基于小波神經網絡的數字信號調制方式識別

梁 曄, 郝 潔, 石 蕊

(1. 蘭州城市學院 電子與信息工程學院, 蘭州 730070; 2. 西北民族大學 電氣工程學院, 蘭州 730030)

在數字信號應用過程中, 信號的調制解調技術十分關鍵, 在數字信號進行解調時, 首先要知道數字信號的調制方式, 因此數字信號調制方式自動、 快速準確識別的研究受到廣泛關注[1-6].

數字信號調制方式的識別最初采用人工方式實現, 首先通過具有相關知識的專業人員設置不同類型的解調器, 然后對接收到的數字信號進行變頻處理, 將變頻后的信號輸入到解調器中, 最后結合自己的知識、 波形以及聲音得到數字信號調制方式. 該方法由于需要人工參與, 自動化程度低, 同時數字信號調制方式識別結果與專業人員自身知識密切相關, 導致數字信號調制方式識別正確率較低, 而且數字信號調制方式識別時間長, 無法滿足數字信號發展的要求[7-8]. 隨著數字信號和信息處理技術的不斷完善, 目前已有許多新的數字信號調制方式自動識別方法, 如: 基于混沌理論的數字信號調制方式識別方法, 對數字信號進行混沌分析, 通過模式識別技術實現數字信號調制方式識別； 基于星座圖的數字信號調制方式識別方法； 基于小波分析的數字信號調制方式識別方法; 基于高階累積量的數字信號調制方式識別方法等. 這些方法在數字信號的信噪比較高時, 可獲得較理想的數字信號調制方式識別結果[9-11], 但當信噪比減小時, 數字信號調制方式識別正確率急劇下降[12-13]. 文獻[14-16]提出了基于BP神經網絡的數字信號調制方式識別方法, 由于BP神經網絡屬于智能學習算法, 可對數字信號調制方式進行自動分類, 提高了數字信號調制方式的識別正確率, 但BP神經網絡自身存在易陷入局部極小值等缺陷, 會對數字信號調制方式識別產生不利影響. 小波神經網絡是小波理論和神經網絡相結合的產物, 比其他神經網絡具有更優的自組織、 自學習和容錯能力, 為數字信號調制方式識別的建模提供了一種新工具.

針對目前數字信號調制方式識別方法存在正確率低等缺陷, 本文提出一種基于小波神經網絡的數字信號調制方式識別方法. 首先從數字信號中提取調制方式識別的特征, 然后采用小波神經網絡建立數字信號調制方式識別的分類器, 最后在MATLAB2016平臺上實現數字信號調制方式識別的仿真測試. 實驗結果驗證了小波神經網絡數字信號調制方式識別的有效性和優越性.

1 小波神經網絡的數字信號調制方式識別流程

圖1 數字信號調制方式的識別流程Fig.1 Identification process of digital signal modulation mode

基于小波神經網絡的數字信號調制方式識別方法工作流程可分為如下3個階段：

1) 采集數字信號, 并對信號進行預處理, 主要為信號的消噪處理;

2) 提取數字信號調制方式識別的特征參數;

3) 設計數字信號調制方式識別的分類器.

基于小波神經網絡的數字信號調制方式識別流程如圖1所示.

2 基于小波神經網絡的數字信號調制方式識別方法設計

2.1 數字信號的預處理

設包含有噪聲的數字信號為x(t)=s(t)+n(t), 其中s(t)和n(t)分別表示原始信號和噪聲, 對x(t)進行變換可得

wx(j,k)=ws(j,k)+wn(j,k),j=0,1,…,J;k=0,1,…,N,

(1)

其中:wm(j,k)(m=x,s,n)表示第j層上的不同信號變換系數；J表示分解層數；N表示信號大小.

(2)

其中sgn( )表示符號函數.

2.2 提取數字信號的特征參數

目前數字信號調制方式識別特征參數較多, 由于信號瞬時信息可更好描述數字信號調制方式的類型, 因此提取信號瞬時信息的6個特征參數:

1) 數字信號幅度的標準差和均值分別為σa和ua,Rσa為兩者的比值, 計算公式為

(3)

2) 數字信號的相位標準差和均值分別為σp和up, 其比值為Rσp, 計算公式為

(4)

3)A表示數字信號的零中心歸一化瞬時幅度, 平均值M2的計算公式為

(5)

4)Af表示數字信號的零中心歸一化瞬時頻率,

其中,af表示信號的瞬時頻率; 均值MF1計算公式為

(6)

(7)

6)Af的相位為Ap, 均值MP1計算公式為

(8)

2.3 粒子群優化小波神經網絡

2.3.1 粒子群優化算法 設粒子的位置和速度分別為Xi和Vi, 在解空間中, 粒子的位置更新通過不斷跟蹤自身最優解Pbest=(pi1,pi2,…,piD)和群體最優解Gbest=(pg1,pg2,…,pgD)實現, 計算公式為

Vid=ω×Vid+c1×rand( )×(Pbest-xid)+c2×rand( )×(Gbest-xid),

(9)

Xid=Xid+Vid,

(10)

圖2 小波神經網絡結構Fig.2 Structure of wavelet neural network

其中: rand( )表示隨機數;d表示維數;c1和c2表示加速系數；ω表示權值.

