CN111327554A - 一种用于数字调制信号识别的特征提取方法 - Google Patents

一种用于数字调制信号识别的特征提取方法 Download PDF

Info

Publication number
CN111327554A
CN111327554A CN202010123014.8A CN202010123014A CN111327554A CN 111327554 A CN111327554 A CN 111327554A CN 202010123014 A CN202010123014 A CN 202010123014A CN 111327554 A CN111327554 A CN 111327554A
Authority
CN
China
Prior art keywords
signal sequence
processed
feature
signal
feature extraction
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.)
Granted
Application number
CN202010123014.8A
Other languages
English (en)
Other versions
CN111327554B (zh
Inventor
王超宇
邵怀宗
张伟
林静然
利强
潘晔
胡全
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010123014.8A priority Critical patent/CN111327554B/zh
Publication of CN111327554A publication Critical patent/CN111327554A/zh
Application granted granted Critical
Publication of CN111327554B publication Critical patent/CN111327554B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Abstract

本发明公开了一种用于数字调制信号识别的特征提取方法，包括以下步骤：S1：读入待处理信号的信号采样序列；S2：进行希尔伯特变换，得到最终的解析信号序列；S3：进行统计量特征提取，得到特征参数A；S4：进行瞬时统计特征提取，得到特征参数B‑H；S5：对特征参数A‑H进行特征优效组合，得到特征向量组；S6:将特征向量组输送到多分类器，完成数字调制信号的识别。本发明中，在对信号的瞬时信息获取多重统计参数，对现有参数进行简化和优化并加入新的特征参数，组成能够处理不同数字信号组合的优效特征提取模型，再输送到多分类器，就可实现多种数字信号的共同识别。

