基于瞬時(shí)特征參數(shù)的調(diào)制識(shí)別方法

劉 生，于萬(wàn)里，王勤民

（1.中原工學(xué)院，河南 鄭州 450007；2.河南工程學(xué)院，河南 鄭州 451191）

0 引言

數(shù)字通信信號(hào)的調(diào)制識(shí)別是電子戰(zhàn)場(chǎng)目標(biāo)信息獲取與態(tài)勢(shì)分析的重要環(huán)節(jié)，也是非協(xié)作解調(diào)的關(guān)鍵步驟和基礎(chǔ)。調(diào)制識(shí)別技術(shù)已經(jīng)廣泛應(yīng)用在通信對(duì)抗、軍事偵察、電磁頻譜管理等方面，在工程應(yīng)用中，仍是研究的重點(diǎn)[1]。

目前針對(duì)通信信號(hào)的調(diào)制識(shí)別方法，主要有基于統(tǒng)計(jì)模式識(shí)別[2]、小波變換[3]和決策理論[2]等方法，每一種調(diào)制信號(hào)識(shí)別方法都各有特點(diǎn)。文獻(xiàn)[2]從特征參數(shù)提取角度改進(jìn)了傳統(tǒng)決策理論算法，并利用決策樹對(duì)信號(hào)調(diào)制進(jìn)行識(shí)別；文獻(xiàn)[3]通過(guò)分析小波的時(shí)頻圖區(qū)分信號(hào)，發(fā)現(xiàn)高信噪比小波效果較好，但低信噪比識(shí)別效果較差；文獻(xiàn)[4]則從識(shí)別方法上進(jìn)行了創(chuàng)新，首次提出使用神經(jīng)網(wǎng)絡(luò)對(duì)通信信號(hào)進(jìn)行識(shí)別，雖然識(shí)別效果較好，但算法設(shè)計(jì)復(fù)雜且不便工程應(yīng)用。隨著通信技術(shù)的發(fā)展，越來(lái)越多的算法被應(yīng)用到實(shí)際的工程中。但在調(diào)制識(shí)別領(lǐng)域，復(fù)雜的算法還不能有效地被應(yīng)用到工程中。因此，研究適合工程實(shí)現(xiàn)的自動(dòng)調(diào)制識(shí)別算法有著很強(qiáng)的現(xiàn)實(shí)需求。

本文將瞬時(shí)幅度的譜密度最大值γmax、瞬時(shí)相位絕對(duì)值的標(biāo)準(zhǔn)偏差σap、瞬時(shí)頻率絕對(duì)值的標(biāo)準(zhǔn)差σaf與3層全連接神經(jīng)網(wǎng)絡(luò)分類器（Three-layer Fully Connected Neural Network Classifier，TFCNNC）相結(jié)合，識(shí)別通信信號(hào)的調(diào)制類方式[5]。使用TFCNNC有效地避免了人為設(shè)置門限帶來(lái)的誤差。選用瞬時(shí)特征參數(shù)作為TFCNNC的輸入特征，識(shí)別調(diào)制方式，并通過(guò)仿真得出實(shí)驗(yàn)結(jié)果，結(jié)果表明該方法不僅性能優(yōu)于決策樹算法，且設(shè)計(jì)簡(jiǎn)單，復(fù)雜度遠(yuǎn)低于其他深度神經(jīng)網(wǎng)絡(luò)，便于工程應(yīng)用。

1 信號(hào)模型

在通信過(guò)程中，接收信號(hào)模型表示為：

式中：a(t)為信號(hào)的瞬時(shí)幅度；f0為載頻；θ0為載波相位。

對(duì)x(t)進(jìn)行希爾伯特變換（Hilbert），則可得到其正交分量v(t)，這樣就得到了解析信號(hào)z(t)，即可得到通信信號(hào)的幅度、相位、頻率等瞬時(shí)參數(shù)[6]。x(t)的解析信號(hào)為：

v(t)的計(jì)算公式為：

式中：τ為沖激響應(yīng)因子。

由式（2）的變換，就可以對(duì)調(diào)制信號(hào)進(jìn)行幅度、相位、頻率等信息的提取，得到信號(hào)的瞬時(shí)幅度

2 瞬時(shí)特征提取

通信信號(hào)的瞬時(shí)信息包括瞬時(shí)幅度、瞬時(shí)相位、瞬時(shí)頻率及不同角度的統(tǒng)計(jì)特征值，其中瞬時(shí)幅度、瞬時(shí)相位、瞬時(shí)頻率包含著調(diào)制信息[7]。對(duì)通信信號(hào)做調(diào)制識(shí)別，需要對(duì)信號(hào)的幅度、相位、頻率信息特征進(jìn)行提取。

