軟件無線電的GNSS干擾盲識別系統(tǒng)

楊燕梅，郎榮玲，葉萬洋

（北京航空航天大學 電子信息工程學院，北京 100191）

0 引言

由于全球衛(wèi)星導航系統(tǒng)（global navigation satellite system， GNSS）處于復雜的無線環(huán)境中，經(jīng)常受到各種不同干擾信號的影響，這些干擾信號直接影響導航接收機的性能，甚至使其不能工作。因此在接收機中一般需要對接收的信號進行抗干擾，但是由于不同的干擾信號對導航信號的影響不同，所采用的抗干擾算法不同。比如在利用功率反演算法抗脈沖干擾時，由于協(xié)方差矩陣存在不穩(wěn)定性，會導致抗干擾算法失效。但是在抗窄帶干擾以及單頻干擾時，功率反演算法卻有很好的效果。而如果在抗干擾算法之前對干擾進行監(jiān)測，估計出干擾信號的類型和參數(shù)，例如脈沖干擾的周期和占空比，則可以很好地利用功率反演算法進行抗干擾。因此為了保證衛(wèi)星導航系統(tǒng)的穩(wěn)定工作，對干擾信號調(diào)制類型進行識別及參數(shù)估計具有重要的意義。

根據(jù)經(jīng)驗和文獻資料調(diào)查發(fā)現(xiàn)，針對GNSS的干擾的類型包括數(shù)字、模擬、掃頻和脈沖干擾等多種形式，因此GNSS干擾識別是一種缺乏先驗知識的數(shù)字調(diào)制方式、模擬調(diào)制方式及脈沖信號的混合識別。因此研究復雜環(huán)境下GNSS干擾盲識別技術是具有重要意義的。

目前無線通信信號的調(diào)制體制識別主要分為2大類：基于最大似然假設檢驗方法和基于特征提取的模式識別方法。

基于最大似然假設檢驗的方法的優(yōu)點在于，它理論上可以保證在貝葉斯最小誤判代價準則下得到最好的分類結(jié)果，但其局限性也很明顯，即需要有更多的先驗知識。在沒有先驗知識的條件下，它的復雜性和計算量較大，無法保證系統(tǒng)實時分類，工程應用性較差。

基于特征提取的模式識別方法主要包括2個步驟：特征提取和分類器的設計。特征提取的方法主要分為3大類：

1）基于時間域的特征提取。文獻[1]首次提出利用希爾伯特變換得到信號瞬時幅度、瞬時相位和瞬時頻率，利用瞬時幅度、瞬時相位和瞬時頻率的2階矩以及 2階中心距來對信號進行特征提取，實現(xiàn)了模擬幅度調(diào)制，單邊帶、雙邊帶幅度調(diào)制以及調(diào)頻信號的分類；文獻[2]實現(xiàn)了數(shù)字調(diào)制信號MASK、MPSK、MFSK的分類；文獻[3]同樣利用希爾伯特變換得到的信號的瞬時幅度、頻率和相位等信息，以人工神經(jīng)網(wǎng)絡作為分類器，實現(xiàn)數(shù)字調(diào)制信號（ASK/2FSK/4FSK/BPSK/ QPSK）和模擬調(diào)頻和調(diào)幅信號的識別。這種基于時間域的特征提取的方法實現(xiàn)簡單，在高信噪比下特征易于提取，且特征具有明顯的物理意義，但這種提取方法受噪聲影響較大。

