一種基于Boosting特征選擇的調制方式識別算法

林晉福，柏 鵬，李明陽，王徐華

(空軍工程大學綜合電子信息系統研究中心，陜西 西安 710051)

責任編輯:許 盈

認知無線電是一種智能無線電系統［1］，主要目的是利用各種感知技術和智能算法提升頻譜的利用率［2］。

信號調制方式識別對認知無線電有以下作用［3］:避免對主用戶的干擾，認知用戶可多維度共享頻譜，把調制信息反饋給認知用戶提高頻譜感知性能，為泛在接入提供支撐。因此信號調制模式識別是認知無線電中的一項基礎關鍵技術。

常用信號調制方式識別方法有兩種:統計模式識別和判決理論。判決理論采用假設檢驗理論和概率論來解決信號分類問題，這類方法優點是判決規則簡單，缺點是需要一些先驗概率的信息且檢驗統計量計算復雜，不適合應用到認知無線電環境中。統計模式識別特征提取簡單、易于計算，不需要先驗信息，適合認知無線電應用。統計模式識別方法分兩個步驟:一是特征值研究和提取;二是分類器的設計。以前的研究基本上是把兩者分開研究，文獻［4］中提出了很多特征選擇的方法，沒有使用智能算法識別。文獻［5－7］使用神經網絡ANN(Artificial Neural Network)設計分類器。文獻［7］重點研究了ANN在混合訓練的識別率，在信噪比0 dB時識別率低于40%。文獻［6］特征值使用循環頻譜，因為循環頻譜區分度高，因此在信噪比0 dB時識別率為100%，然而其循環頻譜計算實時性差。文獻［8－10］使用支持向量機SVM(Support Vector Machine)設計分類器，其中文獻［8］使用小波變換方法提取特征值，文獻［9］使用了遺傳算法對SVM參數進行了優化，文獻［10］使用小波和SVM結合的方法，均沒有考慮分類器和特征值的結合問題。本文把特征值和分類器算法綜合起來考慮，設計智能識別算法時充分考慮特征提取問題。

1 調制方式特征值及其Boosting算法

1.1 調制方式的特征值

針對調制方式特征提取，Nandi等人提出的特征參數和算法是調制信號時域分析方法中的突出代表［11］，在調制識別技術中占主導地位，為人們廣泛接受和引用，許多人在他們的算法基礎上，采用新的分類器結構，從而衍生出新算法，這種方法常用的特征參數如下:

2)零中心非弱信號段瞬時相位非線性分量絕對值的標準偏差?ap;

3)零中心非弱信號段瞬時相位非線性分量的標準偏差?dp;

4)譜對稱性P;

5)零中心歸一化瞬時幅度絕對值的標準偏差?aa;

6)零中心歸一化非弱信號段瞬時頻率絕對值的標準偏差?af;

7)零中心歸一化非弱信號段瞬時幅度的標準偏差?a;

時至今日，我依然能清晰地記得那個黃昏，我奔跑在街道上的情景：無數汽車在我身后匆忙剎住，排山倒海的喇叭聲響徹耳邊，猶如一群蜜蜂在鳴叫，宣告著采摘到蜜一樣的幸福。

8)零中心歸一化瞬時幅度的緊致性(四階矩)μa42。

本文重點是設計對特征值依賴不高的分類識別算法，故不再自己設計特殊的特征值，從上面9個特征值中任意選擇5 種:1)，2)，3)，5)，6)作為算法識別的特征值。

1.2 Boosting算法

弱學習算法指識別錯誤率小于1/2，即準確率僅比隨機猜測略高的學習算法;強學習算法指識別準確率很高并能在多項式時間內完成的學習算法。Boosting起源于PAC(Probabiy Approximately Correct)學習模型，是一種提高任意給定學習算法準確度的方法［11］，只需找到一個比隨機猜測略好的弱學習算法就可以將其提升為強學習算法，而不必尋找很難獲得的強學習算法。Boosting算法具有很多優點，正確率較高、不需要先驗知識、只需要選擇合適的迭代次數等。

