采用主分量分析的非合作水聲通信信號調制識別

江偉華，童峰，王彬，劉世剛

（1.廈門大學水聲通信與海洋信息技術教育部重點實驗室，福建廈門361005；2.解放軍信息工程大學，河南鄭州450002）

采用主分量分析的非合作水聲通信信號調制識別

江偉華1，童峰1，王彬2，劉世剛2

（1.廈門大學水聲通信與海洋信息技術教育部重點實驗室，福建廈門361005；2.解放軍信息工程大學，河南鄭州450002）

由于信道傳輸特性、信噪比低等因素的影響，非合作水聲通信信號的調制識別極具挑戰性。對信號功率譜、平方譜進行主分量分析，提取代表不同類型調制信號特有信息的主分量作為特征參數，從而降低特征參數維度、抑制噪聲影響，并在此基礎上設計一種基于人工神經網絡的水聲通信信號調制方式分類器。海上實錄信號數據的識別實驗結果表明了該方法的有效性。

聲學；水聲通信信號；譜特征；調制識別；主分量分析；人工神經網絡分類器

0　引言

隨著海洋權益維護、國防安全等領域信息獲取和處理需求的不斷提升，非合作水聲通信信號調制方式識別研究成為重要的研究課題。但由于非合作水聲通信信號受信道、噪聲影響大［1-2］，而目前無線領域常用的通信信號調制識別方法如基于信號瞬時時域特征［3-4］、基于小波變換方法［5］、基于信號譜相關方法［6］等，往往需要較多的調制參數作為先驗知識（如精確載波頻率、初始相位、符號速率）。由于水聲信道具有復雜的時間-空間-頻率變化特性，使得上述這些先驗知識在水聲信號調制方式未知的情況下難以得到，給非合作水聲通信信號的自動識別帶來很大困難。

范海波等［7］提出了一種基于譜特征的通信信號調制方式自動識別方法，從信號功率譜、平方譜中提取頻譜形狀和譜峰數的特征參數作為特征向量，在較低信噪比下仍具有很好的識別準確率。但是，與無線信道相比，在水聲信道惡劣傳輸條件下功率譜、平方譜特征參數往往呈現出嚴重的不穩定性、隨機性；同時，海洋背景噪聲具有非高斯、非平穩特性，對識別性能造成嚴重影響。

主分量分析（PCA）是將多個變量化為少數幾個綜合變量來代替原始數據中較多變量的統計方法，已廣泛應用于語音信號處理、數據壓縮、模式識別等研究中［8-10］。該方法不僅可以反映原始數據所提供的信息，而且可以達到高維數據降維、抑制噪聲影響的目的，從而有效地解決高維特征的分類與識別問題。

水聲通信信號功率譜、平方譜特征包含了調制特征，但具有較大的數據量和較高的維數，如果直接用來進行識別處理將需要難以承受的計算成本。提取功率譜、平方譜的形狀特征參數可有效降低特征維數，但在較低信噪比條件下，譜形狀特征易產生變化，從而對調制識別的性能造成影響。本文采用了PCA方法進行特征再提取，在保留原始數據所有信息的基礎上對數據源進行降維處理，克服了傳統的特征選擇［11］單純刪除原始數據某些維數所帶來的信息量不全的缺陷。PCA方法通過創建一個替換、較小的變量集來“組合”特征的精華，原數據可以投影到該較小的集合中［12-13］。PCA通過主分量的選取，可以從混合信號中去除干擾信號和噪聲，不但可以高效地處理高維數據，還能達到一定的信噪分離效果［14-15］。

人工神經網絡（ANN）是一種廣泛應用于模式識別、信號處理、時間序列預測等領域［16-18］的識別器。本文基于對水聲信號功率譜和平方譜特征的分析，采用PCA方法進行特征再提取，并利用ANN設計了一種具備二進制相移鍵控（BPSK）、正交相移鍵控（QPSK）、多進制頻移鍵控（MFSK）等常用水聲通信信號調制方式識別的自動識別器。為了驗證本文方法的有效性，通過采用從4個不同海域的水聲信道，海上實錄信號的調制識別結果表明，與傳統的基于譜特征的參數提取方法相比，本文采用的方法識別率高且具有較強的抗噪聲能力。

