基于支持向量機(jī)的戰(zhàn)術(shù)電臺(tái)網(wǎng)絡(luò)通信信號(hào)調(diào)制識(shí)別

文永康+譚紅芳+馬勇

摘 要 為了在低信噪比下準(zhǔn)確識(shí)別戰(zhàn)術(shù)電臺(tái)網(wǎng)絡(luò)通信信號(hào)的調(diào)制方式，利用多種參數(shù)提取方法與支持向量機(jī)（SVM）對(duì)戰(zhàn)術(shù)電臺(tái)網(wǎng)絡(luò)通信信號(hào)的調(diào)制方式進(jìn)行識(shí)別。運(yùn)用瞬時(shí)參數(shù)分析、循環(huán)譜分析與小波包分解重構(gòu)相融合的方法，提取信號(hào)的多種特征值，將其作為SVM分類器的輸入，對(duì)戰(zhàn)術(shù)電臺(tái)網(wǎng)絡(luò)中常用的AM、FM、2ASK、4ASK、2PSK、4PSK、2FSK、4FSK、16QAM九種信號(hào)進(jìn)行訓(xùn)練與測(cè)試，得到識(shí)別率。仿真結(jié)果表明，在信噪比為0dB時(shí)，識(shí)別率達(dá)到了98.89%，證明了該方法的有效性。

關(guān)鍵詞 戰(zhàn)術(shù)電臺(tái)網(wǎng)絡(luò)；調(diào)制識(shí)別；特征提??；支持向量機(jī)

中圖分類號(hào) TN91 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1674-6708（2017）199-0163-04

在電子偵察和電子對(duì)抗領(lǐng)域，通信信號(hào)調(diào)制分類占據(jù)著重要地位，兵馬未動(dòng)，信息先行，現(xiàn)代戰(zhàn)爭(zhēng)中對(duì)立雙方在戰(zhàn)爭(zhēng)開始時(shí)最想爭(zhēng)奪的就是信息主動(dòng)權(quán)，電子信息對(duì)抗已然可以左右一場(chǎng)戰(zhàn)爭(zhēng)的勝負(fù)[ 1 ]。在電子對(duì)抗中，第一步是對(duì)捕獲的敵軍信號(hào)進(jìn)行分析處理，解密裹藏在信號(hào)中的重要信息，而信號(hào)的調(diào)制分類，則是進(jìn)行這一過程的重要基石。其主要策略是，在缺少先驗(yàn)信息的前提下，對(duì)信號(hào)進(jìn)行參數(shù)估計(jì)和特征提取，判別已捕獲信號(hào)的調(diào)制方式；根據(jù)判別結(jié)果，進(jìn)一步處理可得到其調(diào)制參數(shù)，據(jù)此對(duì)敵軍通信設(shè)施采取反制性干擾破壞，或可進(jìn)一步解調(diào)，破譯敵方戰(zhàn)斗信息，進(jìn)行針對(duì)性戰(zhàn)斗部署。戰(zhàn)術(shù)電臺(tái)網(wǎng)絡(luò)中存在不同類型的戰(zhàn)斗網(wǎng)絡(luò)，使用的電臺(tái)也因網(wǎng)絡(luò)的不同而存在差異，信號(hào)的調(diào)制方式也因業(yè)務(wù)需求和戰(zhàn)時(shí)環(huán)境的不同而變化[2]。在SINCGARS電臺(tái)中，美軍現(xiàn)役的AN/PRC-117F電臺(tái)和AN/PRC-152電臺(tái)，前者可用調(diào)制方式有AM、FM、ASK、FSK、BPSK、QPSK等，后者可用調(diào)制方式有AM、FM、PSK、FSK等。其他美軍電臺(tái)如SPEAKEASY電臺(tái)的調(diào)制方式有AM、FM、MPSK、QAM等。因此，本文主要針對(duì)戰(zhàn)術(shù)電臺(tái)網(wǎng)絡(luò)中的AM、FM、2ASK、2FSK、2PSK、4ASK、4FSK、4PSK、16QAM這9種調(diào)制模式進(jìn)行分類識(shí)別。

