林晉福，柏 鵬，李明陽，王徐華

(空軍工程大學(xué)綜合電子信息系統(tǒng)研究中心，陜西 西安 710051)

責(zé)任編輯:許 盈

認(rèn)知無線電是一種智能無線電系統(tǒng)［1］，主要目的是利用各種感知技術(shù)和智能算法提升頻譜的利用率［2］。

信號(hào)調(diào)制方式識(shí)別對(duì)認(rèn)知無線電有以下作用［3］:避免對(duì)主用戶的干擾，認(rèn)知用戶可多維度共享頻譜，把調(diào)制信息反饋給認(rèn)知用戶提高頻譜感知性能，為泛在接入提供支撐。因此信號(hào)調(diào)制模式識(shí)別是認(rèn)知無線電中的一項(xiàng)基礎(chǔ)關(guān)鍵技術(shù)。

常用信號(hào)調(diào)制方式識(shí)別方法有兩種:統(tǒng)計(jì)模式識(shí)別和判決理論。判決理論采用假設(shè)檢驗(yàn)理論和概率論來解決信號(hào)分類問題，這類方法優(yōu)點(diǎn)是判決規(guī)則簡(jiǎn)單，缺點(diǎn)是需要一些先驗(yàn)概率的信息且檢驗(yàn)統(tǒng)計(jì)量計(jì)算復(fù)雜，不適合應(yīng)用到認(rèn)知無線電環(huán)境中。統(tǒng)計(jì)模式識(shí)別特征提取簡(jiǎn)單、易于計(jì)算，不需要先驗(yàn)信息，適合認(rèn)知無線電應(yīng)用。統(tǒng)計(jì)模式識(shí)別方法分兩個(gè)步驟:一是特征值研究和提取;二是分類器的設(shè)計(jì)。以前的研究基本上是把兩者分開研究，文獻(xiàn)［4］中提出了很多特征選擇的方法，沒有使用智能算法識(shí)別。文獻(xiàn)［5－7］使用神經(jīng)網(wǎng)絡(luò)ANN(Artificial Neural Network)設(shè)計(jì)分類器。文獻(xiàn)［7］重點(diǎn)研究了ANN在混合訓(xùn)練的識(shí)別率，在信噪比0 dB時(shí)識(shí)別率低于40%。文獻(xiàn)［6］特征值使用循環(huán)頻譜，因?yàn)檠h(huán)頻譜區(qū)分度高，因此在信噪比0 dB時(shí)識(shí)別率為100%，然而其循環(huán)頻譜計(jì)算實(shí)時(shí)性差。文獻(xiàn)［8－10］使用支持向量機(jī)SVM(Support Vector Machine)設(shè)計(jì)分類器，其中文獻(xiàn)［8］使用小波變換方法提取特征值，文獻(xiàn)［9］使用了遺傳算法對(duì)SVM參數(shù)進(jìn)行了優(yōu)化，文獻(xiàn)［10］使用小波和SVM結(jié)合的方法，均沒有考慮分類器和特征值的結(jié)合問題。本文把特征值和分類器算法綜合起來考慮，設(shè)計(jì)智能識(shí)別算法時(shí)充分考慮特征提取問題。

1 調(diào)制方式特征值及其Boosting算法

1.1 調(diào)制方式的特征值

針對(duì)調(diào)制方式特征提取，Nandi等人提出的特征參數(shù)和算法是調(diào)制信號(hào)時(shí)域分析方法中的突出代表［11］，在調(diào)制識(shí)別技術(shù)中占主導(dǎo)地位，為人們廣泛接受和引用，許多人在他們的算法基礎(chǔ)上，采用新的分類器結(jié)構(gòu)，從而衍生出新算法，這種方法常用的特征參數(shù)如下:

2)零中心非弱信號(hào)段瞬時(shí)相位非線性分量絕對(duì)值的標(biāo)準(zhǔn)偏差?ap;

3)零中心非弱信號(hào)段瞬時(shí)相位非線性分量的標(biāo)準(zhǔn)偏差?dp;

4)譜對(duì)稱性P;

5)零中心歸一化瞬時(shí)幅度絕對(duì)值的標(biāo)準(zhǔn)偏差?aa;

