CN114759991B - 一种基于可见性图的循环平稳信号检测及调制识别方法 - Google Patents
一种基于可见性图的循环平稳信号检测及调制识别方法 Download PDFInfo
- Publication number
- CN114759991B CN114759991B CN202210310619.7A CN202210310619A CN114759991B CN 114759991 B CN114759991 B CN 114759991B CN 202210310619 A CN202210310619 A CN 202210310619A CN 114759991 B CN114759991 B CN 114759991B
- Authority
- CN
- China
- Prior art keywords
- signal
- cyclostationary
- visibility
- visibility graph
- graph
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明设计了一种基于可见性图算法的循环平稳信号检测及调制类型识别的方法,适用于在现有频谱资源日益稀缺的情况下,不能够有效检测信道中的目标信号、识别该信号调制类型不准确等问题。通过将待检测信号进行归一化、量化预处理,使其连续功率谱谱值转化为可见性图矩阵,再对可见性图矩阵加权,并利用矩阵的连通性及周期性判断信道中真实信号是否存在。利用可见性图邻接矩阵的平均度来评估图的连通性,并使用支持向量机和K近邻算法对不同调制类型的循环平稳信号进行分类。本发明与现有的统计循环谱检测方法相比,信号检测性能提升了2dB。在信噪比为‑8dB的情况下,识别正确率近91%。
Description
所属技术领域
本发明涉及信号检测及调制识别技术,具体涉及一种基于可见性图的循环平稳信号检测及调制识别方法。
背景技术
无线通信和网络技术的飞速发展,激发了越来越多的无线网络业务。而频谱作为无线网络中最宝贵的资源,已经难以满足目前及将来的无线业务需求,这已成为制约无线通信发展的瓶颈。频谱感知及调制识别作为解决频谱资源稀缺问题的两项关键技术,受到研究者们广泛青睐。
快速准确的频谱感知技术是实现认知无线电系统的关键和前提。目前已提出的频谱感知方法主要包括多分辨率频谱感知、能量检测、匹配滤波器检测以及循环平稳特征检测。这些频谱感知方法是根据信号能量、信号自相关和信号循环平稳特性设计的,用于从噪声中识别主用户信号。然而,目前的频谱感知技术主要考虑认知用户的频谱感知过程中固定的主用户的信号状态。此外,在实际的频谱分析过程中,主用户经常出现信号序列不稳定、采样时间短的情况,这将对当前的频谱感知方法产生重大影响,甚至引发漏检的验证后果,导致主用户信号调制类型识别精度降低。因此,寻找一种能够有效检测信号并识别信号调制类型的方法是非常必要的。
在众多信号检测方法中,循环平稳特征检测是应用最广泛的信号检测技术之一。作为通信信号的一个重要特征,循环平稳特性通常来自信号编码、调制和循环前缀。一般来说,它们是人造信号,而噪声是不具有循环平稳特性的。此外,我们还可以利用信号的循环平稳特性来区分信号的类别,尤其在低信噪比情况下,循环平稳特征检测具有更好的检测性能,而且针对各种信号类型独特的统计特征进行循环谱分析,可以克服恶意干扰信号,大大提高检测的性能和效率。
虽然人们利用循环谱的统计检验量分析了许多识别循环平稳信号的方法,但是传统的循环平稳检测方法为了达到理想的感知效果,需要大量的数据采样点,导致其感知过程复杂度大,感知时间长。因此,针对现有方法的不足,通过对循环平稳信号的特性分析,本发明提出了一种基于可见性图的循环平稳信号检测及识别方法。该方法不仅能有效检测信道中的循环平稳信号,而且能准确识别其相应的调制类型。即使在信噪比较低或样本数较少的情况下,该信号检测方法也能够有效地检测微弱或稀疏信号。
发明内容
本发明提出一种基于可见性图的循环平稳信号检测及调制识别方法,目的是能够有效检测信道中的循环平稳信号并准确识别该信号调制类型。
为实现上述发明目的,本发明的具体技术方案如下:
步骤(1):在高斯噪声环境下接收样本信号,运用快速傅里叶变换计算获得样本信号的循环功率谱,并对功率谱谱值进行量化归一化处理,通过功率谱维度的变换,使其转化成二维可见性图邻接矩阵;
步骤(2):针对循环平稳信号的循环平稳特性建立信号检测系统模型,并通过比较待检测样本信号的可见性图平均聚类系数与所设置的动态阈值的大小,判断所接收样本信号是否存在循环平稳信号;
