基于多重分形特征的通信調(diào)制方式識(shí)別研究

陳 紅 蔡曉霞 徐 云 劉文濤

?

基于多重分形特征的通信調(diào)制方式識(shí)別研究

陳 紅*①蔡曉霞①徐 云①劉文濤②

①(解放軍電子工程學(xué)院 合肥 230037)②(解放軍95915部隊(duì) 天津 301612)

該文提出一種基于多重分形特征的數(shù)字通信信號(hào)調(diào)制方式識(shí)別新方法。對(duì)接收信號(hào)進(jìn)行去噪預(yù)處理，基于2維數(shù)據(jù)陣列求取信號(hào)的廣義維數(shù)和多重分形譜；詳細(xì)討論了權(quán)重因子對(duì)多重分形譜的影響，提取了13個(gè)多重分形特征參數(shù)；設(shè)計(jì)了基于多重分形特征的支持向量機(jī)分類器對(duì)不同信號(hào)進(jìn)行調(diào)制方式識(shí)別。仿真結(jié)果表明，該算法在低信噪比情況下具有很好的識(shí)別性能。

調(diào)制方式識(shí)別；多重分形特征；廣義維數(shù)；支持向量機(jī)

1 引言

隨著通信技術(shù)的快速發(fā)展，復(fù)雜、多樣的通信體制、調(diào)制方式使得通信信號(hào)調(diào)制方式識(shí)別越來(lái)越困難。要從本質(zhì)上提高調(diào)制方式識(shí)別性能，特征選取至關(guān)重要。傳統(tǒng)的基于信號(hào)的幅度、頻率和相位瞬時(shí)特征[1]、時(shí)頻特征[2]等通信信號(hào)調(diào)制方式識(shí)別方法受通信環(huán)境的影響很大，在低信噪比條件下的識(shí)別率會(huì)明顯降低?；诟唠A累積量特征[3,4]、循環(huán)譜特征[5,6]的識(shí)別方法在高斯噪聲環(huán)境下識(shí)別性能較好，但是在短時(shí)大幅度脈沖背景噪聲環(huán)境下識(shí)別性能明顯下降甚至失效[7,8]，而且這類算法計(jì)算量較大，實(shí)時(shí)處理能力差。

信號(hào)分形特征作為反映信號(hào)“幾何”特性的信息，是度量信號(hào)的復(fù)雜度和不規(guī)則度的重要手段，目前已應(yīng)用于信號(hào)檢測(cè)[9,10]、參數(shù)估計(jì)[11,12]和調(diào)制方式識(shí)別[7,13,14]等信號(hào)處理領(lǐng)域。但單分形維只是一個(gè)標(biāo)度指數(shù)，只能對(duì)信號(hào)從整體或平均的角度進(jìn)行定量描述，并未考慮信號(hào)在不同層次上的波動(dòng)特征[15]。若要想全面完整地刻畫(huà)通信信號(hào)的內(nèi)部特性，就需要提取多重分形維數(shù)特征來(lái)描述目標(biāo)信號(hào)。本文基于多重分形理論，提出了通過(guò)計(jì)算廣義維數(shù)和多重分形譜，提取多重分形特征實(shí)現(xiàn)數(shù)字信號(hào)調(diào)制識(shí)別的新方法，仿真實(shí)驗(yàn)驗(yàn)證了該方法的有效性。

2 多重分形

多重分形又稱分形測(cè)度，是定義在分形結(jié)構(gòu)上的，由多個(gè)具有不同標(biāo)度指數(shù)的奇異測(cè)度所組成的集合。把分形對(duì)象用尺度對(duì)其進(jìn)行劃分，得到單元，設(shè)是的線度大小，為的測(cè)度，且?？捎脴?biāo)度指數(shù)來(lái)表示：

