通信信號調(diào)制樣式的自動識別＊

張志勇 張立民 蘭 天

（1.海軍航空工程學院電子信息工程系 煙臺 264001）（2.海軍航空工程學院科研部 煙臺 264001）（3.海軍駐太原地區(qū)航空代表室 太原 030006）

1 引言

在非合作通信領(lǐng)域里，通信信號調(diào)制樣式自動識別技術(shù)備受關(guān)注，成為研究熱點。根據(jù)各種信號的參數(shù)特征，可以使用不同的調(diào)制技術(shù)。自上世紀80年代末期，越來越多的科研人員將目光投向通信信號調(diào)制樣式識別之中，經(jīng)過近30年的研究，各種新方法不斷涌現(xiàn)，如瞬時特征［1～3］、循環(huán)功率譜［4～5］、高 階 矩 高 階 累 積 量［6～8］等。但 是 這 些 方 法都存在一些問題，比如，需要獲得大量的先驗信息，就無法在非合作通信中得到實際應用；過程復雜、運算量大，就無法在對實時性要求較高的工程中執(zhí)行。

通常，調(diào)制樣式識別有兩種方法：1）判決理論識別；2）統(tǒng)計模式識別。統(tǒng)計模式識別目前在各種工程項目中得到廣泛應用。與統(tǒng)計模式識別相比較，判決理論存在著一些缺陷：1）如果判決位置不同，在同信噪比條件下會影響判決的正確性；2）根據(jù)每個特征識別，都有需要設置一個門限，因此，識別的正確率都受制于判決門限的選取。但是判決理論的優(yōu)勢在于無需先驗信息。

人工神經(jīng)網(wǎng)絡（Artificial Neural Net，ANN）［9～10］是一種基于判決理論識別的新方法，ANN在每個神經(jīng)元中的判決門限都是自動選取的，對門限的選取具有自適應能力，而且每次判決都會使用所有的特征量，這樣，識別的正確率就不會受制于判決門限的選取。

2 信號模型

接收機接收到的信號，已經(jīng)不是原始的發(fā)射信號，這其中有很多因素，主要原因是噪聲的影響。背景噪聲的種類有很多，本文就以高斯白噪聲（White Gaussian Noise，WGN）為背景，方差為σ2，則接收到的信號表示如下

其中ST（t）為原始的發(fā)射信號；nb（t）為背景噪聲均值，在這里假設為高斯白噪聲；當然，RU（t）就是接收機接收到的未知信號。

ai為成形的脈沖序列，h（t）為脈沖成形濾波器響應。

利用神經(jīng)網(wǎng)絡方法會使整個識別過程更簡易更可靠。在原來的決策理論方法中，選擇個合適的閥值比較困難而且非常耗時［9］。神經(jīng)網(wǎng)絡會在每個節(jié)點自動選擇閾值。在決策理論算法中，每個時間點只有一個關(guān)鍵特征是表示時間順序的，這在保證正確的識別概率中起著正確的作用。在人工神經(jīng)網(wǎng)絡算法中，同時存在所有的關(guān)鍵特征，因此，表示時間的關(guān)鍵特征也就不會影響決策的正確率，相對于決策理論方法，人工神經(jīng)網(wǎng)絡更可取。關(guān)于人工神經(jīng)網(wǎng)絡方法識別大致分為三部分：

1）預處理；

2）訓練階段；

3）測試階段，確定信號的調(diào)制樣式。

3 建立特征量

以BPSK、QPSK、8PSK、pi／4－QPSK、OQPSK和 UQPSK調(diào)制信號為依據(jù)，給出幾個分類特征量：

1）零中心歸一化瞬時幅度的譜密度的最大值：

2）瞬時相位非線性分量絕對值的標準偏差

3）瞬時相位非線性分量的標準偏差：

γmax可以把OQPSK從這六種PSK信號中識別出來，σAp、σdp則是可以區(qū)分BPSK和QPSK；

4）c2、c4分別為信號平方譜和四次方譜單頻分量的檢測值；

5）ca為信號包絡單頻分量的檢測值；

6）N2、N4分別為平方譜和四次方譜單頻分量數(shù)。

4 識別方法及流程

圖1 信號調(diào)制樣式識別流程

首先把連接權(quán)和閾值初始化為較小的非零隨機數(shù)，然后把有若干個連接權(quán)值的輸入送入網(wǎng)絡，經(jīng)加權(quán)運算處理，如果輸出與所期望的輸出差別較大，就對連接權(quán)值參數(shù)進行自動調(diào)整，經(jīng)過多次反復，直到所得到的輸出與所期望的輸出間差別滿足要求止，如圖1所示。

