CN111245756B - 基于级联svm和全数字接收机的复合信号调制识别方法 - Google Patents

Abstract

本发明公开了一种基于级联SVM和全数字接收机的复合信号调制识别方法。本发明步骤：1、将接收到的采样信号输入全数字接收机得到鉴相误差；2、获取鉴相误差的频谱图形用于区分MPSK‑FM、MT‑FM和2ASK‑FM信号；3、对被判别成MPSK信号的数据进行平方谱图形获取，用于区分BPSK‑FM和QPSK‑FM信号；4、通过级联SVM分类器实现对上述信号的分类。本发明的识别算法具有识别率高，低信噪比下性能出色的优势。本发明能够对复合调制FM信号(ASK‑FM、MTONE_FM、BPSK‑FM和QPSK‑FM)的调制方式进行准确地判断，识别正确率要比传统的基于部分特征提取和决策树分类的调制识别方法好。

Description

基于级联SVM和全数字接收机的复合信号调制识别方法

技术领域

本发明主要针对FM复合调制信号，主要涉及一种基于级联SVM和全数字接收机的复合信号调制识别方法。

背景技术

无线通信的快速发展衍生出越来越多复杂的信号类型，尤其随着物联网时代的来临，海量连接的逐步实现，各种广域低功耗的连接信号越来越多。传统的单一调制信号已经无法满足现代通信的要求，复合调制信号由于一般同时具有两种调制方式的优点并且两者的缺点也得到互补，已被广泛应用于新型通信信号中。因此针对复合调制信号和单一调制的混合信号开展调制识别方法和参数估计方法研究，对现在复杂通信环境下的调制识别技术发展具有重要意义。

目前对于复合调制信号的识别研究主要是基于局部信号特征和分类树的识别方法。该方法实现简单，实时性好，但其分类性能易受阈值影响且存在误差累积现象。支持向量机(SVM)算法是深度学习算法的一种，该算法可以从标记数据中进行鲁棒且快速的特征学习，通过提取一组数据的支持向量来实现分类，很好的避免了决策树方法的缺点，因此被广泛应用于模式识别等领域。

由此可见，将深度学习技术与通信信号调制识别技术结合起来，来实现对复合调制信号的模式识别有着非常广泛的应用前景。

发明内容

本发明的目的是解决测控系统中FM复合调制信号的识别问题，提出了一种基于级联SVM和全数字接收机的复合信号调制识别方法。通过全数字接收机的鉴相误差提取FM复合信号的内调制信息，使用级联SVM分类器对内调制信号的频谱和平方谱整体图形特征进行分类识别。理论分析和仿真实验表明，该算法与传统的基于局部信号特征和决策树分类的识别方法相比，有更好识别性能，特别是在低信噪比条件下。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1、将接收到的采样信号输入全数字接收机得到鉴相误差；

步骤2、获取鉴相误差的频谱图形用于区分MPSK-FM、MT-FM和2ASK-FM信号；

步骤3、对被判别成MPSK信号的数据进行平方谱图形获取，用于区分BPSK-FM和QPSK-FM信号；

步骤4、通过级联SVM分类器实现对上述信号的分类。

步骤1具体实现如下：

1-1.将接收到的采样信号与数控振荡器的两路输出相乘，通过FIR低通滤波器滤除和频分量，得到正交的两路信号S_i(n)和S_q(n)：

其中K_f和T_s均为常数，Δf为NCO初始频率与信号载频的差值，n为采样点数，θ(n)为NCO初始相位。

1-2.将S_i(n)和S_q(n)通过鉴相器得到鉴相误差

鉴相误差经过二阶环路滤波器滤波后反馈回数控振荡器直至环路达到稳定状态。此时有Δf→0且

因此得到稳定状态下的鉴相误差：

其中，K_f和T_s均为常数；因此鉴相后得到的

即为内调制信号m(n)。

步骤2具体实现如下：

2-1.对经过接收机处理后得到的内调制信号进行FFT变换，得到不同信号的频谱图形。

2-2.2ASK信号的功率谱密度表达式为：

式中，P_s(f)为单极性基带信号功率谱。因此2ASK信号的功率谱和频谱在其载频f＝f_c处存在单根谱线。

将多音调制信号看成多个不同载波的2ASK信号的叠加，因此有:

