CN112910813A - 基于lda-knn的水声信号自动调制识别方法 - Google Patents

Abstract

本发明公开了一种基于LDA‑KNN的水声信号自动调制识别方法，首先采样接收水声信号，提取水声信号的形态特征与熵特征并进行归一化处理；将处理后的特征用于训练LDA，得到用于特征降维与优化的映射权值与偏置；使用训练好的映射权值与归一化后的原始特征相乘并与偏置项相加，完成特征的映射；将映射后的特征进行标准化后，作为KNN的样本空间，得到LDA‑KNN分类模型；最后，将待识别的水声信号进行同样的特征提取以及映射后，输入到分类模型中，输出调制方式的分类。本发明最终实现低延迟、高准确率的水声信号自动调制识别，相较于传统自动调制识别算法，该方法可识别信号种类多、抗干扰能力强、识别准确率与稳定性高。

Description

基于LDA-KNN的水声信号自动调制识别方法

技术领域

本发明属于水声通信技术领域，具体地说，涉及一种基于LDA-KNN的水声信号自动调制识别方法。

背景技术

声波作为一种优秀的水下信息载体，因其具有较高的传输距离和传输速度以及较低的衰减系数，成为了水下通信的首选媒介。水声通信系统中，发送端通常使用自适应调制编码技术(adaptive modulation coding，AMC)，该技术可依据信道状况，自适应地选择适合当前信道的调制方式，该技术需要信号发送端与接收端通过握手信号同步调制方式，然而水声信道噪声干扰与多径效应严重，致使握手信号无法准确传输，致使接收端采用了不匹配的解调方式，进而导致解调数据的严重错误。

自动调制识别(automatic modulation recognition，AMR)技术可使接收端在调制信息未知的情况下，自动识别出信号的调制方式，保证接收端采用正确的解调方式解调数据。目前调制方式智能识别的方法主要有基于最大似然比的识别方法与基于特征提取的识别方法；前者虽然数学理论完备，但是需要大量的先验信息，难以实际应用且复杂度较高，后者则实现简单，易于工程应用。然而水下信道复杂多变，存在严重的噪声与多径干扰，严重影响提取特征的质量，降低了特征的区分度。此外，传统的AMR方法模型复杂，识别速率低下，难以满足通信系统的实时性要求。

因此，需要设计研发一种识别性能良好的水声信号自动调制识别方法。

发明内容

针对现有水声信号自动调制识别方法的抗干扰能力差、计算成本高、识别准确率低等技术问题，本发明的目的是提供一种基于LDA-KNN的水声信号自动调制识别方法，以解决上述问题。

线性判别分析法(Linear Discriminant Analysis，LDA)是一种线性变换，可在降低特征维度的同时优化特征分布，K最近邻分类算法(K-Nearest Neighbor，KNN)则是一种简单有效的分类算法，无需训练过程即可完成分类，但其严重依赖特征的空间分布且难以处理高维特征。本发明将LDA与KNN相结合，使用LDA降低特征维度的同时优化特征空间分布，同时提高了KNN的识别准确率与效率。

为实现上述发明目的，本发明采用下述技术方案予以实现：

一种基于LDA-KNN的水声信号自动调制识别方法，包括以下步骤：

S1：获取水声信号；

S2：提取S1中水声信号的形态特征与熵特征，并进行归一化处理；

S3：将S2中处理后的特征向量用于训练LDA，得到LDA映射的权值与偏置；

S4：将S2中处理后的特征向量与S3得到的权值相乘后，加上偏置项，得到LDA映射后的特征向量；

S5：将S4得到的特征向量进行L2标准化之后，作为KNN的分类样本空间，得到LDA-KNN分类模型；

S6：将需要识别的水声信号经过上述S1-S4的特征提取与映射后，输入到S5中训练好的LDA-KNN分类模型中，输出信号调制方式识别分类。

进一步的，所述S2中计算水声信号的特征所采用的信号处理方法包括：功率谱、奇异谱、相位谱、小波能量谱、频谱以及瞬时幅度。

进一步的，所述S2中，所述形态特征包括：零中心归一化瞬时幅度谱密度的最大值、零中心归一化瞬时幅度标准差、波动系数；

所述熵特征包括：功率谱香农熵、功率谱指数熵、奇异谱香农熵、奇异谱指数熵、频谱幅度香农熵、频谱幅度指数熵、相位谱香农熵、相位谱指数熵、小波能量指数熵、小波能量香农熵、瞬时幅度指数熵、瞬时幅度香农熵。