6)零中心歸一化非弱信號(hào)段瞬時(shí)頻率絕對(duì)值的標(biāo)準(zhǔn)偏差?af;

7)零中心歸一化非弱信號(hào)段瞬時(shí)幅度的標(biāo)準(zhǔn)偏差?a;

時(shí)至今日，我依然能清晰地記得那個(gè)黃昏，我奔跑在街道上的情景：無數(shù)汽車在我身后匆忙剎住，排山倒海的喇叭聲響徹耳邊，猶如一群蜜蜂在鳴叫，宣告著采摘到蜜一樣的幸福。

8)零中心歸一化瞬時(shí)幅度的緊致性(四階矩)μa42。

本文重點(diǎn)是設(shè)計(jì)對(duì)特征值依賴不高的分類識(shí)別算法，故不再自己設(shè)計(jì)特殊的特征值，從上面9個(gè)特征值中任意選擇5 種:1)，2)，3)，5)，6)作為算法識(shí)別的特征值。

1.2 Boosting算法

弱學(xué)習(xí)算法指識(shí)別錯(cuò)誤率小于1/2，即準(zhǔn)確率僅比隨機(jī)猜測(cè)略高的學(xué)習(xí)算法;強(qiáng)學(xué)習(xí)算法指識(shí)別準(zhǔn)確率很高并能在多項(xiàng)式時(shí)間內(nèi)完成的學(xué)習(xí)算法。Boosting起源于PAC(Probabiy Approximately Correct)學(xué)習(xí)模型，是一種提高任意給定學(xué)習(xí)算法準(zhǔn)確度的方法［11］，只需找到一個(gè)比隨機(jī)猜測(cè)略好的弱學(xué)習(xí)算法就可以將其提升為強(qiáng)學(xué)習(xí)算法，而不必尋找很難獲得的強(qiáng)學(xué)習(xí)算法。Boosting算法具有很多優(yōu)點(diǎn)，正確率較高、不需要先驗(yàn)知識(shí)、只需要選擇合適的迭代次數(shù)等。

Boosting適合結(jié)合“不穩(wěn)定”的分類方法，例如神經(jīng)網(wǎng)絡(luò)算法、決策樹等。不穩(wěn)定指數(shù)據(jù)集的小的變動(dòng)能夠使得分類結(jié)果顯著地變動(dòng)。但是，Boosting在迭代過程中總是給噪聲分配較大的權(quán)重，使得這些噪聲在以后的迭代中擴(kuò)大。反向傳播神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的抗噪聲能力。本文考慮它為弱分類器。

AdaBoost算法是Boosting家族最具代表性的算法，之后出現(xiàn)的各種Boosting算法都是在AdaBoost算法的基礎(chǔ)之上發(fā)展而來的，具體算法流程參考文獻(xiàn)［12］。本文在AdaBoost基礎(chǔ)上改進(jìn)提升反向傳播神經(jīng)網(wǎng)絡(luò)弱分類器為強(qiáng)分類器，提高調(diào)制方式識(shí)別率。

2 特征值分析及算法設(shè)計(jì)

2.1 特征值分析

在算法設(shè)計(jì)前，通過仿真平臺(tái)獲取特征值數(shù)據(jù)進(jìn)行分析，以提供算法設(shè)計(jì)依據(jù)。仿真在 MATLAB7.12仿真環(huán)境中完成，考慮 2ASK，4ASK，2FSK，4FSK，2PSK，4PSK和16QAM七種調(diào)制類型。首先產(chǎn)生調(diào)制信號(hào)，載波頻率Fc=200 kHz，采樣頻率Fs=2 000 kHz，調(diào)制前信號(hào)x減去的直流分量為1，采樣點(diǎn)數(shù)Sn=4 000，F(xiàn)d=10字符/s，噪聲采用高斯白噪聲，信噪比?。?0～+10 dB，間隔為2 dB。其次采集特征值，假設(shè)載波同步，對(duì)調(diào)制信號(hào)進(jìn)行正交解調(diào)得到同相分量和正交分量，利用低通濾波器濾除高頻成分，最后經(jīng)過笛卡爾變換獲取5種瞬時(shí)特征值。取信噪比為0 dB，－6 dB，－10 dB的7種調(diào)制方式的特征值曲線如圖1所示。從圖1中各子圖對(duì)比可看出:沒有哪個(gè)特征值可以明顯識(shí)別7種調(diào)制方式，同時(shí)隨著信噪比降低，各調(diào)制方式的特征值區(qū)別明顯降低，但下降的速度不同，特征值?af的下降明顯，而特征值γmax下降少，對(duì)調(diào)制方式的識(shí)別度高。因此，算法應(yīng)該自動(dòng)降低?af權(quán)重，而提高特征值γmax的權(quán)重。方法是通過使用弱分類器，每個(gè)弱分類器起到區(qū)別各特征值的作用［13］。