由式(6)可知多音调制信号的频谱在其载频f＝f_k处存在多根独立谱线。

MPSK信号的功率谱密度表达式与2ASK信号类似，但是不同的是其基带码元为双极性码，其频带宽度较宽，通常表现为宽带信号；因此2ASK信号的频谱图形中仅有一个峰值且其带宽极窄，多音信号的频谱峰值个数大于等于2，而MPSK信号的频谱图形具有单个峰值但带宽很宽的特点。

步骤3具体实现如下：

3-1.对MPSK信号，进行平方处理：

再对平方后的数据进行FFT，获取平方谱图形特征。

3-2.对于BPSK信号，a(n)，b(n)为相同的双极性码，因此将式(7)改写为：

因此BPSK信号的平方谱在直流和2倍载频处存在峰值，而对于QPSK信号，a(n)，b(n)并不相同，乘积在正负1之间跳变，因此其功率谱不包含2倍载频分量，仅在直流处存在峰值。

步骤4具体实现如下：

4-1.在分类时首先将两类PSK信号归为一类，并标记为MPSK。利用频谱图形数据训练SVM分类器1，实现对2ASK、MTONE和MPSK信号的区分。之后对识别为MPSK信号的数据进行平方谱图形数据获取，然后输入SVM分类器2，利用平方谱图形区分BPSK和QPSK信号。

4-2.训练时通过向信号文件中添加不同功率的噪声形成具有不同信噪比的混合信号，将此混合信号作为训练集，通过交叉验证方法得到SVM分类器的最佳参数C和γ。

4-3.最后将未知信号的内调制频谱图形输入SVM分类器，完成对未知信号的分类。

本发明有益效果如下：

1.本发明针对传统方法难以进行调制识别的复合信号，通过接收机和级联支持向量机可以实现了调制方式识别。

2.发明通过接收机输出的鉴相误差数据，提取内调制信号的频域图形特征，利用级联SVM算法实现复合调制信号(2ASK-FM、MTONE_FM、BPSK-FM和QPSK-FM)的调制方式识别，识别率高于传统的基于局部信号特征和决策树的分类方法。