即

3 多重分形譜的計(jì)算

通信信號(hào)和噪聲的廣義維數(shù)和多重分形譜數(shù)值計(jì)算步驟如下：

(1)對(duì)接收到的1維信號(hào)時(shí)間序列進(jìn)行去噪預(yù)處理，用固定長(zhǎng)度的窗口去截取，依截取順序按行排列，轉(zhuǎn)換為一個(gè)2維數(shù)據(jù)陣列，根據(jù)2維數(shù)據(jù)陣列可以畫(huà)出信號(hào)的紋理圖案，圖1給出了幾種通信信號(hào)以及高斯白噪聲的紋理圖案，可以明顯看出不同調(diào)制方式(2ASK, BPSK, QPSK, 2FSK, 16QAM等)、不同進(jìn)制(BPSK, QPSK作為類內(nèi)識(shí)別)信號(hào)之間的紋理差異，利用這一特性可以計(jì)算多重分形譜，獲取信號(hào)在時(shí)間和空間上的相關(guān)分形特征，提取信號(hào)的多重分形特征參數(shù)用于信號(hào)調(diào)制方式識(shí)別。

(2)將2維數(shù)據(jù)陣列經(jīng)中心化、歸一化之后取絕對(duì)值得到幅度矩陣，記為矩陣的總質(zhì)量。在此，我們選擇截取信號(hào)窗口的大小為一個(gè)碼元的采樣長(zhǎng)度，即窗口長(zhǎng)度，得到的數(shù)據(jù)陣列為。

圖1 不同信號(hào)的紋理圖

圖3是接收信號(hào)經(jīng)過(guò)雙樹(shù)復(fù)小波變換預(yù)處理后，不同信噪比條件下BPSK信號(hào)的多重分形譜關(guān)系曲線。比較圖2和圖3：信號(hào)去噪處理前，隨著信噪比的增大，曲線呈發(fā)散趨勢(shì)，且奇異譜在不同信噪比條件下有很大的變化，如果不經(jīng)過(guò)處理，則從中提取的特征不很穩(wěn)定，受噪聲影響較大，將影響識(shí)別結(jié)果。信號(hào)經(jīng)過(guò)去噪處理之后，進(jìn)一步削弱了噪聲影響，多重分形譜更穩(wěn)定一些，從而增加信號(hào)識(shí)別算法的噪聲容限，提高識(shí)別正確率。

4 基于多重分形譜的特征參數(shù)提取

4.2 高斯白噪聲的多重分形譜

4.3 通信信號(hào)分形特征參數(shù)提取

不同調(diào)制方式信號(hào)具有不同的分形特征，本文分別從質(zhì)量指數(shù)、廣義維數(shù)和多重分形譜中提取信號(hào)的多重分形特征參數(shù)用于信號(hào)調(diào)制方式識(shí)別。

圖2 去噪前BPSK多重分形譜 圖3 去噪后BPSK多重分形譜 圖4 ,隨的變化曲線

圖5 不同方差下噪聲多重分形曲線圖

可以看出：多重分形譜函數(shù)是一個(gè)單峰曲線，進(jìn)一步證明了通信信號(hào)存在多重分形特性，不同類型信號(hào)的多重分形譜曲線差異較大。因此，利用不同信號(hào)多重分形譜之間的差異提取如下特征參數(shù)：

5 基于多重分形特征參數(shù)的調(diào)制方式識(shí)別

5.1 分類器設(shè)計(jì)

不同調(diào)制方式信號(hào)之間特征的分布不是很均勻，特征的非線性比較明顯，所以使用線性分類器或者基于距離的聚類分類算法效果不太好，在此我們使用支持向量機(jī)對(duì)其進(jìn)行分類識(shí)別，它能較好地解決小樣本、非線性、高維數(shù)和局部極小點(diǎn)等問(wèn)題。

選擇待識(shí)別的信號(hào)集為：2ASK, BPSK, QPSK, 8PSK, 16PSK, 2FSK, 4FSK, MSK和16QAM共9種數(shù)字調(diào)制信號(hào)。按照4.3節(jié)的方法，提取信號(hào)的13個(gè)分形特征參數(shù)，構(gòu)成分類識(shí)別特征向量集，采用粒子群優(yōu)化算法，對(duì)支持向量機(jī)參數(shù)進(jìn)行尋優(yōu)，設(shè)計(jì)支持向量機(jī)分類器訓(xùn)練和測(cè)試軟件，進(jìn)行信號(hào)方式識(shí)別。

圖6 質(zhì)量指數(shù)與的關(guān)系曲線 圖7 廣義維數(shù)與的關(guān)系曲線 圖8 多重分形譜與奇異指數(shù)的關(guān)系曲線