在電子對(duì)抗中，由于干擾和噪聲的影響，信號(hào)比較難以捕捉，因此需要收集一定量的信號(hào)進(jìn)行處理分析，建立特征參數(shù)庫，以便對(duì)后續(xù)捕捉的信號(hào)進(jìn)行比對(duì)分析，所以本文采用了多種特征參數(shù)。而且SVM理論基礎(chǔ)扎實(shí)，處理多維參數(shù)問題相對(duì)其他機(jī)器學(xué)習(xí)算法更優(yōu)秀，且具有良好的泛化推廣能力[3-4]，因此本文基于統(tǒng)計(jì)模式識(shí)別方法，在特征提取環(huán)節(jié)采用瞬時(shí)參數(shù)分析、循環(huán)譜分析與小波包分解重構(gòu)相融合的方法，并選擇SVM作為分類器進(jìn)行調(diào)制識(shí)別。

1 特征提取

1.1 瞬時(shí)參數(shù)提取

瞬時(shí)參數(shù)適合高信噪比下的調(diào)制識(shí)別，在低信噪比下性能非常差，但是從長(zhǎng)遠(yuǎn)來看，電子偵察和對(duì)抗是一項(xiàng)大工程，隨著信號(hào)捕捉預(yù)處理技術(shù)的發(fā)展，去干擾，提升信噪比的能力會(huì)逐步加強(qiáng)，當(dāng)發(fā)展到能將捕捉的信號(hào)處理到高信噪比，弱干擾的程度時(shí)，瞬時(shí)參數(shù)便能發(fā)揮作用。因此本文將瞬時(shí)特征參數(shù)作為一種參數(shù)加入到組建的特征參數(shù)組中。

參數(shù)一：零中心歸一化瞬時(shí)幅度功率譜密度最大值Rm[ 5 ]。

Rm可以把ASK信號(hào)和FSK、PSK信號(hào)分成兩類。因?yàn)锳SK信號(hào)的包絡(luò)是變化的，則其acn（i）是不為零，相應(yīng)的譜密度值也不為零。而PSK信號(hào)和FSK信號(hào)的包絡(luò)保持不變，所以其acn（i）接近零值，則譜密度也接近零值。因此，利用Rm將ASK信號(hào)和FSK、PSK信號(hào)分成兩大類。

參數(shù)二：信號(hào)幅度的均方差std。這一參數(shù)可以將2ASK、4ASK、QAM信號(hào)分成三類，其中4ASK信號(hào)和QAM信號(hào)相比2ASK信號(hào)幅度離散程度大很多，4ASK信號(hào)與QAM信號(hào)幅度離散程度相近但仍能區(qū)分。

1.2 循環(huán)譜參數(shù)提取

在循環(huán)頻率為零處，由于平穩(wěn)信號(hào)不具有循環(huán)平穩(wěn)特點(diǎn)，噪聲作為一種平穩(wěn)信號(hào)只會(huì)在此處產(chǎn)生譜峰，在循環(huán)頻率非零處不會(huì)產(chǎn)生譜峰，即此參數(shù)可以有效克服平穩(wěn)噪聲的影響，適合低信噪比下的戰(zhàn)術(shù)電臺(tái)網(wǎng)絡(luò)通信信號(hào)的調(diào)制識(shí)別。而且循環(huán)譜可以更好地表現(xiàn)出信號(hào)的本質(zhì)屬性，由于進(jìn)行了二次付里葉變換，使其分辨率更高。因此本文將循環(huán)譜參數(shù)作為一種參數(shù)加入到組建的特征參數(shù)組中。

參數(shù)三：特征循環(huán)譜在軸截面上的脈沖個(gè)數(shù)m[4]。對(duì)脈沖的計(jì)數(shù)方法是：先對(duì)截面譜的幅值進(jìn)行歸一化處理，接著對(duì)截面譜進(jìn)行一維搜索，找到大于所設(shè)門限值的對(duì)應(yīng)譜線，然后對(duì)這些譜線進(jìn)行第二次搜索整理，搜尋比相鄰譜線更加突出的譜線，判決為一個(gè)脈沖。

