通信信號(hào)調(diào)制識(shí)別技術(shù)及其發(fā)展①

何繼愛(ài) 張文啟

(蘭州理工大學(xué)計(jì)算機(jī)與通信學(xué)院 蘭州 730050)

?

通信信號(hào)調(diào)制識(shí)別技術(shù)及其發(fā)展①

何繼愛(ài)②張文啟③

(蘭州理工大學(xué)計(jì)算機(jī)與通信學(xué)院 蘭州 730050)

簡(jiǎn)要介紹了通信信號(hào)調(diào)制識(shí)別的概念、作用及基本方法框架，詳細(xì)論述了兩類(lèi)調(diào)制識(shí)別方法——基于似然比判決理論的識(shí)別和基于統(tǒng)計(jì)模式的識(shí)別的原理、特點(diǎn)和發(fā)展?？紤]到日趨復(fù)雜的電磁環(huán)境對(duì)調(diào)制識(shí)別的影響，深入分析了復(fù)雜通信環(huán)境下的調(diào)制識(shí)別技術(shù)的研究進(jìn)展，包括非高斯噪聲下的識(shí)別、多徑衰落信道下的識(shí)別、單通道時(shí)頻混疊多信號(hào)的識(shí)別和大動(dòng)態(tài)信噪比下的識(shí)別，并指出了調(diào)制識(shí)別研究的未來(lái)發(fā)展方向：研究適合非理想信道、單通道時(shí)頻混疊多信號(hào)的識(shí)別方法和具有良好大動(dòng)態(tài)信噪比推廣能力的識(shí)別方法。該研究對(duì)軟件無(wú)線電、軍用電子對(duì)抗以及民用頻譜資源的監(jiān)測(cè)與管理等領(lǐng)域的檢測(cè)、解調(diào)與識(shí)別技術(shù)有重要研究意義。

調(diào)制識(shí)別， 判決理論， 模式識(shí)別， 復(fù)雜環(huán)境

0 引 言

自1969年Weaver等發(fā)表了第一篇研究自動(dòng)調(diào)制識(shí)別的論文《采用模式識(shí)別的調(diào)制類(lèi)型自動(dòng)分類(lèi)》[1]以來(lái)，調(diào)制識(shí)別的研究在信號(hào)的分類(lèi)特征提取、分類(lèi)器構(gòu)造、分類(lèi)算法設(shè)計(jì)等方面，均取得大量研究成果。在分類(lèi)特征提取方面，學(xué)者們采用信號(hào)的瞬時(shí)幅度、相位和頻率分布直方圖、高階統(tǒng)計(jì)量、循環(huán)譜、時(shí)頻分布、分形等作為分類(lèi)特征來(lái)提取特征參數(shù)，例如，Azzouz等[2]利用瞬時(shí)幅度、頻率和相位特征識(shí)別不同的低階數(shù)字信號(hào)；Swami等提出了信號(hào)的四階累積量作為分類(lèi)特征[3]，李彥栓等[4]通過(guò)計(jì)算四階累積量并提取OFDM信號(hào)與單載波信號(hào)的分類(lèi)特征量，對(duì)OFDM調(diào)制信號(hào)進(jìn)行識(shí)別；Sanderson等[5]提出一種全盲的基于高階循環(huán)累積量和最大似然檢測(cè)的調(diào)制分類(lèi)算法；Like等[6]通過(guò)提取信號(hào)的循環(huán)譜特征進(jìn)行調(diào)制識(shí)別，對(duì)信號(hào)進(jìn)行了分類(lèi)。在分類(lèi)器構(gòu)造方面，根據(jù)分類(lèi)準(zhǔn)則的不同，研究出了基于距離的分類(lèi)、統(tǒng)計(jì)分類(lèi)、機(jī)器學(xué)習(xí)等分類(lèi)學(xué)習(xí)方法。常用的分類(lèi)器有判決樹(shù)分類(lèi)器、最小距離分類(lèi)器、神經(jīng)網(wǎng)絡(luò)分類(lèi)器、支持向量機(jī)(support vector machine，SVM)分類(lèi)器等。針對(duì)加性高斯白噪聲(additive white gaussian noise，AWGN)信道中復(fù)基帶模擬調(diào)制類(lèi)型、數(shù)字調(diào)制類(lèi)型的聯(lián)合分類(lèi)問(wèn)題，Dobre等[7]提出了一種二元判決樹(shù)分類(lèi)器。龔曉潔等[8]利用支持向量機(jī)實(shí)現(xiàn)了多類(lèi)調(diào)制信號(hào)的類(lèi)型識(shí)別。分類(lèi)特征的選取多種多樣，分類(lèi)器或分類(lèi)準(zhǔn)則也是種類(lèi)眾多。學(xué)者們?cè)谡{(diào)制信號(hào)識(shí)別方面取得了豐碩的成果，為研究復(fù)雜通信環(huán)境下的調(diào)制識(shí)別方法提供了理論基礎(chǔ)。由于非合作通信的復(fù)雜傳輸環(huán)境、新的調(diào)制方式不斷涌現(xiàn)，以及調(diào)制識(shí)別本身內(nèi)在特性、調(diào)制識(shí)別技術(shù)的發(fā)展遠(yuǎn)未成熟，對(duì)復(fù)雜通信環(huán)境[9](如多徑衰落、非高斯噪聲、時(shí)頻混疊等)下的調(diào)制識(shí)別技術(shù)有待更深入的研究。本文從通信信號(hào)調(diào)制識(shí)別基本方法、非理想信道識(shí)別、單通道時(shí)頻混疊多信號(hào)識(shí)別、大動(dòng)態(tài)信噪比下的識(shí)別四個(gè)方面進(jìn)行了闡述。

