馮 徑 熊鑫立 蔣 磊

(1解放軍理工大學(xué)氣象海洋學(xué)院, 南京 211101)(2解放軍理工大學(xué)指揮信息系統(tǒng)學(xué)院, 南京 210007)

軟件通信適配器的調(diào)制模式識(shí)別算法

馮 徑1熊鑫立2蔣 磊1

(1解放軍理工大學(xué)氣象海洋學(xué)院, 南京 211101)(2解放軍理工大學(xué)指揮信息系統(tǒng)學(xué)院, 南京 210007)

在異構(gòu)衛(wèi)星網(wǎng)絡(luò)動(dòng)態(tài)組網(wǎng)時(shí),為了解決星上軟件通信適配器對(duì)物理層調(diào)制模式識(shí)別率低的問題,提出了一種適合低信噪比和貧先驗(yàn)知識(shí)的自動(dòng)調(diào)制模式識(shí)別算法．該算法以高斯白噪聲信道作為信道模型,選取信號(hào)高階累積量和經(jīng)典統(tǒng)計(jì)量作為特征參數(shù),采用引力搜索算法對(duì)徑向基神經(jīng)網(wǎng)絡(luò)基函數(shù)中心進(jìn)行優(yōu)化,并在引力搜索算法中引入粒子群的信息熵來調(diào)節(jié)算法執(zhí)行過程中探索與開采的關(guān)系,進(jìn)一步提高了算法的分類和泛化能力．然后,利用仿真試驗(yàn)測(cè)評(píng)了該算法對(duì)6種衛(wèi)星常用調(diào)相調(diào)制信號(hào)的識(shí)別效果．仿真試驗(yàn)結(jié)果表明,沒有先驗(yàn)知識(shí)的情況下,該算法在調(diào)制信號(hào)信噪比大于4 dB時(shí)就可以達(dá)到100%的識(shí)別率,從而證明了該算法在低信噪比和貧先驗(yàn)知識(shí)條件下的有效性,說明算法滿足星上軟件通信適配器對(duì)物理層調(diào)制模式的識(shí)別要求．

異構(gòu)衛(wèi)星網(wǎng)絡(luò);軟件通信適配器;自動(dòng)調(diào)制模式識(shí)別;高階累積量;信息熵

在異構(gòu)衛(wèi)星網(wǎng)絡(luò)動(dòng)態(tài)組網(wǎng)的問題中,通過搭載于星上的軟件定義通信適配器(SDCA)對(duì)可能進(jìn)行組網(wǎng)的衛(wèi)星的物理層通信參數(shù)進(jìn)行自動(dòng)識(shí)別,是解決物理層參數(shù)獲取與感知的關(guān)鍵．自動(dòng)調(diào)制模式識(shí)別(AMC)方法層出不窮[1]．其中,基于統(tǒng)計(jì)模式的識(shí)別方法理論分析簡(jiǎn)單,算法復(fù)雜度低,所需先驗(yàn)知識(shí)少,特別適合星上應(yīng)用,但需要選擇合適的特征參數(shù)和設(shè)計(jì)泛化能力強(qiáng)的分類器．由于高斯白噪聲的二階以上累積量為零,故高階累積量具有良好的抗高斯噪聲的能力[2],徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFNN)結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練時(shí)間短,適合于解決分類問題．目前，已有學(xué)者利用信號(hào)的高階統(tǒng)計(jì)量和RBF神經(jīng)網(wǎng)絡(luò)對(duì)調(diào)制模式識(shí)別進(jìn)行研究,并取得了一定的研究成果[3]．RBFNN隱含層基函數(shù)中心的選擇對(duì)其分類能力有很大影響,需要對(duì)其基函數(shù)中心進(jìn)行優(yōu)化．引力搜索算法是一種基于牛頓萬有引力定律的啟發(fā)式優(yōu)化算法,該算法的收斂性明顯優(yōu)于粒子群算法(PSO)、遺傳算法(GA)等其他智能優(yōu)化算法[4]．信息熵是信息量的度量,通過引入信息熵來度量引力搜索算法中粒子群的信息量,可以反映出算法迭代過程中探索與開采的關(guān)系,調(diào)節(jié)算法的執(zhí)行過程,進(jìn)而提高算法性能．