1.3 小波分解重構(gòu)參數(shù)提取

小波交換能將信號(hào)的各種細(xì)節(jié)特征分離解析到各個(gè)不同尺度的小波系數(shù)上，并且對(duì)高頻部分進(jìn)行分析時(shí)，時(shí)域步距適當(dāng)減小，可以觀察到信號(hào)的很多細(xì)微細(xì)節(jié)，在時(shí)域同樣具有很好的局部化特性，即具備獨(dú)特的多分辨率分析特點(diǎn)，在分析突變信號(hào)和非平穩(wěn)信號(hào)時(shí)性能很好。因此本文選用了db2母小波實(shí)現(xiàn)小波分解重構(gòu)，然后提取分解信號(hào)各層的均方差，對(duì)信號(hào)進(jìn)行3層小波離析分解，將這些均方差值作為特征參數(shù)加入到組建的特征參數(shù)組中。

參數(shù)五：第三次分解后提取低頻系數(shù)cwtlo3的均方差。

參數(shù)六：分解前提取高頻1號(hào)系數(shù)cwtde1的均方差。

參數(shù)七：第一次分解后提取高頻2號(hào)系數(shù)cwtde2的均方差。

參數(shù)八：第二次分解后提取高頻3號(hào)系數(shù)cwtde3的均方差。

2 SVM分類器endprint

2.1 SVM原理

SVM是Vapnik和Cortes在1995年提出的，SVM根據(jù)VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理，以有限的樣本信息，在模型的復(fù)雜性和預(yù)測(cè)能力之間追求最佳折衷，即在特定訓(xùn)練樣本的學(xué)習(xí)精度與識(shí)別任意樣本的能力間折衷，目標(biāo)是獲得最好的泛化推廣能力[ 7 ]。其本身具有優(yōu)秀的泛化能力適合于解決小樣本問題；再加上引入了核函數(shù)和松弛變量的緣故，造就了SVM處理解決非線性及高維模式問題的了得性能，而且能夠?qū)⒆陨淼倪@些優(yōu)勢(shì)擴(kuò)大到函數(shù)擬合等其他問題中。

非線性支持向量機(jī)數(shù)學(xué)模型為：

2.2 SVM參數(shù)優(yōu)化

目前結(jié)合支持向量機(jī)的調(diào)制識(shí)別文獻(xiàn)都沒有給出核函數(shù)和松弛變量的參數(shù)值，沒有這兩個(gè)參數(shù)值，則會(huì)令人懷疑其泛化推廣能力[8-10]。席敏等人在運(yùn)用SVM進(jìn)行調(diào)制識(shí)別時(shí)[ 1 1 ]，就出現(xiàn)了硬間隔問題，使其SVM模型失去了泛化推廣能力。針對(duì)前四個(gè)特征參數(shù)，對(duì)SVM中的核參數(shù)g和懲罰因子C進(jìn)行了遺傳算法優(yōu)化，仿真結(jié)果如圖4圖5，前者C，g參數(shù)未優(yōu)化，手動(dòng)調(diào)參，范圍無限制；后者采用遺傳算法優(yōu)化，C設(shè)為[0.1-100]，g設(shè)為[0.01-1000]。

對(duì)比參數(shù)優(yōu)化前后的仿真性能，手動(dòng)調(diào)參得到的懲罰因子C的值大的恐怖，而且識(shí)別率幾乎不隨信噪比的變化而變化，這種情況下就出現(xiàn)了硬間隔（過學(xué)習(xí)）問題，究其原因是全部樣本點(diǎn)與分類平面間的距離都被強(qiáng)制要求大于某個(gè)值，其結(jié)果就是模型很容易受少數(shù)點(diǎn)的掣肘，導(dǎo)致泛化推廣能力下降。經(jīng)過遺傳算法優(yōu)化后，雖然識(shí)別率下降，但是參數(shù)更健康，識(shí)別率隨信噪比的走勢(shì)更健康。

3 實(shí)驗(yàn)仿真

3.1 仿真條件

識(shí)別信號(hào)：AM、FM、2ASK、4ASK、2FSK、4FSK、2PSK、4PSK、QAM；訓(xùn)練序列樣本數(shù)：180，測(cè)試序列樣本數(shù)：90；載波頻率：2kHz，符號(hào)速率：500bps，采樣速率：12kHz；選取特征：特征提取中的3種特征共8個(gè)參數(shù)。

