CN111444805A - 一种基于改进的多尺度小波熵数字信号调制识别方法 - Google Patents

Abstract

本发明提供了一种基于改进的多尺度小波熵数字信号调制识别方法，在基于统计模式的识别方法框架下利用基于信号多尺度小波熵的特征提取方法得到最终代表信号的特征，然后利用极限学习机分类器进行分类，在信噪比为‑15dB时，平均识别率仍能达到90％以上。对于PSK类信号，得到描述其相位信息的相位函数，再次计算相位函数的多尺度小波熵特征，得到的信号特征更为稳定，相对于传统的特征，能够更好的区分PSK类信号；所提取的信号特征抗噪声性能好，即使在较低信噪比的情况下也能达到理想的识别率。

Description

一种基于改进的多尺度小波熵数字信号调制识别方法

技术领域

本发明涉及的是一种基于特征提取的通信信号调制识别方法，具体涉及一种基于改进的多尺度小波熵数字信号调制识别方法，属于通信技术领域。

背景技术

随着时代的发展和科学技术的进步，无线通信技术已经应用到了生活的各个领域，无论是在军事通信还是民用领域都有着至关重要的作用。在时代的进步下，人们对通信质量的要求也越来越高，为适应人们对信息传输要求的提高，不同的通信环境和背景需要采用不同的调制方式。随着数字通信技术的进步，数字信号应用最为广泛，并且各种形式的调制方式也不断涌现，而通信信号的调制方式是区分各类信号最重要的特征之一。因此，数字信号的调制识别仍然是通信领域中至关重要的研究课题。然而通信环境越来越复杂，如何在低信噪比(Signal to Noise Ratio,SNR)下提取信号的特征成为通信领域一个亟待解决的问题。

目前，关于通信信号调制识别算法主要可以分为两大类，一类是基于最大似然法，另一类是基于特征提取的模式识别方法。最大似然法是一种统计方法，通过获取接收信号的似然函数，并比较阈值与似然率的关系进行判决，该方法理论上可以将识别的错分率降到最低。但是该方法也存在很多不足，例如计算量大、所需的先验知识较多以及似然函数在大多数条件下无法算出封闭的表达式等等。基于特征提取的模式识别方法是通过一定的算法得到能够区分信号类型的各类特征，然后选择合适的分类器对信号进行分类识别，该方法的计算量小、实时性高，因此被广泛应用。本发明也是采用基于特征提取的模式识别方法对通信信号进行识别。

发明内容

目前，对于低信噪比条件下的数字信号调制识别问题仍没有被很好的解决，面对目前复杂的通信环境，信号受噪声的影响很大，如何在低信噪比条件下提取能够区分信号类型的各类特征至关重要。本发明针对这一问题，提供一种基于改进的多尺度小波熵数字信号调制识别方法，提取更稳定的信号特征，以提高低信噪比下的识别率。

为了实现上述目标，本发明采用如下技术方案：

一种基于改进的多尺度小波熵数字信号调制识别方法，包括以下步骤：

步骤1：利用Matlab仿真模拟产生各个信噪比下的待识别信号；

步骤2：计算各类信号的多尺度小波熵特征。对信号进行小波变换，小波变换的尺度为4，然后提取信号的5个小波系数的功率谱香农熵和功率谱指数熵，构成10维特征向量，利用极限学习机(Extreme learning machine，ELM)分类器对PSK类信号和非PSK类信号进行分类；

步骤3：对于步骤2中的非PSK类信号继续利用5个小波系数的功率谱香农熵和功率谱指数熵所构成的10维特征向量，并利用极限学习机(Extreme learning machine，ELM)分类器对非PSK类信号进行分类。

步骤4：对于PSK类信号，得到其相位变化函数，利用步骤2中的方法，得到相位变化函数的多尺度小波熵特征，并利用极限学习机(Extreme learning machine，ELM)分类器对PSK类信号进行分类。

