专利名称:数字调制信号识别方法
技术领域:
本发明属于通信技术领域,具体涉及
络的各种数字信号调制方式的识别方法。
种多径信道、低信噪比条件下基于神经网
背景技术:
随着通信技术的发展,调制信号的体制及调制样式变得更加复杂多样,信号环境 越来越密集,信号调制类型的识别显得尤为重要和迫切。在民用方面,信号识别技术在无线 电频谱管理中的信号认证、干扰识别技术中显得尤为重要。在军用方面,尤其是电子对抗中 的通信对抗,无论是干扰敌方的通信还是破获敌方的通信信号,都必须首先识别敌方通信 信号的调制方式。通信信号调制方式识别也是软件无线电及重构通信系统中的重要技术。 特别地,随着正交频分复用0F匿技术的广泛采用,调制信号识别技术研究的信号集合越来 越大,且识别的复杂度也越来越高。 但是目前对于0F匿信号的识别研究较少,现有的数字信号的识别技术研究集中 在理想条件或仅有高斯白噪声条件下,同时,现有的识别技术在低信噪比条件下识别率不 高,不能满足实际应用的需要。因此,在多径、低信噪比条件下研究一种能适用多体制的信 号识别技术显得十分重要。神经网络所具有的信息分布式储存、大规模自适应并行处理和 高度的容错性等特点,特别是其学习能力和容错性对不确定性模式识别具有独到之处,特 别适用于多径、低信噪比条件下的信号识别。 目前,基于神经网络的方法中存在着两个问题一是单个神经网络实现识别系统 比较复杂,所需的神经元个数多,且识别性能不理想。二是识别系统中特征参数的选取依赖 于设计者的经验,目前还没有一种普遍适用的选取和判别有效特征值的方法。针对第一个 问题,人们提出了基于判决树的神经网络,通过组合多个分类器进行分层判决,该方法降低 了单个分类器的复杂度。但是,对于判决树的设计也是基于设计者的经验的。特征选取和 判决树设计依赖设计者经验带来了识别率低的问题,且在新的通信环境下,判决树的结构 需要重新构建。
发明内容
本发明的目的在于克服上述已有技术的不足,提供一种数字调制信号识别方法, 以提高通信系统中的信号识别率,且无需再次构建新的判决树就可以实现不同通信环境中 的数字信号识别。
为实现上述目的,本发明包括如下过程 (1)将待判别的特征参数矢量输入到识别网络的SOFM部分,并提取有效特征参 数; (2)根据S0FM网络的提取结果和有效特征的提取顺序,自上而下确定判决树每个 节点中采用的特征参数; (3)用RBF网络代替判决树中的各个节点,构成识别系统的网络结构;
(4)利用已知的训练集合,对识别系统网络中的每个RBF识别网络进行训练,使训 练集合的识别误差达到最小,确定每个RBF识别网络隐含层和输出层的各个连接权值和判 决门限,并固定这些识别网络; (5)将接收到的待识别信号进行采样,将采样信号输入到已固定的识别网络中,根 据判决树的结构自上而下计算有效特征参数值; (6)将有效特征参数值输入到RBF识别网络中计算其输出值,用该输出值与判决 门限进行比较,判断出识别信号的调制方式。 本发明利用SOFM网络提取有效特征参数和判决树的设计,大大减少了理论证明 带来的复杂度和识别的不精确性,同时该方法对通信识别系统的改变具有很好的适应能 力。利用RBF网络代替判决树的节点大大减少了用单个RBF分类器进行分类引起的复杂度 高的问题。本发明中提出的三个有效特征参数基于一次和两次小波变换的特征参数V一瞬 时频率特征参数MAX—fre、信号瞬时幅度的盒函数特征参数DBF2可以很好地提高多径、低 信噪比条件下信号的识别率。仿真表明,在多径信道、低信噪比条件下,本发明所提出的方 法不仅可以有效的提取特征参数,而且大大提高了系统信号的识别率。
图1.
图2. 图3. 图4. 图5.
