CN113660185A - 基于极值分布及小波变换特征的多载波信号类型识别方法 - Google Patents
基于极值分布及小波变换特征的多载波信号类型识别方法 Download PDFInfo
- Publication number
- CN113660185A CN113660185A CN202110922158.4A CN202110922158A CN113660185A CN 113660185 A CN113660185 A CN 113660185A CN 202110922158 A CN202110922158 A CN 202110922158A CN 113660185 A CN113660185 A CN 113660185A
- Authority
- CN
- China
- Prior art keywords
- signal
- signals
- carrier signal
- distribution
- ofdm
- 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.)
- Withdrawn
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0008—Modulated-carrier systems arrangements for allowing a transmitter or receiver to use more than one type of modulation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提出了一种基于极值分布及小波变换特征的多载波信号类型识别方法,这是针对OFDM、FOFDM、FBMC、UFMC四种多载波信号,所提出的一种基于超阈值极值及小波变换特征的5G多载波信号识别方法。该方法分为两个步骤:首先,通过对多载波信号的时域模值平方序列进行POT分布拟合检验,以实现对OFDM类及非OFDM类信号的类间识别;而后,分别提取两类信号的频谱Haar小波变换中段的POT极值特征及其线谱存在性特征,以实现类内多载波信号的识别。本发明避免了算法对训练样本的依赖性,提高了算法在低信噪比条件下的识别性能。
Description
技术领域
本发明属于信号识别与处理领域,具体涉及5G新型多载波信号识别方法。
背景技术
多载波技术是新一代移动通信系统物理层的关键技术之一,其主要思想是将发送端的数据流通过编码、交织、符号映射等分解成多个比特流,每个比特流都具有更低的传输速率,更小的符号间的干扰。其中,正交频分复用(0rthogonal Frequency DivisionMultiplexing,OFDM)以其传输效率高、易通过傅立叶变换实现及易于与多输入多输出(Multi Input Multi Output,MIMO)结合等优点被广泛应用于4G通信系统中。但OFDM调制技术也存在一些缺陷。比如,由于多普勒效应的存在,信号在无线信道传输过程中,接收端信号会产生偏移,从而破坏了OFDM系统的正交性。另外,OFDM的高性能是在载波严格同步的情况下得到的,为了保证载波的严格同步系统需要采取很多附加的措施,这无疑增加了系统的复杂性,特别在第五代通信系统(5th Generation,5G)中典型的物联网及机器对机器的通信场景中,严格的载波同步要求难以保证,因为严格的载波同步需要耗费大量的资源和时间。此外,由于OFDM技术采用了矩形滤波器,从而导致其载波旁瓣衰减缓慢,在不能严格保证载波同步的情况下,将导致比较严重的相邻载波之间的干扰;而且较大的旁瓣将会影响系统的频谱感知与检测的性能,因此,当使用传统基于能量的感知算法进行频谱检测时,可能会出现难以区分有用信号和旁瓣干扰的情形,从而可能导致感知结果的错误。所以对5G通信系统而言,亟须一种更适用于低延时、高效率通信要求的新型多载波接入技术。为此,众多学者对该问题进行了广泛研究,并提出了若干非正交异步多载波技术。例如,滤波器组多载波(Filter Bank Multi-Carrier,FBMC),该技术是在OFDM的基础上延伸而来的。与OFDM相比,FBMC系统具有更小的邻带频谱泄漏,极大的提高了系统的频谱利用率;同时,FBMC系统不要求各个载波之间正交,这样系统用于保持载波正交性的资源得以节约,较大程度上缩短了通信设备接入网络的时间。其他5G中常见的多载波接入方式有广义频分复用(Generalized Frequency Division Multiplexing,GFDM)、通用滤波多载波(UniversalFiltered Multi-carrier,UFMC)、子带滤波的正交频分复用(Filtered-OrthogonalFrequency Division Multiplexing,FOFDM)、多载频时分多址接入(Multi-Carrier TimeDivision Multiple Access,MC-TDMA)等。