3.本发明提供了解决复合信号调制识别问题的新思路，避免了传统算法对阈值的依赖，具有更高的识别率和更强的鲁棒性。

附图说明

图1 本发明中使用的全数字接收机原理图；

图2 基于鉴相误差得到的内调制信号的频谱图；

图3 MPSK信号的平方谱图形；

图4 基于级联SVM的调制识别流程图；

图5 SVM的关键参数C和γ对识别性能的影响；

图6 不同算法在不同信噪比下的识别率曲线。

具体实施方式

下面结合附图对本发明的具体实施例做进一步的说明。

如图1-6所示，一种基于级联SVM和全数字接收机的复合信号调制识别方法，具体实现步骤如下：

步骤1、将接收到的采样信号输入如图1所示的全数字接收机得到鉴相误差

步骤2、获取鉴相误差的频谱图形如图2所示，使用该频谱图形特征区分MPSK-FM、MT-FM和2ASK-FM信号；

步骤3、对被判别成MPSK信号的数据进行平方谱图形获取，其平方谱特征如图3所示，使用该平方谱特征区分BPSK-FM和QPSK-FM信号；

步骤4、通过如图4所示的级联SVM分类器实现对上述BPSK-FM和QPSK-FM信号的分类。

步骤1具体实现如下：

1-1.接收到的采样信号与数控振荡器的两路输出相乘，通过FIR低通滤波器滤除和频分量，得到正交的两路信号S_i(n)和S_q(n)如式(1)和式(2)所示：

1-2.将S_i(n)和S_q(n)通过鉴相器得到鉴相误差如式(3)所示，鉴相误差经过二阶环路滤波器滤波后反馈回数控振荡器直至环路达到稳定状态。此时有Δf→0且

因此得到稳定状态下的鉴相误差：

其中K_f和T_s均为常数，因此鉴相后得到的

即为内调制信号m(n)。

步骤2具体实现如下：

2-1.对经过接收机处理后得到的内调制信号进行FFT变换，得到不同信号的频谱图形。

2-2.式(5)为2ASK信号的功率谱密度表达式，式中P_s(f)为单极性基带信号功率谱。如图2(a)所示，其频谱在f＝f_c处存在单根谱线。

多音调制信号可以看成多个不同载波的2ASK信号的叠加，其表达式为式(6)。因此其频谱如图2(b)所示，其频谱在f＝f_k处存在多根独立谱线。

MPSK信号的功率谱密度表达式与2ASK信号类似，但是不同的是其基带码元为双极性码，如图2(c)和2(d)所示，其频谱表现为宽带信号。

步骤3具体实现如下：

3-1.对MPSK信号，利用式(7)对其进行平方处理，再对平方后的数据进行FFT，获取平方谱图形特征。

3-2.对于BPSK信号，a(n)，b(n)为相同的双极性码，因此式(7)改写为：

因此BPSK信号的平方谱在直流和2倍载频处存在峰值，去直流后其平方谱如图3中a所示。而对于QPSK信号，a(n)，b(n)并不相同，乘积在正负1之间跳变，因此其功率谱不包含2倍载频分量，仅在直流处存在峰值。去直流后其平方谱如图3中b所示。

步骤4具体实现如下：

4-1.分类的整体流程如图4所示：在分类时首先将两类PSK信号归为一类，并标记为MPSK。利用频谱图形数据训练SVM分类器1，实现对2ASK、MTONE和MPSK信号的区分。之后对识别为MPSK信号的数据进行平方谱图形数据获取，然后输入SVM分类器2，利用平方谱图形区分BPSK和QPSK信号。

4-2.训练时通过向信号文件中和添加不同功率的噪声形成具有不同信噪比的混合信号，将此混合信号作为训练集，通过交叉验证方法得到SVM分类器的最佳参数C和γ如图5所示。

4-3.最后将未知信号的内调制频谱图形输入SVM分类器，完成对未知信号的分类。

实施例：

仿真时使用中国电子科技集团某研究所提供的复合调制信号文件(信噪比很大，仿真时视为不含噪声)。已知信号采样频率f_s＝2MHz，载波频率f_c＝500KHz，码元速率f_b＝40kbps，FM调频系数为α＝0.005。副载波频率为f₁＝40KHz，MT-FM调制信号的副载波为f₁＝20KHz，f₂＝30KHz，f₃＝40KHz，f₄＝50KHz，f₅＝60KHz。

仿真时首先向信号文件中分别添加不同功率的高斯白噪声，形成信噪比分别为10dB和0dB的带噪声信号，然后每4096点为一组，产生不同信号类型、不同信噪比的信号各100组作为训练集，使用交叉验证方法寻找参数C和γ的最优值。即将样本分为多份，对于不同的参数按比例将部分数据作为训练集，另一部分作为测试集，并对识别率进行统计，将识别率最高的参数C和γ作为最佳参数。

使用最佳参数，保持训练集不变，在相同条件下产生不同信噪比的四种信号各200组作为测试集进行识别率测试。测试结果如图6所示，对于2ASK-FM信号和MT-FM信号，本专利方法的识别性能优于决策树分类算法，在0dB信噪比时识别率达到95％。对于BPSK-FM和QPSK-FM信号，决策树方法的识别性能较差，在8dB时识别率仅为92％，而本专利方法可以在3dB时识别率即可达到95％以上。

