CN110266624B - 有干扰下的调制方式盲识别方法 - Google Patents

Abstract

本发明公开了一种有干扰下的调制方式盲识别方法，其方案为：1)中继节点接收源节点发送的信号，并对接收信号进行载波同步和码元定时恢复，得到离散接收信号；2)计算离散接收信号的高阶统计量；3)重复1)‑2)共1000次，用每一次得到的高阶统计量及对应的调制方式对形成一个样本，得到样本集，利用该样本集对随机森林分类器进行训练，得到训练好的随机森林分类器；4)重复1)‑2)共100次，分别取100个高阶统计量作为测试特征量，将该特征量输入到训练好的随机森林分类器，输出源信号调制方式。本发明提高了源信号调制方式的识别正确率，可用于连续中继系统节点间未约定通信参数时在中继间干扰下的源信号通信参数获取。

Description

有干扰下的调制方式盲识别方法

技术领域

本发明属于无线通信技术领域，特别涉及一种调制方式盲识别方法，可用于连续中继系统节点间未约定通信参数时在中继间干扰下的源信号通信参数的获取。

背景技术

连续中继SR技术是一种改进传统中继的新型技术，它利用两个中继节点交替地中继源节点的信息，模拟全双工中继FDR系统从而避免了传统中继系统因中继不能同时收发而带来的50％频谱资源浪费，而且也避免了FDR系统的自干扰，被广泛研究。多输入多输出MIMO技术是新一代无线通信的关键技术，它因为天线间的空间分集可以有效提高系统的通信速率及可靠性。

在连续中继系统中中继一般采用两种转发策略：放大转发以及解码转发。解码转发较之放大转发抑制了源节点到中继节点的噪声，提高了系统通信性能。但是在解码转发策略中，中继需要知道信号的调制方式，而当连续中继系统应用于军事网络或者认知网络中，信号的调制方式常常是未知的，所以需要在连续中继系统的中继节点上增加调制方式识别功能。

调制方式盲识别，是指在发送端有效信息未知的情况下，仅通过接收信号的特征识别发送端采取的调制方式。目前MIMO调制方式盲识别基本上局限在两点的通信场景，W.B.Chikha讨论了中继系统中的多个通信节点下的调制方式识别，但是并未涉及到连续中继系统中存在中继互干扰情况下的源信号调制方式识别。现实通信环境中干扰是非常普遍的，如何提高干扰下识别源信号调制方式的准确率是本发明致力解决的问题。

文献[W.B.Chikha，I.Dayoub，W.Hamouda，and R.Attia，“Modulationrecognition for MIMO relaying broadcast channels with direct link，”IEEEWireless Commun.Lett.，vol.3，no.1，pp.50–53，Feb.2014]中利用高阶统计量HOSs作为分类特征量，研究了传统中继源节点和目的节点之间存在直接链路时目的节点对源信号调制方式的识别，通过对目的节点接收信号HOSs的提取并输入分类树中顺利识别出了源信号调制方式，并且通过仿真表明了存在直接链路时识别性能会高于不存在直接链路时的分类性能。但是该文献处理的信号只有一个信源符号，只不过经过两个链路到达目的节点，目的节点识别的也只有单个信号调制方式。

文献[W.B.Chikha，S.Chaoui，and R.Attia，“Identification of superposedmodulations for two-way relaying MIMO systems with physical-layer networkcoding，”IET Commun.，vol.11，no.2，pp.225–231，2017.]中利用高阶统计量HOSs作为分类特征量研究了双向中继系统中继在接收到两个混叠的源信号时对两个信号的调制方式进行同时识别，首先提取中继节点的接收信号的HOSs，然后输入训练好的随机森林中，识别出两路信号的调制方式。但是该场景下中继节点要识别的是对等的两路信号，而且这个场景具有局限性，实际通信中常常是某一个节点需要接收另一个节点的信号时受到了其它路信号的干扰。

发明内容

本发明的目的在于针对上述现有技术的不足，提供一种有干扰下的调制方式盲识别方法，以满足更普遍的通信环境中有干扰场景的要求，提高识别调制方式的准确率。

本发明的技术思路是：运用高阶统计量构造分类特征量，将随机森林作为分类器，在其他信号干扰的情况下对源信号的调制方式进行识别，其实现步骤包括如下：

(1)在连续中继系统中由源节点发送源信号，中继节点接收信号y_rc，该信号包含中继间干扰；

(2)中继节点对接收的信号y_rc进行载波同步和码元定时恢复，得到离散接收信号y_r；

(3)计算离散接收信号y_r的高阶统计量，高阶统计量包括高阶矩M_km和高阶累积量C_km；

(4)重复(1)-(3)共1000次，用每一次得到的高阶统计量及对应的调制方式对形成一个样本，1000个样本形成样本集(F,L)，利用该样本集对随机森林分类器进行训练，得到训练好的随机森林分类器；