1 通信信號(hào)的調(diào)制識(shí)別技術(shù)

在一個(gè)典型的非合作通信系統(tǒng)中，調(diào)制識(shí)別是介于信號(hào)檢測(cè)和信息解調(diào)之間的一個(gè)中間過(guò)程，其主要任務(wù)是：在完成信號(hào)檢測(cè)及部分參數(shù)估計(jì)的基礎(chǔ)上，對(duì)接收機(jī)接收到的感興趣信號(hào)的觀測(cè)數(shù)據(jù)作適當(dāng)?shù)奶幚恚⒏鶕?jù)某種規(guī)則判定該信號(hào)屬于預(yù)先設(shè)定的若干種調(diào)制形式的某一種，為信息解調(diào)或威脅評(píng)估、實(shí)施干擾等后續(xù)非合作通信任務(wù)提供必要的信息[10]。調(diào)制識(shí)別問(wèn)題從本質(zhì)上來(lái)說(shuō)是一種典型的模式識(shí)別問(wèn)題。其基本框架如圖1所示。

圖1 調(diào)制識(shí)別方法基本框架

調(diào)制識(shí)別方法主要由三部分組成：信號(hào)預(yù)處理、提取特征參數(shù)和分類(lèi)識(shí)別。信號(hào)預(yù)處理部分包括載波同步、頻率下變頻、噪聲抑制以及對(duì)信噪比、符號(hào)周期、載波頻率等參數(shù)的估計(jì)。特征提取部分是從數(shù)據(jù)中提取事先定義好的表征信號(hào)調(diào)制類(lèi)型的特征，即利用信號(hào)處理工具如小波、循環(huán)平穩(wěn)、累積量等提取信號(hào)的時(shí)域或變換域特征參數(shù)。分類(lèi)識(shí)別部分是在特征參數(shù)提取的基礎(chǔ)上，選擇和確定合適的判決規(guī)則和識(shí)別分類(lèi)器。

2 通信信號(hào)的調(diào)制識(shí)別方法

調(diào)制識(shí)別在本質(zhì)上是一個(gè)具有多個(gè)未知參量的多元模式分類(lèi)問(wèn)題。從信號(hào)檢測(cè)和模式識(shí)別的意義上來(lái)說(shuō)，調(diào)制識(shí)別的方法大致可以分為兩類(lèi)：基于似然比判決理論的識(shí)別方法和基于統(tǒng)計(jì)模式的識(shí)別方法。下面對(duì)這兩種方法進(jìn)行了詳細(xì)介紹。

2.1 基于似然比判決理論的識(shí)別方法

基于似然比判決理論的識(shí)別方法把調(diào)制識(shí)別問(wèn)題視為一個(gè)多元假設(shè)檢驗(yàn)問(wèn)題，采用概率論和假設(shè)檢驗(yàn)理論來(lái)解決信號(hào)的調(diào)制識(shí)別問(wèn)題。其特點(diǎn)是，先觀察待識(shí)別的信號(hào)波形，為其賦予某一種候選調(diào)制類(lèi)型；然后通過(guò)相似性原則，確定真正的調(diào)制方式。具體來(lái)說(shuō)，該方法的基本思想是：根據(jù)信號(hào)的統(tǒng)計(jì)特性，依據(jù)代價(jià)函數(shù)最小化原則，通過(guò)理論分析與推導(dǎo)得到檢驗(yàn)統(tǒng)計(jì)量，再將它與一個(gè)合適的門(mén)限進(jìn)行比較，形成判決準(zhǔn)則。最后由判決準(zhǔn)則確定輸出結(jié)果，完成通信信號(hào)調(diào)制方式的分類(lèi)識(shí)別。其統(tǒng)計(jì)量一般多為似然比或者平均似然比的最優(yōu)解或者次優(yōu)解。

(1)

其對(duì)數(shù)形式為

L(r|λk)=lnΓ(r|λk)

(2)

最大似然分類(lèi)器根據(jù)計(jì)算得到的似然函數(shù)值的大小判定信號(hào)類(lèi)型，當(dāng)滿足條件

L(r|λj)>L(r|λi), j≠i, i=1,2,…,K

(3)

時(shí)，則判定信號(hào)為第j種調(diào)制信號(hào)。識(shí)別方法框圖如圖2所示。

圖2 基于似然比的判決理論識(shí)別方法框圖

在非協(xié)作通信環(huán)境下的截獲接收機(jī)，對(duì)數(shù)字通信的信息內(nèi)容全部未知，同時(shí)存在信道參數(shù)的估計(jì)誤差，因此構(gòu)造的似然比函數(shù)中通常都含有未知參數(shù)。似然比函數(shù)通常以信號(hào)的某些參數(shù)為變量，如統(tǒng)計(jì)量的均值、方差、概率密度函數(shù)，以及信道參數(shù)等。按照對(duì)似然函數(shù)中的未知參數(shù)處理方法的不同，基于似然比判決理論的識(shí)別方法可以分為三類(lèi)。在非合作通信環(huán)境中，當(dāng)接收方將這些未知參數(shù)看作隨機(jī)變量進(jìn)行處理時(shí)，則是平均似然比檢驗(yàn)(average likelihood ratio test，ALRT)；若將這些未知參數(shù)看作未知的確定參數(shù)來(lái)處理時(shí)，則是廣義似然比檢驗(yàn)(generalized likelihood ratio test，GLRT)；若將未知參數(shù)中的一部分參數(shù)看作隨機(jī)變量，另一部分參數(shù)看作未知確定參數(shù)，則是混合似然比檢驗(yàn)(hybrid likelihood ratio test，HLRT)。在實(shí)際處理中，學(xué)者們?yōu)榱私档虯LRT、HLRT算法的復(fù)雜度，并考慮到先驗(yàn)信息依賴性大的問(wèn)題，對(duì)未知參數(shù)進(jìn)行了更精確的估計(jì)，這就衍生出了準(zhǔn)平均似然比檢驗(yàn)(quasi-average likelihood ratio test，qALRT)[11]和準(zhǔn)混合似然比檢驗(yàn)(quasi-hybrid likelihood ratio test，qHLRT)[7]兩種方法。