传统的SVM分类方案对四种信号使用一对一支持向量机时需要的分类器个数为M(M-1)/2＝6个，而本专利提出的级联SVM方案需要的分类器个数仅为M₁(M₁-1)/2+M₂(M₂-1)/2＝4个，且本专利方案中每个向量机要训练的特征数仅为传统方案的一半，因此在训练和识别速度上更有优势。综上所述可以看出，本算法与基于局部信号特征和决策树的分类方法相比，避免了对阈值设置的依赖，提高了低信噪比下的识别性能，识别率有了很大提高。

最后需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (1)

1.基于级联SVM和全数字接收机的复合信号调制识别方法，通过全数字接收机的鉴相误差提取FM复合信号的内调制信息，使用级联SVM分类器对内调制信号的频谱和平方谱整体图形特征进行分类识别，其特征在于包括以下步骤：

步骤1、将接收到的采样信号输入全数字接收机得到鉴相误差；

步骤2、获取鉴相误差的频谱图形用于区分MPSK-FM、MT-FM和2ASK-FM信号；

步骤3、对被判别成MPSK信号的数据进行平方谱图形获取，用于区分BPSK-FM和QPSK-FM信号；

步骤4、通过级联SVM分类器实现对BPSK-FM和QPSK-FM信号的分类；

所述的步骤1具体实现如下：

1-1.将接收到的采样信号与数控振荡器的两路输出相乘，通过FIR低通滤波器滤除和频分量，得到正交的两路信号S_i(n)和S_q(n)：

其中K_f和T_s均为常数，Δf为NCO初始频率与信号载频的差值，n为采样点数，θ(n)为NCO初始相位；

1-2.将S_i(n)和S_q(n)通过鉴相器得到鉴相误差

鉴相误差经过二阶环路滤波器滤波后反馈回数控振荡器直至环路达到稳定状态；此时有Δf→0且

因此得到稳定状态下的鉴相误差：

其中，K_f和T_s均为常数；因此鉴相后得到的

即为内调制信号m(n)；

步骤2具体实现如下：

2-1.对经过接收机处理后得到的内调制信号进行FFT变换，得到不同信号的频谱图形；

2-2.2ASK信号的功率谱密度表达式为：

式中，P_s(f)为单极性基带信号功率谱；因此2ASK信号的功率谱和频谱在其载频f＝f_c处存在单根谱线；

将多音调制信号看成多个不同载波的2ASK信号的叠加，因此有:

由式(6)可知多音调制信号的频谱在其载频f＝f_k处存在多根独立谱线；

根据频谱图形对信号进行判断：2ASK信号的频谱图形中仅有一个峰值且其带宽极窄，多音信号的频谱峰值个数大于等于2，而MPSK信号的频谱图形具有单个峰值但带宽很宽的特点；

步骤3具体实现如下：

3-1.对MPSK信号，进行平方处理：

再对平方后的数据进行FFT，获取平方谱图形特征；

3-2.对于BPSK信号，a(n)，b(n)为相同的双极性码，因此将式(7)改写为：

因此BPSK信号的平方谱在直流和2倍载频处存在峰值，而对于QPSK信号，a(n)，b(n)并不相同，乘积在正负1之间跳变，因此其功率谱不包含2倍载频分量，仅在直流处存在峰值；

步骤4具体实现如下：

4-1.在分类时首先将两类PSK信号归为一类，并标记为MPSK；利用频谱图形数据训练SVM分类器1，实现对2ASK、MTONE和MPSK信号的区分；之后对识别为MPSK信号的数据进行平方谱图形数据获取，然后输入SVM分类器2，利用平方谱图形区分BPSK和QPSK信号；

4-2.训练时通过向信号文件中添加不同功率的噪声形成具有不同信噪比的混合信号，将此混合信号作为训练集，通过交叉验证方法得到SVM分类器的最佳参数C和γ；

4-3.最后将未知信号的内调制频谱图形输入SVM分类器，完成对未知信号的分类。

Images