基于二次星座聚類提取信號特征參數的方法

單劍鋒，岳震林

(南京郵電大學 電子科學與工程學院，江蘇 南京 210003)

基于二次星座聚類提取信號特征參數的方法

單劍鋒，岳震林

(南京郵電大學 電子科學與工程學院，江蘇 南京 210003)

針對傳統單一的聚類算法在低信噪比時對調制信號識別率低，以及進行特征提取的算法復雜并且難以實現的問題,為了提高星座調制信號在低信噪比的識別率，在對比了不同的MPSK和MQAM的星座圖的差異性的基礎上，提出了一種二次星座聚類提取信號特征值的方法。其利用改進核函數的DENCLUE(基于密度的聚類)提取信號星座圖中密度最大點作為k均值聚類的初始聚類中心，并通過k均值聚類實現了一種新型的提取特征值方法，提取出一組特征值，采用支持向量機構造信號識別模型，并進行分類識別。仿真結果表明，所提出的方法相比傳統單一的聚類算法，尤其是在低信噪比下對星座圖調制信號的識別率和健壯性較好，并且基于該算法的實際系統簡單可靠，具有廣闊的發展空間。

星座調制；聚類算法；調制識別；特征提取

0 引 言

作為現代移動通信技術中的關鍵點—調制識別一直是通信領域的研究熱點，特別進入21世紀以來，隨著3G、4G通信的興起，世界各個國家和地區的科學家、學者提出了很多調制識別通信信號方法[1]。近年來，MPSK和MQAM的研究發展日趨成熟，作為新興的數字通信技術，其擁有頻帶利用率高、調制方式靈活、抗噪性能優越等眾多優點[2]。未來將會在商用民用LTE通信、認知無線電、軍用通信系統等領域內廣泛使用[3]。然而，對MPSK和MQAM信號識別率的高低依然是目前能否進行實際使用的一個關鍵所在。因此，學者們對QAM調制信號的識別也進行了廣泛而深入的研究[4-8]。例如，文獻[9]使用減法聚類和粒子群結合提取星座圖分類特征的方法，并使用函數進行判決分類。文獻[10]基于遺傳算法的自適應C均值聚類算法對MQAM進行星座識別。文獻[11]使用模糊C均值聚類提取特征值，并使用神經網絡進行機器學習和分類識別。然而上述文獻只涉及了一種聚類識別方法，均值聚類法容易受初始聚類中心隨機選取的影響，而陷入局部最優；DENCLUE(基于密度的聚類)必須選用樣本中的點代替重構的星座圖點，會導致聚類的結果不是最優；神經網絡中也存在學習過程復雜緩慢等問題。

針對上述缺陷，提出了一種基于核函數估計的DENCLUE和k均值聚類的二次星座聚類算法，以提取QAM、PSK信號星座圖中的特征值，并采用改進的支持向量機進行分類識別，提高了MPSK、MQAM等信號的調制識別率。

1 基于二次星座聚類提取調制信號特征參數的原理

對于某些基于星座圖調制方式MPSK/MQAM的信號，采用基于二次星座聚類與支持向量機的新方法，實現對信號的調制識別，其識別系統模型如圖1所示。

圖1 識別系統模型

1.1 基于二次星座聚類的特征提取

DENCLUE是一種基于密度的快速獨立的近似聚類方法[4]。k均值聚類是一種傳統的基于距離的聚類算法[7]。針對MPSK/MQAM信號的調制識別領域，上述兩種算法有明顯的不足之處:DENCLUE計算后得到的聚類中心個數與初始給定半徑ra影響較大，半徑稍微增加就會導致密度的顯著改變，不能準確還原星座圖的真實圖像(星座圖可能存在變形、殘缺)，因此采用核函數估計方法，把每個測量對象都當作一個對周圍區域的高密度指示器。k均值聚類中，聚類中心k的數目是事先給定的，但是在MQAM、MPSK信號的識別過程中，由于事先并不知道M是多少，無法給定聚類中心k的值，因此利用DENCLUE聚類算法給定一個初始的聚類中心，以提高k均值聚類的精度并且減少搜索聚類中心次數。在分析上述兩種聚類算法的優缺點的基礎上，將其結合并提出了一種二次星座聚類提取信號特征參數的方法：

(1)利用DENCLUE選擇密度最大的k個初始聚類中心。

step1：對MPSK/MQAM信號進行信號預處理，得到信號具有n個點的星座圖。定義星座圖中樣本點xi的密度指標為：

(1)

step2：利用式(1)計算每個點的密度指標，選擇密度指標最高的樣本點xc1作為第一個聚類中心，Dc1為其密度指標。其中，ra是一個正數，定義了該點的鄰域半徑，半徑以外的數據點對該點的密度指標貢獻較小，這里取：

(2)

令xci為第i次選取的聚類中心，Dci為其密度指標，利用式(3)對其他數據點的密度指標進行修正。

(3)