為了便于分析和比較，表1中以時(shí)間先后順序?yàn)橹?，列出了一些主要的似然比識(shí)別方法的調(diào)制識(shí)別分類(lèi)器及應(yīng)用條件。

表1 基于似然比判決理論識(shí)別方法的識(shí)別器及應(yīng)用條件

2.2 基于統(tǒng)計(jì)模式的識(shí)別方法

基于統(tǒng)計(jì)模式的識(shí)別方法也稱為基于特征提取的調(diào)制識(shí)別方法。這種方法把通信信號(hào)的調(diào)制識(shí)別視為一個(gè)統(tǒng)計(jì)模式識(shí)別問(wèn)題，整個(gè)調(diào)制識(shí)別系統(tǒng)由兩個(gè)子系統(tǒng)組成：特征提取子系統(tǒng)和模式分類(lèi)子系統(tǒng)。特征提取子系統(tǒng)的作用是從原始觀測(cè)數(shù)據(jù)中提取事先定義好的能表征信號(hào)調(diào)制類(lèi)型的特征，可以看作是從輸入信號(hào)所在的觀測(cè)空間到選定的特征空間的一個(gè)映射；模式分類(lèi)子系統(tǒng)的作用是把代表某個(gè)信號(hào)的特征依據(jù)分類(lèi)準(zhǔn)則劃分到事先定義好的某一種調(diào)制類(lèi)型，可以看作是從特征空間到類(lèi)型空間的一個(gè)映射，最終完成對(duì)接收信號(hào)調(diào)制方式的識(shí)別?；诮y(tǒng)計(jì)模式識(shí)別方法的調(diào)制識(shí)別算法的基本流程如圖3所示。

圖3 基于統(tǒng)計(jì)模式識(shí)別方法的調(diào)制識(shí)別算法基本框架

2.2.1 不同特征提取方法下的模式識(shí)別

統(tǒng)計(jì)模式識(shí)別分類(lèi)方法的研究重點(diǎn)是特征提取方法和分類(lèi)準(zhǔn)則的選擇與訓(xùn)練。根據(jù)特征提取方法的不同，主要調(diào)制識(shí)別方法如下：

(1)基于瞬時(shí)幅度、頻率和相位的調(diào)制識(shí)別方法

通信信號(hào)的瞬時(shí)幅度、瞬時(shí)頻率和瞬時(shí)相位等時(shí)域特征包含了豐富的調(diào)制信息，合理選擇和構(gòu)造它們的各階統(tǒng)計(jì)量是獲得調(diào)制識(shí)別特征的有效途徑。在這類(lèi)研究中，最具代表性的是Nandi和Azzouz提出的算法[2]，他們利用瞬時(shí)幅度、頻率和相位的特征識(shí)別不同的低階數(shù)字信號(hào)。

(2)基于星座幾何特征的調(diào)制識(shí)別方法

數(shù)字調(diào)制信號(hào)的星座圖可以直觀地展現(xiàn)各種不同類(lèi)型調(diào)制信號(hào)的結(jié)構(gòu)和狀態(tài)關(guān)系，也是反映信號(hào)調(diào)制類(lèi)型的重要特征。任何一種數(shù)字調(diào)制信號(hào)都可以用唯一的星座圖表示，用這種一一對(duì)應(yīng)關(guān)系進(jìn)行識(shí)別非常有效。調(diào)制識(shí)別中利用星座圖對(duì)數(shù)字信號(hào)的調(diào)制方式進(jìn)行識(shí)別，實(shí)質(zhì)上是將一般的模式識(shí)別問(wèn)題轉(zhuǎn)化為圖形的形狀匹配問(wèn)題。星座圖重構(gòu)中的常用算法有模糊C-均值(fuzzy C-means，F(xiàn)CM)聚類(lèi)算法[18]和減法聚類(lèi)方法[19]。

(3)基于時(shí)頻分析的調(diào)制識(shí)別方法

時(shí)頻分布特征用以描述信號(hào)在不同時(shí)間和頻率上的能量密度或強(qiáng)度，用二維的時(shí)間-頻率聯(lián)合分布對(duì)信號(hào)進(jìn)行描述，是分析信號(hào)調(diào)制特征從而識(shí)別信號(hào)調(diào)制類(lèi)型的一種有效工具。短時(shí)傅里葉變換(short-time fourier transform，STFT)、小波變換(wavelet transform，WT)、維格納威利分布(Wigner-Ville distribution，WVD)等是常見(jiàn)的時(shí)頻分析方法。其中具有多分辨率分析能力的小波變換，能夠較精細(xì)地提取信號(hào)的時(shí)頻域細(xì)微特征以及瞬時(shí)特征，能很好地辨識(shí)波形突變信息。Ho等[20]最早提出了基于小波變換的調(diào)制識(shí)別算法，利用離散小波對(duì)頻帶MPSK和MFSK信號(hào)進(jìn)行單一尺度連續(xù)WT變換，提取相關(guān)識(shí)別特征。

