基于神經(jīng)網(wǎng)絡(luò)的短波數(shù)字信號(hào)調(diào)制識(shí)別算法

白 釗

（上海光古電子有限公司，上海 201612）

0 引言

短波數(shù)字信號(hào)調(diào)制識(shí)別在短波頻譜監(jiān)測(cè)等工作中具有重要作用，它不僅能為后續(xù)的信號(hào)處理工作提供基礎(chǔ)，而且還能從調(diào)制的層面對(duì)信號(hào)進(jìn)行歸類(lèi)，支撐大數(shù)據(jù)應(yīng)用和發(fā)射源識(shí)別。現(xiàn)有研究調(diào)制識(shí)別方法一般分為最大似然法和模式識(shí)別法，一些文章比較詳盡地歸納了不同的調(diào)制分類(lèi)算法。其中，基于信號(hào)瞬時(shí)統(tǒng)計(jì)參數(shù)和功率譜特征的識(shí)別方法具備受信號(hào)調(diào)制參數(shù)變化影響小、對(duì)調(diào)制先驗(yàn)信息的依賴(lài)少等優(yōu)點(diǎn)，因此使用范圍較廣。對(duì)調(diào)制分類(lèi)器來(lái)說(shuō)，傳統(tǒng)的決策樹(shù)分類(lèi)器存在自適應(yīng)能力不足、擬合能力不夠強(qiáng)等弱點(diǎn)，而近年來(lái)新興的基于神經(jīng)網(wǎng)絡(luò)的分類(lèi)器具有較強(qiáng)的自學(xué)習(xí)能力和容錯(cuò)性，在很大程度上彌補(bǔ)了判決樹(shù)分類(lèi)器自適應(yīng)能力不足的缺點(diǎn)，而且神經(jīng)網(wǎng)絡(luò)集成還可以降低識(shí)別的錯(cuò)誤率、提高識(shí)別系統(tǒng)的泛化能力。

針對(duì)BPSK、QPSK、8PSK和8QAM這4種常規(guī)短波數(shù)字調(diào)制信號(hào)，首先該文從瞬時(shí)信息中提取1組特征參數(shù)。其次，使用一種基于最優(yōu)權(quán)重的神經(jīng)網(wǎng)絡(luò)集成分類(lèi)器對(duì)其進(jìn)行分類(lèi)，以完成調(diào)制識(shí)別工作。最后，將算法應(yīng)用在真實(shí)數(shù)據(jù)集上，取得了約90%的調(diào)制類(lèi)型識(shí)別正確率，驗(yàn)證了該算法的有效性和可靠性。

1 特征參數(shù)提取

在調(diào)制識(shí)別算法中，先要獲取特征，再對(duì)特征進(jìn)行分類(lèi)，因此特征參數(shù)的選擇和提取對(duì)識(shí)別效果有較大的影響。一般要求特征之間相互獨(dú)立，能夠反映調(diào)制類(lèi)型的本質(zhì)差異，具有穩(wěn)定性并具備一定抗干擾能力，根據(jù)分類(lèi)器不同和實(shí)際工作經(jīng)驗(yàn)，選擇3~5種特征參數(shù)為宜。在該算法中，選擇信號(hào)帶寬、離散譜線分量、功率譜形狀（梳狀譜特征）和參數(shù)這4種特征進(jìn)行參數(shù)提取。

1.1 預(yù)處理

實(shí)際短波通信基本都是突發(fā)模式，通聯(lián)過(guò)程中并不是時(shí)刻都有信號(hào)存在。在進(jìn)行特征參數(shù)提取前，要先檢測(cè)信號(hào)是否存在，僅提取真正有信號(hào)的部分而非噪聲。為此，在特征參數(shù)提取之前有預(yù)處理過(guò)程，以完成信號(hào)檢測(cè)工作。

過(guò)程包括將信號(hào)樣本分割為固定長(zhǎng)度片段，再根據(jù)頻域能量集中度進(jìn)行篩選，去除不包括效信號(hào)的噪聲部分。將采集的樣本數(shù)據(jù)分割成長(zhǎng)度為106.67 ms的數(shù)據(jù)段，前后數(shù)據(jù)段有50%的重疊。

引入頻域能量集中度的概念。頻域能量集中度指一個(gè)數(shù)據(jù)段的信號(hào)在頻率上的平均功率除以功率最強(qiáng)的一個(gè)頻率點(diǎn)上的功率，如公式（1）所示。

式中：（）為第個(gè)采樣點(diǎn)的幅值；（）為個(gè)采樣點(diǎn)中幅值最大值（絕對(duì)值最大）；為幀內(nèi)采樣點(diǎn)個(gè)數(shù)。

