（中國(guó)電子科技集團(tuán)公司第二十八研究所 南京 210007）

1 引言

通信信號(hào)的調(diào)制識(shí)別，是在非合作通信系統(tǒng)中介于信號(hào)檢測(cè)和信息解調(diào)之間的一個(gè)步驟，是無(wú)線(xiàn)電頻譜管理、軟件無(wú)線(xiàn)電、認(rèn)知無(wú)線(xiàn)電以及電子對(duì)抗等領(lǐng)域的關(guān)鍵技術(shù)。因此，通信信號(hào)的調(diào)制識(shí)別技術(shù)得到了廣泛研究，并取得了很多重要成果。其中，Nandi和Azzouz［1～2］的工作最具代表性，他們提出了一類(lèi)時(shí)域特征參數(shù)，并結(jié)合判決理論和神經(jīng)網(wǎng)絡(luò)算法，能較好地識(shí)別出通信信號(hào)的調(diào)制方式。在此基礎(chǔ)上，先后出現(xiàn)了許多利用通信信號(hào)高階譜特征［3］、小波域特征［4］、循環(huán)譜特征［5］以及分形特征［6］進(jìn)行調(diào)制識(shí)別的算法，也都具有一定的效果。

本文針對(duì)6個(gè)傳感器同時(shí)接收在時(shí)域和頻域共信道混疊的4個(gè)干擾（包括單音干擾、多音干擾、脈沖干擾和高斯干擾）［10］和2個(gè)通信信號(hào)（QPSK 信號(hào) 和4FSK 信 號(hào)）［11］的情況，提出了首先通過(guò)盲信號(hào)分離技術(shù)將混合信號(hào)分離，然后針對(duì)干擾信號(hào)特征，從時(shí)域、頻域、高階累積量域和時(shí)頻域進(jìn)行特征提取和自動(dòng)識(shí)別的方法，成功完成對(duì)干擾類(lèi)型及信號(hào)調(diào)制方式的自動(dòng)識(shí)別，最后的仿真結(jié)果證明了理論分析的正確性。

2 信號(hào)模型及自動(dòng)識(shí)別系統(tǒng)

2.1 信號(hào)模型

接收到的混合信號(hào)模型如下式所示：

其中，r（n）＝［r1（n），r2（n），…，rM（n）］T表示M個(gè)傳感 器接收到的混合信號(hào)矢量；x（n）＝［s1（n），…，sN（n），Ⅰ1（n），…，ⅠJ（n）］T是源信號(hào)矢量，包括N個(gè)有用信號(hào)s1（n），…，sN（n）和J個(gè)干擾Ⅰ1（n），…，ⅠJ（n），為了后面分析方便，還假設(shè)源信號(hào)的個(gè)數(shù)N＋J與傳感器個(gè)數(shù)M相同；A是一個(gè)M×M的矩陣，表示源信號(hào)x（n）如何經(jīng)過(guò)線(xiàn)性混合被傳感器接收的。模型中，混合矩陣A及源信號(hào)矢量x（n）都是未知的，只有接收信號(hào)r（n）是已知的。

本文主要針對(duì)的源信號(hào)如下：1）有用信號(hào)為QPSK 和4FSK 信號(hào)（N＝2），這兩個(gè)信號(hào)是通信中使用較多，也比較有代表性的兩類(lèi)信號(hào)，因此選用這兩個(gè)信號(hào)；2）干擾信號(hào)有單音干擾、多音干擾、脈沖干擾和高斯干擾（J＝4），其中，單音、多音干擾和高斯干擾是實(shí)際中最常見(jiàn)，也最簡(jiǎn)單的干擾；而脈沖干擾屬于一種寬帶干擾，對(duì)許多通信系統(tǒng)影響較大，因此干擾形式選為這四種。如何對(duì)接收到的混合信號(hào)進(jìn)行處理，自動(dòng)識(shí)別出信號(hào)的調(diào)制類(lèi)型以及干擾的類(lèi)型是所要解決的主要問(wèn)題。

2.2 信道識(shí)別

現(xiàn)階段多信號(hào)分離方法主要有兩種，第一種是基于時(shí)頻分析的各種信號(hào)處理方法，包括固定系數(shù)濾波器、自適應(yīng)濾波器、信號(hào)的功率譜及譜相關(guān)分析以及近幾年提出的經(jīng)驗(yàn)?zāi)Ｊ椒纸獾燃夹g(shù)［7～8］。這些方法往往需要對(duì)所處理的信號(hào)或多或少地知道一定的先驗(yàn)知識(shí)，而且對(duì)頻域混疊信號(hào)不能有效分離。另一種方法是數(shù)字波束形成技術(shù)［9］，主要在空域?qū)π盘?hào)進(jìn)行分離，然而該方法需要知道信號(hào)的來(lái)波方向，同時(shí)還不能保證一個(gè)波束內(nèi)的信號(hào)一定是單一信號(hào)。由此可見(jiàn)，這些方法都不能很好地完成共信道多干擾信號(hào)的分離，必須找到其它更好的方法，這種方法就是基于ICA［12］（獨(dú)立分量分析：Independent Component Analysis）的盲信號(hào)分離技術(shù)。