Boosting適合結合“不穩定”的分類方法，例如神經網絡算法、決策樹等。不穩定指數據集的小的變動能夠使得分類結果顯著地變動。但是，Boosting在迭代過程中總是給噪聲分配較大的權重，使得這些噪聲在以后的迭代中擴大。反向傳播神經網絡具有較強的抗噪聲能力。本文考慮它為弱分類器。

AdaBoost算法是Boosting家族最具代表性的算法，之后出現的各種Boosting算法都是在AdaBoost算法的基礎之上發展而來的，具體算法流程參考文獻［12］。本文在AdaBoost基礎上改進提升反向傳播神經網絡弱分類器為強分類器，提高調制方式識別率。

2 特征值分析及算法設計

2.1 特征值分析

在算法設計前，通過仿真平臺獲取特征值數據進行分析，以提供算法設計依據。仿真在 MATLAB7.12仿真環境中完成，考慮 2ASK，4ASK，2FSK，4FSK，2PSK，4PSK和16QAM七種調制類型。首先產生調制信號，載波頻率Fc=200 kHz，采樣頻率Fs=2 000 kHz，調制前信號x減去的直流分量為1，采樣點數Sn=4 000，Fd=10字符/s，噪聲采用高斯白噪聲，信噪比取－10～+10 dB，間隔為2 dB。其次采集特征值，假設載波同步，對調制信號進行正交解調得到同相分量和正交分量，利用低通濾波器濾除高頻成分，最后經過笛卡爾變換獲取5種瞬時特征值。取信噪比為0 dB，－6 dB，－10 dB的7種調制方式的特征值曲線如圖1所示。從圖1中各子圖對比可看出:沒有哪個特征值可以明顯識別7種調制方式，同時隨著信噪比降低，各調制方式的特征值區別明顯降低，但下降的速度不同，特征值?af的下降明顯，而特征值γmax下降少，對調制方式的識別度高。因此，算法應該自動降低?af權重，而提高特征值γmax的權重。方法是通過使用弱分類器，每個弱分類器起到區別各特征值的作用［13］。

圖1 調制方式的5種特征值對比

基于原Adaboost算法循環次數T設為特征值的維數，每個弱分類器使用T－1維的特征值作為特征參數進行訓練，每次循環排除一維。輸出判決是各弱分類器的加權和。

2.2 改進的AdaBoost－future算法

改進的AdaBoost－future算法步驟如下:

1)數據選擇和神經網絡初始化。從訓練樣本集中選擇 m 組數據 g={(x1，y1)，…，(xn，yn)}，xi∈ X，yi∈Y={1，2，3，…，識別信號類型數};根據訓練樣本集合初始化神經網絡BP。

2)初始化各樣本對應的權值。D1(i)=1/m，i=1，2，…，m，表示第1次迭代中，每個訓練例的權重都為1/m。

3)在 t=1，2，…，T 條件下:

(1)獲得弱分類器Ct的訓練數據g(t)=g(維度≠t);

(2)使用訓練數據g(t)訓練弱分類器并預測輸出ht;

3 實驗及結果

信噪比在－10 dB至10 dB間隨機產生每種調制方式200組信號，7種調制方式共1 400組訓練數據，對分類器進行訓練。這樣的訓練數據選擇只為了觀察調制信號產生的方法是否正確，實際中根據需要設定參數值。用訓練好的分類器分別對11種信噪比(－10～+10 dB，間隔2 dB)的信號進行識別，每類調制方式進行100次蒙特卡羅仿真。統計不同信噪比下各分類算法的正確識別率如圖2所示。

圖2 3種識別算法不同信噪比下識別成功率曲線

從圖2可知:信噪比在0 dB以上時，3種算法對信號的識別率都是100%，隨著信噪比的下降，有些特征值的區分度開始下降，SVM和ANN的識別率區別不大，而AdaBoost－future對識別率有提升，尤其信噪比在－6 dB以下時，提升效果更明顯。