(5)重复(1)-(3)共100次，分别取100个高阶统计量作为测试特征量，将该特征量输入到训练好的随机森林分类器，输出源信号调制方式。

本发明的有益效果在于：

第一、本发明由于基于特征提取，将接收信号的高阶统计量作为特征量，计算高阶统计量的时间复杂度低，加快了识别速度。

第二、本发明由于提取的高阶统计量里包含了干扰的特征信息，该特征信息可被用来修正干扰对识别源信号调制方式的影响，所以增强在干扰存在时的稳健性。

第三、本发明由于通过集成多棵分类树构建随机森林分类器，避免了单棵分类树的局限性，提高分类器识别准确率。

附图说明

图1是本发明使用的系统框图；

图2是本发明的实现流程图；

图3是用本发明和传统方法在不同参考信噪比条件下的识别正确率对比图；

图4是用本发明和传统方法在不同节点间相对距离条件下的识别正确率对比图；

图5是用本发明在不同符号个数条件下的识别正确率示意图。

具体实施方式

以下将结合附图对本发明作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实施例。

参照图1，本发明使用的连续中继系统包括：源节点S，目的节点D，两个中继节点R₁和R₂。所有节点的天线数是4。处于接收状态的中继节点在接收源节点S信号的同时会受到另一个中继节点的干扰。源节点S距中继节点距离为d_sr，中继节点之间距离为d_rr。MIMO通信大尺度路径损耗系数为α＝2，源节点和中继节点信号的发射功率相同。噪声功率记为σ²，同时记参考信噪比

同时设置发送信号和干扰信号都采用空间复用形式，发送信号调制方式M_s和干扰信号调制方式M_r组成的调制方式对(M_s,M_r)来自候选集一：

M_r∈{BPSK,QPSK,16QAM,64QAM}}或候选集二：

参照图2，本发明的实现步骤如下：

步骤1、中继节点接收信号y_rc。

连续中继系统包含一个源节点，一个目的节点，两个中继节点，所有节点都配备M根天线。由源节点发送源信号，中继节点接收信号y_rc，该信号包含有中继间的干扰，其表示如下：

其中，

为第k根接收天线接收信号，表示为：

式中，k＝1,2,...,M，M为中继节点的天线数，P_sr为源信号功率，P_r为干扰信号功率，

为源节点到中继节点的信道系数，

为中继节点之间的信道系数，exp(a_s+b_sj)为源节点发送符号，a_s为该发送符号的幅度，b_s为该发送符号的相位，exp(a_r+b_rj)为干扰符号，a_r为干扰符号的幅度，b_r为干扰符号的相位。

步骤2、中继节点对接收的信号y_rc进行载波同步和码元定时恢复，得到离散接收信号y_r。

(2a)中继节点将接收到的信号y_rc先经过锁相环进行载波恢复，再通过匹配滤波器进行匹配滤波，得到信噪比最大的接收信号；

(2b)对信噪比最大的接收信号进行采样，得到基带离散信号y_r：

式中，H_sr为源节点到中继节点的信道矩阵，H_r为中继节点之间的信道矩阵，x_s为源信号，z_r为干扰信号，n为接收端的加性噪声。

步骤3、计算离散接收信号y_r的高阶统计量。

高阶统计量包括高阶矩M_km和高阶累积量C_km：

(3a)计算高阶矩M_km：

(3a1)取离散接收信号y_r的1000个符号点y_r(n)，n＝1,2,...,1000，根据y_r(n)计算原始高阶矩

式中，N为信号符号点个数，k为高阶矩的阶数，y_r(n)^*为y_r(n)的共轭，m为符号共轭位置；

(3a2)将原始高阶矩进行归一化处理，得到高阶矩M_km：

式中，

为接收离散信号y_r的二阶矩；

(3b)计算高阶累积量C_km：

(3b1)根据原始高阶矩

换算得到原始高阶累积量

设(k,m)取值为(2,1)、(4,2)、(6,3)、(8,0)，其中k为高阶累积量的阶数，m为共轭位置，计算如下四个原始高阶累积量：

其中，

为原始二阶矩，

为原始四阶矩，

为原始六阶矩，

为原始八阶矩；

(3b2)将原始高阶累积量进行归一化处理，得到高阶累积量C_km：

式中，(k,m)取值为(2,1)、(4,2)、(6,3)、(8,0)，

为接收离散信号y_r的原始二阶累积量。

步骤4、训练随机森林分类器。

(4a)重复步骤1-步骤3共1000次，用每一次得到的高阶统计量及对应的调制方式对形成一个样本，1000个样本形成样本集(F,L)；

(4b)运用有放回重采样方法对样本集(F,L)进行处理，得到随机森林单棵分类树的训练样本集，分类树根据训练样本的基尼指数选取高阶统计量作为分裂属性进行分裂节点，直到节点分裂到叶子时便完成一棵树的训练；

