基于支持向量機的戰(zhàn)術(shù)電臺網(wǎng)絡(luò)通信信號調(diào)制識別

文永康+譚紅芳+馬勇

摘 要 為了在低信噪比下準(zhǔn)確識別戰(zhàn)術(shù)電臺網(wǎng)絡(luò)通信信號的調(diào)制方式，利用多種參數(shù)提取方法與支持向量機（SVM）對戰(zhàn)術(shù)電臺網(wǎng)絡(luò)通信信號的調(diào)制方式進行識別。運用瞬時參數(shù)分析、循環(huán)譜分析與小波包分解重構(gòu)相融合的方法，提取信號的多種特征值，將其作為SVM分類器的輸入，對戰(zhàn)術(shù)電臺網(wǎng)絡(luò)中常用的AM、FM、2ASK、4ASK、2PSK、4PSK、2FSK、4FSK、16QAM九種信號進行訓(xùn)練與測試，得到識別率。仿真結(jié)果表明，在信噪比為0dB時，識別率達到了98.89%，證明了該方法的有效性。

關(guān)鍵詞 戰(zhàn)術(shù)電臺網(wǎng)絡(luò)；調(diào)制識別；特征提??；支持向量機

中圖分類號 TN91 文獻標(biāo)識碼 A 文章編號 1674-6708（2017）199-0163-04

在電子偵察和電子對抗領(lǐng)域，通信信號調(diào)制分類占據(jù)著重要地位，兵馬未動，信息先行，現(xiàn)代戰(zhàn)爭中對立雙方在戰(zhàn)爭開始時最想爭奪的就是信息主動權(quán)，電子信息對抗已然可以左右一場戰(zhàn)爭的勝負[ 1 ]。在電子對抗中，第一步是對捕獲的敵軍信號進行分析處理，解密裹藏在信號中的重要信息，而信號的調(diào)制分類，則是進行這一過程的重要基石。其主要策略是，在缺少先驗信息的前提下，對信號進行參數(shù)估計和特征提取，判別已捕獲信號的調(diào)制方式；根據(jù)判別結(jié)果，進一步處理可得到其調(diào)制參數(shù)，據(jù)此對敵軍通信設(shè)施采取反制性干擾破壞，或可進一步解調(diào)，破譯敵方戰(zhàn)斗信息，進行針對性戰(zhàn)斗部署。戰(zhàn)術(shù)電臺網(wǎng)絡(luò)中存在不同類型的戰(zhàn)斗網(wǎng)絡(luò)，使用的電臺也因網(wǎng)絡(luò)的不同而存在差異，信號的調(diào)制方式也因業(yè)務(wù)需求和戰(zhàn)時環(huán)境的不同而變化[2]。在SINCGARS電臺中，美軍現(xiàn)役的AN/PRC-117F電臺和AN/PRC-152電臺，前者可用調(diào)制方式有AM、FM、ASK、FSK、BPSK、QPSK等，后者可用調(diào)制方式有AM、FM、PSK、FSK等。其他美軍電臺如SPEAKEASY電臺的調(diào)制方式有AM、FM、MPSK、QAM等。因此，本文主要針對戰(zhàn)術(shù)電臺網(wǎng)絡(luò)中的AM、FM、2ASK、2FSK、2PSK、4ASK、4FSK、4PSK、16QAM這9種調(diào)制模式進行分類識別。

在電子對抗中，由于干擾和噪聲的影響，信號比較難以捕捉，因此需要收集一定量的信號進行處理分析，建立特征參數(shù)庫，以便對后續(xù)捕捉的信號進行比對分析，所以本文采用了多種特征參數(shù)。而且SVM理論基礎(chǔ)扎實，處理多維參數(shù)問題相對其他機器學(xué)習(xí)算法更優(yōu)秀，且具有良好的泛化推廣能力[3-4]，因此本文基于統(tǒng)計模式識別方法，在特征提取環(huán)節(jié)采用瞬時參數(shù)分析、循環(huán)譜分析與小波包分解重構(gòu)相融合的方法，并選擇SVM作為分類器進行調(diào)制識別。

1 特征提取

1.1 瞬時參數(shù)提取

瞬時參數(shù)適合高信噪比下的調(diào)制識別，在低信噪比下性能非常差，但是從長遠來看，電子偵察和對抗是一項大工程，隨著信號捕捉預(yù)處理技術(shù)的發(fā)展，去干擾，提升信噪比的能力會逐步加強，當(dāng)發(fā)展到能將捕捉的信號處理到高信噪比，弱干擾的程度時，瞬時參數(shù)便能發(fā)揮作用。因此本文將瞬時特征參數(shù)作為一種參數(shù)加入到組建的特征參數(shù)組中。