1、所述步骤2具体为：

(a)计算小波系数：

任意函数f(t)可以表示为：

其中，设V₀表示原始的尺度空间，

是空间V₁的正交基，{ψ_1,k(t)＝2^-1/2ψ(2^-1t-k)}_k∈z是空间W₁的正交基；第一层的小波系数

和d_1,k＝<f(t),ψ(2^-1t-k)>由下式计算得到：

c_0.n为离散化的待处理原始信号数据，a_1,k和d_1,k分别为第一层的低频系数和高频系数；h和g分别为低通分解滤波器和高通分解滤波器；

(b)选取小波变换尺度为4，将信号分解为低频逼近a₅和高频细节d₁,d₂,...,d₅共5个分量，对每个小波分量系数进行傅里叶变换：

其中，

(c)计算每一层小波系数的功率谱{s_i,i＝1,2,...,5}：

(d)计算第k(i＝1,2,...,5)个分量的小波功率谱香农熵：

(e)计算第k(i＝1,2,...,5)个分量的小波功率谱指数熵：

其中

因此得到信号的5个小波系数的功率谱香农熵和功率谱指数熵：高频系数(d₁,d₂,d₃,d₄)对应的功率谱香农熵记为H_s1,H_s2,H_s3,H_s4，对应的功率谱指数熵记为H_e1,H_e2,H_e3,H_e4；低频系数(a₅)对应的功率谱香农熵记为H_s5，对应的功率谱指数熵记为H_e5，最终构成特征向量H＝[H_s1,H_s2,H_s3,H_s4,H_s5H_e1,H_e2,H_e3,H_e4,H_e5]，将得到的特征向量通过极限学习机对PSK类信号和非PSK类信号进行分类；

(f)利用该10维特征向量对非PSK类信号进行分类；

2、所述步骤4具体为：

(a)调相信号可以表示为：

e_MPSK(t)＝cos(2πf_ct+φ(t))

(b)得到调相信号的解析表达式：

(c)得到调相信号的相位函数：

φ(t)＝θ-2πf_ct

其中，θ和2πf_ct都要转换到[0,2π]范围内；

(d)根据1中的计算方法得到φ_BPSK(t)和φ_QPSK(t)的5个小波系数的功率谱香农熵和功率谱指数熵，即特征向量H＝[H_s1,H_s2,H_s3,H_s4,H_s5H_e1,H_e2,H_e3,H_e4,H_e5]；利用ELM对PSK类信号进行分类。

前述的一种基于改进的多尺度小波熵数字信号调制识别方法，其特征在于，在步骤1中，所述利用Matlab仿真模拟产生的各个信噪比下的待识别信号是指数字信号，且信噪比在-15dB以上。

前述的一种基于改进的多尺度小波熵数字信号调制识别方法，其特征在于，在步骤2中，所述的多尺度小波变换，尺度为4，信号的10维特征向量是指计算5个小波系数的功率谱香农熵和功率谱指数熵。

前述的一种基于改进的多尺度小波熵数字信号调制识别方法，其特征在于，在步骤4中，所述的多尺度小波熵是指PSK类信号相位变化函数的5个小波系数的功率谱香农熵和功率谱指数熵所构成的10维特征向量。

本发明的有益之处在于：

(1)所提取的特征为信号的多尺度小波熵特征，计算量小并且信号经小波分解可以得到信号内部的细微差异信息，因此得到的信号特征也相对稳定；

(2)对于PSK类信号，得到描述其相位信息的相位函数，再次计算相位函数的多尺度小波熵特征，得到的信号特征更为稳定，相对于传统的特征，能够更好的区分PSK类信号；

(3)所提取的信号特征抗噪声性能好，即使在较低信噪比的情况下也能达到理想的识别率。

附图说明

图1为本发明的算法流程图；

图2a-图2b为相位函数的小波系数特征H_e3和H_s3随信噪比的变化曲线图；

具体实施方式

本发明对待识别的各类数字调制信号进行小波变换，小波变换的尺度为4，然后提取信号的5个小波系数的功率谱香农熵和功率谱指数熵，构成10维特征向量，利用ELM进行分类。由于通信环境的复杂，在低信噪比下PSK类信号的特征并不稳定，出现交叠，因此对于PSK类信号，推导得到其相位变化函数，进一步提取其相位变化函数的5个小波系数的功率谱香农熵和功率谱指数熵，构成10维特征向量并利用极限学习机(Extremelearningmachine，ELM)分类器识别PSK类信号，最后计算得到最终各类数字调制信号的识别率。

