CN111343114B

CN111343114B - 一种调制信号的调制类型识别方法

Info

Publication number: CN111343114B
Application number: CN202010100398.1A
Authority: CN
Inventors: 黄刚; 赵予玮; 王珏; 布刚刚
Original assignee: CETC 20 Research Institute
Current assignee: CETC 20 Research Institute
Priority date: 2020-02-18
Filing date: 2020-02-18
Publication date: 2022-05-17
Anticipated expiration: 2040-02-18
Also published as: CN111343114A

Abstract

本发明提供了一种调制信号的调制类型识别方法，首先构建训练数据集和测试数据集，然后确定分类模型和策略，最后测试数据集测试分类器性能。本发明采用差分星座矢量图的最小环带模值方差为特征，构建一棵二叉树分类器对π/4‑QPSK、8PSK调制信号的调制类型进行分类，假定样本大小为n，采用四阶和八阶累积量为识别特征的分类方法的计算复杂度为O(n⁸)，而本发明的计算复杂度为O(n²)。因此，本发明的计算复杂度远低于基于高阶累积量的方法。在实际的应用场景中通常无法获取先验信息，本发明不需要任何先验知识，因此本发明的使用条件宽泛，利用实际应用。

Description

一种调制信号的调制类型识别方法

技术领域

本发明属于无线通信技术领域，涉及一种针对π/4-QPSK和8PSK数字调制信号的调制类型的识别方法。

背景技术

对于非合作通信，数字信号调制方式识别为接收机选择解调器提供参考依据，是信号检测和解调之间重要的桥梁。目前，数字信号的调制方式识别技术在信号认证、干扰识别、无线电频谱管理、通信对抗、电子侦察等民用和军用场合中已经被广泛应用。

MPSK多进制相移键控信号是现代数字通信中一种常见的数字调制方式，因此MPSK的调制方式识别是数字信号调制类型识别技术的重要组成部分。通常，MPSK调制包含BPSK、QPSK、π/4-QPSK、8PSK等等。2008年，陆凤波、黄知涛等人在《一种基于高阶累积量的数字调相信号识别方法》文章中提出一种基于高阶累积量的方法对四类信号进行分类识别，首先采用四阶累积量作为识别特征将BPSK、QPSK、π/4-QPSK、8PSK四类常见的MPSK调制信号分为BPSK、QPSK、{π/4-QPSK、8PSK}三大类，然后采用差分信号的四阶和八阶累积量为分类特征进一步将π/4-QPSK、8PSK两个子类调制信号进行分类。在后续的MPSK调制方式识别研究中，大多采用此方法对{π/4-QPSK、8PSK}子类信号进行分类。在{π/4-QPSK、8PSK}子类的分类方法中，八阶累积量运算使得每一个数据点均需要作八次方运算，因此计算复杂度较高。

发明内容

为了克服现有技术的不足，本发明提供一种基于差分星座矢量图最小环带模值方差的π/4-QPSK、8PSK调制信号识别方法，计算简单，利于工程应用。

本发明解决其技术问题所采用的技术方案包括以下步骤：

(1)生成附加高斯白噪声的π/4-QPSK、8PSK两种基带调制信号序列；每种信噪比下每种调制信号序列的长度为M，分成L段，L≧1000；每段数据构成一个数据样本，样本大小为N，N≧1200，

对于不同信噪比下每一种调制信号序列，L个样本随机分成训练数据集和测试数据集；

(2)确定分类模型和策略；对于分类模型，采用调制信号的差分星座矢量图的最小环带方差为特征构建一棵二叉树分类器；对于分类策略，如果特征值小于判决阈值则划归为π/4-QPSK，否则为8PSK；

假设y_i(k)是某一数据样本i的第k个数据点，其中k＝1,…N；y(k)进行归一化处理，表示为r_i(k)；对归一化后的数据做差分运算，差分信号Δr_i(k)＝r_i(k+1)-r_i(k)；对差分信号求幅值，并按照幅值由小到大进行排列构成序列Z_i(k)→{z_i(1),z_i(2),…,z_i(N)}，其中z_i(k)表示差分信号绝对值，z_i(1)<z_i(2)<…z_i(N)；

计算序列Z_i(k)前N/2个数据的方差v_i，该值作为信号的特征值，称之为差分星座矢量图的最小环带方差；对于差分π/4-QPSK调制信号，Z_i(k)序列前N/2个数据的方差近似为0；对于差分8PSK调制信号，Z_i(k)序列前N/2个数据的方差大于0；

