數(shù)字調(diào)制信號制式識別新方法?

周敏，馮全源

（西南交通大學(xué)微電子研究所，成都610031）

數(shù)字調(diào)制信號制式識別新方法?

周敏，馮全源

（西南交通大學(xué)微電子研究所，成都610031）

通過分析數(shù)字調(diào)制信號功率譜及高階譜特征，對高階譜的求取方法作了改進，并在此基礎(chǔ)上提出新的特征參數(shù)，結(jié)合瞬時統(tǒng)計特征，采用支持向量機分類器，實現(xiàn)了AWGN信道下數(shù)字通信信號的制式自動識別。仿真表明，所提取的特征參數(shù)具有較好的抗噪性能，對調(diào)制參數(shù)的變化具有穩(wěn)健性。考慮脈沖成形的影響，在信噪比大于12 dB時，單種信號最低正確識別率大于98.5%，平均識別率達(dá)99.5%以上。

調(diào)制方式識別；譜分析；特征參數(shù)提取；支持向量機；脈沖成形

1 引言

通信信號的調(diào)制方式自動識別是位于信號接收和解調(diào)的中間過程，為接收機選擇正確的解調(diào)算法提供重要依據(jù)。在過去的20年間，自動調(diào)制識別一直是情報攔截和電子對抗等軍事領(lǐng)域的重要研究課題。近年來，隨著軟件無線電（Software Radio， SR）［1-2］和認(rèn)知無線電（Cognitive Radio，CR）［2］的高速發(fā)展，自動調(diào)制識別技術(shù)在民用領(lǐng)域的作用也愈顯重要。

目前的調(diào)制識別算法可以分為判決理論識別方法和統(tǒng)計模式識別方法。判決論方法可以在低信噪比下得到較高的識別率，但其需要一些先驗知識并且計算復(fù)雜［3］。統(tǒng)計模式識別法先從原始數(shù)據(jù)中提取有用的特征參數(shù)，然后通過某種分類器來確定未知信號的調(diào)制方式。這種方法不需要接收信號的先驗知識，識別范圍廣，適用于信號的盲識別。根據(jù)特征提取方法的不同，現(xiàn)有的統(tǒng)計模式識別大概又可以分為基于時域特征［4-5］的提取方法和基于變換域［6-9］的提取方法。時域特征主要包括信號的瞬時幅度、瞬時頻率和瞬時相位，這種方法以A.K.Nandi［4-5］等人的研究工作最具代表性。該方法易受噪聲影響，在低信噪比下識別率不高。變換域方法主要包括時頻域分析法［6］、高累積量分析法［7］、循環(huán)譜特征分析法［8］以及譜分析法［9-10］等。文獻［6］采用小波變換提取特征參數(shù)，該方法對伸縮尺度這一參數(shù)并沒有給出明確的選取規(guī)則，選取不好甚至?xí)?dǎo)致算法失效。文獻［7］用高階累積量的方法對MPSK信號進行了分類識別，但該方法對頻偏敏感。文獻［9-10］基于功率譜以及高次譜特征，提出一些抗噪性能良好的特征參數(shù)，但為了處理方便，這些高次譜需要先進行高通濾波處理，高通濾波器的系數(shù)不好設(shè)置，可操作性不強。

本文在前人研究的基礎(chǔ)上提出基于功率譜和改進高階譜的4個特征參數(shù)。根據(jù)這些識別特征，結(jié)合支持向量機分類器，提出一種數(shù)字通信信號識別的新方法。本文提出的識別算法簡單，易于實現(xiàn)，抗噪性能良好，能對較大帶寬內(nèi)的調(diào)制信號進行正確識別，并且考慮了脈沖成形，適合工程應(yīng)用。

2 問題假設(shè)與算法設(shè)計

本文所處理的通信信號調(diào)制識別是在前端接收機已經(jīng)完成信號分離、下變頻等預(yù)處理的基礎(chǔ)上完成的。信號傳輸信道為加性高斯白噪聲（AWGN）信道。根據(jù)分類算法的特點，本文采用統(tǒng)計模式識別方法，分為特征參數(shù)提取和調(diào)制方式識別兩個步驟，如圖1所示。

圖1 統(tǒng)計模式識別方法流程Fig.1 Process of statistical pattern recognition

2.1 數(shù)字調(diào)制信號特征參數(shù)提取

對于已經(jīng)完成信號分離和下變頻處理的中頻信號，先進行零中心包絡(luò)歸一化處理，主要是為了減小噪聲、信道衰落以及成形濾波對信號幅度包絡(luò)帶來的影響。針對待識別的數(shù)字調(diào)制信號特點，本文提取信號的以下5個特征參數(shù)。

