基于二次星座聚類提取信號(hào)特征參數(shù)的方法

單劍鋒，岳震林

(南京郵電大學(xué) 電子科學(xué)與工程學(xué)院，江蘇 南京 210003)

基于二次星座聚類提取信號(hào)特征參數(shù)的方法

單劍鋒，岳震林

(南京郵電大學(xué) 電子科學(xué)與工程學(xué)院，江蘇 南京 210003)

針對(duì)傳統(tǒng)單一的聚類算法在低信噪比時(shí)對(duì)調(diào)制信號(hào)識(shí)別率低，以及進(jìn)行特征提取的算法復(fù)雜并且難以實(shí)現(xiàn)的問題,為了提高星座調(diào)制信號(hào)在低信噪比的識(shí)別率，在對(duì)比了不同的MPSK和MQAM的星座圖的差異性的基礎(chǔ)上，提出了一種二次星座聚類提取信號(hào)特征值的方法。其利用改進(jìn)核函數(shù)的DENCLUE(基于密度的聚類)提取信號(hào)星座圖中密度最大點(diǎn)作為k均值聚類的初始聚類中心，并通過k均值聚類實(shí)現(xiàn)了一種新型的提取特征值方法，提取出一組特征值，采用支持向量機(jī)構(gòu)造信號(hào)識(shí)別模型，并進(jìn)行分類識(shí)別。仿真結(jié)果表明，所提出的方法相比傳統(tǒng)單一的聚類算法，尤其是在低信噪比下對(duì)星座圖調(diào)制信號(hào)的識(shí)別率和健壯性較好，并且基于該算法的實(shí)際系統(tǒng)簡(jiǎn)單可靠，具有廣闊的發(fā)展空間。

星座調(diào)制；聚類算法；調(diào)制識(shí)別；特征提取

0 引 言

作為現(xiàn)代移動(dòng)通信技術(shù)中的關(guān)鍵點(diǎn)—調(diào)制識(shí)別一直是通信領(lǐng)域的研究熱點(diǎn)，特別進(jìn)入21世紀(jì)以來，隨著3G、4G通信的興起，世界各個(gè)國(guó)家和地區(qū)的科學(xué)家、學(xué)者提出了很多調(diào)制識(shí)別通信信號(hào)方法[1]。近年來，MPSK和MQAM的研究發(fā)展日趨成熟，作為新興的數(shù)字通信技術(shù)，其擁有頻帶利用率高、調(diào)制方式靈活、抗噪性能優(yōu)越等眾多優(yōu)點(diǎn)[2]。未來將會(huì)在商用民用LTE通信、認(rèn)知無線電、軍用通信系統(tǒng)等領(lǐng)域內(nèi)廣泛使用[3]。然而，對(duì)MPSK和MQAM信號(hào)識(shí)別率的高低依然是目前能否進(jìn)行實(shí)際使用的一個(gè)關(guān)鍵所在。因此，學(xué)者們對(duì)QAM調(diào)制信號(hào)的識(shí)別也進(jìn)行了廣泛而深入的研究[4-8]。例如，文獻(xiàn)[9]使用減法聚類和粒子群結(jié)合提取星座圖分類特征的方法，并使用函數(shù)進(jìn)行判決分類。文獻(xiàn)[10]基于遺傳算法的自適應(yīng)C均值聚類算法對(duì)MQAM進(jìn)行星座識(shí)別。文獻(xiàn)[11]使用模糊C均值聚類提取特征值，并使用神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)器學(xué)習(xí)和分類識(shí)別。然而上述文獻(xiàn)只涉及了一種聚類識(shí)別方法，均值聚類法容易受初始聚類中心隨機(jī)選取的影響，而陷入局部最優(yōu)；DENCLUE(基于密度的聚類)必須選用樣本中的點(diǎn)代替重構(gòu)的星座圖點(diǎn)，會(huì)導(dǎo)致聚類的結(jié)果不是最優(yōu)；神經(jīng)網(wǎng)絡(luò)中也存在學(xué)習(xí)過程復(fù)雜緩慢等問題。