3.2 仿真結(jié)果

由圖7和圖8仿真結(jié)果可知，運(yùn)用本文中的三種特征參數(shù)，基于SVM仿真實(shí)現(xiàn)了2ASK、4ASK、2FSK、4FSK、2PSK、4PSK、QAM、AM、FM九種信號(hào)的調(diào)制識(shí)別，在-10dB信噪比下，仿真識(shí)別準(zhǔn)確率超過了80%；仿真準(zhǔn)確率在信噪比等于0dB時(shí)，接近100%。仿真結(jié)果證明了本文的方法是高效的。J.An等學(xué)者基于SVM，使用固有時(shí)間尺度算法提取的參數(shù)對(duì)2ASK、2PSK、2FSK、4ASK、4PSK、4FSK、16QAM信號(hào)進(jìn)行分類，在信噪比為5dB時(shí)，準(zhǔn)確率為96.11%[12]。于是本文作者采用本文的特征參數(shù)組基于支持向量機(jī)對(duì)上面7種信號(hào)進(jìn)行分類，測(cè)試樣本為7x50=350個(gè)信號(hào)，如圖9所示，在信噪比為5dB時(shí)，準(zhǔn)確率為100%，且在信噪比為0dB時(shí)，準(zhǔn)確率為97.7143%（342/350），識(shí)別結(jié)果更好。

4 結(jié)論

目前結(jié)合SVM的調(diào)制識(shí)別文獻(xiàn)都沒有給出核函數(shù)和松弛變量的參數(shù)值，沒有這兩個(gè)參數(shù)值，則會(huì)令人懷疑其泛化推廣能力，因此本文對(duì)核函數(shù)和松弛變量進(jìn)行了參數(shù)優(yōu)化，給出了每個(gè)信噪比下優(yōu)化后的參數(shù)值，其值都在健康范圍內(nèi)。而且，基于本文提取的特征參數(shù)組，使用SVM進(jìn)行信號(hào)分類，效果良好。與同類型IEEE文獻(xiàn)對(duì)比，本文的特征參數(shù)組取得的效果更好，在信噪比為5dB時(shí)，同比識(shí)別率上升到100%。

參考文獻(xiàn)

[1]閻瑾.美軍戰(zhàn)術(shù)互聯(lián)網(wǎng)體系架構(gòu)研究[J].通信技術(shù)，2011（9）：105-107.

[2]湯少鈺.戰(zhàn)術(shù)互聯(lián)網(wǎng)偵察技術(shù)研究[D].西安電子科技大學(xué)，2009.

[3]S. Hassanpour， A. M. Pezeshk and F. Behnia，“Automatic Digital Modulation Recognition Based on Novel Features and Support Vector Machine，”2016 12th International Conference on Signal-Image Technology & Internet-Based Systems（SITIS），Naples， Italy， 2016， pp. 172-177.

[4]S. Mihandoost and M. ChehelAmirani， “Automatic Modulation Classification using combination of Wavelet Transform and GARCH model，”2016 8th International Symposium on Telecommunications（IST）， Tehran， 2016， pp. 484-488.

[5]Nandi， Azzouz E E.， Automatic AnalogueModulation Recognition[J]. Signal Processing， 1995，46：211-222.

[6]潘瑩，張洪欣.基于支持向量機(jī)與譜特征的數(shù)字信號(hào)識(shí)別[J].濱州學(xué)院學(xué)報(bào)，2013（6）：79-83.

[7]Vapnik V N. The Nature of Statistical Learning theory[M].New York： Springer-Verlag，1995.

[8]李嬌.支持向量機(jī)參數(shù)優(yōu)化研究[D].武漢：華中師范大學(xué)，2011.

[9]丁勇，秦曉明，何寒暉.支持向量機(jī)的參數(shù)優(yōu)化及其文本分類中的應(yīng)用[J].計(jì)算機(jī)仿真，2010（11）：187-190.

[10]陸梓端，高茂庭.基于改進(jìn)遺傳算法的支持向量機(jī)參數(shù)優(yōu)化[J].現(xiàn)代計(jì)算機(jī)（專業(yè)版），2014（9）：25-29，34.

[11]席敏，朱國(guó)魂，姜茜.基于小波變換與SVM的調(diào)制信號(hào)識(shí)別方法[J].桂林電子科技大學(xué)學(xué)報(bào)，2014（4）：274-278.

[12]An J.， Yi K.， Tian B.， Yu Q.， A Modulation Recognizer With ITD-Based Features[J]， IEEE International Conference On Signal Processing，Communications And Computing （ICSPCC）， Xian，2011， 1-4.endprint