調(diào)制信號識別

1、調(diào)制信號識別內(nèi)容安排 定義及背景 識別過程介紹及方法分類 一些已提出的方法介紹背景及定義 調(diào)制信號識別是信號檢測和信號解調(diào)之間的重要步驟，它的目的就是在沒有其他先驗知識的情況下，通過對接收信號的處理，判斷出信號的調(diào)制方式，并估計出相應(yīng)的調(diào)制參數(shù)。其主要在兩方面得到了應(yīng)用：一方面是軟件無線電系統(tǒng)，保證不同體制通信系統(tǒng)之間實現(xiàn)互通互聯(lián)；二是電子戰(zhàn)系統(tǒng)，為截獲信息和選擇最佳干擾樣式提供依據(jù)。 調(diào)制方式是區(qū)別不同性質(zhì)通信信號的一個重要特征。對于接收信號，要想正確解調(diào)，分析接收信號或者進行干擾，必須能夠正確識別信號的調(diào)制方式，然后采取相應(yīng)的解調(diào)方法或干擾方法。識別過程 調(diào)制識別問題實質(zhì)上是一種典型的模式

2、識別問題 信號預(yù)處理部分的主要功能是為后續(xù)處理提供合適的數(shù)據(jù)；特征提取部分是從輸入的信號序列中提取對調(diào)制識別有用的信息；分類識別部分的主要功能是判斷信號調(diào)制類型的從屬關(guān)系。 信號預(yù)處理 頻率下變頻 、載頻估計、同相正交分量分解等。 在多發(fā)射源環(huán)境中，隔離各個信號，保證一次只有一個信號進入后續(xù)的調(diào)制識別環(huán)節(jié)。 特征提取 特征提取部分是從數(shù)據(jù)中提取信號的時域特征或變換域特征。時域特征包括信號的瞬時幅度、瞬時相位或瞬時頻率的特征參數(shù)或其它統(tǒng)計參數(shù)。變換域特征包括功率譜、譜相關(guān)函數(shù)、時頻分布及其它統(tǒng)計參數(shù)。 分類識別 選擇和確定合適的判決規(guī)則和分類器結(jié)構(gòu)，主要采用決策樹結(jié)構(gòu)的分類器和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的分類

3、器。 兩種分類器 決策樹分類器采用多級分類結(jié)構(gòu)，每級結(jié)構(gòu)根據(jù)一個或多個特征參數(shù)分辨出某類調(diào)制類型，再下一級結(jié)構(gòu)又根據(jù)一個或多個特征參數(shù)，再分辨出某類調(diào)制類型，最終能對多種類型進行識別。這種分類器結(jié)構(gòu)相對簡單，實時性好，但需要事先確定判決門限，自適應(yīng)性差，適合分類特征參數(shù)區(qū)分很好的信號識別。 神經(jīng)網(wǎng)絡(luò)分類器具有強大的模式識別能力，能夠自動適應(yīng)環(huán)境變化，較好處理復(fù)雜的非線性問題，而且具有較好的穩(wěn)健性和潛在的容錯性，可獲得較高的識別率。 識別方法分類 基于基本時域、頻域和功率譜特征的方法 基于小波理論的方法 基于分形理論的方法 基于信號的星座圖的方法 基于混沌理論的方法 基于復(fù)雜度理論的方法 基于人

4、工神經(jīng)網(wǎng)絡(luò)的方法 基于窗口平均頻率算法的調(diào)制信號識別系統(tǒng)組成：算法思想： 用一個寬度為N的矩形窗去截取采集到的已離散化處理的信號x(n)，得到N點數(shù)據(jù)，對這N點數(shù)據(jù)進行離散傅里葉變換(DFT)得到這N點數(shù)據(jù)的頻譜。 計算窗口內(nèi)平均頻率。 獲得時頻分布曲線。 濾除算法產(chǎn)生的交叉干擾。 該算法通過移動窗口來截取信號，并計算窗口內(nèi)信號平均頻率來獲得信號的時頻分布，具有算法簡單、運算速度快的特點 。 ASK、FSK、PSK等數(shù)字調(diào)制信號均為非平穩(wěn)的隨機信號，在時頻分布上存在著差異，若采用移動窗口平均頻率算法對數(shù)字調(diào)制信號進行時頻分析，再根據(jù)信號時頻分布的差異識別調(diào)制信號類型一方面可以顯著提高系統(tǒng)的實時