(4c)重复(4b)共100次得到100棵分类树，用这100棵分类树形成随机森林，得到训练好的随机森林分类器。

步骤5、输出源信号调制方式。

(5a)重复步骤1-3共100次，分别取100个高阶统计量作为测试特征量，将该特征量输入到训练好的随机森林分类器；

(5b)随机森林中的每棵树根据特征量给出一个投票

其中，mod_sn为第n棵树识别的源信号调制方式，mod_rn为第n棵树识别的干扰信号调制方式，n＝1,2,...,100；

(5c)统计源信号调制方式mod_sn的票数：将源信号调制方式mod_sn得到的票数记为

分别对每棵树的投票

计数，即将mod_sn对应的

加一；

(5d)将

最大值对应的mod_sn源信号调制方式作为最终的识别结果。

本发明的效果可通过以下仿真进一步详细说明。

一.仿真条件

设发送、接收天线数为4，MIMO通信大尺度路径损耗系数为α＝2，源节点和中继节点发送信号的功率相同。如果没有特别说明，参考信噪比γ取值范围为-2～12dB，源节点和中继节点相对距离log₂(d_sr/d_rr)＝-2，符号数为10000。

源信号和干扰信号都采用空间复用形式，源信号调制方式M_s和干扰信号调制方式M_r组成的调制方式对(M_s,M_r)：

其中，BPSK为二进制相移键控，QPSK为四进制相移键控，16QAM为16进制正交振幅调制，64QAM为64进制正交振幅调制，4PAM为四进制载波幅度调制，8PAM为8进制载波幅度调制。

二.仿真内容

仿真1：设置仿真参考信噪比γ的范围为-2～12dB，间隔为1dB，在每一个参考信噪比γ条件下分别用本发明及传统方法进行1000次蒙特卡洛实验。在候选集

和候选集

中，分别记录下本发明及传统方法的源信号调制方式识别正确次数，将其除以总的实验次数得到每个参考信噪比γ条件下的源信号调制方式识别正确率，得到本发明及传统方法的源信号调制方式识别正确率对比仿真结果，如图3。

从图3可以看出：在相同条件下，随着参考信噪比的增大，本发明的识别正确率明显高于将干扰当成色噪声的传统方法，这是由于本发明计算的高阶统计量包含干扰信号的特征信息，利用估计出的干扰特征信息可以修正干扰对源信号调制方式识别的影响，提高识别正确率。

仿真2：设置仿真参考信噪比γ＝6dB，源节点和中继节点相对距离log₂(d_sr/d_rr)为-6～1，间隔为1。在每一个节点间相对距离条件下分别用本发明及传统方法进行1000次蒙特卡洛实验。在候选集

和候选集

中，分别记录下本发明及传统方法的源信号调制方式识别正确次数，将其除以总的实验次数，得到每个节点间相对距离条件下的本发明及传统方法识别正确率对比仿真结果，如图4。

从图4可以看出，在相同条件下，随着源节点和中继节点相对距离增加，即随着源信号功率的降低，本发明以及将干扰当成色噪声的传统方法的识别正确率都下降，但是本发明识别正确率下降速度很慢，在源信号功率较低时仍能维持很好的性能，而传统方法已不能进行有效识别。例如，在log₂(d_sr/d_rr)＝-2时，本发明识别正确率为90％以上，而传统方法识别正确率在40％左右。

仿真3：设置参考信噪比γ的范围为-2～12dB，间隔为1dB，符号个数分别设置为200、1000、10000、100000。在每一个符号个数条件下用本发明进行1000次蒙特卡洛实验，在候选集

中记录源信号调制方式的识别正确次数，将其除以总的实验次数得到不同符号个数条件下的识别正确率，不同符号个数条件下源信号调制方式的识别正确率仿真结果如图5。

从图5可以看出，符号数越多，源信号调制方式识别正确率越高。但是符号数越多，识别时间越长，即识别越慢，所以在实际运行中选择符号数时必须折衷考虑识别正确率和识别时间。