显然,新型多载波技术的发展极大的满足了5G移动通信系统在低能耗、高效率、强抗干扰能力方面的性能需求,满足了人们在任何通信场景中上网体验的要求。但是,从另一个方面而言,在认知无线电、通信侦察等非协作信号处理场合,由于缺乏信号的先验信息,数字化侦察接收机需要对接收信号的类型及参数进行有效识别,以便完成后续的进一步识别与处理,如个体识别、灵巧干扰等。必须注意到,随着5G通信系统的商用化及其演进,信号识别所面临的环境是一个复杂异构的信号网络,即4G所采用的OFDM多载波信号与5G所采用的非正交多载波信号混合共存,这样一来,信号识别所面临的任务除了传统的调制方式识别、码型识别,还必须对多载波信号的类型进行有效识别。在某些情况下,多载波信号类型的识别可能是调制方式识别、信号解调等环节的前提与基础。因此,对多载波信号类型的识别,已成为智能化信号处理系统中一个不可或缺的技术环节,相关识别算法的研究也成为该领域的亟待解决的新课题。
从目前相关领域的研究现状来看,有关信号识别算法的研究大多是针对信号的调制识别,并已形成了较为成熟的处理方法与技术。但是,这些方法大多并未涉及信号载波类型的识别,如单载波与多载波,不同多载波类型等。因此,是否能直接应用于多载波信号的场景有待进一步研究与验证。显然,如果考虑信号的载波类型,则信号识别的任务也需要重新定义与拓展,即需要进一步考虑到不同载波配置下信号的调制识别以及载波类型的识别等问题。现有的多载波信号识别算法主要是依赖于机器学习与信号模值,运算复杂,且需依赖一定量的训练样本,不利于对实时要求高的非协作信号处理领域。
发明内容
本发明针对OFDM、FOFDM、FBMC、UFMC四种多载波信号,为了减少算法对训练样本的依赖性,提高算法在低信噪比条件下的识别性能,提供一种基于极值分布及小波变换特征的多载波信号类型识别方法。该方法分为两个步骤:首先,通过对多载波信号的时域模值平方序列进行POT(Peek over Threshold,POT)分布拟合检验,以实现对OFDM类及非OFDM类信号的类间识别;而后,分别提取两类信号的频谱Haar小波变换中段的POT极值特征及其线谱存在性特征,以实现类内多载波信号的识别。
为实现上述目的,本发明采用以下技术方案:
基于极值分布及小波变换特征的多载波信号类型识别方法,待识别的多载波信号库中包含OFDM信号、FOFDM信号、FBMC信号与UFMC信号,其特征在于,包括如下步骤:
步骤1:对多载波信号的模值取平方,选定阈值λ0,构建超阈值序列;
步骤2:计算超阈值序列的经验分布函数,并通过检验超阈值序列的经验分布是否服从GP-I分布,将多载波信号分为OFDM类和非OFDM类;
步骤3:对分类后的多载波信号先进行DFT变换后作Haar小波变换,得到多载波信号频谱的小波变换序列;
步骤4:针对OFDM类信号,提取多载波信号频谱的小波变换序列中段部分,通过检验其是否服从GP-I分布来对OFDM信号和FOFDM信号进行区分;对非OFDM类信号,对多载波信号频谱的小波变换序列再作一次DFT,并通过检验该频谱中是否存在线谱来对UFMC信号和FBMC信号进行识别。
为优化上述技术方案,采取的具体措施还包括:
进一步地,在步骤1中,待识别信号为r(k),
其模值平方序列为:
z(k)=|r(k)|2
式中,s(k)表示多载波信号,h(k)表示信道系数,n(k)为加性高斯白噪声,z(k)是取模平方后的多载波信号,Δf表示载波频率偏移,k表示时间序列的取值,K表示信号样本总数,τ表示定时偏移,N表示子载波的个数。
进一步地,在步骤1中,选定阈值λ0,构建超阈值序列G:
式中,G={g1,g2...gL}共有L个样本。
进一步地,在步骤2中,设超阈值序列G={g1,g2...gL}的经验分布函数为F(g),GP-I分布为F0(g),则多载波信号中OFDM类信号和非OFDM类信号的识别问题转化为如下概率分布拟合检验:
检验采用KS法,具体如下:
先将超阈值序列G的经验分布F(g)与GP-工分布F0(g)之间差异的最大值作为分布拟合优度检验的统计量:
D=max|F(g)-F0(g)|
然后计算检验统计量D的显著性水平为:
最后选定一个显著性水平α0,若α>α0,则H0假设成立,否则H1假设成立;
为此,定义POT极值分布特征为F1:
当F1为1时,多载波信号为FOFDM信号;当F1为0时,则为OFDM信号。
进一步地,在步骤3中,首先对多载波信号的模值平方作DFT变换:
对DFT变换后的多载波信号作Haar小波变换:
式中,R(l)和c(l)分别为多载波信号作DFT变换以及Haar小波变换后得到的信号,l表示离散频率点,ψ是母小波函数,a是伸缩尺度,n为平移因子。
进一步地,在步骤4中,定义多载波信号频谱的小波变换序列中段部分为cB(l)=c(l),L0+1≤i<L1-1,计算I1类信号中段部分的POT极值分布拟合示意图,其中L0和L1分别表示c(l)中段部分的起点和终点,I1表示OFDM类信号,I1={OFDM,FOFDM};
为此,定义极值分布特征为F2:
I1类内信号识别的判决规则为:当F2为1时,多载波信号为FOFDM信号;当F2为0时,则为OFDM信号。
进一步地,在步骤4中,定义线谱个数特征为Y:
Y=Count[C(k)]
其中Count为计数函数,C(k)=|DFT[c(l)]|;
定义线谱存在性特征为:
于是,得到I2类内信号识别的判决规则为:当F3为1时,多载波为FBMC信号;当F3为0时,则为UFMC信号;其中I2表示非OFDM类信号,I2={FBMC,UFMC}。
本发明的有益效果是:本发明通过对多载波信号的时域模值平方序列进行POT分布拟合检验,以实现对OFDM类及非OFDM类信号的类间识别;而后,分别提取两类信号的频谱Haar小波变换中段的POT极值特征及其线谱存在性特征,以实现类内多载波信号的识别。相对已有算法而言,该方法的计算复杂度低,实时性好,对信号的先验信息依赖较少且不需要训练样本,在低信噪比时识别正确率较高,相比于基于机器学习的相关算法,本算法在非协作条件下具有更好的应用前景。仿真结果表明,在信噪比4dB时,方法的平均识别正确率可以达到90%以上。
附图说明
图1是本发明的识别方法流程图。
图2是类间识别的方法流程图。
图3是类内识别一的识别方法流程图。
图4是类内识别二的识别方法流程图。
图5是本发明的识别方法对不同类型多载波信号的识别正确率示意图。
图6是本发明的识别方法的平均识别正确率示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
图1是基于极值分布及小波变换特征的多载波信号类型识别方法流程图,本发明采用类间识别与类内识别相结合的方法进行具体说明。
一、类间识别
如图2所示,在类间识别的识别方法中,首先对多载波信号分组取极值,选定阈值λ0,构建超阈值序列计算其分布经验,判断其是否符合GP-I分布,若是,则为OFDM类信号,若否,则为非OFDM类信号,具体包括以下步骤:
1、对多载波信号分组取极值
设待识别信号为r(k):
其模值平方序列为:
z(k)=|r(k)|2
式中,s(k)表示多载波信号,h(k)表示信道系数,n(k)为加性高斯白噪声,z(k)是取模平方后的多载波信号,Δf表示载波频率偏移,k表示时间序列的取值,K表示信号样本总数,τ表示定时偏移,N表示子载波的个数。
2、构建超阈值序列
选定阈值λ0,构建超阈值序列G:
式中,G={g1,g2...gL}共有L个样本。
3、判断其是否符合GP-I分布
设超阈值序列G={g1,g2,...gL}的经验积累分布函数为F(g),GP-I分布为F0(g),则多载波信号中OFDM类信号和非OFDM类信号的识别问题转化为如下概率分布拟合检验:
检验采用KS法,具体如下:
先将超阈值序列G的经验分布F(g)与GP-I分布F0(g)之间差异的最大值作为分布拟合优度检验的统计量:
D=max|F(g)-F0(g)|
然后计算检验统计量D的显著性水平为:
最后选定一个显著性水平α0(一般取0.01或0.05),若α>α0,则H0假设成立,否则H1假设成立;
为此,定义POT极值分布特征为F1:
当F1为1时,多载波信号为FOFDM信号;当F1为0时,则为OFDM信号。
二、类内识别一
如图3所示,在类内识别一的识别方法中,首先对OFDM类信号作DFT变换,接着对其作Haar小波变换,提取频谱小波变换序列中段部分的频谱,通过检验该频谱是否服从GP-I分布来对OFDM信号和FOFDM信号进行区分,具体包括以下步骤:
1、对多载波信号的模值平方作DFT变换:
2、对DFT变换后的做载波信号作Haar小波变换:
式中,R(l)和c(l)分别为多载波信号作DFT变换以及Haar小波变换后得到的信号,l表示离散频率点,ψ是母小波函数(此处取Haar小波),a是伸缩尺度,n为平移因子。
3、定义识别特征量
定义多载波信号频谱模值小波变换的中段部分为cB(l)=c(l),L0+1≤l<L1-1,计算I1类信号中段部分的POT极值分布拟合示意图,其中L0和已1分别表示c(l)中段部分的起点和终点,I1表示OFDM类信号,I1={0FDM,FOFDM}。