2）基于統(tǒng)計域的特征提取。統(tǒng)計域的特征主要是利用高階累積量，主要包括3階累計量和4階累計量：文獻[4]實現(xiàn)了利用高階累積量完成數(shù)字調(diào)制信號（BPSK/QPSK/ 16QAM/32QAM）分類；文獻[5]利用高階累積量實現(xiàn)了 4ASK、8ASK、BPSK、QPSK、8PSK、16QAM、32QAM、256QAM的分類；但利用提取高階累積量，需要將接收到的信號下變頻到基帶信號，這就需要精確的估計載頻，通常載頻的估計會有一定的誤差，于是文獻[6]提出了改進的方法，無需下變頻，實現(xiàn)了BPSK、QPSK、OQPSK、4PAM、8PSK、8QAM、16QAM、32QAM的分類；文獻[7]將高階累積量與支持向量機相結(jié)合，在信噪比為4 dB時，識別的正確率可以達到98 %；文獻[8]除了實現(xiàn)4ASK、8ASK、BPSK、QPSK、8PSK、16QAM 的識別，還實現(xiàn)了 MFSK（2FSK、4FSK、8FSK）的識別。利用高階累積量的最大優(yōu)勢是對于加性的高斯白噪聲具有很好的抗干擾性能。

3）基于變換域的特征提取。基于循環(huán)譜的特征提取是變換域特征提取的一種主要方法，不同的調(diào)制信號類型的頻譜特征可能相同，但對于不同的調(diào)制信號類型循環(huán)譜都不同。文獻[9]中通過估計不同調(diào)制信號的循環(huán)譜，在循環(huán)譜域提取提取 6個特征參數(shù)，實現(xiàn) AM、DSM、VSB、SSB、ASK、FSK、PSK、MSK、QPSK的調(diào)制識別；文獻[10]利用高階累積量與循環(huán)譜域的特征參數(shù)相結(jié)合，首先利用高階累積量將數(shù)字調(diào)制信號分為{BPSK，2ASK}、{QPSK}、{2FSK， 4FSK}、{MSK}和{16QAM，64QAM}5類。然后利用高階累積量以及循環(huán)譜對{OFDM}、{16QAM， 64QAM}、{2ASK，BPSK}及{2FSK，4FSK}進行識別；文獻[11]中通過估計不同調(diào)制信號的循環(huán)譜，并將神經(jīng)網(wǎng)絡作為分類器，實現(xiàn)了 BPSK/QPSK/ FSK/MSK的分類識別。基于循環(huán)譜特征提取的方法的優(yōu)勢是對于不同的調(diào)制信號類型會有不同的循環(huán)譜，區(qū)分度明顯，且抗加性高斯白噪聲的性能較好，但計算量較大，不適合在工程中做實時分類。

文獻[12-13]中對調(diào)制信號做連續(xù)小波變換，實現(xiàn)了BPSK、2FSK、QAM、MSK、ASK信號類型的分類；文獻[14]中同樣利用小波變換實現(xiàn)了BPSK、2FSK、QAM、MSK、ASK信號類型的分類；文獻[15]利用改進的尺度縮放優(yōu)化小波變換算法，實現(xiàn)了 2ASK、4ASK、8ASK、16QAM、64QAM、128QAM的分類。由于Haar連續(xù)小波變換技術可以實現(xiàn)碼元內(nèi)小波系數(shù)恒定不變，但不同的調(diào)制類型碼元內(nèi)的小波系數(shù)可能不同，并且小波系數(shù)在變換點處發(fā)生突變，利用這一特點來實現(xiàn)不同調(diào)制類型的分類，同時它對于噪聲也非常敏感，在低信噪下，識別率較差。

此外還有基于譜分析的特征提取：文獻[16]中利用信號譜、平方譜以及 4次方譜實現(xiàn)了 BPSK/QPSK/OQPSK/π/4QPSK/MSK/FSK/FM/CW 的分類識別，信噪比大于12 dB時總體識別率達到95 %。

分類的方法大致有2類：傳統(tǒng)的基于決策樹的分類器；基于人工智能的分類器。傳統(tǒng)的分類器每個特征都需要對應設置一個判決門限，而判決門限的選取對識別的正確率影響很大；其次每個判決節(jié)點只能使用一個特征判決，這就導致識別的正確率不僅與特征量使用的先后次序有關，而且完全取決于每個特征的單次正確判決率。而人工智能的方法對判決門限的選取是自適應的，而且它每次判決都需要使用全部的特征向量，這就使得系統(tǒng)的識別成功率大大提高。