Description

一种用于数字调制信号识别的特征提取方法
技术领域
本发明属于信号调制技术领域，具体涉及一种用于数字调制信号识别的特征提取方法。
背景技术
在信号调制识别领域中，虽然国内外学者已经做了很多相关研究与探索，但随着通信技术的不断发展和通信样式的不断丰富，现有的识别方法不断暴露出其实用性差、缺乏适用性和整体功能存在缺陷等问题。除谱相关特征和小波变换特征等特征以外，常用调制识别方法中应用最广的统计性特征是从信号的瞬时信息中提取的多个特征参数，这些参数有部分至今还在沿用，但它们的适应性有限。
发明内容
本发明的目的是为了解决现有特征提取方法不全面的问题，提出了一种用于数字调制信号识别的特征提取方法。
本发明的技术方案是：一种用于数字调制信号识别的特征提取方法，包括以下步骤：
S1：读入待处理信号的信号采样序列；
S2：对待处理信号的信号采样序列进行希尔伯特变换，得到最终的解析信号序列S(n)；
S3：对解析信号序列S(n)进行统计量特征提取，得到特征参数A；
S4：基于特征参数A，对解析信号序列S(n)进行瞬时统计特征提取，得到特征参数B-H；
S5：对特征参数A-H进行特征优效组合，得到特征向量组，完成数字调制信号的特征提取；
S6：将特征向量组输送到多分类器进行识别，完成数字调制信号的识别。
本发明的有益效果是：本发明中，在对信号的瞬时信息获取多重统计参数，通过研究信号以及差分信号的瞬时幅度和瞬时频率等目标序列的统计性特征，对现有参数进行简化和优化并加入新的特征参数，组成能够处理不同数字信号组合的优效特征提取模型，再结合简单的由四层前馈神经网络构成的多分类器后，就可实现对包括ASK类、FSK类、PSK类和QAM类的多种数字信号的共同识别，其过程简单高效并且可识别信号种类多，解决了现有特征提取实用性差和不具备普适性的缺点。同时本方法降低了对先验信息的依赖程度，简化和优化个别特征的算法，提高特征提取效率，通过不同应用场景下的特征优效组合，可以让特征提取模型优效适用于数字信号的调制识别。
进一步地，步骤S3包括以下子步骤：
S31：将解析信号序列S(n)与其共轭序列S*(n)的对应元素相乘；
S32：将对应元素相乘后取均值，得到高阶矩参数，进行高阶累积量特征的计算，得到特征参数A。
上述进一步方案的有益效果是：在本发明中，因为处理后得到最终的解析信号序列S(n)的解析表达式可以表示出信号在任意时刻的瞬时特征，所以特征参数A提取出瞬时参数，完成对高阶累积量特征的简化。
进一步地，步骤S32中，高阶累积量特征的计算公式分别为：
C21＝M21
Figure BDA0002393566050000021
Figure BDA0002393566050000022
Figure BDA0002393566050000031
Figure BDA0002393566050000032
其中，各阶累积量的计算公式如下：
Figure BDA0002393566050000033
C41＝M41-3M20M21
Figure BDA0002393566050000034
Figure BDA0002393566050000035
Figure BDA0002393566050000036
Figure BDA0002393566050000037
Mpq＝E{[S(n)]p-q·[S*(n)]q}
其中，S(n)为解析信号序列，S*(n)为S(n)的共轭序列，n用来遍历解析信号序列S(n)的每个采样点，E[·]为求均值的运算，p为计算的高阶矩阶数，q为小于等于p的整数。
上述进一步方案的有益效果是：在本发明中，通过高阶矩参数可以进行高阶累积量特征的计算；得到简化后的信号高阶累积量具有良好的抑制高斯噪声的特性。
进一步地，步骤S4包括以下子步骤：
S41：基于特征参数A，对解析信号序列S(n)的瞬时幅度进行归一化，得到处理后的瞬时幅度a(n)；
S42：计算瞬时幅度a(n)的均值Mmean和方差Mvar，得到特征参数B，其计算公式分别为：
Figure BDA0002393566050000038
Figure BDA0002393566050000041
其中，n用来遍历解析信号序列S(n)的每个采样点，N为信号的采样点总数，a(n)为处理后的瞬时幅度；
S43：基于特征参数B，计算瞬时幅度a(n)的标准差系数M2和绝对值期望Ma，得到特征参数C；
S44：基于特征参数C，计算瞬时幅度a(n)的谱密度的最大值rdmax和rmax，得到特征参数D；
S45：基于特征参数D，计算解析信号序列S(n)的标准偏差dtanew和差分信号包络的方差系数Ra，得到特征参数E，其计算公式分别为：
Figure BDA0002393566050000042
