白 釗

（上海光古電子有限公司，上海 201612）

0 引言

短波數(shù)字信號調(diào)制識別在短波頻譜監(jiān)測等工作中具有重要作用，它不僅能為后續(xù)的信號處理工作提供基礎(chǔ)，而且還能從調(diào)制的層面對信號進(jìn)行歸類，支撐大數(shù)據(jù)應(yīng)用和發(fā)射源識別?，F(xiàn)有研究調(diào)制識別方法一般分為最大似然法和模式識別法，一些文章比較詳盡地歸納了不同的調(diào)制分類算法。其中，基于信號瞬時統(tǒng)計參數(shù)和功率譜特征的識別方法具備受信號調(diào)制參數(shù)變化影響小、對調(diào)制先驗(yàn)信息的依賴少等優(yōu)點(diǎn)，因此使用范圍較廣。對調(diào)制分類器來說，傳統(tǒng)的決策樹分類器存在自適應(yīng)能力不足、擬合能力不夠強(qiáng)等弱點(diǎn)，而近年來新興的基于神經(jīng)網(wǎng)絡(luò)的分類器具有較強(qiáng)的自學(xué)習(xí)能力和容錯性，在很大程度上彌補(bǔ)了判決樹分類器自適應(yīng)能力不足的缺點(diǎn)，而且神經(jīng)網(wǎng)絡(luò)集成還可以降低識別的錯誤率、提高識別系統(tǒng)的泛化能力。

針對BPSK、QPSK、8PSK和8QAM這4種常規(guī)短波數(shù)字調(diào)制信號，首先該文從瞬時信息中提取1組特征參數(shù)。其次，使用一種基于最優(yōu)權(quán)重的神經(jīng)網(wǎng)絡(luò)集成分類器對其進(jìn)行分類，以完成調(diào)制識別工作。最后，將算法應(yīng)用在真實(shí)數(shù)據(jù)集上，取得了約90%的調(diào)制類型識別正確率，驗(yàn)證了該算法的有效性和可靠性。

1 特征參數(shù)提取

在調(diào)制識別算法中，先要獲取特征，再對特征進(jìn)行分類，因此特征參數(shù)的選擇和提取對識別效果有較大的影響。一般要求特征之間相互獨(dú)立，能夠反映調(diào)制類型的本質(zhì)差異，具有穩(wěn)定性并具備一定抗干擾能力，根據(jù)分類器不同和實(shí)際工作經(jīng)驗(yàn)，選擇3~5種特征參數(shù)為宜。在該算法中，選擇信號帶寬、離散譜線分量、功率譜形狀（梳狀譜特征）和參數(shù)這4種特征進(jìn)行參數(shù)提取。

1.1 預(yù)處理

實(shí)際短波通信基本都是突發(fā)模式，通聯(lián)過程中并不是時刻都有信號存在。在進(jìn)行特征參數(shù)提取前，要先檢測信號是否存在，僅提取真正有信號的部分而非噪聲。為此，在特征參數(shù)提取之前有預(yù)處理過程，以完成信號檢測工作。

過程包括將信號樣本分割為固定長度片段，再根據(jù)頻域能量集中度進(jìn)行篩選，去除不包括效信號的噪聲部分。將采集的樣本數(shù)據(jù)分割成長度為106.67 ms的數(shù)據(jù)段，前后數(shù)據(jù)段有50%的重疊。

引入頻域能量集中度的概念。頻域能量集中度指一個數(shù)據(jù)段的信號在頻率上的平均功率除以功率最強(qiáng)的一個頻率點(diǎn)上的功率，如公式（1）所示。

式中：（）為第個采樣點(diǎn)的幅值；（）為個采樣點(diǎn)中幅值最大值（絕對值最大）；為幀內(nèi)采樣點(diǎn)個數(shù)。

對提取的各個信號數(shù)據(jù)段來說，先計算其頻域能量集中度，如果連續(xù)數(shù)個均高于設(shè)定的閾值，則說明其在信號內(nèi)部而非噪聲，再對提取的信號進(jìn)行特征參數(shù)提取。