5、性；另一方面，由于對時頻分布曲線進行了濾波處理，能夠提高信號識別的抗干擾性能和識別精度。 優(yōu)點與不足 算法簡單，速度快，宜運用于實時性要求較高的場合。 窗口寬度N與抽樣頻率對移動窗口平均頻率算法的性能有較大的影響，若選擇不合適，會產(chǎn)生一定的分析誤差。如何合理選擇N和抽樣頻率還有待進一步研究。 其仿真驗證是是在二進制信號上進行，識別類型少，有很大局限性。基于短時分析的調(diào)制信號識別方法 該方法用短時分析提取數(shù)字調(diào)制信號在幅度、頻率和相位隨時間變化的特征，并利用這些特征對各種數(shù)字調(diào)制信號進行識別。在加性高斯白噪聲條件下給出了相應(yīng)的最佳閾值，并通過仿真研究了該識別方法的性能。 仿真結(jié)果表明該方法對噪聲

6、不敏感，在SNR為0dB時仍能獲得90%以上的正確識別率。 文中提出的識別方法，能夠?qū)?ASK、4ASK、2FSK、4FSK、BPSK、QPSK、8PSK、16QAM信號有效識別 。特征提取 譜寬因子 ：用來來區(qū)分ASK信號和FSK，PSK及QAM信號。 短時頻譜峰數(shù) ：可以區(qū)分2FSK信號、4FSK和PSK及16QAM信號，對2FSK為2，對4FSK為4，而對PSK和16QAM信號為1。 短時相位峰數(shù) ：反映了信號中的相位數(shù)。可區(qū)分BPSK、QPSK、8PSK和16QAM信號。在0 2間，BPSK信號有2個峰，QPSK和16QAM有4個峰，而8PSK有8個峰。 BWPPFNPPN 零中心歸一

7、化非弱信號段的標準偏差 可區(qū)分PSK和QAM信號 ，設(shè)定適當門限加以識別。 零中心歸一化瞬時幅度絕對值的標準偏差 用來區(qū)分2ASK信號和4ASK信號 ，對2ASK，該值為0；對4ASK，該值不為0。 2211ntntacncnaiaaiaaiaiCC 221111cnNNaacniiaiaiNN識別流程方法總結(jié) 仿真結(jié)果中得出，在SNR從020dB整個范圍內(nèi)都有很高的識別率，也即本方法對噪聲不敏感。僅當SNR=0dB時，由于瞬時幅度受噪聲影響大，造成對2ASK和4ASK的識別率降低，但仍達到90%以上。而對其它調(diào)制方式的信號識別率都在97%以上。 該方法有很高的識別率和抗干擾能力，有較好的工程

8、應(yīng)用價值。 基于決策理論的方法 文獻針對2ASK、2FSK、2PSK、4ASK、4FSK、4PSK 6種數(shù)字調(diào)制信號，提取了4個基于瞬時幅度、瞬時頻率、瞬時相位統(tǒng)計特性的參數(shù) ，采用決策樹判別方法對其進行分類識別。 特征參數(shù) 零中心非弱信號段瞬時相位非線性分量絕對值的標準偏差 ：主要用于區(qū)分二、四進制的PSK信號(2PSK與4PSK)。 基于信號瞬時幅度的統(tǒng)計參數(shù) A 為取樣點數(shù)， 為瞬時幅度 。 ap 11sNiAa iNsN a i 參數(shù)A主要用來區(qū)分是MASK信號還是MFSK或MPSK信號。對MASK信號，A不為0；對MFSK，A為0；對MPSK，A接近0。 參數(shù)A還可以用來進一步區(qū)分是

