CN113709072B - 基于无人机动态无线传感器网络的协作式自动调制分类方法 - Google Patents

Abstract

本发明公开了一种基于无人机动态无线传感器网络的协作式自动调制分类方法，属于信号调制识别领域。首先，网络中的本地无人机对接收到的未知信号用基于循环谱特征的图域识别方法进行调制识别得到相应的本地决策，同时选取具有最大平均接收信噪比估计值的本地无人机作为当前网络时隙的临时融合中心，本地无人机将当前时隙内得出的本地决策发送给该临时融合中心，然后在临时融合中心进行决策融合，每个本地无人机的投票权重由其累积状态和时间折现因子决定，最后选取得票值最高的调制方式作为这一时隙的全局决策，同时更新每个本地无人机的权重；本发明提出的自动调制分类方法，可以实现稳定、有效的多种调制信号的类间识别。

Description

基于无人机动态无线传感器网络的协作式自动调制分类方法

技术领域

本发明属于信号调制识别领域，特别是基于无人机动态无线传感器网络的协作式自动调制分类方法。

背景技术

自动调制分类技术可以在没有先验知识的情况下盲识别未知信号的调制类型，在各种民用和军事应用中发挥着至关重要的作用，例如认知无线电、自适应调制、动态频谱访问和电子信息战。近三十年来对于自动调制分类方法的研究已经趋于完备，主要包括两类，基于似然函数的方法和基于特征的方法，但这些方法大多仅考虑单个接收器的场景。然而，由于自动调制分类对信道的时变性、多径衰落和频率选择性十分敏感，所以自动调制分类仍然被视为一项艰巨而复杂的任务。近年来，自动调制分类技术逐渐与无线传感器网络相结合，通过一组地理位置分散的传感器来实现协作式自动调制分类，可以更可靠地对未知目标信号进行识别，尤其是对于检测信号较弱的情况性能更加明显。与此同时，装有自动调制分类传感器载荷的无人机也被用作移动感知节点，以构建动态无线传感器网络，针对未知目标信号实现具有最佳网络拓扑的协作式自动调制分类，可以进一步提高运动目标信号的分类性能。

协作式自动调制分类通常是通过空间分散在无线传感器网络中的感知节点之间共享数据和/或局部决策来获得全局决策以此对未知信号进行分类，可以根据协作体系架构和融合数据的抽象级别来进行详细分类。由于协作式自动调制分类的完全分布式体系架构为了使全部节点达成共识通常会导致难以忍受的计算复杂度，因此大多数现有的协作式自动调制分类都是遵循带有融合中心的集中式体系架构，该架构下无线传感器网络中的每个传感器节点都传输关于未知信号的数据/决策给融合中心，然后由融合中心汇集所有本地信息以生成最终的全局决策。而融合中心的融合机制根据融合信息的抽象级别可以在三个层次实施，即信号级、特征级和决策级。在信号级，每个传感器节点将观察到的原始信号通过无线传感器网络直接发送给融合中心，由融合中心汇集得到一个组合信号，然后对该组合信号应用传统的单节点自动调制分类方法得出全局决策。信号级融合可以最大程度地保留信号中的原始信息，并且本地节点仅需要基础的信号处理能力即可。然而，原始信号的传输会导致网络通信开销过大，特别是随着协作节点数量的增加时，网络开销是非常巨大的，而且还会导致每个节点发送到融合中心的信号存在明显传输延迟，那么融合中心必须先对所有本地信号进行校准后再将它们组合在一起以形成单个合成信号以生成全局决策。特征级融合方法实现了网络开销和原始信号中软信息的折中，首先在各个本地节点上提取未知信号的特征，例如高阶统计量、循环平稳性和小波系数，然后在融合中心上使用特征级融合算法得出全局决策。但是特征级融合的协作式自动调制分类性能取决于本地特征的置信度及在融合中心上的有效融合，这就在很大程度上受到每个节点处接收到的信号质量的影响。决策级融合是抽象级别最高的信息融合，首先在各个本地节点上使用传统单节点自动调制分类方法生成相应的本地决策，然后发送至融合中心进行融合以达成全局决策。很明显，决策级融合是以丢弃原始信号中所有的软信息为代价来显著减小网络传输开销，通常用于大规模的复杂网络。

