CN110276256A - 基于调参随机共振的低信噪比通信信号调制识别方法及装置 - Google Patents

Abstract

本发明属于信号调制识别技术领域，特别涉及一种基于调参随机共振的低信噪比通信信号调制识别方法及装置，该方法包含：针对低信噪比下微弱通信信号特征，利用自适应调节参数随机共振系统匹配最佳系统参数，以最大化增强信号能量；利用随机共振系统对通信信号进行随机共振处理，提取特征参数；信号特征包含瞬时特征和小波变换特征，自适应调节参数随机共振系统采用双稳态系统；针对提取的特征参数，利用神经网络进行信号分类调制识别。本发明克服传统随机共振不足及传统调制信号特征提取劣势，在极低信噪比下提取具有区分度信号特征，增强信号本身特征，弱化噪声影响，实现对微弱信号调制识别，将识别信噪比门限降低大约8dB，拓展随机共振应用范围。

Description

基于调参随机共振的低信噪比通信信号调制识别方法及装置

技术领域

本发明属于信号调制识别技术领域，特别涉及一种基于调参随机共振的低信噪比通信信号调制识别方法及装置。

背景技术

调制识别是非合作通信研究领域中的一个重要课题，在民用等方面，调制识别技术应用都十分广泛，它的目的是在未知调制信息内容和参数的前提下，判断出信号所采用的调制方式，介于信号检测和解调之间，能够实现调制信号的智能盲接收与处理。调制识别主要有两种方法，第一种是最大似然假设检验方法(LB)，该方法需要获取充分的先验信息，并且对模型失配和参数偏差很敏感，因此，难以在非合作通信中应用。第二种方法是基于特征提取的模式识别方法(FB)，该方法需要尽可能提取表征信号类别差异的特征，从而达到良好的分类性能。Asoke K.Nandi首次提出5种瞬时特征对6种信号进行分类，也有使用这些特征进行了9种信号的分类，扩大了信号的分类范围；及使用二阶矩和四阶矩，该特性具有较低的复杂度；使用累积量特征，允许在小样本容量的情况下分离子类，或通过归一化四阶累积量来克服多径衰落信道的影响；使用循环累积量和循环频率特征进行MQAM信号的分类，能够抗频偏和相偏；利用循环谱(cyclic spectrum)和累积量的结合方法，降低了信噪比门限；利用谱相关进行分类但计算复杂度较高；利用小波变换的特征进行分类；利用信号的星座图进行分类。上述方法尽管优点各异，但在实际非合作通信的应用中，面对拥有复杂噪声和存在大量干扰的信道环境，上述方法下提取的目标信号特征因为强噪声的存在被严重影响和破坏，特征之间的区分度也变得模糊，暴露出一定的局限性，因此实现微弱信号调制特征的提取从而提高识别率是目前研究领域寻求突破的热点问题之一。

发明内容

为此，本发明提供一种基于调参随机共振的低信噪比通信信号调制识别方法及装置，拓展随机共振应用范围，实现低信噪比下通信信号的特征提取和调制类型识别，提高识别正确率，具有很强的应用前景。

按照本发明所提供的设计方案，一种基于调参随机共振的低信噪比通信信号调制识别方法，包含如下内容：

A)针对低信噪比下微弱通信信号特征，利用自适应调节参数随机共振系统匹配最佳系统参数，以最大化增强信号能量；利用随机共振系统对通信信号进行随机共振处理，提取特征参数；其中，信号特征包含瞬时特征和小波变换特征，自适应调节参数随机共振系统采用双稳态系统；

B)针对提取的特征参数，利用神经网络进行信号分类的调制识别。

上述的，A)中，利用奇异值分解构建用于为输入通信信号选择最佳系统参数以实现最佳匹配的目标评价函数。

优选的，A)中,利用目标评价函数并结合人工鱼群算法为输入通信信号自适应地选择最佳系统参数。

上述的，A)中最佳系统参数选择，包含如下内容：首先，将待识别的通信信号进行数字化采样，并将其搬至中频；然后，利用人工鱼群算法为输入信号寻找用于对待识别通信信号进行随机共振处理的最佳系统参数。

优选的，人工鱼群算法实现过程包含如下内容：初始化人工鱼群参数，包含设定信号中频数量级、系统参数初始寻优范围、人工鱼总数、繁衍代数、拥挤度因子和移动最大步长；利用随机共振系统中目标评价函数进行寻优过程评价，筛选当前系统最优参数；人工鱼依次执行行为函数，不断迭代，更新并记录全局最优参数；当迭代次数达到预设值时，输出当前获取的系统最优参数。

