王龍龍，李 佩，陶麗偉，魯興波，馬瑞謙

（中國人民解放軍陸軍工程大學(xué) 通信工程學(xué)院，江蘇 南京 210007）

0 引 言

在非協(xié)同通信中，如何高效準(zhǔn)確地識別發(fā)送端所發(fā)送信號的調(diào)制方式對后續(xù)信號的解調(diào)和處理至關(guān)重要。目前自動調(diào)制識別方法主要分為兩類：判決理論方法和模式識別方法。

判決理論方法是對碼元同步采樣序列進行處理，數(shù)學(xué)表達式極為復(fù)雜且處理的信號噪聲必須服從高斯分布，而實際環(huán)境中噪聲并不服從高斯分布并且存在多徑、信號干擾等問題，導(dǎo)致使用判決理論方法時，調(diào)制信號的識別率急速下降，難以在工程中應(yīng)用。

模式識別方法首先需要提取調(diào)制信號的特征參數(shù)，然后設(shè)計分類器進行分類。常用特征參數(shù)的選取主要包括星座圖特征和時域特征等。文獻[1]通過減法類聚算法重構(gòu)調(diào)制信號的星座圖實現(xiàn)低階MQAM識別。文獻[2]采用差分星座圖識別不同階數(shù)的正交幅度調(diào)制信號，但星座圖特征在信噪比不高的情況下很難判斷調(diào)制信號的階數(shù)。文獻[3]在高階累積量和分層多項式分類器基礎(chǔ)上識別出MQAM、MPSK和MASK信號。文獻[4]聯(lián)合幅度變換矩和線性相位對QPSK、DQPSK、BPSK、64QAM進行分類識別。

以上文獻對調(diào)制識別算法的研究只停留在軟件仿真模擬上，并不能很好地研究算法在實際環(huán)境中的可行性，故本文選擇將調(diào)制信號識別算法與USRP軟件無線電平臺結(jié)合，搭建調(diào)制信號識別系統(tǒng)，以驗證調(diào)制識別算法的可行性并進行性能分析。測試結(jié)果表明，時域特征在低信噪比環(huán)境下，實際參數(shù)與理論參數(shù)存在較大偏差，當(dāng)基于決策樹理論進行信號識別時，識別效果不理想。故在特征提取的基礎(chǔ)上引入BP神經(jīng)網(wǎng)絡(luò)算法，對調(diào)制信號的5種特征參數(shù)進行訓(xùn)練并識別調(diào)制信號，較大提升了調(diào)制信號的識別率。

1 基于USRP的調(diào)制信號識別系統(tǒng)設(shè)計

1.1 系統(tǒng)設(shè)計

系統(tǒng)流程如圖1所示。首先生成隨機二進制序列，然后生成相應(yīng)的調(diào)制信號[5]，經(jīng)USRP上變頻、數(shù)模轉(zhuǎn)換處理后通過TX1通道發(fā)射，經(jīng)RX2接收及USRP模數(shù)轉(zhuǎn)換、下變頻處理后，LabVIEW對接收到的調(diào)制信號進行瞬時特征提取并計算特征參數(shù)，最后通過決策樹判決識別出調(diào)制信號。

圖1 系統(tǒng)流程

1.2 調(diào)制信號的生成

2ASK信號的產(chǎn)生如圖2所示。Random Number.vi產(chǎn)生100個隨機比特，ASK System Parameters.vi輸入?yún)?shù)為每個符號的采樣數(shù)和ASK的調(diào)制階數(shù)，其中符號采樣數(shù)為32，M=2。將各種調(diào)制參數(shù)打包成簇輸出，簇中包括符號采樣數(shù)等。Filter Coefficients.vi輸入?yún)?shù)為脈沖成型濾波器、調(diào)制類型和脈沖成型濾波器每個符號的采樣數(shù)。選擇調(diào)制類型為ASK（5），脈沖成型濾波器選擇none（0），脈沖成型濾波器每個符號的采樣數(shù)為32。Modulate ASK.vi模塊輸入?yún)?shù)為比特序列、系統(tǒng)參數(shù)和符號速率等，返回復(fù)基帶信號（IQ數(shù)據(jù)），最后通過Upconvert Baseband.vi將基帶信號上變頻到帶通信號。