結(jié)合衛(wèi)星常用調(diào)相信號(hào)和衛(wèi)星平臺(tái)計(jì)算能力的特點(diǎn),本文選用信號(hào)的高階統(tǒng)計(jì)量和經(jīng)典統(tǒng)計(jì)量作為特征參數(shù),采用基于信息熵改進(jìn)的GSA算法來優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)基函數(shù)中心．將優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)作為分類器,對(duì)BPSK,QPSK,8PSK,16QAM,32QAM和64QAM等6種衛(wèi)星常用調(diào)相調(diào)制信號(hào)進(jìn)行識(shí)別分類,并通過計(jì)算機(jī)仿真驗(yàn)證了所提算法的有效性和可行性．

1 星上軟件通信適配器

星上軟件通信適配器是解決異構(gòu)衛(wèi)星網(wǎng)絡(luò)動(dòng)態(tài)組網(wǎng)問題的關(guān)鍵．SDCA采用軟件定義的方法,形式化描述衛(wèi)星組網(wǎng)所需的底層參數(shù),向上提供了獲取數(shù)據(jù)和參數(shù)的接口．同時(shí),SDCA需要對(duì)物理層參數(shù)進(jìn)行感知與獲取,才能根據(jù)需求動(dòng)態(tài)地調(diào)整衛(wèi)星的通信參數(shù),屏蔽不同類型衛(wèi)星的通信體制區(qū)別,向下提供進(jìn)行通信適配所需的接口映射機(jī)制．該模型如圖1所示．

圖1 SDCA模型示意圖

根據(jù)數(shù)字通信的基本模型,SDCA需要獲取與感知的物理層參數(shù)可以定義為如下的九元組:

〈F,M,P,Mu,B,SCo,CCo,Cp,Ca〉

(1)

式中,F為工作頻率;M為調(diào)制方式;P為極化方式;Mu為信號(hào)復(fù)用方式;B為傳輸速率;SCo為信源編碼方式;CCo為信道編碼方式;Cp為通信協(xié)議;Ca為信道分配方式．

2 信號(hào)模型

(2)

式中,an(n=1,2,…,N)為碼元幅度;fc和θ分別為載波的頻率和相位;φn為調(diào)制相位;g(t-nT) 為加窗函數(shù),本文設(shè)為升余弦窗;Q(t)為零均值高斯白噪聲．

3 特征選取

基于統(tǒng)計(jì)模式識(shí)別的方法很大程度上依賴于信號(hào)特征的選?。壳?常用的信號(hào)統(tǒng)計(jì)特征主要分為經(jīng)典統(tǒng)計(jì)特征、高階統(tǒng)計(jì)特征、周期平穩(wěn)特征和多重分形特征4類．表1列出了上述特征對(duì)于自動(dòng)調(diào)制識(shí)別的影響[5]．

表1 不同統(tǒng)計(jì)特征對(duì)AMC的影響

然而,針對(duì)星上SDCA的調(diào)制識(shí)別來說,不僅需要考慮信號(hào)特征對(duì)調(diào)制方式的識(shí)別能力和對(duì)信道噪聲的抑制能力,還需要考慮星上的實(shí)際處理能力．因此,本文在進(jìn)行特征選取時(shí)綜合考慮了特征值的復(fù)雜度和有效性,選取了信號(hào)的經(jīng)典統(tǒng)計(jì)特征和高階統(tǒng)計(jì)特征．

3.1 信號(hào)的經(jīng)典統(tǒng)計(jì)特征

針對(duì)調(diào)相信號(hào)的特點(diǎn),本文選取3個(gè)信號(hào)的經(jīng)典統(tǒng)計(jì)特征:零中心歸一化瞬時(shí)相位的平方均值、中心歸一化瞬時(shí)相位的均方差和瞬時(shí)幅度包絡(luò)均值．

