CN110166389A - 基于最小二乘支持向量机的调制识别方法 - Google Patents

Abstract

本发明公开了一种基于最小二乘支持向量机的调制识别方法，主要解决现有方法对调制信号进行识别较为复杂的问题。其实现方案是：1)接收端接收到调制信号后计算出所需要的特征参数；2)将信号的特征参数制作为数据集并划分训练集数据和测试集数据；3)利用训练集数据求解拉格朗日Lagrange函数，得到lagrange乘子α和截距b；4)使用lagrange乘子α和截距b，计算得到测试集信号的分类结果。本发明具有简单易行，效果良好，计算量小，实现简便的优点，可用于调制信号的识别系统。

Description

基于最小二乘支持向量机的调制识别方法

技术领域

本发明属于通信技术领域，特别涉及一种调制信号的识别方法，可用于调制识别系统中。

背景技术

无线通信是我们生活中重要的一种信息传递方式，从早先的电台与电视广播信号到现在的Wi-Fi、手机使用的4G通信技术，无线通信技术由于其便利性正越来越多地影响我们的生活。而通信信号的调制与解调是无线通信中的一个重要领域。

由于低频无线信号不适合进行发射和接收，就需要将传输的信号通过一定的方式加载到高频载波上，使其适合在空中传播，这一过程即为信号的调制。由于无线通信的通信目的、通信环境等条件的不同，无线通信的调制的方式也多种多样。早期的调制信号通常采用的是模拟调制，但随着数字通信技术不断发展，目前通信采用的调制信号大多是数字调制，数字调制相比于模拟调制有抗干扰能力强、传输信息范围广、保密性高等特点。由于无线通信应用在越来越广泛的领域，为满足不同用户的需求，无线信号在传播中通常会采用不同的调制方式。常用的数字调制方式可以分为幅度键控ASK，频移键控FSK和相移键控PSK三种调制类型，分别通过变化信号的幅度、频率和相位信息来传递信息。

在通信信号的自动调制识别的研究中，主要包括两个技术方向：一是基于贝叶斯决策理论调制模式识别，二是基于统计机器学习理论的调制模式识别，这两种调制识别方式各有千秋。

基于贝叶斯决策理论的调制识别，实质就是一个多重假设检验的问题。通过精巧的设计假设空间，检验统计量通常是似然比函数进行理论推导，寻找合适的判决门限，理论上可以实现在贝叶斯代价最小化准则下的调制模式判决。基于贝叶斯决策理论的调制识别具有完备的理论依据，并保证了在贝叶斯最小代价准则下调制识别效果最佳，因而可以作为理论性能上界检验其他识别算法的性能。然而在实际工程中，由于通信环境非常复杂，并且待识别的信号调制模式众多，导致调制模式正确识别率并不是很高，尤其是在低信噪比条件下，识别性能会急剧下降。并且，基于决策理论的调制识别算法理论推导繁杂，算法通用性差，工程实现代价大，导致识别效率非常低下，不利于信号调制模式实时的自动识别。

基于机器学习理论的模式识别方法应用在通信信号的自动调制识别领域则是最近二十年来的一个研究热点。其优势在于，基于统计机器学习的调制识别技术思路简单清晰，算法切实可行，性能优良可观。基于机器学习的调制识别器的实现具有通用的流程，主要包括通信信号的预处理和特征提取，信号分类器的训练学习，待分类信号的识别三个流程，而且这三个流程都可以快速有效的实现。并且，基于机器学习的调制识别器具有很好的鲁棒性，可以自适应通信环境的变化，使得调制识别器在较低信噪比条件下仍然可以很好的完成通信信号调制识别任务。因此，基于机器学习理论的通信信号调制识别技术越来越成为调制识别领域的主流研究方向。其中机器学习中的支持向量机SVM模型使用广泛，在调制识别任务中也有很不错的效果。但是SVM的优化问题是一个二次规划QP问题，模型实现会比较复杂。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于最小二乘支持向量机的调制识别方法，以解决使用现有方法对调制信号进行识别较为复杂的问题。