由瞬時(shí)幅度A(t)、瞬時(shí)相位φ(t)、瞬時(shí)頻率f(t)的值，可進(jìn)一步得到調(diào)制信號(hào)瞬時(shí)特征參數(shù)，本文主要使用3個(gè)特征參數(shù)，分別是瞬時(shí)幅度的譜密度最大值γmax、瞬時(shí)相位絕對(duì)值的標(biāo)準(zhǔn)偏差σap、瞬時(shí)頻率絕對(duì)值的標(biāo)準(zhǔn)偏差σaf。

2.1 瞬時(shí)幅度的譜密度最大值

瞬時(shí)幅度的譜密度最大值γmax表征了信號(hào)瞬時(shí)幅度的變化情況，用來(lái)反映調(diào)制信號(hào)包絡(luò)的變化特性[8]，其表達(dá)式為：

式中：Ns為數(shù)字信號(hào)的采樣點(diǎn)數(shù)；Acn(i)為歸一化瞬時(shí)幅度，Acn(i)=An(i)-1，An(i)=A(i)/ma，為瞬時(shí)幅度A(i)的平均值，用平均值對(duì)瞬時(shí)幅度進(jìn)行歸一化的目的是消除信道增益的影響。

圖1展示了瞬時(shí)幅度的密度最大值，通過(guò)圖1可以得出頻移鍵控（Frequency Shift Keying，F(xiàn)SK）信號(hào)無(wú)包絡(luò)起伏、相移鍵控（Phase Shift Keying，PSK）信號(hào)有微弱的包絡(luò)起伏、幅移鍵控（Amplitude Shift Keying，ASK）信號(hào)包絡(luò)起伏較大，因此通過(guò)包絡(luò)值可以區(qū)分PSK、FSK、ASK信號(hào)。

圖1 瞬時(shí)幅度的譜密度最大值

2.2 瞬時(shí)相位絕對(duì)值的標(biāo)準(zhǔn)偏差

σap為相位絕對(duì)值的標(biāo)準(zhǔn)偏差，表示信號(hào)瞬時(shí)絕對(duì)相位的變化情況，其計(jì)算方式為：

式中：C為非弱信號(hào)值的個(gè)數(shù)；An(i)為信號(hào)瞬時(shí)幅度的平均值；at為判斷弱信號(hào)的門限值，用于去除噪聲對(duì)微弱信號(hào)的影響；?NL(i)為經(jīng)過(guò)零中心化處理后瞬時(shí)相位的非線性分量，在載波完全同步時(shí)，可表示為?NL(i)=?(i)-?0，其中，，?(i)表示無(wú)折疊瞬時(shí)相位。

圖2展示了瞬時(shí)相位絕對(duì)值的標(biāo)準(zhǔn)偏差，從圖2 中可以得知，σap可區(qū)分4PSK與2PSK和ASK信號(hào)。由于ASK信號(hào)不包含絕對(duì)相位信息，2PSK信號(hào)只有兩個(gè)瞬時(shí)相位值，經(jīng)過(guò)零中心化處理后相位絕對(duì)值為常數(shù)，故也不含絕對(duì)相位信息，而對(duì)于4PSK信號(hào)，它含有4個(gè)瞬時(shí)相位值，因此其零中心化處理后相位絕對(duì)值不為常數(shù)，包含絕對(duì)相位信息，所以通過(guò)判斷相位絕對(duì)值是否趨近于零可以識(shí)別類內(nèi)信號(hào)2PSK、4PSK。

圖2 瞬時(shí)相位絕對(duì)值的標(biāo)準(zhǔn)偏差

2.3 瞬時(shí)頻率絕對(duì)值的標(biāo)準(zhǔn)差

瞬時(shí)頻率絕對(duì)值的標(biāo)準(zhǔn)差σaf表征信號(hào)的絕對(duì)頻率信息，可用來(lái)區(qū)分2FSK信號(hào)和4FSK信號(hào)。

