CN115348139A - 基于级联特征融合与多级分类的调制识别方法 - Google Patents
基于级联特征融合与多级分类的调制识别方法 Download PDFInfo
- Publication number
- CN115348139A CN115348139A CN202210839009.6A CN202210839009A CN115348139A CN 115348139 A CN115348139 A CN 115348139A CN 202210839009 A CN202210839009 A CN 202210839009A CN 115348139 A CN115348139 A CN 115348139A
- Authority
- CN
- China
- Prior art keywords
- signal
- intermediate frequency
- signals
- classification
- modulation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- 230000003595 spectral effect Effects 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims description 35
- 102100026758 Serine/threonine-protein kinase 16 Human genes 0.000 claims description 25
- 101710184778 Serine/threonine-protein kinase 16 Proteins 0.000 claims description 25
- 238000001228 spectrum Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 9
- 230000010355 oscillation Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 238000004040 coloring Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000003139 buffering effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
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
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2647—Arrangements specific to the receiver only
- H04L27/2655—Synchronisation arrangements
- H04L27/2657—Carrier synchronisation
-
- 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
- H04L27/2647—Arrangements specific to the receiver only
- H04L27/2655—Synchronisation arrangements
- H04L27/2662—Symbol synchronisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种基于级联特征融合与多级分类的调制识别方法,属于调制识别技术领域。所述方法包括:利用监测设备接收零中频和低中频调制信号;从低中频信号提取时频图特征和瞬时幅度谱密度特征;从零中频信号提取高阶累积量和星座图特征;设计三级分类器完成对接收信号的调制识别。本方案结合低中频信号和零中频信号的不同特征,进行多特征联合和多分类器组合,扩展信号的识别范围。
Description
技术领域
本发明涉及信号识别技术领域,更具体地说,涉及一种基于级联特征融合与多级分类的调制识别方法。
背景技术
电磁环境日趋复杂,对于非协作通信中的截获信号感知、识别与解析当前研究的热点。其中调制识别技术在非协作通信具有重要地位,是后续信号解调、解密的基础。在民用领域,该技术可用于频谱监测与管理系统,以识别干扰信号,发现违法占用频带的行为。
在军用领域,通过调制识别技术可将截获信号进行解调以获取战场的关键情报,同时掌握调制信息可以针对性地对敌方的通信进行精准干扰。调制识别技术也是军事无线通信中频谱安全防护的重要一环,广泛应用于电磁侦察、频谱监测等场景中。
如已公开专利:基于联合特征的数字调制信号分类方法(申请号2017111386076),其公开了数字调制信号分类方法,包括如下步骤:(A)接收端对截获到的信号经ADC采样后得到中频实信号;(B)对中频实信号进行预处理得到中频复信号;(C)获取中频复信号的瞬时特征量、高阶统计量、谱特征,并根据这些特征对信号进行识别,若识别出的信号为2A SK信号、BP SK信号、Q P SK信号、OQPSK信号、8PSK信号,则分类结束;若识别出的信号为MFSK或MQAM调制大类,则执行下一步;(D)对MFSK或 MQAM调制大类进行类内识别,识别出当前调制大类下的调制阶数M后分类结束。
