CN111049770A - 基于高阶累积量的调制信号识别方法 - Google Patents

Abstract

本发明公开了一种基于高阶累积量的调制信号识别方法，主要解决现有技术识别率低的问题，其实现方案是：通过matlab得到训练数据集X1和测试数据集Y1，其中每个数据集都包含8种调制信号；对这两个数据集X1和Y1添加高斯白噪声，得到加噪后的训练数据集X2和测试数据集Y2；对加噪训练数据集X2进行特征提取，得到特征序列训练数据集X3；将特征序列训练数据集X3输入到卷积神经网络CNN对其进行训练，得到训练好的卷积神经网络CNN；将测试数据集Y2输入到训练好的卷积神经网络CNN中进行测试，得到8种调制信号的分类结果。本发明与现有技术相比具有更高的调制信号识别的准确率，可用于频谱管理，认知无线电和电子对抗。

Description

基于高阶累积量的调制信号识别方法

技术领域

本发明属于信号处理技术领域，特别涉及一种调制信号识别的方法，可以用于频谱管理，认知无线电和电子对抗。

背景技术

随着无线通信技术的不断发展和通信服务需求的日益增长，新型无线通信设备和服务不断涌现，并逐渐向多模式、多频段、多速率、多业务、多场景等方向发展，为人们的日常生活带来了极大的便利，同时也使得无线频谱资源趋于紧张、电磁环境愈加复杂。这一系列的深刻变化都对无线电监测技术的发展带来了关键契机与重大挑战。另一方面，为了保证频谱资源的高效利用，未来通信网络需要通过频谱共享实现多用户的协同工作与不同业务的共存，这促使频谱管理由传统的静态分配策略逐步向高效的动态分配策略演进，也要求通信设备和无线电监测设备都具有对周边复杂电磁环境的感知能力谱感知技术作为提升无线电设备感知能力的关键，既有助于提高通信设备的频谱利用率，也是无线电监测系统中的重要组成部分。然而，仅仅使用频谱感知，只能判断目标频段是否存在信号占用，无法区分占用信号属于授权服务或是恶意干扰，这严重阻碍了无线电监测系统对干扰信号的监查与管理。为了应对这一问题，无线电监测系统必须具备更为细致的感知能力和更为强大的分析能力，以获取目标信号的频谱特性、调制类型等关键信息，为干扰识别、频谱管理提供技术支撑。

信号调制方式识别作为无线电频谱监测中的关键组成部分，是指在目标信号信息内容未知的前提下，依据较少的先验信息，尽可能准确的判断目标信号的调制方式。信号识别是介于信号检测和信号解调之间的过程，在民用领域主要用于频谱管理中的信号身份验证和干扰识别；在军事领域，它是制电磁权争夺与控制中的重要手段之一，是截获敌方信号、破坏和抑制敌方通信、实施电磁千扰的基础和前提。因此，无线信号的调制方式识别技术在频谱管理、认知无线电和电子对抗等诸多领域具有广泛的应用，在无线通信领域扮演着越来越重要的角色。

现阶段，通信领域的快速发展使得通信环境变得复杂化、信号调制方式也更加多样化，信号接收端需要对接收到的调制信号进行解调等信号处理，此实现过程离不开调制方式识别技术的支撑，因此，调制识别技术的研究有着重要的工程意义。目前，传统的调制方式识别方法往往复杂且需要丰富的专业知识及经验，人工提取到尽可能完备的特征需要大量科学研究以及实验，但人工难以实现多层特征的提取，且在信噪比较低或信道不理想的情况下，各信号的特征往往不易提取，需要综合多个特征，并进行特征融合，识别算法往往复杂且实时性较差。

目前，针对信号调制方式识别问题，可以从两方面提升识别性能：一方面在于信号表征，即需要从目标调制信号中提取判别能力更强的统计特征，或通过特征工程和表征学习的方式，获取对调制信号更为完备、更具差异化的表征；另一方面在于设计更优的判决准则，以适应多样化的信道环境，从而提高信号调制方式识别的精度。

现有的信号调制方式识别方法可以粗略的分为两类，即基于似然的信号识别方法和基于特征的信号识别方法。其中:

