一种鲁棒通信信号调制识别方法

摘要

一种鲁棒通信信号调制识别方法，涉及通信信号调制识别方法。本发明为了解决传统AMR算法需要训练多个识别器以保证在较大信噪比范围内的有效性的问题，即在训练阶段需要针对不同信噪比环境分别训练识别器而导致的工作量巨大的问题。本发明对通信信号样本s(t)进行魏格纳(Wigner-Ville)变换得到s(t)的WVD分布后，提取二阶立体自相关特征，建立二阶立体自相关特征集，然后对二阶立体自相关特征进行遴选形成鲁棒特征集，之后训练建立一类支持向量机组并计算一类支持向量机组的输出函数Yi(x)；计算待识别通信信号样本sx(t)属于通信信号样本s(t)中包含的各种调制方式的概率选取概率最大的调制类别做为最终的调制识别结果。本发明适用于通信信号的调制识别。

说明书

技术领域

本发明涉及通信信号调制识别方法。

背景技术

随着软件无线电和认知无线电技术领域的发展，基于特征提取和模式识别的多体制 通信信号自动调制识别方法(Automation Modulation Recognition，AMR)研究取得了很 多进展和成果，但目前仍不能满足通信信号调制识别实际应用的需求，仍存在很多挑战。 尤其是AMR的推广能力不佳一直是阻碍其实际应用的重要瓶颈。为解决AMR方法推广 能力差、需要实时信噪比估计的问题，本项目从特征遴选和分类器设计两方面入手研究具 有推广能力的多体制通信信号调制识别机理和方法，使AMR方法具有推广能力强、识别 率高、计算复杂度低易于实时识别的特性。

通信信号自动调制模式识别是软件无线电与认知无线电领域的核心科学问题，10多 年来一直受到广泛的关注，基于人工智能与机器学习的特征提取和分类器AMR方法成为 近几年的研究重点课题，取得了大量的研究成果[5-10]。然而，通信信号的自动调制识别具 有其特殊性，接收信号的信噪比变化范围大，变化迅速。具有推广能力的通信信号AMR 方法可以很好的适应这种复杂的信噪比环境，但具有推广能力的AMR研究机理问题至今 仍未解决。

在软件无线电和认知无线电领域应用中，高斯白噪声是影响通信信号调制自动识别 算法性能的一个重要因素。与其它模式识别问题相比，通信信号AMR中的推广能力具有 一定的特殊性。由于通信信号受噪声的影响非常明显，尤其是在信噪比变化剧烈的情况下， 由不同信噪比造成的样本差异远大于同一信噪比条件下样本的个体差异。因此通信信号 AMR的推广能力主要是指AMR对于输入信号的信噪比变化的适应能力，及在不同信噪 比下样本的泛化识别能力。传统AMR算法为了保证多个信噪比条件下具有很好的识别准 确率，需要训练多个识别器，即在各个信噪比下分别训练分类器。在训练阶段要针对各个 信噪比环境分别进行训练，工作量极大。

发明内容

本发明为了解决传统AMR算法需要训练多个识别器以保证在较大信噪比范围内的 有效性的问题，即在训练阶段需要针对不同信噪比环境分别训练识别器而导致的工作量巨 大的问题。进而提出了一种在较大信噪比范围内都适用于的鲁棒通信信号调制识别方法。

一种鲁棒通信信号调制识别方法包括以下步骤：

步骤一：获取通信信号样本s(t)，对通信信号样本s(t)进行魏格纳(Wigner-Ville)变 换，得到通信信号样本s(t)的时-频-能量三维分布，即WVD分布；

通信信号样本s(t)的WVD定义如下：

${\mathrm{WVD}}_z(t,\omega )={\int }_{-\infty }^{\infty }z(t+\frac{\tau }{2})z^{*}(t-\frac{\tau }{2})e^{-\mathrm{j\omega \tau }}\mathrm{d\tau }---\left(1\right)$