将搭载传感器载荷的无人机应用在无线传感器网络里，有效地促进了无线传感器网络向动态无线传感器网络的演进，带来了例如快速部署、高移动性、最佳网络拓扑等显著优点，同时也给基于无人机组成的动态无线传感器网络中的协作式自动调制分类方法带来了一些新的挑战。由于基于无人机的动态无线传感器网络的灵活移动性，目标信号源和每个本地节点之间的信道特性是时变的，同时以无人机作为感知节点对动态无线传感器网络的随机访问会导致动态传感器网络中的传感器节点数不是固定的，即参与协作自动调制分类的无人机数量在每个感知时隙中可能是不一样的，由此动态无线传感器网络的网络拓扑结构也是变化的。在这种情况下，网络负载必须保持很小，并且动态无线传感器网络中的融合中心也必须在每个时隙中进行动态分配。据以往的文献来看，适用于基于无人机的动态无线传感器网络中的协作式AMC方法尚未被提出。为了填补相关研究的匮乏，本发明提出了一种决策融合级别上的基于无人机动态无线传感器网络协作自动调制分类方法。

发明内容

本发明的目的在于填补现有研究的空白，提供一种基于无人机动态无线传感器网络的协作式自动调制分类方法，实现稳定、有效的多种调制信号的类间识别。

本发明技术方案为一种基于无人机动态无线传感器网络的协作式自动调制分类方法，该方法用于调制分类系统的框架包括一个未知目标信号源、多架装有传感器载荷的无人机和一个临时融合中心，临时融合中心为当前网络中某架无人机；设在第k个感知时隙，网络中有R_k架装有感知载荷的无人机，R_k为一个变量，对于不同时隙k，R_k的值可能不同(如图1所示)；设调制方式候选集

确定，

表示第m种调制方式，m＝1,2,…,M；在第k个感知时隙，使用调制方式

的未知目标信号s_k(t)通过相应的信道发送给网络中R_k个无人机；x_k,j(t)表示第j架无人机在第k个时隙接收到的信号，j＝1,2,…,R_k，其离散形式如下：

其中，N为感知节点接收信号的长度，w_k,j(n)是均值为零，方差为σ²的离散加性高斯白噪声，并且为了简单起见假定信号和噪声互不相关；然后，每个无人机感知节点对其接收信号进行本地识别分类，并且将本地自动调制分类决策传给当前时隙下中具有最大接收信噪比值的节点，具有最大接收信噪比值的节点即被选取为当前时隙的临时融合中心；最后，在临时融合中心上按照决策融合规则融合所有本地决策以得到当前时隙的全局决策；

该方法包括：无人机感知节点上的单节点自动调制分类方法、临时融合中心的选取和基于权重投票的决策融合；

A.本地无人机感知节点上的单节点自动调制分类方法；

在每个感知时隙里，将动态无线传感器网络中装有感知负载的无人机作为感知节点来接收目标信号，并独立地使用单节点自动调制分类技术来得出其本地决策；考虑到无人机负载计算能力的限制，利用一种基于循环谱的图域信号识别方法来生成本地决策，具体步骤如下：

步骤1.1：使用快速傅里叶累加方法对样本信号(没有被噪声破坏的训练信号)进行循环谱估计，然后根据循环谱进行图域映射，建立调制方式

下样本信号的特征序列

步骤1.2：进一步建立

中样本信号的特征序列集：

步骤1.3：对于第k个感知时隙，第j个无人机感知节点的接收信号为x_k,j(n)，相同的，利用快速傅里叶累加方法得到其循环谱后进行图域映射得到x_k,j(n)的特征序列