基于特征提取的模式识别方法主要由两部分构成：分别是特征提取模块和分类器设计模块。本发明中，特征提取模块提取了信号的多尺度小波熵特征，用于区分数字信号中的PSK信号和非PSK信号，对于非PSK类信号继续采用多尺度小波熵特征进行识别，然后提出基于相位变化的多尺度小波熵特征用于区分PSK类信号。分类器设计模块采用极限学习机(Extreme learningmachine，ELM)分类器。

以下结合附图和具体实施案例，对本发明进行详细说明。

参照图1，本发明的一种基于改进的多尺度小波熵数字信号调制识别方法具体实现步骤如下：

步骤1：以2ASK、2FSK、BPSK、4ASK、4FSK、QPSK、16QAM、32QAM、64QAM信号为例，使用Matlab进行仿真，得到在信噪比为[-15,-10,-5,0,5,1015]dB下的各类信号，仿真使用的噪声为高斯白噪声。

步骤2：计算各类信号的多尺度小波熵特征。对信号进行小波变换，小波变换的尺度为4，然后提取信号的5个小波系数的功率谱香农熵和功率谱指数熵，构成10维特征向量，利用极限学习机(Extreme learning machine，ELM)分类器对PSK类信号和非PSK类信号进行分类；

多分辨率分析是指将原始的系数空间分解为一系列子空间，且每一级的空间包含下一级的子空间，如下式表示：

对各类信号进行多尺度小波变换，计算信号的5个小波系数的功率谱香农熵和功率谱指数熵，具体计算步骤如下：

(2a)计算小波系数：

任意函数f(t)可以表示为：

其中，设V₀表示原始的尺度空间，

是空间V₁的正交基，{ψ_1,k(t)＝2^-1/2ψ(2^-1t-k)}_k∈z是空间W₁的正交基，k为求和变量。第一层的小波系数

和d_1,k＝<f(t),ψ(2^-1t-k)>由下式计算得到：

c_0.n为离散化的待处理原始信号数据，a_1,k和d_1,k分别为第一层的低频系数和高频系数。h和g分别为低通分解滤波器和高通分解滤波器，n为离散信号采样点数。

(2b)选取小波变换尺度为j＝4，将信号分解为低频逼近a₅和高频细节d₁,d₂,...,d₄共5个分量，对每个小波分量系数进行傅里叶变换：

其中，

k为频域采样点数，n为时域采样点数。

(2c)计算每一层小波系数的功率谱{S_i,i＝1,2,...,5}：

其中，k为频域采样点数，

(2d)计算第i(i＝1,2,...,5)个分量的小波功率谱香农熵：

(2e)计算第i(i＝1,2,...,5)个分量的小波功率谱指数熵：

其中

因此得到信号的5个小波系数的功率谱香农熵和功率谱指数熵：高频系数(d₁,d₂,d₃,d₄)对应的功率谱香农熵记为H_s1,H_s2,H_s3,H_s4，对应的功率谱指数熵记为H_e1,H_e2,H_e3,H_e4；低频系数(a₅)对应的功率谱香农熵记为H_s5，对应的功率谱指数熵记为H_e5，最终构成特征向量H＝[H_s1,H_s2,H_s3,H_s4,H_s5H_e1,H_e2,H_e3,H_e4,H_e5]，将得到的特征向量通过极限学习机对PSK类信号和非PSK类信号进行分类，得到识别率如表1所示：

