基于改進判決樹的調制分類器

鄧兵 謝滄瀾 張韞

（1.海軍航空工程學院電子信息工程系煙臺264001）（2.91599部隊萊陽265200）

基于改進判決樹的調制分類器

鄧兵1謝滄瀾2張韞1

（1.海軍航空工程學院電子信息工程系煙臺264001）（2.91599部隊萊陽265200）

基于判決樹的調制樣式識別方法是一種實時性好、較為成熟的信號調制識別方法，但是如何正確確定判決門限是影響該方法穩健性的關鍵因素之一。論文提出了一種改進的判決樹法分類器，利用神經網絡的訓練思想，對判決樹法的參數門限進行訓練選取，從而提高了判決樹法的自適應能力，能夠隨著目標信號的變化而自適應調整判決門限。最后，通過仿真驗證了論文所提方法的有效性。

判決樹；調制樣式；分類識別；自適應

Class NumberTN76

1 引言

通信信號一般要經過調制之后才進行傳輸，因此，它的調制方式成為了通信對抗目標的重要特征之一。隨著通信技術水平的快速發展，通信信號傳播環境的日益復雜，通信信號本身的調制方式也越來越復雜，傳統的人工識別方式已經不適用。自動調制識別的出現克服了傳統的人工識別的缺點，能夠有效、實時、準確地對通信信號調制方式進行識別。其基本步驟如圖1所示。

1969年4月，C.S.Waver等發表了第一篇研究自動調制識別的論文《采用模式識別技術實現調制類型的自動分類》［1］。這也拉開了信號自動調制方式識別研究的大幕，之后一批學者和科技人員不斷地進行著該方面的研究。提取的識別特征主要分為：1）瞬時特征，如：瞬時幅度、瞬時頻率、瞬時相位［2］；2）統計特征，如：高階累積量、循環譜［3］；3）分形特征，如：分形盒維數、多重分形譜［4～5］；4）變換域特征，如：小波系數［6］；5）熵特征，如：香農熵、指數熵［7］；等等。

當特征參數提取完畢之后，分類器的設計也是十分重要的，設計的好壞將直接影響到識別正確率。目前分類器設計的方法主要有基于判決樹的方法［2，6］、基于支持向量機的方法［4，7］和基于神經網絡的方法［3，5］。其中，基于判決樹的方法是一種基礎的、比較成熟的方法，實時性好。它的難點在于如何正確確定判決門限和判決準則；而基于神經網絡和支持向量機的方法不需要人工確定判決門限和判決準則，適應性強、智能水平高，但是計算量相對較高，速度慢。本文設計了一種改進的判決樹法分類器，利用神經網絡法的訓練思想，對判決樹法的參數門限進行訓練選取，從而能夠提高判決樹法的適應能力。

2 特征參數和識別流程

2.1 特征參數

以模擬信號為例，其主要的調制方式是AM調制和FM調制，其中AM調制又可以分為DSB、LSB、VSB、USB等調制方式?？紤]到低信噪比的情況，本文選取幅度譜峰值γmax、譜對稱性P、信號包絡方差與均值平方之比R這三個特征值對FM、AM、DSB、LSB、VSB、USB調制進行識別。具體特征參數如下所示：

其計算公式為

式中，acn(i)表示零中心歸一化瞬時幅度，Ns表示采樣點數。acn(i)的計算公式如下：

幅度譜峰值γmax可以用來區分恒包絡信號和非恒包絡信號，即將FM和其他幾種信號區分開來?？紤]到在實際過程中噪聲的影響，對于FM信號，其acn(i)也是不為零的，所以需要設定一個門限0＜t(γmax)＜1，當||γmax＜t(γmax)時則判定為FM信號。

2）譜對稱性P［8］

其計算公式可以表示為

其中：PL表示信號的下邊帶功率，即：

PU表示信號的上邊帶功率，即：

譜對稱性參數P可以區分頻譜對稱的信號與頻譜不對稱的信號。理想情況下，FM、AM、DSB信號的頻譜是對稱的，所以P=0；USB信號的頻譜中只有上邊帶，故P=-1；LSB信號的頻譜中只有下邊帶，故P=1；對于VSB信號，|P|＜1。所以設置兩個譜對稱性參數P的門限值便可以將LSB、VSB、USB與AM、DSB信號區分出來，門限t（P）應該滿足0＜t(P)＜1。

3）信號包絡方差與均值平方之比R［9］

式中，σ2表示信號包絡的方差；μ2表示信號包絡均值的平方。

R用來區別AM信號和DSB信號。對于AM這一類信號，其信號包絡方差與均值平方之比R的計算公式可以表示為

同樣，對于DSB信號，R的計算公式可以表示為

對上式求二階導數，R是以q為自變量的單調遞增函數，對其求極限可得：

因此，可以通過設定門限值t（R）來區分兩類信號，小于門限的信號即為AM信號，大于門限值的信號判定為DSB信號。

2.2 識別流程

利用上述三個參數，得到判決樹法的流程如圖2所示。

3 判決門限反饋算法

為了選取最佳的判決門限，可以借鑒神經網絡的訓練模式，建立判決門限反饋算法如下：

1）首先設定初始值，并根據初始值的大小設定移動步長by和跳躍步長bt。

2）以by為移動步長分別沿著初始值增加和減少的部分前進5步，對每個參數在每一步中均進行了100次仿真實驗，選取5步平均正確率較高的方向作為判決門限的正方向，并進入步驟3）。