步骤1.4：分别计算

与样本信号特征集

中特征序列的汉明距离，选取对应于汉明距离最小的调制方式作为本地决策

B.选取临时融合中心；

对于由无人机组成的动态无线传感器网络来说，由于通信环境和目标信号的变化，可能会出现现有无人机退出当前网络或者新的无人机加入当前网络的情况，这就会导致无人机感知节点数量和动态无线传感器网络拓扑结构的变化；因此，将某个无人机节点固定设置成协作式自动调制分类框架中的融合中心是不切实际的，所以提出临时融合中心的概念，在每个感知时隙的开始选取某个无人机节点作为当前时隙的临时融合中心，同时也可以避免发生固定融合中心发生故障时整个网络陷入瘫痪的情况；采用一种信道质量估计的方法进行当前融合中心的选取，具体步骤如下：

步骤2.1：在第k个感知时隙，每个无人机节点j分别计算发送信号s_k(n)的二阶矩

四阶矩

和接收信号x_k,j(n)的二阶矩

和四阶矩

j＝1,2,…,R_k；

步骤2.2：每个无人机节点j，j＝1,2,…,R_k各自计算s_k(n)的峰度

和x_k,j(n)的峰度

如下：

步骤2.3：每个无人机节点j利用

和

计算得到其接收信噪比的估计值γ_k,j如下：

步骤2.4：选取具有最大接收信噪比的估计值的无人机节点作为当前时隙的临时融合中心；

C.基于权重投票的决策融合

在第k个感知时隙，当网络中R_k个无人机节点均做出本地决策并将其发送到临时融合中心后，临时融合中心根据基于权重投票的决策融合准则得到第k个感知时隙的全局决策

具体步骤如下所述：

步骤3.1：定义无人机节点j在第k个感知时隙的累积状态的概念：

步骤3.1.1：考虑调制方式候选集

用Φ_k,j表示无人机节点j在第k个感知时隙的本地状态，Φ_k,j有2M种可能的状态，即

具体如下：

…

…

步骤3.1.2：为了使本地状态可以进行累加运算，定义函数

如下：

因此有

步骤3.1.3：定义无人机节点j在第k个感知时隙的累积状态

为：

其中k_j表示无人机节点j第一次进入网络的时隙，故k≥k_j；因此无人机节点j在网络中存在了

个感知时隙(即做了T_j(k)次本地决策)；β_q,j(k)表示在这无人机节点j存在的T_j(k)个感知时隙里，其本地状态

出现的次数，q＝1,2,…,2M；

步骤3.2：引入时间折现因子ζ，用于控制历史的本地决策对当前感知时隙里无人机节点累积状态

的影响；

步骤3.2.1：定义

表示在T_j(k)个感知时隙中全局决策相应为

的时隙，q＝1,2,…,M，j＝1,2,…,R_k；用

表示

的集合大小(即元素个数)，即有

步骤3.2.2：将感知时隙集合

里的元素从小到大进行排列，用

表示排序后的

里的第

个元素，

步骤3.2.3：将时间折现因子ζ引入累积状态

即可得

其中0＜ζ≤1，当(k-1)≥k_j时，β'_q,j具体如下：

其中

步骤3.3：考虑引入时间折现因子ζ后的累积状态

定义无人机节点j在第k个感知时隙获得的权重

如下：

如果无人机节点j下一个感知时隙仍在网络中，则将

作为无人机节点j在下一个感知时隙(第k+1个感知时隙)里决策融合过程中持有的权重；

步骤3.4：根据每个无人机节点持有的权重，进行决策融合得到全局决策，具体步骤如下：

步骤3.4.1：由于无人机在网络中存在随进随出的情况，所以一旦某个无人机离开网络后，其累积状态和权重均清空，即使它再进入网络，也被当做一个全新的无人机节点，且初始化权重设为1；在第k+1个感知时隙，定义对于调制方式