2.3.2 小波神經網絡 本文采用小波基函數代替隱含層激活函數產生小波神經網絡, 通過小波神經網絡對數字信號調制方式進行學習, 建立數字信號調制方式的分類器, 數字信號調制方式識別的小波神經網絡結構如圖2所示.

小波函數可定義為

(11)

小波神經網絡的隱含層第j個神經元的輸入和輸出分別為

(12)

其中：ωij表示輸入層與隱含層間的連接權值；θj(k)表示隱含層的閾值. 小波神經網絡的輸出層第j個神經元的輸入和輸出分別為

(14)

(15)

(16)

小波神經網絡的數字信號調制方式識別步驟如下:

1) 采集數字信號, 并通過閾值法去除數字信號中的噪聲;

2) 從去除噪聲的數字信號中提取信號瞬時信息的6個特征參數, 并做歸一化處理

(17)

3) 根據信號瞬時信息的6個特征參數確定小波神經網絡的拓撲結構, 并初始化小波神經網絡相關參數;

4) 確定粒子群的適應度函數, 將數字信號調制方式識別平均誤差作為粒子群優化小波神經網絡參數的適應函數值, 公式為

(18)

其中:di和tk分別表示數字信號調制方式識別類型和實際的數字信號調制方式;m表示小波神經網絡的輸出節點數量；n表示數字信號調制方式的訓練樣本數量;

5) 將數字信號調制方式識別的訓練樣本輸入到小波神經網絡進行學習, 并通過粒子群優化算法優化小波神經網絡的權值和閾值;

6) 根據新的粒子群適應度值對當前數字信號調制方式識別分類器參數最優解進行不斷更新;

7) 當找到數字信號調制方式識別分類器參數的最優解時, 粒子群算法尋優結束;

8) 小波神經網絡根據最優權值和閾值對數字信號調制方式識別的訓練樣本進行重新學習, 建立最優的數字信號調制方式識別分類器;

9) 將待測試的數字信號調制方式識別樣本輸入到分類器中進行學習, 并輸出該數字信號調制方式的類型.

3 仿真測試

3.1 測試環境

為了分析小波神經網絡的數字信號調制方式識別效果, 選擇常用的7種數字調制信號作為測試對象, 仿真測試平臺為MATLAB2016. 實驗仿真參數設置如下: 載頻為150 kHz, 采樣頻率為1 200 kHz, 碼元速率為12 500 b/s, 采樣點數為10 000; 神經網絡輸入層節點數為6, 神經網絡的隱含層節點數為13, 神經網絡輸出層節點數為7; 粒子群優化算法迭代次數為100, 粒子群優化算法的粒子數為20, 粒子群優化算法的權值為0.95.

3.2 結果與分析

在數字信號的信噪比分別為0和20 dB條件下, 對7種不同類型的數字信號調制方式識別, 每種信號采集的樣本數量均為20, 其中15個樣本數量作為訓練樣本集, 用于建立數字信號調制方式識別的分類器, 剩余5個樣本作為測試樣本集, 采用基本小波神經網絡和粒子群優化算法優化小波神經網絡對樣本進行學習和測試, 統計數字信號調制方式識別的最優目標函數值, 得到了基本小波神經網絡和粒子群優化算法優化神經網絡最優解對應的目標函數值變化曲線如圖3所示. 由圖3可見, 無論數字信號的信噪比為0或20 dB, 粒子群優化算法優化小波神經網絡的最優適應度值均優于小波神經網絡, 且加快了找到最優適應度值的速度, 表明采用粒子群優化算法搜索小波神經網絡的連接權值和閾值可改善小波神經網絡的性能.

圖3 不同信噪比條件下的適應度值變化曲線Fig.3 Change curves of fitness value under different signal-to-noise ratios

當數字信號的信噪比為0～ 20 dB時, 采用本文數字信號調制方式識別方法對7種信號進行分類識別, 每種數字信號調制方式識別率列于表1. 由表1可見, 數字信號的信噪比越高, 數字信號調制方式識別率越高, 表明本文對原始數字信號進行去噪可獲得高質量的數字信號, 能改善數字信號調制方式識別結果, 同時對于所有數字信號調制方式, 本文方法的平均識別均達90%以上, 識別率可滿足數字信號處理應用85%的要求, 說明本文的數字信號調制方式識別方法是一種有效的、 結果可靠的識別方法.