其中，常數rb定義了一個密度指標顯著減小的領域。通常設定rb大于ra，以避免出現太近的聚類中心對后續算法的干擾，這里取rb=1.4ra。

step3：在修正每個數據點的密度指標后，選定下一個聚類中心并不斷重復上述過程，直至確定k個聚類中心。

(2)利用k均值聚類進行特征提取。

step1：對于上述給定的星座圖,令J=1,并選擇上面確定的k個初始聚類中心Zj(J),j=1,2,…,k;并計算星座圖中每個點與聚類中心的歐氏距離D(xi,Zj(J)),i=1,2,…,n,j=1,2,…,k。

(4)

其中，Zx、Zy、xx、xy分別為聚類中心和星座圖中其他點的橫縱坐標。

如果歐氏距離滿足式(5)，則xi∈ωj。

D(xi,zj(J))=min{D(xi,zj(J))},j=1,2,…,k

(5)

step2：令J=J+1，計算k個新的聚類中心和誤差平方和準則Jc的值:

(6)

并作以下判斷：若Zj(J+1)不等于Zj(J),則J=J+1，并且重復進行該步驟。否則算法結束，得到k個聚類中心和每個聚類中心的類內點的集合。

step3:當聚類中心數目為k時，計算每個類內的點到該類中心點的歐氏距離之和s1,s2,…,sk，并求出距離之和的平均值Sk：

(7)

step4：對Sk進行歸一化，定義單位歐氏距離的Sk為特征值Tc。

由于研究的是MPSK/MQAM信號的調制識別，所以聚類中心數k分別取2，4，8，16，32，64。即對接收到的信號點分別在以上6種不同的信號點進行上述二次星座聚類運算，并分別計算出不同k值的特征值Tk。在不同的信噪比下，針對不同的聚類中心k，分別計算出6種調制方式的特征參數T2、T4、T8、T16、T32、T64，如表1所示。

表1 特征參數

由表1可以看出，在一定的信噪比下，不同信號的六個特征參數有明顯不同。因此，可以通過特征參數T2、T4、T8、T16、T32、T64來實現對BPSK,8PSK,4QAM,16QAM,32QAM，64QAM等6種信號的調制識別。

1.2 支持向量機的訓練與調制識別

(1)支持向量機的訓練。

由于提取的信號特征值較多，因此利用改進的一對一支持向量機方法來解決多種信號的分類問題，并使用多個二分類器共同組成MQAM/MPSK信號的分類器[12]。首先將上面經過二次星座聚類算法所提取的6個特征參數T2、T4、T8、T16、T32、T64送入支持向量機，對支持向量機進行機器學習，將出現最多的那個類別作為該樣本最終的分類結果[13]。

(2)支持向量機的調制識別。

支持向量機訓練完成后，將上述6種中的一種未知信號經過預處理后，利用上面的二次星座聚類進行特征提取，然后將6個特征參數T2、T4、T8、T16、T32、T64作為輸入，送入訓練好的支持向量機，輸出得到測試信號的調制類型。

2 仿真結果與分析

使用Matlab 2014，Intel Core i5四核處理器進行仿真實驗,選取的待檢測信號分別是BPSK,8PSK,4QAM,16QAM,32QAM，64QAM，載波信號為正弦波，載波頻率為2 000 Hz，采樣頻率為12 000 Hz，碼元速率為500 bps，在信噪比為-2 dB，0 dB，2 dB，5 dB,10 dB時，對模糊C均值聚類算法和所提出的基于二次星座聚類進行信號特征提取的算法進行對比，均使用基于支持向量機的多分類器進行分類識別，每種情況各進行500次，計算出在不同信噪比下該方法對各種MQAM調制的平均識別率，結果如圖2和圖3所示。

圖2 采用模糊C均值聚類算法進行特征提取的調制識別率仿真圖

圖2、圖3表明，當信噪比為2 dB時，二次星座聚類算法對BPSK,8PSK,4QAM，16QAM的識別率基本接近100%，有了大幅提高，對32QAM的識別率達80%以上,對64QAM的識別率將近80%，高于基于模糊C均值聚類等單獨的聚類算法；在信噪比為-2 dB時，對BPSK,8PSK,4QAM，16QAM的識別率高于90%，32QAM、64QAM也有70%左右，高于其他單一的聚類算法。充分體現了二次星座聚類算法在低信噪比下的健壯性，并且保持了較高的信號識別率。

圖3 采用二次星座聚類算法進行特征提取的調制識別的仿真圖

由于不同PSK/QAM信號的星座圖的中心位置不同，導致當聚類中心為k時，其聚類中心位置不同，因此不同星座圖各點到該點的聚類中心的距離不同，取平均并將其作為特征值，據此來判決不同的信號。當信號的星座圖的中心位置差異越大時，該算法的正確率越高，并且在低信噪比下，通過兩次星座聚類，可以有效去除噪聲的影響，從而更加精確地獲得星座圖上信號的點，因此該算法在低信噪比下依然保持了良好的識別率。并且首先使用了DENCLUE算法找出了密度極大值點，在一定程度上給予了k均值聚類正確的初始聚類中心，避免了k均值聚類隨機選取聚類中心不正確而導致多次計算選取，因此可以有效減少算法的迭代次數以及運算時間。