m＝1,2,…,M无人机节点j对其投票值为：

步骤3.4.2：临时融合中心计算调制方式

m＝1,2,…,M在第k+1个感知时隙的总票值为：

步骤3.4.3：选取总票值最高的调制方式作为第k+1个感知时隙的全局决策，即：

步骤3.4.4：若出现多种调制方式总票值相同的情况，则随机选择其中一种作为全局决策。

本发明首先，网络中的本地无人机对接收到的未知信号用基于循环谱特征的图域识别方法进行调制识别得到相应的本地决策，同时选取具有最大平均接收信噪比估计值的本地无人机作为当前网络时隙的临时融合中心，本地无人机将当前时隙内得出的本地决策发送给该临时融合中心，然后在临时融合中心进行决策融合，每个本地无人机的投票权重由其累积状态和时间折现因子决定，最后选取得票值最高的调制方式作为这一时隙的全局决策，同时更新每个本地无人机的权重。本发明提出的基于无人机动态无线传感器网络的协作式自动调制分类方法，可以实现稳定、有效的多种调制信号的类间识别。

附图说明

图1第k个感知时隙下基于无人机动态无线传感器网络的协作式自动调制分类系统框架图。

图2在时间折现因子ζ取不同值的情况下本发明和每个本地无人机对不同信噪比的6种调制信号的平均正确分类率对比图。

图3在存在2FSK干扰信号源的情况下本发明(ζ＝0.9)和每个本地无人机对不同信噪比的QPSK信号的平均正确识别率对比图。

图4存在QPSK干扰信号源的情况下本发明(ζ＝0.9)和每个本地无人机对不同信噪比的4FSK信号的平均正确识别率对比图。

图5存在无人机随进随出的情况下本发明对不同信噪比的6种调制信号的平均正确分类率对比图。

图6本发明和现有方法对不同信噪比的6种调制信号的平均正确分类率对比图。

具体实施例

图1描述了本发明提出的基于无人机动态无线传感器网络的协作式自动调制分类系统框架图(第k个感知时隙)，整个框架由一个未知目标信号源，R_k架本地无人机和一个临时融合中心(某架本地无人机)组成；这些本地无人机接收来自同一个未知信号源发送的信号s_k(t)，但由于所处的空间位置不同，未知信号源与每架本地无人机之间的信道均不同且相互独立，所以每架本地无人机在第k个识别时隙中接收到的信号均不同，这就意味着每架本地无人机在第k个识别时隙做出的本地决策会有所差异；而且由于信道环境不同，每架无人机接收到的信号质量也不同，那么相应的其本地分类决策的可靠性也不同。为了降低带宽需求并减小网络通信开销，先在每架无人机上完成本地自动调制分类判决，获取相应的本地决策，然后将其发送给临时融合中心做出全局决策；在此，假设这是单跳通信场景，即传感器和融合中心之间的通信不会发生错误，每个本地决策都能正确无误地发送给临时融合中心。

本实施例中，选取了六种常见调制方式作为调制类型候选集进行识别，即

本地无人机的数量设定为9，每个无人机和未知信号源之间的多径瑞利衰落信道的参数如表1所示。并且，考虑了两个切合实际的场景进行实验，即存在干扰信号源和无人机随进随出两种情况。同时，还将本发明与现有方法进行了对比，进一步验证本发明的优良效果。

从图2可以看出，无论时间折现因子ζ的值为0.2，0.5还是0.9，本发明对于调制类型候选集

中6种调制类型的平均正确分类率明显高于各个本地无人机(单节点)的平均正确识别率，在平均信噪比为2dB的时候，本发明就已经达到几近完美的识别性能(正确分类率为100％)，而所有的本地无人机(单节点)即使在平均信噪比高达20dB的情况下都不能达到相同的识别性能，大部分本地无人机(单节点)在平均信噪比为20dB的情况下也只能获取80％左右的平均正确识别率。同时本发明对于时间折现因子ζ的值具有很高的鲁棒性，基本不受时间折现因子ζ取值的影响。本发明的正确分类性能相较于单节点方法有很大提升，明显优于单节点。

从图3可以看出，当网络中存在2FSK信号干扰源的情况，本发明在平均信噪比为0dB左右时对QPSK信号就能达到接近100％的正确识别率，而即使在平均信噪比高达20dB的情况下，所有本地无人机(单节点)都不能达到相同的识别能，本发明在存在干扰信号源的情况下仍能对主要信号进行很好的正确识别，且识别性能明显优于单节点。