ICA 是近20年提出的一種盲信號(hào)分離技術(shù)，主要思想是在不知道原始信號(hào)以及混合矩陣情況下，通過(guò)對(duì)混合信號(hào)（是否在時(shí)域或頻域混合均可）的處理，分離出一個(gè)個(gè)獨(dú)立成分，作為原始信號(hào)的估計(jì)。由于實(shí)際中，不同源的信號(hào)是獨(dú)立的，因此ICA 技術(shù)是適用的?；贗CA 的盲信號(hào)分離是整個(gè)干擾信號(hào)自動(dòng)識(shí)別系統(tǒng)的基礎(chǔ)和關(guān)鍵。圖1是基于ICA 的多干擾信號(hào)自動(dòng)識(shí)別系統(tǒng)框圖。

圖1 基于ICA 的多干擾信號(hào)自動(dòng)識(shí)別系統(tǒng)框圖

3 基于ICA 的信號(hào)盲分離

盲信號(hào)分離也稱(chēng)為盲源分離，指未知信源和通道的先驗(yàn)信息情況下，僅通過(guò)對(duì)多傳感器接收信號(hào)處理，恢復(fù)原始源信號(hào)的一種數(shù)字信號(hào)處理技術(shù)。當(dāng)從信源到傳感器之間的傳輸很難建立其數(shù)學(xué)模型、或者關(guān)于傳輸?shù)南闰?yàn)知識(shí)無(wú)法獲得時(shí)（干擾信號(hào)識(shí)別往往就是這種情況），盲信號(hào)分離是一種很自然的選擇。

目前盲信號(hào)分離主要采用ICA 來(lái)完成。實(shí)際使用最多的ICA 算法是FastICA 算法［12～13］，這是因?yàn)樵撍惴ň哂幸韵聝?yōu)點(diǎn)：1）無(wú)需像自適應(yīng)算法那樣引入調(diào)節(jié)步長(zhǎng)參數(shù)，因而使用簡(jiǎn)單方便；2）算法穩(wěn)健性好，能對(duì)多種不同類(lèi)型信號(hào)進(jìn)行分離，適用范圍廣；3）收斂速度非?？?，被稱(chēng)為ICA 中的快速算法（即FastICA）。因此論文也采用FastICA 算法進(jìn)行盲信號(hào)分離。需要注意的是，盲信號(hào)分離的結(jié)果的振幅和排列順序存在不確定性，但波形保持不變。關(guān)于該算法更詳細(xì)的細(xì)節(jié)［13～14］，可以參考有關(guān)文獻(xiàn)，這里不再贅述。需要指出的是，在使用ICA 算法之前，一般還需要通過(guò)白化預(yù)處理，簡(jiǎn)化后面的分離處理，并對(duì)數(shù)據(jù)進(jìn)行降維。白化預(yù)處理的細(xì)節(jié)可以參考文獻(xiàn)［14］。

3.1 干擾信號(hào)分離后的特征提取及識(shí)別

針對(duì)論文中的單音干擾、多音干擾、脈沖干擾和高斯干擾等四個(gè)不同干擾以及QPSK 和4FSK 兩個(gè)信號(hào)，下面分別從時(shí)域、頻域、高階累積量域以及時(shí)頻域來(lái)提取干擾信號(hào)特征，以完成干擾信號(hào)自動(dòng)識(shí)別。

3.2 干擾信號(hào)時(shí)域特征提取及脈沖干擾識(shí)別

分析6個(gè)干擾信號(hào)的頻域特征發(fā)現(xiàn)，脈沖干擾、單音干擾和多音干擾的頻域特征最為明顯，都有明顯的譜峰，差別只是譜峰個(gè)數(shù)的不同。單音干擾只有一個(gè)譜峰，多音干擾有多個(gè)譜峰，脈沖干擾譜峰最多。由于脈沖干擾對(duì)多音干擾判別有影響，因此在設(shè)計(jì)分類(lèi)識(shí)別器時(shí)，首先要從時(shí)域判斷出脈沖干擾，并將其從要識(shí)別的干擾信號(hào)中排除。這樣就很容易根據(jù)有無(wú)明顯譜峰及譜峰個(gè)數(shù)來(lái)判斷出單音和多音干擾了。