參數(shù)一：零中心歸一化瞬時幅度功率譜密度最大值Rm[ 5 ]。

Rm可以把ASK信號和FSK、PSK信號分成兩類。因為ASK信號的包絡(luò)是變化的，則其acn（i）是不為零，相應(yīng)的譜密度值也不為零。而PSK信號和FSK信號的包絡(luò)保持不變，所以其acn（i）接近零值，則譜密度也接近零值。因此，利用Rm將ASK信號和FSK、PSK信號分成兩大類。

參數(shù)二：信號幅度的均方差std。這一參數(shù)可以將2ASK、4ASK、QAM信號分成三類，其中4ASK信號和QAM信號相比2ASK信號幅度離散程度大很多，4ASK信號與QAM信號幅度離散程度相近但仍能區(qū)分。

1.2 循環(huán)譜參數(shù)提取

在循環(huán)頻率為零處，由于平穩(wěn)信號不具有循環(huán)平穩(wěn)特點，噪聲作為一種平穩(wěn)信號只會在此處產(chǎn)生譜峰，在循環(huán)頻率非零處不會產(chǎn)生譜峰，即此參數(shù)可以有效克服平穩(wěn)噪聲的影響，適合低信噪比下的戰(zhàn)術(shù)電臺網(wǎng)絡(luò)通信信號的調(diào)制識別。而且循環(huán)譜可以更好地表現(xiàn)出信號的本質(zhì)屬性，由于進行了二次付里葉變換，使其分辨率更高。因此本文將循環(huán)譜參數(shù)作為一種參數(shù)加入到組建的特征參數(shù)組中。

參數(shù)三：特征循環(huán)譜在軸截面上的脈沖個數(shù)m[4]。對脈沖的計數(shù)方法是：先對截面譜的幅值進行歸一化處理，接著對截面譜進行一維搜索，找到大于所設(shè)門限值的對應(yīng)譜線，然后對這些譜線進行第二次搜索整理，搜尋比相鄰譜線更加突出的譜線，判決為一個脈沖。

1.3 小波分解重構(gòu)參數(shù)提取

小波交換能將信號的各種細節(jié)特征分離解析到各個不同尺度的小波系數(shù)上，并且對高頻部分進行分析時，時域步距適當(dāng)減小，可以觀察到信號的很多細微細節(jié)，在時域同樣具有很好的局部化特性，即具備獨特的多分辨率分析特點，在分析突變信號和非平穩(wěn)信號時性能很好。因此本文選用了db2母小波實現(xiàn)小波分解重構(gòu)，然后提取分解信號各層的均方差，對信號進行3層小波離析分解，將這些均方差值作為特征參數(shù)加入到組建的特征參數(shù)組中。

參數(shù)五：第三次分解后提取低頻系數(shù)cwtlo3的均方差。

參數(shù)六：分解前提取高頻1號系數(shù)cwtde1的均方差。

參數(shù)七：第一次分解后提取高頻2號系數(shù)cwtde2的均方差。

參數(shù)八：第二次分解后提取高頻3號系數(shù)cwtde3的均方差。

2 SVM分類器endprint

2.1 SVM原理

SVM是Vapnik和Cortes在1995年提出的，SVM根據(jù)VC維理論和結(jié)構(gòu)風(fēng)險最小原理，以有限的樣本信息，在模型的復(fù)雜性和預(yù)測能力之間追求最佳折衷，即在特定訓(xùn)練樣本的學(xué)習(xí)精度與識別任意樣本的能力間折衷，目標(biāo)是獲得最好的泛化推廣能力[ 7 ]。其本身具有優(yōu)秀的泛化能力適合于解決小樣本問題；再加上引入了核函數(shù)和松弛變量的緣故，造就了SVM處理解決非線性及高維模式問題的了得性能，而且能夠?qū)⒆陨淼倪@些優(yōu)勢擴大到函數(shù)擬合等其他問題中。

非線性支持向量機數(shù)學(xué)模型為：

2.2 SVM參數(shù)優(yōu)化

目前結(jié)合支持向量機的調(diào)制識別文獻都沒有給出核函數(shù)和松弛變量的參數(shù)值，沒有這兩個參數(shù)值，則會令人懷疑其泛化推廣能力[8-10]。席敏等人在運用SVM進行調(diào)制識別時[ 1 1 ]，就出現(xiàn)了硬間隔問題，使其SVM模型失去了泛化推廣能力。針對前四個特征參數(shù)，對SVM中的核參數(shù)g和懲罰因子C進行了遺傳算法優(yōu)化，仿真結(jié)果如圖4圖5，前者C，g參數(shù)未優(yōu)化，手動調(diào)參，范圍無限制；后者采用遺傳算法優(yōu)化，C設(shè)為[0.1-100]，g設(shè)為[0.01-1000]。