现有技术中,通常采用时频特征参数提取、小波变换、高阶累积量提取、快速傅里叶变换、Wigner-Ville分布等方法识别出调制信号的类型,但跟据调查,目前所采用的识别方法,其单一特征信息不足,其识别范围和识别率方面均具有一定的局限性。
发明内容
1.发明要解决的技术问题
本发明针对现有识别方法在识别范围和识别率方面的局限性,提供了一种基于级联特征融合与多级分类的调制识别方法,结合低中频信号和零中频信号的不同特征,进行多特征联合和多分类器组合,扩展信号的识别范围。
2.技术方案
为达到上述目的,本发明提供的技术方案为:
本发明的基于级联特征融合与多级分类的调制识别方法,包括如下步骤:
S1:接收端接收零中频调制信号和低中频调制信号;
S2:利用第一变换获取低中频信号的时频图特征;
S3:对零中频信号做定时恢复后,得到星座图特征;
S4:根据以上获取的时频图特征和星座图特征,将接收信号送入多级分类器,输出识别结果。
步骤S1中获取信号时,低中频信号接收模块的本振频率与信号的中心频率保持一定的差值,零中频信号的接收本振频率与射频频率基本相同。
步骤S2中的第一变换为平滑伪魏格纳威利分布、快速傅里叶变换或Gabor变换。
步骤S2中获取时频图特征后,还包括特征参数的获取:
S21:计算低中频信号的瞬时幅度谱密度最大值,得到特征参数f0;
S22:计算零中频信号的高阶累积量,得到特征参数f1、f2、f3。
步骤S21中,瞬时幅度谱密度最大值的获取方法为:
其中a(i)为信号的瞬时幅度,N为信号长度。
步骤S22中,所述高阶累积量特征的获取方法为:
零均值复随机信号的p+q阶混合矩表示为:
Mp,q=E[X(t)(p-q)X*(t)q]
其高阶累积量定义为:
于是可以得到:
C21=M21
基于高阶累积量共提取三个特征参数:
f1=|C21|
f2=|C80|/|C42|2
f3=|C40|/|C42|。
步骤S3中星座图的获取方法为:
S31:估计信号的符号速率;
S32:利用costas锁相环对信号做载波同步;
S33:利用gardner算法对信号做符号同步;
S34:基于点密度对星座图上色得到聚类星座图。
所述的多级分类器的识别流程为:
S41:获取低中频信号的时频图特征,利用CNN进行分类,如结果为AM、FM、2FSK、4FSK、2ASK,则识别停止,如果为MQAM/MPSK,则分类进行到下一级;
S42:计算零中频信号的高阶累积量特征参数f1,如果大于0.5.则输出结果BPSK。如果小于0.5,分类继续进行;
S43:计算低中频信号的瞬时幅度谱密度最大值f0,如果大于0.15,判为MQAM,反之判为MPSK,分类转入下一级;
S44:如果步骤3的结果为MPSK,提取两个零中频信号的高阶累积量特征参数,送入SVM,可对QPSK、8PSK、16PSK信号进行识别;
S45:如果步骤3的结果为MQAM,则需要估计符号速率,进行载波同步与符号同步后,生成聚类星座图输入CNN,可对8QAM、16QAM、32QAM、64QAM进行识别。
作为另一方案,一种级联特征融合与多级分类的调制识别方法,包括以下步骤:
Stp1:接收端获取低中频信号的时频图特征,利用CNN进行分类,如结果为AM、FM、2FSK、4FSK、2ASK,则识别停止;如果为MQAM/MPSK,则分类进行到下一级;
Stp2:计算零中频信号的高阶累积量特征参数f1,如果大于0.5.则输出结果BPSK;如果小于0.5,分类继续进行;
Stp3:计算低中频信号的瞬时幅度谱密度最大值f0,如果大于0.15,判为MQAM,反之判为MPSK,分类转入下一级;
Stp4:如果步骤3的结果为MPSK,提取两个零中频信号的高阶累积量特征参数,送入 SVM,可对QPSK、8PSK、16PSK信号进行识别;
如果步骤3的结果为MQAM,则需要估计符号速率,进行载波同步与符号同步后,生成聚类星座图输入CNN,可对8QAM、16QAM、32QAM、64QAM进行识别。
3.有益效果
采用本发明提供的技术方案,与现有技术相比,具有如下有益效果:
本发明的级联特征融合与多级分类的调制识别方法,将多种分类器与多种特征进行决策融合,使得区分度较大的特征识别特定的某几类调制样式,同时不同的特征采用相应的分类器进行分类,结合低中频信号和零中频信号的不同特征,进行多特征联合和多分类器组合,实现分类、分级提取,有效扩展了信号的识别范围。
附图说明
图1为本发明实施例中发射端和接收端实物图;
图2为本发明实施例中不同信号SPWVD变换后的时频图;
图3为本发明实施例中低中频信号的功率谱图;
图4为本发明实施例中高阶累积量特征参数理论值;
图5为本发明实施例中例科斯塔斯锁相环的基本结构;
图6为本发明实施例中gardner算法流程;
图7为本发明实施例中同步前后对比;
图8为本发明实施例中聚类前后对比;
图9为本发明实施例中多级分类器流程
图10为本发明实施例中ShuffleNetV2基本模块;
图11为本发明实施例中ShuffleNetV2整体结构;
图12为本发明实施例中SVM结构;
图13为本发明实施例中软件识别流程;