對(duì)提取的各個(gè)信號(hào)數(shù)據(jù)段來(lái)說(shuō)，先計(jì)算其頻域能量集中度，如果連續(xù)數(shù)個(gè)均高于設(shè)定的閾值，則說(shuō)明其在信號(hào)內(nèi)部而非噪聲，再對(duì)提取的信號(hào)進(jìn)行特征參數(shù)提取。

1.2 信號(hào)帶寬估計(jì)

由于不同的數(shù)字調(diào)制信號(hào)的調(diào)制類(lèi)型、調(diào)制速率以及滾降濾波等參數(shù)不同，因此其具有不同的帶寬，帶寬是用于識(shí)別數(shù)字調(diào)制信號(hào)調(diào)制類(lèi)別的重要特征。因?yàn)閹拑?nèi)信號(hào)的功率或幅度很大，而帶寬外信號(hào)的功率或幅度很小，所以可以根據(jù)信號(hào)功率或幅度槽邊沿的變化在頻域估算信號(hào)的帶寬。

為減少實(shí)際信道中突發(fā)噪聲等因素對(duì)信號(hào)帶寬的影響，使用時(shí)域分段平滑的方法來(lái)計(jì)算帶寬。選取合適的分段長(zhǎng)度對(duì)信號(hào)功率譜進(jìn)行平滑，再對(duì)平滑后的功率譜搜索極值點(diǎn)，找到功率槽上升、下降邊沿，確定其信號(hào)的起始、截止頻率，即可得到信號(hào)帶寬。

平滑功率譜如公式（2）、公式（3）所示。

式中：（）為第個(gè)采樣點(diǎn)的信號(hào)幅度；為該段信號(hào)的總長(zhǎng)度；為信號(hào)樣點(diǎn)位置；（）為（）傅里葉變換的值；（）為（）的共軛。

在公式（2）中，=1，…，/且滿(mǎn)足＜＜、可以整除的條件，得到的P（）即為平滑后的頻譜上第點(diǎn)的功率。

對(duì)P（）進(jìn)行差分運(yùn)算，結(jié)果如公式（4）、公式（5）所示。

式中：F為采樣頻率；為帶寬。

1.3 離散譜線分量FE

考察高次方譜，在BPSK經(jīng)過(guò)平方變換、QPSK和8QAM經(jīng)過(guò)四次方變換以及8PSK經(jīng)過(guò)八次方變換后，在對(duì)應(yīng)的倍頻位置上存在較強(qiáng)的離散譜線。另外，對(duì)不同協(xié)議的信號(hào)來(lái)說(shuō)，為方便開(kāi)展測(cè)量載頻、估算多普勒頻移以及信號(hào)捕獲等工作，往往會(huì)在信號(hào)前導(dǎo)位置或頻譜一端設(shè)計(jì)1段單載波。例如HFDL等信號(hào)，突發(fā)起始位置有固定的單載波。因此，信號(hào)的離散譜線特征也對(duì)信號(hào)調(diào)制類(lèi)型識(shí)別有重要意義。如何有效檢測(cè)各階功率譜上的單頻譜線、準(zhǔn)確估算譜線數(shù)目，從而得到信號(hào)的離散譜線特征，是識(shí)別工作的重要步驟。由于短波信道通常都不是白噪聲信道，因此該文基于色噪聲功率補(bǔ)償?shù)牟罘止β势交―SC）算法提出了色噪聲中的離散譜線分量。

根據(jù)DSC算法，經(jīng)過(guò)處理后可以用來(lái)搜索離散譜線的信號(hào)功率譜，如公式（6）所示。

式中：為數(shù)據(jù)長(zhǎng)度，須滿(mǎn)足⊕=+mod；P（）為原始信號(hào)功率譜；diff（·）為差分運(yùn)算。

通過(guò)搜索P（）在相應(yīng)頻率范圍的局部極值點(diǎn)即可完成單頻檢測(cè)。

1.4 功率譜形狀特征

部分信號(hào)在通聯(lián)過(guò)程中存在明顯的譜線或多個(gè)譜峰，即梳狀譜特征。多音并行和單音串行調(diào)制、相位調(diào)制以及頻率調(diào)制等都會(huì)形成梳狀譜特征的差異。

公式（6）給出了色噪聲中的功率譜計(jì)算公式及單音頻率檢測(cè)算法。對(duì)存在梳狀譜特征的LINK-11 CLEW信號(hào)來(lái)說(shuō)，同樣可利用公式（6）計(jì)算并判決是否存在梳狀譜特征。下面，將引入梳狀譜檢測(cè)公式。

