CN116506273A - 新型mpsk调制信号识别分类方法 - Google Patents
新型mpsk调制信号识别分类方法 Download PDFInfo
- Publication number
- CN116506273A CN116506273A CN202310446663.5A CN202310446663A CN116506273A CN 116506273 A CN116506273 A CN 116506273A CN 202310446663 A CN202310446663 A CN 202310446663A CN 116506273 A CN116506273 A CN 116506273A
- Authority
- CN
- China
- Prior art keywords
- signal
- mpsk
- identified
- novel
- modulation signal
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 102100026758 Serine/threonine-protein kinase 16 Human genes 0.000 title claims abstract description 56
- 101710184778 Serine/threonine-protein kinase 16 Proteins 0.000 title claims abstract description 56
- 238000000819 phase cycle Methods 0.000 claims abstract description 30
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 238000013139 quantization Methods 0.000 claims abstract description 4
- 238000004804 winding Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/18—Phase-modulated carrier systems, i.e. using phase-shift keying
- H04L27/22—Demodulator circuits; Receiver circuits
-
- 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
-
- 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
本发明公开了一种新型MPSK调制信号识别分类方法，该新型MPSK调制信号识别分类方法，包括如下步骤：信号模型搭建，对无失真接收的外部MPSK调制信号进行采样量化及下变频预处理，得到中频的待识别调制信号；瞬时参数提取，根据待识别调制信号得到其相位序列，计算得到待识别调制信号的零中心非线性分量；特征参数提取；分类器识别。该新型MPSK调制信号识别分类方法通过可直接获取的数据即可进行信号模型搭建，利用计算量小的瞬时参数提取两类新特征参数，再通过简单的分类器识别即可依次将BPSK信号、QPSK和8PSK信号进行识别区分。由于所需数据少，且仅通过分类器即可识别，因此实时性强的同时识别正确率较高、计算量小、易于在工程应用上实现。
Description
技术领域
本发明属于MPSK调制信号技术领域，具体涉及一种新型MPSK调制信号识别分类方法。
背景技术
MPSK信号在通信领域应用广泛，对于外部MPSK调制信号被接收机无失真接收后如何调制识别一直是无线电监测行业研究的难题。如何在复杂环境中以更低信噪比(SNR)、更高准确率识别更多的信号种类，且能在工程上更高效地实现，一直都是国内外通信领域研究人员关注的问题。
针对MPSK调制信号类内识别问题，国内外学者也对其技术进行了深入研究，都取得了不错的效果。例如运用高阶累积量的方式，即在信号码源高度同步的情况下，通过获得的信号载波频率等信息，进行数字下变频操作得到解析信号，进而进行信号识别。又如采用循环谱分析法，通过对信号进行幂指数运算进行信号识别。还有学者通过结合深度学习算法进行类型识别。
但是现有识别分类方法存在下列不足：(1)识别过程较为复杂，实时性强和识别正确率高难以同时实现；(2)现有的识别方法计算量较大，难以在工程上实现。
发明内容
本发明的发明目的是提供一种新型MPSK调制信号识别分类方法。
该新型MPSK调制信号识别分类方法，实时性强的同时识别正确率较高；而且计算量小，易于在工程应用上实现。
为实现上述发明目的，本发明的技术方案为：
一种新型MPSK调制信号识别分类方法，包括如下步骤：
A信号模型搭建，对无失真接收的外部MPSK调制信号进行采样量化及下变频预处理，得到中频的待识别调制信号；
B瞬时参数提取，根据待识别调制信号得到其相位序列，计算得到待识别调制信号的零中心非线性分量；
C特征参数提取，计算得到表征零中心非线性相位绝对值序列的波动程度的特征参数σap和区分QPSK和8PSK信号特征参数的σacap；
D分类器识别，设置阈值th1与提取的特征参数σap进行比较来区分BPSK和QPSK\8PSK信号，再设置阈值th2与提取的特征参数σacap进行比较来区分QPSK和其他MPSK信号。
本发明提供的新型MPSK调制信号识别分类方法通过可直接获取的数据即可进行信号模型搭建，利用计算量小的瞬时参数提取两类能分别区分BPSK和QPSK\8PSK信号、区分QPSK和其他MPSK信号的新特征参数，再通过简单的分类器识别即可依次将BPSK信号、QPSK和8PSK信号进行识别区分。由于所需数据少，且仅通过分类器即可识别，因此实时性强的同时识别正确率较高、计算量小、易于在工程应用上实现。
在上述的新型MPSK调制信号识别分类方法中，所述A中，待识别调制信号模型表达式为：
其中，i表示采样点取值，N为观测数据的采样长度，s(i)为待识别调制信号，fc为载波频率，fs为采样频率，表示信号的非线相位分量。
本发明提供的信号模型搭建表达式，仅需可直接获得的几组数据即可得到待识别调制信号，对于信号码源要求较低，因此可以迅速获取信号，提高了识别效率，保证最终识别效果的实时性。
在上述的新型MPSK调制信号识别分类方法中，所述B中，所述待识别调制信号的相位序列为由下式求得，
其中，Re[s(i)]表示信号s(i)的实部，Im[s(i)]表示信号s(i)的虚部。
通过对信号s(i)的实部和虚部进行判别后在进行信号相位序列的计算，有效减小识别过程中的计算量，进一步提高工程上实现的可能。
在上述的新型MPSK调制信号识别分类方法中，所述B中，待识别调制信号的零中心非线性分量为φNL(i)，由下式求得，
在上述的新型MPSK调制信号识别分类方法中，当待识别调制信号的相位序列不在[-π，π)内时，对相位序列/>进行去卷绕处理得到去卷绕后的相位序列为/>
当信号的实际相位超过[-π，π)这一范围时，必然存在相位卷绕问题，而载波频率偏移是造成相位卷绕的主要原因，通过对相位序列进行去卷绕处理以保证信号相位的准确性，提高最终识别结果的准确性。
在上述的新型MPSK调制信号识别分类方法中，所述待识别调制信号的相位序列去卷绕后的相位序列为/>由下式求得，
其中，Ck(i)表示校正序列，
所述去卷绕后的相位序列去线性后的非线相位分量，由下式求得，
即对相位序列去卷绕的方式是用去卷绕前的序列加上校正序列，从而获得去卷绕之后的相位序列，其中去卷绕后的相位序列的零中心非线性分量仍通过下式求得，
在上述的新型MPSK调制信号识别分类方法中，所述校正序列{Ck(i)}，由下式求得，
校正序列{Ck(i)}的计算采取先进行采样点取值i和相位序列的判断，再分类进行计算，进一步减少计算量。
在上述的新型MPSK调制信号识别分类方法中，所述C中，表征零中心非线性相位绝对值序列的波动程度的特征参数σap为零中心非弱信号段瞬时相位非线性分量绝对值的标准方差，由下式求得，
其中，C为/>中满足an(i)＞at条件的样品数，at是{a(i)}的门限值。
由于at是{a(i)}的门限值，如低于该门限值，瞬时相位的对噪声将非常敏感，因此，一般取at＝1。σap参数表征零中心非线性相位绝对值序列{|φNL|}的波动程度，由于BPSK信号的直接相位取值为0和π，所以在中心对准之后其绝对值是常数(π/2)，故它不包含绝对相位信息，因此BPSK信号所对应的的σap＝0，而QPSK信号和8PSK信号所对应的σap＞0，故可以通过此特征参数对BPSK和QPSK\8PSK进行分类识别。因此使用σap即可有效识别BPSK和QPSK\8PSK信号。
在上述的新型MPSK调制信号识别分类方法中，所述C中，区分QPSK和8PSK信号区特征参数的σacap由将零中心非线性相位进一步零中心化得到，由下式求得，
其中，φ(i)为对于φNL(i)进行零均值处理之后得到参数。
由于8PSK的零中心化非线性相位分量有4个，无法使用σap将QPSK和8PSK信号区分开。因此，将计算出的零中心非线性相位进一步零中心化，借此得出一种新的特征参数σacap来区分QPSK和8PSK信号。随着信噪比的增加，BPSK和QPSK信号的值趋向于0，8PSK信号值不等于0。因此可以根据这个原理设置适当的阈值来区分8PSK和其他MPSK信号。
进一步地，所述φNL(i)进行零均值处理之后的参数·由下式求得，
φ(i)＝φNL(i)-mean(φNL)
其中，mean(φNL)表示序列φNL(i)的均值。
与现有技术相比，本发明的有益效果体现在：
(1)本发明提供的新型MPSK调制信号识别分类方法通过可直接获取的数据即可进行信号模型搭建，利用计算量小的瞬时参数提取两类能分别区分BPSK和QPSK\8PSK信号、区分QPSK和其他MPSK信号的新特征参数，再通过简单的分类器识别即可依次将BPSK信号、QPSK和8PSK信号进行识别区分。由于所需数据少，且仅通过分类器即可识别，因此实时性强的同时识别正确率较高、计算量小、易于在工程应用上实现。
(2)本发明提供的信号模型搭建表达式，仅需可直接获得的几组数据即可得到待识别调制信号，对于信号码源要求较低，因此可以迅速获取信号，提高了识别效率，保证最终识别效果的实时性。
(3)本发明通过对信号的实部和虚部进行判别后在进行信号相位序列的计算，有效减小识别过程中的计算量，进一步提高工程上实现的可能。
(4)本发明当信号的实际相位超过[-π，π)这一范围时，必然存在相位卷绕问题，而载波频率偏移是造成相位卷绕的主要原因，通过对相位序列进行去卷绕处理以保证信号相位的准确性，提高最终识别结果的准确性。
(5)本发明校正序列{Ck(i)}的计算采取先进行采样点取值i和相位序列的判断，再分类进行计算，进一步减少计算量。
附图说明
图1为本发明步骤D中的识别流程图；
图2为不同SNR下BPSK、QPSK和8PSK信号的特征参数σacap的比较结果示意图；
图3为不同信噪比下本发明新型MPSK调制信号识别分类方法的MPSK识别正确率。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案作进一步详细说明。
实施例1
本实施例提供了一种新型MPSK调制信号识别分类方法，具体如下：
一种新型MPSK调制信号识别分类方法，包括如下步骤：
A信号模型搭建，对无失真接收的外部MPSK调制信号进行采样量化及下变频预处理，得到中频的待识别调制信号；
其中，待识别调制信号模型表达式为：
式中，i表示采样点取值，N为观测数据的采样长度，s(i)为待识别调制信号，fc为载波频率，fs为采样频率，表示信号的非线相位分量。
B瞬时参数提取，根据待识别调制信号得到其相位序列，计算得到待识别调制信号的零中心非线性分量；
其中，待识别调制信号的相位序列为由下式求得，
式中，Re[s(i)]表示信号s(i)的实部，Im[s(i)]表示信号s(i)的虚部。
当待识别调制信号的相位序列不在[-π，π)内时，直接进行待识别调制信号的零中心非线性分量φNL(i)的计算，φNL(i)由下式求得，
当待识别调制信号的相位序列不在[-π，π)内时，需要先对相位序列/>进行去卷绕处理。去卷绕的过程如下：
先计算出校正序列{Ck(i)}：
用去卷绕前的序列加上校正序列得到去卷绕之后的相位序列：
由此得出信号去线性后的非线相位分量为：
其零中心非线性分量为：
C特征参数提取，计算得到表征零中心非线性相位绝对值序列的波动程度的特征参数σap和区分QPSK和8PSK信号特征参数的σacap；
首先计算零中心非弱信号段瞬时相位非线性分量绝对值的标准方差σap，由下式求得，
式中，C为/>中满足an(i)＞at条件的样品数，at是{a(i)}的门限值，at＝1。
再将计算出的零中心非线性相位进一步零中心化，得到区分QPSK和8PSK信号的特征参数σacap。计算流程如下：
1.对于φNL(i)进行零均值处理之后得到参数φ(i)，即
φ(i)＝φNL(i)-mean(φNL)
其中，mean(φNL)表示序列φNL(i)的均值。
2.计算特征参数σacap：
如图2所示，对不同SNR下BPSK、QPSK和8PSK信号的特征参数σacap进行了比较，从图中可以看出，随着信噪比的增加，BPSK和QPSK信号对应的σacap值趋向于0，8PSK信号对应的σacap值不等于0。
D分类器识别，结合上述两个特征参数，使用基于决策树分类器的识别方法进行MPSK信号识别，识别流程图如图1，设置阈值th1与提取的特征参数σap进行比较来区分BPSK和QPSK\8PSK信号，再设置阈值th2与提取的特征参数σacap进行比较来区分QPSK和其他MPSK信号。
对本实施例提出的新型MPSK调制信号识别分类方法进行仿真验证。
设置仿真参数采样率为80MHz，载波频率为10MHz，数字信号的符号率为1MHz，信号采样点的数量为8192，SNR为0dB至15dB，步长为1dB，每个信噪比下每个信号仿真1000次，利用本实施例提出的新型MPSK调制信号识别分类方法进行识别，不同信噪比下MPSK类内识别结果如图3所示。由图3可得，当信噪比SNR＝5dB是，MPSK识别率如表1所示。
表1当SNR＝5dB时MPSK正确识别率
由表1可知，在信噪比大于5dB的时候，使用该方法进行MPSK类内调制信号识别正确率可以达到90％以上。
本实施例采用的方法计算量小，便于在工程上实现。同时结合MPSK的自身相位信息特征，理论上使用其算法思想可以识别更高阶数的MPSK(M＝16,32...)信号。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种新型MPSK调制信号识别分类方法，其特征在于，包括如下步骤：
A信号模型搭建，对无失真接收的外部MPSK调制信号进行采样量化及下变频预处理，得到中频的待识别调制信号；
B瞬时参数提取，根据待识别调制信号得到其相位序列，计算得到待识别调制信号的零中心非线性分量；
C特征参数提取，计算得到表征零中心非线性相位绝对值序列的波动程度的特征参数σap和区分QPSK和8PSK信号特征参数的σacap；
D分类器识别，设置阈值th1与提取的特征参数σap进行比较来区分BPSK和QPSK\8PSK信号，设置阈值th2与提取的特征参数σacap进行比较来区分QPSK和其他MPSK信号。
2.如权利要求1所述的新型MPSK调制信号识别分类方法，其特征在于，所述A中，待识别调制信号模型表达式为：
其中，i表示采样点取值，N为观测数据的采样长度，s(i)为待识别调制信号，fc为载波频率，fs为采样频率，表示信号的非线相位分量。
3.如权利要求1所述的新型MPSK调制信号识别分类方法，其特征在于，所述B中，所述待识别调制信号的相位序列为由下式求得，
其中，Re[s(i)]表示信号s(i)的实部，Im[s(i)]表示信号s(i)的虚部。
4.如权利要求1所述的新型MPSK调制信号识别分类方法，其特征在于，所述B中，待识别调制信号的零中心非线性分量为φNL(i)，由下式求得，
5.如权利要求3所述的新型MPSK调制信号识别分类方法，其特征在于，当待识别调制信号的相位序列不在[-π，π)内时，对相位序列/>进行去卷绕处理得到去卷绕后的相位序列为/>
6.如权利要求5所述的新型MPSK调制信号识别分类方法，其特征在于，所述待识别调制信号的相位序列去卷绕后的相位序列为/>由下式求得，
其中，Ck(i)表示校正序列，
所述去卷绕后的相位序列去线性后的非线相位分量，由下式求得，
7.如权利要求6所述的新型MPSK调制信号识别分类方法，其特征在于，所述校正序列{Ck(i)}，由下式求得，
8.如权利要求1所述的新型MPSK调制信号识别分类方法，其特征在于，所述C中，表征零中心非线性相位绝对值序列的波动程度的特征参数σap为零中心非弱信号段瞬时相位非线性分量绝对值的标准方差，由下式求得，
其中，c为/>中满足an(i)>at条件的样品数，al是{a(i)}的门限值。
9.如权利要求4所述的新型MPSK调制信号识别分类方法，其特征在于，所述C中，区分QPSK和8PSK信号区特征参数的σacap由将零中心非线性相位进一步零中心化得到，由下式求得，
其中，φ(i)为对于φNL(i)进行零均值处理之后得到参数。
10.如权利要求9所述的新型MPSK调制信号识别分类方法，其特征在于，所述φNL(i)进行零均值处理之后的参数.由下式求得，
φ(i)＝φNL(i)-mean(φNL)
其中，mean(φNL)表示序列φNL(i)的均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310446663.5A CN116506273A (zh) | 2023-04-24 | 2023-04-24 | 新型mpsk调制信号识别分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310446663.5A CN116506273A (zh) | 2023-04-24 | 2023-04-24 | 新型mpsk调制信号识别分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116506273A true CN116506273A (zh) | 2023-07-28 |
Family
ID=87317731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310446663.5A Pending CN116506273A (zh) | 2023-04-24 | 2023-04-24 | 新型mpsk调制信号识别分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116506273A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117289236A (zh) * | 2023-11-27 | 2023-12-26 | 成都立思方信息技术有限公司 | 短时雷达信号脉内调制类型识别方法、装置、设备及介质 |
-
2023
- 2023-04-24 CN CN202310446663.5A patent/CN116506273A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117289236A (zh) * | 2023-11-27 | 2023-12-26 | 成都立思方信息技术有限公司 | 短时雷达信号脉内调制类型识别方法、装置、设备及介质 |
| CN117289236B (zh) * | 2023-11-27 | 2024-02-09 | 成都立思方信息技术有限公司 | 短时雷达信号脉内调制类型识别方法、装置、设备及介质 |
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 | |
| Wu et al. | Robust automatic modulation classification under varying noise conditions | |
| CN107948107B (zh) | 一种基于联合特征的数字调制信号分类方法 | |
| CN108718288B (zh) | 基于卷积神经网络的数字信号调制模式识别方法 | |
| CN104468001B (zh) | 基于无线电信号频谱特征模板的信号识别方法及系统 | |
| CN109309640B (zh) | 基于机器学习的盲信号格式识别方法 | |
| CN111614398A (zh) | 基于异或神经网络的调制格式及信噪比识别方法及装置 | |
| CN113225282A (zh) | 一种基于bp神经网络的通信信号调制识别方法 | |
| CN110598677A (zh) | 一种用于自动调制识别的时空多通道深度学习系统 | |
| CN110113288A (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
| CN116506273A (zh) | 新型mpsk调制信号识别分类方法 | |
| CN103199945B (zh) | 一种低信噪比条件下认知无线电信号调制方式的识别方法 | |
| Alharbi et al. | Automatic modulation classification of digital modulations in presence of HF noise | |
| CN108052956A (zh) | 一种大气湍流下无线光通信副载波调制星座图识别方法 | |
| CN104363194A (zh) | 基于波形变换的psk调制识别方法 | |
| CN106169070A (zh) | 基于协作表示的通信辐射源个体识别方法及系统 | |
| CN109450829B (zh) | 数字调制信号码速率估计方法和装置 | |
| CN116257752A (zh) | 一种信号调制样式识别方法 | |
| CN112134818A (zh) | 一种水声信号调制方式自适应类内识别方法 | |
| CN104052703B (zh) | 一种微量采样数据数字调制识别方法 | |
| CN109274626B (zh) | 一种基于星座图正交扫描特征的调制识别方法 | |
| CN109145889A (zh) | 一种针对无线信号进行盲估计的明密文信号分类检测方法 | |
| CN113098638A (zh) | 一种基于分组极差图的微弱信号检测方法 | |
| CN115378776A (zh) | 一种基于循环谱参数的mfsk调制识别方法 | |
| CN112202696B (zh) | 基于模糊自编码器的水声信号自动调制识别方法 |
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 |