基于聯合特征參數的衛星單-混信號調制識別研究

楊洪娟 時統志 李 博* 趙 楠 王 鋼

①(哈爾濱工業大學(威海)信息科學與工程學院 威海 264209)

②(大連理工大學電子信息與電氣工程學部 大連 116024)

③(哈爾濱工業大學電子與信息工程學院 哈爾濱 150001)

1 引言

調制識別技術自電子偵察成為現代化戰爭中軍事對抗的重要手段便引起了學者廣泛而深入地研究。當關鍵情報信息被捕獲后，作為非協作通信的第三方，調制類型的識別在一定程度上就決定了后續信號處理的信息質量[1,2]。因此，正確識別信號常用調制方式具有重要的應用價值。1998年，成對載波多址(Paired Carrier Multiple Access, PCMA)被首次提出[3]。在PCMA系統中，通信雙方在同一頻帶上發送兩路數字調制類型相同的上行信號，經衛星混合轉發后，協作雙方接收到相同的PCMA信號，從而節約了系統帶寬，增強了信號的抗干擾截獲能力和系統吞吐量[4]。

目前，單載波信號調制識別算法已經比較成熟，但基于PCMA的信號前端處理-調制識別卻鮮有人研究。文獻[5]提出了一種基于最大似然準則和高階累積量的PCMA信號調制識別算法，充分考慮了混合信號的頻偏影響，識別率良好但識別類型較少，局限性強。文獻[6]在原有累積量的基礎上引入信號瞬時特征統計量完成了對衛星單-混信號的調制識別，算法的運算時間得到了降低，但對個別信號識別處理的參數選取不當，識別率不佳。文獻[7]在文獻[5]的基礎之上優化了特征參數并結合4次方譜線對混疊信號進行調制識別，拓寬了算法的應用范圍，提高了識別率但選取參數仍然較多，識別要求很高。此外，近年來將深度學習模型引入調制識別的研究也逐步開展，相關模型有：卷積神經網絡(Convolutional Neural Network, CNN)[8]、循環神經網絡(Recurrent Neural Network, RNN)[9]以及一些混合模型[10]，整體算法的識別性能有所提高，但所需數據量及計算復雜度都相對較高。

針對目前識別算法存在的不足，本文利用高階累積量和星座圖聚類特性設計了一套簡單可行的PCMA調制識別算法，單載波調制類型主要包括二進制相移鍵控(Binary Phase Shift Keying,BPSK)、正交相移鍵控(Quadrature Phase Shift Keying, QPSK)、8移相鍵控(8 Phase Shift Keying, 8PSK)、16正交幅度調制(16 Quadrature Amplitude Modulation, 16QAM)、64正交幅度調制(64 Quadrature Amplitude Modulation,64QAM)，PCMA信號由單載波調制混合而來。具體而言，通過構造4 個聯合特征參數可以對{BPSK、BPSK混、QPSK、QPSK混、8PSK、8 P S K 混、1 6 Q A M、1 6 Q A M 混、6 4 Q A M、64QAM混}共10種調制信號進行較為準確地識別，仿真實驗結果表明，調制方式為多進制相移鍵控(Multiple Phase Shift Keying, MPSK)、多進制正交幅度調制(Multiple Quadrature Amplitude Modulation, MQAM)的衛星單混信號在正常通信所需的信噪比(Signal-to-Noise Ratio, SNR)下能夠維持高識別率。

2 信號模型

根據發射功率的不同，PCMA系統可分為對稱模式(P1=P2)和非對稱模式(P1?=P2)[11]。通常PCMA系統工作在對稱模式下，每一個通信終端發送一個功率相同的上行信號，經衛星中繼進行混疊后轉發給各個地面基站。其傳輸機制如圖1所示。

在不考慮特殊信道的情況下，通信終端及偵聽方接收的信號復基帶一般模型為

3 特征參數選取

3.1 高階累積量

高階累積量具有表征含噪基帶信號的星座點分布、抑制高階高斯噪聲的特性，因此被廣泛應用于調制識別領域[12]。由于PCMA混合信號的高階累積量與單載波信號相比有明顯的差異，所以選取累積量作為識別的特征之一。