1.2 信號帶寬估計

由于不同的數(shù)字調(diào)制信號的調(diào)制類型、調(diào)制速率以及滾降濾波等參數(shù)不同，因此其具有不同的帶寬，帶寬是用于識別數(shù)字調(diào)制信號調(diào)制類別的重要特征。因?yàn)閹拑?nèi)信號的功率或幅度很大，而帶寬外信號的功率或幅度很小，所以可以根據(jù)信號功率或幅度槽邊沿的變化在頻域估算信號的帶寬。

為減少實(shí)際信道中突發(fā)噪聲等因素對信號帶寬的影響，使用時域分段平滑的方法來計算帶寬。選取合適的分段長度對信號功率譜進(jìn)行平滑，再對平滑后的功率譜搜索極值點(diǎn)，找到功率槽上升、下降邊沿，確定其信號的起始、截止頻率，即可得到信號帶寬。

平滑功率譜如公式（2）、公式（3）所示。

式中：（）為第個采樣點(diǎn)的信號幅度；為該段信號的總長度；為信號樣點(diǎn)位置；（）為（）傅里葉變換的值；（）為（）的共軛。

在公式（2）中，=1，…，/且滿足＜＜、可以整除的條件，得到的P（）即為平滑后的頻譜上第點(diǎn)的功率。

對P（）進(jìn)行差分運(yùn)算，結(jié)果如公式（4）、公式（5）所示。

式中：F為采樣頻率；為帶寬。

1.3 離散譜線分量FE

考察高次方譜，在BPSK經(jīng)過平方變換、QPSK和8QAM經(jīng)過四次方變換以及8PSK經(jīng)過八次方變換后，在對應(yīng)的倍頻位置上存在較強(qiáng)的離散譜線。另外，對不同協(xié)議的信號來說，為方便開展測量載頻、估算多普勒頻移以及信號捕獲等工作，往往會在信號前導(dǎo)位置或頻譜一端設(shè)計1段單載波。例如HFDL等信號，突發(fā)起始位置有固定的單載波。因此，信號的離散譜線特征也對信號調(diào)制類型識別有重要意義。如何有效檢測各階功率譜上的單頻譜線、準(zhǔn)確估算譜線數(shù)目，從而得到信號的離散譜線特征，是識別工作的重要步驟。由于短波信道通常都不是白噪聲信道，因此該文基于色噪聲功率補(bǔ)償?shù)牟罘止β势交―SC）算法提出了色噪聲中的離散譜線分量。

根據(jù)DSC算法，經(jīng)過處理后可以用來搜索離散譜線的信號功率譜，如公式（6）所示。

式中：為數(shù)據(jù)長度，須滿足⊕=+mod；P（）為原始信號功率譜；diff（·）為差分運(yùn)算。

通過搜索P（）在相應(yīng)頻率范圍的局部極值點(diǎn)即可完成單頻檢測。

1.4 功率譜形狀特征

部分信號在通聯(lián)過程中存在明顯的譜線或多個譜峰，即梳狀譜特征。多音并行和單音串行調(diào)制、相位調(diào)制以及頻率調(diào)制等都會形成梳狀譜特征的差異。

公式（6）給出了色噪聲中的功率譜計算公式及單音頻率檢測算法。對存在梳狀譜特征的LINK-11 CLEW信號來說，同樣可利用公式（6）計算并判決是否存在梳狀譜特征。下面，將引入梳狀譜檢測公式。

通過基于分段平均思想的帶寬估計算法可得信號功率幅度譜帶寬為，k處所對應(yīng)的信號幅值為Pn（k），對∈ [-，+]且≠k，其平均幅值為Pn（），為設(shè)定的鄰域?qū)挾取Ｈ绻麧M足Pn（k）/Pn（）＞，則確定該點(diǎn)為次方譜的離散譜線分量FE，為根據(jù)信號幅值比值所設(shè)定的門限值。同時，峰值序列PS的定義如公式（7）所示。