上述的，A)中提取信号特征参数，该信号特征参数包含：瞬时特征和小波变换特征。

优选的，瞬时特征参数提取过程中，包含分别对信号的瞬时幅度特征参数、瞬时相位特征参数和瞬时频率特征参数的提取。

上述的，B)中，神经网络采用通过不断调整网络权重和阈值来学习或发现变量间关系以实现分类的反向传播BP神经网络。

上述的，B)中，利用神经网络进行信号分类的调制识别，包含：依据收集的训练样本数据对神经网络进行训练，训练样本数据包含多类型信号及信号在预设信噪比范围下的各信号特征参数；利用训练好的神经网络对待识别信号的特征参数进行信号分类的调制识别。

进一步地，本发明还提供一种基于调参随机共振的低信噪比通信信号调制识别装置，包含：特征提取模块和分类识别模块，其中，

特征提取模块，用于针对低信噪比下微弱通信信号特征，利用自适应调节参数随机共振系统匹配最佳系统参数，以最大化增强信号能量；利用随机共振系统对通信信号进行随机共振处理，提取特征参数；其中，信号特征包含瞬时特征和小波变换特征，自适应调节参数随机共振系统采用双稳态系统；

分类识别模块，用于针对提取的特征参数，利用神经网络进行信号分类的调制识别。

本发明的有益效果：

本发明针对低信噪比下微弱中频数字通信信号的瞬时特征和小波变换特征，提出利用自适应调参随机共振对其进行增强，并利用BP神经网络进行识别分类；理论与仿真相结合，证明其方案的有效性，并具有如下优点：第一，克服了传统随机共振的不足，利用奇异值分解构建出评价函数，并结合人工鱼群算法能够自适应的为未知的信号寻找最佳系统参数；第二，克服传统调制信号特征提取的劣势，能够在极低的信噪比下提取出具有区分度的信号特征，增强信号本身的特征，弱化噪声的影响；第三，与传统方法相比，能够在实现对微弱信号的调制识别，将正确识别信噪比门限降低了大约8dB；第四，拓展随机共振的应用范围，为信号特征提取和调制识别带来新思路，具有很强的适应性和推广性。

附图说明：

图1为实施例中调制识别方法流程图；

图2为实施例中双稳态系统模型示意图；

图3为实施例中调制识别原理图；

图4为实施例中PSR前后的4ASK波形对比示意图；

图5为实施例中PSR前后4ASK的幅度提取信息示意图；

图6为实施例中PSR前后2ASK与4ASK的σ_aa特征对比曲线示意图；

图7为实施例中PSR前后的QPSK波形对比示意图；

图8为实施例中PSR前后QPSK的相位提取信息示意图；

图9为实施例中PSR前后2PSK、QPSK与8PSK的σ_ap特征对比曲线示意图；

图10为实施例中PSR前后的4FSK波形对比示意图；

图11为实施例中PSR前后4FSK的频率提取信息示意；

图12为实施例中PSR前后2FSK与4FSK的σ_af特征对比曲线示意图；

图13为实施例中PSR前后的16QAM波形对比示意；

图14为实施例中PSR前后16QAM的小波变换幅度提取信息示意；

图15为实施例中PSR前后16QAM的归一化小波变换幅度提取信息示意；

图16为实施例中PSR前后QPSK与16QAM的特征对比曲线示意图；

图17为实施例中PSR前后4FSK与16QAM的特征对比曲线示意图；

图18为实施例中神经网络示意图；

图19为实施例中PSR前后γ_m跟随信噪比变化的曲线对比示意图；

图20为实施例中PSR前后σ_aa跟随信噪比变化的曲线对比示意图；

图21为实施例中PSR前后σ_dp跟随信噪比变化的曲线对比示意图；

图22为实施例中PSR前后σ_ap跟随信噪比变化的曲线对比示意图；

图23为实施例中PSR前后σ_af跟随信噪比变化的曲线对比；

图24为实施例中PSR前后跟随信噪比变化的曲线对比；

图25为实施例中PSR前后跟随信噪比变化的曲线对比；

图26为实施例中原始信号识别正确率示意图；

图27为实施例中PSR后信号识别正确率示意图。

具体实施方式：

为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。

一般认为噪声总产生负面影响，传统信号处理方法的出发点主要集中于尽可能地抑制噪声。随着非线性科学的发展，在某些非线性系统中，噪声的增加不仅没有进一步恶化特征信号，反而使得输出的局部信噪比得到一定改善，增强了信号的显现，这一现象被称为随机共振。随机共振被应用到很多领域：医学领域、电磁领域、机械故障检测领域、信号处理领域等等。随机共振表明，在特定的条件下，非线性系统、输入信号和噪声三者能够达到匹配状态从而产生协同作用，此时无序的噪声能量向有序的微弱信号能量进行转移，从而增强微弱信号，噪声对系统的输出起到了积极的建设性作用，这为低信噪比信号处理技术提供了新的解决思路。然而，随机共振在宏观上增强信号能量的同时，对具有重要意义的细微特征是否具有同样的增强效应，亦或是产生某种影响并没有很多研究。为此，本发明实施例中，参见图1所示，提供一种基于调参随机共振的低信噪比通信信号调制识别方法，包含如下内容：