Figure BDA0002393566050000043
其中，n用来遍历解析信号序列S(n)的每个采样点，N为解析信号序列S(n)的采样点总数，σ2为差分信号包络的方差，m为差分信号包络的均值；
S46：基于特征参数E，计算解析信号序列S(n)的处理后瞬时频率f(n)标准差
Figure BDA0002393566050000044
和处理后瞬时频率f(n)的绝对值标准偏差σf，得到特征参数F，其计算公式分别为：
Figure BDA0002393566050000045
Figure BDA0002393566050000046
其中，n用来遍历解析信号序列S(n)的每个采样点，N为解析信号序列S(n)的采样点总数，f(n)为解析信号序列S(n)的处理后瞬时频率；
S47：基于特征参数F，计算解析信号序列S(n)的归一化频谱密度Px的统计参数Jnew，得到特征参数G，其计算公式分别为：
Figure BDA0002393566050000051
Figure BDA0002393566050000052
其中，n用来遍历解析信号序列S(n)的每个采样点，N为解析信号序列S(n)的采样点总数，Pxx为解析信号序列S(n)的频谱；
S48：基于特征参数G，计算解析信号序列S(n)的两个标准差系数S2和S4，得到特征参数H。
上述进一步方案的有益效果是：在本发明中，采用上述步骤得到特征参数B-H，用于和特征参数A进行特征优效组合。
进一步地，步骤S42中，瞬时幅度a(n)的均值Mmean和方差Mvar的计算公式分别为：
Figure BDA0002393566050000053
Figure BDA0002393566050000054
步骤S43中，对瞬时幅度a(n)进行二次归一化得到中间瞬时幅度a1(n)，计算其标准差系数M2和绝对值期望Ma，其计算公式分别为：
Figure BDA0002393566050000055
Figure BDA0002393566050000061
Figure BDA0002393566050000062
其中，n用来遍历解析信号序列S(n)的每个采样点，N为信号的采样点总数，a(n)为处理后的瞬时幅度，E[·]为求均值的运算。
上述进一步方案的有益效果是：在本发明中，对瞬时幅度a(n)进行二次归一化处理可以消除信道增益的影响，有利于计算标准差系数M2和绝对值期望Ma。
进一步地，步骤S44中，对瞬时幅度a(n)分别进行差分处理和绝对值处理得到差分处理后的瞬时幅度a2(n)和绝对值处理后的瞬时幅度acn(n)，计算其谱密度最大值的公式分别为：
a2(n)＝a(n+1)-a(n)
Figure BDA0002393566050000063
Figure BDA0002393566050000064
rdmax＝max{|DFT(a2(n))/N)|}
rmax＝max{|DFT(|acn(n)|)/N)}
其中，n用来遍历解析信号序列S(n)的每个采样点，N为信号的采样点总数，a(n)为处理后的瞬时幅度，ma为a(n)的平均值。
上述进一步方案的有益效果是：在本发明中，利用对瞬时幅度a(n)先分别进行差分处理和绝对值处理，用于计算其各自的谱密度最大值，便于得到特征参数D。
进一步地，步骤S46中，将一个线性滤波器和一个非线性滤波器组合处理解析信号序列S(n)的瞬时频率，得到处理后瞬时频率f(n)。
上述进一步方案的有益效果是：在本发明中，在提取瞬时频率特征前，先将一个线性滤波器和一个非线性滤波器组合起来处理瞬时频率，以消除脉冲噪声的影响并抑制宽带噪声，使处理后的瞬时频率更接近于信号的真实瞬时频率。
进一步地，步骤S48包括以下子步骤：
S481：对解析信号序列S(n)的二次方谱和四次方谱进行两次零中心化-正值筛选，得到处理后的二次方谱Pxx2和四次方谱Pxx4；
S482：根据处理后的二次方谱Pxx2和四次方谱Pxx4分别计算其标准差系数S2和S4，得到特征参数H，其计算公式分别为：
Figure BDA0002393566050000071
Figure BDA0002393566050000072
其中，n用来遍历解析信号序列S(n)的每个采样点，N为解析信号序列S(n)的采样点总数，Pxx2为处理后的二次方谱，Pxx4为处理后的四次方谱。
上述进一步方案的有益效果是：在本发明中，计算得到的标准差系数S2和S4可以代替谱线检测工作，实现对特征参数的简化，也有利于后续的特种特征参数优效组合。
进一步地，步骤S5中，对特征参数A-H进行特征优效组合，得到的特征向量组包括A+B+C+D+E组合、F+G+H组合和A+B+C+D+E+F+G+H整体性组合。
