武警工程大學(xué)信息工程系 謝躍輝 趙亞欣

?

通信信號(hào)多調(diào)制方式自動(dòng)識(shí)別綜述

武警工程大學(xué)信息工程系 謝躍輝 趙亞欣

【摘要】介紹了多種調(diào)制識(shí)別方法，重點(diǎn)介紹了小波變換和兩種分類(lèi)器，并分析了通信信號(hào)調(diào)制識(shí)別中方法各自利弊。

【關(guān)鍵詞】調(diào)制識(shí)別；小波變換；支持向量機(jī)；人工神經(jīng)網(wǎng)絡(luò)

0　引言

調(diào)制解調(diào)技術(shù)是物理層傳輸技術(shù)中重要組成部分，基本任務(wù)是識(shí)別出信號(hào)的調(diào)制類(lèi)型，估計(jì)出信號(hào)的關(guān)鍵參數(shù)，為后續(xù)信號(hào)的分析處理提供依據(jù)。目前調(diào)制方式自動(dòng)識(shí)別的研究方法主要可以分為兩類(lèi)：一是基于假設(shè)檢驗(yàn)的最大似然方法，二是基于特征提取的模式識(shí)別方法[1]?；诩僭O(shè)檢驗(yàn)的最大似然方法，是通過(guò)對(duì)信號(hào)的似然函數(shù)進(jìn)行處理，將得到的似然比與閾值進(jìn)行比較，完成調(diào)制識(shí)別功能?；谔卣魈崛〉哪Ｊ阶R(shí)別方法，通常包含兩個(gè)子系統(tǒng)，一個(gè)子系統(tǒng)用于提取信號(hào)的特征參數(shù)，另一個(gè)子系統(tǒng)根據(jù)信號(hào)的特征參數(shù)，采用一定的分類(lèi)器確定信號(hào)的調(diào)制類(lèi)型。

1　基于假設(shè)檢驗(yàn)的最大似然調(diào)制識(shí)別

貝葉斯估計(jì)意義上講，基于最大似然方法的分類(lèi)結(jié)果是最優(yōu)的。但是它需要根據(jù)信號(hào)的統(tǒng)計(jì)特性設(shè)置合適的門(mén)限值，因此閾值設(shè)定是其核心和難點(diǎn)，計(jì)算復(fù)雜度較高，不利于在線分析，對(duì)模型失配和參數(shù)偏差問(wèn)題較敏感，穩(wěn)健性較差。

由于未知信號(hào)的信息內(nèi)容、信道參數(shù)估計(jì)誤差等使得構(gòu)造的似然函數(shù)中一般含有未知參數(shù)。根據(jù)對(duì)未知參數(shù)處理方法的不同,似然比檢驗(yàn)主要可分為三類(lèi)[2]：平均似然比檢驗(yàn)、廣義似然比檢驗(yàn)和混合似然比檢驗(yàn)。

2　基于特征提取的模式識(shí)別

基于特征參數(shù)提取的調(diào)制識(shí)別，主要包含兩個(gè)階段：分類(lèi)器訓(xùn)練階段和調(diào)制信號(hào)識(shí)別階段。這類(lèi)方法關(guān)鍵在于提取能夠區(qū)分不同調(diào)制方式的特征參數(shù)，特征提取是調(diào)制識(shí)別問(wèn)題的關(guān)鍵。目前，已經(jīng)提出了許多特征參數(shù)提取的算法。常用的特征參數(shù)有：基于瞬時(shí)幅度、頻率及相位的特征參數(shù)；基于信號(hào)統(tǒng)計(jì)量特征的參數(shù)提取，主要包含基于高階累積量的特征參數(shù)，基于混合矩的特征參數(shù)，基于循環(huán)累積量的特征參數(shù)等；基于信號(hào)變換域的特征參數(shù)提??；基于信號(hào)星座圖恢復(fù)的方法等。