基于似然的信号识别方法,是将调制方式识别问题看作是一种假设检验问题，计算目标信号的似然函数并与候选信号的值逐一比较。这种方法的基本假设是目标信号的概率密度函数是己知的，若实际接收信号的某些未知参数的概率密度分布与假想相同，则基于似然的分类方法可以最小化错误分类概率，给出贝叶斯意义下最优的信号识别方案。然而，随着接收信号样本中的不确定性増加，基于似然的方法的性能逐渐降低。此外，由于基于似然的分类器需要计算和存储多维概率分布函数，因此，该方法的计算复杂度和空间复杂度都很高，难以在实际中普遍应用。另外，频率偏移、相位偏移等参数估计误差也会造成概率分布函数的偏差，导致其识别性能大大受损。

基于特征的调制方式识别方法，是以基于似然的信号识别方法的问题为基础，提出了一种更为有效的解决方案。该方法首先对目标信号进行一系列的特征提取，获得对调制信号的有效表征，然后根据这些表征对信号的调制方式进行识别。基于特征的方法常用的判别特征包括瞬时时频特征、高阶统计特征、循环平稳特征和小波基特征等。相比于基于似然的信号识别方法，基于特征的方法无法获得理论上的最优结果，但也不需要进行参数估计和计算概率密度函数，此外，由于判别特征的统计特性，后者通常对信道环境的不确定性具有一定的鲁棒性。较少的先验信息需求、较低的计算复杂度和较强的鲁棒性使得基于特征的信号识别方法在无线电监测领域广泛应用。值得注意的是，如果判决机制设计合理、接收信号采样长度足够，基于特征的分类方法也能实现接近理论最优的识别性能。

现有文献对基于特征的信号调制方式识别方法进行了较为细致的研究。研究内容主要包括以下两个方面：

对于信号表征的提取，主要包括如下学者的研究成果:

Swami提出一种基于高阶累计量与分层模型的信号识别方法，虽然该方法对相位偏差具备一定的鲁棒性，但是其识别准确性不足，难以保证低信噪比环境下的识别性能。

Drobre等使用信号的循环平稳特性来区分调制方式。该方法可以在较低信噪比条件下准确识别频移键控类和低阶相移键控类的调制方式，但无法有效区分正交幅度调制类信号和高阶相位键控信号。此外，该方法的计算复杂度会随着循环谱精度的增加而增加。因此，在非合作的场景下，为了避免关键点丢失，需要较精细的循环谱特征，这就导致了较高的计算复杂度。

对于判决准则的选择上，常用的判决准则有门限判决法和最小距离法。门限判决法在大多数情况下，很难选定门限值，相对于其他方法来说分类的准确率很低。最小距离判决法虽然分类原理简单，容易理解，计算速度快。但因为它只考虑每类样本的均值，不考虑样本内部的方差，也不考虑各个样本间的协方差。所以分类准确率和精度并不高。

发明内容

本发明的目的在于克服上述现有技术的不足，提出一种基于高阶累积量的调制信号识别方法，旨在提高信号识别的准确率。

为实现上述目的，本发明的技术方案包括如下：

(1)通过matlab仿真获得8种调制信号，每种调制信号码元个数为2400个，得到原始训练数据集X1和测试数据集Y1，其中原始训练集X1和测试数据集Y1中每种调制信号码元个数各为1200个；

(2)对8种调制信号原始的训练数据集X1和测试数据集Y1进行加高斯白噪声处理，得到加噪后的训练数据集X2和测试数据集Y2；

(3)对训练数据集X2进行特征提取：

(3a)对训练数据集X2中各调制信号进行特征计算：

(3a1)根据公式M_pq＝E[X(t)^p-qX^*(t)^q]，计算训练数据集X2中各调制信号特征序列的P阶混合矩阵M₂₀、M₂₁、M₄₀、M₄₂、M₆₀、M₈₀，其中M_pq为p阶混合矩，p为高阶矩或者高阶累积量的阶数，q为高阶累积量中自变量的实际取值，q≤n，X(t)为各调制信号的特征序列，X^*(t)为X(t)的共轭，M₂₀是p＝2，q＝0时的二阶混合矩阵，M₂₁是p＝2，q＝1时的二阶混合矩阵，M₄₀是p＝4，q＝0时的四阶混合矩阵，M₄₂是p＝4，q＝2时的四阶混合矩阵，M₆₀是p＝6，q＝0时的六阶混合矩阵，M₈₀是p＝8，q＝0时的八阶混合矩阵；