通過(guò)基于分段平均思想的帶寬估計(jì)算法可得信號(hào)功率幅度譜帶寬為，k處所對(duì)應(yīng)的信號(hào)幅值為Pn（k），對(duì)∈ [-，+]且≠k，其平均幅值為Pn（），為設(shè)定的鄰域?qū)挾取Ｈ绻麧M(mǎn)足Pn（k）/Pn（）＞，則確定該點(diǎn)為次方譜的離散譜線分量FE，為根據(jù)信號(hào)幅值比值所設(shè)定的門(mén)限值。同時(shí)，峰值序列PS的定義如公式（7）所示。

由定義可知，如果信號(hào)存在梳狀譜，則峰間距離PS可準(zhǔn)確描述梳狀譜中各譜峰間距離并給出判決。

1.5 R參數(shù)

參數(shù)反映信號(hào)包絡(luò)的變化程度， 部分信號(hào)包絡(luò)變化較小，部分信號(hào)包絡(luò)變化則相對(duì)較大，例如多音并行調(diào)制信號(hào)的包絡(luò)比單音串行信號(hào)更穩(wěn)定，QAM類(lèi)調(diào)制信號(hào)比PSK類(lèi)調(diào)制更穩(wěn)定，而PSK類(lèi)調(diào)制的又比FSK類(lèi)調(diào)制的包絡(luò)更穩(wěn)定。由此可以用參數(shù)表達(dá)這種信號(hào)特征，如公式（8）所示。

式中：、分別為信號(hào)包絡(luò)平方的均值和方差。

2 基于神經(jīng)網(wǎng)絡(luò)集成的調(diào)制分類(lèi)器設(shè)計(jì)

分類(lèi)器集成分為級(jí)聯(lián)和并聯(lián)2種方式。前一級(jí)分類(lèi)器輸出作為后一級(jí)分類(lèi)器輸入信息的稱(chēng)為級(jí)聯(lián)方式；各分類(lèi)器獨(dú)立輸入、輸出，各輸出通過(guò)適當(dāng)?shù)慕M合方式綜合得到總輸出結(jié)果的稱(chēng)為并聯(lián)方式。

由于前面描述的信號(hào)特征參數(shù)各不相同，是從不同角度對(duì)信號(hào)進(jìn)行描述的，不具備串行級(jí)聯(lián)的條件，而且不同的特征參數(shù)各自對(duì)信號(hào)調(diào)制也具備一定的分類(lèi)識(shí)別能力，因此該文采用了并聯(lián)分類(lèi)器級(jí)聯(lián)的方式。為使各個(gè)分類(lèi)器具有更好的融合效果，該文采用多分類(lèi)器加權(quán)平均的組合方式來(lái)進(jìn)行信號(hào)調(diào)制類(lèi)型識(shí)別，不同特征通過(guò)各自的分類(lèi)器獨(dú)立識(shí)別，根據(jù)求解得到的最優(yōu)權(quán)重系數(shù)給出加權(quán)平均輸出，得到最終的分類(lèi)識(shí)別結(jié)果。分類(lèi)器結(jié)構(gòu)如圖1所示。

在倡導(dǎo)全球經(jīng)濟(jì)一體化的今天，經(jīng)濟(jì)交流的逐漸密切會(huì)帶動(dòng)文化的融合交流，在此形勢(shì)下，“異化”翻譯是緩沖文化差異沖突的有效方法之一，這種作用的發(fā)揮也是兩方面的，一方面可以向外國(guó)宣傳該國(guó)的歷史文化；另一方面也為該國(guó)人民群眾對(duì)外國(guó)的歷史文化、民土風(fēng)情的學(xué)習(xí)了解提供一個(gè)平臺(tái)，從而促進(jìn)文化交流融合的局面的維護(hù)。

圖1 基于神經(jīng)網(wǎng)絡(luò)集成的分類(lèi)器結(jié)構(gòu)

要使集成分類(lèi)器能達(dá)到最優(yōu)，就需要各分類(lèi)器的錯(cuò)誤是不相關(guān)的。對(duì)神經(jīng)網(wǎng)絡(luò)分類(lèi)器來(lái)說(shuō)，文獻(xiàn)[5]指出，各分類(lèi)器采用不同特征向量與不同訓(xùn)練集能充分保證各分類(lèi)器間的差異性，這在該文所提出的條件下完全能夠滿(mǎn)足。

2.1 徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)分類(lèi)器

在分類(lèi)器的選擇上，因?yàn)闆Q策樹(shù)結(jié)構(gòu)分類(lèi)器的識(shí)別能力無(wú)法滿(mǎn)足實(shí)際識(shí)別工作的需求，所以該文采用神經(jīng)網(wǎng)絡(luò)作為調(diào)制識(shí)別的分類(lèi)器。

在具體的網(wǎng)絡(luò)類(lèi)型上，這里選取徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)，它是一種三層前饋網(wǎng)絡(luò)，由輸入層、隱含層和輸出層構(gòu)成，隱含層單元數(shù)決定了該神經(jīng)網(wǎng)絡(luò)可識(shí)別區(qū)分的類(lèi)別數(shù)目。隱含層單元的傳遞函數(shù)為徑向基函數(shù)，采用徑向?qū)ΨQ(chēng)高斯函數(shù)，如公式（9）所示。