为此,定义极值分布特征为F5,即:
I1类内信号识别的判决规则为:当F5为1时,多载波为FOFDM信号;当F5为0时,则为OFDM信号。
三、类内识别二
1、对多载波信号的模值平方作DFT变换:
2、对DFT变换后的多载波信号作Haar小波变换:
3、定义识别特征量
定义频谱小波变换线谱个数特征为Y,即:
Y=Count[C(k)]
其中Count为计数函数,C(k)=|DFT[c(l)]|。
定义线谱存在性特征为:
于是,得到I2类内信号识别的判决规则为:当F3为1时,多载波为FBMC信号;当F3为0时,则为UFMC信号;其中I2表示非OFDM类信号,I2={FBMC,UFMC}。
图5说明了本方法的对不同类型多载波信号的识别正确率,样本点数为1024,KS检验的显著性水平为0.01,阈值因子取0.01。附加噪声为加性高斯白噪声,信噪比设定范围为-5dB至16dB步长为3dB。
可见,四种多载波信号的识别正确率都随着信噪比的增加而增大,而不同类型的的多载波信号识别的正确率在同一信噪比下也有所不同,其中,FBMC信号识别正确率最高,UFMC次之,OFDM与FOFDM信号略差。
图6说明了本方法平均识别正确率,样本点数为1024,KS检验显著性水平为0.01,阈值因子取0.01。附加噪声为加性高斯白噪声,信噪比设定范围为-5dB至16dB步长为3dB。
当信噪比在7dB时,信号平均识别正确率已接近95%;当信噪比为10dB时,信号平均识别正确率可达100%。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (7)
1.基于极值分布及小波变换特征的多载波信号类型识别方法,待识别的多载波信号库中包含OFDM信号、FOFDM信号、FBMC信号与UFMC信号,其特征在于,包括如下步骤:
步骤1:对多载波信号的模值取平方,选定阈值λ0,构建超阈值序列;
步骤2:计算超阈值序列的经验分布函数,并通过检验超阈值序列的经验分布是否服从GP-I分布,将多载波信号分为OFDM类和非OFDM类;
步骤3:对分类后的多载波信号先进行DFT变换后作Haar小波变换,得到多载波信号频谱的小波变换序列;
步骤4:针对OFDM类信号,提取多载波信号频谱的小波变换序列中段部分,通过检验其是否服从GP-I分布来对OFDM信号和FOFDM信号进行区分;对非OFDM类信号,对多载波信号频谱的小波变换序列再作一次DFT,并通过检验该频谱中是否存在线谱来对UFMC信号和FBMC信号进行识别。
4.如权利要求3所述的基于极值分布及小波变换特征的多载波信号类型识别方法,其特征在于:在步骤2中,设超阈值序列G={g1,g2…gL}的经验分布函数为F(g),GP-I分布为F0(g),则多载波信号中OFDM类信号和非OFDM类信号的识别问题转化为如下概率分布拟合检验:
检验采用KS法,具体如下:
先将超阈值序列G的经验分布F(g)与GP-I分布F0(g)之间差异的最大值作为分布拟合优度检验的统计量:
D=max|F(g)-F0(g)|
然后计算检验统计量D的显著性水平为:
最后选定一个显著性水平α0,若α>α0,则H0假设成立,否则H1假设成立;
为此,定义POT极值分布特征为F1:
当F1为1时,多载波信号为FOFDM信号;当F1为0时,则为OFDM信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110922158.4A CN113660185A (zh) | 2021-08-11 | 2021-08-11 | 基于极值分布及小波变换特征的多载波信号类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110922158.4A CN113660185A (zh) | 2021-08-11 | 2021-08-11 | 基于极值分布及小波变换特征的多载波信号类型识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113660185A true CN113660185A (zh) | 2021-11-16 |
Family
ID=78480186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110922158.4A Withdrawn CN113660185A (zh) | 2021-08-11 | 2021-08-11 | 基于极值分布及小波变换特征的多载波信号类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113660185A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114679359A (zh) * | 2022-04-08 | 2022-06-28 | 中山大学 | 一种基于卷积神经网络的多载波波形识别方法 |
