CN110071884A - 一种基于改进熵云特征的通信信号调制识别方法 - Google Patents

Abstract

本发明公开一种基于改进熵云特征的通信信号调制识别方法，包括：对待识别信号进行快速傅里叶变换，提取香农熵、指数熵和范数熵，构成三维特征向量；利用云模型理论计算待识别信号每一个熵特征的数字特征，利用综合云公式得到最终熵云特征；利用特征产生数据集，并进行归一化处理，随机产生每类调制信号的训练样本和测试样本，得到训练样本集合、测试样本集合以及类标签集合；训练极限学习机分类器，将得到的测试样本集合输入训练后的分类器，得到最终通信信号平均识别率。本发明同时适用于模拟信号和数字信号特征提取且计算量小，得到的信号特征也相对稳定；利用了云模型理论，信号特征更为稳定，具有更好的类间分离度；信号特征抗噪声性能好。

Description

一种基于改进熵云特征的通信信号调制识别方法

技术领域

本发明涉及一种基于特征提取的通信信号调制识别方法，具体涉及一种改进熵云特征的通信信号调制识别方法，属于通信技术领域。

背景技术

近年来，无线通信技术正广泛的应用于各个领域，无论在军事通信还是民用通信都有着举足轻重的地位。在这个信息技术迅猛发展的时代，为了适应人们对信息传输要求的不断提高，通信信号需要经过调制等一系列处理后进行传输，不同的无线通信系统根据不同的应用背景和需要采用不同的调制方式。因此，通信信号的调制方式是区分各类信号最重要的特征之一，所以对于通信信号的调制识别技术在通信领域已经备受关注。然而，随着电磁环境的日益复杂，如何能在低信噪比下提取更稳定的信号特征对信号进行识别成为通信领域一个亟待解决的问题，因此，对通信信号调制方式识别技术仍然具有较高的研究意义和价值。

目前，关于调制识别的算法大致可以分为两类，分别是“基于假设检验似然比方法”和“基于特征提取的模式识别方法”两类。基于假设检验似然比方法通过获取接收信号的似然函数，并比较阈值与似然率的关系进行判决，该方法理论上可以将识别的错分率降到最低。但是该方法也存在很多不足，例如计算量大、所需的先验知识较多以及似然函数在大多数条件下无法算出封闭的表达式等等。基于特征提取的模式识别方法是通过提取能表征信号调制样式的分类特征，观测不同类别通信信号对应的特征参数之间的差异，进而选取合适的分类准则做出判决的过程，因其具有计算量小和实时性高的优点，目前被广泛应用。本发明也是采用基于特征提取的模式识别方法对通信信号进行识别。但是目前，对于低信噪比条件下的通信信号调制识别问题仍没有被很好的解决，面对目前复杂的通信环境，信号受噪声的影响很大，如何在低信噪比下提取代表信号的稳定特征至关重要。

基于特征提取的模式识别方法主要由两部分构成：分别是特征提取模块和分类器设计模块。本发明中，特征提取模块提取了信号的熵特征，然后将熵理论与云模型理论进行有效结合，提出了基于改进熵云特征的通信信号特征提取方法。分类器设计模块采用极限学习机(Extreme learning machine，ELM)分类器。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种提取的信号特征更加稳定、具有更好的类间分离度、提取的信号特征抗噪声性能好的基于改进熵云特征的通信信号调制识别方法。

为解决上述技术问题，本发明提供一种基于改进熵云特征的通信信号调制识别方法，包括以下步骤：

步骤1：对待识别信号进行快速傅里叶变换，然后提取信号的香农熵、指数熵和范数熵，构成三维特征向量；

步骤2：利用云模型理论计算步骤1中的待识别信号每一个熵特征的数字特征，然后利用综合云公式得到最终的熵云特征；

步骤3：利用步骤2中得到的特征产生数据集，并对数据集进行归一化处理，进而随机产生每类调制信号的训练样本和测试样本，得到训练样本集合、测试样本集合以及相应的类标签集合；