(4)基于碼元序列的高階統(tǒng)計(jì)量的調(diào)制識(shí)別方法

由于碼元序列的高階統(tǒng)計(jì)量(higher-order statistics，HOS)能夠反映星座圖的分布特征，適合于區(qū)分幅度相位調(diào)制方式，并具有抗噪聲等優(yōu)點(diǎn)，因此基于高階統(tǒng)計(jì)量特征的調(diào)制識(shí)別算法也是一類(lèi)有效的分類(lèi)算法?；贖OS的調(diào)制識(shí)別算法中，最具代表性和影響力的是Swami A等提出的基于高階累積量的數(shù)字調(diào)制識(shí)別算法[3]，該算法利用理想同步和功率歸一化后信號(hào)的四階累積量CS,4,0、CS,4,2作為分類(lèi)特征，對(duì)PAM、PSK和QAM信號(hào)進(jìn)行類(lèi)內(nèi)和類(lèi)間的區(qū)分。

(5)基于循環(huán)平穩(wěn)特征的調(diào)制識(shí)別方法

傳統(tǒng)的信號(hào)分析模型都是以平穩(wěn)隨機(jī)過(guò)程為基礎(chǔ)的，而通信信號(hào)經(jīng)過(guò)調(diào)制、周期性采樣、編碼等具有周期平穩(wěn)性。循環(huán)統(tǒng)計(jì)量可以很好地刻畫(huà)通信信號(hào)的這種周期性[21]。Spooner等[22]最早利用高階循環(huán)累積量作為分類(lèi)特征，在共信道多信號(hào)環(huán)境下實(shí)現(xiàn)信號(hào)的識(shí)別，證明了聯(lián)立六階循環(huán)累積量組可以實(shí)現(xiàn)部分通信信號(hào)的識(shí)別。除了循環(huán)累積量特征，信號(hào)的譜相關(guān)和譜相干函數(shù)也被用于調(diào)制識(shí)別算法中。Gardner[23]最早分析了各種調(diào)制信號(hào)的譜相關(guān)函數(shù)，利用信號(hào)的譜相關(guān)特征實(shí)現(xiàn)調(diào)制分類(lèi)識(shí)別。

(6)基于分形理論的調(diào)制識(shí)別方法

分形是一類(lèi)復(fù)雜性頗高、沒(méi)有特征長(zhǎng)度，但具有一定意義下的自相似的圖形和結(jié)構(gòu)的總稱。分形最基本的特征就是自相似性，即整體和局部之間的相似性。通信信號(hào)是一種時(shí)間函數(shù)，由于通信信號(hào)各種調(diào)制類(lèi)型的特點(diǎn)體現(xiàn)在載波信號(hào)的幅度、頻率和相位上，信號(hào)波形包含了它們?cè)趲缀巍⒎植际杳苌系男畔?。利用分形提取信?hào)分形集的維數(shù)作為識(shí)別特征，根據(jù)信號(hào)波形就能大體上識(shí)別它的調(diào)制類(lèi)型。

(7)基于混沌特征的調(diào)制識(shí)別方法

混沌理論無(wú)法進(jìn)行長(zhǎng)期預(yù)測(cè)，但可以準(zhǔn)確地實(shí)現(xiàn)短期預(yù)測(cè)。通信信號(hào)是一種非線性時(shí)間序列，調(diào)制類(lèi)型的差異表現(xiàn)為時(shí)間序列的差異?；煦缋碚撎岢鲇貌煌奶卣鲄?shù)對(duì)混沌時(shí)間序列進(jìn)行描述，應(yīng)用這一混沌理論可識(shí)別通信信號(hào)的調(diào)制類(lèi)型。

2.2.2 不同分類(lèi)準(zhǔn)則下的模式識(shí)別

統(tǒng)計(jì)模式識(shí)別類(lèi)方法的另一個(gè)研究重點(diǎn)是分類(lèi)準(zhǔn)則的選擇和訓(xùn)練。根據(jù)分類(lèi)準(zhǔn)則的不同，分類(lèi)學(xué)習(xí)方法有基于距離的分類(lèi)、統(tǒng)計(jì)分類(lèi)、機(jī)器學(xué)習(xí)等。在星座匹配識(shí)別中，通常采用基于距離的分類(lèi)器，常用的是歐氏距離測(cè)度，還有 K-近鄰分類(lèi)器和模糊邏輯分類(lèi)器。常用的分類(lèi)器結(jié)構(gòu)是決策樹(shù)(decision tree，DT)和神經(jīng)網(wǎng)絡(luò)(neural networks，NN)。近年來(lái)，基于支持向量機(jī)的調(diào)制識(shí)別也逐漸成為研究熱點(diǎn)。決策樹(shù)分類(lèi)是一種典型的統(tǒng)計(jì)分類(lèi)方法，采用概率論和假設(shè)檢驗(yàn)理論解決信號(hào)分類(lèi)問(wèn)題，多為多級(jí)分類(lèi)結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)分類(lèi)是一種統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法，它幾乎不需要已知樣本的統(tǒng)計(jì)特性和相關(guān)領(lǐng)域的先驗(yàn)知識(shí)，也無(wú)須確定決策順序，只要樣本具有基本的代表性，就能得出較為精確的規(guī)則。調(diào)制識(shí)別中應(yīng)用最多的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是BP網(wǎng)絡(luò)。

綜上所述，基于特征提取的調(diào)制識(shí)別算法的核心在于提取合適的用于分類(lèi)的特征量。沒(méi)有固定的規(guī)則指明哪種特征具有最優(yōu)的分類(lèi)效果，因?yàn)閷?shí)際中面對(duì)的信號(hào)很復(fù)雜，如接收信號(hào)的信噪比很低，信道存在多徑衰落，各種噪聲的干擾、時(shí)頻重疊等的影響都可能存在，很難找到一個(gè)系統(tǒng)的解決方案。下面針對(duì)復(fù)雜通信環(huán)境中各種不同條件下的調(diào)制識(shí)別技術(shù)做進(jìn)一步探討。