-
2021
- 2021-08-11 CN CN202110922158.4A patent/CN113660185A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114679359A (zh) * | 2022-04-08 | 2022-06-28 | 中山大学 | 一种基于卷积神经网络的多载波波形识别方法 |
CN114679359B (zh) * | 2022-04-08 | 2023-05-19 | 中山大学 | 一种基于卷积神经网络的多载波波形识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Cyclostationary feature detection based spectrum sensing algorithm under complicated electromagnetic environment in cognitive radio networks | |
CN101984612B (zh) | 基于压缩感知的非连续正交频分复用信道估计方法 | |
CN106385308B (zh) | 基于k-s检测的stbc-ofdm信号盲识别方法 | |
CN105429719B (zh) | 基于功率谱和多尺度小波变换分析强干扰信号检测方法 | |
CN101588191B (zh) | 无线电信号认知方法及设备 | |
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 | |
CN102263601A (zh) | 一种宽带多信号检测方法 | |
CN107276696A (zh) | 一种低信噪比条件下信号检测算法 | |
CN104735017A (zh) | 一种非正交多载波数字调制与解调方法及装置 | |
CN113660185A (zh) | 基于极值分布及小波变换特征的多载波信号类型识别方法 | |
CN105119861B (zh) | 一种交织载波索引调制n阶连续ofdm系统ber改善方法 | |
CN112364823B (zh) | 5g多载波信号识别方法 | |
Zhang et al. | A spectrum sensing algorithm for OFDM signal based on deep learning and covariance matrix graph | |
CN115051894B (zh) | 基于串行干扰消除的otfs系统符号检测方法 | |
Bao et al. | Spectrum segmentation for wideband sensing of radio signals | |
Zhao et al. | Cyclic spectrum based intelligent modulation recognition with machine learning | |
CN103546418A (zh) | 基于峰均比的调制方式的识别方法及装置 | |
Algriree et al. | A CR-5G network based on multi-user for various waveforms detection | |
CN106789774B (zh) | 用于多载波系统的信道估计方法 | |
CN102571656A (zh) | 短距离无线网络中消除信号中干扰的方法和装置 | |
CN114244660B (zh) | 一种脉冲噪声干扰下mimo-ofdm系统sfbc类型识别方法及系统 | |
CN116132237B (zh) | 一种基于周期卷积与分形的ofdm信号检测识别方法 | |
Kasa et al. | Performance Analysis of Generalized Frequency Division Multiplexing in Cognitive Radio Under Fading Channels | |
CN114900406B (zh) | 一种基于孪生网络的盲调制信号识别方法 | |
CN204517851U (zh) | 一种非正交多载波数字调制与解调装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211116 |