3 結束語

為了提高星座調制信號在低信噪比下的識別率，提出了基于二次星座聚類提取信號特征值的算法。選取了通信中幾種常用的基于星座圖的調制方式，利用二次星座聚類算法提取了具有明顯差別的6種特征參數作為支持向量機的輸入，并采用多個二分類器結合的支持向量機對其進行訓練，以實現對MQAM、MPSK調制信號的調制識別。

基于Matlab的多次仿真結果表明，與傳統單一的聚類算法相比，提出的識別方法在低信噪比下的抗噪聲能力強，信號識別率較高，在實際的信號識別系統中具有一定的應用價值。

[1] 楊 杰,劉 珩,卜祥元,等.通信信號調制識別-原理與算法[M].北京：人民郵電出版社，2014.

[2] 黨月芳,徐啟建,張 杰.數字調制識別的關鍵技術與發展趨勢[J].傳感器與微系統,2012,31(10):1-5.

[3] 李蘋蘋,孫鋼燦,申金媛,等.基于半監督聚類理論的MQAM信號的盲識別[J].青島科技大學學報:自然科學版,2014,35(4):405-409.

[4] 楊發權,李 贊,羅中良.混合調制信號調制識別方法[J].中山大學學報:自然科學版,2014,53(1):42-46.

[5] 盛宇波,周 瀾,程維文，等.Efficient entanglement purification in quantum repeaters[J].Chinese Physics B,2012,21(3):67-73.

[6] 王婷婷,龔曉峰.基于星座圖的PSK、QAM信號聯合識別算法應用[J].計算機應用研究,2015,32(7):2116-2118.

[7] Ericson K, Pallickara S. On the performance of high dimensional data clustering and classification algorithms[J].IEEE Communications Letters，2010，12(5):801-813.

[8] Ahmadi N,Berangi R．Modulation classification of QAM and PSK from their constellation using genetic algorithm and hierarchical clustering[C]//ICITA.Cairns:IEEE,2008:98-103.

[9] Li Yanling, Li Bingbing, Yin Changyi.Modulation classification of MQAM signals using particle swarm optimization and subtractive clustering[C]//IEEE 10th international conference on signal processing.[s.l.]:IEEE,2010.

[10] 吳月嫻,葛臨東,許志勇,等.基于遺傳算法的自適應聚類與MQAM星座識別[J].計算機工程,2007,33(22):39-41.

[11] Yang Faquan,Li Zan.Method of neural network modulation recognition based on clustering and Polak-Ribiere algorithm[J].Journal of Systems Engineering and Electronics,2014,25(5):742-747.

[12] 程 佳.支持向量機與K-均值聚類融合算法研究[D].大連:遼寧師范大學,2008.

[13] Zhu Zhechen,Aslam M W,Nandi A K.Support vector machine assisted genetic programming for MQAM classification[C]//10th international symposium on signals,circuits and systems.[s.l.]:[s.n.],2011.

A Method of Extracting Feature Parameters of Signals Based on Two Constellation Clustering

SHAN Jian-feng，YUE Zhen-lin

(School of Electronic Science and Engineering,Nanjing University of Posts and Telecommunications,Nanjing 210003,China)

Aimed at the problems that traditional single clustering algorithm has the low recognition rate of the modulation signal in low SNR (Signal-Noise Ratio) and feature extraction algorithm is complex and difficult to achieve,in order to improve the recognition rate of the constellation modulation signal in low SNR,an innovative method for twice constellations clustering has been proposed based on the comparison of the differences of MPSK and MQAM constellation diagram,where improved kernel function DENCLUE (density-based clustering) is used to extract the maximum density of the signal constellation as the initial clustering center ofK-means clustering.The new feature value extraction method has been implemented for acquisition of characteristic values.The support vector machine has been used to construct the signal recognition model and its classification and identification has been conducted.Simulation results show that the method is better than traditional single clustering algorithm,which is good at the recognition rate and robustness of constellation modulation signal in low SNR especially and that the practical system with this proposed algorithm is simple and reliable with broad development space in future.

constellation modulation;clustering algorithm;modulation recognition;feature extraction

2016-06-19

2016-09-22 網絡出版時間：2017-03-13

國家自然科學基金面上項目(GZ212015)

單劍鋒(1967-)，男，副教授，研究方向為電路與系統、智能信息處理、電路故障診斷；岳震林(1992-)，男，碩士研究生，研究方向為智能信息處理。

http://kns.cnki.net/kcms/detail/61.1450.tp.20170313.1546.058.html

TP911

A

1673-629X(2017)06-0091-04

10.3969/j.issn.1673-629X.2017.06.019