短波数字信号调制识别算法分析

导语：短波数字信号调制识别算法分析一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

摘要：为了提升在短波信道条件下数字信号调制识别的效果，该文提出了一种短波数字信号调制识别的新方法。该方法提取了4个特征参数，涵盖时域、频域、低阶和高阶等信号的多维信息，设计了基于最优权重的神经网络集成分类器，实现了识别常用短波数字调制信号的功能。对400个空中采集信号突发的识别正确率约为90%，使用效果不仅验证了算法的有效性，而且也说明其在实际调制识别工作中的适应性和推广价值。

关键词：神经网络；短波数字调制；信号识别；特征提取

短波数字信号调制识别在短波频谱监测等工作中具有重要作用，它不仅能为后续的信号处理工作提供基础，而且还能从调制的层面对信号进行归类，支撑大数据应用和发射源识别。现有研究调制识别方法一般分为最大似然法和模式识别法，一些文章比较详尽地归纳了不同的调制分类算法[1-2]。其中，基于信号瞬时统计参数[3]和功率谱特征的识别方法具备受信号调制参数变化影响小、对调制先验信息的依赖少等优点，因此使用范围较广。对调制分类器来说，传统的决策树分类器存在自适应能力不足、拟合能力不够强等弱点，而近年来新兴的基于神经网络的分类器具有较强的自学习能力和容错性，在很大程度上弥补了判决树分类器自适应能力不足的缺点，而且神经网络集成还可以降低识别的错误率、提高识别系统的泛化能力[4]。针对BPSK、QPSK、8PSK和8QAM这4种常规短波数字调制信号，首先该文从瞬时信息中提取1组特征参数。其次，使用一种基于最优权重的神经网络集成分类器对其进行分类，以完成调制识别工作。最后，将算法应用在真实数据集上，取得了约90%的调制类型识别正确率，验证了该算法的有效性和可靠性。

1特征参数提取

在调制识别算法中，先要获取特征，再对特征进行分类，因此特征参数的选择和提取对识别效果有较大的影响。一般要求特征之间相互独立，能够反映调制类型的本质差异，具有稳定性并具备一定抗干扰能力，根据分类器不同和实际工作经验，选择3~5种特征参数为宜。在该算法中，选择信号带宽、离散谱线分量、功率谱形状（梳状谱特征）和R参数这4种特征进行参数提取。

1.1预处理

实际短波通信基本都是突发模式，通联过程中并不是时刻都有信号存在。在进行特征参数提取前，要先检测信号是否存在，仅提取真正有信号的部分而非噪声。为此，在特征参数提取之前有预处理过程，以完成信号检测工作。过程包括将信号样本分割为固定长度片段，再根据频域能量集中度进行筛选，去除不包括效信号的噪声部分。将采集的样本数据分割成长度为106.67ms的数据段，前后数据段有50%的重叠。引入频域能量集中度的概念。频域能量集中度PL指一个数据段的信号在频率上的平均功率除以功率最强的一个频率点上的功率，如公式（1）所示。

1.2信号带宽估计

由于不同的数字调制信号的调制类型、调制速率以及滚降滤波等参数不同，因此其具有不同的带宽，带宽是用于识别数字调制信号调制类别的重要特征。因为带宽内信号的功率或幅度很大，而带宽外信号的功率或幅度很小，所以可以根据信号功率或幅度槽边沿的变化在频域估算信号的带宽。为减少实际信道中突发噪声等因素对信号带宽的影响，使用时域分段平滑的方法来计算带宽。选取合适的分段长度M对信号功率谱进行平滑，再对平滑后的功率谱搜索极值点，找到功率槽上升、下降边沿，确定其信号的起始、截止频率，即可得到信号带宽。

1.3离散谱线分量

FE考察高次方谱，在BPSK经过平方变换、QPSK和8QAM经过四次方变换以及8PSK经过八次方变换后，在对应的倍频位置上存在较强的离散谱线。另外，对不同协议的信号来说，为方便开展测量载频、估算多普勒频移以及信号捕获等工作，往往会在信号前导位置或频谱一端设计1段单载波。例如HFDL等信号，突发起始位置有固定的单载波。因此，信号的离散谱线特征也对信号调制类型识别有重要意义。如何有效检测各阶功率谱上的单频谱线、准确估算谱线数目，从而得到信号的离散谱线特征，是识别工作的重要步骤。由于短波信道通常都不是白噪声信道，因此该文基于色噪声功率补偿的差分功率平滑（DSC）算法提出了色噪声中的离散谱线分量FE。