其中，τ表示滞后时间，t表示时间，ω表示角频率，j为虚部基本单位；

z(t)为s(t)的解析信号，定义为：

z(t)＝s(t)+jH[s(t)]      (2) 而H[s(t)]表示s(t)的Hilbert变换，z^*(t)表示函数z(t)的共轭函数；

步骤二：根据通信信号样本s(t)的WVD分布，提取二阶立体自相关特征，建立二阶 立体自相关特征集；

步骤三：在信噪比SNR为[6dB，20dB]的范围内，在二阶立体自相关特征集中对二阶 立体自相关特征进行遴选，获得10维具有噪声鲁棒性的通信信号样本s(t)特征，形成鲁棒 特征集：

采用遗传算法按着公式(3)对251维二阶立体自相关特征进行遴选，选取NMSE最 小的10维特征

$\mathrm{NMSE}=10{\log }_{10}\left(\frac{1}{N}\underset{n=1}{\overset{N}{\Sigma }}\frac{{\left|\right|f\left(n\right)-\bar{f}\left(n\right)\left|\right|}^2}{{\left|\right|f\left(n\right)\left|\right|}^2}\right)---\left(3\right)$

其中，NMSE为相对均方误差，f(n)表示信噪比为n时的特征值，表示不同信噪比下 特征值的平均值；

根据遗传算法的优化结果选取噪声鲁棒性最好的10维二阶立体自相关特征组成鲁棒 特征集，对通信信号样本s(t)进行表示；

步骤四：应用步骤三所述鲁棒特征集表示的通信信号样本s(t)训练建立一类支持向量 机组；对每一类调制方式的通信信号样本s(t)训练一个一类支持向量机；

步骤五：将待识别通信信号样本s_x(t)输入步骤四建立的一类支持向量机组，计算一类 支持向量机组的输出函数Y_i(x)，i＝1，…，I；

其中，Y_i表示第i个一类支持向量机的输出结果，I为通信信号样本s(t)中调制方式种 类数；

步骤六：计算待识别通信信号样本sx(t)属于通信信号样本s(t)中包含的各种调制 方式的概率

$p\left(s_x\left(t\right)\right|i)P\left(i\right)=\frac{Y_i\left[s_x\left(t\right)\right]}{\underset{i=1}{\overset{I}{\Sigma }}\int Y_i\left[s_x\left(t\right)\right]\mathrm{dt}}---\left(4\right)$

选取概率最大的调制类别为最终的调制识别结果。

本发明基于噪声鲁棒性的特征遴选与重构方法机制，对原始特征集进行遴选及重组， 在获得噪声鲁棒性优化的同时降低了特征集的维数，降低了分类过程的计算复杂度，工作 量减少50％以上；基于噪声鲁棒性的优化增大了系统中分类器所覆盖的信噪比区间，可 使用较少的识别器完成对较大信噪比范围内的通信信号调制识别，并且在识别过程中不需 要进行信噪比估计，提高了系统的实时性。

附图说明

图1为鲁棒通信信号调制识别方法流程图。

具体实施方式

具体实施方式一：结合图1说明本实施方式，一种鲁棒通信信号调制识别方法，包括 以下步骤：

步骤一：获取通信信号样本s(t)，对通信信号样本s(t)进行魏格纳(Wigner-Ville)变 换，得到通信信号样本s(t)的时-频-能量三维分布，即WVD分布；

通信信号样本s(t)的WVD定义如下：

${\mathrm{WVD}}_z(t,\omega )={\int }_{-\infty }^{\infty }z(t+\frac{\tau }{2})z^{*}(t-\frac{\tau }{2})e^{-\mathrm{j\omega \tau }}\mathrm{d\tau }---\left(1\right)$

其中，τ表示滞后时间，t表示时间，ω表示角频率，j为虚部基本单位；

z(t)为s(t)的解析信号，定义为：

z(t)＝s(t)+jH[s(t)]      (2) 而H[s(t)]表示s(t)的Hilbert变换，z^*(t)表示函数z(t)的共轭函数；

步骤二：根据通信信号样本s(t)的WVD分布，提取二阶立体自相关特征，建立二阶 立体自相关特征集；

步骤三：在信噪比SNR为[6dB，20dB]的范围内，在二阶立体自相关特征集中对二阶 立体自相关特征进行遴选，获得10维具有噪声鲁棒性的通信信号样本s(t)特征，形成鲁棒 特征集：