更进一步的，所述零中心归一化瞬时幅度谱密度的最大值的公式为：

γ_max＝max{DFT[a_cn(n)]}²/N

式中n＝(1,2,..,N)，N为采样点数，a_cn(n)＝a_n(n)-1，a_n(n)为归一化后的瞬时幅度，DFT(·)表示离散傅里叶变换；

其中，零中心归一化瞬时幅度标准差的公式为：

式中

为a_cn(n)的均值；

其中，波动系数的具体公式为：

β＝v/μ

其中v与μ分别为a_n(n)的方差与均值。

更进一步的，所述奇异谱香农熵和奇异谱指数熵的计算方法为：

将离散的水声采样信号嵌入维数m和延迟时间n后得到重构相空间矩阵：

对该矩阵进行奇异值分解得：

其中矩阵Q为对角矩阵，对角线上的奇异值σ构成奇异值谱σ＝{σ₁，σ₂，...，σx|j≤K}；定义归一化后奇异值为σ_i的权值为P_i，则可分别得到奇异谱香农熵和指数熵为：

奇异谱香农熵：

奇异谱指数熵：

其中，功率谱香农熵与功率谱指数熵的计算公式如下：

功率谱香农熵：

功率谱指数熵：

式中P_i为信号功率谱中各点的权值，K为功率谱的点数。

其中，频谱幅度香农熵与频谱幅度指数熵的计算方法如下：

记信号的幅频响应序列为F＝{x₁,x₂,...,x_k}，则各点权值P_i如下：

则频谱幅度香农熵与频谱幅度指数熵的公式如下：

频谱幅度香农熵：

频谱幅度指数熵：

式中K为幅频响应序列的点数。

其中，相位谱香农熵与相位谱指数熵的计算方法如下：

记信号的相频响应序列为P＝{x₁,x₂,...,x_k}，则各点权值w_i如下：

则相位谱香农熵与相位谱指数熵的公式如下：

相位谱香农熵：

相位谱指数熵：

式中K为相频响应曲线的点数。

其中，小波能量香农熵与小波能量指数熵的计算方法如下：

使用dB3小波作为母小波对信号进行n层小波分解，得到2ⁿ级分解后的信号序列，计算每级信号能量，得到小波能量谱，记为E＝{E₁,E₂,...,E_2n}；

计算小波能量谱中各点的权值P_i，其公式如下：

则可得小波能量香农熵与小波能量指数熵的公式如下：

小波能量香农熵：

小波能量指数熵：

式中K＝2ⁿ为小波能量谱的点数。

其中，瞬时幅度香农熵与瞬时幅度指数熵的计算方法如下：

记信号的瞬时幅度为S＝{x₁,x₂,...,x_k}，则各点权值P_i如下：

则可得瞬时幅度香农熵与瞬时幅度指数熵的公式如下：

瞬时幅度香农熵：

瞬时幅度指数熵：

进一步的，所述S2中归一化的公式为：

式中N为样本数量，max与min分别为特征向量的最大值与最小值。

进一步的，所述S5中L2标准化的公式如下：

其中，n为样本个数，x_i与x_i′分别为原始特征与L2标准化后的特征。

本发明的优点和积极效果是：

首先，本发明提取水声信号中抗噪声干扰能力强的形态特征与熵特征，保证了提取特征的区分度；然后，依据KNN分类算法无需训练即可使用的优势，将KNN作为本发明的识别手段，并针对KNN算法无法处理高维特征且强烈依赖特征空间分布的问题，将LDA与KNN相结合，使用LDA降低特征维度的同时优化特征空间分布，解决了上述KNN中存在的难题，提高了KNN的识别准确率与效率。最后，本发明详尽分析了不同调制方式的内在区别并进行了相应的特征提取，可识别的调制方式达8种以上，远超同类型的其他算法。