圖3展示了瞬時(shí)頻率絕對(duì)值的標(biāo)準(zhǔn)差，由圖3可知，2FSK信號(hào)的歸一化瞬時(shí)頻率的絕對(duì)值為常數(shù)，而4FSK信號(hào)的瞬時(shí)頻率有4個(gè)，歸一化后的絕對(duì)值不為常數(shù)，可區(qū)分出2FSK、4FSK、2ASK、4ASK信號(hào)。

圖3 瞬時(shí)頻率絕對(duì)值的標(biāo)準(zhǔn)差

3 算法描述

目前，工程應(yīng)用中大多使用決策樹，決策樹在工程應(yīng)用中的優(yōu)點(diǎn)是易于工程實(shí)現(xiàn)、設(shè)計(jì)流程較為簡(jiǎn)單，缺點(diǎn)是門限設(shè)置較為復(fù)雜、人工操作容錯(cuò)率較高、低信噪比下對(duì)數(shù)字通信信號(hào)的識(shí)別誤差大[9-11]。

針對(duì)低信噪比識(shí)別誤差大與決策樹算法設(shè)置門限復(fù)雜等問(wèn)題，本文使用神經(jīng)網(wǎng)絡(luò)作為分類器，可彌補(bǔ)以上缺點(diǎn)。目前，神經(jīng)網(wǎng)絡(luò)在調(diào)制識(shí)別領(lǐng)域被廣泛應(yīng)用，并在學(xué)術(shù)研究中獲得很大的突破，但在工程應(yīng)用中很難實(shí)現(xiàn)，主要原因是深度神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)較為復(fù)雜，使用硬件資源較高且不易集成到實(shí)際工程中。而本文選用TFCNNC主要是利用神經(jīng)網(wǎng)絡(luò)算法的分類識(shí)別功能，不進(jìn)行卷積運(yùn)算，進(jìn)一步提取信號(hào)特征。

3層神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的一種[12,13]，它是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。圖4展示了一個(gè)3層全連接神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，“Input”表示輸入層，“Layer”表示全連接層，“Output”表示輸出層，TFCNNC在結(jié)構(gòu)設(shè)計(jì)中未使用卷積層，這樣做可以減少計(jì)算的復(fù)雜度，大大減少訓(xùn)練的時(shí)間。x(i)表示瞬時(shí)特征參數(shù)γmax，σap，σaf的數(shù)據(jù)，y(i)表示網(wǎng)絡(luò)輸出信號(hào)的類型。TFCNNC在工程中的構(gòu)建方式如下：

圖4 3層全連接神經(jīng)網(wǎng)絡(luò)

（1）輸入層3×600×1,歸一化的數(shù)據(jù)長(zhǎng)度為600，3種瞬時(shí)特征參數(shù)；

（2）全連接層1×1×50，可學(xué)習(xí)參數(shù)權(quán)重50×1 800，偏置50×1，步長(zhǎng)為1，無(wú)填充；

（3）批量歸一化與ReLu層1×1×50；

（4）FullyConnected 1×1×6；

（5）Softmax分類器1×1×6；

（6）Output分類輸出1×1×6。

使用TFCNNC，其主要優(yōu)點(diǎn)是網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，可以集成到工程中，低信噪比下識(shí)別率較高；缺點(diǎn)是需要先訓(xùn)練模型，耗時(shí)較長(zhǎng)。根據(jù)本文所采用的3個(gè)特征參數(shù)，使用TFCNNC對(duì)2ASK、4ASK、2FSK、4FSK、2PSK、4PSK信號(hào)進(jìn)行識(shí)別。

從圖5展示的算法原理中可知，數(shù)據(jù)預(yù)處理主要是對(duì)數(shù)字通信信號(hào)求瞬時(shí)特征的γmax，σap，σaf，訓(xùn)練模型主要是把預(yù)處理的信號(hào)進(jìn)行訓(xùn)練，得到網(wǎng)絡(luò)的權(quán)重和偏置項(xiàng)[14,15]，權(quán)重和偏置共同組成訓(xùn)練模型，驗(yàn)證識(shí)別主要是將訓(xùn)練模型的權(quán)重和偏置直接應(yīng)用于全連接層，將未知信號(hào)經(jīng)過(guò)數(shù)據(jù)預(yù)處理后經(jīng)過(guò)驗(yàn)證識(shí)別出最終結(jié)果。具體識(shí)別步驟：首先對(duì)接收到的數(shù)字通信信號(hào)做下變頻處理；其次求解瞬時(shí)特征參數(shù)的3個(gè)特征值γmax，σap，σaf；再次訓(xùn)練模型得到訓(xùn)練后的權(quán)重和偏置；最后將訓(xùn)練好的權(quán)重和偏置加載到驗(yàn)證識(shí)別模型，從而得到最終的識(shí)別結(jié)果。其算法原理如圖5所示。