表1 不同信噪比下的數字信號調制方式識別率(%)

為表明本文提出的數字信號調制方式識別方法的優越性, 選擇文獻[17-18]中經典數字信號調制方式識別方法進行對比測試, 在相同的實驗環境下, 數字信號的信噪比為0～ 20 dB時, 所有方法均進行10次獨立的仿真實驗, 統計其數字信號調制方式平均識別率和平均識別時間, 對比實驗結果如圖4所示.

圖4 與經典數字信號調制方式識別方法的性能對比Fig.4 Performance comparisons with classical methods of digital signal modulation recognition methods

由圖4可見:

1) 在相同數字信號信噪比的條件下, 本文方法的數字信號調制方式平均識別率均高于文獻[17]和文獻[18]的數字信號調制方式識別方法, 這是由于本文算法通過小波神經網絡建立了性能較優的數字信號調制方式識別分類器, 克服了當前數字信號調制方式識別方法錯誤率大、 對噪聲魯棒性差等缺陷, 同時通過粒子群優化算法對小波神經網絡的連接權值和閾值進行在線優化, 明顯減少了數字信號調制方式識別誤差, 提高了數字信號調制方式識別率;

2) 在相同實驗環境下, 本文方法的數字信號調制方式平均識別時間明顯減少, 這是因為本文方法對原始數字信號進行了去噪處理, 抑制了噪聲對數字信號調制方式建模的干擾, 提取了更優的數字信號調制方式識別特征, 簡化了數字信號調制方式識別的分類器結果, 加快了數字信號調制方式識別速度, 具有更好的實用性.

綜上所述, 為了提高數字信號調制方式的識別和分類性能, 本文提出了一種基于神經網絡的數字信號調制方式識別方法, 首先提取數字信號的瞬時特征, 并進行歸一化處理作為神經網絡的輸入向量; 然后通過粒子群優化神經網絡構建數字信號調制方式識別的分類器; 最后通過仿真測試結果表明, 無論是數字信號的信噪比高或低, 本文方法均可獲得較理想的數字信號調制方式識別結果, 具有較強的抗噪性能.

[1] Dobre O, Abid A, Bar-Ness Y, et al. Survey of Automatic Modulation Classification Techniques: Classical Approaches and New Trends [J]. IET Communieations, 2007, 21(2): 137-156.

[2] WANG Jianghong, LI Bingbing, LIU Mingqian, et al. SNR Estimation of Time-Frequency Overlapped Signals for Underlay Cognitive Radio [J]. IEEE Communications Letters, 2015, 19(11): 1925-1928.

[3] 徐聞, 王斌. 采用高階累計量的時頻混疊信號調制識別研究 [J]. 信息工程大學學報, 2013, 14(3): 299-305. (XU Wen, WANG Bin. Method of Modulation Recognition of Time-Frequency Overlapped Signals Based on High-Order Cumulants [J]. Journal of Information Engineering University, 2013, 14(3): 299-305.)

[4] 孫運全, 孫玉坤, 楊澤斌, 等. 數字信號處理技術在饋線自動化終端中的應用 [J]. 江蘇大學學報(自然科學版), 2004, 25(2)： 160-163. (SUN Yunquan, SUN Yukun, YANG Zebin, et al. Application of Digital Signal Processor in Feeder-Terminal-Unit [J]. Journal of Jiangsu University (Natural Science Edition), 2004, 25(2)： 160-163.)

[5] 高建勤, 熊淑華, 趙婧. 一種基于小波的數字調制信號識別算法 [J]. 四川大學學報(自然科學版), 2007, 44(6): 1281-1284. (GAO Jianqin, XIONG Shuhua, ZHAO Jing. A Wavelet-Based Identification Algorithm of Digital Modulation Signals [J]. Journal of Sichuan University (Natural Science Edition), 2007, 44(6): 1281-1284.)

[6] 李強, 明艷, 吳坤君. 基于MATLAB的《數字信號處理》輔助教學方法 [J]. 重慶郵電大學學報(自然科學版), 2007(增刊): 89-91. (Ll Qiang, MING Yan, WU Kunjun. DS Passistant Teaching Methods Based on MATLAB [J]. Journal of Chongqing University of Posts and Telecommunications (Natural Science Edition), 2007(Suppl): 89-91.)