1　PCA方法簡介

PCA方法［8-15］是多元統計理論中一種十分成熟的方法，其目的是在n維數據空間中確定n個正交矢量，在這些正交矢量方向上，原數據間的相關性將被消除。假設訓練樣本集合為Y=｛Y1，Y2，…，YK｝，每個訓練樣本可以用向量Yi=（Y1，i，Y2，i，…，Yn，i）來表示。它可以看作n維空間中的一點，稱此空間為原始特征空間S.訓練樣本中，同一類信號的訓練樣本在結構上有一定的相似性，因而在n維空間中，同一類信號的樣本向量會聚集在較小的空間中。

如果以訓練樣本集的總體協方差矩陣作為PCA產生的矩陣，則所有訓練樣本的總體協方差矩陣為

式中:A=［φ1，φ2，…，φK］；μ為全體訓練樣本的均值。

S滿足下面的方程:SVm=λmVm，其中VTi V j=為矩陣S的特征向量，也是主要分量空間的基，λm為對應的特征值。

根據PCA理論，得到了一個從原始特征向量空間到新特征空間的線性變換:

式中:W為由S的特征向量構成的變換矩陣。

PCA方法構成了n個新向量，稱為主分量V1，V2，…，Vn.主分量應滿足:1）每個主分量是各個原變量的線性組合；2）各個主分量之間是正交的；3）經線性變換得到的V1的方差最大，V2在滿足與V1正交的條件下方差最大，以此類推。與之對應的特征值為λ1，λ2，…，λn，且λ1≥λ2≥…≥λn.方差大的主分量含原變量的信息量大，所以V1所含原變量的信息量最大，以此類推。一般情況下，前面幾個主分量的方差貢獻率已足以反映原變量的信息，這樣就可以降低空間維數，突出有用信息，去除冗余信息。它的第一或前幾個主分量包含了原始數據的絕大部分信息，而次分量則以噪聲為主。因此，PCA方法不但可以高效地處理高維數據，還能達到一定的信噪分離效果，通過選擇合適的主分量進行數據重構就可以達到消除噪聲的目的［14-15］。

2　基于PCA的水聲通信信號特征提取

2.1信號功率譜的特征

信號的功率譜表示信號功率隨著頻率的變化情況，頻移鍵控信號與非頻移鍵控信號在信號功率譜上有很大的不同，MFSK信號在各調制頻率上會出現明顯的單頻分量，這與相移鍵控（PSK）信號無離散譜線的單峰有著明顯的區別。因此，以信號功率譜的形狀作為特征可以識別出MFSK調制，如R參數［18］反應信號功率譜包絡的變化程度。本文考慮在無先驗知識的條件下，運用PCA方法從信號功率譜的訓練樣本中提取出主分量，選擇方差貢獻率較大的兩個主分量R V1、R V2作為新的特征空間，這樣可以得到信號新的特征參數。

圖1（a）和圖1（b）分別為對4個不同的淺海水聲信道獲取的水聲調制信號進行功率譜譜形狀分析獲取的參數u2-δ2［19-20］二維圖和PCA獲取的主分量參數R V1-R V2二維圖。從圖1（a）中R V1、R V2值的分布情況可知，參數R V1、R V2能夠較好地將信號分為兩類:MFSK、PSK信號。對比圖1（a）和圖1（b）的二維參數分布情況可看出，相比譜形狀特征提取方法，PCA方法能更好地區分MFSK、PSK信號。因此，本文將主分量參數R V1、R V2作為功率譜的特征參數進行MFSK和PSK信號的調制識別。

2.2信號平方譜的特征

信號平方譜［19］為信號平方后的功率譜。信號平方運算會產生很強的零頻分量，所以首先要去掉功率譜的直流成分。信號平方譜反應了信號平方后的頻率在功率譜上的表現。BPSK經過平方變換后會在對應2倍載頻位置上出現一條離散譜線，而QPSK信號的平方譜則無離散譜線的單峰。因此，BPSK、QPSK平方譜具有明顯的不同特征，可通過信號平方譜實現對信號的識別。