本发明最终实现低延迟、高准确率的水声信号自动调制识别，相较于传统自动调制识别算法，该方法可识别信号种类多、抗干扰能力强、识别准确率与稳定性高。

附图说明

图1是本发明实施例的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合附图和实施例，对本发明作进一步详细说明。

实施例1：

在水声自适应调制编码通信系统中，信号发送端与接收端需要通过握手信号同步调制方式，然而水声信道噪声干扰与多径效应严重，致使握手信号无法准确传输，此时接收端可借助自动调制识别技术准确识别出接收信号的调制方式，从而正确地解调数据，保障通信的质量。

一种基于LDA-KNN的水声信号自动调制识别方法，该方法包括以下步骤(如图1所示)：

S1：水声信号收集；

S2：水声信号特征提取与处理步骤，包括：

S21、求出水声信号的功率谱、奇异谱、相位谱、小波能量谱、频谱以及瞬时幅度；

S22、对S11处理后的信号进行形态特征与熵特征的提取；

S23、对S12得到的水声调制信号特征进行归一化；

本实施例选择抗噪声能力强的形态特征与熵特征作为该自动调制识别方法的特征；其中，信号的形态特征与熵特征具体包括：

所述形态特征：零中心归一化瞬时幅度谱密度的最大值、零中心归一化瞬时幅度标准差、波动系数；

所述熵特征：功率谱香农熵、功率谱指数熵、奇异谱香农熵、奇异谱指数熵、频谱幅度香农熵、频谱幅度指数熵、相位谱香农熵、相位谱指数熵、小波能量指数熵、小波能量香农熵、瞬时幅度指数熵、瞬时幅度香农熵。

其中，零中心归一化瞬时幅度谱密度的最大值的公式为：

γ_max＝max{DFT[a_cn(n)]}²/N

式中n＝(1,2,..,N)，N为采样点数，a_cn(n)＝a_n(n)-1，a_n(n)为归一化后的瞬时幅度，DFT(·)表示离散傅里叶变换。

其中，零中心归一化瞬时幅度标准差的公式为：

式中

为a_cn(n)的均值。

其中，波动系数的具体公式为：

β＝v/μ

其中v与μ分别为a_n(n)的方差与均值。

其中，奇异谱香农熵和奇异谱指数熵的计算方法为：

将离散的水声采样信号嵌入维数m和延迟时间n后得到重构相空间矩阵：

对该矩阵进行奇异值分解得：

其中矩阵Q为对角矩阵，对角线上的奇异值σ构成奇异值谱σ＝{σ₁，σ₂，...，σ_j|j≤K}。定义归一化后奇异值为σ_i的权值为P_i，则可分别得到奇异谱香农熵和指数熵为：