本发明的技术方案是：针对4ASK，2PSK，4PSK，8PSK，2FSK，4FSK，8FSK这7种调制信号，进行特征提取，提取零中心归一化瞬时幅度谱密度的最大值γ_max、自回归AR谱峰个数、高阶累积量特征f_s,1、高阶累积量特征f_s,24个特征值，利用最小二乘支持向量机LSSVM算法训练，得到LSSVM算法的模型参数，将该模型参数带入LSSVM算法中进行分类，识别出接收信号的调制方式。其实现步骤包括如下：

(1)待识别的调制信号种类共有7种，分别是4ASK、2PSK、4PSK、8PSK、2FSK、4FSK、8FSK，接收端收到受加性高斯白噪声AWGN影响的调制信号后计算零中心归一化瞬时幅度谱密度的最大值γ_max、自回归AR谱峰个数、第一高阶累积量特征f_s,1和第二高阶累积量特征f_s,2；

(2)对(1)的7类调制信号设定不同类别标签，即将信号4ASK、2PSK、4PSK、8PSK、2FSK、4FSK、8FSK分别对应的类别标签设为0、1、2、3、4、5、6。

(3)将(1)计算得到的结果参数表示为矩阵：C＝C₁；C₂；C₃...C_i...C_m，其中C_i是由瞬时特征统计量γ_max、自回归AR谱峰个数、第一高阶累积量特征f_s,1和第二高阶累积量特征f_s,2组成的特征向量,i的范围是1～m，m为发送信号的数量；

(4)在(3)中得到的矩阵添加每一行特征向量所属的调制信号对应的类别标签，得到数据集，将该数据集的70％的数据作为训练集，30％的数据作为测试集；

(5)使用最小二乘支持向量机LSSVM算法，将训练集数据作为输入，选用高斯核函数：设定高斯核函数参数γ为0.8，以求解相应的拉格朗日Lagrange函数，得到lagrange乘子α和截距b，并保存；

(6)将测试集数据作为输入x，计算分类标签得到调制信号的识别结果，其中α_i是α的分量，C_i为C的分量，

本发明与现有技术相比，具有如下优点：

第一，本发明由于采用LSSVM算法对调制信号进行识别，克服了现有技术求解复杂以及所需时间较长的问题，其更利于在调制信号识别系统中应用。

第二，本发明采用较少的特征数量完成了7种调制信号的识别，降低了特征工程的复杂度。

附图说明

图1为本发明的实现流程图；

图2使用SVM算法对本发明中7种调制信号的分类效果图；

图3使用LSSVM算法对本发明中7种调制信号的分类效果图。

具体实施方式

以下结合附图对本发明的实施例及效果作进一步说明。

参照图1，本发明的实现步骤如下：

步骤1，计算接收端接收信号的特征参数。

所述特征参数包括有4个，一是零中心归一化瞬时幅度谱密度的最大值γ_max，二是自回归AR谱峰个数，三是第一高阶累积量特征f_s,1，四是第二高阶累积量特征f_s,2，其计算步骤如下：

1.1)首先产生信号序列，对其进行相应的调制，产生7种调制信号，即4ASK、2PSK、4PSK、8PSK、2FSK、4FSK和8FSK，这些调制信号通过加性高斯白噪声AWGN信道发送，接收端接收到含有噪声的7种调制信号；

1.2)计算零中心归一化瞬时幅度谱密度的最大值γ_max：

γ_max＝max|DFT(A_cn(i))|²/N，

其中，N为采样点数，A_cn(i)为零中心归一化瞬时幅度，由下式计算：

A_cn(i)＝A_n(i)-1

其中，A_n(i)＝A(i)/m_a，A(i)为信号瞬时幅度，是信号瞬时幅度的平均值，用平均值对瞬时幅度进行归一化的目的是消除信道增益的影响，γ_max表征了信号瞬时幅度的变化情况，可以反映调制信号包络的变化特性，以区分恒包络的调制方式和非恒包络的调制方式；

1.3)计算自回归AR谱峰个数，将信号采样序列作为输入，由有限阶自回归过程的方法计算得到该信号的AR谱，本实例采用矩阵实验室软件MATLAB中的Pyulear函数对信号采样序列进行计算得到AR谱，然后对AR谱进行谱峰搜索，找到谱峰位置，统计得到谱峰个数；

1.4)计算第一高阶累积量特征f_s,1和第二高阶累积量特征f_s,2，其公式如下：

f_s,1＝|c_s,41|/|c_s,42|

f_s,2＝|c_s,40|/|c_s,42|

其中，c_s,40＝E[s(k)⁴]-3E[s(k)²]²为第一四阶累积量，

c_s,41＝E[s(k)³s^*(k)]-3E[s(k)²]E[s(k)s^*(k)]为第二四阶累积量，

c_s,42＝E[s(k)²s^*(k)²]-E[s(k)²]²-2E[s(k)s^*(k)]²为第三四阶累积量，

其中s(k)是信号采样序列，E[·]表示数学期望，s^*(k)是s(k)的共轭。

步骤2，设定7种调制信号的类别标签。

对步骤1产生的7种原始调制信号分别设定不同类别标签，即将信号4ASK的类别标签设为0，将信号2PSK的类别标签设为1，将信号4PSK的类别标签设为2，将信号8PSK的类别标签设为3，将信号2FSK的类别标签设为4，将信号4FSK的类别标签设为5，将信号8FSK的类别标签设为6；

步骤3，将信号的特征参数表示为矩阵。

3.1)将步骤1计算得到的每一个信号的结果参数表示为一个特征向量C_i，其由零中心归一化瞬时幅度谱密度的最大值γ_max、自回归AR谱峰个数P_num、第一高阶累积量特征f_s,1、和第二高阶累积量特征f_s,2组成，即C_i＝γ_max,P_num,f_s,1,f_s,2；

3.2)将所有信号的特征向量组合为矩阵：C＝C₁；C₂；C₃...C_i...C_m，其中i的范围是1～m，m为发送信号的数量。

步骤4，对矩阵添加类别标签，得到所需数据集。

对步骤3得到矩阵的每一行特征向量添加其所属调制信号对应的类别标签，得到一个新矩阵H＝H₁；H₂；H₃...H_i...H_m，其中H_i是由零中心归一化瞬时幅度谱密度的最大值γ_max、自回归AR谱峰个数、第一高阶累积量特征f_s,1、第二高阶累积量特征f_s,2和类别标签组成的特征向量，矩阵H即为所需数据集。

步骤5，划分数据集。

将步骤4得到数据集的70％的数据作为训练集，30％的数据作为测试集。

步骤6，使用LSSVM算法对7种调制信号进行识别。

目前应用在调制信号识别的算法主要有决策树理论算法和SVM算法等，但是决策树理论算法在低信噪比下对调制信号的识别性能较差，SVM算法求解比较复杂。所以本发明中使用现有的最小二乘支持向量机LSSVM算法，其在低信噪比下识别性能优于决策树理论算法，复杂度要低于SVM算法。本发明通过将LSSVM算法与特征工程相结合，以对7种调制信号进行分类。其实现步骤如下：

6.1)选用高斯核函数：设定高斯核函数参数γ为0.8；

6.2)给出如下拉格朗日Lagrange函数：

其中W为超平面法向量，b为截距，e为误差矢量，e_i为e的分量，α为拉格朗日乘子，λ为正则化参数，y_i为类别标签，为x_i的高维映射；

6.3)将训练集数据作为拉格朗日函数的输入，通过如下公式求解拉格朗日函数中的lagrange乘子α和截距b：

其中， 为的转置，E是单位矩阵，y为类别标签向量，K是m×m的矩阵，为K的元素，p和q的取值范围都为1～m；

6.4)将测试集数据作为输入，计算分类标签：其中α_i是α的分量，C_i为C的分量，x表示测试数据，该标签y_i即为调制信号的识别结果。

本发明的效果可以通过以下的仿真结果进行说明：

仿真1，使用现有SVM算法对本发明中的7种调制信号进行分类识别，结果为图2。

仿真2，是本发明中使用LSSVM算法对7种调制信号进行分类识别，结果为图3。

从图2和图3可以看出SVM算法和LSSVM算法效果相当，在0dB信噪比下对7种调制信号识别的准确率都能达到90％以上。但使用SVM算法在4ASK信号在7dB到9dB的信噪比下的情况下，识别的准确率出现了小幅下降，而LSSVM算法则没有出现这种情况，并且LSSVM算法求解要更加简单，更利于实际应用。表明本发明能够解决使用现有方法对调制信号进行识别较为复杂的问题，且识别准确率高。