3 復(fù)雜通信環(huán)境下的調(diào)制識(shí)別技術(shù)

隨著無(wú)線移動(dòng)通信技術(shù)的迅速發(fā)展和廣泛應(yīng)用，現(xiàn)代無(wú)線通信系統(tǒng)面臨的電磁環(huán)境日益復(fù)雜，頻譜資源越來(lái)越緊張，干擾的種類(lèi)越來(lái)越多，形式越來(lái)越復(fù)雜，分布越來(lái)越密集和廣泛，這些因素導(dǎo)致人們對(duì)無(wú)線通信系統(tǒng)的性能要求越來(lái)越高。如何在多網(wǎng)并存的復(fù)雜無(wú)線通信環(huán)境中消除多徑衰落、時(shí)頻混疊的影響以及信道干擾、加性噪聲、脈沖噪聲等，保證各種信號(hào)的正確接收和識(shí)別，是一個(gè)迫切需要解決并具有重要理論價(jià)值與現(xiàn)實(shí)意義的研究課題。

3.1 非理想信道下的識(shí)別方法

非理想信道包括無(wú)線通信的信道傳輸過(guò)程中因受到反射、散射、多徑等的影響引起的多徑衰落或者由干擾帶來(lái)的色噪聲、脈沖噪聲等非高斯噪聲[7]。在這些非理想信道中，一些常用的調(diào)制識(shí)別方法的識(shí)別性能會(huì)大大下降甚至無(wú)法進(jìn)行準(zhǔn)確識(shí)別。

3.1.1 非高斯噪聲下的識(shí)別方法

傳統(tǒng)的數(shù)字調(diào)制識(shí)別是假設(shè)背景噪聲服從高斯分布，以便于對(duì)信號(hào)進(jìn)行分析計(jì)算，但在實(shí)際的無(wú)線通信系統(tǒng)中往往存在一些非高斯分布的噪聲，這些噪聲具有顯著尖峰脈沖狀波形和概率密度函數(shù)較厚拖尾，以美國(guó)南加州大學(xué)Nikias教授為代表的研究者在充分研究各種隨機(jī)過(guò)程模型后，發(fā)現(xiàn)Alpha穩(wěn)定分布模型是描述這類(lèi)隨機(jī)信號(hào)的一種更有效的噪聲模型。近年來(lái)，已有學(xué)者對(duì)Alpha穩(wěn)定分布噪聲模型下的數(shù)字調(diào)制識(shí)別進(jìn)行了一定的研究，但是研究還很少。Alpha穩(wěn)定分布噪聲模型下的調(diào)制識(shí)別方法主要有兩種：(1)將色噪聲白化，將其轉(zhuǎn)化為高斯白噪聲后再進(jìn)行下一步處理；(2)利用Alpha穩(wěn)定分布噪聲的特性尋找新的特征進(jìn)行模式識(shí)別。文獻(xiàn)[24]針對(duì)傳統(tǒng)的二階循環(huán)統(tǒng)計(jì)量在Alpha穩(wěn)定分布噪聲中顯著退化的問(wèn)題，提取信號(hào)廣義二階循環(huán)譜中特定頻率和循環(huán)頻率處的幅值作為特征參量，采用最小誤差準(zhǔn)則作為分類(lèi)器算法,實(shí)現(xiàn)了信號(hào)調(diào)制方式識(shí)別。文獻(xiàn)[25]提出了一種基于廣義累積量和廣義瞬時(shí)相位的數(shù)字調(diào)制信號(hào)識(shí)別的新方法。

3.1.2 多徑衰落信道下的識(shí)別方法

由于非合作通信復(fù)雜的通信環(huán)境，特別是多徑效應(yīng)的影響，此時(shí)高斯信道下使用的數(shù)字調(diào)制識(shí)別方法將失效。因此，多徑信道下的數(shù)字調(diào)制識(shí)別是需要解決的一個(gè)關(guān)鍵問(wèn)題。多徑衰落信道下的調(diào)制識(shí)別可以分為三類(lèi)：(1) 對(duì)觀測(cè)數(shù)據(jù)直接提取對(duì)衰落信道魯棒性較強(qiáng)的特征參數(shù)，當(dāng)前普遍使用循環(huán)高階累積量。文獻(xiàn)[26]以信號(hào)的六階和四階累積量作為識(shí)別特征，研究了一種基于高階累積量的調(diào)制識(shí)別算法，在平坦衰落信道下的仿真表明，該算法具有較強(qiáng)的穩(wěn)健性和實(shí)用性。(2) 通過(guò)盲均衡來(lái)補(bǔ)償信道衰落，對(duì)恢復(fù)后的數(shù)據(jù)提取特征。文獻(xiàn)[27]針對(duì)多徑衰落環(huán)境下的MASK、MPSK和MQAM等信號(hào)識(shí)別問(wèn)題，提出了一種基于信道盲辨識(shí)和盲均衡的算法。(3)利用多天線的空間分集能力來(lái)克服多徑干擾。文獻(xiàn)[28]利用盲均衡技術(shù)克服信道的多徑效應(yīng)與系統(tǒng)同步誤差，并對(duì)信號(hào)減法聚類(lèi)，提取聚類(lèi)中心與理想星座圖模型進(jìn)行匹配，實(shí)現(xiàn)了MASK、MPSK、MQAM等調(diào)制方式的識(shí)別。