對于具有0均值的復平穩隨機過程{X(t)}，其P階混合矩為

其中，E表示數學期望，X*(t)為X(t)的共軛函數。

隨機信號的高階累積量與混合矩之間存在如式(6)的關系

對于特征參數F1,F2,F3，選取實驗數據長度為5000個符號，信噪比SNR范圍為[–5, 20]，對每一個信噪比進行1500次蒙特卡洛實驗。特征參數F1對各參數的分離效果如圖2所示。在圖2(a)中，信噪比變化對高階累積量的影響很小，各個參數的6階累積量相對穩定并且相對差異較大，為了突出圖2(a)中下半部分差異及確定劃分閾值，特將其放大，如圖2(b)所示。由于MQAM(混)高階累積量比較接近，這里劃為一類。分類閾值的選擇方案是各調制方式理論推導值的算數平均值，綜合圖2可以準確地區分BPSK, {QPSK, 8PSK、BPSK混}、{16QAM, 64QAM}、{QPSK混、8PSK混}、{16QAM混、64QAM混}，其閾值分別為20, 6, 3, 1.5。

圖3給出了特征參數F2對BPSK混與{QPSK,8PSK}兩類信號的分離效果曲線圖，從圖3中可以看出，在較低信噪比下F2也能保持良好的分離性，通過F2可以非常容易區分兩類調制方式。圖4給出了特征參數F3對剩余調制類型的識別分離特性，特征參數F3可以將F1,F2識別過后未分離的{QPSK,8PSK}、{QPSK混、8PSK混}逐一識別，各分類閾值為2, 2, 1。

表1 單-混信號高階累積量理論值

3.2 星座圖聚類特性

對于MQAM調制信號，其星座圖特性反映了信號的矢量端點的空間分布狀態信息，圖5、圖6分別給出了方形16QAM(單-混)、64QAM(單-混)信號在理想狀態下的星座圖，由圖可知，MQAM不同調制階數之間的星座圖差異明顯，其中信號端點個數和端點間的距離等差異完全可以用于調制分類，需要特別注意的是，當隨機數據量變化時，星座圖會呈現簇狀聚集。因此，MQAM信號進行聚類分析以及聯合距離函數進行多參數判決對調制識別具有重要價值。

3.2.1 減法聚類算法

3.2.2 參數聯合的聚類算法

根據理論計算可以得到標準R參數的值，對于方形MQAM單混信號，標準半徑rmax,rmin以及Rs如表3所示。

表3 MQAM信號的rmax, rmin, Rs理論值

信號的數據長度決定了聚類算法的識別效果，為有效利用原有數據量，本文根據星座圖的對稱性，將星座圖中的坐標點投影到原點所在的橫坐標軸上，將星座圖聚類分析轉變成投影點聚類算法。以16QAM為例，投影后的示意圖如圖7所示，假設原有每時隙數據點為160，則投影后每處聚點數據量為160/4=40，為原有聚點160/16=10的4倍之多，隨著MQAM調制階數增大，數據量擴大成正比關系。同時考慮到投影帶來的距離半徑的變化，因最小半徑和最大半徑成比例變化，標準半徑Rs未發生改變。綜上，MQAM(混)信號的各理論值調整總結如表4所示。

表4 MQAM信號的rmin, Rs, Ns 理論值

表2 MQAM單混調制信號聚類中心及相關系數

4 識別流程

使用隨機產生的調制信號作為信號源，對接收到的信號進行必要的預處理，主要包括載波同步、相位同步、定時同步、信號過采樣、下變頻等。根據所設計的特征參數通過仿真來確定合適的分類閾值。具體分類實現步驟如下所示：

(1) 選取F1=2|C63|作為分類特征，用于區分BPSK,{QPSK, 8PSK、BPSK混}、{16QAM,64QAM}、{QPSK混、8PSK混}、{16QAM混、64QAM混}，選定閾值為20, 6, 3, 1.5；