圖1 調(diào)制方式的5種特征值對(duì)比

基于原Adaboost算法循環(huán)次數(shù)T設(shè)為特征值的維數(shù)，每個(gè)弱分類器使用T－1維的特征值作為特征參數(shù)進(jìn)行訓(xùn)練，每次循環(huán)排除一維。輸出判決是各弱分類器的加權(quán)和。

2.2 改進(jìn)的AdaBoost－future算法

改進(jìn)的AdaBoost－future算法步驟如下:

1)數(shù)據(jù)選擇和神經(jīng)網(wǎng)絡(luò)初始化。從訓(xùn)練樣本集中選擇 m 組數(shù)據(jù) g={(x1，y1)，…，(xn，yn)}，xi∈ X，yi∈Y={1，2，3，…，識(shí)別信號(hào)類型數(shù)};根據(jù)訓(xùn)練樣本集合初始化神經(jīng)網(wǎng)絡(luò)BP。

2)初始化各樣本對(duì)應(yīng)的權(quán)值。D1(i)=1/m，i=1，2，…，m，表示第1次迭代中，每個(gè)訓(xùn)練例的權(quán)重都為1/m。

3)在 t=1，2，…，T 條件下:

(1)獲得弱分類器Ct的訓(xùn)練數(shù)據(jù)g(t)=g(維度≠t);

(2)使用訓(xùn)練數(shù)據(jù)g(t)訓(xùn)練弱分類器并預(yù)測(cè)輸出ht;

3 實(shí)驗(yàn)及結(jié)果

信噪比在－10 dB至10 dB間隨機(jī)產(chǎn)生每種調(diào)制方式200組信號(hào)，7種調(diào)制方式共1 400組訓(xùn)練數(shù)據(jù)，對(duì)分類器進(jìn)行訓(xùn)練。這樣的訓(xùn)練數(shù)據(jù)選擇只為了觀察調(diào)制信號(hào)產(chǎn)生的方法是否正確，實(shí)際中根據(jù)需要設(shè)定參數(shù)值。用訓(xùn)練好的分類器分別對(duì)11種信噪比(－10～+10 dB，間隔2 dB)的信號(hào)進(jìn)行識(shí)別，每類調(diào)制方式進(jìn)行100次蒙特卡羅仿真。統(tǒng)計(jì)不同信噪比下各分類算法的正確識(shí)別率如圖2所示。

圖2 3種識(shí)別算法不同信噪比下識(shí)別成功率曲線

從圖2可知:信噪比在0 dB以上時(shí)，3種算法對(duì)信號(hào)的識(shí)別率都是100%，隨著信噪比的下降，有些特征值的區(qū)分度開始下降，SVM和ANN的識(shí)別率區(qū)別不大，而AdaBoost－future對(duì)識(shí)別率有提升，尤其信噪比在－6 dB以下時(shí)，提升效果更明顯。

從表1、圖1看出:在調(diào)制方式2FSK和4FSK的識(shí)別中，特征值?af可有效區(qū)別，但由于其他特征值的干擾，ANN算法出現(xiàn)了識(shí)別錯(cuò)誤，AdaBoost－future通過弱分類器的權(quán)重調(diào)整，即特征值比重的調(diào)整能有效避免其他特征值的影響。在識(shí)別所有特征值均區(qū)別不明顯的2ASK和4PSK，ANN和AdaBoost－future都優(yōu)于 SVM，而Ada-Boost－future的表現(xiàn)更好。SVM的好處是用小樣本獲得好的訓(xùn)練效果，本仿真訓(xùn)練較充分，未體現(xiàn)其優(yōu)勢(shì)。