S101)针对低信噪比下微弱通信信号特征，利用自适应调节参数随机共振系统匹配最佳系统参数，以最大化增强信号能量；利用随机共振系统对通信信号进行随机共振处理，提取特征参数；其中，信号特征包含瞬时特征和小波变换特征，自适应调节参数随机共振系统采用双稳态系统；

S102)针对提取的特征参数，利用神经网络进行信号分类的调制识别。

针对低信噪比下微弱中频数字通信信号的瞬时特征和小波变换特征，提出利用自适应调参随机共振对其进行增强，并利用BP神经网络进行识别分类，实现对低信噪比下微弱通信信号的分类识别。

双稳态系统是随机共振研究中采用最多的一类非线性系统，系统模型如图2所示，数学模型可由Langevin方程表示：

式中，a和b为系统参数，s(t)为输入信号，Γ(t)是均值为0、噪声强度为D的高斯白噪声，且满足〈Γ(t)>＝0，<Γ(t)Γ(0)>＝2Dδ(t),其中<·>为时间平均。

为了突破绝热近似理论中输入必须满足小参数的条件限制，本发明实施例中，引入以下变量进行归一化处理：

将式(2)带入式(1)得：

其中<ξ(τ)>＝0，<ξ(τ),ξ(0)>＝δ(τ)。

归一化处理对信号频率进行压缩，对幅度进行同比例缩放，突破了小参数的制约，使随机共振能够适用于任何频率范围的信号。随机共振为非线性系统，很难计算精确的数值解，在实际计算中，通常采用四阶龙格库塔迭代方法求解。

将随机共振理论应用于信号处理领域，如果采用传统随机共振现象研究中的信噪比定义，只对研究随机共振现象是有效的，但却无法应用到没有较多先验信息的未知调制信号中。在实际无线通信系统中，信号调制样式众多，波形复杂(例如本发明实施例研究对象为MASK、MPSK、MFSK以及MQAM)，因此，针对不同种类的微弱通信信号研究最佳随机共振系统参数选取规则和易于工程实现的方法架构始终是本领域研究热点。

ASR(Aperiodic Stochastic Resonance，非周期随机共振)和PSR理论进一步提高了随机共振的应用范围，也为自适应调参随机共振提供了理论依据。针对多类型通信信号，自适应调参随机共振需要提供通用的目标评价函数来为输入的带噪信号选择最优的系统参数从而完成最佳匹配。进一步地，本发明实施例将利用奇异值分解对随机共振的输出进行度量。

假设信号s(t)通过加性高斯白噪声信道，以采样率f_s将其采样成离散序列，表达式为：y(n)＝s(n)+w(n)，其中，w(n)是均值为零、方差为的高斯白噪声。信号和噪声独立分布。信号的自相关矩阵为

其中，自相关矩阵的阶数为m。

式(4)中矩阵R_yy,R_ss,R_ww均为对称阵，因此可以进行奇异值分解：

R_yy＝R_ss+R_ww＝VΛ_yV^H＝V(Λ_s+Λ_w)V^H (5)

其中，V为正交阵，且

由此，可以定义测度函数(SRIF表示Stochastic Resonance of IF Signals)作为寻优过程中的评价函数：

对于双稳态随机共振系统而言，其系统参数包括a和b。因此，本发明实施例中，可进一步利用目标评价函数，结合人工鱼群算法，为输入的信号自适应地选择最佳系统参数，之后对信号进行随机共振处理，在提取相应的特征参数之后，利用人工神经网络进行分类识别，整体框图如图3所示，具体包含如下内容：