步骤4：用步骤3得到的训练样本集合训练极限学习机分类器，将步骤3得到的测试样本集合输入训练后的分类器，得到最终通信信号的平均识别率。

本发明还包括：

1.步骤1具体包括以下步骤：

(1a)设待识别信号为s(n)，进行快速傅里叶变换，变换后的信号S(k)为：

其中，n为信号的采样点数，S(k)为信号s(n)经过FFT变换后的值，k＝1···n；

(1b)计算各个点的能量E_i：

(1c)计算总能量值E：

(1d)计算各个点的能量在总能量中所占的比例p_i：

(1e)计算香农熵值H₁：

(1f)计算指数熵值H₂：

(1g)去噪处理：S_d(i),i＝1,2,…,n表示去噪后的信号，即：

其中，M_S为信号S(k)的均值；

(1h)归一化处理：将信号S_d(i)进行能量归一化处理，得到处理后的信号S_f(i),i＝1,2,…,n；

(1i)计算范数熵值H₃：

式中，1＜p＜2；

(1j)将求得的熵特征值H₁、H₂和H₃构成三维特征向量，即H＝[H₁,H₂,H₃]。

2.步骤2具体包括以下步骤：

(2a)计算云团的期望：

(2b)计算中间变量：

(2c)计算云团的熵值：

(2d)计算云团超熵的值：

式中，m＝1,2,3，即H₁，H₂，H₃分别表示步骤2中所提取的香农熵特征，指数熵特征和范数熵特征；Ex_m表示每个熵特征云团的期望；En_m表示每个熵特征云团的熵；He_m表示每个熵特征云团的超熵；n表示同一信号的采样次数，n根据需要的识别精度确定。

(2e)利用综合云公式得到最终的通信信号特征：

En＝En₁+En₂+En₃

式中，Ex表示综合云团的期望，代表云团的重心位置；En表示云团的熵，代表描述对象的不确定程度；He表示云团的超熵，代表云滴的凝聚程度；将Ex、En和He构成联合三维特征向量，即F＝[Ex,En,He]。

本发明有益效果：

(1)所提取的特征为信号的熵特征，同时适用于模拟信号和数字信号的特征提取并且计算量小，得到的信号特征也相对稳定；

(2)利用了云模型理论，得到的信号特征更为稳定，相对于传统的特征，具有更好的类间分离度；

(3)所提取的信号特征抗噪声性能好，即使在较低信噪比的情况下也能达到理想的识别率。

附图说明

图1为本发明的算法流程图；

图2为0dB时AM、FM、PM、2ASK、2FSK、2PSK各类信号的时域图和频谱图；

图3为5dB信噪比下的不同信号的三维熵特征曲线图；

图4为0dB信噪比下的不同信号的改进三维熵云特征曲线图。

具体实施方式

本发明对待识别的各类调制信号进行FFT变换，根据熵理论计算信号的香农熵、指数熵和范数熵构成三维熵特征模块，由于通信环境的复杂，得到的三维熵特征在低信噪比下并不稳定，根据云模型理论分别计算每一熵值的数字特征，然后根据综合云公式得到最终的熵云特征。将得到的特征作为数据库，对ELM进行训练，利用训练好的分类器对待识别信号进行分类，得到最终的识别率。

以下结合附图和具体实施案例，对本发明进行详细说明。

参照图1，本发明的一种基于改进熵云特征的通信信号调制识别方法具体实现步骤如下：

步骤1：以AM、FM、PM、2ASK、2FSK、2PSK信号为例，使用Matlab进行仿真，得到在信噪比为[-15,-10,-5,0,5,10]dB下的各类信号，仿真使用的噪声为高斯白噪声。图2为0dB下的各类信号的时域图和频谱图。

步骤2：对信号进行FFT变换，提取各类信号的熵特征，包括香农熵、指数熵和范数熵，构成三维特征向量。图3表示5dB信噪比下不同信号的熵特征曲线图。

熵值分析算法是根据信息的不确定性进行特征的选择，该算法无需知道信号内部的具体细节，计算量小。对各类信号进行FFT变换，求取变换后信号的频谱，计算信号的香农熵、指数熵和范数熵，具体计算步骤如下

(2a)设待分类信号为s(n)，进行FFT变换，即：

其中，n为信号的采样点数，S(k)为信号s(n)经过FFT变换后的值，k＝1···n。

(2b)计算各个点的能量：

(2c)计算总能量值：

(2d)计算各个点的能量在总能量中所占的比例：

(2e)计算香农熵值：

(2f)计算指数熵值：

(2g)去噪处理：S_d(i),i＝1,2,…,n表示去噪后的信号，即：

其中，M_S为信号S(k)的均值；

(2h)归一化处理：将信号S_d(i)进行能量归一化处理，得到处理后的信号S_f(i),i＝1,2,…,n；

(2i)计算范数熵值：

式中，1＜p＜2；

(2j)将求得的熵特征值H₁、H₂和H₃构成三维联合特征向量，即H＝[H₁,H₂,H₃]，为后续算法和分类器设计做准备。

步骤3：根据云模型理论进一步计算步骤2中各类信号每一个熵特征的数字特征，然后利用综合云公式得到各类信号最终的信号特征。图4表示0dB信噪比下的不同信号的改进熵云特征曲线图。

(3a)计算云团的期望：

(3b)计算中间变量：

(3c)计算云团的熵值：

(3d)计算云团超熵的值：

式中，m＝1,2,3，即H₁，H₂，H₃分别表示步骤2中所提取的香农熵特征，指数熵特征和范数熵特征。Ex_m表示每个熵特征云团的期望；En_m表示每个熵特征云团的熵；He_m表示每个熵特征云团的超熵。n表示同一信号的采样次数，其大小取决于我们需要的识别精度的大小，n越大，精度越高，但所需成本越大。

(3e)利用综合云公式进行特征增强，得到最终的通信信号特征：

En＝En₁+En₂+En₃ (14)

式中，Ex表示综合云团的期望，代表云团的重心位置；En表示云团的熵，代表描述对象的不确定程度；He表示云团的超熵，代表云滴的凝聚程度。将求得的Ex、En和He构成联合三维特征向量，即F＝[Ex,En,He]，为后面的分类器设计做准备。

步骤4：产生数据集，根据步骤3计算得到的特征，产生各类调制信号的训练样本和测试样本，得到训练样本集合、测试样本集合以及相应的类标签集合，并对数据集进行归一化处理。

步骤5：用训练样本集合对ELM分类器进行训练，然后将测试样本集合输入训练好的分类器，最终得到信号的平均识别率。表1表示不同信噪比下信号的平均识别率。

表1不同信噪比下信号的平均识别率。

SNR(dB)	0	-5	-10	-15
					三维熵特征(％)	100	95.2	72.3	25.7
改进的三维熵云特征(％)	100	100	100	88.0

本发明所提取的特征为信号的熵特征，计算量小，并利用云模型理论得到最终云团的数字特征作为待识别信号的特征，在低信噪比下仍然具有良好的类内聚集度和类间分离度，提高了信号的识别率。本发明在基于统计模式的识别方法框架下利用基于信号熵特征和综合云模型理论的特征提取方法得到最终代表信号的特征，然后利用极限学习机(Extreme learning machine，ELM)分类器进行分类，在信噪比为-15dB时，平均识别率仍能达到88％。

本发明的基于改进熵云特征的通信信号调制识别方法，可同时用于模拟通信信号和数字通信信号传输过程中的调制方式识别。

本发明的具体实施方式还包括：

步骤1：利用Matlab仿真模拟产生各个信噪比下的待识别信号；

步骤2：对信号进行FFT变换，然后提取信号的香农熵、指数熵和范数熵，构成三维特征向量；

步骤3：利用云模型理论，分别提取步骤2中的三维熵特征的一维云模型的数字特征，并利用综合云公式得到最终的熵云特征；

步骤4：利用步骤3中得到的特征产生数据集，并对数据集进行归一化处理，进而随机产生每类调制信号的训练样本和测试样本，得到训练样本集合、测试样本集合以及相应的类标签集合；

步骤5：用训练样本集合训练极限学习机(Extreme learning machine，ELM)分类器，将测试样本集合输入训练好的分类器，得到最终通信信号的平均识别率。

在步骤1中，所述利用Matlab仿真模拟产生的各个信噪比下的待识别信号，包括模拟信号和数字信号，且信噪比在-15dB以上。

在步骤2中，所述的信号的三维熵特征是指计算信号的香农熵、指数熵和范数熵。

在步骤3中，所述根据云模型理论得到信号的熵云特征是指分别提取步骤2中的三维熵特征的一维云模型的数字特征，并利用综合云公式得到最终的熵云特征；

需要说明的是，上述实施案例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (3)

1.一种基于改进熵云特征的通信信号调制识别方法，其特征在于，包括以下步骤：

步骤1：对待识别信号进行快速傅里叶变换，然后提取信号的香农熵、指数熵和范数熵，构成三维特征向量；

步骤2：利用云模型理论计算步骤1中的待识别信号每一个熵特征的数字特征，然后利用综合云公式得到最终的熵云特征；

步骤3：利用步骤2中得到的特征产生数据集，并对数据集进行归一化处理，进而随机产生每类调制信号的训练样本和测试样本，得到训练样本集合、测试样本集合以及相应的类标签集合；

步骤4：用步骤3得到的训练样本集合训练极限学习机分类器，将步骤3得到的测试样本集合输入训练后的分类器，得到最终通信信号的平均识别率。

2.根据权利要求1所述的一种基于改进熵云特征的通信信号调制识别方法，其特征在于：步骤1具体包括以下步骤：

(1a)设待识别信号为s(n)，进行快速傅里叶变换，变换后的信号S(k)为：

其中，n为信号的采样点数，S(k)为信号s(n)经过FFT变换后的值，k＝1···n；

(1b)计算各个点的能量E_i：

(1c)计算总能量值E：

(1d)计算各个点的能量在总能量中所占的比例p_i：

(1e)计算香农熵值H₁：

(1f)计算指数熵值H₂：

(1g)去噪处理：S_d(i),i＝1,2,…,n表示去噪后的信号，即：

其中，M_S为信号S(k)的均值；

(1h)归一化处理：将信号S_d(i)进行能量归一化处理，得到处理后的信号S_f(i),i＝1,2,…,n；

(1i)计算范数熵值H₃：

式中，1＜p＜2；

(1j)将求得的熵特征值H₁、H₂和H₃构成三维特征向量，即H＝[H₁,H₂,H₃]。

3.根据权利要求1所述的一种基于改进熵云特征的通信信号调制识别方法，其特征在于：步骤2具体包括以下步骤：

(2a)计算云团的期望：

(2b)计算中间变量：

(2c)计算云团的熵值：

(2d)计算云团超熵的值：

式中，m＝1,2,3，即H₁，H₂，H₃分别表示步骤2中所提取的香农熵特征，指数熵特征和范数熵特征；Ex_m表示每个熵特征云团的期望；En_m表示每个熵特征云团的熵；He_m表示每个熵特征云团的超熵；n表示同一信号的采样次数，n根据需要的识别精度确定；

(2e)利用综合云公式得到最终的通信信号特征：

En＝En₁+En₂+En₃

式中，Ex表示综合云团的期望，代表云团的重心位置；En表示云团的熵，代表描述对象的不确定程度；He表示云团的超熵，代表云滴的凝聚程度；将Ex、En和He构成联合三维特征向量，即F＝[Ex,En,He]。