9、2ASK信號還是4ASK信號。 基于瞬時頻率的統(tǒng)計參數(shù) F 242FEfiEfi 是信號的瞬時頻率 。對FSK信號，F(xiàn)值較??；對PSK信號，F(xiàn)值較大。 瞬時頻率平方的均值 該值可以用來區(qū)分2FSK信號和4FSK信號。因為對2FSK信號，它的瞬時頻率只有2個值，而對4FSK信號，其瞬時頻率有4個值 ，故4FSK的該特征值比2FSK的要大。 f i2f 221sNfsifiN分類識別仿真驗證結(jié)論 在 時，識別正確率可達到99%以上，且當 時，識別正確率達到100%。本算法不但在低信噪比條件下識別正確率高，而且在進行識別的過程中，用到的特征參數(shù)較少。 但是，文中的算法只適用于在基帶數(shù)字信號中。 5S

10、NRdB20SNRdB基于信號時域瞬時統(tǒng)計特性的一種通用識別方法 基本思想：在AWGN信道下，通過分析信號時域特征和頻域功率譜特征，并結(jié)合前人的研究成果，給出一組性能穩(wěn)健的、具有高識別率的特征參數(shù)。利用這些參數(shù)先進行調(diào)制信號四種基本調(diào)制類型的分類，再利用具體算法進行調(diào)制階數(shù)的識別。 特征提取 歸一化瞬時幅度功率譜密度最大值 其中N為樣點數(shù)， 為中心歸一化瞬時幅 度 ， 。 max2m a xm a xa=c nF F TiN cnai 1cnaiaEai 該特征參數(shù)能夠充分反映調(diào)制信號的幅度變化，可以用該參數(shù)來區(qū)分開ASK/QAM和FSK/PSK調(diào)制信號。判決門限： ，可區(qū)分ASK/QAM和F

11、SK/PSK調(diào)制信號。 歸一化中心瞬時頻率的四階矩緊致性 是歸一化中心瞬時頻率， 為信號的瞬時頻率，該參數(shù)反映瞬時頻率變化的特征量，可用來區(qū)分FSK和PSK調(diào)制信號并輔助進行MFSK調(diào)制階數(shù)M的識別。 max5dB42f 44222nfnEftEft nft ft 歸一化中心信號的四階矩緊致性 其中 是歸一化中心信號， 該參數(shù)可將ASK、QAM和FSK/PSK三者分開。 42s 44222nsnEstEst nst maxnsts ts t信號識別 MFSK識別 MFSK信號的功率譜必有M個譜峰，只要得到其功率譜在 上的譜峰個數(shù)n，就能實現(xiàn)MFSK信號調(diào)制階數(shù)的識別。 對頻率個數(shù)敏感，可用于調(diào)

12、制階數(shù)的識別。 MASK和MQAM識別 經(jīng)過大類判別后，MASK和MQAM已經(jīng)被完全分開，這兩種調(diào)制模式的時域特征比較明顯，即就L個碼元時隙而言，有M種振幅，故采用振幅種類個數(shù)來區(qū)別各自的調(diào)制階數(shù)。 02sf，4 2f MPSK識別 對BPSK和QPSK來說，選擇A. K. Nandi和E. E. Azzouz提出的特征參數(shù) 能將二者很好的分開。 2211nanaapNLNLaitaitiiCC識別流程圖驗證結(jié)論 文中提出的識別方案，利用提出的新參數(shù)和已知參數(shù) 、 對調(diào)制信號進行調(diào)制大類識別，在信噪比不低于5dB時，正確識別率達到96% 。 特點：流程簡單，運算量小42smax42f基于小波變

13、換的數(shù)字信號調(diào)制識別方法 該文介紹了一種基于小波分類特征的數(shù)字調(diào)制信號的識別方法，創(chuàng)新之處在于同時應(yīng)用了連續(xù)小波變換和多層小波分解兩種方法提取信號的特征，并且對于不同調(diào)制信號采用了不同的分類特征。算法實現(xiàn)時不需要進行碼元周期估計以及同步時間估計，從而使分類器的設(shè)計變得簡單，判決準則簡化，提高了運算速度和識別率。 小波變換是一種時間尺度分析方法，具有多分辨分析的特點，并且在時頻域都具有表征信號局部特征的能力。 小波變換主要用于信號特征的提取，然后結(jié)合神經(jīng)網(wǎng)絡(luò)或分形作為分類器，實現(xiàn)信號的調(diào)制識別。 特征提取 小波變換主要采取兩種方法提取信號的特征：一是采用多分辨分析，對調(diào)制信號進行多層小波分解，提