由于理想的矩形基帶脈沖的沖激響應拖尾長，占用帶寬大，容易產生碼間干擾，所以在實際水聲通信中，PSK信號通常調制采用脈沖成形技術。為了消除成形濾波器對信號幅度的影響，本文首先通過瞬時幅度對信號進行歸一化。包絡歸一化處理可以消除成型濾波器對調相信號（如PSK）的影響，卻不會影響其調制信息［21］。基于這樣的原理，文獻［22］中通過設定閉值th1，根據大于th1門限值的二次方功率譜譜峰數目N對BPSK和QPSK信號進行類內識別。

為了提取平方譜的頻率分量，對平方譜歸一化后，用正交基內積法對平方譜進行滑動窗的擬合處理，得到擬合曲線后采用平方譜數據減去擬合曲線得到瞬變譜，并以此作為譜峰判決的依據［23］。其中平方譜的譜峰數SN為瞬變譜中大于設定門限的譜峰數目。

圖1　水聲通信信號功率譜特征提取參數二維圖Fig.1 Two-dimensional diagrams of parameters

本文運用PCA方法從信號平方譜的訓練樣本中提取出主分量，選擇方差貢獻率較大的兩個主分量N V1、N V2作為新的特征空間，這樣可以得到信號新的特征參數。

圖2（a）和圖2（b）分別為從4個不同的淺海水聲信道獲取的BPSK、QPSK水聲通信信號進行平方譜的譜形狀分析提取的參數N-S N［20，22-23］二維圖和PCA獲取的主分量參數N V1-N V2二維圖。從圖2（a）中的BPSK和QPSK信號的N V1和N V2值分布情況可知，參數N V1和N V2可較好地對BPSK和QPSK信號進行區分。對比圖2（a）和圖2（b）的二維參數分布情況可看出，相比譜形狀特征提取方法，PCA方法能更好地區分BPSK、QPPSK信號。本參數，可以看出4個實驗信道均帶有一定的多普勒，其中信道3由于實驗水域海流速度較快，多普勒為2.0 Hz，稍高于其他3個實驗信道。圖4給出了4個信道的沖激響應，從圖4中可以看出，信道2、信道3具有較為明顯的多徑，信道1、信道4多徑較為微弱，4個實驗信道具有不同類型的水聲信道特性。

從4個不同信道獲取的720個水聲通信實驗信文采用主分量參數N V1和N V2作為信號平方譜的特征參數，作為區分BPSK和QPSK調制信號的特征參數。

圖2　水聲通信信號平方譜特征提取參數二維圖Fig.2 Two-dimensional diagrams of parameters

圖3　基于PCA的神經網絡調制識別系統示意圖Fig.3 Flow chart of modulation recognition system

3　識別器設計

本文識別器采用3層的反向傳播（BP）人工神經網絡［24］，隱層節點數為10，設定訓練迭代的終止條件為訓練誤差小于0.001；并設計了如圖3所示基于ANN的識別分類器。

網絡訓練達到穩定狀態后，保留網絡的權值用于后面的識別。一般采用BP普通算法時，收斂的速度較慢，因此本文采用Levengerg-Marquardt優化算法［25］，該算法精確度高，穩定性好，收斂速度快。

4　實驗與分析

4.1實驗設置

為驗證本文水聲調制識別方案的有效性，采用從某4個不同海域的水聲信道（本文中分別以信道1、信道2、信道3、信道4表示）獲取的水聲通信實驗信號數據進行調制識別實驗。表1給出了4個不同水域實驗信道的具體參數，實驗中接收和發射船都處于靜止狀態，接收信號信噪比為平均信噪比。表1中同時給出了表征信道時變的多普勒頻偏號具有以下3類調制類型:BPSK、QPSK、MFSK，其中:MFSK（包括2FSK、4FSK、8FSK）信號268個，QPSK信號249個，BPSK信號203個。信號樣本的采樣率96 kHz，16 bit量化。表2中給出了水聲通信信號數據樣本中各種調制信號的調制參數。