上述进一步方案的有益效果是：在本发明中，对于A+B+C+D+E组合，各种调制信号在时域波形丰富度、瞬时幅度分布密集度和幅度信息稳定度等方面存在着各种差异。因此可以利用高阶累积量特征联合表征信号瞬时幅度变化情况的统计参数来区分开不同类别的信号。
对于F+G+H组合，通过分析频谱、功率谱以及高次方谱的各种统计分布特性，如标准偏差、变异系数和标准差系数等，可以比较出不同调制样式信号的瞬时频率分布的密集性、离散谱线的存在状况、归一化频谱密度和高次方谱的数据离散程度等。
对于A+B+C+D+E+F+G+H整体性组合，除了可实现以上区分效果的叠加以外，还联合高阶累积量特征、瞬时幅度和瞬时频率的多个统计性特征，可以实现多种数字信号的共同识别。
进一步地，步骤S6中，多分类器由四层前馈神经网络构成。
上述进一步方案的有益效果是：在本发明中，将进行优效组合后的特征参数输送到由四层前馈神经网络构成的多分类器就可以完成数字调制识别。
附图说明
图1为数字调制信号识别的特征提取方法的流程图；
图2为步骤S3的流程图；
图3为步骤S4的流程图；
图4为步骤S48的流程图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了一种用于数字调制信号识别的特征提取方法，包括以下步骤：
S1：读入待处理信号的信号采样序列；
S2：对待处理信号的信号采样序列进行希尔伯特变换，得到最终的解析信号序列S(n)；
S3：对解析信号序列S(n)进行统计量特征提取，得到特征参数A；
S4：基于特征参数A，对解析信号序列S(n)进行瞬时统计特征提取，得到特征参数B-H；
S5：对特征参数A-H进行特征优效组合，得到特征向量组，完成数字调制信号的特征提取；
S6：将特征向量组输送到多分类器进行识别，完成数字调制信号的识别。
在本发明实施例中，如图2所示，步骤S3包括以下子步骤：
S31：将解析信号序列S(n)与其共轭序列S*(n)的对应元素相乘；
S32：将对应元素相乘后取均值，得到高阶矩参数，进行高阶累积量特征的计算，得到特征参数A。
在本发明中，因为处理后得到最终的解析信号序列S(n)的解析表达式可以表示出信号在任意时刻的瞬时特征，所以特征参数A提取出瞬时参数，完成对高阶累积量特征的简化。
在本发明实施例中，如图2所示，步骤S32中，基于累积量的特征计算公式分别为：
在实际通信信号调制样式识别中，可采用能抑制高斯噪声的高阶累积量来对随机信号进行处理。k阶平稳随机过程的k阶累积量定义为：
Ckx(τ1,τ2,...,τk-1)＝Cum(x(t),x(t+τ1),...,x(t+τk-1))
对于一个零均值的复平稳随机过程x(t)，定义其p阶混合矩为：
Mpq＝E{[x(t)]p-q·[x*(t)]q}
在物理学中，矩通过距离来表征对象的空间分布；在统计学中，矩可以表征随机量的分布，其中高阶中心矩更能体现分布形状的相关信息。在信号处理中，信号的解析表达式可以表示出信号在任意时刻的瞬时特征，通过差异化处理其实部和虚部之间的关系可以提取出瞬时参数；信号高阶累积量具有良好的抑制高斯噪声的特性。
基于以上考量，当待识别的信号序列为频带信号时，对其进行希尔伯特变换后获取其解析形式，再通过解析信号序列S(n)和其共轭序列S*(n)进行以下几种高阶累积量特征的计算：
C21＝M21
Figure BDA0002393566050000101
Figure BDA0002393566050000102
Figure BDA0002393566050000103
Figure BDA0002393566050000104
其中，各阶累积量的计算公式如下：
Figure BDA0002393566050000105
C41＝M41-3M20M21
Figure BDA0002393566050000106
Figure BDA0002393566050000107
Figure BDA0002393566050000108
Figure BDA0002393566050000109
Mpq＝E{[S(n)]p-q·[S*(n)]q}
其中，S(n)为解析信号序列，S*(n)为S(n)的共轭序列，n用来遍历解析信号序列S(n)的每个采样点，E[·]为求均值的运算，p为计算的高阶矩阶数，q为小于等于p的整数。
在本发明中，通过高阶矩参数可以进行高阶累积量特征的计算；得到简化后的信号高阶累积量具有良好的抑制高斯噪声的特性。
在本发明实施例中，如图3所示，步骤S4包括以下子步骤：
S41：基于特征参数A，对解析信号序列S(n)的瞬时幅度进行归一化，得到处理后的瞬时幅度a(n)；
S42：计算瞬时幅度a(n)的均值Mmean和方差Mvar，得到特征参数B，其计算公式分别为：
