亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        干擾環(huán)境下的信號調(diào)制識別*

        2014-03-05 09:00:10許世宏梁偉洋
        電訊技術(shù) 2014年6期
        關(guān)鍵詞:分類器矢量信道

        許世宏,梁偉洋

        (空軍第一航空學(xué)院,河南 信陽 464000)

        1 引言

        通信信號調(diào)制制式識別技術(shù)的研究一直引起了人們的極大興趣,經(jīng)過三十多年的相關(guān)研究,目前的研究更趨向?qū)嵱没?,人們重點關(guān)注在低信噪比、非高斯等接近真實通信環(huán)境下的識別問題[1-4]。以往相關(guān)研究大都是基于這樣的條件下進行的,即觀測樣本只包含一種未知的調(diào)制類型。隨著通信需求的日益增長和通信技術(shù)的快速發(fā)展,各種民用、軍事的無線電臺、通信發(fā)射設(shè)備迅速增多,在有限的無線電通信頻譜范圍內(nèi)各種信號分布日益密集,因此不同發(fā)射設(shè)備發(fā)射的無線電通信信號,會不可避免地在相同的頻譜上混疊在一起;在無線電通信對抗環(huán)境下,敵方為了破壞、阻止我方正常通信,常采用一些人為有意干擾;所有這些因素的存在常常會使接收機在其有限的帶寬范圍內(nèi)存在多種調(diào)制類型的通信信號。以往很多相關(guān)研究成果對這種干擾環(huán)境不適合,因此研究這種人為有意干擾、鄰道干擾、同道干擾環(huán)境下的調(diào)制識別問題無論是在理論上還是在實際工程中都具有重要意義。目前,就多種調(diào)制信號同時存在情況下的調(diào)制識別問題。國內(nèi)外公開發(fā)表的文獻很少,僅有幾個在非高斯環(huán)境下的文獻可供參考[2-4]。本文借鑒文獻[2]的思想,利用分集技術(shù),首先采用獨立成分分析(ICA)獲得觀測樣本矢量的獨立分量以消除干擾信號的影響,然后采用以二值支持矢量機(SVM)為基礎(chǔ)的多值分類器對觀測樣本的調(diào)制類型進行識別。仿真表明,該算法在低速、中等干擾強度環(huán)境下,對調(diào)制類型具有較高的識別率。

        2 信號模型及調(diào)制識別算法描述

        假設(shè)觀測樣本來自L個獨立的接收天線,第i個天線的接收信號可以表示為

        2.1 獨立成分分析

        獨立成分分析(ICA)屬于盲信號分離的范疇,它是在沒有信源和信道先驗信息的情況下,通過對來自多個天線的觀測信號進行盲分離,以恢復(fù)信源信息的一種技術(shù)。把式(2)表示的L個接收天線的信號r1(t),r2(t),…,rL(t)寫成向量的形式:

        獨立成分分析就是在混合矩陣H和獨立成分s(t)未知的情況下,尋求分離矩陣 W=[w1,…wN]T,使 y(t)=Wr(t)是對 s(t)的最優(yōu)估計。從理論上講W=H-1,但由于混合矩陣H也是未知的,所以需要通過觀測樣本對其進行估計。由于干擾信號和有用信號來自不同的信源,通過信道卷積變換后,它們是統(tǒng)計獨立的。獨立成分分析的實現(xiàn)方法有最大似然法和負熵最大化法,負熵最大化法是使對信源信號的估計值之間的互信息最小化,核心思想是尋求觀測樣本的內(nèi)在統(tǒng)計獨立成分,使y的非高斯性最大化。一般做法是讓y與一個標準高斯隨機變量v進行比較來判斷y的高斯性,即

        函數(shù)G(u)=-exp(-u2/2)。根據(jù)信息論的知識,高斯變量的熵最大,因此負熵的大小可以作為度量變量非高斯性的標準。

        根據(jù)觀測樣本矢量求解分離矩陣W有很多算法,其中FastICA算法是通過牛頓迭代使目標函數(shù)達到優(yōu)化的迭代算法,該算法具有穩(wěn)健性高、收斂速度快等優(yōu)點,因此本文在尋求分離矩陣時以高階統(tǒng)計量為基礎(chǔ),采用基于負熵最大化(與非高斯性最大化等價)的快速算法FastICA[6]。