圖5 算法原理

4 仿真及結(jié)果分析

為驗(yàn)證上述分析，進(jìn)行仿真實(shí)驗(yàn)，驗(yàn)證低信噪比下決策樹與本文算法的識(shí)別結(jié)果。在載波同步條件下，對(duì)信號(hào)添加高斯白噪聲，載波頻率設(shè)置為 70 MHz，采樣頻率為200 MHz，符號(hào)速率10 MHz，信噪比的范圍是0～20 dB，仿真信號(hào)有2ASK、4ASK、2FSK、4FSK、2PSK、4PSK等6種。每 類信號(hào)產(chǎn)生了600組瞬時(shí)特征參數(shù)，每類信號(hào)隨機(jī)抽取200組數(shù)據(jù)作為驗(yàn)證，將生成的數(shù)據(jù)以3×600的數(shù)組送入TFCNNC的輸入層，通過(guò)全連接層分類識(shí)別后，再經(jīng)過(guò)softmax分類器即可得到分類結(jié)果。圖6是3層全連接網(wǎng)絡(luò)分類器的訓(xùn)練過(guò)程。

圖6 網(wǎng)絡(luò)訓(xùn)練過(guò)程

在信噪比較低時(shí)，參數(shù)特征不能有效地區(qū)分調(diào)制類型，當(dāng)信號(hào)低于5 dB時(shí)，決策樹算法[10]的識(shí)別效果較差，識(shí)別率受噪聲影響較大。在相同信噪比下，本文算法有更好的識(shí)別性能，每類信號(hào)的識(shí)別率相加取均值得到該信號(hào)的平均識(shí)別率，識(shí)別結(jié)果如圖7所示。神經(jīng)網(wǎng)絡(luò)分類器識(shí)別算法和決策樹算法在不同信噪比下各種信號(hào)的識(shí)別率分別如表1、表2所示。

表1 神經(jīng)網(wǎng)絡(luò)分類器算法識(shí)別結(jié)果 %

表2 決策樹算法識(shí)別結(jié)果 %

圖7 不同信噪比下信號(hào)識(shí)別率

由圖7、表1、表2可以得出，本文算法在15 dB 時(shí)各種數(shù)字通信信號(hào)的識(shí)別率均大于98%，10 dB時(shí)各種數(shù)字通信信號(hào)的識(shí)別率均大于96%，5 dB時(shí)各種數(shù)字通信信號(hào)的識(shí)別率均大于92%，0 dB時(shí)各種數(shù)字通信信號(hào)的識(shí)別率均大于88%。

5 結(jié)語(yǔ)

本文主要利用瞬時(shí)特征參數(shù)與TFCNNC相結(jié)合，具有低信噪比、高識(shí)別率、可集成到工程中的特性。整體算法的設(shè)計(jì)流程主要是，首先對(duì)數(shù)字通信信號(hào)進(jìn)行數(shù)據(jù)預(yù)處理，選擇數(shù)據(jù)預(yù)處理的瞬時(shí)特征的3個(gè)參數(shù)；其次，將瞬時(shí)特征參數(shù)送入3層全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，得到訓(xùn)練好的權(quán)重系數(shù)和偏置系數(shù)；最后，將訓(xùn)練好的權(quán)重系數(shù)和偏置系數(shù)應(yīng)用到驗(yàn)證識(shí)別過(guò)程。通過(guò)仿真驗(yàn)證了該方法的有效性，實(shí)驗(yàn)結(jié)果表明該方法在低信噪比時(shí)，相較于其他方法具有更高的識(shí)別率。下一步將研究如何把輕量化網(wǎng)絡(luò)應(yīng)用到實(shí)際工程。