Figure BDA0002393566050000111
Figure BDA0002393566050000112
其中，n用来遍历解析信号序列S(n)的每个采样点，N为信号的采样点总数，a(n)为处理后的瞬时幅度；
S43：基于特征参数B，计算瞬时幅度a(n)的标准差系数M2和绝对值期望Ma，得到特征参数C；
S44：基于特征参数C，计算瞬时幅度a(n)的谱密度的最大值rdmax和rmax，得到特征参数D；
S45：基于特征参数D，计算解析信号序列S(n)的标准偏差dtanew和差分信号包络的方差系数Ra，得到特征参数E，其计算公式分别为：
Figure BDA0002393566050000113
Figure BDA0002393566050000114
其中，n用来遍历解析信号序列S(n)的每个采样点，N为解析信号序列S(n)的采样点总数，σ2为差分信号包络的方差，m为差分信号包络的均值；
S46：基于特征参数E，计算解析信号序列S(n)的处理后瞬时频率f(n)标准差
Figure BDA0002393566050000121
和处理后瞬时频率f(n)的绝对值标准偏差σf，得到特征参数F，其计算公式分别为：
Figure BDA0002393566050000122
Figure BDA0002393566050000123
其中，n用来遍历解析信号序列S(n)的每个采样点，N为解析信号序列S(n)的采样点总数，f(n)为解析信号序列S(n)的处理后瞬时频率；
S47：基于特征参数F，计算解析信号序列S(n)的归一化频谱密度Px的统计参数Jnew，得到特征参数G，其计算公式分别为：
Figure BDA0002393566050000124
Figure BDA0002393566050000125
其中，n用来遍历解析信号序列S(n)的每个采样点，N为解析信号序列S(n)的采样点总数，Pxx为解析信号序列S(n)的频谱；
S48：基于特征参数G，计算解析信号序列S(n)的两个标准差系数S2和S4，得到特征参数H。
在本发明中，采用上述步骤得到特征参数B-H，用于和特征参数A进行特征优效组合。
在本发明实施例中，如图3所示，步骤S42中，瞬时幅度a(n)的均值Mmean和方差Mvar的计算公式分别为：
Figure BDA0002393566050000131
Figure BDA0002393566050000132
步骤S43中，对瞬时幅度a(n)进行二次归一化得到中间瞬时幅度a1(n)，计算其标准差系数M2和绝对值期望Ma，其计算分别公式为：
Figure BDA0002393566050000133
Figure BDA0002393566050000134
Figure BDA0002393566050000135
其中，n用来遍历解析信号序列S(n)的每个采样点，N为信号的采样点总数，a(n)为处理后的瞬时幅度，E[·]为求均值的运算。
在本发明中，对瞬时幅度a(n)进行二次归一化处理可以消除信道增益的影响，有利于计算标准差系数M2和绝对值期望Ma。
在本发明实施例中，如图3所示，步骤S44中，对瞬时幅度a(n)分别进行差分处理和绝对值处理得到差分处理后的瞬时幅度a2(n)和绝对值处理后的瞬时幅度acn(n)，计算其谱密度最大值的公式分别为：
a2(n)＝a(n+1)-a(n)
Figure BDA0002393566050000136
Figure BDA0002393566050000137
rdmax＝max{|DFT(a2(n))/N)|}
rmax＝max{|DFT(|acn(n)|)/N)|}
其中，n用来遍历解析信号序列S(n)的每个采样点，N为信号的采样点总数，a(n)为处理后的瞬时幅度，ma为a(n)的平均值。
在本发明中，利用对瞬时幅度a(n)先分别进行差分处理和绝对值处理，用于计算其各自的谱密度最大值，便于得到特征参数D。
在本发明实施例中，如图3所示，步骤S46中，将一个线性滤波器和一个非线性滤波器组合处理解析信号序列S(n)的瞬时频率，得到处理后瞬时频率f(n)。
在本发明中，在提取瞬时频率特征前，先将一个线性滤波器和一个非线性滤波器组合起来处理瞬时频率，以消除脉冲噪声的影响并抑制宽带噪声，使处理后的瞬时频率更接近于信号的真实瞬时频率。
在本发明实施例中，如图4所示，步骤S48包括以下子步骤：
S481：对解析信号序列S(n)的二次方谱和四次方谱进行两次零中心化-正值筛选，得到处理后的二次方谱Pxx2和四次方谱Pxx4；
S482：根据处理后的二次方谱Pxx2和四次方谱Pxx4分别计算其标准差系数S2和S4，得到特征参数H，其计算公式分别为：