零中心歸一化瞬時(shí)相位平方的均值為

(3)

中心歸一化瞬時(shí)相位的均方差為

(4)

瞬時(shí)幅度包絡(luò)均值為

(5)

式中, Am為信號(hào)的瞬時(shí)幅度．

3.2 信號(hào)的高階統(tǒng)計(jì)特征

信號(hào)的高階統(tǒng)計(jì)特征是指信號(hào)的高階矩、高階累積量、高階矩譜和高階累積量譜這4種主要統(tǒng)計(jì)量．高斯隨機(jī)過程的高階累積量恒為零,故高階累積量對(duì)高斯白噪聲有著良好的抑制能力．對(duì)于一個(gè)具有零均值的復(fù)隨機(jī)信號(hào)X(t),含有q項(xiàng)x*(t)的p階混合矩可以表示為

Mpq=E[Xp-q(t)X*q(t)]

(6)

本文采用的高階累積量可表示為

(7)

式中,cum()為累積量計(jì)算函數(shù)．

文獻(xiàn)[6]對(duì)信號(hào)的高階累積量理論值進(jìn)行了推導(dǎo)和計(jì)算．表2列出了6種衛(wèi)星常用調(diào)制信號(hào)高階累積量的理論值．

為了抑制噪聲和信號(hào)能量對(duì)特征的影響,結(jié)合文獻(xiàn)[7]針對(duì)高級(jí)累積量的研究,并且考慮星上運(yùn)算和處理能力,本文采用如下的高階特征統(tǒng)計(jì)特征:

表2 PSK和QAM子類信號(hào)高階累積量理論值

(8)

式中,F1和F2為區(qū)分MPSK子類信號(hào)的高階統(tǒng)計(jì)特征;F3為區(qū)分MQAM子類信號(hào)的高階統(tǒng)計(jì)特征．

4 基于信息熵改進(jìn)的GSA算法優(yōu)化的RBF網(wǎng)絡(luò)

解決分類問題時(shí),基函數(shù)中心的選擇對(duì)RBFNN分類能力影響較大,而采用經(jīng)典K均值聚類法選取基函數(shù)中心存在一定不足,因此本文采用基于信息熵改進(jìn)的GSA算法(IEGSA)來優(yōu)化RBFNN基函數(shù)的聚類中心,以提高RBF網(wǎng)絡(luò)的分類和泛化能力．在解決RBF網(wǎng)絡(luò)基函數(shù)中心的聚類優(yōu)化問題時(shí),第j個(gè)聚類的偏離誤差為

(9)

式中,cjl表示第j個(gè)聚類中心的第l個(gè)分量;xkl表示屬于聚類Cj的實(shí)例Xk的第l個(gè)分量．

基于此,利用IEGSA優(yōu)化RBFNN基函數(shù)中心時(shí)采用的適應(yīng)度函數(shù)為

(10)

引力搜索算法是一種基于牛頓萬有引力定律的啟發(fā)式優(yōu)化算法.為了進(jìn)一步提高算法的全局尋優(yōu)能力和收斂速度,文獻(xiàn)[7]通過引入加速系數(shù)來平衡探索與開采的關(guān)系,使算法初期具有更廣的全局搜索范圍,后期具有更深的局部搜索能力并有一定幾率跳出局部最優(yōu)解．然而,加速系數(shù)是以算法迭代次數(shù)為依據(jù)來調(diào)節(jié)算法中粒子群進(jìn)行探索和開采的,算法的迭代次數(shù)不能準(zhǔn)確反映迭代過程中探索和開采關(guān)系．因此,本文引入粒子群的信息熵來反映算法迭代過程中粒子群的探索和開采,提出了基于信息熵改進(jìn)的引力搜索算法(IEGSA)．算法迭代過程中d維第i個(gè)粒子的信息熵為