第一步：获取待识别的目标信号，进行数字化采样，并将其搬至中频。

第二步：利用人工鱼群算法为输入信号寻找最佳的系统参数。该算法基本流程可设计如下：变量包括人工鱼的总数M、繁衍代数G、人工鱼个体的状态X(由寻优变量的矢量构成)、移动的最大步长S、视野V、尝试次数Tn、拥挤度因子δ、人工鱼个体i,j之间的距离d_ij＝|X_i-X_j|以及食物浓度Y。Y便是寻优过程中的评价函数，也是随机共振的测度函数Y_SRIF。具体步骤如下：第一，初始化人工鱼群参数。若信号中频数量级为1×10^m Hz(MFSK信号则以其中心频率为准)，则a的初始寻优范围设定为[1×10^m-1,1×10^m+1],Visual设置为1×10^m-1，Step设置为0.5×10^m-1，Try_number、δ、GEN、M这四个参数适当选取即可；第二，利用Y_SRIF指标进行评价，筛选当前最优参数；第三，人工鱼依次执行行为函数，不断迭代，更新并记录全局最优参数；第四，当迭代次数达到预设值时，输出当前最优参数。取b＝a即可。

第三步：利用获取到的系统参数对信号进行随机共振预处理。

第四步：计算信号的相应特征参数。

第五步：将计算的特征参数传入事先训练好的人工神经网络中，进行分类识别，之后，输出识别的调制类型，进行后续的解调以及比特信息恢复处理等步骤。

高阶矩、高阶累积量、循环累积量方法只针对基带信号，不便于直接处理中频信号，谱相关方法计算量大，而星座图则需要解映射，瞬时信息和小波变换计算简单，可以直接对中频信号进行处理。

通信信号的瞬时特征(瞬时幅度、瞬时频率、瞬时相位)蕴含丰富的调制信息。因此，本发明实施例中，从瞬时特征入手是最直接的，所需先验知识少。同时，由于数字调制信号具有循环平稳特性，当码元发生变化时，信号就会发生突变，而这些突变能够被小波变换提取出来。采用幅度、相位、频率以及小波变换特征探究在低信噪比下随机共振对特征的改善作用具有重要意义。

为了便于推导，以一个符号周期内的信号进行分析，可看作单频信号：

其中，A、f_c、分别为单个符号的幅度、频率和相位。

经过推导，可得随机共振的系统输出功率谱为：

其中，为Kramers跃迁率，ΔU＝a²/4b，为势垒高度；ω_c＝2πf_c，输出功率谱由噪声能量G_N(ω)和信号能量G_S(ω)两部分组成。在随机共振过程中，噪声能量和信号能量发生了转化，功率谱的信号部分出现峰值。

功率谱表征了信号功率在频域的分布状况，它也是信号幅度谱的模平方，反映了幅度的改善情况。一个符号周期内的幅度能够被改善决定了整体信号的幅度特征能够被增强。

瞬时幅度信息提取中，针对瞬时幅度提取序列，首先，以抽样频率f_s对信号抽样，得到序列x(i)。接收信号的复解析表示为：

s(i)＝x(i)+jy(i)＝a(i)e^jθ(i) (10)

其中：

A(i)＝(x²(i)+y²(i))^1/2 (11)

A(i)即信号的瞬时幅度序列。

MASK信号利用载波的幅度变化来传递数字信息，而其频率和初始相位保持不变，可以说，幅度信息正是区分该信号的重要特征之一。以4ASK信号为例，分别提取其PSR前后的瞬时幅度。如图4直观可见，原始4ASK信号的噪声在经过PSR之后大幅度减少，信号波形得到增强。图5则是提取到的更加清晰的瞬时幅度的变化情况，可以看到，4种不同的幅度在单个符号周期内变得更加平滑，不同幅度之间的变化也更加陡峭。与瞬时幅度有关的两个特征参数：零中频归一化瞬时幅度谱密度最大值γ_m和零中心归一化瞬时幅度绝对值的标准偏差σ_aa，如下式所示：

γ_m＝max|DFT(A_cn(i))|²/N (12)

其中，A_cn(i)＝A_n(i)-1，A_n(i)＝A(i)/m_a，而为瞬时幅度A(i)的平均值，目的是消除信道增益的影响。

以2ASK与4ASK的特征σ_aa为例，令信噪比从-15到25不断递增，计算原始信号与PSR处理后该特征值的变化曲线，如图6所示，定性地确定了PSR为σ_aa特征参数带来的信噪比门限的改善程度，对于原始2ASK和4ASK信号而言，当输入信噪比大于5dB时，该特征参数才慢慢摆脱了噪声的影响并逐步有所区分，而经过PSR之后，在大约-5dB时，特征区分度已经有所显性，随着输入信噪比的不断扩大，两种信号的特征值趋于稳定。