3.2 單通道時(shí)頻混疊多信號(hào)的識(shí)別方法

目前通信信號(hào)調(diào)制識(shí)別的研究集中于針對(duì)單個(gè)信號(hào)，只是多信號(hào)分類(lèi)的一個(gè)特例。而針對(duì)單通道時(shí)頻重疊的兩個(gè)或多個(gè)信號(hào)的調(diào)制識(shí)別需在信號(hào)檢測(cè)的基礎(chǔ)上識(shí)別其中每一個(gè)信號(hào)的調(diào)制形式，由于各分量的頻域和時(shí)域都發(fā)生了重疊，且為單天線接收方式，常用的時(shí)域、頻域、空域?yàn)V波和聯(lián)合時(shí)頻分析方法針對(duì)單通道時(shí)頻混疊信號(hào)的調(diào)制類(lèi)型識(shí)別大多失效。近年來(lái)許多新的信號(hào)處理方法被引入以期解決多信號(hào)的調(diào)制識(shí)別問(wèn)題，主要有以下兩種方法：

(1) 基于信號(hào)分離的識(shí)別方法，主要應(yīng)用盲源分離的思想，通過(guò)盲分離將問(wèn)題轉(zhuǎn)化為單信號(hào)調(diào)制識(shí)別。

(2) 直接從多信號(hào)混合波形變換域中提取分類(lèi)特征，其關(guān)鍵在于尋找信號(hào)明顯可分的特征域。表2對(duì)常用的單通道混合信號(hào)調(diào)制識(shí)別方法進(jìn)行了比較。

表2 常用的單通道時(shí)頻混疊信號(hào)調(diào)制識(shí)別方法比較

3.3 大動(dòng)態(tài)信噪比下的識(shí)別方法

在軟件無(wú)線電和認(rèn)知無(wú)線電領(lǐng)域的應(yīng)用中，高斯白噪聲是影響調(diào)制識(shí)別算法性能的一個(gè)重要因素。實(shí)際應(yīng)用中信號(hào)接收機(jī)往往工作在大動(dòng)態(tài)環(huán)境下(一般 0～20dB)，使得接收機(jī)工作時(shí)的信噪比難以保持穩(wěn)定，呈現(xiàn)出實(shí)時(shí)大范圍快速變化的特點(diǎn)，因此調(diào)制識(shí)別算法必須具有適應(yīng)這種大動(dòng)態(tài)噪聲環(huán)境并保持良好識(shí)別效果的能力才能有效識(shí)別(以下簡(jiǎn)稱噪聲魯棒性)。

一般大動(dòng)態(tài)信噪比下的主要識(shí)別方法就是尋找噪聲魯棒性強(qiáng)的分類(lèi)特征，再按照統(tǒng)計(jì)模式識(shí)別的基本方法來(lái)完成識(shí)別。針對(duì)基于特征提取和機(jī)器學(xué)習(xí)的識(shí)別算法的特點(diǎn)，分類(lèi)器的抗噪聲能力主要體現(xiàn)在特征的選取上面，當(dāng)所選取的特征在整個(gè)大動(dòng)態(tài)噪聲環(huán)境下都能保持相對(duì)穩(wěn)定而變化不大時(shí)，利用這些相對(duì)穩(wěn)定的特征訓(xùn)練出來(lái)的識(shí)別器也將具有良好的噪聲魯棒性。

4 未來(lái)發(fā)展方向

從目前的研究現(xiàn)狀可以看出，理想環(huán)境下的調(diào)制識(shí)別研究已比較成熟，能夠基本滿足不同應(yīng)用條件下信號(hào)調(diào)制識(shí)別的需求。但當(dāng)前這些方法還只能工作于5dB以上的信噪比環(huán)境且工程實(shí)現(xiàn)上有較大困難，而對(duì)于非理想信道、單通道時(shí)頻混疊多信號(hào)以及大動(dòng)態(tài)信噪比三種復(fù)雜環(huán)境下，可采用的方法又比較單一，因而今后要深入研究適合于非理想信道、單通道時(shí)頻混疊多信號(hào)的識(shí)別算法和具有良好大動(dòng)態(tài)信噪比推廣能力的識(shí)別算法。

當(dāng)前用于非理想信道、單通道多信號(hào)的識(shí)別算法大多是基于信號(hào)的循環(huán)平穩(wěn)特性，方法較為單一，且無(wú)論是利用循環(huán)譜還是循環(huán)高階統(tǒng)計(jì)量，都存在計(jì)算量大、特征難提取的難題，且針對(duì)此類(lèi)算法的DSP 器件運(yùn)行效率也無(wú)法滿足大量數(shù)據(jù)實(shí)時(shí)識(shí)別的要求，因而此類(lèi)算法在工程實(shí)現(xiàn)上有較大困難。

在多體制通信信號(hào)調(diào)制識(shí)別領(lǐng)域，無(wú)線通信接收機(jī)通常工作在信噪比大動(dòng)態(tài)時(shí)變的復(fù)雜環(huán)境下。當(dāng)前傳統(tǒng)調(diào)制識(shí)別方法往往未考慮大動(dòng)態(tài)噪聲對(duì)接收信號(hào)的影響，無(wú)法付諸實(shí)際應(yīng)用。特征提取和分類(lèi)器設(shè)計(jì)是基于統(tǒng)計(jì)模式識(shí)別方法的兩大步驟，而調(diào)制特征的噪聲魯棒性很大程度上決定了調(diào)制識(shí)別方法在大動(dòng)態(tài)信噪比下的推廣能力。經(jīng)多年發(fā)展，調(diào)制識(shí)別技術(shù)的特征提取方法日趨多樣化，已能提取數(shù)百種調(diào)制特征，要獲得具有大動(dòng)態(tài)信噪比推廣能力的調(diào)制特征，就需要研究這數(shù)百種調(diào)制特征的噪聲魯棒性規(guī)律，從中獲得具有良好噪聲魯棒性的調(diào)制特征集。