步骤(3):对样本信号的可见性图进行加权处理,然后提取加权网络的特征,使用机器学习算法KNN识别特征,根据加权后不同调制类型信号之间可见性图的平均度差异来实现对接收信号的识别;
步骤(4):利用Matlab平台对样本信号的检测与识别进行仿真验证。
待检测样本信号预处理系统是在高斯噪声环境下,通过可见性算法将时间序列转换为可见性图矩阵,每个离散时间循环平稳信号最终可以简单地表示为可见性图形。信号检测系统模型是通过比较待检测样本信号的可见性图平均聚类系数与所设置的动态阈值的大小来建立。循环平稳信号调制类型识别系统是利用机器学习算法KNN识别特征,根据加权后不同调制类型信号之间可见性图的平均度差异来实现对所接收样本信号的识别。
有益效果
(1)本发明充分利用了可见性图的连通性和周期性,将离散周期平稳信号序列转化为可见性图。通过可见性图邻接矩阵的平均度可以直接确定循环平稳信号的存在,从而提高了信号检测的检测效率。
(2)本发明所提出的信号检测方法能够有效地检测微弱信号。即使在信噪比较低或样本数较少的情况下,该方法的检测性能也优于现有的其他方法。
(3)本发明为了进一步确定循环平稳信号的调制类型,对转换可见性图矩阵的信号进行加权,然后提取加权网络的特征。利用支持向量机和K近邻算法对不同调制类型的循环平稳信号进行分类。
(4)本发明可以在Matlab平台中对多种不同调制方式的循环平稳信号检测及调制类型识别进行仿真验证。
(5)本发明与现有统计循环谱检测方法相比,信号检测性能提升了2dB。在信噪比为-8dB的情况下,识别正确率近91%。
附图说明
下面是结合附图和实例对本发明进行进一步说明:
图1是本发明多个循环平稳信号预处理后的功率谱图;
图2是所接收到的信号经过可见性算法转换后的可见性图;
图3是加性高斯白噪声下不同调制类型的循环平稳信号的平均聚类系数;
图4是本发明的循环平稳检测方法与其它信号检测方法的检测性能的对比图;
图5是本发明不同调制类型的循环平稳信号的识别混淆矩阵;
具体实施方式
一种基于可见性图算法的循环平稳信号检测及调制类型识别方法,其包括待检测样本信号预处理系统、信号检测系统模型、循环平稳信号调制类型识别系统、Matlab平台仿真验证系统。
所述待检测样本信号预处理系统是在高斯噪声环境下接收样本信号,运用快速傅里叶变换计算获得样本信号的循环功率谱,并对功率谱谱值进行量化归一化处理,通过功率谱维度的变换,使其转化成二维可见性图邻接矩阵。
所述信号检测系统模型是针对循环平稳信号的循环平稳特性建立信号检测系统模型,并通过比较待检测样本信号的可见性图平均聚类系数与所设置的动态阈值的大小,判断所接收样本信号是否存在循环平稳信号。这种信号检测方法能够有效地检测微弱信号。即使在信噪比较低或样本数较少的情况下,该方法的检测性能也优于现有的其他方法。
所述循环平稳信号调制类型识别系统是运用机器学习算法KNN识别特征,利用支持向量机和K近邻算法对不同调制类型的循环平稳信号进行分类。在对样本信号可见性图加权后,将每个信号的可见性图平均权值作为最佳统计属性,根据加权后不同调制类型信号之间可见性图的平均度差异来实现对所接收样本信号的识别。
所述Matlab平台仿真验证系统是利用Matlab平台对多种不同调制方式的循环平稳信号检测及调制类型识别进行仿真验证。
如图1所示是本发明对接收到的样本信号进行归一化、量化处理,运用快速傅里叶变换计算获得样本信号的循环功率谱。
如图2所示是本发明通过可见性算法将时间序列转换为可见性图矩阵,由可见性图邻接矩阵的平均度可以直接确定循环平稳信号的存在。
如图3所示是加性高斯白噪声下不同调制类型的循环平稳信号的平均聚类系数,为了让用户能够清晰的观察本发明的利处,由图可以观察出,在信噪比-12dB前,循环平稳信号可见性图的平均聚类系数都已超过所设定的动态阈值,而加性高斯白噪声因为其本身二阶循环统计量不具有周期特性,所以其可见性图对应的平均聚类系数是非常小的,且基本保持恒定。另一方面由图可看出随着信号调制阶数增大,平均度也会相应提高。必须注意的是,这并不能说明信号调制阶数越大,所探讨的可见性图信号检测器性能越好,只能说明,在所设定的信号量化等级下,信号平均聚类系数更容易计算处理。
如图4所示是本发明的方法基于可见性图循环平稳信号检测器(VGCSD)与传统循环平稳特征检测器(CCD)、统计循环平稳特征检测器(SCD)及能量检测(ED)的检测性能对比。可以清楚地看到,在低信噪比环境下,所探讨的基于可见性图循环平稳信号检测器优于统计循环平稳特征检测器2dB。
如图5所示是本发明给出的基于可见性图的11种不同调制类型的循环平稳信号识别混淆矩阵。从图中可以看出,本发明所提出的VGCSD算法能够很好地识别不同调制类型的循环平稳信号。
Claims (2)