3.3 干擾信號(hào)高階累積量域特征提取及高斯干擾識(shí)別

高斯分布大于二階的累積量為0，根據(jù)這個(gè)性質(zhì)可以識(shí)別高斯干擾。由于對(duì)稱(chēng)分布的三階累積量為0，而其它高階累積量的計(jì)算過(guò)于復(fù)雜，因此實(shí)際中一般使用四階累積量。嚴(yán)格的高斯分布在實(shí)際中并不多見(jiàn)，其四階累積量也并不嚴(yán)格為0，但總是一個(gè)靠近0的值，所以仍能用四階累積量來(lái)識(shí)別高斯干擾。

3.4 干擾信號(hào)時(shí)頻域特征提取及QPSK和4FSK信號(hào)識(shí)別

對(duì)6個(gè)干擾信號(hào)作時(shí)頻分析，發(fā)現(xiàn)脈沖干擾、單音干擾、QPSK 信號(hào)及FSK 信號(hào)的特征都比較明顯。其中單音干擾基本是在其頻率處的直線(xiàn)，只不過(guò)有小的波動(dòng)；脈沖干擾基本是在零頻處的一條直線(xiàn)，上面等間隔的（對(duì)應(yīng)脈沖跳變的時(shí)刻）分布有小的尖峰抖動(dòng)；QPSK 信號(hào)的時(shí)頻譜基本也是一條直線(xiàn)，上面不規(guī)則的（對(duì)應(yīng)相位跳變時(shí)刻）分布有不同的尖峰抖動(dòng)，這些尖峰大約有四種；FSK 信號(hào)的時(shí)頻譜像由不同的臺(tái)階組成一樣，表示不同時(shí)段調(diào)頻頻率的不同，這些臺(tái)階有四種。

由此可見(jiàn)，脈沖干擾和單音干擾其實(shí)完全可以通過(guò)時(shí)頻譜進(jìn)行識(shí)別，只是由于它們可以用更簡(jiǎn)單的方法識(shí)別，因此這里只考慮使用時(shí)頻譜識(shí)別QPSK 和FSK 信號(hào)。

3.5 識(shí)別器的構(gòu)造

識(shí)別器有兩種形式：一種是串行結(jié)構(gòu)，另一種是混合結(jié)構(gòu)。串行結(jié)構(gòu)采用分級(jí)識(shí)別的方式，每次根據(jù)某個(gè)特征識(shí)別出一兩個(gè)干擾信號(hào)，然后將識(shí)別出的干擾信號(hào)從待識(shí)別的信號(hào)集合中去除，使待識(shí)別的干擾信號(hào)集合越來(lái)越小。串行結(jié)構(gòu)的缺點(diǎn)是，下一級(jí)識(shí)別單元必須等上一級(jí)單元完成識(shí)別后才能運(yùn)算，因此整個(gè)系統(tǒng)需要時(shí)間較長(zhǎng)，實(shí)時(shí)性不好?；旌辖Y(jié)構(gòu)能較好克服串行結(jié)構(gòu)的缺點(diǎn)，增強(qiáng)識(shí)別系統(tǒng)的實(shí)時(shí)性，代價(jià)是運(yùn)算量和復(fù)雜度增大。這兩種結(jié)構(gòu)的識(shí)別器各有優(yōu)缺點(diǎn)，可根據(jù)實(shí)際選擇使用。

4 仿真實(shí)驗(yàn)及分析

仿真實(shí)驗(yàn)中有6個(gè)干擾信號(hào)，其中，單音干擾的干擾頻率為200Hz，多音干擾的幾個(gè)頻率為：160 Hz、300 Hz和500Hz。QPSK 信號(hào)和FSK 信號(hào)分別是由Matlab的時(shí)頻工具箱產(chǎn)生。所加噪聲為10dB 的高斯白噪聲。信號(hào)采樣頻率為2000Hz，仿真中信號(hào)的長(zhǎng)度取為600個(gè)采樣點(diǎn)?；旌暇仃囀且粋€(gè)5×5的矩陣，其元素是由Matlab隨機(jī)產(chǎn)生的，均勻分布在［-1，1］之間的隨機(jī)數(shù)。6個(gè)源干擾信號(hào)通過(guò)混合矩陣的作用被6個(gè)傳感器接收到。