另外還要提升算法性能，推進(jìn)調(diào)制識(shí)別工程應(yīng)用產(chǎn)品的研發(fā)。現(xiàn)有分類(lèi)識(shí)別算法識(shí)別過(guò)程有時(shí)過(guò)于復(fù)雜，計(jì)算量大，實(shí)時(shí)處理性能差，造成算法整體效果下降，難以真正應(yīng)用到工程實(shí)踐。因此需要進(jìn)一步提升算法性能，完成算法的工程實(shí)現(xiàn)，開(kāi)發(fā)調(diào)制識(shí)別方面的產(chǎn)品。

[1] Weaver C S, Cole C A, Krumland R B, et al.The automatic classification of modulation types by pattern recognition. California:Stanford University, 1969

[2] Nandi A K, Azzouz E E. Algorithms for automatic modulation recognition of communication signals.IEEETransactionsonCommunications, 1998, 46(4): 431-436

[3] Swami A, Sadler B M. Hierarchical digital modulation classification using cumulants.IEEETransactionsonCommunications, 2000, 48(3): 416-429

[4] 李彥栓, 羅明, 李霞. 基于高階累積量的OFDM信號(hào)調(diào)制識(shí)別技術(shù). 電子信息對(duì)抗技術(shù), 2012, 27(4): 1-4

[5] Sanderson J, Li X, Liu Z, et al. Hierarchical blind modulation classification for underwater acoustic communication signal via cyclostationary and maximal likelihood analysis. In: Proceedings of the Military Communications Conference, San Diego, USA, 2013. 29-34

[6] Like E, Chakravarthy V D, Ratazzi P, et al. Signal classification in fading channels using cyclic spectral analysis.EURASIPJournalonWirelessCommunicationsandNetworking, 2009: 14

[7] Dobre O A, Abdi A, Bar-Ness Y, et al. Survey of automatic modulation classification techniques: classical approaches and new trends.Communications,IET, 2007, 1(2): 137-156

[8] 龔曉潔, 朱琦. 衰落信道下基于支持向量機(jī)的調(diào)制識(shí)別方法. 信號(hào)處理, 2010, 26(8): 1234-1239

[9] 李兵兵, 馬洪帥, 劉明騫. Alpha 穩(wěn)定分布噪聲下時(shí)頻重疊信號(hào)的載波頻率估計(jì)方法. 電子與信息學(xué)報(bào), 2014, 36(4): 868

[10] 陸明泉, 肖先賜. 基于 GAR 的同信道多信號(hào)的調(diào)制識(shí)別. 清華大學(xué)學(xué)報(bào): 自然科學(xué)版, 2009, (10): 1676-1680

[11] Shi Q, Gong Y, Guan Y L. Modulation classification for asynchronous high-order QAM signals.WirelessCommunicationsandMobileComputing, 2011, 11(10): 1415-1422

[12] Polydoros A, Kim K. On the detection and classification of quadrature digital modulations in broad-band noise.IEEETransactionsonCommunications, 1990, 38(8): 1199-1211

[13] Hwang C Y, Polydoros A. Advanced methods for digital quadrature and offset modulation classification. In: Proceedings of the Military Communications Conference, Virginia, USA, 1991. 841-845

[14] Lay N E, Polydoros A. Modulation classification of signals in unknown ISI environments. In: Proceedings of the Military Communications Conference, California, USA, 1995. 170-174

[15] Sapiano P C, Martin J D. Maximum likelihood PSK classifier. In: Proceedings of the Military Communications Conference, Virginia,USA,1996. 1010-1014

[16] Beidas B F, Weber C L. Modulation classification of MFSK signals using the higher-order correlation domain. In: Proceedings of the Military Communications Conference, California, USA,1995. 186-191

[17] Chugg K M, Long C, Polydoros A. Combined likelihood power estimation and multiple hypothesis modulation classification. In: Proceedings of the 29th Asilomar Conference on Signals, Systems and Computers, California, USA,1995. 1137-1141

[18] Schreyogg C, Reichert J. Modulation classification of QAM schemes using the DFT of phase histogram combined with modulus information. In: Proceedings of the 21st Century Military Communications Conference, California,USA,1997.1372-1376

[19] Boiteau D, Martret C L. A general maximum likelihood framework for modulation classification. In: Proceedings of the 1998 IEEE International Conference on Acoustics, Speech and Signal Processing, Washington State, USA,1998. 2165-2168

[20] Sills J A. Maximum-likelihood modulation classification for PSK/QAM. In: Proceedings of the Military Communications Conference, New Jersey,USA,1999. 217-220

[21] Ho K C, Hong L. Likelihood method for BPSK and unbalanced QPSK modulation classification. Aerospace/Defense Sensing, Simulation, and Controls. International Society for Optics and Photonics, 2001. 155-162

[22] Hong L. Classification of bpsk and qpsk signals in fading environment using the ICA technique. In: Proceedings of the IEEE 37th Southeastern Symposium on System Theory, Tuskegee, USA, 2005. 491-494

[23] Panagiotou P, Anastasopoulos A, Polydoros A. Likelihood ratio tests for modulation classification. In: Proceedings of the 21st Century Military Communications Conference, Los Angeles, USA, 2000. 670-674

[24] Wei W, Mendel J M. Maximum-likelihood classification for digital amplitude-phase modulations.IEEETransactionsonCommunications, 2000, 48(2): 189-193

[25] Kang S G. Performance of ML modulation classifier for multilevel QAM signals. In: Proceedings of the 2004 IEEE Region 10 Conference, Chiang Mai, Thailand, 2004. 692-695

[26] Tadaion A A, Derakhtian M, Gazor S, et al. Likelihood ratio tests for PSK modulation classification in unknown noise environment. In: Proceedings of the Canadian Conference on Electrical and Computer Engineering, 2005, Saskatoon, Canada, 2005. 151-154