GNSS所處電磁環(huán)境復雜，多種類型干擾并存，并且還鮮有能應用于導航系統(tǒng)的干擾監(jiān)測產(chǎn)品。軟件無線電具有高度的靈活性、通用性和功能模塊化等特點，同時也是一種新的無線電系統(tǒng)體系結(jié)構(gòu)，以開放性、可擴展、結(jié)構(gòu)精簡的硬件為通用平臺。因此本文主要基于軟件無線電架構(gòu)，搭建了GNSS干擾盲識別系統(tǒng)。本系統(tǒng)可識別多干擾并存環(huán)境下的干擾類型以及每種類型干擾的參數(shù)。

1 系統(tǒng)設計

GNSS盲識別系統(tǒng)的總體結(jié)構(gòu)如圖1所示。

圖1 衛(wèi)星導航自適應干擾盲識別系統(tǒng)

硬件平臺由天線，下變頻器、AD采集板、USB3.0接口、RS485接口、FPGA芯片以及上位機組成。

硬件平臺完成信號采集并將采集的信號傳輸至上位機。在本系統(tǒng)中下變頻和 AD采用選用芯片AD9361完成，AD9361具有2個相互獨立的下變頻通道以及 12位模數(shù)轉(zhuǎn)換器（analog-to-digital converter，ADC）。系統(tǒng)中的FPGA采用Xilinx K7系列芯片。USB3.0作為數(shù)據(jù)總線用于傳輸數(shù)據(jù)、RS485作為控制總線傳送控制指令。

軟件部分在上位機上實現(xiàn)，包括盲源分離、調(diào)制體制識別、調(diào)制參數(shù)識別3個功能。盲源分離模塊主要任務是將混疊的干擾信號進行分離，本系統(tǒng)中采用的是復數(shù)快速獨立分量分析法實現(xiàn)混合信號的盲分離。調(diào)制體制識別模塊的任務是識別分離后的每一路信號的調(diào)制功能。調(diào)制參數(shù)識別的任務是識別每種調(diào)制體制的中心頻點、帶寬、占空比等參數(shù)。本論文主要研究干擾信號調(diào)制體制識別以及參數(shù)識別技術。

2 干擾自適應盲識別方法

本論文基于特征參數(shù)的調(diào)制識別方法是利用二叉樹的分類方法把每個特征參數(shù)的值與預先設定的閾值進行比較，通過決策樹判決的方式實現(xiàn)多種調(diào)制方式的分類與識別，具體過程如圖2所示。

圖2 信號識別流程

2.1 干擾類型

本系統(tǒng)可以識別衛(wèi)星導航系統(tǒng)所面臨的主要干擾類型，包括單頻干擾、脈沖干擾、線性掃頻干擾、調(diào)頻干擾、BPSK及FSK干擾。

單頻干擾的數(shù)學模型為

式中：fc為信號的載頻；E為信號功率；t為時間。脈沖干擾（pulse）的數(shù)學模型為

式中：M是信號的周期內(nèi)高電平個數(shù)；Tpluse為脈沖周期；rect(t)為門函數(shù)。

掃頻干擾（sweep frequency，SW）的數(shù)學模型為

式中：Tsweep為掃頻周期；K為掃頻信號的頻率變化率。

BPSK干擾的數(shù)學模型為

式中：Tr為碼元周期；m為進制數(shù)，為0、π；N為碼元個數(shù)。

調(diào)頻干擾（frequency modulation， FM）的數(shù)學模型為

式中：fm為調(diào)制信號的頻率；mf為調(diào)制指數(shù)。

FSK干擾的數(shù)學模型為

式中Δf為信號的頻偏。

2.2 信號的特征提取

不同類型的調(diào)制信號，具有不同的特征，下面將詳細研究如何利用調(diào)制信號的不同特征對信號進行特征提取，本文利用了時域、頻域以及統(tǒng)計域的特征。

2.2.1 零中心歸一化瞬時幅度譜密度的最大值

在 2.1節(jié)描述的信號中只有脈沖信號的瞬時幅度是變化的，其他調(diào)制信號的瞬時幅值是恒定值，因此可以利用幅度信息來將脈沖信號與其他調(diào)制信號區(qū)分。