图14为本发明实施例中系统实测的混淆矩阵;
图15为本发明实施例中混淆矩阵示意图。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。
本说明书附图所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”等用语,亦仅为便于叙述的明了,而非用以限定可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
为了便于描述,本实施例中的算法程序是基于一定的编程软件或控制系统进行实施的,例如以LabVIEW为总控制端,主要功能为控制USRP实现信号的接收与缓存,调用Python 程序进行信号调制识别;Matlab软件主要用于信号分析与特征提取,包括时频图和星座图的生成,高阶累积量和瞬时幅度特征参数的计算,以及载频和符号速率参数的估计。Python通过决策树设计,卷积神经网络和支持向量机训练,实现调制类型的分类识别。同时,特征提取和参数估计的Matlab程序封装为函数,在Python中通过工具包调用。下述实施例中在无实质变更技术内容下,当亦视为本发明可实施的范畴。
本实施例的一种基于级联特征融合与多级分类的调制识别方法,包括如下步骤:
S1:接收端接收零中频调制信号和低中频调制信号。
作为一种示例,调质信号可以包括AM、FM、2ASK、2FSK、4FSK、BPSK、QPSK、8PSK、16PSK、8QAM、16QAM、32QAM、64QAM等信号。
S2:利用第一变换获取低中频信号的时频图特征后,还包括以下过程:
S21:计算低中频信号的瞬时幅度谱密度最大值,得到特征参数f0;
S22:计算零中频信号的高阶累积量,得到特征参数f1、f2、f3。
第一变换可以为平滑伪魏格纳威利分布、快速傅里叶变换或Gabor变换。
在一个优选的示例中,选用平滑伪魏格纳威利分布来进行视频转换。魏格纳威利分布 (Wigner-Viller,WVD)作为Cohen类双线性时频分布中最基本一种,对于某个确定性时间连续信号x(t)的WVD定义为:
其中,v表示角频率,x表示时域信号,τ表示时间差。为了实现能量分布为正值性的特点,可通过把WVD与平滑函数进行卷积,从而得到平滑伪Wigner-Ville分布(smoothpseudo WVD,SPWVD),其分布定义式为:
其中,g()、h()表示窗函数
SPWVD分布具有较佳的消交叉项效果,其时频特性和聚集性能也均保持较好。本发明的示例中采用SPWVD作为时频分析的估计,并通过MATALB的tftb工具箱得到信号的时频图,不同调制信号的时频图如图2所示。
作为步骤S21的具体说明,计算低中频信号的瞬时幅度谱密度最大值,得到特征参数f0。
其中,在获取特征参数f0时,
其中a(i)为信号的瞬时幅度,N为信号长度。由于MPSK调制的幅度恒定,计算得到的谱密度最大值为0,而MQAM的幅度是不断变化的,其谱密度最大值不为0,因此根据该特征可进行类间识别。对于实信号f(t),其解析信号为:
a(i)=abs(fl(t))
t=i/fs i=0,1...N-1
其中fl(t)为信号的复包络,a(i)为瞬时幅度,fs为接收端的采样率。为了保证特征参数估计的准确率,还需对信号的实时载频进行估计。本文通过求信号的功率谱密度求载频,采用尤兰沃克(yule-walker)算法估计功率谱。如图3的示例,载频为5Mhz的信号的功率谱密度,通过求峰值可以估计信号的载频,最后得到载频为4.9438Mhz。
作为步骤S21的具体说明,利用零中频信号提取高阶累积量特征,零均值复随机信号的 p+q阶混合矩表示为:
Mp,q=E[X(t)(p-q)X*(t)q]
其高阶累积量定义为:
于是可以得到:
C21=M21
基于高阶累积量共提取三个特征参数:
f1=|C21|
f2=|C80|/|C42|2
f3=|C40|/|C42|
不同调制类型下特征参数的值如图4所示。
S3:对零中频信号做定时恢复后,得到星座图特征。
具体的,该步骤可分为以下过程:
S31:估计信号的符号速率;通过信号的包络平方谱可获得信号的符号速率信息。
S32:利用costas锁相环对信号做载波同步;
S33:利用gardner算法对信号做符号同步;
S34:基于点密度对星座图上色得到聚类星座图。
在具体实施时,步骤S31是对接收信号作平方变换,计算其平方谱,其峰值对应的频率,即为估计的符号速率。
之所以要利用步骤S32进行载波同步,是因为在实验中发现获取的星座图有旋转,星座点过于分散的情况。根据分析,这是由于接收端载波和符号没有同步引起的,在高阶QAM 调制识别中,这种现象极易造成混淆。本实施例采用科斯塔斯(Costas)环进行载波同步,从而达到较好的效果。Costas环可以采用现有的设备实施,没有限制。如图5为Costas环的基本结构示例,其由环路滤波器、压控振荡器、相移器、乘法器等组成,具体工作方式不再进一步赘述。
在步骤S33中,利用gardner算法对信号做符号同步,通过载波同步可以解决星座图相位偏移的问题。为解决接收机的采样率与符号速率不同步,或者采样起始点并不是符号点,造成星座点不集中的问题,本实施例采用Gardner算法进行符号同步。Gardner环路可以采用插值滤波器、定时误差检测器、环路滤波器、数控振荡器等组成。图6为该算法的基本流程,不在赘述。