(11)

算法迭代過程中粒子群的信息熵Ep為

(12)

式中,D為維度數(shù);I為粒子數(shù)．

對(duì)于GSA算法,每次迭代執(zhí)行過程中,計(jì)算算法平均解Sa和粒子群熵Epa的歸一化值以及去趨勢(shì)化粒子群熵Eqa和引力系數(shù)Ga的歸一化值,可以得到其歸一化值隨算法迭代次數(shù)變化的曲線(見圖2和圖3)．

圖2 歸一化熵、平均解和引力系數(shù)的變化曲線

圖3 歸一化平均解與去趨勢(shì)化熵的變化曲線

由圖2所示,GSA算法迭代執(zhí)行過程中粒子群的熵與算法平均解的歸一化值變化曲線相似程度較高,故可以使用粒子群的熵來反映算法迭代過程中探索與開采的關(guān)系．結(jié)合圖2與圖3可以看出,粒子群熵的方差和數(shù)值變化對(duì)應(yīng)算法迭代過程中3個(gè)階段:① 初期隨機(jī)搜索的粒子群熵較大,方差較小;② 中期定向搜索的粒子群熵開始減小,方差較大;③ 后期局部搜索的粒子群熵較小,方差也較?。Y(jié)合粒子群算法中粒子群的速度更新公式,本文對(duì)原GSA算法中粒子的速度更新公式進(jìn)行如下改進(jìn):

(13)

根據(jù)粒子群熵反映出的算法執(zhí)行情況,在算法迭代執(zhí)行過程中選擇合適的加權(quán)系數(shù),來調(diào)節(jié)算法探索和開采的關(guān)系．在初期,保證算法可以在足夠大的空間中尋求最優(yōu)解,增大隨機(jī)搜尋的加權(quán)系數(shù)c1;中期保證算法盡可能快地向最優(yōu)解收斂,增大加速度加權(quán)系數(shù)c2和全局最優(yōu)的加權(quán)系數(shù)c3;后期允許算法跳出局部最優(yōu),隨機(jī)地增大隨機(jī)搜索的加權(quán)系數(shù)c1．

5 仿真結(jié)果

在仿真試驗(yàn)中,為了驗(yàn)證本文算法對(duì)衛(wèi)星常用調(diào)相信號(hào)識(shí)別的有效性,選擇了BPSK,QPSK,8PSK,16QAM,32QAM和64QAM六種衛(wèi)星通信常用調(diào)相調(diào)制信號(hào)．6類信號(hào)樣本的基本參數(shù)設(shè)置如下:載波頻率為400kHz,符號(hào)速率為100KB/S,成型脈沖為升余弦脈沖,升余弦滾降系數(shù)為0.5,抽樣點(diǎn)數(shù)為1 000．RBFNN參數(shù)設(shè)置如下:輸入層節(jié)點(diǎn)數(shù)為6,隱藏層節(jié)點(diǎn)數(shù)為10,輸出層節(jié)點(diǎn)數(shù)為3,隨機(jī)生成初始連接矩陣,利用K均值聚類算法獲取基函數(shù)初始中心．IEGSA參數(shù)設(shè)置如下:迭代次數(shù)為2 000,種群規(guī)模為100個(gè),引力常數(shù)為200,引力改變系數(shù)為20．三個(gè)階段的速度改變加權(quán)系數(shù)c1分別設(shè)置為1.5,0.5,1.5, c2分別設(shè)置為0.5,1,0.5, c3分別設(shè)置為0.5,1,0.5,梯度訓(xùn)練誤差為0.001．

采用本文算法,在不同信噪比情況下得到的6種調(diào)相調(diào)制信號(hào)的識(shí)別率見圖4．由圖可知,在沒有接收信號(hào)先驗(yàn)知識(shí)的情況下， 當(dāng)信噪比高于1dB