3）更新初始值，初始值沿著判決門限的正方向以步長為bt進行加減，并判斷分別以更新前后得到的參數作為門限時，其判決正確率的大小。如果更新后的正確率高，那么更新初始值成功，否則更新初始值失敗跳躍步長變為bt/2，重新進行初始值更新，直至更新初始值成功為止，跳躍步長恢復至bt。

4）以更新后的初始值為準，轉至步驟2），直至初始值更新跳躍步長bt小于移動步長by為止，此時的初始值即為最佳門限。

根據上述算法，得到各參數門限值以及在每一個判決步驟判決的正確率如表1所示。由表1可以發現，利用反饋訓練方法得到的判決門限的判決正確率是較高的。同時，在實際的訓練過程中也可以通過修改移動步長by和跳躍步長bt的值來增減訓練過程的復雜度。

表1 判決門限的訓練選取

4 仿真

在信噪比5dB、10dB、15dB的條件下進行蒙特卡洛仿真，得到結果如表2～表4所示。

表25dB情況下調制識別準確率

表310dB情況下調制識別準確率

表415dB情況下調制識別準確率

由表2可以發現：信噪比較低（5dB）情況下，調制識別的正確率還是比較高的。其中，FM信號有一定可能性會被識別成AM信號，這是由于受到噪聲的影響，FM信號的零中心歸一化瞬時幅度acn（i）不為零；而AM信號誤識別為DSB的概率較高，DSB、USB、VSB、LSB四種信號是利用譜對稱性進行識別的，正確識別率是比較高的。

由表3可知，隨著信噪比的提高，各種調制樣式的正確識別率均有所增加。其中，AM信號的正確識別率會隨著信噪比的增加有著較為明顯的提高，效果較好。

由表4可以發現：隨著信噪比提高到15dB，除了調制識別的正確率得到顯著提高外，DSB信號不會再被誤識別為VSB信號和LSB信號；USB不會再被誤識別為VSB信號；VSB信號不會再被誤識別為DSB和USB信號；LSB信號不會再被誤識別為DSB信號。

5 結語

本文利用反向傳播（BP）的思想，在傳統的判決樹法基礎上，對判決門限值的選取進行改進。設計了訓練反饋算法對判決門限值進行計算得到，從仿真結果來看，具有較好的適應性，得到了較高的判決準確率。為進一步提升判決準確率，可考慮在目前利用單一特征參數進行二分判決的基礎上，結合初步判決結果對容易混淆的相近調制樣式進行多特征參數的聯合判決。

［1］鄧兵，張韞，李炳榮.通信對抗原理及應用［M］.北京：電子工業出版社，2017.

［2］王志力，王玉文，蔣瑜，董家志.基于決策理論的信號調制識別改進算法［J］.無線電工程，2014，44（5）：30-33.

［3］趙雄文，郭春霞，李景春.基于高階累積量和循環譜的信號調制方式混合識別算法［J］.電子與信息學報，2016，38（3）：674-680.

［4］陳紅，蔡曉霞，徐云，劉文濤.基于多重分形特征的通信調制方式識別研究［J］.電子與信息學報，2016，38（4）：863-869.

［5］黨月芳，徐啟建，張杰，陳曉.高階累積量和分形理論在信號調制識別中的應用研究［J］.信號處理，2013，29（6）：761-765.

［6］趙知勁，胡俊偉.基于小波系數稀疏性的數字調制樣式識別［J］.杭州電子科技大學學報，2014，34（2）：16-19.

［7］李一兵，葛娟，林云.基于熵特征和支持向量機的調制識別方法［J］.系統工程與電子技術，2012，34（8）：1691-1695.

［8］馮小平，李鵬，楊紹全.通信對抗原理［M］.西安：西安電子科技大學出版社，2009.

［9］王旭.基于小波變換的通信信號特征提取與調制識別［D］.貴州：貴州大學，2009.

Modulation Classification Based on Improved Decision Tree Method

DENG Bing1XIE Canglan2ZHANG Yun1
（1.Department of Electronic and Information Engineering，Naval Aeronautical and Astronautical University，Yantai264001）（2.No.91599 Troops of PLA，Laiyang265200）

Modulation classification based on the decision tree is comparatively mature and better in real-time for signal modulation identification，whereas how to determine the decision threshold correctly is one of the key factors influencing its robustness. An improved method of modulation classification based on the decision tree has been proposed in this paper.Using the neural network for reference，this proposed method selects the decision threshold by training，which improves the adaptive ability of the traditional decision tree.Thus，the decision threshold is adaptively adjusted along with the change of the target signal.Finally，the feasibility of this proposed method is verified by simulation.

decision tree，modulation mode，classification and identification，self-adaptation

TN76

10.3969/j.issn.1672-9730.2017.06.011

2016年12月17日，

2017年1月21日

國家自然科學基金項目（編號：61571454，60902054，61032001）資助。

鄧兵，男，博士，副教授，研究方向：非平穩信號處理及其應用。謝滄瀾，男，助理工程師，研究方向：電子對

抗。張韞，男，碩士，講師，研究方向：綜合電子戰。