14、取信號在各個頻率段的特征向量；另一種方法是利用連續(xù)小波變換的模極大值(|CWT|)，提取信號的奇異點特征。本文中同時應(yīng)用了這兩種特征的提取方法，MFSK信號包含多種頻率分量，因此應(yīng)用多層小波分解提取特征向量；MPSK信號的信息包含在相位里，由于相位的突變造成了信號的奇異性，因此利用信號連續(xù)小波變換的模極大值提取特征。 多層小波分解提取分類特征 對信號的低頻部分做進一步分解，而高頻部分則不予以考慮 。如下是一個3層分解圖： 多層分解只對低頻空間做進一步的分解，隨著分解層數(shù)的增加，頻率的分辨率變得越來越高，因此當信號具有不同的頻率成分時，可以通過多層小波分解提取信號的分類特征。 小波分析用于信號奇

15、異性檢測 信號的突變點意味著信號的不連續(xù)性，可能是調(diào)幅信號的幅度突變引起的，也可能是調(diào)相信號的相位突變引起的，因此信號中的奇異點及不規(guī)則的突變部分通常攜帶重要的信息。識別算法 通過對一定樣本的調(diào)制信號做小波多層分解，提取信號的小波分解特征向量并進行統(tǒng)計分析，建立各調(diào)制信號的閾值列表，判斷信號是否屬于MFSK信號，并且應(yīng)用該特征向量對MFSK信號進行類內(nèi)識別；當信號的特征向量超出設(shè)定的范圍時，應(yīng)用信號的幅度方差判斷信號為MQAM或MPSK，并應(yīng)用對數(shù)似然函數(shù)準則對MQAM進行類內(nèi)識別；應(yīng)用小波變換的模極大提取MPSK信號的相位突變點，對MPSK信號進行類內(nèi)識別，從而實現(xiàn)信號的調(diào)制識別。 基于高階

16、累積量的調(diào)制信號識別 文中利用接收信號的高階累積量為特征參數(shù)，實現(xiàn)了對多種常用數(shù)字調(diào)制信號(2ASK/BPSK，4ASK，QPSK，8PSK，2FSK，4FSK)的分類識別。 由于高斯噪聲大于二階的累量值恒為零，把接收的含有高斯噪聲的非高斯信號變換到累量或累量譜域處理，就可以剔除噪聲的影響，因此高階累積量具有良好的抗噪聲性能。 k階平穩(wěn)隨機過程x(t)的k階累積量定義為 高階累積量為 12111,kxkkCCum x tx tx t 220202*21212422404020*4141202122*42422021,33,3,2CCum X XMEX tCCum X XMEX tCCum X

17、X X XMMEX tEX tCCum X X X XMM MCCum X X XXMMM參數(shù)及算法描述 設(shè) ，利用參數(shù) 和 可將信號分為(2ASK，4ASK)、4PSK與(8PSK，2FSK，4FSK)三類；參數(shù) 用來識別信號2ASK與4ASK；將8PSK與MFSK信號微分再通過中值濾波器后，利用參數(shù) 來識別8PSK與MFSK；參數(shù) 還可用來實現(xiàn)2FSK與4FSK信號的識別。 4240411234422424221CCCTTTTCCCC，1T2T3T4T3T仿真結(jié)論 對高階累積量方法來說計算復(fù)雜是其最主要的缺點，文中僅利用二階和四階累積量來識別信號2ASK、 4ASK、QPSK、8PSK、2

18、FSK、4FSK，相對來說計算的復(fù)雜度不算很高。由于8PSK與MFSK信號的二、四、六階累積量的值相同，直接計算無法區(qū)分，針對這一問題，本文首先對8PSK和MFSK信號求微分再利用四階累積量來進行識別。當信噪比高于8dB時，識別率基本達到100%。 該算法的識別率較高，并且復(fù)雜度較低，便于工程實現(xiàn)?；诙鄬痈兄鞯恼{(diào)制信號識別 目前研究的自動調(diào)制識別方法，大體可以分為兩類，即基于特征提取的模式識別方法和最大似然假設(shè)檢驗方法。 最大似然假設(shè)檢驗方法是采用概率論和假設(shè)檢驗的方法來解決信號分類問題。判決規(guī)則簡單，但不易得出正確假設(shè)，檢驗統(tǒng)計量計算復(fù)雜，而且需要一些先驗信息。 基于特征提取的模式識別方