針對(duì)上述缺陷，提出了一種基于核函數(shù)估計(jì)的DENCLUE和k均值聚類的二次星座聚類算法，以提取QAM、PSK信號(hào)星座圖中的特征值，并采用改進(jìn)的支持向量機(jī)進(jìn)行分類識(shí)別，提高了MPSK、MQAM等信號(hào)的調(diào)制識(shí)別率。

1 基于二次星座聚類提取調(diào)制信號(hào)特征參數(shù)的原理

對(duì)于某些基于星座圖調(diào)制方式MPSK/MQAM的信號(hào)，采用基于二次星座聚類與支持向量機(jī)的新方法，實(shí)現(xiàn)對(duì)信號(hào)的調(diào)制識(shí)別，其識(shí)別系統(tǒng)模型如圖1所示。

圖1 識(shí)別系統(tǒng)模型

1.1 基于二次星座聚類的特征提取

DENCLUE是一種基于密度的快速獨(dú)立的近似聚類方法[4]。k均值聚類是一種傳統(tǒng)的基于距離的聚類算法[7]。針對(duì)MPSK/MQAM信號(hào)的調(diào)制識(shí)別領(lǐng)域，上述兩種算法有明顯的不足之處:DENCLUE計(jì)算后得到的聚類中心個(gè)數(shù)與初始給定半徑ra影響較大，半徑稍微增加就會(huì)導(dǎo)致密度的顯著改變，不能準(zhǔn)確還原星座圖的真實(shí)圖像(星座圖可能存在變形、殘缺)，因此采用核函數(shù)估計(jì)方法，把每個(gè)測(cè)量對(duì)象都當(dāng)作一個(gè)對(duì)周圍區(qū)域的高密度指示器。k均值聚類中，聚類中心k的數(shù)目是事先給定的，但是在MQAM、MPSK信號(hào)的識(shí)別過程中，由于事先并不知道M是多少，無法給定聚類中心k的值，因此利用DENCLUE聚類算法給定一個(gè)初始的聚類中心，以提高k均值聚類的精度并且減少搜索聚類中心次數(shù)。在分析上述兩種聚類算法的優(yōu)缺點(diǎn)的基礎(chǔ)上，將其結(jié)合并提出了一種二次星座聚類提取信號(hào)特征參數(shù)的方法：

(1)利用DENCLUE選擇密度最大的k個(gè)初始聚類中心。

step1：對(duì)MPSK/MQAM信號(hào)進(jìn)行信號(hào)預(yù)處理，得到信號(hào)具有n個(gè)點(diǎn)的星座圖。定義星座圖中樣本點(diǎn)xi的密度指標(biāo)為：

(1)

step2：利用式(1)計(jì)算每個(gè)點(diǎn)的密度指標(biāo)，選擇密度指標(biāo)最高的樣本點(diǎn)xc1作為第一個(gè)聚類中心，Dc1為其密度指標(biāo)。其中，ra是一個(gè)正數(shù)，定義了該點(diǎn)的鄰域半徑，半徑以外的數(shù)據(jù)點(diǎn)對(duì)該點(diǎn)的密度指標(biāo)貢獻(xiàn)較小，這里?。?/p>

(2)

令xci為第i次選取的聚類中心，Dci為其密度指標(biāo)，利用式(3)對(duì)其他數(shù)據(jù)點(diǎn)的密度指標(biāo)進(jìn)行修正。

(3)

其中，常數(shù)rb定義了一個(gè)密度指標(biāo)顯著減小的領(lǐng)域。通常設(shè)定rb大于ra，以避免出現(xiàn)太近的聚類中心對(duì)后續(xù)算法的干擾，這里取rb=1.4ra。

step3：在修正每個(gè)數(shù)據(jù)點(diǎn)的密度指標(biāo)后，選定下一個(gè)聚類中心并不斷重復(fù)上述過程，直至確定k個(gè)聚類中心。