从图4可以看出，当网络中存在QPSK信号干扰源的情况，本发明在平均信噪比为5dB左右时对4FSK信号就能达到接近100％的正确识别率，而且在平均信噪比大于-10dB时，本发明对4FSK信号的识别性能高于所有本地无人机(单节点)，本发明在存在干扰信号源的情况下仍能对主要信号进行很好的正确识别，且识别性能明显优于单节点。

从图5可以看出，考察了三种无人机随进随出的网络场景，场景1为25个感知时隙内9架无人机均在网络中；场景2为25个感知时隙内前8架无人机均在网络中，第9架无人机在第21个感知时隙加入网络；场景3为25个感知时隙内前8架无人机均在网络中，第9架无人机只存在于前20个感知时隙，后面就退出网络。很明显，本发明在三种场景下对于6种调制方式的平均正确识别率在平均信噪比大于2dB时总能达到100％。本发明对于无人机随进随出的网络情况具有很强的稳健性和鲁棒性，且识别性能也十分优越。

从图6可以看出，无论平均信噪比多高，现有的基于似然比的协作式自动调制方法的平均正确分类率都仅有20％左右，而本发明在平均信噪比为5dB时，就已经可以达到100％的平均正确分类率。本发明的识别性能明显优于现有的基于似然比的协作式自动调制分类方法。

表1每个本地无人机和未知信号源之间的多径瑞利衰落信道的参数

信道参数	每条路径的时延(毫秒)	每条路径的增益(dB)
			信道1	[0.2,2,4]	[0,-2,-6]
信道2	[0.4,0.6,8]	[-2,-4,-6]
			信道3	[0.04,0.2,8]	[-2,-4,-10]
信道4	[0.08,0.4,0.4,1]	[0,-2,-4,-8]
			信道5	[0.04,0.08,4]	[-2,-4,-10]
信道6	[0.01,0.3,6]	[0,-8,-16]
			信道7	[0.2,6,8]	[0,-10,-20]
信道8	[0.02,0.4,0.8,6]	[-2,-6,-10,-16]
			信道9	[0.06,0.8,2]	[-4,-6,-12]

Claims (1)

1.一种基于无人机动态无线传感器网络的协作式自动调制分类方法，该方法用于调制分类系统的框架包括一个未知目标信号源、多架装有传感器载荷的无人机和一个临时融合中心，临时融合中心为当前网络中某架无人机；设在第k个感知时隙，网络中有R_k架装有感知载荷的无人机，R_k为一个变量，对于不同时隙k，R_k的值可能不同；设调制方式候选集

确定，

表示第m种调制方式，m＝1,2,...,M；在第k个感知时隙，使用调制方式

的未知目标信号s_k(t)通过相应的信道发送给网络中R_k个无人机；x_k,j(t)表示第j架无人机在第k个时隙接收到的信号，j＝1,2,...,R_k，其离散形式如下：

其中，N为感知节点接收信号的长度，w_k,j(n)是均值为零，方差为σ²的离散加性高斯白噪声，并且为了简单起见假定信号和噪声互不相关；然后，每个无人机感知节点对其接收信号进行本地识别分类，并且将本地自动调制分类决策传给当前时隙下中具有最大接收信噪比值的节点，具有最大接收信噪比值的节点即被选取为当前时隙的临时融合中心；最后，在临时融合中心上按照决策融合规则融合所有本地决策以得到当前时隙的全局决策；

该方法包括：无人机感知节点上的单节点自动调制分类方法、临时融合中心的选取和基于权重投票的决策融合；

A.本地无人机感知节点上的单节点自动调制分类方法；

在每个感知时隙里，将动态无线传感器网络中装有感知负载的无人机作为感知节点来接收目标信号，并独立地使用单节点自动调制分类技术来得出其本地决策；考虑到无人机负载计算能力的限制，利用一种基于循环谱的图域信号识别方法来生成本地决策，具体步骤如下：