表1不同信噪比下非PSK类与PSK类信号的识别率

SNR(dB)	-15	-10	-5	-0	5	10	15
								非PSK类(％)	99.6	100	100	100	100	100	100
PSK类(％)	100	100	100	100	100	100	100
								平均识别率(％)	99.7	100	100	100	100	100	100

步骤3：对于步骤2中的非PSK类信号，根据步骤2中的算法提取非PSK类信号的5个小波系数的功率谱香农熵和功率谱指数熵所构成的10维特征向量，并利用极限学习机(Extreme learning machine，ELM)分类器对非PSK类信号进行分类，得到识别率如表2所示：

表2不同信噪比下7种非PSK类信号的平均识别率

SNR(dB)	-15	-10	-5	0	5	10	15
								非PSK类信号平均识别率(％)	97.9	100	100	100	100	100	100

步骤4：对于PSK类信号，首先得到其相位变化函数，然后利用步骤2中的算法，得到相位变化函数的多尺度小波熵特征，具体计算步骤如下：

(4a)调相信号可以表示为：

e_MPSK(t)＝cos(2πf_ct+φ_MPSK(t)) (8)

其中，f_c表示调相信号的载波频率，t表示时间，φ_MPSK(t)表示调相信号的相位函数。

(4b)得到调相信号的解析表达式：

(4c)得到调相信号的相位函数：

φ_MPSK(t)＝θ-2πf_ct (11)

其中，θ_MPSK表示调相信号的解析表达式的相位，θ_MPSK和2πf_ct都要转换到[0,2π]范围内。

(4d)根据步骤2中的计算方法得到相位函数φ_BPSK(t)和φ_QPSK(t)的5个小波系数的功率谱香农熵和功率谱指数熵，即特征向量H＝[H_s1,H_s2,H_s3,H_s4,H_s5H_e1,H_e2,H_e3,H_e4,H_e5]。相位函数φ_BPSK(t)和φ_QPSK(t)的10个小波系数特征H_s3和H_e3随信噪比的变化曲线如图2所示。利用ELM对PSK类信号进行分类，得到识别率，如表3所示：

表3不同信噪比下PSK类信号的识别率

SNR(dB)	-15	-10	-5	0	5	10	15
								BPSK(％)	75.0	98.0	100	100	100	100	100
QPSK(％)	75.0	98.0	100	100	100	100	100
								平均识别率(％)	75.0	98.0	100	100	100	100	100

(4e)计算得出各类信号的识别率，如表4

表4不同信噪比下9类信号的平均识别率

SNR(dB)	-15	-10	-5	0	5	10	15
								平均识别率(％)	92.5	99.6	100	100	100	100	100

本发明所提取的特征为信号的多尺度小波熵特征，计算量小，并通过求得PSK类信号的相位函数，得到相位小波熵特征，提高了信号的总体识别率。

本发明的基于改进的多尺度小波熵数字信号调制识别方法，主要用于数字通信信号传输过程中的调制方式识别。

需要说明的是，上述实施案例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

综上所述：本发明提供了一种基于改进的多尺度小波熵数字信号调制识别方法，在基于统计模式的识别方法框架下利用基于信号多尺度小波熵的特征提取方法得到最终代表信号的特征，然后利用极限学习机(Extreme learning machine，ELM)分类器进行分类，在信噪比为-15dB时，平均识别率仍能达到90％以上。

Claims (6)

1.一种基于改进的多尺度小波熵数字信号调制识别方法，其特征是，包括如下步骤：

步骤1：利用Matlab仿真模拟产生各个信噪比下的待识别信号；

步骤2：计算各类信号的多尺度小波熵特征；对信号进行小波变换，小波变换的尺度为4，然后提取信号的5个小波系数的功率谱香农熵和功率谱指数熵，构成10维特征向量，利用极限学习机分类器对PSK类信号和非PSK类信号进行分类；