在步骤S34中,基于点密度对星座图上色得到聚类星座图,先确定搜索矩阵的大小,然后遍历星座图上的每一个点,计算以该点为中心的搜索矩阵内的点数量,从而得到该点范围内的密度,根据密度对该点上色,密度越大的点颜色越深。图8为聚类前后的星座图对比。
S4:根据以上获取的时频图特征和星座图特征,将接收信号送入多级分类器,输出识别结果。如图9所示,可以是基于决策树,卷积神经网络和支持向量机设计多级分类器。
S41:获取低中频信号的时频图特征,利用CNN进行分类,如结果为AM、FM、2FSK、4FSK、2ASK,则识别停止,如果为MQAM/MPSK,则分类进行到下一级;
S42:计算零中频信号的高阶累积量特征参数f1,如果大于0.5.则输出结果BPSK。如果小于0.5,分类继续进行;
S43:计算低中频信号的瞬时幅度谱密度最大值f0,如果大于0.15,判为MQAM,反之判为MPSK,分类转入下一级;
S44:如果步骤3的结果为MPSK,提取两个零中频信号的高阶累积量特征参数,送入SVM,可对QPSK、8PSK、16PSK信号进行识别;
S45:如果步骤3的结果为MQAM,则需要估计符号速率,进行载波同步与符号同步后,生成聚类星座图输入CNN,可对8QAM、16QAM、32QAM、64QAM进行识别。
在本发明的实施例中,用于时频图和星座图识别的卷积神经网络结构均为为ShuffleNetV2,如图10所示,为ShuffleNetV2的两个基本模块,DWConv代表深度卷积,GConv代表组卷积。图11为该网络的整体结构,不再赘述。
在本发明的实施例中,用于MPSK识别的机器学习算法为支持向量机,如图12所示,为支持向量机的基本结构,采用线性核函数linear:
k(xi,xj)=xi Txj
该函数的优点是参数少、速度快,且对于线性可分数据的分类效果较好。
特别说明的是,由于MQAM类信号阶数较高,且同步时不需要阶数信息,而MPSK信号的同步需要阶数信息,因此本方案选择首先对MPSK与MQAM进行类间识别。对于MPSK 信号,其阶数不高,可直接提取特征参数进行识别,而MQAM类信号则需要先做载波与符号同步。此外,在实测中发现,BPSK的瞬时幅度谱特征参数常常过大而影响MPSK和MQAM 的类间分类,因此在分类时引入高阶累积量首先对其进行判别。
作为上述方法的另一种实施方式,包括以下步骤:
Stp1:接收端获取低中频信号的时频图特征,利用CNN进行分类,如结果为AM、FM、2FSK、4FSK、2ASK,则识别停止;如果为MQAM/MPSK,则分类进行到下一级;
Stp2:计算零中频信号的高阶累积量特征参数f1,如果大于0.5.则输出结果BPSK;如果小于0.5,分类继续进行;
Stp3:计算低中频信号的瞬时幅度谱密度最大值f0,如果大于0.15,判为MQAM,反之判为MPSK,分类转入下一级;
Stp4:如果步骤3的结果为MPSK,提取两个零中频信号的高阶累积量特征参数,送入 SVM,可对QPSK、8PSK、16PSK信号进行识别;
如果步骤3的结果为MQAM,则需要估计符号速率,进行载波同步与符号同步后,生成聚类星座图输入CNN,可对8QAM、16QAM、32QAM、64QAM进行识别。
在该实施例中所用到的计算方法和特征参数获取方法在前述内容中已经说明,不再进一步描述。
如图13展示了用到的三个编程软件,其中LabVIEW为总控制端,主要功能为控制USRP 实现信号的接收与缓存,调用Python程序进行信号调制识别,并将结果输出到前面板。Matlab 软件主要用于信号分析与特征提取,包括时频图和星座图的生成,高阶累积量和瞬时幅度特征参数的计算,以及载频和符号速率参数的估计。Python通过决策树设计,卷积神经网络和支持向量机训练,实现调制类型的分类识别。同时,特征提取和参数估计的Matlab程序封装为函数,在Python中通过工具包调用。
图14为最后的系统界面,板主要由低中频信号接收,零中频信号接收与识别结果显示三部分组成。其中低中频信号接收模块的本振频率与信号的中心频率保持一定的差值,零中频信号接收模块的本振频率与信号的中心频率一致。
为了检验系统的性能,以下实测模式示例对系统的识别效果进行实测说明。
设置发射信号的中心频率为400MHz,符号速率为1MHz。低中频接收端的本振中心频率设置为405MHz,通过混频得到中心频率为5Mhz的中频信号,即中低中频信号接收模块的本振频率与信号中心频率差值设置为5MHz。为满足奈奎斯特采样定理,采样率设置为15MHz,每帧采样时间为200微秒,循环采样100帧。零中频接收端的本振中心频率与信号中心频率一致,为400MHz,采样率设置为2MHz,每帧采样时间为1毫秒,循环采样100帧。
为了减少偶然性对识别效果的影响,每一级进行识别时都会提取多个样本进行识别,选择统计概率最高的调制样式作为该级分类的识别结果。识别结果显示模块将会输出每一级分类中每个样本的标签和统计概率,同时将信号的时频图和星座图显示到前面板,作为人工判别辅助。
实测时,在环境噪声条件下,对于每一类调制类型做10次实验,每次取10个样本统计识别结果,其混淆矩阵如图15所示。实测结果显示,本系统对大多数调制类型可达到100%的识别率,其综合识别率约为99.15%。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (10)