[7] 王蘭勛, 孟祥雅, 佟婧麗. 基于循環譜和稀疏表示的多信號調制識別 [J]. 電視技術, 2015, 39(1): 92-95. (WANG Lanxun, MENG Xiangya, TONG Jingli. Multi-signals Modulation Recognition Based on Cyclic Spectrum and Sparse Representation [J]. Video Engineering, 2015, 39(1): 92-95.)

[8] 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. (ZHAO Xiongwen, GUO Chunxia, LI Jingchun. Mixed Recognition Algorithm for Signal Modulation Schemes by High-Order Cumulates and Cyclic Spectrum [J]. Journal of Electronics & Information Technology, 2016, 38(3): 674-680.)

[9] 楊發權, 李贊, 羅中良. 基于聚類與神經網絡的無線通信聯合調制識別新方法 [J]. 中山大學學報(自然科學版), 2015, 54(2): 24-29. (YANG Faquan, LI Zan, LUO Zhongliang. A New Specific Combination Method of Wireless Communication Modulation Recognition Based on Clustering and Neural Network [J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2015, 54(2): 24-29.)

[10] 龔安民, 王炳和, 曲毅. 基于同步壓縮小波變換的通信信號調制識別 [J]. 電光與控制, 2015, 22(12): 50-53. (GONG Anmin, WANG Binghe, QU Yi. Modulation Recognition of Communication Signals Based on Synchro Squeezed Wavelet Transform [J]. Electronics Optics & Control, 2015, 22(12): 50-53.)

[11] Eldemerdash Y A, Dobre O A, Ner M. Signal Identification for Multiple-Antenna Wireless System: Achievements and Callendes [J]. IEEE Communications Surveys & Tutorials, 2016, 18(3): 1524-1551.

[12] 龍曉紅, 張洪欣, 張明明. 基于調和平均分形盒維數的無線通信信號調制識別算法 [J]. 江蘇大學學報(自然科學版), 2017, 38(3): 308-312. (LONG Xiaohong, ZHANG Hongxin, ZHANG Mingming. Recognition Algorithm of Wireless Communication Signal Modulation Based on Harmonic Mean Fractal Box Dimension [J]. Journal of Jiangsu University (Natural Science Edition), 2017, 38(3): 308-312.)

[13] 楊偉超, 楊新權. Alpha穩定分布噪聲下衛星雙信號調制識別 [J]. 應用科學學報, 2017, 35(3): 309-316. (YANG Weichao, YANG Xinquan. Modulation Recognition of Double Satellite Signals in Alpha-Stable Distribution Noise [J]. Journal of Applied Sciences-Electronics and Information Engineering, 2017, 35(3): 309-316.)

[14] 張洋, 彭華. 單通道混合信號調制識別 [J]. 信息工程大學學報, 2016, 17(6): 662-668. (ZHANG Yang, PENG Hua. Modulation Recognition for Mixed Signals in Single Channel [J]. Journal of Information Engineering University, 2016, 17(6): 662-668.)

[15] 趙自璐, 王世練, 張煒, 等. 水下沖激噪聲環境下基于多特征融合的信號調制方式識別 [J]. 廈門大學學報(自然科學版), 2017, 56(3): 416-422. (ZHAO Zilu, WANG Shilian, ZHANG Wei, et al. Classification of Signal Modulation Types Based on Multi-features Fusion in Impulse Noise Underwater [J]. Journal of Xiamen University (Natural Science), 2017, 56(3): 416-422.)

[16] 劉濤, 孟青, 韓建寧. 基于神經網絡的計算機通信系統干擾信號分離 [J]. 吉林大學學報(理學版), 2017, 55(6): 1545-1551. (LIU Tao, MENG Qing, HAN Jianning. Interference Signal Separation of Computer Communication System Based on Neural Network [J]. Journal of Jilin University (Science Edition), 2017, 55(6): 1545-1551.)

[17] 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. (ZHAO Xiongwen, GUO Chunxia, LI Jingchun. Mixed Recognition Algorithm for Signal Modulation Schemes by High-Order Cumulants and Cyclic Spectrum [J]. Journal of Electronics & Information Technology, 2016, 38(3): 674-680.)

[18] 趙宇峰, 曹玉健, 紀勇, 等. 基于循環頻率特征的單信道混合通信信號的調制識別 [J]. 電子與信息學報, 2014, 36(5): 1202-1208. (ZHAO Yufeng, CAO Yujian, JI Yong, et al. Modulation Identification for Single-Channel Mixed Communication Signals Based on Cyclic Frequency Features [J]. Journal of Electronics & Information Technology, 2014, 36(5): 1202-1208.)