奇异谱香农熵：

奇异谱指数熵：

其中，功率谱香农熵与功率谱指数熵的计算公式如下：

功率谱香农熵：

功率谱指数熵：

式中P_i为信号功率谱中各点的权值，K为功率谱的点数。

其中，频谱幅度香农熵与频谱幅度指数熵的计算方法如下：

记信号频谱幅度序列为F＝{x₁,x₂,...,x_k}，则各点权值P_i如下：

则可得频谱幅度香农熵与频谱幅度指数熵的公式如下：

频谱幅度香农熵：

频谱幅度指数熵：

式中P_i为信号幅频响应曲线中各点的权值，K为幅频响应曲线的点数。

其中，相位谱香农熵与相位谱指数熵的计算方法如下：

记信号的相频响应序列为P＝{x₁,x₂,...,x_k}，则各点权值w_i如下：

则相位谱香农熵与相位谱指数熵的公式如下：

相位谱香农熵：

相位谱指数熵：

式中K为相频响应曲线的点数。

其中，小波能量香农熵与小波能量指数熵的计算方法如下：

使用dB3小波作为母小波对信号进行3层小波分解，得到8级分解后的信号序列，计算每级信号能量，得到小波能量谱，记为E＝{E₁,E₂,...,E₈}。

计算小波能量谱中各点的权值P_i，其公式如下：

则可得小波能量香农熵与小波能量指数熵的公式如下：

小波能量香农熵：

小波能量指数熵：

式中K＝8为小波能量谱的点数。

其中，瞬时幅度香农熵与瞬时幅度指数熵的计算方法如下：

记信号的瞬时幅度为S＝{x₁,x₂,...,x_k}，则各点权值P_i如下：

则可得瞬时幅度香农熵与瞬时幅度指数熵的公式如下：

瞬时幅度香农熵：

瞬时幅度指数熵：

所述S23中归一化的公式为：

式中N为样本数量，max与min分别为特征向量的最大值与最小值。

S3：将S2中处理后特征向量用于训练LDA，得到LDA映射的权值与偏置；

S4：将S2中处理后的特征向量与S3得到的权值相乘后，加上偏置项，得到LDA映射后的特征向量；

S5：将S4得到的特征向量进行L2标准化之后，作为KNN的分类样本空间，得到LDA-KNN分类模型；

S4：LDA训练步骤，包括：

S41、将S13中归一化后的特征样本以3：1的比例划分训练集与测试集。

S42、使用S13中的训练集与测试集进行LDA的训练，得到映射权值与偏置。

S5：KNN分类模型的构建步骤，包括：

S51、将S13处理后的特征向量与S22得到的权值相乘后，加上偏置项，得到LDA映射后的特征向量。

S52、将S31所得特征向量作为KNN的分类样本空间，得到LDA-KNN分类模型。

S6：自动调制识别步骤，包括：

S61、对测试集的信号进行S2中相应的特征提取与归一化处理，再进行所述S3-S4处理，得到LDA映射后的特征向量；

S63、将上述得到的特征向量输入已有的LDA-KNN分类模型中，输出分类结果，最终完成自动调制识别。

实施例2：

为了验证本发明所提供方法的有效性，本实施例中使用海南省三亚市南海海域中采集到的不同类别的共计8种调制信号进行实验，调制方式分别为：DS、BPSK、QPSK、BFSK、QFSK、16QAM、64QAM、OFDM；每类调制信号200组，总样本数总计1600组。本实施例依据3：1的比例将采集到的水声信号均匀划分为训练集与测试集。

本实施例所采取的具体步骤同实施例1。

本实施例所处实验环境如表1所示：

表1：实验环境及参数设置

该实施例选择了4种常用的机器学习算法用于对比，包括：BP神经网络(backpropagation，BP)、支持向量机(Support Vector Machine，SVM)、逻辑回归(logisticsRegression，LR)以及决策树(Decision Tree，DT)。

实验结果：

各方法识别性能对比如表2所示：

表2：LDA-KNN与同类算法对比结果

将1600组样本以3:1的比例均匀划分为训练集与测试集，使用一致的LDA映射权值对特征进行映射后，分别使用上述5种算法进行识别，并统计了20次连续实验的结果。由上表可以看出，LDA-KNN在最优准确率、平均准确率以及方差上均优于其它分类算法，并且最优识别准确率可达99.75％，表现出极高的识别准确率与稳定性；同时，从算法平均运行时间来看，LDA-KNN亦优于其它算法，且比LDA-BP低了3个数量级。说明了，本发明所提供的识别模型具有优良的识别性能。

以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。

Claims (7)

1.一种基于LDA-KNN的水声信号自动调制识别方法，其特征在于，该方法包括以下步骤：

S1：获取水声信号；

S2：提取S1中水声信号的形态特征与熵特征，并进行归一化处理；

S3：将S2中处理后的特征向量用于训练LDA，得到LDA映射的权值与偏置；

S4：将S2中处理后的特征向量与S3得到的权值相乘后，加上偏置项，得到LDA映射后的特征向量；

S5：将S4得到的特征向量进行L2标准化之后，作为KNN的分类样本空间，得到LDA-KNN分类模型；

S6：将需要识别的水声信号经过上述S1-S4的特征提取与映射后，输入到S5中训练好的LDA-KNN分类模型中，输出信号调制方式识别分类。

2.如权利要求1所述的水声信号自动调制识别方法，其特征在于，所述S2中，所述形态特征包括：零中心归一化瞬时幅度谱密度的最大值、零中心归一化瞬时幅度标准差、波动系数。

