基于理想解的模擬調(diào)制識別分析

鄧 兵，崔世麒，張 韞

（海軍航空大學，山東煙臺264001）

通信信號的調(diào)制識別是通信對抗偵察的一項重要內(nèi)容[1]。調(diào)制識別主要有2種方法：基于似然函數(shù)的決策理論方法[2]和基于特征參數(shù)的模式識別方法[3]。前者在假設信號滿足某種分布條件的前提下，利用統(tǒng)計似然特征進行判決；后者則先進行信號的特征提取，再利用不同的分類器進行判決。目前，調(diào)制識別分類器設計的方法主要有基于神經(jīng)網(wǎng)絡的方法[4-6]、基于支持向量機的方法[7-11]和基于判決樹[12-16]的方法。其中，基于判決樹的方法簡明、直接，但是需要正確確定判決門限和判決準則；而基于神經(jīng)網(wǎng)絡和支持向量機的方法不需要人工確定判決門限和判決準則，適應性強，但是計算量相對較高。文獻[17]提出基于理想解法的調(diào)制識別方法，將選定的特征參數(shù)集看成一個整體，對各調(diào)制方式進行打分判別，能夠彌補傳統(tǒng)判決樹法判決門限難于選取的缺點，同時克服了神經(jīng)網(wǎng)絡法訓練時間長、對算法要求高的難題。

本文對基于理想解法的調(diào)制識別方法做了進一步的性能分析，可為提升其調(diào)制識別性能和拓展識別范圍提供參考。

1 基于理想解的調(diào)制識別步驟

逼近理想解排序法是根據(jù)有限個評價對象與理想化目標的接近程度進行排序的方法，基于理想解的調(diào)制識別算法步驟如下[17]：

1）設有M種待判決調(diào)制方式，N個特征參數(shù)為評價指標。針對每一種調(diào)制方式和每一個特征參數(shù)，確定其對應的正理想解Cij和負理想解以及各特征參數(shù)對應的權值wi，其中：i=1,2,…,N;j=1,2,…,M。

2）對待識別信號進行特征參數(shù)的提取，得到N個特征參數(shù)估計值hi，i=1,2,…,N。

3）計算待識別信號的特征參數(shù)到各待判決調(diào)制方式的正、負理想解的距離。其中，到正理想解的距離為：

到負理想解的距離為：

4）計算待判決調(diào)制方式得分為：

然后，進行排序，得分最高的調(diào)制方式即為判決結果。

2 性能分析

設待識別的采樣信號為：

式（4）中：i=1,2,…,Ns，Ns為采樣點數(shù)；fc為載波頻率；ts=1/fs，fs為采樣頻率。

S(i)為s(i)的離散傅里葉變換，即：

考慮到模擬調(diào)制為基本的信號調(diào)制類型，因此，本文以模擬調(diào)制識別作為分析對象，其分析結果既能作為理論參考，也具有一定的應用價值。

設待識別的模擬調(diào)制種類為DSB、LSB、USB、AM和FM，確定的3個評價指標為幅度譜峰值γmax、譜對稱性P、信號包絡方差與均值平方之比R[1，18-19]。具體定義如下。

1）幅度譜峰值：

2）譜對稱性：

式（7）中：PL表示s(i)的下邊帶功率；PU表示s(i)的上邊帶功率。

3）信號包絡方差與均值平方之比：

式（8）中：σ2表示信號包絡方差；μ2表示信號包絡均值的平方。

2.1 正確識別率

利用上述評價指標，以AM信號為例，進行基于理想解的調(diào)制識別仿真分析，參數(shù)設置為：fc=3 MHz；fs=20 MHz；Ns=10 000。

首先，仿真產(chǎn)生AM信號，調(diào)制信號為正弦信號，幅度調(diào)制后的信號波形如圖1所示。

圖1 混頻到中頻的待識別AM信號波形圖Fig.1 AM signal waveform after mixed to medium frequency

然后，針對這5種調(diào)制方式和3個特征參數(shù)來確定其對應的正理想解Cij和負理想解，設定權值w1=w2=100，分別對應于特征參數(shù)R和P，權值w3=1，對應于特征參數(shù)γmax。

接下來先按照式（6）～（8）求取待識別AM信號的各特征參數(shù)，如表1所示。再按照式（1）、（2）分別計算提取的特征參數(shù)到這5種待判決調(diào)制方式的正、負理想解的距離。最后，按照式（3）計算各待判決調(diào)制方式的得分，如表2所示?？梢钥闯觯涸跓o噪聲條件下，得分最高的調(diào)制方式為其自身調(diào)制方式。

表1 不同信噪比下的提取的AM信號特征參數(shù)Tab.1 Characteristic parameters ofAM signals extracted at different SNR

表2 無噪聲條件下該AM信號的得分Tab.2 Score ofAM signal without noise

表3～6分別給出了高斯白噪聲背景下不同信號的識別概率分布，可以看出：

1）不同類別信號都有各自不同的容易誤判類別，且都各不對應，例如：AM信號就更容易被誤判為DSB信號，而DSB信號則更容易被誤判為單邊帶信號，且誤判為上、下邊帶信號的概率差不多。

2）不同類別信號被誤判的調(diào)制方式一般有1種，只有DSB信號存在2種。

因此，可以在后續(xù)識別效果的改進上有針對性地引入新的識別特征參數(shù)。

表3 AM信號的識別概率分布Tab.3 Classification probability distribution ofAM signal

表4 DSB信號的識別概率分布Tab.4 Classification probability distribution of DSB signal

表5 USB信號的識別概率分布Tab.5 Classification probability distribution of USB signal

表6 LSB信號的識別概率分布Tab.6 Classification probability distribution of LSB signal

文獻[19]利用幅度譜峰值γmax、譜對稱性P、信號包絡方差與均值平方之比R這3個特征值設計了基于判決樹的調(diào)制識別方法，識別效果對比如表7所示。可以看出：在AM、USB、LSB的識別上，基于理想解的調(diào)制識別方法均優(yōu)于文獻[19]。

表7 不同信噪比下的識別概率對比Tab.7 Comparison of classification probability versus different SNR

2.2 權值的影響

在權值的確定上，主要考慮的是均衡各特征參數(shù)的識別貢獻。也就是說，絕對值較大的特征參數(shù)所對應的權值就相對取值較小。因此，本文示例采用的權值是w1=w2=100，w3=0。從圖2、3看，通過權值的調(diào)整能夠顯著改變識別效果，當然，不同權值的效果改變也不盡相同。權值w1從1變化到100獲得的SNR改善尚不足0.5dB，而權值w2從80變化到100則獲得了超過1dB的SNR得益。

圖2 不同權值w1下的LSB信號正確識別率Fig.2 Correct classification rate of LSB signal with differentw1

圖3 不同權值w2下的LSB信號正確識別率Fig.3 Correct classification rate of LSB signal with differentw2

3 結論

本文針對基于理想解的調(diào)制識別方法，以5種模擬調(diào)制為對象，分析了各調(diào)制方式被誤判概率，以及權值改變對識別效果的影響，可以發(fā)現(xiàn)：①總體上，基于理想解的調(diào)制識別方法效果要均優(yōu)于文獻[19]所提出的判決樹法；②各調(diào)制信號被誤判為其他的調(diào)制方式一般只有1種，且通過權值的調(diào)整能夠顯著改善識別效果。因此，在后續(xù)識別效果的改進上需要進一步有針對性地引入新的識別特征參數(shù)，尋求最優(yōu)權值來降低誤判概率。