表1　實驗信道參數Tab.1 The parameters of four channels

表2　水聲通信信號調制參數Tab.2 Modulation parameters

圖4　實驗信道沖激響應Fig.4 The impulse responses of the experimental channels

海上實驗系統包括了信號發射和接收部分:發射部分包括調制信號產生、功率放大，最后通過換能器發射信號；接收部分包括接收換能器接收信號后經前置放大、帶通濾波預處理后通過模擬數字采集卡轉換為數字信號送入計算機中進行離線處理。通過對采集到的水聲通信信號進行功率譜、平方譜特征提取，并運用PCA對譜特征參數進行再提取，提取功率譜的主分量參數R V1、R V2以及平方譜的主分量參數N V1和N V2構成4維特征向量，進行調制識別實驗。

4.2實驗結果與分析

采用信號功率譜和信號平方譜的譜形狀特征提取方法［19-20，22-23］和本文PCA方法結合ANN，進行非合作水聲通信信號調制識別性能對比。

定義T為ANN訓練樣本數。從總樣本庫中分別隨機選取T個MFSK信號，T個BPSK信號，T個QPSK信號作為訓練集，其余樣本作為測試集。表3給出了在ANN訓練樣本數T=50條件下，譜形狀特征和PCA特征的調制識別結果。表4則給出了在ANN訓練樣本數T=100條件下，譜形狀特征和PCA特征的調制識別結果。

表3　T=50時特征提取的識別率Tab.3 Recognition rates of different features for T=50 ％

表4　T=100時特征提取的識別率Tab.4 Recognition rates of different features for T=100 ％

從表3和表4中可以看出:當T=50時，通過譜形狀特征提取方法，調制信號的正確識別率較低，除了MFSK外，BPSK、QPSK的調制方式的識別率都小于90％；而對于PCA方法，調制信號的正確識別率較高，BPSK、QPSK、MFSK的調制方式的識別率都大于90％，且都高于譜形狀特征提取方法。特別是QPSK信號的識別率提高了5.62％.當T=100時，譜形狀特征提取方法的正確識別率雖得到了明顯的改善，但仍低于PCA方法的識別率。以上說明在不同的訓練樣本下，PCA方法的識別性能明顯優于譜形狀特征提取方法。

圖5　不同信噪比條件下的水聲通信信號識別性能曲線Fig.5 Recognition performance of underwater acoustic communication signals under different SNRs

進一步挑選原始信噪比較高的信道2信號樣本疊加海上實錄噪聲進行不同信噪比下的識別性能對比分析。圖5給出了訓練樣本數T=30時，譜形狀特征提取方法和PCA方法在不同信噪比情況下，實驗信道2的BPSK、QPSK、MFSK信號識別結果。從圖5中可看出，隨著信噪比的下降，PCA方法識別率雖呈下降趨勢，但總體上識別率的下降趨勢較緩。而譜形狀特征提取方法在較高信噪比條件下，雖識別率的下降趨勢較緩，但隨著信噪比的下降，信號的識別率下降明顯。特別是在信噪比0 dB時對于QPSK信號，PCA方法識別率比譜形狀特征提取方法高了15.13％，表明PCA方法的噪聲容忍性能明顯優于譜形狀特征提取方法。

5　結論

針對非合作水聲通信信號調制的識別困難，本文提出了一種基于PCA的水聲通信信號調制識別方法，該方法運用PCA對功率譜、平方譜特征參數進行再提取，提取主分量參數構成4維特征向量，利用ANN調制識別分類器對BPSK、QPSK和MFSK 3種常見水聲通信調制信號進行調制識別測試。實驗結果初步表明，本文方法的識別性能及抗噪聲性能均優于傳統方法。考慮到本文實驗中接收和發射船均處于靜止狀態，僅存在海流造成的輕微多普勒效應，在較為明顯多普勒效應下的識別性能評估將在下一步工作中開展。

（References）

［1］ Wu Z，Yang TC，Liu Z，et al.Modulation detection of underwater acoustic communication signals through cyclostationary analysis［C］∥2012 Military Communications Conference.Orlando，FL: IEEE，2012.