(2)利用k均值聚類進(jìn)行特征提取。

step1：對(duì)于上述給定的星座圖,令J=1,并選擇上面確定的k個(gè)初始聚類中心Zj(J),j=1,2,…,k;并計(jì)算星座圖中每個(gè)點(diǎn)與聚類中心的歐氏距離D(xi,Zj(J)),i=1,2,…,n,j=1,2,…,k。

(4)

其中，Zx、Zy、xx、xy分別為聚類中心和星座圖中其他點(diǎn)的橫縱坐標(biāo)。

如果歐氏距離滿足式(5)，則xi∈ωj。

D(xi,zj(J))=min{D(xi,zj(J))},j=1,2,…,k

(5)

step2：令J=J+1，計(jì)算k個(gè)新的聚類中心和誤差平方和準(zhǔn)則Jc的值:

(6)

并作以下判斷：若Zj(J+1)不等于Zj(J),則J=J+1，并且重復(fù)進(jìn)行該步驟。否則算法結(jié)束，得到k個(gè)聚類中心和每個(gè)聚類中心的類內(nèi)點(diǎn)的集合。

step3:當(dāng)聚類中心數(shù)目為k時(shí)，計(jì)算每個(gè)類內(nèi)的點(diǎn)到該類中心點(diǎn)的歐氏距離之和s1,s2,…,sk，并求出距離之和的平均值Sk：

(7)

step4：對(duì)Sk進(jìn)行歸一化，定義單位歐氏距離的Sk為特征值Tc。

由于研究的是MPSK/MQAM信號(hào)的調(diào)制識(shí)別，所以聚類中心數(shù)k分別取2，4，8，16，32，64。即對(duì)接收到的信號(hào)點(diǎn)分別在以上6種不同的信號(hào)點(diǎn)進(jìn)行上述二次星座聚類運(yùn)算，并分別計(jì)算出不同k值的特征值Tk。在不同的信噪比下，針對(duì)不同的聚類中心k，分別計(jì)算出6種調(diào)制方式的特征參數(shù)T2、T4、T8、T16、T32、T64，如表1所示。

表1 特征參數(shù)

由表1可以看出，在一定的信噪比下，不同信號(hào)的六個(gè)特征參數(shù)有明顯不同。因此，可以通過特征參數(shù)T2、T4、T8、T16、T32、T64來實(shí)現(xiàn)對(duì)BPSK,8PSK,4QAM,16QAM,32QAM，64QAM等6種信號(hào)的調(diào)制識(shí)別。

1.2 支持向量機(jī)的訓(xùn)練與調(diào)制識(shí)別

(1)支持向量機(jī)的訓(xùn)練。

由于提取的信號(hào)特征值較多，因此利用改進(jìn)的一對(duì)一支持向量機(jī)方法來解決多種信號(hào)的分類問題，并使用多個(gè)二分類器共同組成MQAM/MPSK信號(hào)的分類器[12]。首先將上面經(jīng)過二次星座聚類算法所提取的6個(gè)特征參數(shù)T2、T4、T8、T16、T32、T64送入支持向量機(jī)，對(duì)支持向量機(jī)進(jìn)行機(jī)器學(xué)習(xí)，將出現(xiàn)最多的那個(gè)類別作為該樣本最終的分類結(jié)果[13]。

(2)支持向量機(jī)的調(diào)制識(shí)別。

支持向量機(jī)訓(xùn)練完成后，將上述6種中的一種未知信號(hào)經(jīng)過預(yù)處理后，利用上面的二次星座聚類進(jìn)行特征提取，然后將6個(gè)特征參數(shù)T2、T4、T8、T16、T32、T64作為輸入，送入訓(xùn)練好的支持向量機(jī)，輸出得到測(cè)試信號(hào)的調(diào)制類型。

