第一，对接收信号进行预处理。第二，选择合适的识别方法完成调制识别。

图2给出了本发明提出的调制识别分类器的工作示意图，接收机首先对接收到的信号进行预处理之后，得到针对不同调制方式的初始化聚类中心点。然后，对调制方案集合中的所有调制方式都进行MC GMM聚类算法，得到它们的似然函数。最后，通过最大似然准则来做最后的判决。

图3以QPSK为例，给出了基于中心点恢复的设计方法。本方法在接收信号中选择具有最大幅值的信号作为重建参数r，即图中的方框。由于输入符号在该段时间内经过的信道相同，并利用星座图之间的关系矩阵，A_QPSK＝[1,-i,i,-1]，将另外三个初始化聚类中心点恢复出来，即图中的“*”号。再经过MC GMM算法之后，“+”为最终的聚类中心点。

图4是在N＝256时，将不同调制方案的正确分类概率进行比较。一般而言，由于高阶调制方案的星座点之间的间隔会变得更加紧密，因此分类精度会随着调制阶数的增加而降低。可以看出，即使在低信噪比下，我们提出的分类器也可以很好地识别出BPSK信号。在SNR为10dB时可以以百分之九十的概率正确识别出QPSK信号。在SNR为20dB时可以很好地实现8PSK和16QAM的检测。

图5展示的是不同发送符号长度N在不同SNR值下的性能的比较，在这个实验当中发送符号长度N分别被设置为128，256和512。从图中我们可以看出，正确分类P_cc的概率会随着发送符号长度N的增加而增加。这是因为接收信号的分布通常可以通过增加的接收信号样本数来更好地确定，因此聚类质心和噪声估计也会变得更加准确。对于所有考虑的情况，即N＝100，N＝200和N＝300，当SNR为15dB时，正确分类P_cc的概率都接近于1。这表明即使发送符号长度N很小时，本发明也能够很好地运行。

本发明提出了一种基于中心点恢复(Centroids Reconstruction)和调制特性的高斯混合模型(Modulation-constrained Gaussian Mixture Model，MC-GMM)的一种新的调制识别算法。该方法的具体流程如2所示，具体步骤如下：

1.利用基于中心点恢复的方法得到每种调制方式的N_t个重建参数；

2.迭代更新每种调制方式的N_t个重建参数组成的均值和方差直至算法收敛或达到预定迭代步数；

3.计算每种调制方式的似然函数；

4.根据最大似然判决调试方式。

本发明进一步以SISO通信系统为例说明中心点恢复和MC-GMM的使用方法。考虑分组衰落信道，即假设信道在一段时间内保持不变，该时段发送的信号经过相同的信道。接收端的信号可以表示为：

将设为是所有可能传输的符号向量的集合，例如，s(n)是第n个发送信号，并且y＝[y(1),y(2),...,y(N)]表示接收到的信号向量，p是发送功率，h是发送机到接收机的信道，是一个服从循环对称复高斯(CSCG)分布的随机变量,即w(n)是服从CSCG分布的噪声，即w(n)与s(n)相互独立。

对于SISO系统，在没有噪声的情况下，发送符号和聚类中心点的关系，可以由如下式子表示：

其中u_k和分别表示第k个聚类中心点及其对应的发送符号。在没有噪声的情况下，两个聚类质心(例如，第e个和第f个)及其相应的传输符号遵循相同的结构关系，即

对于每个调制方案，发送的符号遵循预定义的星座图形。因此，可以使用单个重建参数r重建所有聚类中心μ＝[μ₁,…,μ_K]。我们将具有最大幅度的接收信号作为重建参数r，重建所有聚类中心点的过程可以参见图3中的示例。

μ＝rA_M,

其中A_M＝[a₁,...,a_K]为已知的，在调制方式为M时的重建系数向量。例如，BPSK，QPSK，8PSK和16QAM的重建系数向量分别如下所示：

A_BPSK＝[1,-1],

A_QPSK＝[1,-i,i,-1],

由于噪声服从CSCG分布，接收信号的为：

上式为混合高斯其中π_k是混合系数，它满足这个条件，并且每个成分的混合系数都需要满足0≤π_k≤1。高斯概率密度函数是这个混合高斯的第k个成分，每个成分有自己的均值μ_k和协方差它的表达式可以写为：

因为通信系统调制符号等概率，且所有类别方差相同，所以有并且我们以具有最大幅度的接收信号作为重建参数r而重构得到的聚类中心点μ＝[μ₁,…,μ_K]作为聚类初始点。此时，接收信号的对数似然函数可以写为：

其中φ＝{μ₁,…,μ_K,σ²}定义为未知参数的集合。且隐藏变量γ_nk为：

且其更新公式为：

μ_k＝ra_k,k＝1,...,K

给定初始值φ＝{μ₁,…,μ_K,σ²}之后，在每次迭代中，分别使用以上几个式子来更新γ_nk、μ_k和σ²。之后重复迭代过程，直到算法达到收敛或预定义的迭代次数。

必须针对每个调制方式重复上述过程，最后我们利用最大似然准则来得到最终的分类决策

Claims (4)

1.一种基于调制特性的高斯混合模型的调制识别方法，其特征在于，包括以下步骤：

S1、接收机对接收到的信号进行预处理，通过预处理获得针对不同调制方式的初始化聚类中心点；

S2、采用基于调制特性的高斯混合模型，对调制方案集合中的所有调制方式都进行计算，获得每一种调制方式的似然函数；

所述基于调制特性的高斯混合模型为：

其中，K是聚类中心数量，μ_k为高斯混合模型的第k个成分，σ²为协方差；

S3、采用最大似然标准选择具有最大似然值的调制方案，作为识别结果。

2.根据权利要求1所述的一种基于调制特性的高斯混合模型的调制识别方法，其特征在于，步骤S1中所述预处理的具体方法为：

使用单个重建参数r重构得到聚类中心μ＝[μ₁,…,μ_K]作为聚类初始点，所述重建参数r为具有最大幅度的接收信号，聚类初始点可以表示为：

μ_k＝ra_k,

其中A_M＝[a₁,...,a_K]为已知的，在调制方式为M时的重建系数向量。

3.根据权利要求2所述的一种基于调制特性的高斯混合模型的调制识别方法，其特征在于，步骤S2中获得每一种调制方式的似然函数的具体方法为：

设接收信号的对数似然函数为：

其中φ＝{μ₁,…,μ_K,σ²}定义为未知参数集合，初始的φ值由步骤S1给出；且隐藏变量γ_nk为：

且其更新公式为：

μ_k＝ra_k,k＝1,...,K

给定初始值φ＝{μ₁,...,μ_K,σ²}之后，在每次迭代中，分别使用以上几个式子来更新γ_nk、μ_k和σ²；之后重复迭代过程，直到算法达到收敛或达到预定义的迭代次数。

4.根据权利要求3所述的一种基于调制特性的高斯混合模型的调制识别方法，其特征在于，所述步骤S3的具体方法为：

其中，为设定的调制方案集合，y＝[y(1),y(2),...,y(N)]表示接收到的信号向量，M为假设的调制方案，