若将信号通过一个无失真的线性时不变传输系统，系统的单位冲击响应为h(n)＝δ(n-n₀)，则该系统的群时延(群时延是指系统在某频率处的相位对于频率的变化率)为τ＝n₀，表示通过系统后的信号在细节上和原始信号完全一样，只是在时间上有所延迟。群延时为常数的系统才不会对信号产生失真，要求信号通过系统后不产生失真是很多应用场合的内在要求，比如数字滤波器的设计。若输入为单频信号，则称为相位延时。随机共振可以看做一个非线性滤波器，因为它在一定程度上对噪声进行了削弱，这导致波形一定会产生变化，输出相对于输入而言已经产生失真，但这个失真的意义是积极的。本发明实施例中借用群时延的概念，对随机共振输出信号的相位进行讨论。在一些场合，例如频率检测等，相位延时并不重要，但在调制特征的提取中，相位作为一个重要的特征，有必要探究随机共振对通信信号相位的影响。M.I.Dykman的研究表明，单频信号的输入与其随机共振输出之间存在一个相位延时φ，且随着噪声的变化φ存在最大值，结束了随机共振能否被看做线性响应系统的长久争论。本发明实施例中的输入信号并不是单频信号，但由于中频通信信号的局部周期特性，会使得每个符号周期都会具有相同的相位延迟，因此出现类似群时延的效果。因此，信号的相位信息提取中，针对瞬时相位序列θ(i)，其表达式可表示为：

式(14)中θ(i)中的范围是(-π，π)，因此是以模2π来计算的，故称它为有折叠的相位，所需的修正相位序列C(i)的相位计算方法如下：

无折叠相位序列φ(i)＝θ(i)+C(i)。

MPSK信号利用载波的相位变化来传递数字信息，而振幅和频率保持不变，因此其相位信息至关重要。以QPSK信号为例，分别提取其PSR前后的瞬时相位。图7为PSR处理前后的信号波形，不同于MASK信号，相位信息不能直接在时域中观察，只能粗略看到叠加在波形上的噪声有所降低。在图8中，则直接可以观察到PSR为信号相位带来的变化，有两点：第一，瞬时相位被噪声的干扰被大幅度削弱，单个符号周期内更加平滑；第二，相位整体上存在一定的延时，相当于全部叠加了一个相同的相位差，类似于群时延效应。与相位有关的两个特征参数：零中心非弱信号段瞬时相位非线性分量的标准偏差σ_dp和零中心非弱信号段瞬时相位的非线性分量的绝对值的标准差σ_ap，如下式所示：

由于特征参数为相位的标准差，因此相当于一个叠加常量的相位差并不会影响特征值的变化。以σ_ap为例，来观察2PSK、QPSK和8PSK三种信号在信噪比从-15递增至25时该参数的变化情况，如图9所示，对于原始信号，当信噪比为-8左右时，2PSK逐渐可以被区分，当信噪比为2dB左右时，QPSK和8PSK信号逐步可以被区分。对于经过PSR处理的信号，当-14dB时2PSK可以被区分，-10dB时QPSK和8PSK可分。对于这三种基于相位调制的信号而言，PSK对该特征带来了很大程度的改善。

当双稳态系统参数和带噪声的信号匹配时，系统响应速度能够跟随信号的变化，发生跃迁现象，此时系统便以信号和噪声为驱动力，按照信号频率在两个势阱中做周期性翻转，即发生了随机共振现象。式(9)也从频域的角度说明了随机共振对频率特征的放大作用。瞬时频率提取中，瞬时频率序列可表示为其中T＝1/f_s是采样周期。MFSK利用载波的频率变化来传递数字信息，因此，其频率特征的正确提取则有利于该类信号的正确分类。以30dB的4FSK为例，观察其瞬时频率，如图10所示，由于30dB属于信噪比较高的情况，因此PSR前后的时域波形对比没有很大区别。但如图11所示，对于原始信号，瞬时频率极易受噪声影响，频率信息几乎被噪声淹没，无法分辨，相反，PSR处理后的4FSK信号的4种频率清晰可见，很大程度上减少了噪声的干扰。与频率有关的特征参数为零中心归一化非弱信号瞬时频率绝对值的标准偏差σ_af,定义如下：

其中，f_N(i)＝f_c(i)/r_b，f_c(i)＝f(i)-m_f，r_b为符号速率。

以2FSK与4FSK为例，为便于观察信噪比取值较高，令其从20dB递增至40dB,观察σ_af特征的变化情况。如图12所示，对于原始信号，当信噪比为28dB左右时，两种信号的该特征值才开始逐渐有较为明显的区分，且特征一直在缓慢下降，没有达到稳定值。但对于PSR处理后的信号，该特征在25dB左右就开始有明显区分，并且一直保持稳定不变的趋势。