19、法不需要先驗知識，但如何正確地選擇特征集是一個難題。人工神經(jīng)網(wǎng)絡(luò)方法是該方法的分類識別部分，由于智能化水平高、識別速度快、正確識別率高等優(yōu)點獲得了充分重視，是分類器設(shè)計的發(fā)展新方向。 目前應(yīng)用較多的是前饋神經(jīng)網(wǎng)絡(luò)，包括多層感知器(MLP)神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)。 神經(jīng)網(wǎng)絡(luò)模式識別的基本原理 ANN是由大量簡單處理單元(人工神經(jīng)元)廣泛互連而成的一個具有自學(xué)習(xí)、自適應(yīng)和自組織的并行分布式動態(tài)處理器，也可以認為神經(jīng)網(wǎng)絡(luò)是可以從大量的信息中自動抽取特征，進而形成某種分類模式的信息處理系統(tǒng)。 神經(jīng)網(wǎng)絡(luò)模式識別的核心為訓(xùn)練過程和分類過程，通過大量的訓(xùn)練樣本，根據(jù)某種規(guī)則不斷對連接權(quán)值進行

20、調(diào)節(jié)，使網(wǎng)絡(luò)具有某種期望的輸出，可以使訓(xùn)練樣本正確歸類到所屬類別中 。當神經(jīng)網(wǎng)絡(luò)用作分類器時，輸出是相應(yīng)類別的后驗概率 ，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程就是完成待分類模式特征的后驗概率密度的逼近過程。 多層感知器神經(jīng)網(wǎng)絡(luò)的基本原理 MLP神經(jīng)網(wǎng)絡(luò)因其結(jié)構(gòu)、原理簡單，硬件使用效率高而被廣泛使用。 MLP是前饋網(wǎng)絡(luò)的一種，每個神經(jīng)元為單個非線性并聯(lián)計算單元，其輸入通過網(wǎng)絡(luò)一層層傳播，提供了輸入層與輸出層的非線性映射關(guān)系 ： 通常輸入層神經(jīng)元個數(shù)為所選特征參數(shù)個數(shù)，輸出層神經(jīng)元個數(shù)為可能的調(diào)制模式個數(shù)。 11KIjjkkiikiynwwn MLP的訓(xùn)練算法是著名的反向傳播(BP)算法 ，其基本思想是把一組樣本的

21、輸入輸出問題轉(zhuǎn)化為一個非線性優(yōu)化問題，在優(yōu)化中普遍使用的梯度下降法來實現(xiàn)網(wǎng)絡(luò)的實際輸出與期望輸出之間的均方差(MSE)最小，完成MLP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練任務(wù)。結(jié)論 在判決門限的智能化方面，人工神經(jīng)網(wǎng)絡(luò)能夠在調(diào)制信號模式的自動識別中進行成功的應(yīng)用，可以實現(xiàn)判決門限的自動化，實現(xiàn)調(diào)制模式的自動識別。在少量的試驗數(shù)據(jù)和簡明的判決門限下，神經(jīng)網(wǎng)絡(luò)可能不及利用人工進行判決，但在大量的試驗數(shù)據(jù)和比較模糊的判決門限下，神經(jīng)網(wǎng)絡(luò)比用人工進行判決簡單、準確，才能體現(xiàn)出神經(jīng)網(wǎng)絡(luò)的優(yōu)越性。 基于譜相關(guān)特性和組合神經(jīng)網(wǎng)絡(luò)的調(diào)制信號識別 文獻針對通信信號非穩(wěn)定、信噪比(SNR)變化范圍大的特性，利用調(diào)制信號的循環(huán)平穩(wěn)特性，