從表1、圖1看出:在調制方式2FSK和4FSK的識別中，特征值?af可有效區別，但由于其他特征值的干擾，ANN算法出現了識別錯誤，AdaBoost－future通過弱分類器的權重調整，即特征值比重的調整能有效避免其他特征值的影響。在識別所有特征值均區別不明顯的2ASK和4PSK，ANN和AdaBoost－future都優于 SVM，而Ada-Boost－future的表現更好。SVM的好處是用小樣本獲得好的訓練效果，本仿真訓練較充分，未體現其優勢。

表1 各種調制方式在SNR=－6 dB情況下的識別錯誤數(總數200)

4 結束語

本文使用調制方式識別常用的5個特征值作為輸入，設計了基于Boosting的調制方式識別算法AdaBoost－future，在不需要知道任何先驗知識條件下，在信噪比為0 dB以上時就能達100%的識別率。相比SVM和ANN智能分類算法，該算法在信噪比為－6 dB以下時識別率有明顯提高，對低信噪比、特征值區分度低的信號識別仍然有效。當然，特征值的選擇很重要，如果使用更高區分度的特征值作為輸入，AdaBoost－future算法還可得到更好的識別效果。算法存在的缺點是需要較長的訓練時間，然而該缺點可以通過離線訓練的辦法克服。因此該算法適合應用到認知無線電這種沒有先驗知識、對識別實時性高的場景中，并且對其他分類識別的應用場景也有一定的參考價值。

［1］YING C L，KWANG C C，LI G Y，et al.Cognitive radio networking and communications:an overview［J］.IEEE Trans.Vehicular Technology，2011，60(7):3386－3407.

［2］暢志賢，石明衛.認知無線電技術綜述［J］.電視技術，2007，31(1):130－133.

［3］CHEN H S，GAO W，DAUT D.G.Spectrum sensing using cyclostationary properties and application to IEEE 802.22 WRAN［C］//Proc.IEEE Global Telecommunications Conference.［S.l.］:IEEE Press，2007:3133－3138.

［4］SAEYS Y，INZA I，LARRANAGA P.A review of feature selection techniques in bioinformatics［J］.Bioinformatics，2007，23(19):2507－2517.

［5］HASSAN K，DAYOUB I，HAMOUDA W，et al.Automatic modulation recognition using wavelet transform and neural networks in wireless systems［C］//Proc.IEEE International Conference on Intelligent Transport Systems Telecommunications.［S.l.］:IEEE Press，2009:234－238.

［6］FEHSKE A，GAEDDERT J，REED J H.A new approach to signal classification using spectral correlation and neural networks［C］//Proc.IEEE International Symposium on New Frontiers in Dynamic Spectrum Access Networks.Baltimore，MD，United states:IEEE Press，2005:144－150.

［7］陳麗，葛臨東.一種改進的BP神經網絡調制分類器［J］.微計算機信息，2005(21):107－109.

［8］LI Xueyao，HAN Bing，FAN Dongmei，et al.A digital modulation signals recognition method under the lower SNR［C］//Proc.7th World Congress on Intelligent Control and Automation.［S.l.］:IEEE Press，2008:3958－3962.

［9］HUANG Rurong，FENG Quanyuan.Recognition of communication signal modulation based on SAA －SVM［C］//Proc.3rd IEEE International Conference on Computer Science and Information Technology(ICCSIT).［S.l.］:IEEE Press，2010:510－512.

［10］王玉娥，張天騏，白娟，等.基于粒子群支持向量機的通信信號調制識別算法［J］.電視技術.2011，35(23):106－110.

［11］NANDI A K，AZZOUZ E E.Automatic analogue modulation recognition［J］.Signal Processing，1995，46(2):211－222.

［12］董樂紅，耿國華，高原.Boosting算法綜述［J］.計算機應用與軟件.2006，23(8):27－29.

［13］WANG J，ZHANG Y.Speech characteristic signal recognition based on BP_AdaBoost［M］//TAN Honghua.Technology for Education and Learning.［S.l.］:Springer Berlin Heidelberg，2012:259 －264.