(3a2)根据(3a1)中的P阶混合矩阵计算各调制信号特征序列的高阶累积量：

C₈₀＝M₈₀-28M₂₀M₆₀-35M² ₄₀+420M² ₂₀M₄₀-630M⁴ ₂₀、

C₄₂＝M₄₂-M² ₂₀-2M² ₂₁、

C₄₀＝M₄₀-3M² ₂₀、

其中，C₈₀是八阶累积量，C₄₀是4个X(t)相累积的四阶累积量，C₄₂表示2个X(t)与2个X^*(t)相累积的四阶累积量；

(3a3)将(3a2)中的高阶累积量两两组合，得到3组特征参数：F₁＝|C₈₀|/|C₄₂|²，F₂＝|C₄₀|/|C₄₂|，F₃＝|C₈₀|/|C₄₀|；

(3a4)将调制信号BPSK、2ASK、4PSK、16PSK带入到第一组特征参数F₁中，得到这4种调制信号的特征值；将调制信号QPSK、OQPSK带入到第二组特征参数F₂中，得到这2种调制信号的特征值；将调制信号8PSK、π/4-QPSK带入到第三组特征参数F₃中，得到这2种调制信号的特征值；

(3b)根据(3a4)的计算，得出特征序列训练数据集X3；

(4)将特征序列的训练数据集X3输入到现有的卷积神经网络CNN进行训练：

(4a)对卷积神经网络CNN进行权值的初始化；

(4b)给定目标输出值t1和误差的期望值e1；

(4c)将特征序列训练数据集X3中各调制信号的每个信号值经过卷积神经网络CNN的卷积层、下采样层、全连接层向前传播，得到输出值t2；

(4d)求出输出值t2与目标输出值t1之间的实际误差e2；

(4e)将实际误差e2与误差的期望值e1进行比较：

当e2>e1时，将实际误差e2传回网络中，依次求得全连接层、下采样层、卷积层的实际误差，并对各层误差求和得到实际总误差e3，再根据求得的实际总误差e3进行权值更新，返回(4c)再次进行训练；

当e2<＝e1时，结束训练，得到训练好的卷积神经网络CNN；

(4)将测试数据集Y2输入到训练好的卷积神经网络CNN中进行测试，得到8种调制信号的分类结果。

本发明与现有技术相比，具有如下优点：

1.本发明基于高阶累积量对调制信号进行特征提取，因其具有当高斯白噪声在高于二阶的累积量中恒等于零的优点，所以在通信信号传输过程中，通信信道虽然可能受到来自许多自然源的宽带高斯噪声，如众所周知的导体中的热噪声，或高温带来的传感器噪声等的影响，但通过用累积量计算后都等于零，提高了调制信号特征提取的准确率。

2.本发明基于卷积神经网络对调制信号进行分类识别，由于其是采用监督学习的方法，使用已知调制方式的样本数据对系统进行训练，拟合出合适的模型，应用该模型对新数据进行分类识别，不需要确定判决阈值，可直接使用所有特征同时进行计算；且在增加新的调制分类时，只需采集新的样本进行训练，不需要重新确定阈值和设计决策流程。

附图说明

图1为本发明的实现流程图。

具体实施方式

下面结合附图对本发明的具体实施例作进一步的详细描述。

参照图1、本实施例的实现步骤如下：

步骤1，获得8种调制信号。

通过matlab仿真获得8种调制信号，每种调制信号码元个数为2400个，得到原始训练数据集X1和测试数据集Y1，其中原始训练集X1和测试数据集Y1中每种调制信号码元个数各为1200个；

每种调制信号的数学表示式如下：

其中，α_k为码元序列，k＝1,2,3…N，N为码元长度，P(t)表示基带码元波形，T_s为码元宽度,A为信号的能量，△θ_c为相位抖动，s(t)为各调制信号，j表示复数单位。

步骤2，对8种调制信号添加高斯白噪声。

对8种调制信号原始的训练数据集X1和测试数据集Y1添加高斯白噪声，得到加噪后的训练数据集X2和测试数据集Y2；

含有高斯白噪声的各调制信号的数学表示式如下：

其中，n(t)为零均值的复高斯白噪声，X(t)为含有高斯白噪声的各调制信号。

步骤3，对加噪训练数据集X2进行特征提取，得到特征序列训练数据集X3。

(3a)对加噪训练数据集X2中各调制信号进行特征计算：

(3a1)根据公式M_pq＝E[X(t)^p-qX^*(t)^q]，计算加噪训练数据集X2中各调制信号的p阶混合矩阵M₂₀、M₂₁、M₄₀、M₄₂、M₆₀、M₈₀，其中M_pq为p阶混合矩，p为高阶矩或者高阶累积量的阶数，q为高阶累积量中自变量的实际取值，q≤n，X(t)为各调制信号，X^*(t)为X(t)的共轭；