Figure BDA0002393566050000141
Figure BDA0002393566050000142
其中，n用来遍历解析信号序列S(n)的每个采样点，N为解析信号序列S(n)的采样点总数，Pxx2为处理后的二次方谱，Pxx4为处理后的四次方谱。
在本发明中，计算得到的标准差系数S2和S4可以代替谱线检测工作，实现对特征参数的简化，也有利于后续的特种特征参数优效组合。
在本发明实施例中，如图1所示，步骤S5中，对特征参数A-H进行特征优效组合，得到的特征向量组包括A+B+C+D+E组合、F+G+H组合和A+B+C+D+E+F+G+H整体性组合。
在本发明中，对于A+B+C+D+E组合，各种调制信号在时域波形丰富度、瞬时幅度分布密集度和幅度信息稳定度等方面存在着各种差异。因此可以利用高阶累积量特征联合表征信号瞬时幅度变化情况的统计参数来区分开不同类别的信号，如ASK、QAM、PSK、FSK信号间的大类区分，以及ASK信号、PSK信号和QAM信号的类内区分。
对于F+G+H组合，通过分析频谱、功率谱以及高次方谱的各种统计分布特性，如标准偏差、变异系数和标准差系数等，可以比较出不同调制样式信号的瞬时频率分布的密集性、离散谱线的存在状况、归一化频谱密度和高次方谱的数据离散程度等，进而可以帮助实现FSK信号、PSK信号和QAM信号的类内区分。
对于A+B+C+D+E+F+G+H整体性组合，除了可实现以上区分效果的叠加以外，还联合高阶累积量特征、瞬时幅度和瞬时频率的多个统计性特征，可以实现对包括ASK类(2ASK，4ASK和8ASK)、FSK类(MSK，GMSK，2FSK和4FSK)、PSK类(BPSK，QPSK，8PSK，UQPSK和OQPSK)和QAM类(8QAM，16QAM，32QAM，64QAM，128QAM和256QAM)的多种数字信号的共同识别。
在具体应用中，可以根据待识别数字信号所处的环境，按照上述类别进行特征组合后，将得到的特征参数组成特征向量组作为特征提取模型处理后的结果，后续将其输送到由四层前馈神经网络构成的多分类器就可以完成数字调制识别。在本发明中仅列举了三种情况下的组合方式，具体的特征的选取和组合可以根据实际应用中的需求进行个性化定制。
在本发明实施例中，如图1所示，步骤S6中，多分类器由四层前馈神经网络构成。
在本发明中，将进行优效组合后的特征参数输送到由四层前馈神经网络构成的多分类器就可以完成数字调制识别。
本发明的工作原理及过程为：本发明的识别方法首先读入待处理的解析信号序列，再对其依次进行统计量特征提取和瞬时统计特征提取，得到特征参数A-H，最后根据实际需求对特征参数A-H进行特征优效组合。另外，在提取瞬时幅度特征前，先用平均值来对解析信号序列的瞬时幅度进行归一化来消除信道增益的影响得到处理后的瞬时幅度；在提取瞬时频率特征前，先将一个线性滤波器和一个非线性滤波器组合起来处理瞬时频率，以消除脉冲噪声的影响并抑制宽带噪声，使得到的瞬时频率更接近于信号的真实瞬时频率；在提取信号频谱的统计特性前，先利用待识别信号的频谱来获得归一化频谱密度，再对信号的归一化频谱密度进行统计分析。
同时，本发明在特征提取方面有如下改进：(1)进行多元参数统一的归一化处理，如计算两次零中心归一化瞬时幅度的系数，求归一化功率谱密度的标准差系数和归一化频谱密度的变异系数等；(2)对差分后的瞬时幅度再求其绝对值的标准差，得到改进的零中心归一化瞬时幅度绝对值的标准偏差，完成对特征参数的改进；(3)对二次方谱和四次方谱进行两次“零中心化-正值筛选”后，计算其标准差系数来代替谱线检测工作，完成对特征参数的简化。
在优效特征模型构成方面有如下改进：通过对特征参数原理和不同特征分布曲线的差异性分析，将多个特征参数组合成三种有效特征提取模型，可根据数字通信环境的不同进行选择，进而实现数字信号的有效调制识别。
本发明的有益效果为：本发明中，在对信号的瞬时信息获取多重统计参数，通过研究信号以及差分信号的瞬时幅度和瞬时频率等目标序列的统计性特征，对现有参数进行简化和优化并加入新的特征参数，组成能够处理不同数字信号组合的优效特征提取模型，再结合简单的由四层前馈神经网络构成的多分类器后，就可实现对包括ASK类、FSK类、PSK类和QAM类的多种数字信号的共同识别，其过程简单高效并且可识别信号种类多，解决了现有特征提取实用性差和不具备普适性的缺点。同时本方法降低了对先验信息的依赖程度，简化和优化个别特征的算法，提高特征提取效率，通过不同应用场景下的特征优效组合，可以让特征提取模型优效适用于数字信号的调制识别。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (10)