為了減少噪聲以及個別離群值的影響，須提高識別方法的穩(wěn)定性。首先，對瞬時幅度做零中心歸一化處理，再對處理后的信號做傅里葉變換。幅度恒定信號做零中心歸一化以后幅值在零附近波動，頻率遍布整個帶寬內(nèi)，無明顯最值。脈沖信號的瞬時幅值隨著脈沖周期不斷的變化，其傅里葉變換后，在某個頻點處呈現(xiàn)出明顯的最值（如圖3所示）。因此可以利用

將脈沖信號識別出來。式（7）中：Ns為采樣點數(shù)；為零中心歸一化瞬時幅度。零中心歸一化過程為

信號歸一化的表達式為

其中max(x)為信號的最大值。

信號的零中心化的表達式為

圖3 零中心歸一化瞬時幅度譜密度

2.2.2 沖擊個數(shù)1δ

不同的調(diào)制信號的功率譜計算公式為：

1）FSK

2）BPSK

3）CW

4）脈沖

式中：fs為采樣率；fT為脈沖頻率；l為占空比。

5）調(diào)頻

6）掃頻

式中K=B/Tsweep，B為帶寬。

從圖4的功率譜可以看出，F(xiàn)SK、CW的功率譜都有沖擊函數(shù)，而其他的調(diào)制類型的信號沒有，由此可以根據(jù)沖擊個數(shù)1δ將FSK、CW與其他類型的調(diào)制信號區(qū)分。

圖4 5種干擾信號的頻譜

2.2.3 沖擊個數(shù)δ2

由于線性調(diào)頻信號和單音余弦調(diào)頻信號頻率是不斷變化的，其在時域和頻域都沒有區(qū)分度，因此可以通過離散相位變換區(qū)分，離散相位變換定義為

式中：τ為時間延遲；x*(n)為x(n)的共軛。根據(jù)離散相位變換的定義，可以得出線性掃頻信號的離散相位變換后的表達式為

根據(jù)式（18）可以得出離散相位變換后的掃頻信號為一個單頻信號。

調(diào)頻信號的離散相位變換后的表達式為

根據(jù)式（19）可以得出離散相位變換后的調(diào)頻信號仍然為一個具有帶寬的信號，即BPSK為

根據(jù)式（20）可以得出離散相位變換后的BPSK信號為基帶的碼元信號。

對離散相位變換后的信號做傅里葉變換后，掃頻信號含有沖擊函數(shù)，而BPSK和調(diào)頻信號沒有沖擊信號，由此可以將掃頻信號識別出來。

圖5 3種干擾信號離散相位變換后的頻譜

2.2.4 高階累積量

因此對于均值為零的平穩(wěn)復基帶隨機過程，2階和4階累積量的表達式分別為

根據(jù)高階累積量的定義可以知道，對于實信號它反映的是不同調(diào)制信號其隨機變量的概率密度的分布情況，對于復信號它反映的是不同調(diào)制類型信號的星座圖的分布情況。并且對于不同的調(diào)制信號類型的高階累積量可能相同，但是不同的高階累積量的調(diào)制信號類型肯定不同。因此可以利用高階累積量來進行信號調(diào)整類型的識別。利用上述公式計算不同調(diào)制信號的高階累積量（如表 1所示）。令根據(jù)表格可以將單載波干擾和FSK區(qū)分開、調(diào)頻干擾和BPSK干擾區(qū)分開。

表1 高階累積理論值

2.3 參數(shù)估計

本文中主要估計干擾信號的載波和碼速率，并且估計了脈沖信號的周期和占空比。

2.3.1 載波估計

本文中利用頻域估計方法將信號變換到頻域，利用信號的對稱性估計信號的載頻。公式為

式中：X(k)為信號的傅里葉變換：N為傅里葉變換的點數(shù)。

2.3.2 碼速率估計

碼速率估計的精確與否直接關系到接收端定時序列的重構(gòu)以及基帶信號的正確抽判，因此它也是信號估計的一個重要參數(shù)。本論文中利用小波變換的方法估計數(shù)字調(diào)制信號BPSK和FSK的碼速率。具體步驟如下：