步骤1.1：使用快速傅里叶累加方法对样本信号进行循环谱估计，然后根据循环谱进行图域映射，建立调制方式

下样本信号的特征序列

步骤1.2：进一步建立

中样本信号的特征序列集：

步骤1.3：对于第k个感知时隙，第j个无人机感知节点的接收信号为x_k,j(n)，相同的，利用快速傅里叶累加方法得到其循环谱后进行图域映射得到x_k,j(n)的特征序列

步骤1.4：分别计算

与样本信号特征集

中特征序列的汉明距离，选取对应于汉明距离最小的调制方式作为本地决策

B.选取临时融合中心；

采用一种信道质量估计的方法进行当前融合中心的选取，具体步骤如下：

步骤2.1：在第k个感知时隙，每个无人机节点j分别计算发送信号s_k(n)的二阶矩

四阶矩

和接收信号x_k,j(n)的二阶矩

和四阶矩

步骤2.2：每个无人机节点j，j＝1,2,...,R_k各自计算s_k(n)的峰度

和x_k,j(n)的峰度

如下：

步骤2.3：每个无人机节点j利用

和

计算得到其接收信噪比的估计值γ_k,j如下：

步骤2.4：选取具有最大接收信噪比的估计值的无人机节点作为当前时隙的临时融合中心；

C.基于权重投票的决策融合

在第k个感知时隙，当网络中R_k个无人机节点均做出本地决策并将其发送到临时融合中心后，临时融合中心根据基于权重投票的决策融合准则得到第k个感知时隙的全局决策

具体步骤如下所述

步骤3.1：定义无人机节点j在第k个感知时隙的累积状态的概念：

步骤3.1.1：用Φ_k,j表示无人机节点j在第k个感知时隙的本地状态，Φ_k,j有2M种可能的状态，即

具体如下：

步骤3.1.2：为了使本地状态可以进行累加运算，定义函数

如下：

因此有

步骤3.1.3：定义无人机节点j在第k个感知时隙的累积状态

为：

其中k_j表示无人机节点j第一次进入网络的时隙，故k≥k_j；因此无人机节点j在网络中存在了

个感知时隙；β_q,j(k)表示在这无人机节点j存在的T_j(k)个感知时隙里，其本地状态

出现的次数，q＝1,2,...,2M；

步骤3.2：引入时间折现因子ζ，用于控制历史的本地决策对当前感知时隙里无人机节点累积状态

的影响；

步骤3.2.1：定义

表示在T_j(k)个感知时隙中全局决策相应为

的时隙，q＝1,2,...,M，j＝1,2,...,R_k；用

表示

的集合大小，即有

步骤3.2.2：将感知时隙集合

里的元素从小到大进行排列，用

表示排序后的

里的第l个元素，l＝1,2,...,μ_q,j；

步骤3.2.3：将时间折现因子ζ引入累积状态

即可得

其中0＜ζ≤1，当(k-1)≥k_j时，β'_q,j具体如下：

其中

步骤3.3：考虑引入时间折现因子ζ后的累积状态

定义无人机节点j在第k个感知时隙获得的权重

如下：

如果无人机节点j下一个感知时隙仍在网络中，则将

作为无人机节点j在下一个感知时隙里决策融合过程中持有的权重；

步骤3.4：根据每个无人机节点持有的权重，进行决策融合得到全局决策，具体步骤如下：

步骤3.4.1：由于无人机在网络中存在随进随出的情况，所以一旦某个无人机离开网络后，其累积状态和权重均清空，即使它再进入网络，也被当做一个全新的无人机节点，且初始化权重设为1；在第k+1个感知时隙，定义对于调制方式

无人机节点j对其投票值为：

步骤3.4.2：临时融合中心计算调制方式

在第k+1个感知时隙的总票值为：

步骤3.4.3：选取总票值最高的调制方式作为第k+1个感知时隙的全局决策，即：

步骤3.4.4：若出现多种调制方式总票值相同的情况，则随机选择其中一种作为全局决策。

Images