（1）倍頻帶寬比Λb

倍頻帶寬比定義為倍頻信號和原信號的帶寬之比，定義式為

式中，wd2為倍頻信號的帶寬，wd1為原始接收信號的帶寬。倍頻信號定義為同相信號和正交信號之積，為傳統(tǒng)高階譜的一種改進方法。該參數(shù)用于區(qū)分調(diào)制信息攜帶在瞬時頻率上的MFSK／MSK信號和調(diào)制信息不攜帶在頻率上的ASK／MPSK信號。

對于MFSK／MSK信號，倍頻處理后調(diào)制指數(shù)加倍，其帶寬近似變?yōu)樵盘柕?倍，因此MFSK／MSK信號的倍頻帶寬比約為2。而BPSK信號倍頻后成為一個2倍中心頻率的連續(xù)波（CW）信號，帶寬接近于0，因此BPSK信號的Λb接近于0。另外，QPSK和8PSK信號在倍頻處理后分別成為載頻為2倍原信號載頻的BPSK和QPSK信號，根據(jù)MPSK信號的帶寬計算公式，其Λb約等于1。最后，對于調(diào)制信息攜帶在瞬時幅度上的ASK信號，倍頻后中心頻率搬移到2倍原載波頻率處，帶寬不變，因此ASK信號的Λb也約為1。綜上所述，通過該參數(shù)也可以將待識別的7種數(shù)字信號分為｛MFSK、MSK｝和｛MPSK、ASK｝兩個子集。另外，該參數(shù)也可以將｛BPSK｝和｛ASK、QPSK、8PSK｝區(qū)分開來。

事實上，利用信號的I／Q路而不直接對信號平方得到倍頻信號的好處是可以避免直流項的產(chǎn)生，從而可以省掉去除直流分量的濾波器。在通信系統(tǒng)中，前端接收機往往已經(jīng)將接收信號分解為I／Q路再送入信號系統(tǒng)中，因此在此不需要對信號進行Hilbert變換。

（2）零中心非微弱信號段歸一化瞬時頻率絕對值的標(biāo)準(zhǔn)差δaf［5］

該參數(shù)定義如下：

式中，fN為零中心非微弱段歸一化瞬時頻率序列，c為非微弱信號段樣本點數(shù)。該參數(shù)用于區(qū)分包含絕對頻率信息的2FSK和包含絕對頻率的4FSK信號。

（3）歸一化功率譜譜峰度Pk

歸一化頻譜峰度的定義式如式（3）所示：

式中，ˉY為信號歸一化功率譜的均值，S是歸一化頻譜的標(biāo)準(zhǔn)差N是數(shù)據(jù)段樣本點數(shù)。該參數(shù)描述了分布形態(tài)的陡緩程度，用來度量數(shù)據(jù)在中心聚集程度，用于區(qū)分頻譜高度集中的ASK信號和頻譜相對分散的MPSK（M=4，8）信號。

（4）四倍頻信號功率譜最大值Γmax

該參數(shù)定義為四倍頻信號功率譜譜峰的最大值，用于區(qū)分QPSK信號和8PSK信號。這里的四倍頻信號是經(jīng)過信號兩次同相和正交相信號相乘的結(jié)果，即先對接收到信號的I路和Q路信號做乘運算得到一個乘積信號x（t），然后對x（t）做希爾伯特變換得到其正交項y（t），最后求x（t）和y（t）的乘積得到四倍頻信號。這樣得到四倍頻信號的好處是可以避免四次方運算產(chǎn)生的其他不需要的頻率分量，為傳統(tǒng)四階信號的一種改進方法。QPSK信號四倍頻后為中心頻率為原值四倍的CW信號，其頻譜表現(xiàn)為單根譜線，而8PSK信號四倍頻后還包含相位跳變余量，其頻譜表現(xiàn)為以四倍載頻為中心的梳狀譜。由于信號在接收送入信號處理系統(tǒng)先進行了包絡(luò)歸一化處理，因此信號的總能量值相等。綜上所述，QPSK信號的Γmax比8PSK信號的Γmax大。

（5）歸一化功率譜帶內(nèi)譜線密度、能量密度積Πs

該參數(shù)定義為信號歸一化功率譜帶內(nèi)譜線密度和能量密度之積，用于區(qū)分2FSK和MSK信號，其定義式如式（4）所示：

其中，B表示信號歸一化功率譜幅值大于特定門限值at的粗估計帶寬，n表示帶寬內(nèi)大于at的譜線條數(shù)，∑ai表示帶寬內(nèi)大于at的譜線幅值之和。

由于MSK信號的頻譜表現(xiàn)為以兩個載頻為中心的梳狀譜，其載頻受到抑制，而2FSK信號的頻譜有兩個譜峰。因此對信號功率譜進行歸一化處理后，MSK信號的Πs參數(shù)較2FSK信號大，利用該參數(shù)可以對2FSK信號和MSK信號進行分類。