以Haar函數(shù)作為母函數(shù)，對接收信號進行2次小波變換后，圖中可以看出BPSK和FSK只有在碼元變換的時刻有沖擊信號，而碼元周期內(nèi)為常數(shù)值，接著對小波系數(shù)進行傅里葉變換，這樣就根據(jù)頻譜的最大值與次大值之間的頻率間隔得到碼元信號的頻率（如圖6、圖7所示）。

圖6 FSK的小波變換

圖7 BPSK的小波變換

2.3.3 脈沖周期和占空比的估計

脈沖信號瞬時幅度如圖8所示。

1）估計信號的占空比。首先把信號下變頻到0、1電平的基帶信號，即對復信號求模值即可。其次，估計0、1電平的均值，求大于均值的點數(shù)，再用大于均值的點數(shù)除以總的點數(shù)，即占空比。

圖8 脈沖信號的瞬時幅度

2）估計信號的脈沖周期。估計信號的頻譜為

根據(jù)上式可以知道，頻譜的最大值和次大值的間隔為脈沖的頻率。

3 實驗與結(jié)果分析

典型的模式干擾盲識別系統(tǒng)主要由信號預處理、特征提取和分類判決3個部分組成，該過程的框圖如圖9所示。

圖9 模式識別系統(tǒng)流程

3.1 仿真與結(jié)果實驗

1）實驗設置。為了驗證特征參數(shù)提取的有效性，實驗分別產(chǎn)生6種干擾信號，每種調(diào)制類型進行100次實驗，信噪比為20 dB，干擾信號調(diào)制參數(shù)如表2所示。

表2 6種仿真干擾信號參數(shù)設置

2）實驗結(jié)果與分析。根據(jù)以上的信號調(diào)制的參數(shù)設置估計出每個特征參數(shù)，取 10次實驗的平均值。實驗結(jié)果表明在以上信號調(diào)制參數(shù)設置下，以上5個特征參數(shù)完全識別6種調(diào)制類型的信號。特征估計參數(shù)如表3所示。

表3 6種仿真干擾信號特征參數(shù)

3）根據(jù)參數(shù)估計所用到的方法，對脈沖信號的占空比以及脈沖周期、BPSK和FSK的碼速率以及載頻進行參數(shù)估計（如表4所示）

表4 3種干擾信號的參數(shù)估計

根據(jù)表格顯示的特征參數(shù)估計值與理論值相比較，這些特征參數(shù)可以對6種干擾信號進行分類。對干擾信號的調(diào)制參數(shù)的估計可以認為誤差都控制在1 %以內(nèi)。

3.2 實測實驗

為測試上述方法的實際應用效果，在實驗環(huán)境中進行了測試。實驗設置如圖10所示，實驗的信號參數(shù)設置如表5、表6所示，實測實驗結(jié)果表明4個特征參數(shù)可以有效對信號進行分類。表 5、表 6分別是接收的實際信號所設置的參數(shù)以及所提取的特征參數(shù)。

圖10 實驗硬件設置及軟件設置

表5 6種實際接收干擾信號參數(shù)設置

表6 6種信號的特征參數(shù)

4 結(jié)束語

由于導航干擾信號類型的多樣性，本論文在特征提取時也采用了多種方法，將高階累積量、譜分析以及離散相位變換相結(jié)合，得到5個特征參數(shù)：4階累積量的比值、譜峰個數(shù)、離散相位變換后的譜峰個數(shù)、瞬時幅度零中心歸一化的最大值。實現(xiàn)6種導航干擾信號的分類。在仿真實驗中也證明了混合識別算法可以有效地識別數(shù)字調(diào)制信號與模擬調(diào)制信號的6種干擾信號；最后利用實驗室現(xiàn)有的信號采集設備進行驗證，具有較好的工程實用價值。