由定義可知，如果信號存在梳狀譜，則峰間距離PS可準(zhǔn)確描述梳狀譜中各譜峰間距離并給出判決。

1.5 R參數(shù)

參數(shù)反映信號包絡(luò)的變化程度， 部分信號包絡(luò)變化較小，部分信號包絡(luò)變化則相對較大，例如多音并行調(diào)制信號的包絡(luò)比單音串行信號更穩(wěn)定，QAM類調(diào)制信號比PSK類調(diào)制更穩(wěn)定，而PSK類調(diào)制的又比FSK類調(diào)制的包絡(luò)更穩(wěn)定。由此可以用參數(shù)表達(dá)這種信號特征，如公式（8）所示。

式中：、分別為信號包絡(luò)平方的均值和方差。

2 基于神經(jīng)網(wǎng)絡(luò)集成的調(diào)制分類器設(shè)計

分類器集成分為級聯(lián)和并聯(lián)2種方式。前一級分類器輸出作為后一級分類器輸入信息的稱為級聯(lián)方式；各分類器獨(dú)立輸入、輸出，各輸出通過適當(dāng)?shù)慕M合方式綜合得到總輸出結(jié)果的稱為并聯(lián)方式。

由于前面描述的信號特征參數(shù)各不相同，是從不同角度對信號進(jìn)行描述的，不具備串行級聯(lián)的條件，而且不同的特征參數(shù)各自對信號調(diào)制也具備一定的分類識別能力，因此該文采用了并聯(lián)分類器級聯(lián)的方式。為使各個分類器具有更好的融合效果，該文采用多分類器加權(quán)平均的組合方式來進(jìn)行信號調(diào)制類型識別，不同特征通過各自的分類器獨(dú)立識別，根據(jù)求解得到的最優(yōu)權(quán)重系數(shù)給出加權(quán)平均輸出，得到最終的分類識別結(jié)果。分類器結(jié)構(gòu)如圖1所示。

在倡導(dǎo)全球經(jīng)濟(jì)一體化的今天，經(jīng)濟(jì)交流的逐漸密切會帶動文化的融合交流，在此形勢下，“異化”翻譯是緩沖文化差異沖突的有效方法之一，這種作用的發(fā)揮也是兩方面的，一方面可以向外國宣傳該國的歷史文化；另一方面也為該國人民群眾對外國的歷史文化、民土風(fēng)情的學(xué)習(xí)了解提供一個平臺，從而促進(jìn)文化交流融合的局面的維護(hù)。

圖1 基于神經(jīng)網(wǎng)絡(luò)集成的分類器結(jié)構(gòu)

要使集成分類器能達(dá)到最優(yōu)，就需要各分類器的錯誤是不相關(guān)的。對神經(jīng)網(wǎng)絡(luò)分類器來說，文獻(xiàn)[5]指出，各分類器采用不同特征向量與不同訓(xùn)練集能充分保證各分類器間的差異性，這在該文所提出的條件下完全能夠滿足。

2.1 徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)分類器

在分類器的選擇上，因?yàn)闆Q策樹結(jié)構(gòu)分類器的識別能力無法滿足實(shí)際識別工作的需求，所以該文采用神經(jīng)網(wǎng)絡(luò)作為調(diào)制識別的分類器。

在具體的網(wǎng)絡(luò)類型上，這里選取徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)，它是一種三層前饋網(wǎng)絡(luò)，由輸入層、隱含層和輸出層構(gòu)成，隱含層單元數(shù)決定了該神經(jīng)網(wǎng)絡(luò)可識別區(qū)分的類別數(shù)目。隱含層單元的傳遞函數(shù)為徑向基函數(shù)，采用徑向?qū)ΨQ高斯函數(shù)，如公式（9）所示。