表1 各種調(diào)制方式在SNR=－6 dB情況下的識(shí)別錯(cuò)誤數(shù)(總數(shù)200)

4 結(jié)束語

本文使用調(diào)制方式識(shí)別常用的5個(gè)特征值作為輸入，設(shè)計(jì)了基于Boosting的調(diào)制方式識(shí)別算法AdaBoost－future，在不需要知道任何先驗(yàn)知識(shí)條件下，在信噪比為0 dB以上時(shí)就能達(dá)100%的識(shí)別率。相比SVM和ANN智能分類算法，該算法在信噪比為－6 dB以下時(shí)識(shí)別率有明顯提高，對(duì)低信噪比、特征值區(qū)分度低的信號(hào)識(shí)別仍然有效。當(dāng)然，特征值的選擇很重要，如果使用更高區(qū)分度的特征值作為輸入，AdaBoost－future算法還可得到更好的識(shí)別效果。算法存在的缺點(diǎn)是需要較長(zhǎng)的訓(xùn)練時(shí)間，然而該缺點(diǎn)可以通過離線訓(xùn)練的辦法克服。因此該算法適合應(yīng)用到認(rèn)知無線電這種沒有先驗(yàn)知識(shí)、對(duì)識(shí)別實(shí)時(shí)性高的場(chǎng)景中，并且對(duì)其他分類識(shí)別的應(yīng)用場(chǎng)景也有一定的參考價(jià)值。

［1］YING C L，KWANG C C，LI G Y，et al.Cognitive radio networking and communications:an overview［J］.IEEE Trans.Vehicular Technology，2011，60(7):3386－3407.

［2］暢志賢，石明衛(wèi).認(rèn)知無線電技術(shù)綜述［J］.電視技術(shù)，2007，31(1):130－133.

［3］CHEN H S，GAO W，DAUT D.G.Spectrum sensing using cyclostationary properties and application to IEEE 802.22 WRAN［C］//Proc.IEEE Global Telecommunications Conference.［S.l.］:IEEE Press，2007:3133－3138.

［4］SAEYS Y，INZA I，LARRANAGA P.A review of feature selection techniques in bioinformatics［J］.Bioinformatics，2007，23(19):2507－2517.

［5］HASSAN K，DAYOUB I，HAMOUDA W，et al.Automatic modulation recognition using wavelet transform and neural networks in wireless systems［C］//Proc.IEEE International Conference on Intelligent Transport Systems Telecommunications.［S.l.］:IEEE Press，2009:234－238.

［6］FEHSKE A，GAEDDERT J，REED J H.A new approach to signal classification using spectral correlation and neural networks［C］//Proc.IEEE International Symposium on New Frontiers in Dynamic Spectrum Access Networks.Baltimore，MD，United states:IEEE Press，2005:144－150.

［7］陳麗，葛臨東.一種改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)調(diào)制分類器［J］.微計(jì)算機(jī)信息，2005(21):107－109.

［8］LI Xueyao，HAN Bing，F(xiàn)AN Dongmei，et al.A digital modulation signals recognition method under the lower SNR［C］//Proc.7th World Congress on Intelligent Control and Automation.［S.l.］:IEEE Press，2008:3958－3962.

［9］HUANG Rurong，F(xiàn)ENG Quanyuan.Recognition of communication signal modulation based on SAA －SVM［C］//Proc.3rd IEEE International Conference on Computer Science and Information Technology(ICCSIT).［S.l.］:IEEE Press，2010:510－512.

［10］王玉娥，張?zhí)祢U，白娟，等.基于粒子群支持向量機(jī)的通信信號(hào)調(diào)制識(shí)別算法［J］.電視技術(shù).2011，35(23):106－110.

［11］NANDI A K，AZZOUZ E E.Automatic analogue modulation recognition［J］.Signal Processing，1995，46(2):211－222.

［12］董樂紅，耿國華，高原.Boosting算法綜述［J］.計(jì)算機(jī)應(yīng)用與軟件.2006，23(8):27－29.

［13］WANG J，ZHANG Y.Speech characteristic signal recognition based on BP_AdaBoost［M］//TAN Honghua.Technology for Education and Learning.［S.l.］:Springer Berlin Heidelberg，2012:259 －264.