［2］ Li X，Han Q，Liu Z，etal.Novel modulation detection scheme for underwater acoustic communication signal through short-time detailed cyclostationary features［C］∥2014 IEEE Wireless Communications and Networking Conference.Xi'an，Shaanxi:IEEE，2014:624-629.

［3］ Nandi A K，Azzouz E E.Automatic analogue modulation recognition［J］.Signal Processing，1995，46（2）:211-222.

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

［5］ Swami A，Sadler B M.Hierarchical digital modulation classification using cumulates［J］.IEEE Transactions on Communications，2000，48（3）:416-429.

［6］ GardnerW A，Spooner CM.Cyclic-spectral analysis for signal detection and modulation recognition［C］∥1988 Military Communications Conference.San Diego，CA:IEEE，1988:419-424.

［7］ 范海波，楊志俊，曹志剛.衛星通信常用調制方式的自動識別［J］.通信學報，2004，25（1）:140-149. FAN Hai-bo，YANG Zhi-jun，CAO Zhi-gang.Automatic recognition for com2mon used modulations in satellite communication［J］. Journal of China Institute of Communications，2004，25（1）: 140-149.（in Chinese）

［8］ 劉明騫，李兵兵，趙雷.數字調制信號識別的特征參數優化方法［J］.計算機科學，2011，38（11）:79-82. LIU Ming-qian，LI Bing-bing，ZHAO Lei.Feature optimization for digital modulation signals recognition［J］.Computer Science，2011，38（11）:79-82.（in Chinese）

［9］ 董建超，楊鐵軍，李新輝，等.主分量分析在激勵源識別中的應用研究［J］.振動與沖擊，2013，32（24）:157-163. DONG Jian-chao，YANG Tie-jun，LI Xin-hui，etal.Applications of principal component analysis in excitation source identification［J］.Journal of Vibration and Shock，2013，32（24）:157-163.（in Chinese）

［10］ Tong F，Tso S K，Hung M Y Y.Impact-acoustics-based health monitoring of tile-wall bonding integrity using principal component analysis［J］.Journal of Sound and Vibration，2006，294（S1/S2）:329-340.

［11］ Liu H，Yu L.Toward integrating feature selection algorithms for classification and clustering［J］.IEEE Transactions on Knowledge and Data Engineering，2005，17（3）:491-502.

［12］ Soares-Filho W，de Seixas JM，Caloba L P.Principal component analysis for classifying passive sonar signals［C］∥The 2001 IEEE International Symposium on Circuits and System.Sydney，NSW:IEEE，2001:592-595.

［13］ 魏鑫，李鋼虎，王志強.基于小波包與PCA方法對水下目標識別研究［J］.計算機仿真，2011，28（8）:8-11. WEI Xin，LI Gang-hu，WANG Zhi-qiang.Underwater target recognition based on wavelet packet and principal component analysis［J］. Computer Simulation，2011，28（8）:8-11.（in Chinese）

［14］ 洪先成，張國毅，李冬梅，等.多特征融合的雷達信號脈內調制識別［J］.信息與電子工程，2011，9（5）:551-555. HONG Xian-cheng，ZHANG Guo-yi，LI Dong-mei，et al.Fusion of characters for intra-pulse modulation recognition of radar signal［J］.Information and Electronic Engineering，2011，9（5）: 551-555.（in Chinese）

［15］ 常威威，郭雷，劉坤，等.基于主分量分析的高光譜遙感數據噪聲消除方法［J］.計算機測量與控，2009，17（6）:1070-1072. CHANG Wei-wei，GUO Lei，LIU Kun，et al.Denoising of hyperspectral data based on wavelet transform and principal component analysis［J］.Computer Measurement＆amp;Control，2009，17（6）:1070-1072.（in Chinese）

［16］ Haykin SO.Neural networks and learning machine［M］.Upper Saddle River，New Jersey:Prentice Hall，2008.

［17］ Ripley B D.Pattern recognition and neural networks［M］.Cambridge:Cambridge University Press，2008.