圖4 本文算法在不同SNR下的識(shí)別率

時(shí),本文算法對(duì)BPSK,QPSK和8PSK的識(shí)別率達(dá)到100%;當(dāng)信噪比高于4 dB時(shí),本文算法對(duì)調(diào)相調(diào)制信號(hào)BPSK,QPSK,8PSK,16QAM,32QAM和64QAM的識(shí)別率達(dá)到100%．

為了說明本文方法在低信噪比條件下的有效性,選取如下4種相關(guān)調(diào)制模式識(shí)別算法進(jìn)行對(duì)比:① 以K均值聚類算法作為分類器的調(diào)制識(shí)別算法[7]; ② 基于高階累積量和支持向量機(jī)的調(diào)制識(shí)別算法[8]; ③ 基于4階累積量正交譜密度和決策分類樹的調(diào)制識(shí)別算法[9]; ④ 基于高階統(tǒng)計(jì)量和遺傳算法的K近鄰分類算法[10]．這些算法所選用的信道模型均為AWGN信道．對(duì)于6種調(diào)制信號(hào),本文算法與上述4種算法達(dá)到100%識(shí)別率時(shí)所需的最低SNR對(duì)比如圖5所示．由圖可知,本文算法在較低信噪比條件下就能實(shí)現(xiàn)對(duì)6種調(diào)制模式的100%識(shí)別率,尤其對(duì)于MQAM子類調(diào)制模式的識(shí)別率優(yōu)勢(shì)更為明顯．

圖5 不同算法達(dá)到100%識(shí)別率所需的最低SNR對(duì)比

6 結(jié)論

1) 本文提出了一種IEGSA優(yōu)化的RBFNN調(diào)制識(shí)別算法.以信號(hào)的經(jīng)典統(tǒng)計(jì)量和高階統(tǒng)計(jì)量作為樣本特征，基于IEGSA優(yōu)化了RBF神經(jīng)網(wǎng)絡(luò)的分類和泛化能力.該算法對(duì)高斯白噪聲不敏感，在較低信噪比和貧先驗(yàn)知識(shí)條件下仍具有較高的識(shí)別準(zhǔn)確率.

2) 采用基于信息熵優(yōu)化的GSA算法對(duì)基函數(shù)中心進(jìn)行選擇，引入粒子群的信息熵來調(diào)節(jié)算法執(zhí)行過程中探索與開采的關(guān)系，進(jìn)一步提高了RBF神經(jīng)網(wǎng)絡(luò)的分類和泛化能力.

3) 將IEGSA優(yōu)化的RBFNN調(diào)制識(shí)別算法應(yīng)用于調(diào)制模式自動(dòng)識(shí)別中，可有效提高較低信噪比條件下的識(shí)別準(zhǔn)確率，滿足星載SDCA對(duì)物理層調(diào)制模式的識(shí)別需要，適合星上實(shí)際應(yīng)用.

References)

[1]Dobre O A, Abdi A, Bar-Ness Y, et al. Survey of automatic modulation classification techniques: Classical approaches and new trends[J].IETCommunications, 2007, 1(2):137-156. DOI:10.1049/iet-com:20050176.

[2]國(guó)北辰.自適應(yīng)衛(wèi)星通信調(diào)制方式?jīng)Q策與識(shí)別技術(shù)研究[D].哈爾濱:哈爾濱工業(yè)大學(xué)電子與信息工程學(xué)院,2013.

[3]李劍, 江成順, 侯毅剛. 基于優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的集成算法及其在調(diào)制識(shí)別中的應(yīng)用[J]. 信息工程大學(xué)學(xué)報(bào), 2010, 11(4):448-451. DOI:10.3969/j.issn.1671-0673.2010.04.015. Li Jian, Jiang Chengshun, Hou Yigang. Application of improved RBF neural network ensemble algorithm to modulation recognition[J].JournalofInformationEngineeringUniversity, 2010, 11(4):448-451. DOI:10.3969/j.issn.1671-0673.2010.04.015. (in Chinese)

[4]Rashedi E, Nezamabadi-Pour H, Saryazdi S. GSA: A gravitational search algorithm[J].InformationSciences, 2009, 179(13):2232-2248. DOI:10.1016/j.ins.2009.03.004.