2 仿真結(jié)果與分析

使用Matlab 2014，Intel Core i5四核處理器進(jìn)行仿真實(shí)驗(yàn),選取的待檢測(cè)信號(hào)分別是BPSK,8PSK,4QAM,16QAM,32QAM，64QAM，載波信號(hào)為正弦波，載波頻率為2 000 Hz，采樣頻率為12 000 Hz，碼元速率為500 bps，在信噪比為-2 dB，0 dB，2 dB，5 dB,10 dB時(shí)，對(duì)模糊C均值聚類算法和所提出的基于二次星座聚類進(jìn)行信號(hào)特征提取的算法進(jìn)行對(duì)比，均使用基于支持向量機(jī)的多分類器進(jìn)行分類識(shí)別，每種情況各進(jìn)行500次，計(jì)算出在不同信噪比下該方法對(duì)各種MQAM調(diào)制的平均識(shí)別率，結(jié)果如圖2和圖3所示。

圖2 采用模糊C均值聚類算法進(jìn)行特征提取的調(diào)制識(shí)別率仿真圖

圖2、圖3表明，當(dāng)信噪比為2 dB時(shí)，二次星座聚類算法對(duì)BPSK,8PSK,4QAM，16QAM的識(shí)別率基本接近100%，有了大幅提高，對(duì)32QAM的識(shí)別率達(dá)80%以上,對(duì)64QAM的識(shí)別率將近80%，高于基于模糊C均值聚類等單獨(dú)的聚類算法；在信噪比為-2 dB時(shí)，對(duì)BPSK,8PSK,4QAM，16QAM的識(shí)別率高于90%，32QAM、64QAM也有70%左右，高于其他單一的聚類算法。充分體現(xiàn)了二次星座聚類算法在低信噪比下的健壯性，并且保持了較高的信號(hào)識(shí)別率。

圖3 采用二次星座聚類算法進(jìn)行特征提取的調(diào)制識(shí)別的仿真圖

由于不同PSK/QAM信號(hào)的星座圖的中心位置不同，導(dǎo)致當(dāng)聚類中心為k時(shí)，其聚類中心位置不同，因此不同星座圖各點(diǎn)到該點(diǎn)的聚類中心的距離不同，取平均并將其作為特征值，據(jù)此來判決不同的信號(hào)。當(dāng)信號(hào)的星座圖的中心位置差異越大時(shí)，該算法的正確率越高，并且在低信噪比下，通過兩次星座聚類，可以有效去除噪聲的影響，從而更加精確地獲得星座圖上信號(hào)的點(diǎn)，因此該算法在低信噪比下依然保持了良好的識(shí)別率。并且首先使用了DENCLUE算法找出了密度極大值點(diǎn)，在一定程度上給予了k均值聚類正確的初始聚類中心，避免了k均值聚類隨機(jī)選取聚類中心不正確而導(dǎo)致多次計(jì)算選取，因此可以有效減少算法的迭代次數(shù)以及運(yùn)算時(shí)間。

3 結(jié)束語

為了提高星座調(diào)制信號(hào)在低信噪比下的識(shí)別率，提出了基于二次星座聚類提取信號(hào)特征值的算法。選取了通信中幾種常用的基于星座圖的調(diào)制方式，利用二次星座聚類算法提取了具有明顯差別的6種特征參數(shù)作為支持向量機(jī)的輸入，并采用多個(gè)二分類器結(jié)合的支持向量機(jī)對(duì)其進(jìn)行訓(xùn)練，以實(shí)現(xiàn)對(duì)MQAM、MPSK調(diào)制信號(hào)的調(diào)制識(shí)別。

基于Matlab的多次仿真結(jié)果表明，與傳統(tǒng)單一的聚類算法相比，提出的識(shí)別方法在低信噪比下的抗噪聲能力強(qiáng)，信號(hào)識(shí)別率較高，在實(shí)際的信號(hào)識(shí)別系統(tǒng)中具有一定的應(yīng)用價(jià)值。

[1] 楊 杰,劉 珩,卜祥元,等.通信信號(hào)調(diào)制識(shí)別-原理與算法[M].北京：人民郵電出版社，2014.

[2] 黨月芳,徐啟建,張 杰.數(shù)字調(diào)制識(shí)別的關(guān)鍵技術(shù)與發(fā)展趨勢(shì)[J].傳感器與微系統(tǒng),2012,31(10):1-5.