采用基于負(fù)熵的FastICA 算法對(duì)接收的混合信號(hào)分離，其結(jié)果如圖2所示。其中第一列是原始的6個(gè)干擾信號(hào)，依次是：?jiǎn)我舾蓴_、多音干擾、脈沖干擾、高斯干擾、QPSK 信號(hào)及4FSK 信號(hào)，它們已經(jīng)加了10dB 的高斯噪聲。第二列是6個(gè)傳感器分別接收到的混合干擾信號(hào)，由于干擾信號(hào)混合在一起，從中很難分辨出原來(lái)的源信號(hào)，因此傳統(tǒng)的信號(hào)識(shí)別方法根本無(wú)法使用。第三列是經(jīng)過(guò)盲信號(hào)分離處理后，從混合信號(hào)中分離出的信號(hào)，這是源信號(hào)的估計(jì)。從中可以看到，由于盲信號(hào)分離固有的分離后信號(hào)幅度及排列順序的不確定性，導(dǎo)致分離后信號(hào)的幅度（包括符號(hào)）和排列順序并不與源干擾信號(hào)相同。從中也可以看出，分離信號(hào)的波形與源干擾信號(hào)基本相同，直觀(guān)看分離效果也不錯(cuò)。

圖2 源干擾信號(hào)、混合信號(hào)及分離后信號(hào)的時(shí)域波形圖

5 結(jié)語(yǔ)

分析了一般信號(hào)自動(dòng)識(shí)別技術(shù)在解決多干擾、信號(hào)共信道混合這種復(fù)雜情況下進(jìn)行信號(hào)識(shí)別的不足，本文提出了利用盲信號(hào)分離技術(shù)先對(duì)混合信號(hào)進(jìn)行分離，然后針對(duì)不同干擾的不同特征及信號(hào)的不同特征進(jìn)行特征識(shí)別的方法。該方法是解決類(lèi)似問(wèn)題的一種比較通用和靈活的方法。

［1］Azzouz E E，Nandi A K.Procedure for Automatic modulation recognition of analogue and digital modulations［J］.IEEE Proceeding on Communications，1996，143（5）：241-273.

［2］Nandi A K，Azzouz E E.Algorithms for automatic modulation recognition of communication signals［J］.IEEE Trans Commun.，1998，46（4）：431-436.

［3］陸鳳波，黃知濤，易輝榮，等.一種基于高階累積量的數(shù)字調(diào)相信號(hào)識(shí)別方法［J］.系統(tǒng)工程與電子技術(shù)，2008，30（9）：1611-1615.

［4］Dae Young Kim，Won Jang，Sun-Phil Nah，et al..Automatic Modulation Recognition of Digital Signals using Wavelet Features and SVM［C］／／ICACT 2008，International Conference on Advanced Communication Technology，2008.17-20Feb.，2008：387-390.

［5］Wu Juan-ping，Han Ying-zheng，Zhang Jin-mei，et al..Automatic Modulation Recognition of Digital Communication Signals Using Statistical Parameters Methods［C］／／ICCCAS 2007，International Conference on Communications，Circuits and Systems，2007.11-13July 2007：697-700.

［6］Xiaolong Chen，Jiali Wang，Li Xin.A New Automatic Modulation Recognition Method in Test and Measurement Technology［C］／／ICEMI 07，8th International Conference on Electronic Measurement and Instruments，2007.16-18Aug.2007：622-625.

［7］王磊，陳鵬舉，陳乾.修正平均周期圖法在通信信號(hào)分選識(shí)別中的應(yīng)用［J］.電訊技術(shù)，2002，42（4）：30-33.

［8］李秋娜，袁嗣杰，劉東華.基于EMD 的混合信號(hào)盲分離方法［J］.系統(tǒng)仿真學(xué)報(bào)，2007，19（6）：1358-1361.

［9］賈朝文，張學(xué)帥.基于數(shù)字波束合成的空間信號(hào)分離研究［J］.中國(guó)電子科學(xué)研究院學(xué)報(bào)，2006，1（1）：86-89.

［10］祝強(qiáng)，莫翠瓊，閆中原.徑向速度對(duì)匹配模板法識(shí)別LFM 信號(hào)的影響［J］.指揮信息系統(tǒng)與技術(shù)，2010，10（5）：76-81.

［11］徐文雋.大功率跳頻濾波系統(tǒng)及其共享設(shè)計(jì)［J］.指揮信息系統(tǒng)與技術(shù)，2012，4（3）：43-46.

［12］P.Common.Independent component analysis，A new concept［J］.Signal Processing，1994，36：287-314.

［13］Hyvarinen A，Oja E.A Fast Fixed-Point Algorithm for independent Component Analysis［J］.Neural Computation，1997，9（7）：1483-1492.

［14］Hyvarinen A.Fast and robust fixed-point algorithms for independent component analysis［J］.IEEE Transactions on Neural Networks，1999，10（3）：626-634.