采用遗传算法按着公式(3)对251维二阶立体自相关特征进行遴选，选取NMSE最 小的10维特征

$\mathrm{NMSE}=10{\log }_{10}\left(\frac{1}{N}\underset{n=1}{\overset{N}{\Sigma }}\frac{{\left|\right|f\left(n\right)-\bar{f}\left(n\right)\left|\right|}^2}{{\left|\right|f\left(n\right)\left|\right|}^2}\right)---\left(3\right)$

其中，NMSE为相对均方误差，f(n)表示信噪比为n时的特征值，表示不同信噪比下 特征值的平均值；

根据遗传算法的优化结果选取噪声鲁棒性最好的10维二阶立体自相关特征组成鲁棒 特征集，对通信信号样本s(t)进行表示；

步骤四：应用步骤三所述鲁棒特征集表示的通信信号样本s(t)训练建立一类支持向量 机组；对每一类调制方式的通信信号样本s(t)训练一个一类支持向量机；

步骤五：将待识别通信信号样本s_x(t)输入步骤四建立的一类支持向量机组，计算一类 支持向量机组的输出函数Y_i(x)，i＝1，…，I；

其中，Y_i表示第i个一类支持向量机的输出结果，I为通信信号样本s(t)中调制方式种 类数；

步骤六：计算待识别通信信号样本sx(t)属于通信信号样本s(t)中包含的各种调制 方式的概率

$p\left(s_x\left(t\right)\right|i)P\left(i\right)=\frac{Y_i\left[s_x\left(t\right)\right]}{\underset{i=1}{\overset{I}{\Sigma }}\int Y_i\left[s_x\left(t\right)\right]\mathrm{dt}}---\left(4\right)$

选取概率最大的调制类别为最终的调制识别结果。

具体实施方式二：本实施方式所述的步骤二具体步骤为：

根据通信信号样本s(t)的WVD分布，在时间-频率-能量三维空间(t，l，e)中定义二 值函数

$F\left(r\right)=\left(\begin{array}{c}1,e={\mathrm{WVD}}_z(t,\omega )\\ 0,e\ne {\mathrm{WVD}}_z(t,\omega )\end{array}\right)---\left(5\right)$

其中，参考点r＝(t,l,e)^T，t、l、e分别表示WVD分布的时间、频率、能量；

三维空间的二阶立体自相关函数为

$R({\alpha }_1,{\alpha }_2)={\int }_{D_s}F\left(r\right)F(r+{\alpha }_1)+F(r+{\alpha }_2)\mathrm{dr}---\left(6\right)$

其中，α₁，α₂分别表示相对参考点r的不同的位移向量，D_s表示积分区域；

由于自相关函数的阶数N≤2，因此在WVD空间中，α₁、α₂在以参考点r为中心且与参 考点r相邻点组成的立方体内，通信信号样本s(t)三维空间的二阶立体自相关函数为

$R({\alpha }_1,{\alpha }_2)=\underset{t,l,e}{\Sigma }F(t,l,e)F(t+{\alpha }_{1t},l+{\alpha }_{1l},e+{\alpha }_{1e})+F(t+{\alpha }_{2t},l+{\alpha }_{2l},e+{\alpha }_{2e})---\left(7\right)$

式中，α_1t,α_1l,α_1e为位移α₁分别在t、l、e方向的分量；α_2t,α_2l,α_2e为位移α₂分别在t、l、e 方向的分量；

对于二值函数，自相关函数等价为计算满足逻辑条件点的参考点的数目，即

F(r)∧F(r+a₁)∧F(r+a₂)＝1      (8)

其中，α₁、α₂在以r为中心的立方体中的位置分布有729(272)种，去除随参考点r位置 移动出现的重复分布，得到α₁、α₂相对于r的251种不相关分布情况；所述α₁、α₂在以 参考点r为中心的立方体中的251种分布情况即为251维二阶立体自相关特征；

参考点遍历三维空间中F(r)＝1的点，统计各维特征出现次数为对应特征值，从而形成 251维的二阶立体自相关特征集。

其它步骤和参数与具体实施方式一相同。