[27] Wong M L D, Nandi A K. Blind phase-amplitude modulation classification with unknown phase offset. In: Proceedings of the 18th International Conference on Pattern Recognition, Hong Kong, China, 2006. 177-180

[28] Mobasseri B G. Constellation shape as a robust signature for digital modulation recognition. In: Proceedings of the Military Communications Conference Proceedings, Atlantic City, USA, 1999. 442-446

[29] 詹亞鋒, 曹志剛, 馬正新. M-QAM 信號(hào)的調(diào)制制式識(shí)別. 通信學(xué)報(bào), 2004, 25(2): 68-74

[30] Ho K M. Automatic Recognition and Demodulation of Digitally Modulated Communications Signals Using Wavelet-domain Signature: [Ph.D disseration]. New Jersey: State University of New Jersey, 2010. 57-68

[31] Jin Y, Ji H. Robust symbol rate estimation of PSK signals under the cyclostationary framework.Circuits,Systems,andSignalProcessing, 2014, 33(2): 599-612

[32] Spooner C M. On the utility of sixth-order cyclic cumulants for RF signal classification. In: Proceedings of the Conference Record of the 35th Asilomar Conference on Signals, Systems and Computers, Pacific Grove, USA, 2001. 890-897

[33] Gardner W A, Brown III W A, Chen C K. Spectral correlation of modulated signals: Part II——digital modulation.IEEETransactionsonCommunications, 1987, 35(6): 595-601

[34] 趙春暉, 楊偉超, 馬爽. 基于廣義二階循環(huán)統(tǒng)計(jì)量的通信信號(hào)調(diào)制識(shí)別研究. 通信學(xué)報(bào), 2011, 32(1): 144-150

[35] 劉明騫, 李兵兵, 石亞云. Alpha穩(wěn)定分布噪聲下數(shù)字調(diào)制識(shí)別新方法. 西安電子科技大學(xué)學(xué)報(bào), 2015, 42(6): 1-6

[36] 馮祥, 李建東. 調(diào)制識(shí)別算法及性能分析. 電波科學(xué)學(xué)報(bào), 2005, 20(6): 737-740

[37] 王彬, 葛臨東, 徐立清等. 一種基于信道盲辨識(shí)和盲均衡的多徑信道調(diào)制方式識(shí)別算法. 電子與信息學(xué)報(bào), 2008, 30(8): 1810-1814

[38] 王建新, 宋輝. 基于星座圖的數(shù)字調(diào)制方式識(shí)別. 通信學(xué)報(bào), 2004, 25(6): 166-173

[39] Nagy P A J. A modulation classifier for multi channel systems and multi transmitter situations. In: Proceedings of the Military Communications Conference, 1994, Conference Record, New Jersey, USA, 1994. 816-820

[40] 陳衛(wèi)東, 楊紹全. 基于循環(huán)累量不變量的 MPSK 信號(hào)調(diào)制識(shí)別算法. 電子與信息學(xué)報(bào), 2003, 25(3): 320-325

[41] 付琴琴. 一種新的 MPSK 信號(hào)調(diào)制分類(lèi)算法. 電子科技, 2012, 25(4): 1-5

[42] 吳量, 江樺, 崔偉亮. 利用循環(huán)平穩(wěn)性檢測(cè)和支持向量機(jī)的調(diào)制信號(hào)分類(lèi). 應(yīng)用科學(xué)學(xué)報(bào), 2013, 31(6): 593-600

[43] 高玉龍, 張中兆. 基于循環(huán)譜的同信道多信號(hào)調(diào)制方式識(shí)別. 高技術(shù)通訊, 2007, 17(8): 793-797

[44] 付海濤,石榮,萬(wàn)群. 基于 HOCCS 和 SVM 的單通道時(shí)頻重疊信號(hào)調(diào)制識(shí)別. 電子信息對(duì)抗技術(shù), 2009, 24(6) :14-18

[45] 程漢文, 朱雷, 吳樂(lè)南. 基于累計(jì)量的干擾信號(hào)調(diào)制識(shí)別算法. 電子與信息學(xué)報(bào), 2009, 31(7): 1741-1745

[46] 張麗輝, 邱天爽, 李景春等. 一種基于四階循環(huán)累積量的盲源分離方法. 信號(hào)處理, 2011, 27(9): 1412

The technology for modulation recognition of communication signals and its development

He Ji’ai, Zhang Wenqi

(School of Computer and Communication, Lanzhou University of Technology, Lanzhou 730050)

The concept, application and basic framework of the modulation recognition of communication signals are briefly interpreted, and the principles, characteristics and development of the two kinds of modulation recognition techniques, the recognition based on likelihood ratio decision and the recognition based on statistical pattern, are reviewed in detail. In consideration of the influence of the electromagnetic environment being increasingly complex on modulation recognition, the research advancement of the techniques for modulation recognition under complex communication environments is thoroughly analyzed, including the recognition under non-Gaussian noise, the recognition under multipath fading channels, the modulation recognition of single-channel time-frequency overlapped signals, and the recognition under large dynamic SNR, and the recognition for non-ideal channels and single-channel time-frequency overlapped signals, as well as the recognition under large dynamic SNR are considered as the future development directions in the field. The study is of academic significance in detection, demodulation and recognition in the areas of software radio, military electronic countermeasure and civilian spectrum monitoring and management.

modulation recognition, decision theory, pattern recognition, complexity environment

10.3772/j.issn.1002-0470.2016.02.006

①國(guó)家自然科學(xué)基金(61561031)資助項(xiàng)目。

2015-09-10)

②男，1969年生，碩士，副教授；研究方向：通信信號(hào)處理；E-mail: hejiai8695910@163.com

③通訊作者，E-mail: vinkizhang89@163.com