5.2 仿真分析

選擇信噪比的變化范圍為-3~20 dB，對(duì)每一類信號(hào)在信噪比大于0 dB時(shí)，每隔5 dB產(chǎn)生點(diǎn)的樣本300個(gè)，在信噪比小于0 dB時(shí)，每隔1 dB產(chǎn)生點(diǎn)的樣本300個(gè)，其中100個(gè)作為分類器的訓(xùn)練集，200個(gè)作為測(cè)試集，這樣一來(lái)，每一類信號(hào)共有訓(xùn)練特征向量10400個(gè)，測(cè)試特征向量208000個(gè)。通過(guò)支持向量機(jī)學(xué)習(xí)訓(xùn)練之后，對(duì)不同通信信號(hào)進(jìn)行調(diào)制方式分類識(shí)別，識(shí)別結(jié)果如表1所示。

可以看出，2ASK和BPSK的識(shí)別率最高，對(duì)QPSK, 8PSK及16PSK的識(shí)別效果在低信噪比情況下不太理想，因?yàn)樵谟?xùn)練過(guò)程中混入了低信噪比的信號(hào)，噪聲的影響減小了不同調(diào)制樣式特征之間的距離，使得低信噪比下誤判增多。本文基于多重分形特征算法的識(shí)別正確率明顯高于文獻(xiàn)[14]中基于單分形維數(shù)的識(shí)別率，能夠?qū)崿F(xiàn)低信噪比下數(shù)字信號(hào)的有效識(shí)別。

針對(duì)BPSK, QPSK, 8PSK, 16QAM，特征向量集及參數(shù)取值不變，重新設(shè)計(jì)支持向量機(jī)分類器，2000次仿真實(shí)驗(yàn)后統(tǒng)計(jì)得到信號(hào)正確識(shí)別率隨著信噪比變化的曲線如圖9所示。

結(jié)果表明：信噪比大于0 dB時(shí)，所有信號(hào)的正確識(shí)別率均可達(dá)到95%以上。隨著信噪比下降，對(duì)BPSK, 16QAM的識(shí)別效果仍然較好，-6 dB時(shí)仍可達(dá)到90%以上的識(shí)別率，對(duì)QPSK, 8PSK的識(shí)別率下降，-3 dB時(shí)仍可達(dá)到70%左右的正確識(shí)別率，-6 dB時(shí)下降到50%以下。

將本文算法與文獻(xiàn)[2]中基于小波變換的識(shí)別方法相比，比較結(jié)果如表2所示。

可見(jiàn)在信噪比較高的情況下，本文方法與文獻(xiàn)[2]的識(shí)別效果相近，但信噪比較低時(shí)，本文算法的識(shí)別效果明顯優(yōu)于文獻(xiàn)[2]，其原因在于多重分形對(duì)噪聲不敏感。

5.3 數(shù)據(jù)驗(yàn)證

為了驗(yàn)證算法的實(shí)用性，采用一段QPSK的實(shí)測(cè)接收數(shù)據(jù)，中頻為70 MHz，采樣頻率為40 MHz，信號(hào)帶寬為5 MHz，脈沖成形波形采用滾降因子為0.22的升余弦脈沖，信噪比估算為10 dB。該信號(hào)的時(shí)頻圖如圖10所示。

圖9 不同信噪比情況下的正確識(shí)別率 圖10 實(shí)測(cè)信號(hào)的時(shí)頻圖

表 1 基于多重分形特征的信號(hào)識(shí)別正確率(%)

進(jìn)行1000次訓(xùn)練和識(shí)別的結(jié)果如表3所示，對(duì)實(shí)測(cè)QPSK信號(hào)的檢測(cè)率為100%，識(shí)別成功率達(dá)到98%。

6 結(jié)束語(yǔ)

已調(diào)數(shù)字通信信號(hào)具有復(fù)雜的動(dòng)力學(xué)特性，且這種復(fù)雜性在低信噪比下也能通過(guò)分形特征顯現(xiàn)出

來(lái)。通過(guò)計(jì)算不同數(shù)字調(diào)制信號(hào)的多重分形譜，詳細(xì)分析了多重分形譜的變化規(guī)律，提取了多個(gè)分形特征參數(shù)，設(shè)計(jì)支持向量機(jī)分類器進(jìn)行調(diào)制方式識(shí)別。仿真實(shí)驗(yàn)證明了基于多重分形特征信號(hào)識(shí)別方法的有效性，且在低信噪比情況下也能取得很高的識(shí)別正確率，具有一定的實(shí)用價(jià)值。

[1] HEADLEY W C and DA SILVA C R. Asynchronous classification of digital amplitude-phase modulated signals in flat-fading channels[J]., 2011, 59(1): 7-12.