小波变换是一种很好的突变检测器,它可以跟踪时间和频率信息，在时频平面不同位置具有不同的分辨率，是一种多分辨分析方法，因此可以用于调制识别。Haar小波简单易用，其离散形式定义为：

其中，k为小波尺度。

MQAM信号是一种幅度和相位联合调制的信号类型，以16QAM信号为例，分别画出PSR前后的时域波形、小波变换幅度和归一化变换幅度，如图13所示，16QAM在经过PSR后时域波形呈现了更高的质量。图14和图15分别为小波变换和归一化小波变换后的幅度，可以看到，虽然小波变换本身也具有一定的降噪能力，但PSR依然为两种特征信息都带来了一定程度的改善效果。此外，值得一提的是，正是归一化前后的幅度差异，才使得MQAM信号具有易于区分的特征。常用的小波变换特征有：

(1)小波变换幅度经中值滤波后的方差将调制信号进行小波变换，得到的小波变换幅度经过中值滤波后计算方差，它反映的是各调制信号的小波变换幅度的稳定性。

(2)归一化小波变换幅度经中值滤波后的方差它反映的是幅度归一化后的各调制信号的小波变换幅度的稳定性。

下面，以QPSK和16QAM信号为例，令信噪比从-15dB递增至25dB,观察特征的变化情况，如图16所示，原始信号的从0dB开始逐渐有所区分，而经过PSR处理后，在-7dB后就能够区分出来，并在15dB后基本维持不变。特征可以较好地区分MPSK和MQAM信号，但无法区分MFSK信号与MQAM信号，而却可以很好地做到这点。以4FSK和16QAM信号为例，令信噪比从-15dB递增至25dB,计算并观察，如图17所示，对于原始信号，在-5dB后二者逐渐有所区分，而经过PSR之后，该特征在-12dB后就开始产生差异，并很快到达稳定值。

人工神经网络可以看成是从输入空间到输出空间的一个非线性映射，通过不断调整网络的权重和阈值来学习或发现变量间的关系，实现对事物的分类。神经网络模式识别分为两个部分。学习过程：通过训练样本对网络训练，根据学习规则不断调整权值和阈值，直到具有期望输出；分类过程：将待识别的样本输入训练好的神经网络，计算所属类别并输出。BP神经网络(Back Propagation Network)是人工神经网络中杰出的算法代表，包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。下面是BP神经网络的原理：设隐含层个数L＝1，给定训练集，D＝{(x₁,y₁),(x₂,y₂),...,(x_m,y_m)}，代表输入由d个属性构成，输出为l维实值向量。因此，本发明实施例中，进一步地采用反向传播BP神经网络，根据实际使用需要可设定d＝7，l＝9。设隐层神经元个数为q，网络结构如图18所示。其中输出层第j个神经元的阈值用θ_j表示，隐层第h个神经元的阈值(threshold)用γ^h表示。输入层第i个神经元与隐层第h个神经元之间的连接权为v_ih，隐层第个神经元与输出层第个神经元之间的连接权(connection weight)为w_hj。记隐层第h个神经元接收到的输入为输出层第j个神经元接收到的输入为其中b_h为隐层第h个神经元的输出。

对于训练例(x_k,y_k)，假定神经网络的输出为则

其中，f(·)为激活函数(activation function)，选取Sigmoid函数，即

则网络在(x_k,y_k)上的均方误差为

BP算法基于梯度下降策略，以目标的负梯度方向对参数进行调整，对于误差E_k，给定学习率η，有

且

由于Sigmoid函数具有特殊求导性质：

f'(x)＝f(x)(1-f(x)) (23)

于是可得BP算法中关于w_hj的更新公式

Δw_hj＝ηg_jb_n (24)

其中

同理可得：

其中

BP是一个迭代学习算法，任意参数v的更新估计式为：

v←v+Δv (28)

