一種基于瞬時信息的調制識別算法

0數字調制識別方法隨著通信技術的發展，數字信號在許多領域都得到了廣泛應用。如何有效的監視和識別這些信號,從而正確解調出有用的信息,不管是在軍事領域還是在民用領域都具有十分重要的研究意義。1995年至2004年間,NandiA.K.和AzzouzE.E.等發表了一系列文章,提出基于瞬時信息的9個特征參數,用決策論、神經網絡和神經網絡級聯的方法對數字和模擬信號進行了分類識別,形成了調制識別領域較為經典的方法。國內外有很多文章對他們所提出的方法進行了改進,但很多改進方法所要求的信噪比較高或者識別過程比較復雜。本文提出一種新的數字調制識別方法,該方法也是以調制信號的瞬時信息為研究對象,采用了6個特征參數(Ra、σap、σaa、Rp、Rf和σfa)對常用的7種數字信號進行識別。在這6個特征參數中,有3個(σap、σaa和σfa)取自于NandiAK提出的9個特征參數,另外3個是對已有參數的改進和類推。仿真結果表明,調制方式的識別可以在低信噪比條件下進行,與本文所改進的3個新的特征參數Ra、Rp和Rf有關。信號調制識別的步驟一般包括特征提取、分類器設計及分類決策3部分,因此研究的主要內容是提取信號特征和設計分類器。本文運用的調制識別算法包括以下幾個步驟:首先計算信號的瞬時信息,即信號的瞬時幅度、瞬時相位和瞬時頻率,同時設計一種小波濾波器對信號的瞬時信息進行消噪處理;然后利用信號的瞬時信息提取6個特征參數;最后用決策論方法進行調制方式識別。1小波濾波器消噪原理自然界中物理可實現的信號都是實信號,而實信號的頻譜都具有共軛對稱性,即S(f)=S*(-f),也就是說僅從信號頻譜的一半就可以得到信號的全部信息內容。一般用右半個頻譜代表整個實信號,這種表示稱作信號的解析表示,優點就是其帶寬只為實信號的一半。設只保留實信號頻譜的正頻部分的復信號z(t)的頻譜為Ζ(f)={2S(f),f>0S(f),f=00,f<0=S(f)[1+Η(f)](1)Z(f)=?????2S(f),f>0S(f),f=00,f<0=S(f)[1+H(f)](1)求其傅里葉逆變換可得時域表示為z(t)=s(t)+s(t)*h(t)=s(t)+j1π∫+∞-∞s(τ)t-τdτ(2)定義信號s(t)的Hilbert變換為Η[s(t)]=1π∫+∞-∞s(τ)t-τdτ(3)所以z(t)=s(t)+jΗ[s(t)](4)可以證明,s(t)和H[s(t)]是正交的。所以一個實信號頻譜的正頻率分量所對應的時域信號是個復信號,這個復信號稱為原來實信號的解析信號,其實部為原實信號本身,即原信號的同相分量,虛部為原實信號的Hilbert變換,也就是原信號的正交分量。將復信號z(t)用極坐標表示為z(t)=s(t)+jΗ[s(t)]=a(t)ejφ(t)(5)式中,a(t)為信號z(t)的瞬時包絡,可表示為a(t)=√s2(t)+Η2[s(t)](6)φ(t)為信號z(t)的瞬時相位,即φ(t)=arctan{Η[s(t)]s(t)}(7)根據瞬時相位可以求得瞬時頻率f(t)為f(t)=12πdφ(t)dt=12πddt{arctan{Η[s(t)]s(t)}}(8)這樣就得到了實信號的瞬時幅度、瞬時相位和瞬時頻率3個重要的參數,這3個參數是分析信號特征的基礎,也是調制識別中參數特征提取的對象。需要特別注意的是,這里得到的瞬時相位是混疊瞬時相位,需要去混疊之后才能得到真正的瞬時相位。由于在低信噪比環境下,提取出來的這3個瞬時信息具有較大的噪聲干擾信息,無論采用哪種識別方法,識別正確率都不高,且經典的線性消噪方法已經不能滿足低信噪比下調制識別應用的需要,所以,本文設計一種小波濾波器來濾除噪聲,改善消噪效果,提高識別算法在低信噪比下的識別能力。本文的消噪原理與文獻基本相同,只是對信號的分解層數或每層的閾值選擇有所不同,并且首次將小波消噪應用到調制識別的領域中對瞬時信息進行優化。