M₂₀是p＝2，q＝0时的二阶混合矩阵，M₂₁是p＝2，q＝1时的二阶混合矩阵，M₄₀是p＝4，q＝0时的四阶混合矩阵，M₄₂是p＝4，q＝2时的四阶混合矩阵，M₆₀是p＝6，q＝0时的六阶混合矩阵，M₈₀是p＝8，q＝0时的八阶混合矩阵；

各阶混合矩阵的计算公式如下：

M₂₀＝E[X²(t)]、

M₂₁＝E[X(t)X^*(t)]、

M₄₀＝E[X⁴(t)]、

M₄₂＝E[X²(t)(X^*(t))²]、

M₆₀＝E[X⁶(t)]、

M₈₀＝E[X⁸(t)]；

(3a2)根据(3a1)中的p阶混合矩阵计算各调制信号特征序列的高阶累积量：

C₈₀＝M₈₀-28M₂₀M₆₀-35M² ₄₀+420M² ₂₀M₄₀-630M⁴ ₂₀、

C₄₂＝M₄₂-M² ₂₀-2M² ₂₁、

C₄₀＝M₄₀-3M² ₂₀、

其中，C₈₀是八阶累积量，C₄₀是4个X(t)相累积的四阶累积量，C₄₂表示2个X(t)与2个X^*(t)相累积的四阶累积量；

(3a3)将(3a2)中的高阶累积量两两组合，得到3组特征参数：F₁＝|C₈₀|/|C₄₂|²，F₂＝|C₄₀|/|C₄₂|，F₃＝|C₈₀|/|C₄₀|；

(3a4)将调制信号BPSK、2ASK、4PSK、16PSK带入到第一组特征参数F₁中，得到这4种调制信号的特征值，表示如下：

将调制信号QPSK、OQPSK带入到第二组特征参数F₂中，得到这2种调制信号的特征值，表示如下：

将调制信号8PSK、π/4-QPSK带入到第三组特征参数F₃中，得到这2种调制信号的特征值，表示如下：

(3b)根据(3a4)的计算，得出特征序列训练数据集X3，该X3中各个信号的特征值F表示如下：

步骤4，训练卷积神经网络CNN。

将特征序列的训练数据集X3输入到现有的卷积神经网络CNN进行训练：

(4a)对卷积神经网络CNN进行权值的初始化；

(4b)给定目标输出值t1和误差的期望值e1；

(4c)将特征序列训练数据集X3中各调制信号的每个信号值依次经过卷积神经网络CNN的卷积层、下采样层、全连接层向前传播，得到输出值t2；

(4d)求出输出值t2与目标输出值t1之间的实际误差e2；

(4e)将实际误差e2与误差的期望值e1进行比较：

若e2>e1，则将实际误差e2传回网络中，依次求得全连接层、下采样层、卷积层的实际误差，并对各层误差求和得到实际总误差e3，再根据求得的实际总误差e3进行权值更新，返回(4c)再次进行训练；

若e2<＝e1，则结束训练，得到训练好的卷积神经网络CNN。

步骤5，对训练好的神经网络CNN进行测试。

将测试数据集Y2输入到训练好的卷积神经网络CNN中进行测试，得到8种调制信号的分类结果。

本发明的效果可通过以下仿真进一步说明：

一.仿真条件

设信号源为MATLAB所产生的随机序列，系统采样频率设为100MHz，信号载波频率设为5MHz，定义码元速率为1000bps；

二.仿真内容

采用MATLAB软件对本实例的进行仿真识别验证，当信噪比大于20dB时，各个调制信号识别的准确率，如下表1所示：

表1：各调制信号识别的准确率

调制信号	调制信号识别的准确率
		BPSK	100％
2ASK	98.4％
		4PSK	99％
16PSK	98.1％
		QPSK	98.2％
OQPSK	98％
		8PSK	99.5％
π/4-QPSK	98.4％

由表1可见，当信噪比大于20dB时，各个调制信号识别的准确率可达到98％以上。

Claims (6)

1.一种基于高阶累积量的调制信号识别方法，其特征在于，包括如下：

(1)通过matlab仿真获得8种调制信号，每种调制信号码元个数为2400个，得到原始训练数据集X1和测试数据集Y1，其中原始训练集X1和测试数据集Y1中每种调制信号码元个数各为1200个；

