基于高階累積量通信調制信號類型的綜合識別*

劉建林

（中國電子科技集團第五十四研究所 石家莊 050011）

1 引言

當今社會無線通信技術處于迅猛發展階段，因此對數字信號調制識別和信號檢測技術要求越來越高，通信信號調制分類識別成為當前的研究重點之一［1～2］。由于電磁環境日益復雜，調制信號類型日益復雜多樣，因此對于調制信號自動識別技術需要不斷改進和發展，對于調制信號自動識別這一難題，大量的研究人員和學者開展了新思路的探索和研究［3～4］。

目前，通信信號的調制識別一般可分為類間識別和類內識別［5～7］。類間識別是指對于不同的調制樣式的識別。本文以典型采用不同階數PSK和QAM類型區分識別位典型目標對象開展研究分析。類內識別是對同一調制樣式的通信信號，但是調制階數不同進行區分識別。例如，4PSK、8PSK和16PSK或者8QAM、16QAM和32QAM的判別。數字調制信號自動識別的步驟可大致分為預處理、特征提取和分類識別三部分組成［8～10］。其中預處理主要目的是經過變頻濾波去噪等環節擴大信號調制特征的差異性，盡量消除低噪聲對真實信號的影響，為后續提供合適輸入信號數據；特征提取是對輸入信號進行時域、頻域或其他變換之后，再根據這些變換結果進一步提取出相關特征參數值；最后的分類識別是指根據上述提取完的特征參數以及利用合理的規則對輸入的調制信號進行判決和歸類。自動分類識別的處理流程如圖1所示。

圖1 自動分類識別處理流程

本文提出一直基于改進的高階累積量調制信號識別算法。這種算法對高階PSK和QAM調制信號提取多種高階累積量這些特征參數，提高了在信噪比小于10dB情況下分類識別成功率。通過仿真結果表明本文提出的方法不僅在性能上比傳統算法更優越，且設計簡單，便于工程應用。

2 信號模型［11～13］

一般情況下在通信過程中，接收到的受噪聲污染過的數字調制信號的模型可表示為

式中：A為信號幅度值；T為單個符號持續時間；f0為剩余載頻分量；θn表示相位抖動；x(l)表示基帶傳輸信號的符號序列；g(n)表示高斯白噪聲。f0是序列對應的常量，而θn為不同接收符號對應的隨機變量。

高階調制信號通常是相對于低階調制而言的，高階調制一般是指4階以上的PSK信號，QAM信號等。由于高階調制可帶來更好的頻譜效率，因此在良好的信道環境條件中，為增加信息傳輸速率可選擇高階調制樣式進行信息傳輸。

3 識別分類方法分析

3.1 高階累積量［14～20］

高階統計量可以反映信號的高階統計特性，雖然高階統計量的計算較為復雜，但合適的高階累積量特征具有良好的抗噪特性，這是瞬時統計特征量所不具備的。因此對低信噪比信道環境下通信信號的調制識別時，基于高階統計量的識別方法優勢更明顯且在一定程度上可以反映出高階調制信號的統計分布狀態，下面進行分析說明。

復數的隨機過程假設為y()n，均值為零，其高階矩定義為

式中，cum表示為求信號變量的高階累積量。

在實際應用中，發送調制信號s(n)與高斯白噪聲g(n)兩者相互獨立，因此根據累積量的性質可得：

由于零均值高斯白噪聲大于二階的累積量為零，則上式可表示為。即接收信號的高階累積量值與發送信號的高階累積量值相等，因此可將高斯白噪聲影響消除。直接計算接收信號的高階累積量，與發送端各調制信號的高階累積量做對比，通過神經網絡識別高階累積量判決調制類型。

3.2 各調制信號特征參數提取

設輸入信號的功率為E，利用算法平均來代替統計平均的方法，計算高階數字調制信號的高階累積量，各類信號的高階累積量的理論值如表1所示。

表1 MPSK和MQAM的高階累積量

為了消除相位抖動和信號能量的影響，取信號累積量的絕對值，構造以下特征參數：

對不同數字調相信號，可得特征參數f1值如下：

根據上式可知設置不同閾值可以識別出信號的調制類型，如特征參數f1與0比較可以識別出16PSK，與1比較可以識別出8PSK以此類推可以分別識別出這些信號的調制樣式。

4 算法仿真驗證

本系統在 Matlab中對 4PSK、8PSK、16PSK、16QAM、32QAM、64QAM六種調制信號類型分別進行仿真實驗。仿真中各個調制信號參數設置如下：采樣率為40kHz，載波頻率為4kHz，噪聲為高斯白噪聲，信噪比數值設置為-3dB、-1dB、1dB、3dB、5dB、7dB、9dB、11dB、13dB。仿真時分別對每一種調制樣式的每一種信噪比下產生1000個樣本點。通過計算這些測試集的特征參數值即高階累積量，最終計算出f1，根據特征值與門限對比最終得到識別正確率如表2所示。

表2 高階累積量的識別正確率

從上表中可以看出，對于MQAM信號，可見信噪比大于5dB時，數字調制類型的正確率可達95%以上，MPSK信號在信噪比大于7dB時識別正確率也能達到95%以上。因此本文中提出的特征參數能夠正確有效識別出以上調制樣式，且用于計算比較特征參數的較少，識別復雜度較低，在低信噪比對各調制信號識別率較高。

5 結語

本文根據高階累積量的理論基礎，對每一種數字調制信號的二階、四階、六階、八階累積量進行推導和計算，并選取上述部分特征參數值進行識別數字調制信號的類型，從仿真結果能夠看出本方法能夠有效地抑制高斯白噪聲的影響并且低信噪比情況下提高了調制信號識別率，經過一系列的仿真驗證這種算法能夠有效識別出4PSK、8PSK、16PSK、16QAM、32QAM和64QAM這幾種數字調制信號。本文中提到的算法選取的特征參數較少，降低了識別調制信號的復雜度，并且提高了識別率，充分證明該算法具有很高的實用價值。