小波變換具有對信號的自適應性,所以運用小波分析進行一維信號自適應消噪處理是小波分析的重要應用之一。一個含噪聲的一維信號的模型可以表示成如下的形式s(i)=f(i)+σ?e(i),i=0,?,n-1(9)式中,f(i)為真實信號;e(i)為噪聲;σ為噪聲對信號的系數;s(i)為含噪聲的信號。在實際的工程中,有用信號通常表現為低頻部分或是一些比較平穩的信號,而噪聲信號則通常表現為高頻的信號,所以消噪過程可按如下方法進行處理:首先對信號進行多層小波分解(如進行3層分解,分解過程如圖1所示,圖中A表示信號的低頻部分,D表示信號的高頻部分),則噪聲部分通常包含在D1,D2,D3中。因而,可以采用門限閾值等形式對小波系數進行處理,然后對信號進行重構即可以達到消噪的目的。對信號s(i)消噪的目的就是要抑制信號中的噪聲部分,從而在s(i)中恢復出真實信號f(i)。鑒于調制識別的應用,可以利用小波分析消噪的原理,設計一種小波濾波器來優化信號的瞬時特征。相對于普通的濾波器而言,如果選擇適當的門限閾值,小波濾波器不僅可以在保持真實信號能量基本不變的情況下濾除很大一部分噪聲,也可以去除毛刺。由于噪聲對信號的瞬時頻率的破壞較大,對瞬時幅度和瞬時相位的破壞較小,所以在本文的小波濾波器設計中,對瞬時幅度、瞬時相位和瞬時頻率的小波濾波器分別采用4層、3層和5層小波分解。圖2表明,在使用了小波濾波器之后,2ASK信號的瞬時幅度得到了明顯的優化。而圖3中,小波濾波器則從2FSK信號幾乎難以辨認的瞬時頻率信息中,提取出了較為清晰的兩種頻率。2fk信號的認定本文要識別的數字調制信號包括以下7種:2ASK、4ASK、16QAM、2PSK、4PSK、2FSK和4FSK(實際上可以認為是8種,但因為4QAM與4PSK信號具有相同的星座圖,可以認為是同一種信號,所以在此認定為7種)。經過對算法復雜度、識別效率等多方面的權衡考慮,采用以下6個特征參數來進行識別。(1)強度系數的確定Ra=u2a/da(10)式中,ua代表信號瞬時幅度的均值,da代表信號瞬時幅度的方差。這個參數是Chan提出的R參數的倒數,采用倒數形式是因為R的數值較小,很小的誤差就有可能引起誤判,通過這種改進,調制識別在低信噪比下的準確率得到了很大的提高。該參數反映了信號包絡的變化情況,用來區分含有幅度信息的信號和不含幅度信息的信號。在本文要識別的7種信號中,2ASK、4ASK和16QAM含有幅度信息,分為一類;而2PSK、4PSK、2FSK和4FSK信號不含幅度信息,分為另一類。(2)sk相位參數σap=√1c(∑An(i)>ai?2ΝL(i))-(1c∑An(i)>ai|?ΝL(i)|)2(11)式中,?NL(i)=φ(i)-φ0為零中心化的瞬時相位的非線性分量,φ0=1ΝΝ∑i=1φ(i)為非線性相位分量的均值,φ(i)為去卷疊后的非線性相位分量。An(i)=A(i)ma?ma=1Ν?Ν∑i=1A(i)式中,A(i)是數字信號的瞬時幅度;N是截取的數字信號的長度。ai為判斷信號是否為非弱信號的判決門限,低于此值時瞬時相位會對噪聲非常敏感,所以要取非弱信號段的值,c為采樣點中非弱信號的個數。這個參數可以用來區分含有絕對相位信息和不含絕對相位信息的信號。2PSK信號的相位只有兩種取值:0和π。零中心化后的絕對值就只有一種取值,不含絕對相位信息,所以用σap可以將2PSK信號從其他3種不含幅度信息的信號中識別出來。(3)acni參數σaa=√1Ν(Ν∑i=1A2cn(i))-(1ΝΝ∑i=1|Acn(i)|)2(12)式中,Acn(i)=An(i)-1。這個參數用來區分含有絕對幅度信息和不含絕對幅度信息的信號。2ASK信號的幅度只有兩種取值,零中心化后的絕對值就只有一種取值,不含絕對幅度信息,所以用參數σaa可以將2ASK信號從4ASK和16QAM信號中識別出來。