3　小波變換

特征參數(shù)的提取方法很多，與大多數(shù)識(shí)別方法不同，小波變換方法不需要任何先驗(yàn)知識(shí)，且小波變換對(duì)非平穩(wěn)信號(hào)有著很好的檢測(cè)能力，算法速度快，滿(mǎn)足實(shí)時(shí)需要，利用小波分析提取數(shù)字調(diào)制信號(hào)的特征參數(shù)非常有效[3]。小波分析主要研究函數(shù)的表示，就是將函數(shù)分解為“基本函數(shù)”之和，小波函數(shù)具有良好的光滑性和局部性，可以分析函數(shù)的局部和整體的性質(zhì)[4]。常用的小波函數(shù)有Haar小波、mexh小波和meyer小波。mexh小波不具有正交性，而meyer小波不具有緊支集，只有Haar小波滿(mǎn)足能達(dá)到最佳提取信號(hào)特征的條件。Haar小波定義為：

圖1　小波及尺度伸縮與平移

4　分類(lèi)器的設(shè)計(jì)

基于特征提取調(diào)制識(shí)別方法的重點(diǎn)在于在非理想環(huán)境下利用合適的分類(lèi)器提取較為穩(wěn)健的信號(hào)特征參數(shù)作為識(shí)別調(diào)制類(lèi)型的依據(jù)，識(shí)別出調(diào)制信號(hào)的類(lèi)型。分類(lèi)器中主要包括人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī) 、聚類(lèi)以及其他一些模式識(shí)別方法。

圖2　三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖3　最優(yōu)分類(lèi)面示意圖

（1）人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是模擬人類(lèi)大腦功能而提出的數(shù)學(xué)模型[5]。目前，在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，絕大部分的神經(jīng)網(wǎng)絡(luò)模型都采用BP網(wǎng)絡(luò)及其變化形式。BP網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的傳遞函數(shù)是S型函數(shù)，輸出量為0到1之間的連續(xù)量，它可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射。包括輸入層、隱含層和輸出層。它的特點(diǎn)是：各層神經(jīng)元之間無(wú)任何連接，僅相鄰層神經(jīng)元之間有連接。如圖2所示。

BP神經(jīng)網(wǎng)絡(luò)的輸入輸出關(guān)系是一個(gè)高度非線性映射關(guān)系，它是從輸入的m維（樣本特征矢量空間）歐氏空間到輸出的n維（類(lèi)別空間）歐氏空間的映射。

（2）支持向量機(jī)(SVM)

支持向量機(jī)主要利用非線性變換將輸入空間變換到另一個(gè)線性可分的高維空間。在這個(gè)高維空間構(gòu)造最優(yōu)超平面[6]，作為分類(lèi)面使兩類(lèi)樣本間的距離達(dá)到最大，如圖3所示。

SVM從理論上實(shí)現(xiàn)了對(duì)不同類(lèi)別的最優(yōu)分類(lèi)，有較好的推廣能力，能根據(jù)信號(hào)的特征值，有效的識(shí)別調(diào)制信號(hào)的類(lèi)型。

5　結(jié)束語(yǔ)

調(diào)制識(shí)別方法有很多，但是重點(diǎn)在于選取當(dāng)前硬件匹配，適于在線分析的方法。以上研究的熱點(diǎn)方法各有利弊，需要針對(duì)不同情況分析利用。

參考文獻(xiàn)

[1]程汗文,吳樂(lè)南.基于信息融合的信號(hào)調(diào)制方式識(shí)別[J].信號(hào)處理,2009,25(4):625-629.

[2]O.Dobre,A.Abdi,Y.Bar-Ness, and W.Su.Survey of Automatic Modulation Classification Techniques: Classical Approaches and New Trends[J].IET Communications,2007,1(2):137-156.

[3]Prakasam and M.Madheswaran,“Modulation identification algorithm for adaptive demodulator in software defined radios using wavelet transform”, International Journal of Signal Processing, vol.5, no.1,pp.74-81,2009.

[4]錢(qián)平.軟件無(wú)線電調(diào)制自動(dòng)識(shí)別研究[D].江南大學(xué),2013.

[5]Ahmadi N,Berangi R.Modulation classification of QAM and PSK from their constellation using Genetic Algorithm and hierarchical clustering[C].3rd International Conference on Information and Communication Technologies: From Theory to Applications,2008:1-5.

[6]Ataollah Ebrahimzade Sherme.A novel method for automatic modulation recognition[J].Applied Soft Computing,201212(1):453-461.