        2.2 多值分類器設(shè)計

        調(diào)制類型識別的本質(zhì)可以看成是一個模式識別問題[7],分類器的設(shè)計至關(guān)重要。對于多種調(diào)制類型的識別問題,一般先進行二值分類,然后再推廣到多值分類。支持矢量機(SVM)方法是基于統(tǒng)計學(xué)習(xí)VC維理論和結(jié)構(gòu)風險最小化原則的一種學(xué)習(xí)機器,相對于神經(jīng)網(wǎng)絡(luò),它具有較優(yōu)的分類性能和較好的推廣能力。在小樣本條件下,支持矢量機能明顯縮小經(jīng)驗風險和實際風險的差異,因此SVM在解決小樣本、非線性和高維模式識別問題中表現(xiàn)出了特有的優(yōu)勢。該方法的核心思想是通過核函數(shù)變換運算,將觀測樣本向高維空間進行映射,使輸入矢量從低維空間變換到高維特征空間,并在這個高維空間中構(gòu)造能夠識別不同調(diào)制類型的超平面,以達到識別樣本的目的[8]。

        對于已知訓(xùn)練樣本集合(y1,z1),…,(yi,zi),i=1,2,…,n,y∈Rm,zi∈{+1,-1}用一個超平面(ω·z)-b=0將z1,z2,…,zn沒有錯誤地分為兩類(+1或-1),即

        式中,ω=(ω1,ω2,…,ωn)為分類面的權(quán)向量系數(shù),ξi是松弛項。為了將尋求最優(yōu)分類面的問題轉(zhuǎn)化為最優(yōu)化問題的求解,支持矢量機采用拉格朗日算子求解最優(yōu)分類超平面,最后得到最優(yōu)分類函數(shù)為[7-8]

        支持矢量是指距最優(yōu)分類超平面最近且平行于該超平面的訓(xùn)練樣本,sgn(·)是符號函數(shù),ai為拉格朗日算子。一般用符合Mercer條件的核函數(shù)K(yi,x)代替上式中的點積(yi·x),最后得到分類判決函數(shù)

        該判決函數(shù)就是尋求的支持矢量機,構(gòu)造SVM的復(fù)雜程度與支持矢量的數(shù)量有關(guān),這在選擇核函數(shù)參數(shù)時應(yīng)該注意。

        式(7)是個標準二值SVM分類器,將該二值分類器推廣到多種調(diào)制類型的識別時,涉及二值到多值的推廣問題,也就是分類器的組合問題,本文采用投票決策法進行組合分類器設(shè)計,其主要思想是:假設(shè)待分類的調(diào)制類型有N種,將N種類型兩兩組合,共有N(N-1)/2種組合方式,顯然,組合的多少與待識別的調(diào)制類型數(shù)量的平方密切相關(guān),因此如果調(diào)制類型數(shù)量較多,為了提高識別速度,一般采用分級的辦法減少每組SVM的組合數(shù)量,從而提高識別速度。設(shè)計每組SVM的多值組合的具體方法是:在第i種類型和第j種類型之間識別時,如果這兩種調(diào)制類型的二值SVM分類函數(shù)大于零,則判定被測樣本屬于第i種調(diào)制類型,給第i種調(diào)制類型投一票,否則給第j種調(diào)制類型投一票。這樣經(jīng)過多個二值SVM分類判決后,每種調(diào)制類型的得票數(shù)量不同,選擇得票最多的那種調(diào)制類型作為對觀測樣本的最終判決類型。

        2.3 識別算法描述

        對來自L個接收天線的信號r1(t),…,rL(t)構(gòu)成觀測矢量r,為了得到相應(yīng)的獨立分量,先按下面步驟對該樣本矢量進行處理:

        (1)中心化:首先對觀測樣本矢量進行去均值化、中心化處理:r=r-E(r);

        (2)白化處理:即對中心化后的樣本矢量按珓r=BD-1/2BTr進行變換,其中 B 是 E(r·rT)的特征向量矩陣,D是特征值的對角矩陣(可以驗證E)=I),白化后的分量是非相關(guān)的;

        (3)采用ICA快速算法,求出分離矩陣,進而得到獨立樣本矢量。

        然后再按下列步驟對獨立樣本矢量進行識別:

        (1)將得到的獨立樣本矢量輸入到二值SVM分類器進行識別;

        (2)采用投票決策法進行多值分類器組合,選取得票最多的調(diào)制類型作為樣本的識別類型。

        3 仿真分析

        為了驗證本文算法在干擾環(huán)境下的識別性能,在假定觀測樣本中包含兩種未知的調(diào)制類型(其中一種是干擾)的情況下,我們對算法進行了仿真驗證。調(diào)制類型從{2QAM,4QAM,16QAM}中獨立等概率選取。采用Jakes信道模型,載波頻率取900MHz,碼元速率為300ksymbol/s,移動臺的移動速度小于10m/s。觀測樣本來自3個相互獨立的接收機,分別在0dB、5 dB、10dB條件下,采集3種調(diào)制類型的訓(xùn)練樣本,每種條件下采集的訓(xùn)練樣本個數(shù)為30,完成對SVM的訓(xùn)練。核函數(shù)選擇徑向基核函數(shù)K(yi,x)=exp{-|x-yi|2/(2c2)},寬度 c=0.5,c的大小影響支持矢量的個數(shù),因而會對最優(yōu)分類超面的形成產(chǎn)生影響,從而影響最終的識別性能。

        仿真1:該仿真的目的是在給定信噪比的情況下,考查信干比對算法總體識別性能的影響。信噪比為10dB,信干比的變化范圍是0dB到20dB。仿真結(jié)果如圖1所示,可以看出,在觀測樣本為300、信干比為8 dB時,算法的總體正確識別率大于0.9,隨著信干比增加,算法性能逐漸變好。為了對比,圖1還給出了在沒有干擾存在的情況下算法的性能,可以看出,在信干比大于12 dB時,干擾對算法性能的影響較小。

        圖1 信干比對算法性能的影響(SNR=10dB)Fig.1 The effect of SIR on modulation classification algorithm when SNR=10dB

        仿真2:該仿真的目的是為了考察在衰落信道下算法性能,仿真中采用移動速度的變化來改變信道衰落狀況,觀測樣本為200個和300個,信干比SIR=10dB,信噪比 SNR取10dB,從圖2可以看出,當移動速度小于12 m/s時,此時信道屬于慢衰落信道,這種情況下算法的識別性能變化較小;隨著移動速度的增加,信道衰落變快,信道變化也來越快,由于信道衰落的影響,算法性能越來越差。從圖中還可以看出,樣本數(shù)量越大,信道衰落對算法性能影響越大。

        圖2 速度對算法性能的影響(SNR=10dB,SIR=10dB)Fig.2 The effect of speed on modulation classification algorithm when SNR=10dB and SIR=10dB

        仿真3:該仿真為了研究不同核函數(shù)參數(shù)對算法性能的影響。由于核函數(shù)參數(shù)影響支持矢量的個數(shù)和最優(yōu)分類超平面,因此不同的參數(shù)會影響算法的性能。表1給出了徑向基核函數(shù)寬度c和多項式核函數(shù)K(xi,x)=((x·xi)+1)d的階數(shù)d對算法性能的影響。觀測樣本為300,信干比SIR=10dB,信噪比SNR=10dB,可以看出,對徑向基核函數(shù),其參數(shù)c在0.5時,算法性能最好,隨著c的增大或減小,算法性能逐漸變差;而對多項式核函數(shù),當其階數(shù)d為3時,算法識別性能最好;因此合理選擇核函數(shù)參數(shù)是設(shè)計分類器的關(guān)鍵因素之一。從表1還可以看出,兩種不同的核函數(shù)在分別選擇合適的參數(shù)的情況下,對算法性能沒有明顯影響。

        表1 核函數(shù)參數(shù)對算法別性能的影響(SNR=10dB,SIR=10dB)Table 1 The effect of kernel function parameters on the performance of algorithm when SNR=10dB and SIR=10dB

        4 結(jié)束語

        本文根據(jù)實際工程的需要,在干擾環(huán)境下,研究了通信信號調(diào)制識別問題,將獨立成分分析技術(shù)和多天線接收技術(shù)引入到信號調(diào)制識別領(lǐng)域,提出了一種基于ICA和多值SVM的調(diào)制識別算法。研究表明,由于干擾的存在,使觀測樣本發(fā)生了較大變化,為了達到較好的識別性能,對移動速度和信干比等提出了一些限制,如何降低對這些因素的限制以及如何識別更高階的調(diào)制類型是進一步研究應(yīng)該重點考慮的問題。

        [1]Dobre O A,Abdi A,Bar-Ness Y,et al.A survey of automatic modulation classification techniques:classical approaches and new trends [J].IET Communications,2007,4(1):137-156.