(2) 選取F2=|C60|作為分類特征，用于區分{QPSK, 8PSK}和BPSK混，選定閾值為2；

(3) 選取F3=4|C40|作為分類特征，用于區分QPSK與8PSK、QPSK混與8PSK混，選定閾值為2,1；

(4) 選取改進的減法聚類星座圖作為分類特征，用于區分16QAM與64QAM，16QAM混與64QAM混，判斷依據為星座圖階數N以及與標準R 參數的聯合評估函數E。對于{1 6 Q A M,64QAM}，當N ＜6且E1＞0.8時為16QAM；當N ＞6且E2＞0.8時為64QAM；對于{16QAM混、64QAM混}，當N ＜11且E3＞0.8時為16QAM混；當N ＞11且E4＞0.8時為64QAM混；

根據選取的分類特征和判定的閾值條件，構造的分類決策樹如圖8所示。

5 仿真實驗及分析

根據由決策樹建立的識別流程進行統一的仿真驗證，設定信號源調制類型為{BPSK、BPSK混、QPSK、QPSK混、8PSK、8PSK混、16QAM、16QAM混、64QAM、64QAM混}。信源隨機生成0,1序列，不同調制方式采用不同的串并變換，隨機序列符號長度為5000，信源編碼為格雷碼，碼長100。隨機信號調制載波頻率f1=f2=10 MHz，采樣頻率fs=60 MHz，過采樣倍數為10，符號速率fb=2.5 Mbit/s。信道傳輸噪聲為高斯白噪聲，PCMA信號混合幅度比為1∶1，分量信號的歸一化頻偏Δf1=Δf2=1×10-4，相位偏移θ1=θ2=2π×10-4。

針對不同類型信號，信噪比取值范圍[–5, 20]，步長1 dB。在每個SNR處進行1500次蒙特卡洛仿真實驗。對得到的結果取平均值，不同調制方式的單混信號識別率隨信噪比變化如圖9所示。從圖9可以看出，采用高階累積量對衛星單-混信號的調制識別成功率在2 dB之后就達到95%以上，充分體現了其有效性。

為了驗證改進的減法聚類算法對于MQAM單-混信號的識別效果，表5顯示了本算法在相同初始條件下對PCMA等信號識別率的仿真結果。從表格的識別情況可以明顯看出，采用改進的星座圖聚類算法對MQAM調制的單-混信號在15 dB處識別率均達到95%以上。

表5 星座圖聚類算法下的MQAM信號識別率(%)

一般情況下，數據序列長度越長，信號調制方式的識別效果越好。我們在原有基礎上限定信號信噪比為20 dB，針對不同調制信號仿真獲取正確判定信號所需的最少數據序列長度，最少序列長度的判定標準是1000次實驗中至少有950次可以正確識別信號類型。實驗結果如圖10所示。

圖11給出了本文算法與已知算法的性能比較，相較于文獻[14]所提出的星座圖特征聚類(Clustering of Constellation Signature, CCS)算法，本文算法在低信噪比下與其識別率相當，但隨著SNR的增加，本文算法普遍優于CCS算法；文獻[15]提出的遺傳編程-K最近鄰(Genetic Programming-K Nearest Neighbor, GP-KNN)算法魯棒性相對較好，低信噪比下的識別性能優于GP-KNN算法，但高SNR處識別效率遠低于本文算法。此外，高階累積量和聚類特性的結合也拓寬了兩種不同信號的調制類型，提供了調制識別的新的實現方法。

6 結束語

本文利用高階累積量和星座圖聚類特性來識別衛星通信中單載波和PCMA信號的調制類型，將MPSK, MQAM類調制信號的4,6階累積量和改進的星座圖減法聚類結合成統一的識別算法。在未知通信雙方內容的情況下，本算法為實現對單-混盲信號的調制識別提供一種實現方法，并在此基礎上提升了識別效果，降低了復雜度，具有一定的應用價值。但是在本文中，只考慮了高斯信道中的分離效果性能，其他信道對系統的影響還有待繼續研究。