3.如权利要求2所述的水声信号自动调制识别方法，其特征在于，所述零中心归一化瞬时幅度谱密度的最大值的公式为：

γ_max＝max{DFT[a_cn(n)]}²/N

式中n＝(1,2,..,N)，N为采样点数，a_cn(n)＝a_n(n)-1，a_n(n)为归一化后的瞬时幅度，DFT(·)表示离散傅里叶变换；

其中，零中心归一化瞬时幅度标准差的公式为：

式中

为a_cn(n)的均值；

所述波动系数的具体公式为：

β＝v/μ

其中v与μ分别为a_n(n)的方差与均值。

4.如权利要求1所述的水声信号自动调制识别方法，其特征在于，所述熵特征包括：功率谱香农熵、功率谱指数熵、奇异谱香农熵、奇异谱指数熵、频谱幅度香农熵、频谱幅度指数熵、相位谱香农熵、相位谱指数熵、小波能量指数熵、小波能量香农熵、瞬时幅度指数熵、瞬时幅度香农熵。

5.如权利要求4所述的水声信号自动调制识别方法，其特征在于，所述奇异谱香农熵和奇异谱指数熵的计算方法为：

将离散的水声采样信号嵌入维数m和延迟时间n后得到重构相空间矩阵：

对该矩阵进行奇异值分解得：

其中矩阵Q为对角矩阵，对角线上的奇异值σ构成奇异值谱σ＝{σ₁，σ₂，...，σ_j|j≤K}；定义归一化后奇异值为σ_i的权值为P_i，则可分别得到奇异谱香农熵和指数熵为：

奇异谱香农熵：

奇异谱指数熵：

所述功率谱香农熵与功率谱指数熵的计算公式如下：

功率谱香农熵：

功率谱指数熵：

式中P_i为信号功率谱中各点的权值，K为功率谱的点数；

所述频谱幅度香农熵与频谱幅度指数熵的计算方法如下：

记信号的幅频响应序列为F＝{x₁,x₂,...,x_k}，则各点权值P_i如下：

则频谱幅度香农熵与频谱幅度指数熵的公式如下：

频谱幅度香农熵：

频谱幅度指数熵：

式中K为幅频响应序列的点数；

所述相位谱香农熵与相位谱指数熵的计算方法如下：

记信号的相频响应序列为P＝{x₁,x₂,...,x_k}，则各点权值w_i如下：

则相位谱香农熵与相位谱指数熵的公式如下：

相位谱香农熵：

相位谱指数熵：

式中K为相频响应曲线的点数；

所述小波能量香农熵与小波能量指数熵的计算方法如下：

使用dB3小波作为母小波对信号进行n层小波分解，得到2ⁿ级分解后的信号序列，计算每级信号能量，得到小波能量谱，记为

计算小波能量谱中各点的权值P_i，其公式如下：

则可得小波能量香农熵与小波能量指数熵的公式如下：

小波能量香农熵：

小波能量指数熵：

式中K＝2ⁿ为小波能量谱的点数。

所述瞬时幅度香农熵与瞬时幅度指数熵的计算方法如下：

记信号的瞬时幅度为S＝{x₁,x₂,...,x_k}，则各点权值P_i如下：

则可得瞬时幅度香农熵与瞬时幅度指数熵的公式如下：

瞬时幅度香农熵：

瞬时幅度指数熵：

6.如权利要求1所述的水声信号自动调制识别方法，其特征在于，所述S2中归一化的公式为：

式中N为样本数量，max与min分别为特征向量的最大值与最小值。

7.如权利要求1所述的水声信号自动调制识别方法，其特征在于，所述S5中L2标准化的公式如下：

其中，n为样本个数，x_i与x_i′分别为原始特征与L2标准化后的特征。

Images