[5]Sobolewski S, Adams W L, Sankar R. Universal nonhierarchical automatic modulation recognition techniques for distinguishing bandpass modulated waveforms based on signal statistics, cumulant, cyclostationary, multifractal and fourier-wavelet transforms features[C]//IEEEMilitaryCommunicationsConference. Baltimore, MD, USA, 2014:748-753. DOI:10.1109/milcom.2014.130.

[6]李晏.基帶PSK、QAM信號(hào)調(diào)制子類自動(dòng)識(shí)別研究[D].成都:電子科技大學(xué)電子工程學(xué)院,2008.

[7]Weber C, Felhauer T, Peter M. Automatic modulation classification technique for radio monitoring[J].ElectronicsLetters, 2015, 51(10):794-796. DOI:10.1049/el.2015.0610.

[8]Tsakmalis A, Chatzinotas S, Ottersten B. Automatic modulation classification for adaptive power control in cognitive satellite communications[C]//2014 7thAdvancedSatelliteMultimediaSystemsConferenceandthe13thSignalProcessingforSpaceCommunicationsWorkshop(ASMS/SPSC). Livorno, Italy, 2014:234-240.

[9]Li C, Xiao J, Xu Q. A novel modulation classification for PSK and QAM signals in wireless communication[C]//IETInternationalConferenceonCommunicationTechnologyandApplication(ICCTA2011). Beijing, China, 2011:89-92.

[10]Aslam M W, Zhu Z, Nandi A K. Automatic digital modulation classification using genetic programming with K-nearest neighbor[C]//2010MILCOMMilitaryCommunicationsConference. San Jose, CA, USA, 2010:1731-1736. DOI:10.1109/milcom.2010.5680232.

Modulation classification algorithm for software-designed communication adapter

Feng Jing1Xiong Xinli2Jiang Lei1

(1Institute of Meteorology and Oceanography,PLA University of Science and Technology, Nanjing 211101, China)(2Institute of Command Information System,PLA University of Science and Technology, Nanjing 210007, China)

To overcome the low recognition rate of the SDCA (software-designed communication adapter) on the satellite for the physic layer modulation during heterogeneous satellite dynamic networking, a novel AMC (automatic modulation classification) algorithm is proposed for low SNR(signal noise ratio) and poor previous knowledge scenario. In this algorithm, the AWGN (additive white Gaussian noise) is used as the channel model. The high-order cumulants and the classical statistics are selected as the features. The classification and generalization capability of the algorithm is enhanced by the IEGSA (information entropy improved gravitational search algorithm) to optimize the basis function center of the RBFNN (radical basis function neural network), using the information entropy of agents to balance exploration and exploitation in iteration. Then, the recognition effects of the proposed algorithm on six kinds of satellite phase modulation signals are evaluated by simulation. The experimental results show that without previous knowledge of

signals, the recognition rate of the proposed algorithm can achieve 100% when SNR is above 4 dB, proving the effectiveness of the algorithm under the condition with low SNR and poor priori knowledge. This algorithm can meet the requirements of the SDCA to the classify modulation mode.

heterogeneous satellite network; software-designed communication adapter; automatic modulation classification; high-order cumulants; information entropy

10.3969/j.issn.1001-0505.2017.03.007

2016-10-12. 作者簡(jiǎn)介: 馮徑(1963—)，女，博士，教授，博士生導(dǎo)師，fengjing863@gmail.com.

國(guó)家自然科學(xué)基金資助項(xiàng)目(61371119)．

馮徑,熊鑫立,蔣磊.軟件通信適配器的調(diào)制模式識(shí)別算法[J].東南大學(xué)學(xué)報(bào)(自然科學(xué)版),2017,47(3):456-460.

10.3969/j.issn.1001-0505.2017.03.007.

TP393

A

1001-0505(2017)03-0456-05