分别计算不同信噪比下π/4-QPSK、8PSK训练数据集中所有样本的特征值集合

其中i＝1,…,floor1，floor1为训练数据集的大小，p＝1,2，j＝5,…,20；然后计算不同信噪比下每种调制信号序列特征值的均值

其中

表示不同信噪比下π/4-QPSK训练数据集中所有样本特征值的均值，

表示不同信噪比下8PSK训练数据集中所有样本特征值的均值，最后计算判决阈值为

最大值和

最小值的均值；

(3)取π/4-QPSK、8PSK测试数据集中所有样本，重复步骤(2)计算样本的特征值，然后将特征值和判决阈值比较，如果特征值小于等于判决阈值则识别为π/4-QPSK，否则为8PSK。

所述的步骤(1)生成附加高斯白噪声的范围为信噪比5～20dB，间隔为1dB。

所述的步骤(1)中L个样本按照7:3比例向下取整随机划分到两个数据集，形成训练数据集和测试数据集。

本发明的有益效果是：采用差分星座矢量图的最小环带模值方差为特征，构建一棵二叉树分类器对π/4-QPSK、8PSK调制信号的调制类型进行分类。假定样本大小为n，采用四阶和八阶累积量为识别特征的分类方法的计算复杂度为O(n⁸)，而本发明的计算复杂度为O(n²)。因此，本发明的计算复杂度远低于基于高阶累积量的方法。在实际的应用场景中通常无法获取先验信息，本发明不需要任何先验知识，因此本发明的使用条件宽泛，利用实际应用。

附图说明

图1是π/4-QPSK星座矢量图。

图2是8PSK星座矢量图。

图3是二叉树分类器模型图。

图4是差分π/4-QPSK星座矢量图。

图5是差分8PSK星座矢量图。

图6是不同信噪比下两种调制信号的特征均值图。

图7是不同信噪比下两种调制信号识别率图。

具体实施方式

下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。

本发明的技术方案包括以下步骤：

(1)构建训练数据集和测试数据集。

1)生成附加高斯白噪声(范围为信噪比5～20dB，间隔为1dB)的π/4-QPSK、8PSK两种基带调制信号序列。每种信噪比下每种调制信号序列的长度为M，分成L段(L≧1000)。每段数据构成一个数据样本，样本大小为N(N≧1200)。

2)对于不同信噪比下每一种调制信号序列，L个样本按照7:3比例向下取整随机分划分到两个数据集，形成训练数据集和测试数据集。某一信噪比下，训练数据集的大小为floor(0.7*L)，训练数据集的大小为floor(0.3*L)，floor为向下取整函数。

(2)确定分类模型和策略。由于仅考虑π/4-QPSK、8PSK两类信号，因此该分类是二分类问题。对于分类模型，本文采用调制信号的差分星座矢量图的最小环带方差为特征构建一棵二叉树分类器。对于分类策略，如果特征值小于判决阈值则划归为π/4-QPSK，否则为8PSK。

接下来，重点描述两类调制信号的特征值和判决阈值计算过程。

1)数据归一化处理。假设y_i(k)是某一数据样本i的第k个数据点，其中k＝1,…N。y(k)进行归一化处理表示为r_i(k)，则有：

其中m_i表示样本中所有数据绝对值的均值。

2)信号差分运算。假设差分信号为Δr_i(k)，对归一化后的数据做差分运算，则有：

Δr_i(k)＝r_i(k+1)-r_i(k) (3)

3)差分信号求幅值，并按照幅值由小到大进行排列构成序列Z_i(k)。

Z_i(k)→{z_i(1),z_i(2),…,z_i(N)} (4)

其中z_i(k)表示差分信号绝对值，z_i(1)<z_i(2)<…z_i(N)。

4)计算信号的特征值。计算序列Z_i(k)前N/2个数据的方差v_i，该值作为信号的特征值(本文称之为差分星座矢量图的最小环带方差)。按照(2)中1)～2)步骤处理后，得到差分的π/4-QPSK和8PSK样本信号。差分π/4-QPSK的星座矢量图中星座点分别按照50％概率近似分布在内外两个环上；差分8PSK的星座矢量图中星座点分别按照25％、25％、50％概率近似分布在内外三个环上。因此，对于差分π/4-QPSK调制信号，Z_i(k)序列前N/2个数据的方差近似为0；对于差分8PSK调制信号，Z_i(k)序列前N/2个数据的方差大于0。