1.一种用于数字调制信号识别的特征提取方法，其特征在于，包括以下步骤：
S1：读入待处理信号的信号采样序列；
S2：对待处理信号的信号采样序列进行希尔伯特变换，得到最终的解析信号序列S(n)；
S3：对解析信号序列S(n)进行统计量特征提取，得到特征参数A；
S4：基于特征参数A，对解析信号序列S(n)进行瞬时统计特征提取，得到特征参数B-H；
S5：对特征参数A-H进行特征优效组合，得到特征向量组，完成数字调制信号的特征提取；
S6：将特征向量组输送到多分类器进行识别，完成数字调制信号的识别。
2.根据权利要求1所述的用于数字调制信号识别的特征提取方法，其特征在于，所述步骤S3包括以下子步骤：
S31：将解析信号序列S(n)与其共轭序列S*(n)的对应元素相乘；
S32：将对应元素相乘后取均值，得到高阶矩参数，进行高阶累积量特征的计算，得到特征参数A。
3.根据权利要求2所述的用于数字调制信号识别的特征提取方法，其特征在于，所述步骤S32中，高阶累积量特征的计算公式分别为：
C21＝M21
Figure FDA0002393566040000011
Figure FDA0002393566040000012
Figure FDA0002393566040000013
Figure FDA0002393566040000021
其中，各阶累积量的计算公式如下：
Figure FDA0002393566040000022
C41＝M41-3M20M21
Figure FDA0002393566040000023
Figure FDA0002393566040000024
Figure FDA0002393566040000025
Figure FDA0002393566040000026
Mpq＝E{[S(n)]p-q·[S*(n)]q}
其中，S(n)为解析信号序列，S*(n)为S(n)的共轭序列，n用来遍历解析信号序列S(n)的每个采样点，E[·]为求均值的运算，p为计算的高阶矩阶数，q为小于等于p的整数。
4.根据权利要求1所述的用于数字调制信号识别的特征提取方法，其特征在于，所述步骤S4包括以下子步骤：
S41：基于特征参数A，对解析信号序列S(n)的瞬时幅度进行归一化，得到处理后的瞬时幅度a(n)；
S42：计算瞬时幅度a(n)的均值Mmean和方差Mvar，并将其作为特征参数B，其计算公式分别为：
Figure FDA0002393566040000027
Figure FDA0002393566040000028
其中，n用来遍历解析信号序列S(n)的每个采样点，N为信号的采样点总数，a(n)为处理后的瞬时幅度；
S43：基于特征参数B，计算瞬时幅度a(n)的标准差系数M2和绝对值期望Ma，得到特征参数C；
S44：基于特征参数C，计算瞬时幅度a(n)的谱密度的最大值rdmax和rmax，得到特征参数D；
S45：基于特征参数D，计算解析信号序列S(n)的标准偏差dtanew和差分信号包络的方差系数Ra，得到特征参数E，其计算公式分别为：
Figure FDA0002393566040000031
Figure FDA0002393566040000032
其中，n用来遍历解析信号序列S(n)的每个采样点，N为解析信号序列S(n)的采样点总数，σ2为差分信号包络的方差，m为差分信号包络的均值；
S46：基于特征参数E，计算解析信号序列S(n)的处理后瞬时频率f(n)标准差
Figure FDA0002393566040000033
和处理后瞬时频率f(n)的绝对值标准偏差σf，得到特征参数F，其计算公式分别为：
Figure FDA0002393566040000034
Figure FDA0002393566040000035
其中，n用来遍历解析信号序列S(n)的每个采样点，N为解析信号序列S(n)的采样点总数，f(n)为解析信号序列S(n)的处理后瞬时频率；
S47：基于特征参数F，计算解析信号序列S(n)的归一化频谱密度Px的统计参数Jnew，得到特征参数G，其计算公式分别为：
Figure FDA0002393566040000041
Figure FDA0002393566040000042
其中，n用来遍历解析信号序列S(n)的每个采样点，N为解析信号序列S(n)的采样点总数，Pxx为解析信号序列S(n)的频谱；
S48：基于特征参数G，计算解析信号序列S(n)的两个标准差系数S2和S4，得到特征参数H。
5.根据权利要求4所述的用于数字调制信号识别的特征提取方法，其特征在于，所述步骤S42中，瞬时幅度a(n)的均值Mmean和方差Mvar的计算公式分别为：
Figure FDA0002393566040000043
Figure FDA0002393566040000044
所述步骤S43中，对瞬时幅度a(n)进行二次归一化得到中间瞬时幅度a1(n)，计算其标准差系数M2和绝对值期望Ma，其计算公式分别为：
Figure FDA0002393566040000045
Figure FDA0002393566040000046
Figure FDA0002393566040000047
其中，n用来遍历解析信号序列S(n)的每个采样点，N为信号的采样点总数，a(n)为处理后的瞬时幅度，E[·]为求均值的运算。
6.根据权利要求4所述的用于数字调制信号识别的特征提取方法，其特征在于，所述步骤S44中，对瞬时幅度a(n)分别进行差分处理和绝对值处理得到差分处理后的瞬时幅度a2(n)和绝对值处理后的瞬时幅度acn(n)，计算其谱密度最大值的公式分别为：
a2(n)＝a(n+1)-a(n)
Figure FDA0002393566040000051
Figure FDA0002393566040000052
rdmax＝max{|DFT(a2(n))/N)|}
rmax＝max{|DFT(|acn(n)|)/N)|}
其中，n用来遍历解析信号序列S(n)的每个采样点，N为信号的采样点总数，a(n)为处理后的瞬时幅度，ma为a(n)的平均值。
7.根据权利要求4所述的用于数字调制信号识别的特征提取方法，其特征在于，所述步骤S46中，将一个线性滤波器和一个非线性滤波器组合处理解析信号序列S(n)的瞬时频率，得到处理后瞬时频率f(n)。
8.根据权利要求4所述的用于数字调制信号识别的特征提取方法，其特征在于，所述步骤S48包括以下子步骤：
S481：对解析信号序列S(n)的二次方谱和四次方谱进行两次零中心化-正值筛选，得到处理后的二次方谱Pxx2和四次方谱Pxx4；
S482：根据处理后的二次方谱Pxx2和四次方谱Pxx4分别计算其标准差系数S2和S4，得到特征参数H，其计算公式分别为：
Figure FDA0002393566040000053
Figure FDA0002393566040000061
其中，n用来遍历解析信号序列S(n)的每个采样点，N为解析信号序列S(n)的采样点总数，Pxx2为处理后的二次方谱，Pxx4为处理后的四次方谱。
9.根据权利要求1所述的用于数字调制信号识别的特征提取方法，其特征在于，所述步骤S5中，对特征参数A-H进行特征优效组合，得到的特征向量组包括A+B+C+D+E组合、F+G+H组合和A+B+C+D+E+F+G+H整体性组合。
10.根据权利要求1所述的用于数字调制信号识别的特征提取方法，其特征在于，所述步骤S6中，多分类器由四层前馈神经网络构成。
CN202010123014.8A 2020-02-27 2020-02-27 一种用于数字调制信号识别的特征提取方法 Active CN111327554B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010123014.8A CN111327554B (zh) 2020-02-27 2020-02-27 一种用于数字调制信号识别的特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010123014.8A CN111327554B (zh) 2020-02-27 2020-02-27 一种用于数字调制信号识别的特征提取方法