. 通信偵察信號(hào)處理關(guān)鍵技術(shù)研究[D]. [碩士論文], 電子科技大學(xué), 2011.

LIAO Hongshu. A study of key technologies of signal processing for communication reconnaissance[D]. [Master dissertation], University of Electronic Science and Technology of China, 2011.

[3] SU W. Feature space analysis of modulation classification using very high-order statistics[J]., 2013, 17(9): 1688-1691.

[4] 張弛, 吳瑛, 周欣. 基于高階累積量的數(shù)字調(diào)制信號(hào)識(shí)別[J]. 數(shù)據(jù)采集與處理, 2010, 25 (5): 575-579.

ZHANG Chi, WU Ying, and ZHOU Xin. Digital modulation recognition based on high-order cumulants[J].&, 2010, 25(5): 575-579.

[5] YU Ningyu, MA Hongguang, and SHI Rong. Modulation recognition of co-channel OQPSK and MSK based on cyclostationarity[C]. The 2nd International Conference on Information Management and Engineering, Chengdu, 2010: 284-287.

[6] 趙宇峰, 曹玉健, 紀(jì)勇, 等. 基于循環(huán)頻率特征的單信道混合通信信號(hào)的調(diào)制識(shí)別[J]. 電子與信息學(xué)報(bào), 2014, 36(5): 1202-1208. doi: 10.3724/SP.J.1146.2013.00454.

ZHAO Yufeng, CAO Yujian, JI Yong,. Modulation identification signals based single-channel mixed communication cyclic frequency features[J].&, 2014, 36(5): 1202-1208. doi: 10.3724/SP.J.1146.2013.00454.

. Alpha穩(wěn)定分布噪聲下通信信號(hào)調(diào)制識(shí)別研究[D]. [博士論文], 哈爾濱工程大學(xué), 2012.

YANG Weichao. Modulation recognition for communication signals in the alpha-stable distribution noise[D]. [Ph.D. dissertation], Harbin Engineering University, 2012.

[8] 陳紅, 蔡曉霞, 王曉翔. Alpha穩(wěn)定分布噪聲下的通信信號(hào)檢測(cè)技術(shù)[J]. 中國(guó)人民解放軍電子工程學(xué)院學(xué)報(bào), 2015, 34(2): 20-24.

CHEN Hong, CAI Xiaoxia, and WANG Xiaoxiang. Detection technology for communication signals in the alpha-stable distribution noise[J]., 2015, 34(2): 20-24.

[9] 趙春暉, 馬爽, 楊偉超. 基于分形盒維數(shù)的頻譜感知技術(shù)研究[J]. 電子與信息學(xué)報(bào), 2011, 33(2): 475-478. doi: 10.3724/SP.J.1146.2010.00400.

ZHAO Chunhui, MA Shuang, and YANG Weichao. Spectrum sensing in cognitive radios based on fractal box dimension[J].&, 2011, 33(2): 475-478. doi: 10.3724/SP.J.1146.2010.00400.

[10] 孫康, 金鋼, 王超宇, 等. 掃描模式下海雜波的多分形布朗運(yùn)動(dòng)模型[J]. 電子與信息學(xué)報(bào), 2015, 37(4): 982-988. doi: 10.11999/JEIT140730.

SUN Kang, JIN Gang, WANG Chaoyu,. Modeling sea clutter in radar scanning mode by multifractional Brownian motion[J].&, 2015, 37(4): 982-988. doi: 10.11999/JEIT140730.

[11] 李一兵, 李靖超, 林云. 基于分形盒維數(shù)的線性調(diào)頻信號(hào)參數(shù)估計(jì)[J]. 系統(tǒng)工程與電子技術(shù), 2012, 34(1): 24-27.

LI Yibing, LI Jingchao, and LIN Yun. Parameter estimation of LFM signals based on fractal box dimension[J]., 2012, 34(1): 24-27.