从理论出发，并结合仿真验证，在一些特征对比度高的信号类别中分别观察了PSR对特征的改善情况，不同的特征值都产生了不同程度的信噪比分类门限的下降现象。下面，通过更加全面系统的仿真实验，针对γ_m、σ_aa、σ_dp、σ_ap、σ_af、和共7种特征参数，分别计算2ASK、4ASK、2FSK、4FSK、2PSK、QPSK、8PSK、16QAM以及64QAM共9种信号在PSR前后的特征参数值，并进行对比。信号参数设置如下：符号速率R_s＝100Bd,载波频率f_c＝2000Hz，MFSK的频率间隔Δf＝400Hz，符号个数N＝100,采样率f_s＝4×10⁵Hz，SNR以1dB间隔从-15dB递增至25dB，参见图19～图25所示，关于每个特征的具体意义不再赘述，本发明实施例中所关注的是PSR对每个特征带来的影响。举例来说，如图19所示，γ_m可以区分恒包络信号与非恒包络信号，对原始信号而言，当信噪比低于0dB时，白噪声属于信号中的主要成分，因此特征无法区分，当信噪比增加至5dB左右时，信号本身特征开始显现，超越了噪声的压制，逐渐可以区分为三类：MASK、MQAM以及其他类型，然而，经过PSR处理之后，这三类信号在-5dB左右就可以区分，噪声被大幅度限制，信号能量得到改善，使得该特征的区分阈值下降了约10dB,由此可见，随机共振对低信噪比下的特征具有显著的增强作用。但有一个特征比较特殊：σ_dp，如图21所示，该特征本身具有独特的抗噪性能，在低信噪比下也具有区分力，然而PSR不仅没有增强特征，反而使得MASK信号的该特征在低信噪比下出现了反常，混淆了信号之间的差别。因此，在进行后续分类时，可直接提取原始信号的该特征即可。除此以外，剩余6种特征在PSR的作用下，都达到了预想的效果，都有不同程度的信噪比门限的下降。

进一步地，本发明实施例中，对利用随机共振增强前后的特征进行基于BP神经网络的分类识别，包含如下内容：

首先，进行神经网络的训练：利用9种信号10dB到25dB下的7类特征作为训练集。其中，根据实验仿真，设置参数如下：隐含层神经元个数L＝3，每层的神经元个数分别为：q₁＝10，q₂＝15，q₃＝10，学习速率η在神经网络训练初期选择较大的权值变化量，随着训练误差的降低逐渐选择较小值，区间设置为[0.001,1]，最大迭代次数M＝1000。之后，利用训练好的神经网络特征进行分类，每种信号的蒙特卡洛仿真次数设定为200次。由图26可得，当信噪比低于2dB时，基本上无法正确分类，当信噪比不断提高，正确率才开始产生变化。即使是最容易区分的2ASK信号，也只有在5dB的时候才可以实现完全正确的分类，部分信号例如8PSK在信噪比为14dB时正确率才大于90％，所有类别在16dB后才达到100％。从平均正确率来看，原始方法下，噪声具有很大的破坏性，在信噪比为9dB时正确率达到80％。该结果也验证了原始特征在低信噪比下容易被淹没的缺点。图27是利用随机共振增强特征之后的正确率，可以看到，大约从-8dB开始，各类信号的正确率就开始逐渐从0增长，2PSK信号在-3dB正确率就达到了100％，在3dB时所有信号的正确率已经全部超过80％，7dB所有信号正确率达到100％。从平均正确率来看，在1dB时就超过80％。整体对比之下，随机共振将分类成功的信噪比门限降低了约8dB左右，被增强后的特征在低信噪时发挥了很好的优势。

克服信道噪声的不利影响一直是非合作通信领域的重要研究内容。在强噪声背景下，传统的调制识别性能急剧下降，导致后续信号处理难以开展，更会错失截获信号中的重要信息。随机共振是近些年逐渐兴起的一种理论，它能够利用噪声增强信号的能量，实现信号降噪的目的。本发明实施例中，提出利用参数调节随机共振来进行微弱通信信号的特征提取和调制识别。通过采用自适应调节参数随机共振，在不需要先验知识的情况下，能为接收信号匹配最佳系统参数从而最大化增强信号能量；从瞬时幅度、相位、频率和小波变换特征出发，考虑调参随机共振对共计7种特征参数带来的影响和作用，并确定随机共振的相位延迟效应不会带来消极影响，并且6种特征在低信噪比下都能被大幅度改善。最后，利用BP神经网络对改善后的特征进行分类识别。仿真实验表明，调参随机共振将分类成功的信噪比门限降低了约8dB。理论和仿真均证明了本发明实施例中技术方案的可行有效性，为低信噪比下的信号处理技术提供了新的思路。

基于上述的调制识别方法，本发明实施例还提供一种基于调参随机共振的低信噪比通信信号调制识别装置，包含：特征提取模块和分类识别模块，其中，

特征提取模块，用于针对低信噪比下微弱通信信号特征，利用自适应调节参数随机共振系统匹配最佳系统参数，以最大化增强信号能量；利用随机共振系统对通信信号进行随机共振处理，提取特征参数；其中，信号特征包含瞬时特征和小波变换特征，自适应调节参数随机共振系统采用双稳态系统；