[3] 李蘋蘋,孫鋼燦,申金媛,等.基于半監(jiān)督聚類理論的MQAM信號(hào)的盲識(shí)別[J].青島科技大學(xué)學(xué)報(bào):自然科學(xué)版,2014,35(4):405-409.

[4] 楊發(fā)權(quán),李 贊,羅中良.混合調(diào)制信號(hào)調(diào)制識(shí)別方法[J].中山大學(xué)學(xué)報(bào):自然科學(xué)版,2014,53(1):42-46.

[5] 盛宇波,周 瀾,程維文，等.Efficient entanglement purification in quantum repeaters[J].Chinese Physics B,2012,21(3):67-73.

[6] 王婷婷,龔曉峰.基于星座圖的PSK、QAM信號(hào)聯(lián)合識(shí)別算法應(yīng)用[J].計(jì)算機(jī)應(yīng)用研究,2015,32(7):2116-2118.

[7] Ericson K, Pallickara S. On the performance of high dimensional data clustering and classification algorithms[J].IEEE Communications Letters，2010，12(5):801-813.

[8] Ahmadi N,Berangi R．Modulation classification of QAM and PSK from their constellation using genetic algorithm and hierarchical clustering[C]//ICITA.Cairns:IEEE,2008:98-103.

[9] Li Yanling, Li Bingbing, Yin Changyi.Modulation classification of MQAM signals using particle swarm optimization and subtractive clustering[C]//IEEE 10th international conference on signal processing.[s.l.]:IEEE,2010.

[10] 吳月嫻,葛臨東,許志勇,等.基于遺傳算法的自適應(yīng)聚類與MQAM星座識(shí)別[J].計(jì)算機(jī)工程,2007,33(22):39-41.

[11] Yang Faquan,Li Zan.Method of neural network modulation recognition based on clustering and Polak-Ribiere algorithm[J].Journal of Systems Engineering and Electronics,2014,25(5):742-747.

[12] 程 佳.支持向量機(jī)與K-均值聚類融合算法研究[D].大連:遼寧師范大學(xué),2008.

[13] Zhu Zhechen,Aslam M W,Nandi A K.Support vector machine assisted genetic programming for MQAM classification[C]//10th international symposium on signals,circuits and systems.[s.l.]:[s.n.],2011.

A Method of Extracting Feature Parameters of Signals Based on Two Constellation Clustering

SHAN Jian-feng，YUE Zhen-lin

(School of Electronic Science and Engineering,Nanjing University of Posts and Telecommunications,Nanjing 210003,China)

Aimed at the problems that traditional single clustering algorithm has the low recognition rate of the modulation signal in low SNR (Signal-Noise Ratio) and feature extraction algorithm is complex and difficult to achieve,in order to improve the recognition rate of the constellation modulation signal in low SNR,an innovative method for twice constellations clustering has been proposed based on the comparison of the differences of MPSK and MQAM constellation diagram,where improved kernel function DENCLUE (density-based clustering) is used to extract the maximum density of the signal constellation as the initial clustering center ofK-means clustering.The new feature value extraction method has been implemented for acquisition of characteristic values.The support vector machine has been used to construct the signal recognition model and its classification and identification has been conducted.Simulation results show that the method is better than traditional single clustering algorithm,which is good at the recognition rate and robustness of constellation modulation signal in low SNR especially and that the practical system with this proposed algorithm is simple and reliable with broad development space in future.

constellation modulation;clustering algorithm;modulation recognition;feature extraction

2016-06-19

2016-09-22 網(wǎng)絡(luò)出版時(shí)間：2017-03-13

國(guó)家自然科學(xué)基金面上項(xiàng)目(GZ212015)

單劍鋒(1967-)，男，副教授，研究方向?yàn)殡娐放c系統(tǒng)、智能信息處理、電路故障診斷；岳震林(1992-)，男，碩士研究生，研究方向?yàn)橹悄苄畔⑻幚怼?/p>

http://kns.cnki.net/kcms/detail/61.1450.tp.20170313.1546.058.html

TP911

A

1673-629X(2017)06-0091-04

10.3969/j.issn.1673-629X.2017.06.019