(4)號時相位的方差Rp=u2p/dp(13)式中,up代表信號瞬時相位的均值;dp代表信號瞬時相位的方差。這個參數是參考Ra類推而得到的。用來區分含有相位信息和不含相位信息的信號。可以將4ASK和16QAM兩種信號區別開來。采用這種改進和類推得到的Rp可以使提出的識別算法適用于信噪比較低時的調制識別。(5)時鐘頻率方差Rf=u2f/df(14)式中,uf代表信號瞬時頻率的均值,df代表信號瞬時頻率的方差。這個參數也是參考Ra類推而得到的。用來區分含有頻率信息和不含頻率信息的信號。可以將4PSK信號從2FSK和4FSK中識別出來。采用這種改進和類推得到的Rf可以使提出的識別算法適用于信噪比較低時的調制識別。(6)信號相干性參數的識別σfa=√1c(∑An(i)>aif2Ν(i))-(1c∑An(i)>ai|fΝ(i)|)2(15)式中,fΝ(i)=fc(i)/rb?fc(i)=f(i)-mf?mf=1Ν?Ν∑i=1xf(i)?f(i)是數字信號的瞬時頻率。這個參數用來區分含有絕對頻率信息和不含絕對頻率信息的信號。2FSK信號的頻率只有兩種取值,零中心化后的絕對值就只有一種取值,不含絕對頻率信息,所以用該參數可以將2FSK和4FSK區別開來。由以上所選的6個特征參數的說明可以知道,這6個特征參數可以對本文選取的7種數字調制信號進行有效的識別,圖4是識別的流程圖。圖4中,t為判決時所選擇的不同門限值。從流程圖中可以看出,本文所提出來的這種識別算法,最少經過兩次判決,最多經過4次判決,就可以最終識別出7種(其實是8種)數字信號的調制類型;而NandiA.K.提出的數字調制識別算法中,經過同樣的判決次數只可以識別出6種調制信號,因此本文提出的算法更加簡單和有效。3不同信噪比下的仿真結果本文算法所采用的仿真參數及條件為:載波頻率fc=150kHz,采樣速率fs=1200kHz,符號率fd=12.5kb/s,2ASK的調制指數選為0.8,每個識別樣本采用2048個樣點。使用隨機序列作為調制信號,仿真環境為理想高斯白噪聲信道,信噪比取5～20dB。圖5表明,由Chan提出的R參數所改進得到的Ra參數,對于含有幅度信息和不含有幅度信息的信號,數值上差異較大,容易分辨;圖6是Chan提出的R參數,由圖可見含有幅度信息和不含有幅度信息的信號,在數值上差異很小,不容易分辨。而由之類推得到的Rp和Rf參數,相對與NandiAK所提出的特征參數,不同類別的調制信號在數值上差異增大,更加容易分辨,提高了識別的精度。經過對各種調制信號在同一信噪比下進行500次獨立仿真,得到在不同信噪比下(1dB步進)各種調制信號的正確識別次數和錯誤識別次數,其中,SNR=5dB時的結果如表1所示。表1中,豎行的調制類型代表要識別的調制類型,橫行代表識別結果。由表1可以看出,采用本文所提出的識別算法,在信噪比僅為5dB時,除了2FSK和4FSK信號之外,其他信號的識別率都在99.6%以上,而2FSK和4FSK信號的識別率稍低,但也在95.4%以上。由于MASK、MPSK和MFSK數字信號在某一段時間內會存在信號格式相似的特點,比如,4ASK信號有可能在某一段時間內只有2個幅度,如果被識別的信號恰恰處于該段,其識別結果為2ASK,從而產生誤判;另外,在實際信號的接收過程中有時存在無信號的間隔,如果這恰好是被識別的信號段,則無法準確識別該信號,從而產生誤判。針對這兩個問題,在系統的設計中可以采用大數判決方法,即將接收到的信號分割成N(N≥3,最好取奇數)個相鄰接的信號段,先計算出每個信號段的特征參數,然后取判決次數最多的調制方式作為最終的判決結果。大數判決法較好地解決了上述兩個問題,很大程度上改善了識別成功率。仿真結果表明,在信噪比大于10dB時,本文所提出的幾