式中：u為第個(gè)隱層節(jié)點(diǎn)的輸出；為輸入樣本，=（，，…，x）；C為高斯函數(shù)的中心值；σ為標(biāo)準(zhǔn)化常數(shù)；為隱含節(jié)點(diǎn)的個(gè)數(shù)。

徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)具有訓(xùn)練時(shí)間短、收斂速度快等優(yōu)點(diǎn)，并且沒(méi)有陷入多個(gè)局部極值點(diǎn)的缺陷。被集成的各成員分類(lèi)器輸入層神經(jīng)元數(shù)目由特征參數(shù)數(shù)量決定，隱含層神經(jīng)元數(shù)量為5，對(duì)應(yīng)待識(shí)別調(diào)制方式數(shù)量（包括“未知”類(lèi)別），輸出層神經(jīng)元數(shù)目為5；各分類(lèi)器均采用模糊C-均值算法確定隱含單元數(shù)目，網(wǎng)絡(luò)權(quán)值訓(xùn)練采用梯度下降法。

2.2 神經(jīng)網(wǎng)絡(luò)集成最優(yōu)權(quán)重

式中：S為某個(gè)模式分類(lèi)器輸出的最小均方誤差，S=（||-||）；S為各個(gè)模式分類(lèi)器輸出的最小均方誤差的均值。

3 試驗(yàn)結(jié)果與分析

試驗(yàn)數(shù)據(jù)來(lái)源于從天空接收采集的真實(shí)信號(hào)樣本：HFDL 8PSK（8PSK調(diào)制，信噪比約為6 dB~12 dB，有衰落）、HAM PSK220F（BPSK調(diào)制，信噪比約為6 dB~10dB，有衰落）、LINK-11 CLEW（16tone-QPSK調(diào)制，信噪比約為4 dB~8 dB，有衰落）以及MS110B 8QAM（8QAM調(diào)制，信噪比約為4 dB~10 dB，有衰落），實(shí)際的樣本語(yǔ)圖如圖2、圖3所示（橫坐標(biāo)為時(shí)間，s；縱坐標(biāo)為頻率，Hz）。

圖2 HFDL 8PSK語(yǔ)圖

圖3 LINK-11 CLEW語(yǔ)圖

采樣率為9 600 Hz，精度為16位，存儲(chǔ)格式為wav格式。每個(gè)信號(hào)塊分割長(zhǎng)度為106.67 ms，每塊有50%的重疊。在通過(guò)預(yù)處理準(zhǔn)確獲取信號(hào)突發(fā)部分后，將估算和提取的帶寬、離散譜線分量、功率譜形狀以及參數(shù)等分別作為1組特征向量輸入各神經(jīng)網(wǎng)絡(luò)分類(lèi)器，經(jīng)過(guò)前述算法得到最終的識(shí)別分類(lèi)結(jié)果，見(jiàn)表1。

表1 該文算法識(shí)別效果

其總體識(shí)別正確率約為90%，結(jié)果表明該文所采用的算法是有效的。具體來(lái)講，對(duì)BPSK（HAM PSK220F）這類(lèi)較簡(jiǎn)單的調(diào)制規(guī)格以及LINK-11 CLEW（16tone-QPSK）這類(lèi)調(diào)制特征明顯（與其他信號(hào)差異大的規(guī)格）來(lái)說(shuō)，識(shí)別效果較好；對(duì)8QAM（MS110B 8QAM）這類(lèi)高效調(diào)制（特別是在包絡(luò)、高次方譜等與8PSK等類(lèi)似高效調(diào)制難以區(qū)分的情況下）來(lái)說(shuō)，識(shí)別效果稍差，這符合以往的識(shí)別經(jīng)驗(yàn)，但也達(dá)到了比傳統(tǒng)算法更高的正確率。

4 結(jié)語(yǔ)

該文結(jié)合短波數(shù)字調(diào)制信號(hào)特點(diǎn)，通過(guò)預(yù)處理機(jī)制消除干擾，實(shí)現(xiàn)有效提取信號(hào)的目標(biāo)。該文提出了2個(gè)新的頻域特征參數(shù)來(lái)構(gòu)造時(shí)域、頻域相結(jié)合的特征參數(shù)向量，這些參數(shù)具有良好的抗噪性能和廣泛的適用性。設(shè)計(jì)實(shí)現(xiàn)了基于最優(yōu)權(quán)重求解的神經(jīng)網(wǎng)絡(luò)集成方法，實(shí)際測(cè)試結(jié)果表明該方法的識(shí)別正確率較高。