2.2 支持向量機分類器與識別流程

支持向量機（Support Vector Machine，SVM）的核心思想是通過非線性變換將一個線性不可分的低維空間映射到一個線性可分的高維空間，在高維空間以結(jié)構(gòu)風(fēng)險最小為原則構(gòu)造最優(yōu)分類超平面。它在解決小樣本、非線性以及高維模式識別中表現(xiàn)出了特有的優(yōu)勢。與決策樹分類器相比，支持向量機不需要設(shè)置特定的門限值。與神經(jīng)網(wǎng)絡(luò)分類器相比，支持向量機可以避免過學(xué)習(xí)或欠學(xué)習(xí)的問題。除此之外，支持向量機在訓(xùn)練樣本較少的情況下仍然能夠取得較好的識別結(jié)果。本文采用支持向量機對接收的未知調(diào)制模式信號進行識別。

結(jié)合提取到的每個特征采用二叉樹結(jié)構(gòu)分類器對信號進行分類，這種分類器的特點是判斷邏輯簡單，支持向量機數(shù)量較少，訓(xùn)練樣本依次遞減。本文算法SVM分類器結(jié)構(gòu)如圖2所示。

圖2 數(shù)字調(diào)制信號分類器結(jié)構(gòu)Fig.2 Structure of classifier for digitalmodulated signals

3 仿真結(jié)果與結(jié)論

3.1 仿真條件

所有仿真是在MATLAB7.9.0平臺上進行的。信號源采用隨機二進制序列，采樣率為128 MHz，載波頻率為11.3 MHz，符號速率為3.5 MHz，每次對2 048個樣本點進行處理，成形濾波器采用升余弦滾降函數(shù)，滾降系數(shù)為0.4，噪聲為加性高斯白噪聲。

3.2 特征參數(shù)隨信噪比變化仿真結(jié)果

為了測試本文提出的特征參數(shù)的抗噪性能，在不同信噪比條件下對這些特征參數(shù)進行仿真。設(shè)信噪比為從5～30 dB以1 dB為間隔變化，各特征參數(shù)仿真結(jié)果如圖3所示。

圖3 各個特征參數(shù)隨噪聲的變化趨勢Fig.3 Values of each feature parameter against SNR

3.3 特征參數(shù)隨符號速率變化仿真結(jié)果

為測試本文算法對符號速率的敏感度，在其他仿真條件不變的情況下對符號速率進行3～10 MHz以1 MHz為間隔進行掃描，MFSK信號頻偏等于符號速率值，信噪比為20 dB，每種測試條件下進行50次獨立仿真，測試結(jié)果如圖4所示。

圖4 各個特征參數(shù)隨符號速率年的變化趨勢Fig.4 Values of each feature parameter against symbol rate

從圖4可以看出，本文提出算法所采用的特征參數(shù)對符號速率在3～10 MHz變化時不敏感，說明本文算法能夠在較大帶寬內(nèi)完成識別。

3.4 支持向量機分類識別仿真

為驗證本文算法的性能，結(jié)合支持向量機，在信噪比為12 dB時用本文算法對每種調(diào)制信號進行500次獨立仿真，識別正確率如表1所示。

表1 在12 dB情況下本算法識別準(zhǔn)確率測試結(jié)果Table 1 Simulation results of successful recognition rate at12 dB SNR

圖5顯示了信噪比從4～20 dB以2 dB為間隔變化時本文算法的正確識別率，每次測試時每種信號隨機產(chǎn)生500個樣本進行獨立識別仿真，識別結(jié)果如圖5所示。

圖5 不同信噪比下的正確識別率Fig.5 Correct recognition rate at different SNR value

由于本文采用的帶寬估計方法容易受噪聲影響，導(dǎo)致倍頻帶寬比這個特征參數(shù)在低信噪比條件下分類效果不理想，因而研究受噪聲影響小的帶寬估計方法將是本文將來研究工作的一個重點。除此之外，更加復(fù)雜環(huán)境下的信號制式識別也是需要深入研究的問題。

［1］Mitola J.The software radio architecture［J］.IEEE Communications Magazine，1995，33（5）：26-38.

［2］陶玉柱，胡建旺，崔佩璋.軟件無線電技術(shù)綜述［J］.通信技術(shù)，2011，44（1）：37-39. TAO Yu-zhu，HU Jian-wang，CUI Pei-zhang.An Overview of Software Radio［J］.Communications Technology，2011，44（1）：37-39.（in Chinese）

［3］Hameed F，Dobre O，Popescu D.On the likelihood-based approach to modulation classification［J］.IEEE Transactions onWireless Communications，2009，8（12）：5884-5892.