1.一种基于可见性图的循环平稳信号检测及调制识别方法,其特征在于,其包括待检测样本信号预处理系统、信号检测系统模型、循环平稳信号调制类型识别系统、Matlab平台仿真验证系统,具体步骤如下:
步骤(1):在高斯噪声环境下接收样本信号,运用快速傅里叶变换计算获得样本信号的循环功率谱,并对功率谱谱值进行量化归一化处理,通过功率谱维度的变换,使其转化成二维可见性图邻接矩阵;
步骤(2):针对循环平稳信号的循环平稳特性建立信号检测系统模型,并通过比较待检测样本信号的可见性图平均聚类系数与所设置的动态阈值的大小,判断所接收样本信号是否存在循环平稳信号;
步骤(3):对样本信号的可见性图进行加权处理,然后提取加权网络的特征,使用机器学习算法KNN识别特征,根据加权后不同调制类型信号之间可见性图的平均度差异来实现对接收信号的识别;
步骤(4):利用Matlab平台对样本信号的检测与识别进行仿真验证。
2.根据权利要求1所述的一种基于可见性图的循环平稳信号检测及调制识别方法,其特征在于,所述步骤(3)是指为了实现对所接收样本信号的识别任务,在对样本信号可见性图加权后,将每个信号的可见性图平均权值作为最佳统计属性,使用机器学习算法KNN识别特征,利用支持向量机和K近邻算法对不同调制类型的循环平稳信号进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210310619.7A CN114759991B (zh) | 2022-03-28 | 2022-03-28 | 一种基于可见性图的循环平稳信号检测及调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210310619.7A CN114759991B (zh) | 2022-03-28 | 2022-03-28 | 一种基于可见性图的循环平稳信号检测及调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114759991A CN114759991A (zh) | 2022-07-15 |
CN114759991B true CN114759991B (zh) | 2023-09-22 |
Family
ID=82327475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210310619.7A Active CN114759991B (zh) | 2022-03-28 | 2022-03-28 | 一种基于可见性图的循环平稳信号检测及调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114759991B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104135327A (zh) * | 2014-07-10 | 2014-11-05 | 上海大学 | 基于支持向量机的频谱感知方法 |
CN104662589A (zh) * | 2012-08-21 | 2015-05-27 | 派力肯影像公司 | 用于使用阵列照相机捕捉的图像中的视差检测和校正的系统和方法 |
CN107103913A (zh) * | 2017-04-28 | 2017-08-29 | 西北大学 | 一种基于功率谱Gabor特征序列递归模型的语音识别方法 |
CN111220958A (zh) * | 2019-12-10 | 2020-06-02 | 西安宁远电子电工技术有限公司 | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10257729B2 (en) * | 2013-03-15 | 2019-04-09 | DGS Global Systems, Inc. | Systems, methods, and devices having databases for electronic spectrum management |
US9992048B2 (en) * | 2015-04-02 | 2018-06-05 | The Board Of Trustees Of The University Of Alabama | Systems and methods for detecting unused communication spectrum |
-
2022