Claims (5)

1.基于最小二乘支持向量机的调制识别方法，其特征在于,包括如下：

(1)待识别的调制信号种类共有7种，分别是4ASK、2PSK、4PSK、8PSK、2FSK、4FSK、8FSK，接收端收到受加性高斯白噪声AWGN影响的调制信号后，计算零中心归一化瞬时幅度谱密度的最大值γ_max、自回归AR谱峰个数、第一高阶累积量特征f_s,1和第二高阶累积量特征f_s,2；

(2)对(1)的7类调制信号设定不同类别标签，即将信号4ASK、2PSK、4PSK、8PSK、2FSK、4FSK、8FSK分别对应的类别标签设为0、1、2、3、4、5、6。

(3)将(1)计算得到的结果参数表示为矩阵：C＝C₁；C₂；C₃...C_i...C_m，其中C_i是由瞬时特征统计量γ_max、自回归AR谱峰个数、第一高阶累积量特征f_s,1和第二高阶累积量特征f_s,2组成的特征向量,i的范围是1～m，m为发送信号的数量；

(4)在(3)中得到的矩阵添加每一行特征向量所属的调制信号对应的类别标签，得到数据集，将该数据集的70％的数据作为训练集，30％的数据作为测试集；

(5)使用最小二乘支持向量机LSSVM算法，将训练集数据作为输入，选用高斯核函数：设定高斯核函数参数γ为0.8，以求解相应的拉格朗日Lagrange函数，得到lagrange乘子α和截距b，并保存；

(6)将测试集数据作为输入x，计算分类标签得到调制信号的识别结果，其中α_i是α的分量，C_i为C的分量，

2.根据权利要求1所述的方法，其特征在于(1)中计算接收端收到信号的零中心归一化瞬时幅度谱密度的最大值γ_max，其公式如下：

γ_max＝max|DFT(A_cn(i))|²/N

其中，N为采样点数，A_cn(i)为零中心归一化瞬时幅度，由下式计算：

A_cn(i)＝A_n(i)-1

其中，A_n(i)＝A(i)/m_a，A(i)为信号瞬时幅度，是信号瞬时幅度的平均值。

3.根据权利要求1所述的方法，其特征在于(1)中计算接收端收到信号的自回归AR谱峰个数，是先由有限阶自回归过程的方法计算得到AR谱，然后进行谱峰搜索，得到谱峰个数。

4.根据权利要求1所述的方法，其特征在于(1)中计算第一高阶累积量特征f_s,1和第二高阶累积量特征f_s,2，其公式如下：

f_s,1＝|c_s,41|/|c_s,42|

f_s,2＝|c_s,40|/|c_s,42|

其中，c_s,40＝E[s(k)⁴]-3E[s(k)²]²为第一四阶累积量

c_s,41＝E[s(k)³s^*(k)]-3E[s(k)²]E[s(k)s^*(k)]为第二四阶累积量，

c_s,42＝E[s(k)²s^*(k)²]-E[s(k)²]²-2E[s(k)s^*(k)]²为第三四阶累积量，

其中s(k)是信号采样序列，E[·]表示数学期望，s^*(k)是s(k)的共轭。

5.根据权利要求1所述的方法，其特征在于(5)中求解拉格朗日Lagrange函数，实现如下：

5a)给出Lagrange函数的如下表示式：

其中W为超平面法向量，e为误差矢量，e_i为e的分量，λ为正则化参数，y_i为类别标签，为x_i的高维映射；

5b)通过如下等式求解Lagrange函数中的拉格朗日乘子α和截距b：

其中， 为的转置，E是单位矩阵，y为类别标签向量，K是m×m的矩阵，为K的元素，p和q的取值范围都为1～m。