［4］Nandi A K，Azzouz E E.Modulation recognition using artificial neural networks［J］.Signal Processing，1997，56（2）：165-175.

［5］Nandi A K，Azzouz EE.Algorithms for automaticmodulation recognition of communication signals［J］.IEEE Transactions on Communications，1998，46（4）：431-436.

［6］薛磊，劉小秋.基于小波變換的數(shù)字通信信號識別［J］.電訊技術(shù)，2006，46（3）：52-56. XUE Lei，LIU Xiao-qiu.Modulation Identification of Digital Signals［J］.Telecommunications Engineering，2006，46（3）：52-56.（in Chinese）

［7］陸鳳波，黃知濤，易輝榮，等.一種基于高階累積量的數(shù)字調(diào)相信號識別方法［J］.系統(tǒng)工程與電子技術(shù)，2008，30（9）：1611-1615. LU Feng-bo，HUANG Zhi-tao，YIHui-rong，et al. Recognition algorithm of phase shift keying signals by higher -order cumulants［J］.Systems Engineering and Electronics，2008，30（9）：1611-1615.（in Chinese）

［8］王瑛，程漢文，吳樂南.基于譜相關(guān)特征的信號調(diào)制方式識別［J］.信息技術(shù)，2007，30（12）：25-28. WANG Ying，CHENG Han-wen，WU Le-nan.Signal modulation mode identification based on spectral correlation characteristics［J］.Information Technology，2007，30（12）：25-28.（in Chinese）

［9］吳月嫻，葛臨東，許志勇.常用數(shù)字調(diào)制信號識別的一種新方法［J］.電子學(xué)報，2007，35（4）：782-785. WUYue-xian，GELin-dong，XUZhi-yong.ANovel Identification Method for Commonly Used DigitalModulations［J］.Acta Electronica Sinica，2007，35（4）：782-785.（in Chinese）

［10］李少凱，董斌，劉寧.基于譜線特征的MPSK調(diào)制識別［J］.通信技術(shù)，2010，43（8）：127-128. LIShao-kai，DONGBin，LIUNing.Modulation Recognition of MPSKSignals Based on Spectrum Line Feature［J］.Communications Technology，2010，43（8）：127-128.（in Chinese）

ZHOUMin was born in Chengdu，Sichuan Province，in 1987. She received the B.S.degree in 2010.She is now a graduate student.Her research direction is digital signal processing.

Email：mz0730＠qq.com

馮全源（1963—），男，江西景德鎮(zhèn)人，西南交通大學(xué)微電子研究所所長、博士生導(dǎo)師、IEEE高級會員，主要研究方向為數(shù)字、模擬、射頻與混合信號集成電路設(shè)計，數(shù)字系統(tǒng)設(shè)計和嵌入式系統(tǒng)研究，現(xiàn)代天線技術(shù)、RFID技術(shù)（物聯(lián)網(wǎng)技術(shù)）等。

FENGQuan-yuan was born in Jingdezhen，JiangxiProvince，in 1963.He is now the Director of Institute of Microelectronics as well as the Ph.D.supervisor in Southwest Jiaotong University，and also an IEEE seniormember.His research interests include digital，analog，RF andmixed-signal IC design，digital system design and research of embedded systems，modern antenna technology and RFID technology.

Email：fengyuanyuan＠163.com

A Novel Identification M ethod for Digital M odulations

ZHOU Min，F(xiàn)ENGQuan-yuan
（Institute of Microelectronics，Southwest Jiaotong University，Chengdu 610031，China）

By analysing the characteristics of digitalmodulations′power spectrum and higher order spectral，the method to calculate the higher spectrum is improved.On this base，new feature parameters are proposed.Combined with the instantaneous statistical feature parameter and support vectormachine（SVM）classifier，the automatic identification of digital communication signals in the AWGN channel is achieved.Simulation results show that the extracted feature parameters have good anti-noise performance as well as robustness to the change of modulation parameters.In consideration of the impact of pulse shaping，when the SNR value is greater than 12 dB，the lowest correct identification rate of the single-type signal is greater than 98.5%，and the average recognition rate is above 99.5%.

modulation identification；spectral analysis；feature extraction；support vectormachine；pulse shaping

The National Natural Science Foundation of China（No.60990320，60990323）；The National High-tech R＆D Program（863 Program）of China（2012AA012305）

TN911.72

A

10.3969／j.issn.1001-893x.2012.04.019

周敏（1987—），女，四川成都人，2010年獲學(xué)士學(xué)位，現(xiàn)為碩士研究生，主要研究方向為數(shù)字信號處理；

1001-893X（2012）04-0518-05

2011-12-21；

2012-02-27

國家自然科學(xué)基金資助項目（60990320，60990323）；國家高技術(shù)研究發(fā)展計劃（863計劃）項目（2012AA012305）