基于特征矢量和加權(quán)擇多判決的信號調(diào)制模式快速識別*

廖小春，姚遠程，何 葉

(西南科技大學 信息工程學院，四川 綿陽 621010)

軟件無線電技術(shù)已經(jīng)成為最近幾年通信界研究和開發(fā)的熱點。它的主要目的是建立一個通用平臺，讓不同制式和傳輸速率的通信信號互聯(lián)互通，實現(xiàn)資源的最優(yōu)利用。軟件無線電的通信體制決定了通信的接收方無法根據(jù)某一特定的解調(diào)方式、在特定的頻段上進行解調(diào)解碼。對這種多速率、多模式的寬帶信號進行解調(diào)，首先需要解決的問題就是如何自動識別接收信號的調(diào)制模式，然后再分析對應該調(diào)制模式的各種調(diào)制參數(shù)，如頻點、帶寬、波特率等。自動調(diào)制模式識別的實現(xiàn)對軟件無線電技術(shù)的發(fā)展起著重要作用。

對于自動調(diào)制模式識別，國內(nèi)外已取得不少研究成果[1-2]?？偨Y(jié)起來，識別方式大致分為兩類:基于判決理論的識別和基于統(tǒng)計理論的識別。基于判決理論的識別方式依賴于先驗概率進行分類判決；而基于統(tǒng)計理論的識別方式主要依靠特征提取和構(gòu)造合適的分類器進行識別。后者不需要假設條件，易于進行盲識別和算法的高效實現(xiàn)，因而應用范圍更廣。其中特征提取的研究初期僅限于對時頻特征的分析，隨著研究的深入，逐漸引入了譜相關(guān)理論、小波理論、矩理論、循環(huán)累量和高階累量[3]進行調(diào)制特征的提取。

而分類器的設計主要是線性分類器、非線性分類投影、神經(jīng)網(wǎng)絡[4]、支持向量機等理論的應用。統(tǒng)計識別效果的好壞往往取決于特征提取，并且正向著低預處理、低復雜度、盲識別、高識別精度的方向發(fā)展[5]。

本文針對低算法復雜度、較高識別精度、較快識別速度的要求，結(jié)合應用需要，從常用的五類調(diào)制信號(BPSK、QPSK、FSK、PM、MSK)中有選擇性地提取三類特征構(gòu)成特征矢量，通過加權(quán)擇多判決進行分類[6]。在不同的信噪比下的仿真結(jié)果表明，本文提出的方法能夠較好地分類識別這五類調(diào)制模式。

1 系統(tǒng)構(gòu)成

系統(tǒng)的原理框圖如圖1所示，共包括三個模塊：訓練模塊、接收提取模塊和判決模塊。訓練模塊主要負責掃描載頻，以掃描得到的載頻為參量，隨機產(chǎn)生五類幅度歸一化的調(diào)制信號，并對每類信號進行三維特征矢量提取，構(gòu)成3×5大小的信號特征矩陣，作為調(diào)制模式分類判決的依據(jù)。接收提取模塊將接收到的信號進行幅度歸一化的預處理，特征提取后得到接收信號的三維特征矢量。判決模塊主要負責結(jié)合信號特征矩陣，對接收信號的特征矢量進行判決，判定識別接收到的信號的調(diào)制模式。訓練模塊和接收提取模塊使用同步的系統(tǒng)時鐘CP，以保證兩個模塊的采樣方式一致[7-8]。

圖1 系統(tǒng)原理框圖

2 特征矢量與加權(quán)擇多判決

2.1 三維特征矢量

基于統(tǒng)計理論的識別方式分為特征提取和分類判決兩個步驟，提高其識別速度和精度的關(guān)鍵在于如何選取合適的分類特征。一個合適的分類特征不但可以使分類器的設計變得簡單，還可以使分類識別的精度和速度大大提高。

本設計在確定所選用的特征量之前，先從時頻特征、矩特征和高階累量中選取了14種，在不同信噪比下進行測試，結(jié)合系統(tǒng)對識別速度的要求，最終選取了以下三類特征量作為分類特征。其中Ns為采樣點數(shù)。

第一類特征量：

式 中 ，fr(n)=arctan[f(n)/h(n)]-arctan[f(n-1)/h(n-1)]，n=1，2，…，NS-1。 h(n)為 f(n)的希爾伯特變換，fr(n)表征的是信號 f(n)的瞬時頻率，F(xiàn)md表征的是信號 f(n)頻域的起伏程度，以判斷是否存在頻率調(diào)制。

第二類特征量:

式中，acn(i)為預處理幅度歸一化后的信號，Gamamax表征的是信號功率譜密度的最大值。

第三類特征量:

式中，acn(i)為預處理幅度歸一化后的信號，Aad為信號絕對值的標準方差，反映幅度調(diào)制的信息。

優(yōu)選的特征量能夠在信噪比一定的情況下，將不同的調(diào)制模式區(qū)別開來。也就是說，在一定的信噪比下，不同調(diào)制模式的信號的該項特征量的數(shù)值之間差異很大，可以用來區(qū)別不同的調(diào)制模式。比如第二類特征量Gamamax的性能如圖2所示，在每種信噪比下，不同調(diào)制模式信號的Gamamax特征值都具有一定的區(qū)分度，因而可以作為特征量被用來進行調(diào)制模式的分類識別。

圖2 第二類特征量Gamamax性能示意圖

三類特征量進行組合，便可得到三維特征矢量[Fmd，Gamamax，Aad]。訓練模塊在不同信噪比的情況下實時訓練，產(chǎn)生相應的3×5信號特征矩陣。而接收提取模塊直接從預處理后的信號中提取出三維特征矢量，直接送到判決模塊中進行分類。

2.2 加權(quán)擇多判決

由上述分析可知，通過單維特征就可以對接收信號進行調(diào)制模式分類，但信源信號經(jīng)過信道衰落和疊加上信道噪聲以后，會在幅頻特性和相頻特性上產(chǎn)生很大的起伏和抖動。所以為了在較大信噪比范圍內(nèi)獲得更高的分類精度，有必要采用多維特征矢量。同時，為了盡量提高系統(tǒng)分類的速度，僅篩選出以上三類特征量組成三維特征矢量。

常用的矢量分類器有線性分類器、神經(jīng)網(wǎng)絡和支持向量機等。本系統(tǒng)基于提高分類實時性的考慮，采用了一種加權(quán)擇多判決的方法，其原理如下。

接收信號特征矢量相對應為 R～(r11，r21，r31)T，表示當前接收到的信號的Fmd特征量、Gamamax特征量和Aad 特征量分別為 r11、r21、r31。

判決過程具體如下：

(1)執(zhí) 行 x=find(f1j-＞r11)、y=find(f2j-＞r21)、z=find(f3j-＞r31)，即在F矩陣的第1行尋找最接近 r11的值的列標，然后賦給x；在F矩陣的第2行尋找最接近r21的值的列標，然后賦給 y；在 F矩陣的第3行尋找最接近r31的值的列標，然后賦給z。

(2)執(zhí)行 x1＝(varmax-var(f1x))、y1＝(varmax-var(f2y))、z1＝(varmax-var(f3z))，完成權(quán)重的計算過程。其中 varmax是F中所有元素方差的最大值，var(f1x)是元素f1x的方差。則x1越大，說明f1x的方差越小，誤判的概率也就越小。

(3)擇多判決。 如果 x(y、z)等于 i，則將 x1(y1、z1)累加到 Sum(i)中，i=1，2，3。Sum 中最大值的下標即為分類判決的最后輸出結(jié)果；數(shù)值1～5，分別代表BPSK、QPSK、FSK、PM和MSK這五類調(diào)制模式。

這種加權(quán)擇多判決分類方法只涉及到復雜度較低的加減運算和查找運算，求方差的運算也可以采用遞推的方式進行，而沒有擬合函數(shù)、核函數(shù)參數(shù)的求解過程。所以在運行速度上具有一定的優(yōu)勢。

3 仿真結(jié)果與性能分析

本系統(tǒng)的實驗仿真平臺采用了Lyrtech公司提供的LSP研發(fā)工具。LSP快速原型開發(fā)平臺集成了MATLAB/Simulink軟件仿真環(huán)境和DSP+FPGA的快速原型開發(fā)板，硬件資源豐富、結(jié)構(gòu)靈活，有較強的通用性，適用于模塊化設計，從而能夠提高算法效率。同時，其開發(fā)周期較短，系統(tǒng)易于維護和擴展，為用戶提供了一個從軟件仿真到硬件測試的系統(tǒng)級開發(fā)流程。仿真過程中，調(diào)制模式識別主要針對 BPSK、QPSK、FSK、PM和 MSK這五類。

信號產(chǎn)生部分的參數(shù)設定為：采樣頻率統(tǒng)一為fs＝1 000 Hz， 采樣點數(shù)統(tǒng)一為 NS＝50 000， 載頻 fc＝100 Hz(BPSK、QPSK、PM)或為 400 Hz(MSK)，F(xiàn)SK 的兩個載頻分別設為100 Hz和50 Hz。噪聲設定為高斯白噪聲。信噪比分為-5 dB、0 dB、5 dB、10 dB、15 dB、20 dB 六種情況，進行特征提取和分類識別算法的仿真。為避免單次分類的個體誤差，整個仿真過程采用蒙特卡羅仿真，每類調(diào)制模式在每種信噪比下的特征提取和加權(quán)擇多分類判決都進行了5 000次仿真實驗，測試結(jié)果如表1和圖3所示。

表1 加權(quán)擇多判決正確識別率表(%)

由表1和圖3可以看出，采用 Fmd特征量、Gamamax特征量和Aad特征量組成的三維特征矢量及加權(quán)擇多判決分類方法，對 BPSK、QPSK、FSK、PM、MSK五類調(diào)制模式進行識別，在－5 dB低信噪比的情況下，有一定的誤判率；當信噪比超過0 dB以后，正確識別概率在94%以上，基本能滿足對識別精度的要求。

圖3 加權(quán)擇多判決正確識別示意圖

整個系統(tǒng)的計算過程主要由特征提取和加權(quán)擇多判決兩部分構(gòu)成。如果計算長度為N，則特征提取部分Fmd特征量計算的復雜度為O(N×logN)，Gamamax特征量計算的復雜度也為 O(N×logN)，Aad特征量計算的復雜度為O(N)；所以訓練模塊和特征提取模塊的總計算復雜度為O(N×logN)。加權(quán)擇多判決部分的計算復雜度為O(3×5)，也就是為 O(1)。因此系統(tǒng)總的計算復雜度為O(N×logN)。為了提高運算速度可以考慮降低N，但N過小則會影響特征矢量計算的準確性，所以在N保持一個適當?shù)闹禃r，系統(tǒng)的實時性可以得到保證。

本文針對軟件無線電中的自動調(diào)制模式識別中的精度和速度問題，提出了一種帶有參考訓練的分類識別結(jié)構(gòu)，有選擇性地設計了一種三維特征矢量和加權(quán)擇多判決分類識別方法，以提高調(diào)制模式識別的準確性和實時性。對 BPSK、QPSK、FSK、PM、MSK五類信號在大動態(tài)信噪比范圍內(nèi)的仿真，結(jié)果驗證了該系統(tǒng)的有效性。對系統(tǒng)計算復雜度的分析說明了提高計算速度的方法和原則。但仍需在低預處理、低復雜度和盲識別方面進一步研究、改進。

[1]DOBRE O A，ABDI A，BAR-NESS Y，et al.Survey of automatic modulation classification techniques:classical approaches and new trends[J].Communications， IET， 2007(2):137-156.

[2]肖為民，許希武.軟件無線電綜述.電子學報[J].1998，26(2):65-70.

[3]CHEN Ji Li，CHEN He Jie.Automatic digital modulation identification basing on decision method and cumulants[C].Proceedings of 2005 IEEE International Workshop on VLSI Design and Video Technology，2005.2005:264-267.

[4]PARK Cheol-Sun，KIM Dae Young.A novel robust feature of modulation classification for reconfigurable software radio[J].IEEE Transactions on Consumer Electronics， 2006，52(4):1193-1200.

[5]HOSOYA H，KAMISAWA T，KURODA M，et al.Automatic modulation identification for linear digital modulation[C].14th IEEE Proceedings on Personal，Indoor and Mobile Radio Communications，2003.PIMRC 2003.2003:1810-1814.

[6]CHEN Qi Xing，ZHOU Guo Zhong.Demodulation-oriented automatic modulation identification algorithm[C].4th International Conference on Wireless Communications，Networking and Mobile Computing， 2008.WiCOM’08.2008:1-5.

[7]韓國棟，鄔江興.調(diào)制參數(shù)提取的譜相關(guān)方法[J].航天電子對抗，2001(3):34-36.

[8]李琳，張爾揚.軟件無線電中的關(guān)鍵技術(shù)[J].通信電聲，1999(3)：52－54.