分类识别模块，用于针对提取的特征参数，利用神经网络进行信号分类的调制识别。

本发明中，针对低信噪比下四类共九种微弱中频数字通信信号(包括MASK、MPSK、MFSK、MQAM)的瞬时特征和小波变换特征，提出利用自适应调参随机共振对其进行增强，并利用BP神经网络进行识别分类，理论与仿真相结合，证明了本发明实施例中方法的有效性，并具有如下优点：第一，克服了传统随机共振的不足，利用奇异值分解构建出评价函数，并结合人工鱼群算法能够自适应的为未知的信号寻找最佳系统参数；第二，克服了传统调制信号特征提取的劣势，能够在极低的信噪比下提取出具有区分度的信号特征，增强了信号本身的特征，弱化了噪声的影响；第三，与传统方法相比，,能够在实现对微弱信号的调制识别，将正确识别的信噪比门限降低了大约8dB；第四，拓展了随机共振的应用范围，为信号的特征提取和调制识别带来了新的思路。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。

基于上述的方法，本发明实施例还提供一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的方法。

基于上述的方法，本发明实施例还提供一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现上述的方法。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种基于调参随机共振的低信噪比通信信号调制识别方法，其特征在于，包含：

A)针对低信噪比下微弱通信信号特征，利用自适应调节参数随机共振系统匹配最佳系统参数，以最大化增强信号能量；利用随机共振系统对通信信号进行随机共振处理，提取特征参数；其中，信号特征包含瞬时特征和小波变换特征，自适应调节参数随机共振系统采用双稳态系统；

B)针对提取的特征参数，利用神经网络进行信号分类的调制识别。

2.根据权利要求1所述的基于调参随机共振的低信噪比通信信号调制识别方法，其特征在于，A)中，利用奇异值分解构建用于为输入通信信号选择最佳系统参数以实现最佳匹配的目标评价函数。

3.根据权利要求2所述的基于调参随机共振的低信噪比通信信号调制识别方法，其特征在于，A)中,利用目标评价函数并结合人工鱼群算法为输入通信信号自适应地选择最佳系统参数。

4.根据权利要求1～3任一项所述的基于调参随机共振的低信噪比通信信号调制识别方法，其特征在于，A)中最佳系统参数选择，包含如下内容：首先，将待识别的通信信号进行数字化采样，并将其搬至中频；然后，利用人工鱼群算法为输入信号寻找用于对待识别通信信号进行随机共振处理的最佳系统参数。

5.根据权利要求2～3任一项所述的基于调参随机共振的低信噪比通信信号调制识别方法，其特征在于，人工鱼群算法实现过程包含如下内容：初始化人工鱼群参数，包含设定信号中频数量级、系统参数初始寻优范围、人工鱼总数、繁衍代数、拥挤度因子和移动最大步长；利用随机共振系统中目标评价函数进行寻优过程评价，筛选当前系统最优参数；人工鱼依次执行行为函数，不断迭代，更新并记录全局最优参数；当迭代次数达到预设值时，输出当前获取的系统最优参数。

6.根据权利要去1所述的基于调参随机共振的低信噪比通信信号调制识别方法，其特征在于，A)中提取信号特征参数，该信号特征参数包含：瞬时特征和小波变换特征。

7.根据权利要求6所述的基于调参随机共振的低信噪比通信信号调制识别方法，其特征在于，瞬时特征参数提取过程中，包含分别对信号的瞬时幅度特征参数、瞬时相位特征参数和瞬时频率特征参数的提取。

8.根据权利要求1所述的的基于调参随机共振的低信噪比通信信号调制识别方法，其特征在于，B)中，神经网络采用通过不断调整网络权重和阈值来学习或发现变量间关系以实现分类的反向传播BP神经网络。

9.根据权利要求1或8所述的的基于调参随机共振的低信噪比通信信号调制识别方法，其特征在于，B)中，利用神经网络进行信号分类的调制识别，包含：依据收集的训练样本数据对神经网络进行训练，训练样本数据包含多类型信号及信号在预设信噪比范围下的各信号特征参数；利用训练好的神经网络对待识别信号的特征参数进行信号分类的调制识别。

10.一种基于调参随机共振的低信噪比通信信号调制识别装置，其特征在于，包含：特征提取模块和分类识别模块，其中，

特征提取模块，用于针对低信噪比下微弱通信信号特征，利用自适应调节参数随机共振系统匹配最佳系统参数，以最大化增强信号能量；利用随机共振系统对通信信号进行随机共振处理，提取特征参数；其中，信号特征包含瞬时特征和小波变换特征，自适应调节参数随机共振系统采用双稳态系统；

分类识别模块，用于针对提取的特征参数，利用神经网络进行信号分类的调制识别。