[12] 程曙暉, 王斌. 基于分形盒維數(shù)的跳頻信號(hào)跳周期快速估計(jì)方法[J]. 信息工程大學(xué)學(xué)報(bào), 2014, 15(2): 193-197.

CHENG Shuhui and WANG Bin. Fast estimation of hop duration of frequency-hopping signals based on fractal box dimension[J]., 2014, 15(2): 193-197.

[13] 黨月芳, 徐啟建, 張杰, 等. 高階累積量和分形理論在信號(hào)調(diào)制識(shí)別中的應(yīng)用研究[J]. 信號(hào)處理, 2013, 29(6): 761-765.

DANG Yuefang, XU Qijian, ZHANG Jie,. Research on modulation classification based on high-order cumulants and fractal theory[J]., 2013, 29(6): 761-765.

[14] 劉文濤, 陳紅, 蔡曉霞, 等. 基于分形維數(shù)的數(shù)字信號(hào)調(diào)制方式識(shí)別[J]. 火力與指揮控制, 2014, 39(10): 1766-1768.

LIU Wentao, CHEN Hong, CAI Xiaoxia,. Digital modulation signal identification based on fractal dimension[J].&, 2014, 39(10): 1766-1768.

[15] CHAKRABORTY B, HARIS K, LATHA G,. Multifractal approach for seafloor characterization[J]., 2014, 11(1): 54-58.

[16] 唐智靈, 楊小牛, 李建東. 調(diào)制無(wú)線電信號(hào)的分形特征研究[J]. 物理學(xué)報(bào), 2011, 60(5): 056401.

TANG Zhilin, YANG Xiaoniu, and LI Jiandong. Study on fractal features of modulated radio signal[J]., 2011, 60(5): 056401.

[17] 吳建飛, 袁學(xué)華. 基于小波多重分形的通信信號(hào)調(diào)制識(shí)別[J]. 航天電子對(duì)抗, 2014(3): 27-30.

WU Jianfei and YUAN Xuehua. Communication signal modulation recognition based on wavelet and multifractal[J]., 2014(3): 27-30.

[18] 郭鵬程, 孫龍剛, 李輝, 等. 多重分形及其改進(jìn)算法研究[J]. 西安理工大學(xué)學(xué)報(bào), 2014, 30(2): 139-144.

GUO Pengcheng, SUN Longgang, LI Hui,. Research on multifractal dimension and its improved algorithm[J].', 2014, 30(2): 139-144.

陳 紅： 女，1965年生，教授，研究方向?yàn)橥ㄐ判盘?hào)處理和調(diào)制方式識(shí)別.

蔡曉霞： 女，1965年生，教授，研究方向?yàn)橥ㄐ判盘?hào)處理、隱匿通信與檢測(cè).

徐 云： 男，1972年生，講師，研究方向?yàn)橥ㄐ判盘?hào)處理和信號(hào)參數(shù)估計(jì).

Foundation Items: The National Natural Science Foundation of China (61571446), The Natural Science Foundation of Anhui Province (KY13C152)

Communication Modulation Recognition Based on Multi-fractal Dimension Characteristics

CHEN Hong①CAI Xiaoxia①XU Yun①LIU Wentao②

①(PLA Electronic Engineering Institute, Hefei 230037, China)②(Unit 95915 of PLA, Tianjin 301612, China)

A new modulation recognition algorithm of digital communication signals based on the multi-fractal dimension characteristics is proposed. Employing preprocessing the received signal, the generalized dimension and the multi-fractal spectrum can be calculated by 2D data array. The effect of multi-fractal spectrum due to the weighted factorsis discussed in detail, the 13 multi-fractal characteristic parameters are extracted. The Support Vector Machine (SVM) classifier based on the multi-fractal dimension characteristics is designed for recognition of different modulation signals. Simulation results show that the proposed method has a good recognition performance under low SNR.

Modulation recognition; Multi-fractal dimension characteristics; Generalized dimension; Support Vector Machine (SVM)

TN92

A

1009-5896(2016)04-0863-07

10.11999/JEIT150703

2015-06-08；改回日期：2015-12-11；網(wǎng)絡(luò)出版：2016-02-29

陳紅 hplanhf@126.com

國(guó)家自然科學(xué)基金(61571446)，安徽省自然科學(xué)基金(KY13C152)