［18］ 梁傳建，楊國來，王曉鋒.基于神經網絡和遺傳算法的火炮結構動力學優化［J］.兵工學報，2015，36（5）:789-794. LIANG Chuan-jian，YANG Guo-lai，WANG Xiao-feng.Structural dynamics optimization of gun based on neural networks and genetic algorithms［J］.Acta Armamentarii，2015，36（5）:789-794.（in Chinese）

［19］ Chan Y T，Gadboi LG.Identification of the modulation type of a signal［J］.Signal Processing，1989，16（2）:149-154.

［20］ 江偉華，曹秀嶺，童峰.采用支持向量機的水聲通信信號調制識別方法［J］.廈門大學學報:自然科學版，2015，54（4）: 534-539. JIANG Wei-hua，CAO Xiu-ling，TONG Feng.Modulation recognition method of underwater acoustic communication signals using SVM［J］.Journal of Xiamen University:Natural Science，2015，54（4）:534-539.（in Chinese）

［21］ 黃如容.數字信號調制方式識別方法的設計與實現［D］.成都:西南交通大學，2012:8-10. HUANG Ru-rong.Design and realization of a method of automatic modulation recognition of digital signals［D］.Chengdu:Southwest Jiaotong University，2012:8-10.（in Chinese）

［22］ 劉芳.基帶通信信號的參數估計-調制識別及解調［D］.濟南:山東大學，2007:40. LIU Fang.Parameter estimation，modulation recognition and demodulation of communication signals on baseband［D］.Jinan: Shandong University，2007:40.（in Chinese）

［23］ 童峰，陸佶人，方世良.水聲目標識別中一種軸頻提取方法［J］.聲學學報，2004，29（5）:398-402. TONG Feng，LU Ji-ren，FANG Shi-liang.A method to estimate the propeller shaft rate in underwater acoustic vessel classification［J］.Acta Acustica，2004，29（5）:398-402.（in Chinese）

［24］ 盧言利，穆景陽.基于遺傳BP神經網絡的隱身涂層老化性能評價模型［J］.兵工學報，2015，36（8）:1580-1586. LU Yan-li，MU Jing-yang.Evaluation model of aging properties of stealth coatings based on genetic BP neural network［J］.Acta Armamentarii，2015，36（8）:1580-1586.（in Chinese）

［25］ 王波雷，馬孝義，郝晶晶.基于L-M優化算法的噴頭射程神經網絡預測模型［J］.農業機械學報，2008，39（5）:35-40. WANG Bo-lei，MA Xiao-yi，HAO Jing-jing.Prediction of sprinkler nozzle range based on L-M optimized algorithm［J］.Transactions of the Chinese Society for Agricultural Machinery，2008，39（5）:35-40.（in Chinese）

Modulation Recognition Method of Non-cooperation Underwater Acoustic Communication Signals Using Principal Component Analysis

JIANG Wei-hua1，TONG Feng1，WANG Bin2，LIU Shi-gang2
（1.Key Laboratory of Underwater Acoustic Communication and Marine Information Technology of Ministry of Education，Xiamen University，Xiamen 361005，Fujian，China；2.The PLA Information Engineering University，Zhengzhou 450002，Henan，China）

The modulation classification of the non-cooperation underwater acoustic communication signals is extremely challenging due to channel transmission characteristics and low signal-to-noise ratio.The principal component analysis（PCA）is used to analyze the power spectra and square spectrum features of signals，which is capable of extracting the principal components associated with different modulated signals as input vector，thus reducing the feature dimension and suppressing the influence of noise.An artificial neural network（ANN）classifier is proposed for modulation recognition.The experimental modulation classification results obtained from field signals in 4 different underwater acoustic channels show that the proposed modulation recognition method has good classification performance.

acoustics；underwater acoustic digital modulated signal；spectrum feature；modulation recognition；principal component analysis；ANN classifier

TN929.3

A

1000-1093（2016）09-1670-07

10.3969/j.issn.1000-1093.2016.09.017

2015-11-01

國家自然科學基金項目（11274259、11574258）

江偉華（1991—），男，博士研究生。E-mail:whjiang@stu.xmu.edu.cn；童峰（1973—），男，教授，博士生導師。E-mail:ftong@xmu.edu.cn