步骤3：对于步骤2中的非PSK类信号继续利用5个小波系数的功率谱香农熵和功率谱指数熵所构成的10维特征向量，并利用极限学习机分类器对非PSK类信号进行分类；

步骤4：对于PSK类信号，得到其相位变化函数，利用步骤2中的方法，得到相位变化函数的多尺度小波熵特征，并利用极限学习机分类器对PSK类信号进行分类，得到最终各类数字调制信号的识别率。

2.根据权利要求1所述的基于改进的多尺度小波熵数字信号调制识别方法，其特征是，所述步骤2具体为：

(a)计算小波系数：

任意函数f(t)可以表示为：

其中，设V₀表示原始的尺度空间，

是空间V₁的正交基，{ψ_1,k(t)＝2^-1/2ψ(2^-1t-k)}_k∈z是空间W₁的正交基；第一层的小波系数

和d_1,k＝<f(t),ψ(2^-1t-k)>由下式计算得到：

c_0.n为离散化的待处理原始信号数据，a_1,k和d_1,k分别为第一层的低频系数和高频系数；h和g分别为低通分解滤波器和高通分解滤波器；

(b)选取小波变换尺度为4，将信号分解为低频逼近a₅和高频细节d₁,d₂,...,d₅共5个分量，对每个小波分量系数进行傅里叶变换：

其中，

(c)计算每一层小波系数的功率谱{s_i,i＝1,2,...,5}：

(d)计算第k(i＝1,2,...,5)个分量的小波功率谱香农熵：

(e)计算第k(i＝1,2,...,5)个分量的小波功率谱指数熵：

其中

因此得到信号的5个小波系数的功率谱香农熵和功率谱指数熵：高频系数(d₁,d₂,d₃,d₄)对应的功率谱香农熵记为H_s1,H_s2,H_s3,H_s4，对应的功率谱指数熵记为H_e1,H_e2,H_e3,H_e4；低频系数(a₅)对应的功率谱香农熵记为H_s5，对应的功率谱指数熵记为H_e5，最终构成特征向量H＝[H_s1,H_s2,H_s3,H_s4,H_s5H_e1,H_e2,H_e3,H_e4,H_e5]，将得到的特征向量通过极限学习机对PSK类信号和非PSK类信号进行分类；

(f)利用该10维特征向量对非PSK类信号进行分类。

3.根据权利要求1所述的基于改进的多尺度小波熵数字信号调制识别方法，其特征是，所述步骤4具体为：

(a)调相信号可以表示为：

e_MPSK(t)＝cos(2πfxt+φ(t))

(b)得到调相信号的解析表达式：

(c)得到调相信号的相位函数：

φ(t)＝θ-2πf_ct

其中，θ和2πf_ct都要转换到[0,2π]范围内；

(d)根据1中的计算方法得到φ_BPSK(t)和φ_QPSK(t)的5个小波系数的功率谱香农熵和功率谱指数熵，即特征向量H＝[H_s1,H_s2,H_s3,H_s4,H_s5H_e1,H_e2,H_e3,H_e4,H_e5]；利用ELM对PSK类信号进行分类。

4.根据权利要求1所述的基于改进的多尺度小波熵数字信号调制识别方法，其特征是，

在步骤2中，所述的多尺度小波变换，尺度为4，信号的10维特征向量是指计算5个小波系数的功率谱香农熵和功率谱指数熵。

5.根据权利要求1所述的基于改进的多尺度小波熵数字信号调制识别方法，其特征是，在步骤1中，所述利用Matlab仿真模拟产生的各个信噪比下的待识别信号是指数字信号，且信噪比在-15dB以上。

6.根据权利要求1所述的基于改进的多尺度小波熵数字信号调制识别方法，其特征是，在步骤4中，所述的多尺度小波熵是指PSK类信号相位变化函数的5个小波系数的功率谱香农熵和功率谱指数熵所构成的10维特征向量。

Images