5)确定判决阈值。首先按照(2)中1)～4)步骤分别计算不同信噪比下π/4-QPSK、8PSK训练数据集中所有样本的特征值集合

其中i＝1,…,floor(0.7*L)，p＝1,2，j＝5,…,20。然后计算不同信噪比下每种调制信号序列特征值的均值。

其中

表示不同信噪比下8PSK训练数据集中所有样本特征值的均值。最后计算判决阈值。计算

最大值和

的最小值，然后求两者的均值。该均值即为判决阈值。

(3)测试数据集测试分类器性能。取π/4-QPSK、8PSK测试数据集中所有样本，首先按照(2)中第1)～4)步骤计算样本的特征值，然后将特征值和判决阈值比较。如果特征值小于等于判决阈值则识别为π/4-QPSK，否则为8PSK。

本实施例的实现步骤如下：

步骤1构建训练数据集和测试数据集。

1)生成附加高斯白噪声(范围为信噪比5～20dB，间隔为1dB)的π/4-QPSK、8PSK两种调制信号序列。根据公式(1)，将两种调制信号序列分割为样本。每种信噪比下每种调制信号的序列长度为M＝2000000，分为L＝1000个样本，每个样本长度为N＝2000。取信噪比为10dB下π/4-QPSK、8PSK的样本，其星座矢量图如图1和图2所示。

2)构建π/4-QPSK、8PSK的训练数据集和测试数据集。每种调制信号包含的样本数为700*16、300*16，每个样本大小为2000。

步骤2确定分类模型和策略。分类模型采用二叉树分类器，如图3所示。分类策略为特征值小于等于判决阈值为π/4-QPSK，否则为8PSK。

1)数据归一化。根据公式(2)对训练数据集中每个样本的数据做归一化运算。

2)信号差分运算。根据公式(3)对归一化后的样本数据做差分运算。取信噪比为10dB下差分运算后π/4-QPSK、8PSK的样本，其星座矢量图如图4和图5所示。

3)差分信号求幅值。根据公式(4)对差分运算样本的数据求模值并按照升序排序。

4)对于排序处理后的样本，每个样本中取前1000个数据点，计算其方差作为特征值。

5)每一种信噪比下，π/4-QPSK、8PSK调制信号的训练数据集各自有700个样本，根据公式(5)计算每种调制信号700个样本的特征值均值，其列表如下表1所示。不同信噪比下两种调制信号的特征均值图如图5所示。根据表1和图5可知，对于π/4-QPSK，信噪比等于5dB时其特征值的均值最大；对于8PSK，信噪比等于6dB时其特征值的均值最小。

因此，判决阈值取0.1079。

表1两种调制信号特征均值

信噪比	π/4-QPSK	8PSK
			5	0.1032	0.1138
6	0.0947	0.1127
			7	0.0866	0.1190
8	0.0813	0.1260
			9	0.0812	0.1183
10	0.0672	0.1301
			11	0.0623	0.1282
12	0.0553	0.1327
			13	0.0522	0.1654
14	0.0387	0.1510
			15	0.0251	0.1557
16	0.0297	0.1666
			17	0.0267	0.1672
18	0.0187	0.1784
			19	0.0128	0.1699
20	0.0082	0.1895

步骤3测试分类器性能。取π/4-QPSK和8PSK的测试数据集数据，按照发明内容(2)中1)～4)步骤计算每个样本的特征值，然后每个样本的特征值和门限进行比较。如果样本的特征值值小于等于门限，则样本序列的信号调制方式为π/4-QPSK调制，否则为8PSK调制。统计不同信噪比下两种调制信号的识别率如表2所示。π/4-QPSK和8PSK调制信号的识别率仿真如图6所示。

表2两种调制信号识别率

从仿真结果可以看出在信噪比大于等于9dB时，调制信号序列长度为2000时，两种调制信号的识别率可达到100％。

Claims

1.一种调制信号的调制类型识别方法，其特征在于包括以下步骤：

其中

最大值和

最小值的均值；

2.根据调制信号的调制类型识别方法，其特征在于：所述的步骤(1)生成附加高斯白噪声的范围为信噪比5～20dB，间隔为1dB。

3.根据调制信号的调制类型识别方法，其特征在于：所述的步骤(1)中L个样本按照7:3比例向下取整随机划分到两个数据集，形成训练数据集和测试数据集。