- 2022-03-28 CN CN202210310619.7A patent/CN114759991B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104662589A (zh) * | 2012-08-21 | 2015-05-27 | 派力肯影像公司 | 用于使用阵列照相机捕捉的图像中的视差检测和校正的系统和方法 |
CN104135327A (zh) * | 2014-07-10 | 2014-11-05 | 上海大学 | 基于支持向量机的频谱感知方法 |
CN107103913A (zh) * | 2017-04-28 | 2017-08-29 | 西北大学 | 一种基于功率谱Gabor特征序列递归模型的语音识别方法 |
CN111220958A (zh) * | 2019-12-10 | 2020-06-02 | 西安宁远电子电工技术有限公司 | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 |
Non-Patent Citations (1)
Title |
---|
基于背景差分和混合帧差的运动目标检测;张正华;许晔;苏权;谢敏;;无线电工程(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114759991A (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107124381B (zh) | 一种数字通信信号调制方式自动识别方法 | |
CN108600135B (zh) | 一种信号调制方式的识别方法 | |
CN111600667B (zh) | 一种基于cnn-lstm的频谱感知方法 | |
CN110099019B (zh) | 基于深度学习的LoRa调制信号检测方法 | |
CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN109347584A (zh) | 基于指数平滑预测的频谱感知方法 | |
CN106357575A (zh) | 一种多参数联合估计的干扰类型识别方法 | |
CN112528774B (zh) | 一种复杂电磁环境下未知雷达信号智能分选系统及方法 | |
CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
CN113098638B (zh) | 一种基于分组极差图的微弱信号检测方法 | |
US20220147777A1 (en) | Automatic Partial Discharge and Noise Signals Separation using Arithmetic Coding in Time Domain and Magnitude Distributions in Frequency Domain | |
CN114759991B (zh) | 一种基于可见性图的循环平稳信号检测及调制识别方法 | |
CN112751633B (zh) | 一种基于多尺度窗口滑动的宽带频谱检测方法 | |
CN112350790B (zh) | 一种基于深度学习的频谱感知检测方法、装置及设备 | |
CN105743756A (zh) | WiFi系统中基于adaboost算法的帧检测方法 | |
KR102014234B1 (ko) | 무선 프로토콜 자동 분석 방법 및 그를 위한 장치 | |
CN110390253A (zh) | 基于多种分形谱特征提取的通信信号调制方式识别方法 | |
CN114362856B (zh) | 一种基于拉普拉斯矩阵的循环平稳信号检测与识别方法 | |
CN114826764A (zh) | 一种基于集成学习的边缘计算网络攻击识别方法及系统 | |
CN111800357A (zh) | 一种基于循环谱区分调制类型的方法及系统 | |
CN115086019B (zh) | 一种工业物联网物理层数据波形特征入侵检测方法 | |
CN105407491B (zh) | 基于多电平的序列检测与识别方法 | |
Li et al. | Research on adaptive energy detection technology based on correlation window | |
Zamora et al. | Using support vector machines for passive steady state RF fingerprinting | |
CN117411572A (zh) | 基于拟拉普拉斯能量特征的认知无线电频谱感知方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |