通信信號多調(diào)制方式自動識別綜述

武警工程大學(xué)信息工程系 謝躍輝 趙亞欣

?

通信信號多調(diào)制方式自動識別綜述

武警工程大學(xué)信息工程系 謝躍輝 趙亞欣

【摘要】介紹了多種調(diào)制識別方法，重點介紹了小波變換和兩種分類器，并分析了通信信號調(diào)制識別中方法各自利弊。

【關(guān)鍵詞】調(diào)制識別；小波變換；支持向量機；人工神經(jīng)網(wǎng)絡(luò)

0　引言

調(diào)制解調(diào)技術(shù)是物理層傳輸技術(shù)中重要組成部分，基本任務(wù)是識別出信號的調(diào)制類型，估計出信號的關(guān)鍵參數(shù)，為后續(xù)信號的分析處理提供依據(jù)。目前調(diào)制方式自動識別的研究方法主要可以分為兩類：一是基于假設(shè)檢驗的最大似然方法，二是基于特征提取的模式識別方法[1]?；诩僭O(shè)檢驗的最大似然方法，是通過對信號的似然函數(shù)進行處理，將得到的似然比與閾值進行比較，完成調(diào)制識別功能?；谔卣魈崛〉哪Ｊ阶R別方法，通常包含兩個子系統(tǒng)，一個子系統(tǒng)用于提取信號的特征參數(shù)，另一個子系統(tǒng)根據(jù)信號的特征參數(shù)，采用一定的分類器確定信號的調(diào)制類型。

1　基于假設(shè)檢驗的最大似然調(diào)制識別

貝葉斯估計意義上講，基于最大似然方法的分類結(jié)果是最優(yōu)的。但是它需要根據(jù)信號的統(tǒng)計特性設(shè)置合適的門限值，因此閾值設(shè)定是其核心和難點，計算復(fù)雜度較高，不利于在線分析，對模型失配和參數(shù)偏差問題較敏感，穩(wěn)健性較差。

由于未知信號的信息內(nèi)容、信道參數(shù)估計誤差等使得構(gòu)造的似然函數(shù)中一般含有未知參數(shù)。根據(jù)對未知參數(shù)處理方法的不同,似然比檢驗主要可分為三類[2]：平均似然比檢驗、廣義似然比檢驗和混合似然比檢驗。

2　基于特征提取的模式識別

基于特征參數(shù)提取的調(diào)制識別，主要包含兩個階段：分類器訓(xùn)練階段和調(diào)制信號識別階段。這類方法關(guān)鍵在于提取能夠區(qū)分不同調(diào)制方式的特征參數(shù)，特征提取是調(diào)制識別問題的關(guān)鍵。目前，已經(jīng)提出了許多特征參數(shù)提取的算法。常用的特征參數(shù)有：基于瞬時幅度、頻率及相位的特征參數(shù)；基于信號統(tǒng)計量特征的參數(shù)提取，主要包含基于高階累積量的特征參數(shù)，基于混合矩的特征參數(shù)，基于循環(huán)累積量的特征參數(shù)等；基于信號變換域的特征參數(shù)提??；基于信號星座圖恢復(fù)的方法等。

3　小波變換

特征參數(shù)的提取方法很多，與大多數(shù)識別方法不同，小波變換方法不需要任何先驗知識，且小波變換對非平穩(wěn)信號有著很好的檢測能力，算法速度快，滿足實時需要，利用小波分析提取數(shù)字調(diào)制信號的特征參數(shù)非常有效[3]。小波分析主要研究函數(shù)的表示，就是將函數(shù)分解為“基本函數(shù)”之和，小波函數(shù)具有良好的光滑性和局部性，可以分析函數(shù)的局部和整體的性質(zhì)[4]。常用的小波函數(shù)有Haar小波、mexh小波和meyer小波。mexh小波不具有正交性，而meyer小波不具有緊支集，只有Haar小波滿足能達到最佳提取信號特征的條件。Haar小波定義為：

圖1　小波及尺度伸縮與平移

4　分類器的設(shè)計

基于特征提取調(diào)制識別方法的重點在于在非理想環(huán)境下利用合適的分類器提取較為穩(wěn)健的信號特征參數(shù)作為識別調(diào)制類型的依據(jù)，識別出調(diào)制信號的類型。分類器中主要包括人工神經(jīng)網(wǎng)絡(luò)、支持向量機 、聚類以及其他一些模式識別方法。

圖2　三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖3　最優(yōu)分類面示意圖

（1）人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是模擬人類大腦功能而提出的數(shù)學(xué)模型[5]。目前，在人工神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中，絕大部分的神經(jīng)網(wǎng)絡(luò)模型都采用BP網(wǎng)絡(luò)及其變化形式。BP網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的傳遞函數(shù)是S型函數(shù)，輸出量為0到1之間的連續(xù)量，它可以實現(xiàn)從輸入到輸出的任意非線性映射。包括輸入層、隱含層和輸出層。它的特點是：各層神經(jīng)元之間無任何連接，僅相鄰層神經(jīng)元之間有連接。如圖2所示。

BP神經(jīng)網(wǎng)絡(luò)的輸入輸出關(guān)系是一個高度非線性映射關(guān)系，它是從輸入的m維（樣本特征矢量空間）歐氏空間到輸出的n維（類別空間）歐氏空間的映射。

（2）支持向量機(SVM)

支持向量機主要利用非線性變換將輸入空間變換到另一個線性可分的高維空間。在這個高維空間構(gòu)造最優(yōu)超平面[6]，作為分類面使兩類樣本間的距離達到最大，如圖3所示。

SVM從理論上實現(xiàn)了對不同類別的最優(yōu)分類，有較好的推廣能力，能根據(jù)信號的特征值，有效的識別調(diào)制信號的類型。

5　結(jié)束語

調(diào)制識別方法有很多，但是重點在于選取當(dāng)前硬件匹配，適于在線分析的方法。以上研究的熱點方法各有利弊，需要針對不同情況分析利用。

參考文獻

[1]程汗文,吳樂南.基于信息融合的信號調(diào)制方式識別[J].信號處理,2009,25(4):625-629.

[2]O.Dobre,A.Abdi,Y.Bar-Ness, and W.Su.Survey of Automatic Modulation Classification Techniques: Classical Approaches and New Trends[J].IET Communications,2007,1(2):137-156.

[3]Prakasam and M.Madheswaran,“Modulation identification algorithm for adaptive demodulator in software defined radios using wavelet transform”, International Journal of Signal Processing, vol.5, no.1,pp.74-81,2009.

[4]錢平.軟件無線電調(diào)制自動識別研究[D].江南大學(xué),2013.

[5]Ahmadi N,Berangi R.Modulation classification of QAM and PSK from their constellation using Genetic Algorithm and hierarchical clustering[C].3rd International Conference on Information and Communication Technologies: From Theory to Applications,2008:1-5.

[6]Ataollah Ebrahimzade Sherme.A novel method for automatic modulation recognition[J].Applied Soft Computing,201212(1):453-461.