圖2 2ASK信號的產(chǎn)生

1.3 調(diào)制信號的發(fā)送

發(fā)送模塊后面板如圖3所示。通過LabVIEW調(diào)用NIUSRP函數(shù)庫將調(diào)制信號通過USRP發(fā)射出去，射頻發(fā)送端主 要 用 到 Open Tx Session.vi、Configure Signal.vi、Write Tx Data （poly）.vi和Close Session.vi。

圖3 發(fā)送模塊后面板

發(fā)送模塊前面板如圖4所示。調(diào)制信號符號速率為100 Hz，載 頻 為 200 Hz，USRP設(shè) 置 IQ rate為 500 kHz，carrier frequency為900 MHz，gain為15 dB，選擇TX1通道發(fā)射，通過下拉框架選擇發(fā)送的調(diào)制信號。

圖4 發(fā)送模塊前面板

1.4 調(diào)制信號的接收

信號接收模塊后面板如圖5所示。調(diào)制信號的接收通過LabVIEW調(diào)用NI-USRP的函數(shù)庫。主要用到的USRP函數(shù)庫包括 Open Rx Session.vi、Initiate.vi、Fetch Rx Data（poly）.vi、Abort.vi和Close Session.vi。信號接收模塊前面板如圖6所示，USRP的 IQ rate、carrier frequency設(shè)置與發(fā)送端一致。

圖5 接收模塊后面板

圖6 接收模塊前面板

2 調(diào)制信號識別

通過feature extraction.vi提取瞬時幅度、瞬時相位和瞬時頻率[6]，然后分別計算瞬時幅度之譜密度的最大值γmax、歸一化中心瞬時頻率絕對值的標(biāo)準(zhǔn)差σaf、瞬時相位非線性分量絕對值的標(biāo)準(zhǔn)差σap、瞬時相位非線性分量的標(biāo)準(zhǔn)差σdp、零中心歸一化瞬時幅度絕對值的標(biāo)準(zhǔn)差σaa。

2.1 零中心歸一化瞬時幅度之譜密度γmax

γmax是對信號瞬時幅值變化的表征，主要識別幅度有變化與幅度恒定不變的調(diào)制方式。此外，通過設(shè)置合理的閾值，還可以區(qū)分無包絡(luò)起伏的FSK和包絡(luò)微弱起伏的PSK信號，6種調(diào)制信號的γmax如圖7所示。MASK、MPSK的γmax大于MFSK的γmax，閾值設(shè)置見表1所列，大部分情況下通過設(shè)置閾值0.9即可區(qū)分MASK、MFSK、MPSK信號。

圖7 MASK、MFSK、MPSK信號的γmax

表1 MASK、MFSK、MPSK信號的γmax

2.2 零中心歸一化非弱信號段瞬時頻率絕對值的標(biāo)準(zhǔn)差σaf

σaf表征信號的絕對頻率，用來區(qū)分2FSK與4FSK，如圖8所示，4FSK的σaf大于2FSK，通過設(shè)置閾值1即可區(qū)分兩者，但區(qū)分效果一般。

圖8 2FSK、4FSK的σaf

2.3 零中心非弱信號段瞬時相位非線性分量絕對值的標(biāo)準(zhǔn)偏差σap

σap表征了信號瞬時絕對相位的變化情況，可以用來區(qū)分含有絕對相位信息的信號（如QPSK）和不含絕對相位信息的信號（如BPSK、MASK）。如圖9所示，QPSK的σap大于MASK和BPSK的σap，閾值設(shè)置見表2所列，大部分情況下可以通過設(shè)置閾值150來區(qū)分QPSK、BPSK、MASK。

圖9 MPSK、MASK的σap

表2 MPSK、MASK的σap

2.4 零中心非弱信號段瞬時相位非線性分量的標(biāo)準(zhǔn)差σdp

σdp表征了信號直接相位的信息，用以區(qū)分含有直接相位信息的信號（如BPSK）和不含直接相位信號的信號（如MASK）。如圖10所示，BPSK的σdp大于 MASK的σdp，但結(jié)果表明區(qū)分效果并不理想，通過設(shè)置閾值2來區(qū)分BPSK和MASK。