        [2]Abdi A,Dobre O A,Choudhry R.Modulation classification in fading channels using antenna arrays[C]//Proceedings of 2004 IEEE Military Communications Conference.Monterey:IEEE,2004:211-217.

        [3]劉明騫,李兵兵,曹超鳳.非高斯噪聲下數(shù)字調(diào)制信號識別方法[J].電子與信息學(xué)報,2013,35(1):85-91.LIU Ming-jian,LI Bing-bing,CAO Chao-feng.Recognition Method of Digital Modulation Signals in NonGaussian Noise[J].Journal of Electronics & Information Technology,2013,35(1):85-91.(in Chinese)

        [4]崔偉亮,李劍強,江樺.衰落信道盲接收條件下的調(diào)制分類[J].電子與信息學(xué)報,2011,33(8):1896-1901.CUI Wei-liang,LI Jian-qiang,JIANG Hua.Modulation Classification Algorithm in Fading Channels under Blind Reception Conditions[J].Journal of Electronics & Information Technology,2011,33(8):1896-1901.(in Chinese)

        [5]Hyvarinen A,Oja E.Independent component analysis:algorithms and applications [J]. Neural Networks,2000,13(4-5):411-430.

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

        [7]邊肇祺,張學(xué)工.模式識別[M].2版.北京:清華大學(xué)出版社,2001.BIAN Zhao-qi,ZHANG Xue-gong.Pattern Recognition[M].2nd ed.Beijing:Tsinghua University Press,2001.(in Chinese)

        [8]Vapnik V N.An Overview of Statistical Learning Theory[J].IEEE Transactions on Neural Networks,1999,10(5):988-998.

        猜你喜歡
        分類器矢量信道
        矢量三角形法的應(yīng)用
        BP-GA光照分類器在車道線識別中的應(yīng)用
        電子測試(2018年1期)2018-04-18 11:52:35
        加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
        結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機的TSK分類器
        基于矢量最優(yōu)估計的穩(wěn)健測向方法
        三角形法則在動態(tài)平衡問題中的應(yīng)用
        基于導(dǎo)頻的OFDM信道估計技術(shù)
        一種改進的基于DFT-MMSE的信道估計方法
        基于MED信道選擇和虛擬嵌入塊的YASS改進算法
        基于LLE降維和BP_Adaboost分類器的GIS局部放電模式識別
        久久五月精品中文字幕| 久久国产精久久精产国| 亚洲日本欧美产综合在线| 亚洲视频在线观看| 亚洲 欧美精品suv| 亚洲日本在线va中文字幕| 日产一区一区三区区别| 玩弄少妇人妻中文字幕| 欧美丰满熟妇aaaaa片| 一区二区三区放荡人妻| 日本中文字幕官网亚洲| 中国女人内谢69xxxxxa片| 亚洲中文字幕无码mv| 亚洲国产高清美女在线观看 | 久久国产精品国语对白| 又湿又紧又大又爽a视频国产| 国产自国产在线观看免费观看| 国产亚洲欧洲三级片A级| 国产熟女自拍av网站| 国精品人妻无码一区二区三区性色| 国产精品无码日韩欧| 久久精品国产亚洲av成人擦边| 精品久久综合日本久久综合网| 曰韩亚洲av人人夜夜澡人人爽| 99er视频| 一区二区三区黄色一级片| 亚洲人成网站18禁止| 亚洲熟伦熟女新五十路熟妇| 无码伊人久久大蕉中文无码 | 免费在线观看播放黄片视频| 亚洲中文字幕久久精品无码喷水| 精品人妻无码中文字幕在线| 香蕉蜜桃av一区二区三区| 国产精品成熟老女人| 亚洲中文久久精品无码ww16| 国产免费人成视频在线观看播放 | 成人av一区二区亚洲精| 少妇爆乳无码专区| 精品无码久久久久久久动漫| 日本熟女人妻一区二区三区| 无码国产精成人午夜视频一区二区|