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
基于级联svm和全数字接收机的复合信号调制识别方法 Download PDFInfo
- Publication number
- CN111245756B CN111245756B CN202010103055.0A CN202010103055A CN111245756B CN 111245756 B CN111245756 B CN 111245756B CN 202010103055 A CN202010103055 A CN 202010103055A CN 111245756 B CN111245756 B CN 111245756B
- Authority
- CN
- China
- Prior art keywords
- signal
- signals
- spectrum
- mpsk
- modulation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
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
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Si(n)和Sq(n):
其中Kf和Ts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。
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,Ps(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=fc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=fk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Si(n)和Sq(n)如式(1)和式(2)所示:
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Ps(f)为单极性基带信号功率谱。如图2(a)所示,其频谱在f=fc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=fk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fs=2MHz,载波频率fc=500KHz,码元速率fb=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Si(n)和Sq(n):
其中Kf和Ts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;
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,Ps(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=fc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=fk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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103055.0A CN111245756B (zh) | 2020-02-19 | 2020-02-19 | 基于级联svm和全数字接收机的复合信号调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103055.0A CN111245756B (zh) | 2020-02-19 | 2020-02-19 | 基于级联svm和全数字接收机的复合信号调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111245756A CN111245756A (zh) | 2020-06-05 |
CN111245756B true CN111245756B (zh) | 2022-07-22 |
Family
ID=70865118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010103055.0A Active CN111245756B (zh) | 2020-02-19 | 2020-02-19 | 基于级联svm和全数字接收机的复合信号调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111245756B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112565127B (zh) * | 2020-11-26 | 2022-07-22 | 杭州电子科技大学 | 基于残差网络和频域图形的测控信号调制识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102571230A (zh) * | 2011-12-22 | 2012-07-11 | 中国人民解放军总参谋部第六十三研究所 | 基于高阶统计量与信噪比盲估计的分布式协同信号识别方法 |
WO2018176889A1 (zh) * | 2017-03-27 | 2018-10-04 | 华南理工大学 | 一种数字通信信号调制方式自动识别方法 |
CN110113278A (zh) * | 2019-04-30 | 2019-08-09 | 杭州电子科技大学 | 一种基于全数字接收机的调制方式识别方法 |
CN110244271A (zh) * | 2019-05-17 | 2019-09-17 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
-
2020
- 2020-02-19 CN CN202010103055.0A patent/CN111245756B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102571230A (zh) * | 2011-12-22 | 2012-07-11 | 中国人民解放军总参谋部第六十三研究所 | 基于高阶统计量与信噪比盲估计的分布式协同信号识别方法 |
WO2018176889A1 (zh) * | 2017-03-27 | 2018-10-04 | 华南理工大学 | 一种数字通信信号调制方式自动识别方法 |
CN110113278A (zh) * | 2019-04-30 | 2019-08-09 | 杭州电子科技大学 | 一种基于全数字接收机的调制方式识别方法 |
CN110244271A (zh) * | 2019-05-17 | 2019-09-17 | 中国人民解放军战略支援部队信息工程大学 | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 |
Non-Patent Citations (3)
Title |
---|
Specific radar emitter recognition based on wavelet packet transform and probabilistic SVM;Lin Li等;《IEEE》;20090818;全文 * |
一种基于支持向量机的数字调制识别方法;李侃等;《电路与系统学报》;20100615(第03期);全文 * |
窄宽带数模混合情况下调制方式识别;周盼等;《杭州电子科技大学学报(自然科学版)》;20200115(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111245756A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107948107B (zh) | 一种基于联合特征的数字调制信号分类方法 | |
CN110113278B (zh) | 一种基于全数字接收机的调制方式识别方法 | |
Hassan et al. | Automatic modulation recognition using wavelet transform and neural network | |
CN101834819A (zh) | 基于平行判决的模拟数字混合调制方式识别装置和数字调制方式识别装置 | |
CN111814777B (zh) | 一种基于特征量分级的调制样式识别方法 | |
CN111343116B (zh) | 密集信号环境下基于星座轨迹图的调制识别方法 | |
KR101722505B1 (ko) | 입력 신호의 변조 형태 인식 방법 및 장치 | |
CN110958199A (zh) | 一种基于多维特征提取的通信调制信号识别方法 | |
CN104363194A (zh) | 基于波形变换的psk调制识别方法 | |
CN111245756B (zh) | 基于级联svm和全数字接收机的复合信号调制识别方法 | |
CN104052703B (zh) | 一种微量采样数据数字调制识别方法 | |
CN110166389B (zh) | 基于最小二乘支持向量机的调制识别方法 | |
Laghate et al. | USRP N210 demonstration of wideband sensing and blind hierarchical modulation classification | |
CN109450829B (zh) | 数字调制信号码速率估计方法和装置 | |
CN108650203B (zh) | 一种基于侦察接收机的调制模式识别方法 | |
Ghauri | KNN based classification of digital modulated signals | |
CN109076038B (zh) | 用于对频带中包含的信号的参数进行估计的方法 | |
CN114422311A (zh) | 联合深度神经网络和专家先验特征的信号调制识别方法及系统 | |
CN112565126B (zh) | 一种基于接收机多维特征模数混合信号的调制识别方法 | |
CN109995690B (zh) | Mfsk数字信号子类调制识别的神经网络自优化方法 | |
CN112565127B (zh) | 基于残差网络和频域图形的测控信号调制识别方法 | |
CN116232823A (zh) | 基于多级盲数字接收机联合的幅相调制信号识别方法 | |
CN112333123B (zh) | 非合作psk水声通信信号多小波基自动优选基带解调方法 | |
CN111814703B (zh) | 一种非重构条件下基于hb的信号联合特征提取方法 | |
CN115378776A (zh) | 一种基于循环谱参数的mfsk调制识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221206 Address after: 310000 room 412, No. 68, Keye Road, Jianggan District, Hangzhou, Zhejiang Patentee after: Hangzhou Tianzhi RONGTONG Technology Co.,Ltd. Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang Patentee before: HANGZHOU DIANZI University |