圖10 BPSK、MASK的σdp

2.5 零中心歸一化瞬時幅度絕對值的標(biāo)準(zhǔn)偏差σaa

σaa是對調(diào)制信號絕對幅值的表征，可以用來區(qū)分像2ASK這種不具備歸一化的絕對幅度的調(diào)制方式和MASK（M≥4）具有歸一化的絕對幅度的調(diào)制方式。如圖11所示，4ASK的σaa大于2ASK的σaa，大部分情況下設(shè)置閾值0.25即可實現(xiàn)區(qū)分。

圖11 2ASK、4ASK的σaa

如圖12所示，調(diào)制信號識別程序提取調(diào)制信號的瞬時特征值并計算5種特征參數(shù)。

圖12 調(diào)制信號識別后面板

提取調(diào)制信號的特征參數(shù)后，根據(jù)決策樹理論進行判決，判決流程如圖13所示，t(*)代表閾值。調(diào)制信號識別前面板如圖14所示，經(jīng)過決策樹判決后，計算調(diào)制信號的識別率，并在程序前面板顯示識別出的調(diào)制信號類型和信號識別率。

圖13 決策樹[7]

圖14 調(diào)制信號識別前面板

通過實測發(fā)現(xiàn)，在環(huán)境低信噪比情況下，基于決策樹理論的信號識別方法效果不理想。σaf、σdp的區(qū)分效果不佳，根據(jù)決策樹理論，σaf區(qū)分效果影響了2FSK、4FSK的識別，σdp的區(qū)分結(jié)果直接影響B(tài)PSK、2ASK、4ASK的識別。調(diào)制信號識別率見表3所列，2ASK、BPSK的區(qū)分效果并不理想，4ASK、MFSK的識別率也并未達到90%。為提高信號識別率，引入BP神經(jīng)網(wǎng)絡(luò)算法對幾種特征參數(shù)進行訓(xùn)練并識別調(diào)制信號。

表3 信號識別率 %

3 采用BP神經(jīng)網(wǎng)絡(luò)的調(diào)制信號識別系統(tǒng)

3.1 BP神經(jīng)算法介紹

BP神經(jīng)網(wǎng)絡(luò)的計算過程由正向傳播過程和反向傳播過程組成。正向傳播過程中，輸入層輸入5種特征參數(shù)，然后將其傳輸?shù)诫[藏層，隱藏層處理數(shù)據(jù)后將其傳輸?shù)捷敵鰧?。如果輸出的結(jié)果與期望值誤差不能滿足設(shè)定的最大誤差，則轉(zhuǎn)入反向傳播，將誤差信號沿原來的連接通路返回，通過修改各神經(jīng)網(wǎng)絡(luò)的權(quán)值，最小化誤差信號[8]直到滿足期望值時，輸出識別的調(diào)制信號。

3.2 信號識別的實現(xiàn)

因為LabVIEW并未內(nèi)置神經(jīng)網(wǎng)絡(luò)模塊，所以本文通過LabVIEW中MATLAB腳本調(diào)用MATLAB神經(jīng)網(wǎng)絡(luò)庫函數(shù)[9]對信號進行識別。BP神經(jīng)網(wǎng)絡(luò)算法如圖15所示，輸入層為5種特征參數(shù)，輸出層為6種識別信號，學(xué)習(xí)效率為0.1，訓(xùn)練次數(shù)為5 000次，最大誤差為10-4。

圖15 BP神經(jīng)網(wǎng)絡(luò)算法

3.3 結(jié)果分析

BP算法識別率見表4所列。

表4 BP算法識別率 %

從表4可以看出，6種信號的識別率超過92%，與表3相比，識別率得到大幅提升（尤其受σaf、σdp影響的MFSK、MASK和BPSK信號的識別），驗證了BP神經(jīng)網(wǎng)絡(luò)算法在調(diào)制信號識別應(yīng)用中的可行性。

4 結(jié) 語

本文在USRP硬件平臺上實現(xiàn)了基于調(diào)制信號特征參數(shù)提取的信號識別算法，建立決策樹結(jié)構(gòu)對信號進行分類。結(jié)果表明，該算法在環(huán)境低信噪比情況下信號識別率并不高，因此，本文進一步引入BP神經(jīng)網(wǎng)絡(luò)算法，對5種參數(shù)進行訓(xùn)練，然后識別出調(diào)制信號的調(diào)制方式。結(jié)果表明，應(yīng)用神經(jīng)網(wǎng)絡(luò)進行調(diào)制信號識別達到了較為理想的識別率。