Publications (2)

Publication Number Publication Date
CN111327554A true CN111327554A (zh) 2020-06-23
CN111327554B CN111327554B (zh) 2021-03-30

Family

ID=71169173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010123014.8A Active CN111327554B (zh) 2020-02-27 2020-02-27 一种用于数字调制信号识别的特征提取方法

Country Status (1)

Country Link
CN (1) CN111327554B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111800359A (zh) * 2020-09-07 2020-10-20 中国人民解放军国防科技大学 一种通信信号调制方式的识别方法、装置、设备及介质
CN111901265A (zh) * 2020-06-29 2020-11-06 电子科技大学 一种常用卫星通信数字调制方式识别方法
CN112333120A (zh) * 2020-11-09 2021-02-05 电子科技大学 基于pca的信道增益矩阵的特征提取方法
CN113162879A (zh) * 2021-04-30 2021-07-23 桂林电子科技大学 一种联合特征提取的调制信号识别方法
CN114254680A (zh) * 2022-02-28 2022-03-29 成都大公博创信息技术有限公司 基于多特征信息的深度学习网络调制识别方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102710572A (zh) * 2012-07-06 2012-10-03 江苏省邮电规划设计院有限责任公司 一种通信信号的特征提取与调制识别方法
CN107948107A (zh) * 2017-11-16 2018-04-20 成都玖锦科技有限公司 一种基于联合特征的数字调制信号分类方法
KR20180079050A (ko) * 2016-12-30 2018-07-10 국방과학연구소 딥 러닝 기반의 변조 방식 분류 방법
CN108540202A (zh) * 2018-03-15 2018-09-14 西安电子科技大学 一种卫星通信信号调制方式识别方法、卫星通信系统
CN108768907A (zh) * 2018-01-05 2018-11-06 南京邮电大学 一种基于瞬时特征统计量和bp神经网络的调制识别方法
CN108830308A (zh) * 2018-05-31 2018-11-16 西安电子科技大学 一种基于信号的传统特征与深度特征融合的调制识别方法
CN109067678A (zh) * 2018-06-22 2018-12-21 达新宇 基于高阶累积量wfrft信号级联调制识别方法、无线通信系统
CN110166387A (zh) * 2019-05-22 2019-08-23 中国电力科学研究院有限公司 一种基于卷积神经网络识别信号调制方式的方法及系统
CN110300077A (zh) * 2019-04-15 2019-10-01 南京邮电大学 基于极端学习机的空间相关mimo系统的盲调制识别算法
CN110598677A (zh) * 2019-10-08 2019-12-20 电子科技大学 一种用于自动调制识别的时空多通道深度学习系统
KR102073935B1 (ko) * 2018-12-24 2020-02-05 충남대학교산학협력단 전파신호 변조인식시스템
CN110798275A (zh) * 2019-10-16 2020-02-14 西安科技大学 一种矿井多模无线信号精确识别方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102710572A (zh) * 2012-07-06 2012-10-03 江苏省邮电规划设计院有限责任公司 一种通信信号的特征提取与调制识别方法
KR20180079050A (ko) * 2016-12-30 2018-07-10 국방과학연구소 딥 러닝 기반의 변조 방식 분류 방법
CN107948107A (zh) * 2017-11-16 2018-04-20 成都玖锦科技有限公司 一种基于联合特征的数字调制信号分类方法
CN108768907A (zh) * 2018-01-05 2018-11-06 南京邮电大学 一种基于瞬时特征统计量和bp神经网络的调制识别方法
CN108540202A (zh) * 2018-03-15 2018-09-14 西安电子科技大学 一种卫星通信信号调制方式识别方法、卫星通信系统
CN108830308A (zh) * 2018-05-31 2018-11-16 西安电子科技大学 一种基于信号的传统特征与深度特征融合的调制识别方法
CN109067678A (zh) * 2018-06-22 2018-12-21 达新宇 基于高阶累积量wfrft信号级联调制识别方法、无线通信系统
KR102073935B1 (ko) * 2018-12-24 2020-02-05 충남대학교산학협력단 전파신호 변조인식시스템
CN110300077A (zh) * 2019-04-15 2019-10-01 南京邮电大学 基于极端学习机的空间相关mimo系统的盲调制识别算法
CN110166387A (zh) * 2019-05-22 2019-08-23 中国电力科学研究院有限公司 一种基于卷积神经网络识别信号调制方式的方法及系统
CN110598677A (zh) * 2019-10-08 2019-12-20 电子科技大学 一种用于自动调制识别的时空多通道深度学习系统
CN110798275A (zh) * 2019-10-16 2020-02-14 西安科技大学 一种矿井多模无线信号精确识别方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111901265A (zh) * 2020-06-29 2020-11-06 电子科技大学 一种常用卫星通信数字调制方式识别方法
CN111901265B (zh) * 2020-06-29 2021-09-24 电子科技大学 一种常用卫星通信数字调制方式识别方法
CN111800359A (zh) * 2020-09-07 2020-10-20 中国人民解放军国防科技大学 一种通信信号调制方式的识别方法、装置、设备及介质
CN111800359B (zh) * 2020-09-07 2020-12-04 中国人民解放军国防科技大学 一种通信信号调制方式的识别方法、装置、设备及介质
CN112333120A (zh) * 2020-11-09 2021-02-05 电子科技大学 基于pca的信道增益矩阵的特征提取方法
CN112333120B (zh) * 2020-11-09 2021-08-24 电子科技大学 基于pca的信道增益矩阵的特征提取方法
CN113162879A (zh) * 2021-04-30 2021-07-23 桂林电子科技大学 一种联合特征提取的调制信号识别方法
CN113162879B (zh) * 2021-04-30 2022-06-21 桂林电子科技大学 一种联合特征提取的调制信号识别方法
CN114254680A (zh) * 2022-02-28 2022-03-29 成都大公博创信息技术有限公司 基于多特征信息的深度学习网络调制识别方法

Also Published As

Publication number Publication date
CN111327554B (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
CN111327554B (zh) 一种用于数字调制信号识别的特征提取方法
CN107948107B (zh) 一种基于联合特征的数字调制信号分类方法
CN108718288B (zh) 基于卷积神经网络的数字信号调制模式识别方法
Spooner Classification of co-channel communication signals using cyclic cumulants
CN102497343A (zh) 一种基于聚类和支持向量机的联合调制识别方法
Jajoo et al. Blind signal modulation recognition through clustering analysis of constellation signature
CN105119862A (zh) 一种信号调制类型识别方法和系统
CN108052956A (zh) 一种大气湍流下无线光通信副载波调制星座图识别方法
CN104301056A (zh) 一种基于信号特征分析的频谱监测方法
CN113315727B (zh) 基于预处理降噪的数字通信信号调制识别方法
CN113037663B (zh) 一种改进的适用于非恒包络信号的码元速率估计方法
Ahmadi Using fuzzy clustering and TTSAS algorithm for modulation classification based on constellation diagram
CN112699777A (zh) 一种基于卷积神经网络的盲信号调制类型识别方法
CN111814777A (zh) 一种基于特征量分级的调制样式识别方法
CN109274626B (zh) 一种基于星座图正交扫描特征的调制识别方法
CN110166389B (zh) 基于最小二乘支持向量机的调制识别方法
CN114422311B (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
CN101764784B (zh) 多径信道下基于图像处理的正交幅度调制类内识别方法
CN109076038B (zh) 用于对频带中包含的信号的参数进行估计的方法
Hazza et al. Robustness of digitally modulated signal features against variation in HF noise model
CN108270703A (zh) 一种通信信号数字调制类型识别方法
Khaliluzzaman Comparative performance of BER in the simulation of digital communication systems using raised cosine filter
CN111814703B (zh) 一种非重构条件下基于hb的信号联合特征提取方法
Hazza et al. A novel approach for automatic classification of digitally modulated signals in HF communications
CN111371715B (zh) 一种用于在低信噪比下识别ask类信号的特征提取方法

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