對比參數(shù)優(yōu)化前后的仿真性能，手動調(diào)參得到的懲罰因子C的值大的恐怖，而且識別率幾乎不隨信噪比的變化而變化，這種情況下就出現(xiàn)了硬間隔（過學(xué)習(xí)）問題，究其原因是全部樣本點與分類平面間的距離都被強制要求大于某個值，其結(jié)果就是模型很容易受少數(shù)點的掣肘，導(dǎo)致泛化推廣能力下降。經(jīng)過遺傳算法優(yōu)化后，雖然識別率下降，但是參數(shù)更健康，識別率隨信噪比的走勢更健康。

3 實驗仿真

3.1 仿真條件

識別信號：AM、FM、2ASK、4ASK、2FSK、4FSK、2PSK、4PSK、QAM；訓(xùn)練序列樣本數(shù)：180，測試序列樣本數(shù)：90；載波頻率：2kHz，符號速率：500bps，采樣速率：12kHz；選取特征：特征提取中的3種特征共8個參數(shù)。

3.2 仿真結(jié)果

由圖7和圖8仿真結(jié)果可知，運用本文中的三種特征參數(shù)，基于SVM仿真實現(xiàn)了2ASK、4ASK、2FSK、4FSK、2PSK、4PSK、QAM、AM、FM九種信號的調(diào)制識別，在-10dB信噪比下，仿真識別準(zhǔn)確率超過了80%；仿真準(zhǔn)確率在信噪比等于0dB時，接近100%。仿真結(jié)果證明了本文的方法是高效的。J.An等學(xué)者基于SVM，使用固有時間尺度算法提取的參數(shù)對2ASK、2PSK、2FSK、4ASK、4PSK、4FSK、16QAM信號進行分類，在信噪比為5dB時，準(zhǔn)確率為96.11%[12]。于是本文作者采用本文的特征參數(shù)組基于支持向量機對上面7種信號進行分類，測試樣本為7x50=350個信號，如圖9所示，在信噪比為5dB時，準(zhǔn)確率為100%，且在信噪比為0dB時，準(zhǔn)確率為97.7143%（342/350），識別結(jié)果更好。

4 結(jié)論

目前結(jié)合SVM的調(diào)制識別文獻都沒有給出核函數(shù)和松弛變量的參數(shù)值，沒有這兩個參數(shù)值，則會令人懷疑其泛化推廣能力，因此本文對核函數(shù)和松弛變量進行了參數(shù)優(yōu)化，給出了每個信噪比下優(yōu)化后的參數(shù)值，其值都在健康范圍內(nèi)。而且，基于本文提取的特征參數(shù)組，使用SVM進行信號分類，效果良好。與同類型IEEE文獻對比，本文的特征參數(shù)組取得的效果更好，在信噪比為5dB時，同比識別率上升到100%。

參考文獻

[1]閻瑾.美軍戰(zhàn)術(shù)互聯(lián)網(wǎng)體系架構(gòu)研究[J].通信技術(shù)，2011（9）：105-107.

[2]湯少鈺.戰(zhàn)術(shù)互聯(lián)網(wǎng)偵察技術(shù)研究[D].西安電子科技大學(xué)，2009.

[3]S. Hassanpour， A. M. Pezeshk and F. Behnia，“Automatic Digital Modulation Recognition Based on Novel Features and Support Vector Machine，”2016 12th International Conference on Signal-Image Technology & Internet-Based Systems（SITIS），Naples， Italy， 2016， pp. 172-177.

[4]S. Mihandoost and M. ChehelAmirani， “Automatic Modulation Classification using combination of Wavelet Transform and GARCH model，”2016 8th International Symposium on Telecommunications（IST）， Tehran， 2016， pp. 484-488.

[5]Nandi， Azzouz E E.， Automatic AnalogueModulation Recognition[J]. Signal Processing， 1995，46：211-222.

[6]潘瑩，張洪欣.基于支持向量機與譜特征的數(shù)字信號識別[J].濱州學(xué)院學(xué)報，2013（6）：79-83.

[7]Vapnik V N. The Nature of Statistical Learning theory[M].New York： Springer-Verlag，1995.

[8]李嬌.支持向量機參數(shù)優(yōu)化研究[D].武漢：華中師范大學(xué)，2011.

[9]丁勇，秦曉明，何寒暉.支持向量機的參數(shù)優(yōu)化及其文本分類中的應(yīng)用[J].計算機仿真，2010（11）：187-190.

[10]陸梓端，高茂庭.基于改進遺傳算法的支持向量機參數(shù)優(yōu)化[J].現(xiàn)代計算機（專業(yè)版），2014（9）：25-29，34.

[11]席敏，朱國魂，姜茜.基于小波變換與SVM的調(diào)制信號識別方法[J].桂林電子科技大學(xué)學(xué)報，2014（4）：274-278.

[12]An J.， Yi K.， Tian B.， Yu Q.， A Modulation Recognizer With ITD-Based Features[J]， IEEE International Conference On Signal Processing，Communications And Computing （ICSPCC）， Xian，2011， 1-4.endprint