(2)对8种调制信号原始的训练数据集X1和测试数据集Y1进行加高斯白噪声处理，得到加噪后的训练数据集X2和测试数据集Y2；

(3)对训练数据集X2进行特征提取：

(3a)对训练数据集X2中各调制信号进行特征计算：

(3a1)根据公式M_pq＝E[X(t)^p-qX^*(t)^q]，计算加噪训练数据集X2中各调制信号的p阶混合矩阵M₂₀、M₂₁、M₄₀、M₄₂、M₆₀、M₈₀，其中M_pq为p阶混合矩，p为高阶矩或者高阶累积量的阶数，q为高阶累积量中自变量的实际取值，q≤n，X(t)为各调制信号，X^*(t)为X(t)的共轭；

M₂₀是p＝2，q＝0时的二阶混合矩阵，M₂₁是p＝2，q＝1时的二阶混合矩阵，M₄₀是p＝4，q＝0时的四阶混合矩阵，M₄₂是p＝4，q＝2时的四阶混合矩阵，M₆₀是p＝6，q＝0时的六阶混合矩阵，M₈₀是p＝8，q＝0时的八阶混合矩阵；

(3a2)根据(3a1)中的p阶混合矩阵计算各调制信号特征序列的高阶累积量：

C₈₀＝M₈₀-28M₂₀M₆₀-35M² ₄₀+420M² ₂₀M₄₀-630M⁴ ₂₀、

C₄₂＝M₄₂-M² ₂₀-2M² ₂₁、

C₄₀＝M₄₀-3M² ₂₀、

其中，C₈₀是八阶累积量，C₄₀是4个X(t)相累积的四阶累积量，C₄₂表示2个X(t)与2个X^*(t)相累积的四阶累积量；

(3a3)将(3a2)中的高阶累积量两两组合，得到3组特征参数：F₁＝|C₈₀|/|C₄₂|²，F₂＝|C₄₀|/|C₄₂|，F₃＝|C₈₀|/|C₄₀|；

(3a4)将调制信号BPSK、2ASK、4PSK、16PSK带入到第一组特征参数F₁中，得到这4种调制信号的特征值；将调制信号QPSK、OQPSK带入到第二组特征参数F₂中，得到这2种调制信号的特征值；将调制信号8PSK、π/4-QPSK带入到第三组特征参数F₃中，得到这2种调制信号的特征值；

(3b)根据(3a4)的计算，得出特征序列训练数据集X3；

(4)将特征序列的训练数据集X3输入到现有的卷积神经网络CNN进行训练：

(4a)对卷积神经网络CNN进行权值的初始化；

(4b)给定目标输出值t1和误差的期望值e1；

(4c)将特征序列训练数据集X3中各调制信号的每个信号值经过卷积神经网络CNN的卷积层、下采样层、全连接层向前传播，得到输出值t2；

(4d)求出输出值t2与目标输出值t1之间的实际误差e2；

(4e)将实际误差e2与误差的期望值e1进行比较：

当e2>e1时，将实际误差e2传回网络中，依次求得全连接层、下采样层、卷积层的实际误差，并对各层误差求和得到实际总误差e3，再根据求得的实际总误差e3进行权值更新，返回(4c)再次进行训练；

当e2<＝e1时，结束训练，得到训练好的卷积神经网络CNN；

(4)将测试数据集Y2输入到训练好的卷积神经网络CNN中进行测试，得到8种调制信号的分类结果。

2.根据权利要求1所述的方法，其特征在于，步骤(3a1)中计算各调制信号的特征序列p阶混合矩阵，公式如下：

M₂₀＝E[X²(t)]、

M₂₁＝E[X(t)X^*(t)]、

M₄₀＝E[X⁴(t)]、

M₄₂＝E[X²(t)(X^*(t))²]、

M₆₀＝E[X⁶(t)]、

M₈₀＝E[X⁸(t)]；

其中，X(t)为任意一种调制信号的特征序列。

3.根据权利要求1所述的方法，其特征在于，步骤(3a1)中将调制信号BPSK、2ASK、4PSK、16PSK带入到第一组特征参数F₁中，得到这4种调制信号的特征值，表示如下：

4.根据权利要求1所述的方法，其特征在于，步骤(3a1)中将调制信号QPSK、OQPSK带入到第二组特征参数F₂中，得到这2种调制信号的特征值，表示如下：

5.根据权利要求1所述的方法，其特征在于，步骤(3a1)中将调制信号8PSK、π/4-QPSK带入到第三组特征参数F₃中，得到这2种调制信号的特征值，表示如下：

6.根据权利要求1所述的方法，其特征在于，步骤(3b)中得出的特征序列训练数据集X3，训练数据集X3中包括BPSK、2ASK、4PSK、16PSK、QPSK、OQPSK、8PSK、π/4-QPSK,各个信号的特征值F，表示如下：

Images