1.基于级联特征融合与多级分类的调制识别方法,其特征在于,包括如下步骤:
S1:接收端接收零中频调制信号和低中频调制信号;
S2:利用第一变换获取低中频信号的时频图特征;
S3:对零中频信号做定时恢复后,得到星座图特征;
S4:根据以上获取的时频图特征和星座图特征,将接收信号送入多级分类器,输出识别结果。
2.根据权利要求1所述的基于级联特征融合与多级分类的调制识别方法,其特征在于:步骤S1中获取信号时,低中频信号接收模块的本振频率与信号的中心频率保持一定的差值,零中频信号的接收本振频率与射频频率基本相同。
3.根据权利要求1所述的基于级联特征融合与多级分类的调制识别方法,其特征在于:步骤S2中的第一变换为平滑伪魏格纳威利分布、快速傅里叶变换或Gabor变换。
4.根据权利要求1所述的基于级联特征融合与多级分类的调制识别方法,其特征在于:
步骤S2中获取时频图特征后,还包括特征参数的获取:
S21:计算低中频信号的瞬时幅度谱密度最大值,得到特征参数f0;
S22:计算零中频信号的高阶累积量,得到特征参数f1、f2、f3。
7.根据权利要求1所述的基于级联特征融合与多级分类的调制识别方法,其特征在于:步骤S3中星座图的获取方法为:
S31:估计信号的符号速率;
S32:利用costas锁相环对信号做载波同步;
S33:利用gardner算法对信号做符号同步;
S34:基于点密度对星座图上色得到聚类星座图。
8.根据权利要求1所述的基于级联特征融合与多级分类的调制识别方法,其特征在于:所述的多级分类器的识别流程为:
S41:获取低中频信号的时频图特征,利用CNN进行分类,如结果为AM、FM、2FSK、4FSK、2ASK,则识别停止,如果为MQAM/MPSK,则分类进行到下一级;
S42:计算零中频信号的高阶累积量特征参数f1,如果大于0.5.则输出结果BPSK。如果小于0.5,分类继续进行;
S43:计算低中频信号的瞬时幅度谱密度最大值f0,如果大于0.15,判为MQAM,反之判为MPSK,分类转入下一级;
S44:如果步骤3的结果为MPSK,提取两个零中频信号的高阶累积量特征参数,送入SVM,可对QPSK、8PSK、16PSK信号进行识别;
S45:如果步骤3的结果为MQAM,则需要估计符号速率,进行载波同步与符号同步后,生成聚类星座图输入CNN,可对8QAM、16QAM、32QAM、64QAM进行识别。
9.一种级联特征融合与多级分类的调制识别方法,其特征在于,包括以下步骤:
Stp1:接收端获取低中频信号的时频图特征,利用CNN进行分类,如结果为AM、FM、2FSK、4FSK、2ASK,则识别停止;如果为MQAM/MPSK,则分类进行到下一级;
Stp2:计算零中频信号的高阶累积量特征参数f1,如果大于0.5.则输出结果BPSK;如果小于0.5,分类继续进行;
Stp3:计算低中频信号的瞬时幅度谱密度最大值f0,如果大于0.15,判为MQAM,反之判为MPSK,分类转入下一级;
Stp4:如果步骤3的结果为MPSK,提取两个零中频信号的高阶累积量特征参数,送入SVM,可对QPSK、8PSK、16PSK信号进行识别;
如果步骤3的结果为MQAM,则需要估计符号速率,进行载波同步与符号同步后,生成聚类星座图输入CNN,可对8QAM、16QAM、32QAM、64QAM进行识别。
10.根据权利要求9所述的一种级联特征融合与多级分类的调制识别方法,其特征在于,采用权利要求2-8任一项所述的方法中的相关步骤,获取特征参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210839009.6A CN115348139B (zh) | 2022-07-18 | 2022-07-18 | 基于级联特征融合与多级分类的调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210839009.6A CN115348139B (zh) | 2022-07-18 | 2022-07-18 | 基于级联特征融合与多级分类的调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115348139A true CN115348139A (zh) | 2022-11-15 |
CN115348139B CN115348139B (zh) | 2024-01-05 |
Family
ID=83949482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210839009.6A Active CN115348139B (zh) | 2022-07-18 | 2022-07-18 | 基于级联特征融合与多级分类的调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115348139B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040204878A1 (en) * | 2002-04-22 | 2004-10-14 | Anderson Richard H. | System and method for waveform classification and characterization using multidimensional higher-order statistics |
CN101651461A (zh) * | 2009-05-20 | 2010-02-17 | 锐迪科微电子(上海)有限公司 | Fm信号接收方法及fm信号接收机 |
CN103441974A (zh) * | 2013-08-26 | 2013-12-11 | 东南大学 | 一种联合高阶统计量和谱峰特征的调制识别装置及方法 |
CN111903240B (zh) * | 2010-03-18 | 2014-02-12 | 中国电子科技集团公司第五十四研究所 | 基于信号细微特征提取的分析识别方法 |
CN107274888A (zh) * | 2017-06-14 | 2017-10-20 | 大连海事大学 | 一种基于倍频程信号强度和差异化特征子集的情感语音识别方法 |
CN107948107A (zh) * | 2017-11-16 | 2018-04-20 | 成都玖锦科技有限公司 | 一种基于联合特征的数字调制信号分类方法 |
CN108899046A (zh) * | 2018-07-12 | 2018-11-27 | 东北大学 | 一种基于多级支持向量机分类的语音情感识别方法及系统 |
CN110554961A (zh) * | 2019-08-16 | 2019-12-10 | 平安普惠企业管理有限公司 | 异常软件检测方法、装置、计算机设备和存储介质 |
US20200044899A1 (en) * | 2017-03-27 | 2020-02-06 | South China University Of Technology | Method for automatically identifying modulation mode for digital communication signal |
CN113395225A (zh) * | 2021-06-10 | 2021-09-14 | 中国人民解放军战略支援部队信息工程大学 | 通信信号波形到比特直接接收的通用智能处理方法及装置 |
-
2022
- 2022-07-18 CN CN202210839009.6A patent/CN115348139B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040204878A1 (en) * | 2002-04-22 | 2004-10-14 | Anderson Richard H. | System and method for waveform classification and characterization using multidimensional higher-order statistics |
CN101651461A (zh) * | 2009-05-20 | 2010-02-17 | 锐迪科微电子(上海)有限公司 | Fm信号接收方法及fm信号接收机 |
CN111903240B (zh) * | 2010-03-18 | 2014-02-12 | 中国电子科技集团公司第五十四研究所 | 基于信号细微特征提取的分析识别方法 |
CN103441974A (zh) * | 2013-08-26 | 2013-12-11 | 东南大学 | 一种联合高阶统计量和谱峰特征的调制识别装置及方法 |
US20200044899A1 (en) * | 2017-03-27 | 2020-02-06 | South China University Of Technology | Method for automatically identifying modulation mode for digital communication signal |
CN107274888A (zh) * | 2017-06-14 | 2017-10-20 | 大连海事大学 | 一种基于倍频程信号强度和差异化特征子集的情感语音识别方法 |
CN107948107A (zh) * | 2017-11-16 | 2018-04-20 | 成都玖锦科技有限公司 | 一种基于联合特征的数字调制信号分类方法 |
CN108899046A (zh) * | 2018-07-12 | 2018-11-27 | 东北大学 | 一种基于多级支持向量机分类的语音情感识别方法及系统 |
CN110554961A (zh) * | 2019-08-16 | 2019-12-10 | 平安普惠企业管理有限公司 | 异常软件检测方法、装置、计算机设备和存储介质 |
CN113395225A (zh) * | 2021-06-10 | 2021-09-14 | 中国人民解放军战略支援部队信息工程大学 | 通信信号波形到比特直接接收的通用智能处理方法及装置 |
Non-Patent Citations (2)
Title |
---|
吴昊;柳永祥;姚富强;赵杭生;: "基于频谱监测传感网的分布式协同信号识别", 电波科学学报, no. 04, pages 659 - 660 * |
薛飞;魏平;蔡权伟;: "一种快速无线电监测接收机实现", 无线电通信技术, no. 01, pages 51 * |
Also Published As
Publication number | Publication date |
---|---|
CN115348139B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
Peng et al. | A survey of modulation classification using deep learning: Signal representation and data preprocessing | |
Xie et al. | Deep learning in digital modulation recognition using high order cumulants | |
Kim et al. | Deep neural network-based automatic modulation classification technique | |
Dobre et al. | Blind modulation classification: a concept whose time has come | |
CN108540202B (zh) | 一种卫星通信信号调制方式识别方法、卫星通信系统 | |
CN110113288A (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
CN111585925A (zh) | 一种基于深度学习的稳健实时射频信号调制识别方法 | |
CN104363194A (zh) | 基于波形变换的psk调制识别方法 | |
Gang et al. | Study of modulation recognition based on HOCs and SVM | |
Almohamad et al. | Dual-determination of modulation types and signal-to-noise ratios using 2D-ASIQH features for next generation of wireless communication systems | |
CN110166389A (zh) | 基于最小二乘支持向量机的调制识别方法 | |
Ghauri | KNN based classification of digital modulated signals | |
Bahloul et al. | An efficient likelihood-based modulation classification algorithm for multiple-input multiple-output systems | |
CN115348139A (zh) | 基于级联特征融合与多级分类的调制识别方法 | |
Wang et al. | A learning-based signal parameter extraction approach for multi-source frequency-hopping signal sorting | |
CN113242201B (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
Li et al. | A novel modulation classification for PSK and QAM signals in wireless communication | |
Weng et al. | Message structure aided attentional convolution network for RF device fingerprinting | |
CN111245756B (zh) | 基于级联svm和全数字接收机的复合信号调制识别方法 | |
CN107911321A (zh) | 一种分块超奈奎斯特传输方法和系统 | |
CN115333905B (zh) | 一种信号调制方式识别方法 | |
AlOtaiby et al. | Support vector machine based classifier for digital modulations in presence of HF noise | |
Sun et al. | Efficient Recognition for MQAM Signal Using Feature Extraction | |
Luo et al. | Extraction and recognition of fingerprint characteristic of mobile terminal’s transient signal |
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 |