22、提取出五種對SNR和信號調(diào)制參數(shù)不敏感但對調(diào)制類型敏感的特征參量。為提高分類性能，設(shè)計了一種采用多個不同神經(jīng)網(wǎng)絡(luò)的組合分類器結(jié)構(gòu)，比單個神經(jīng)網(wǎng)絡(luò)分類器有更高的識別率 。 特征提取 譜相關(guān)函數(shù)的定義 信號的循環(huán)譜密度函數(shù)(也稱為譜相關(guān)函數(shù))定義為： 函數(shù) 的譜相干系數(shù)是指在 與 處的頻譜分量的相關(guān)程度，定義如下： 2*211,2,2TtxTTttSftT Xt fXt fdtVVVV x t2f2f1 2*22XXXXCSfSfSf 應(yīng)用譜相關(guān)特性分析是出于以下兩點考慮的： a)功率譜密度函數(shù)相同的不同類型的調(diào)制信號(如2PSK、QPSK)可能具有容易區(qū)分的譜相關(guān)函數(shù)； b)靜態(tài)噪聲不具備譜相關(guān)

23、性。 特征提取 頻譜在 時 軸上呈現(xiàn)的 脈沖的數(shù)量 ； 在 時 軸上的周期譜線分布數(shù)量k； 調(diào)制信號的譜相干系數(shù) 的最大值c； 在 處的最大歸一化下降值v (所謂最大歸一化下降值，指 在 處的躍變值)； 的最大值與 在 處的最大歸一化下降值的比值r。 0fl xSf0f xCf xSf02f 02 fxSf02ffV xCf xSf02f組合分類器設(shè)計 組合神經(jīng)網(wǎng)絡(luò)分類器結(jié)構(gòu) 為實現(xiàn)各分類器的優(yōu)劣互補，選擇的單分類器應(yīng)盡量差異化。 BP算法是目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法； RBF神經(jīng)網(wǎng)絡(luò)是一種局部逼近網(wǎng)絡(luò)，能夠自適應(yīng)確定徑向基函數(shù)神經(jīng)元，收斂速度快。本文選用了具有不同結(jié)構(gòu)的BP網(wǎng)絡(luò)和RB

24、F網(wǎng)絡(luò)構(gòu)成的組合神經(jīng)網(wǎng)絡(luò)作為分類器，單分類器的輸入層與輸出層神經(jīng)元個數(shù)由待識別特征參數(shù)與待識別的種類決定。 仿真結(jié)論 不同調(diào)制信號的循環(huán)譜特性具有明顯的區(qū)別，驗證了利用譜相關(guān)特征識別信號調(diào)制類型的可行性。另外，進行譜相關(guān)分析時，采樣點數(shù)的選擇對譜相關(guān)特征的提取有很大影響。 應(yīng)用單個神經(jīng)網(wǎng)絡(luò)進行調(diào)制識別時，只有當 時，各類數(shù)字調(diào)制信號的正確識別率才高于90%，而組合神經(jīng)網(wǎng)絡(luò)在 時就能達到90%以上的正確識別率。 10SNRdB5SNRdB不足 利用譜相關(guān)特性識別的方法計算量大，運算時間長?；诠β首V和瞬時統(tǒng)計特性的神經(jīng)網(wǎng)絡(luò)識別方法 本文在對信號功率譜和高次方譜(信號非線性變換后的功率譜)研究的基

25、礎(chǔ)上，提出了兩個新的譜特征參數(shù)，改進了兩個相關(guān)特征的描述。這些參數(shù)具有運算復(fù)雜度低、抗噪聲能力強、對調(diào)制參數(shù)穩(wěn)健性好的特點。 特征參數(shù)集構(gòu)造 調(diào)制信號的功率譜及其高次方譜可以較好地反映多種調(diào)制方式的特性，有效地提取這些特性可以作為調(diào)制識別的特征參數(shù)。 文中歸一化峰間距離PD、離散譜線檢測值LV為文中提出的新參數(shù)，峰谷幅值比PV、和離散譜線數(shù)目LN為對譜平坦度和譜峰數(shù)目的改進描述。 功率譜形狀特征 MFSK信號在各調(diào)制頻率上會出現(xiàn)明顯的譜線或存在多個譜峰，這與MSK以及PSK/QAM信號無離散譜線的單峰有著明顯的區(qū)別。因此，以信號功率譜形狀為特征可以識別出FSK調(diào)制及其調(diào)制階數(shù)。 功率譜及高次方譜的離散譜線特征 通過高次方譜分析可知，非連續(xù)相位