式中：u為第個隱層節(jié)點(diǎn)的輸出；為輸入樣本，=（，，…，x）；C為高斯函數(shù)的中心值；σ為標(biāo)準(zhǔn)化常數(shù)；為隱含節(jié)點(diǎn)的個數(shù)。

徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)具有訓(xùn)練時間短、收斂速度快等優(yōu)點(diǎn)，并且沒有陷入多個局部極值點(diǎn)的缺陷。被集成的各成員分類器輸入層神經(jīng)元數(shù)目由特征參數(shù)數(shù)量決定，隱含層神經(jīng)元數(shù)量為5，對應(yīng)待識別調(diào)制方式數(shù)量（包括“未知”類別），輸出層神經(jīng)元數(shù)目為5；各分類器均采用模糊C-均值算法確定隱含單元數(shù)目，網(wǎng)絡(luò)權(quán)值訓(xùn)練采用梯度下降法。

2.2 神經(jīng)網(wǎng)絡(luò)集成最優(yōu)權(quán)重

式中：S為某個模式分類器輸出的最小均方誤差，S=（||-||）；S為各個模式分類器輸出的最小均方誤差的均值。

3 試驗(yàn)結(jié)果與分析

試驗(yàn)數(shù)據(jù)來源于從天空接收采集的真實(shí)信號樣本：HFDL 8PSK（8PSK調(diào)制，信噪比約為6 dB~12 dB，有衰落）、HAM PSK220F（BPSK調(diào)制，信噪比約為6 dB~10dB，有衰落）、LINK-11 CLEW（16tone-QPSK調(diào)制，信噪比約為4 dB~8 dB，有衰落）以及MS110B 8QAM（8QAM調(diào)制，信噪比約為4 dB~10 dB，有衰落），實(shí)際的樣本語圖如圖2、圖3所示（橫坐標(biāo)為時間，s；縱坐標(biāo)為頻率，Hz）。

圖2 HFDL 8PSK語圖

圖3 LINK-11 CLEW語圖

采樣率為9 600 Hz，精度為16位，存儲格式為wav格式。每個信號塊分割長度為106.67 ms，每塊有50%的重疊。在通過預(yù)處理準(zhǔn)確獲取信號突發(fā)部分后，將估算和提取的帶寬、離散譜線分量、功率譜形狀以及參數(shù)等分別作為1組特征向量輸入各神經(jīng)網(wǎng)絡(luò)分類器，經(jīng)過前述算法得到最終的識別分類結(jié)果，見表1。

表1 該文算法識別效果

其總體識別正確率約為90%，結(jié)果表明該文所采用的算法是有效的。具體來講，對BPSK（HAM PSK220F）這類較簡單的調(diào)制規(guī)格以及LINK-11 CLEW（16tone-QPSK）這類調(diào)制特征明顯（與其他信號差異大的規(guī)格）來說，識別效果較好；對8QAM（MS110B 8QAM）這類高效調(diào)制（特別是在包絡(luò)、高次方譜等與8PSK等類似高效調(diào)制難以區(qū)分的情況下）來說，識別效果稍差，這符合以往的識別經(jīng)驗(yàn)，但也達(dá)到了比傳統(tǒng)算法更高的正確率。

4 結(jié)語

該文結(jié)合短波數(shù)字調(diào)制信號特點(diǎn)，通過預(yù)處理機(jī)制消除干擾，實(shí)現(xiàn)有效提取信號的目標(biāo)。該文提出了2個新的頻域特征參數(shù)來構(gòu)造時域、頻域相結(jié)合的特征參數(shù)向量，這些參數(shù)具有良好的抗噪性能和廣泛的適用性。設(shè)計實(shí)現(xiàn)了基于最優(yōu)權(quán)重求解的神經(jīng)網(wǎng)絡(luò)集成方法，實(shí)際測試結(jié)果表明該方法的識別正確率較高。