1.4功率谱形状特征

部分信号在通联过程中存在明显的谱线或多个谱峰，即梳状谱特征。多音并行和单音串行调制、相位调制以及频率调制等都会形成梳状谱特征的差异。公式（6）给出了色噪声中的功率谱计算公式及单音频率检测算法。对存在梳状谱特征的LINK-11CLEW信号来说，同样可利用公式（6）计算并判决是否存在梳状谱特征。下面，将引入梳状谱检测公式。

1.5R参数

R参数反映信号包络的变化程度，部分信号包络变化较小，部分信号包络变化则相对较大，例如多音并行调制信号的包络比单音串行信号更稳定，QAM类调制信号比PSK类调制更稳定，而PSK类调制的又比FSK类调制的包络更稳定。由此可以用R参数表达这种信号特征，如公式（8）所示。

2基于神经网络集成的调制分类器设计

分类器集成分为级联和并联2种方式。前一级分类器输出作为后一级分类器输入信息的称为级联方式；各分类器独立输入、输出，各输出通过适当的组合方式综合得到总输出结果的称为并联方式。由于前面描述的信号特征参数各不相同，是从不同角度对信号进行描述的，不具备串行级联的条件，而且不同的特征参数各自对信号调制也具备一定的分类识别能力，因此该文采用了并联分类器级联的方式。为使各个分类器具有更好的融合效果，该文采用多分类器加权平均的组合方式来进行信号调制类型识别，不同特征通过各自的分类器独立识别，根据求解得到的最优权重系数给出加权平均输出，得到最终的分类识别结果。分类器结构如图1所示。要使集成分类器能达到最优，就需要各分类器的错误是不相关的。对神经网络分类器来说，文献[5]指出，各分类器采用不同特征向量与不同训练集能充分保证各分类器间的差异性，这在该文所提出的条件下完全能够满足。

2.1径向基函数（RBF）神经网络分类器

在分类器的选择上，因为决策树结构分类器的识别能力无法满足实际识别工作的需求，所以该文采用神经网络作为调制识别的分类器。在具体的网络类型上，这里选取径向基函数（RBF）神经网络，它是一种三层前馈网络，由输入层、隐含层和输出层构成，隐含层单元数决定了该神经网络可识别区分的类别数目。隐含层单元的传递函数为径向基函数，采用径向对称高斯函数，如公式（9）所示。径向基函数（RBF）神经网络具有训练时间短、收敛速度快等优点，并且没有陷入多个局部极值点的缺陷。被集成的各成员分类器输入层神经元数目由特征参数数量决定，隐含层神经元数量为5，对应待识别调制方式数量（包括“未知”类别），输出层神经元数目为5；各分类器均采用模糊C-均值算法确定隐含单元数目，网络权值训练采用梯度下降法。

2.2神经网络集成最优权重

设第k个个体神经网络的输出为Fk=（fk1，fk1，…，fkM），fki（i=1，…，M）为第i个神经元的输出。

3试验结果与分析

试验数据来源于从天空接收采集的真实信号样本：HFDL8PSK（8PSK调制，信噪比约为6dB~12dB，有衰落）、HAMPSK220F（BPSK调制，信噪比约为6dB~10dB，有衰落）、LINK-11CLEW（16tone-QPSK调制，信噪比约为4dB~8dB，有衰落）以及MS110B8QAM（8QAM调制，信噪比约为4dB~10dB，有衰落），实际的样本语图如图2、图3所示（横坐标为时间，s；纵坐标为频率，Hz）。采样率为9600Hz，精度为16位，存储格式为wav格式。每个信号块分割长度为106.67ms，每块有50%的重叠。在通过预处理准确获取信号突发部分后，将估算和提取的带宽、离散谱线分量、功率谱形状以及R参数等分别作为1组特征向量输入各神经网络分类器，经过前述算法得到最终的识别分类结果，见表1。其总体识别正确率约为90%，结果表明该文所采用的算法是有效的。具体来讲，对BPSK（HAMPSK220F）这类较简单的调制规格以及LINK-11CLEW（16tone-QPSK）这类调制特征明显（与其他信号差异大的规格）来说，识别效果较好；对8QAM（MS110B8QAM）这类高效调制（特别是在包络、高次方谱等与8PSK等类似高效调制难以区分的情况下）来说，识别效果稍差，这符合以往的识别经验，但也达到了比传统算法更高的正确率。

4结语

该文结合短波数字调制信号特点，通过预处理机制消除干扰，实现有效提取信号的目标。该文提出了2个新的频域特征参数来构造时域、频域相结合的特征参数向量，这些参数具有良好的抗噪性能和广泛的适用性。设计实现了基于最优权重求解的神经网络集成方法，实际测试结果表明该方法的识别正确率较高。

作者：白钊 单位：上海光古电子有限公司