每一個結(jié)果已經(jīng)運行至少80次，取平均值，并將其顯示。信噪比區(qū)間取－5dB～10dB。基于反向傳播方法，這里使用的是的Levenberg－Marquadt［11］的算法之一。本實驗使用兩個隱層神經(jīng)網(wǎng)絡，在不同的信噪比條件下，每一層都使用了不同數(shù)量的神經(jīng)元。如第一層使用X個神經(jīng)元，第二層使用Y個，則X、Y表示神經(jīng)元組合。

5 實驗測試結(jié)果

根據(jù)以上通信信號的識別流程圖，以目前普遍使用的BPSK、QPSK、8PSK、pi／4－QPSK、OQPSK 和 UQPSK 通信調(diào)制信號作為實際輸入采集信號，進行實驗測試。結(jié)果如圖2所示，識別率情況還是比較好的，可以看出，幾乎所有信號的正確識別率都隨神經(jīng)元組合數(shù)量的增加而增加。所以這里必須指出，在神經(jīng)網(wǎng)絡的隱藏層中，各層神經(jīng)元數(shù)量的組合對識別率起著至關(guān)重要的作用。尤其在使用12，12的神經(jīng)元數(shù)量組合，信噪比在－1～0dB時，對以上幾種信號的識別率幾乎在90%以上。但是信噪比在－2dB以下時，識別率明顯下降。

圖2 不同信噪比條件下各神經(jīng)元組合對信號的調(diào)制識別率

6 結(jié)語

在本文中，對六個數(shù)字調(diào)相信號（BPSK、QPSK、8PSK、pi／4－QPSK、OQPSK和UQPSK）進行調(diào)制識別。實驗數(shù)據(jù)結(jié)果表明，隱藏層中神經(jīng)元數(shù)量對信號調(diào)制樣式識別的正確率起著至關(guān)重要的作用。而且，與其他組合形式相比，帶有十二個神經(jīng)元的兩個隱藏層組合起來相互作用，有更好的識別效果。

［1］NAND IA K，AZZOUZ E＆E.Algorithms for automatic modulation recognition of communication signals［J］.IEEE Trans Communication，1998，46（4）：430－436.

［2］馬菊紅，朱燦焰.認知無線電中一種循環(huán)特征檢測方法研究［J］.通信技術(shù)，2009，42（4）：24－26.

［3］王秉鈞，王少勇，田寶玉，等.現(xiàn)代衛(wèi)星通信系統(tǒng)［M］.北京：電子工業(yè)出社，2004.

［4］Gander W A.Exploitation of spectral redundancy in cyclostationary signals［J］.IEEE Signal Processing Magazine，1991，8（2）：14－36.

［5］DUBUC C，BOUDREAU D.An automatic modulation recognition algorithm for spectrum monitoring applications［C］／／IEEE International Conference on Communications（ICC'99）.Vancouver，Canada，1999.732－736.

［6］SWAMI A，SADLER B M.Hierarchical digital modulation classification using accumulates［J］.IEEE Trans Communica－tion，2000，48（3）：416－429.

［7］Azzouz E E，Nandi A K.Automatic modulation recognition of communication signals［J］.The Netherlands：Kluwer Academic Publishers，1996：77－94.

［8］陳衛(wèi)東，楊紹全.利用累量不變量對 MPSK信號分類［J］.西安電子科技大學學報（自然科學版），2003，29（2）：229－232.

［9］RAMAKONAR V，DARYOUSH H，ABDESSELAM B.Automatic Recognition of Digital Modulated Communications Signals［C］／／Fifth International Symposium on Signal Processing and Its Applications，1999，2：753－756.

［10］楊小牛，樓才義，徐建良.軟件無線電原理與應用［M］.北京：電子工業(yè)出版社，2001：204－211.

［11］張鴻燕，耿征.Levenberg－Marquardt算法的一種新解釋［J］.計算機工程與應用，2009，45（19）：5－8.