对于本领域的技术人员来说，可以根据以上的技术方案和构思，作出各种相应的改变和变形，而所有的这些改变和变形都应该包括在本发明权利要求的保护范围之内。

Claims (7)

1.一种有干扰下的调制方式盲识别方法，其特征在于，包括如下：

(1)在连续中继系统中由源节点发送源信号，中继节点接收信号y_rc，该信号包含中继间干扰；

(2)中继节点对接收的信号y_rc进行载波同步和码元定时恢复，得到离散接收信号y_r；

(3)计算离散接收信号y_r的高阶统计量，高阶统计量包括高阶矩M_km和高阶累积量C_km；

(4)重复(1)-(3)共1000次，用每一次得到的高阶统计量及对应的调制方式对形成一个样本，1000个样本形成样本集(F,L)，利用该样本集对随机森林分类器进行训练，得到训练好的随机森林分类器；

(5)重复(1)-(3)共100次，分别取100个高阶统计量作为测试特征量，将该特征量输入到训练好的随机森林分类器，输出源信号调制方式。

2.根据权利要求1所述的方法，其特征在于，(1)中的中继节点接收信号y_rc，表示如下：

其中，

为第k根接收天线接收信号，表示为：

式中，k＝1,2,...,M，M为中继节点的天线数，P_sr为源信号功率，P_r为干扰信号功率，

为源节点到中继节点的信道系数，

为中继节点之间的信道系数，exp(a_s+b_sj)为源节点发送符号，a_s为该发送符号的幅度，b_s为该发送符号的相位，exp(a_r+b_rj)为干扰符号，a_r为干扰符号的幅度，b_r为干扰符号的相位。

3.根据权利要求2所述的方法，其特征在于，所述(2)，其实现如下：

(2a)将接收到的信号y_rc先经过锁相环进行载波恢复，再通过匹配滤波器进行匹配滤波，得到信噪比最大的接收信号；

(2b)对信噪比最大的接收信号进行采样，得到基带离散信号y_r：

式中，H_sr为源节点到中继节点的信道矩阵，H_r为中继节点之间的信道矩阵，x_s为源信号，z_r为干扰信号，n为接收端的加性噪声。

4.根据权利要求1所述的方法，其特征在于，(3)中计算离散接收信号y_r的高阶矩M_km，其实现如下：

(3a)取离散接收信号y_r的1000个符号点y_r(n)，n＝1,2,...,1000，根据y_r(n)计算原始高阶矩

式中，N为信号符号点个数，k为高阶矩的阶数，y_r(n)^*为y_r(n)的共轭，m为符号共轭位置的指数；

(3b)将原始高阶矩进行归一化处理得到高阶矩M_km：

式中，

为接收离散信号y_r的原始二阶矩。

5.根据权利要求1所述的方法，其特征在于，(3)中计算离散接收信号y_r的高阶累积量C_km，其实现如下：

(3c)根据原始高阶矩

换算得到原始高阶累积量

其中k为高阶累积量的阶数，m为共轭位置，(k,m)取值为(2,1)、(4,2)、(6,3)、(8,0)：

(3d)将原始高阶累积量进行归一化处理得到高阶累积量C_km：

式中，(k,m)取值为(2,1)、(4,2)、(6,3)、(8,0)，

为接收离散信号y_r的原始二阶累积量。

6.根据权利要求1所述的方法，其特征在于，利用样本集(F,L)对随机森林分类器进行训练，其实现步骤如下：

(4a)运用有放回重采样方法对样本集(F,L)进行处理，得到随机森林单棵分类树的训练样本集，分类树根据训练样本的基尼指数选取高阶统计量作为分裂属性进行分裂节点，直到节点分裂到叶子时便完成一棵树的训练，

(4b)重复(4a)共100次得到100棵分类树，用这100棵分类树形成随机森林，得到训练好的随机森林分类器。

7.根据权利要求1所述的方法，其特征在于，(5)将特征量输入到训练好的随机森林分类器，输出源信号调制方式，其实现如下：

(5a)随机森林中的每棵树根据特征量给出一个投票

其中，mod_sn为第n棵树识别的源信号调制方式，mod_rn为第n棵树识别的干扰信号调制方式，n＝1,2,...,100；

(5b)记

为源信号调制方式mod_sn得到的票数，分别对每棵树的投票

计数，即将mod_sn对应的

加一；

(5c)将

最大值对应的mod_sn源信号调制方式作为最终的识别结果。

Images