是本发明提出的基于神经网络的识别系统结构图; 是本发明中所用的SOFM网络的结构图; 是本发明经过有效特征参数的提取后的判决树结构图; 是本发明中使用的RBF网络的结构是本发明中基于一次和两次小波变换的特征参数的提取过程示意图。
具体实施例方式参见图l,本发明包括如下过程 过程l,将待判别的特征参数矢量输入到识别网络中的SOFM部分,进行有效特征 参数的提取。 SOFM网络的结构参见图2,其中Xl, x2,…Xn为输入神经元,n为输入特征向量的 维数,即神经元个数,Sl, s2,…Sm为输出层的神经元,m为输出神经元的个数,代表最终的 聚类数目,Wij代表第i个输入神经元与第j个输出神经元的连接权值,
利用Kohonen学习算法调整连接权值。则第j个输出神经元的输出结果为 ~=艺,*、 (1)
;=1 有效特征参数的提取包括如下步骤 (1.1)选定特征参数矢量为F二 [FA,…Fn],其中^,F2,…F,代表不同的特征 参数,将各类采样值的特征参数巳输入到SOFM网络中,并通过公式(1)计算各个输出神经 元的输出结果; (1. 2)统计特征参数巳的S0FM网络输出结果的分类类别; (1. 3)将统计出的分类类别的个数与训练样本的已知原型进行比较,如果统计结 果与已知原型一致,则保留该有效特征参数,并将该特征参数作为判决树的节点中选用的有效特征参数,反之,将巳判为无效的特征参数; (1.4)对特征参数F2,…Fw进行相同的操作,最终选定7个有效特征参数分别为基于一次和两次小波变换的特征参数V一两次小波变换特征参数Vy信号的盒函数特征参数DBF1、信号瞬时幅度的盒函数特征参数DBF2、瞬时频率特征参数MAX—fre、基于非弱信号实部的特征参数o工和基于FFT变换的特征参数Fv。 过程2,根据S0FM网络的提取结果和有效特征的提取顺序,自上而下确定判决树每个节点中采用的特征参数,判决树的结构参见图3。 在判决树的第一层中瞬时频率特征参数MAX—fre将数字信号从噪声中区别开,在第二层中基于一次和两次小波变换的特征参数Vw将单载波和多载波信号区分开,在判决树第三层中信号瞬时幅度的盒函数特征参数DBF2将DVB-T信号和802. lla信号区分开,基于非弱信号实部的特征参数o工将2ASK、4ASK、2PSK从其他单载波信号中区分开,在判决树第四层中两次小波变换特征参数V2将QAM信号从2FSK、4FSK、4PSK信号中区别开,基于FFT变换的特征参数Fv将2ASK、2FSK信号与4ASK信号区分开,在判决树第五层中信号瞬时幅度的盒函数特征参数DBF2将2FSK信号与4FSK、4PSK信号区分开,在判决树第六层中信号的盒函数特征参数DBF1将4PSK信号和4FSK信号区别开。 过程3,用RBF网络代替判决树中的各个节点,构成识别系统的网络结构,RBF网络的结构参见图4,其中,乂= [Xl,x2 xJ是网络的输入,¥= [yi,y2 yM]是网络的输出,C^q,c2… ]-为隐含层的中心值,^为隐含层的节点数。^^L/i,/2…/w,]是径向基函数,则第一层中第j个节点的输出为m, =exp(———^~~^), / = 1,2,., (2) 其中,o /为第j个节点的归一化参量,*表示共轭运算。
RBF网络的第i个输出节点方程为
yi = WiU*, i = 1,2,…M (3) 其中,K = K, , 、■ W ]是节点的权矢量,U = [A, "2…"w,]为隐含层输出矢量。
过程4,利用已知的训练集合,对识别系统网络中的每个RBF网络进行训练,其中,隐含层进行K-近邻算法,输出层用LMS算法对网络进行训练,使训练集合的识别误差达到最小,以确定隐含层和输出层的各个连接权值和判决门限,并固定该识别网络。
过程5,将接收到的待识别信号进行采样,将采样信号输入到已固定的识别系统网
络中,根据判决树的结构自上而下计算有效特征参数值,包括如下过程
(5. 1)计算瞬时频率特征参数MAX—fre : (5. 1. 1)根据公式一)=31^011:,/ = 1,2,一^计算采样值的瞬时相位,其中,Q(i)和I(i)分别为第n个信号采样值的虚部和实部; (5. 1. 2)通过公式六/) = ^~[< >(/ + 1) —W-l)y y,2,…X计算采样值的瞬时频率,
并对瞬时频率/。求最大值,得到瞬时频率特征参数MAX_fre。
(5. 2)计算基于一次和两次小波变换特征参数Vw : 基于一次和两次小波变换的特征参数Vw的提取过程参见图5,具体包括如下过
6程
(5. 2. 1)根据公式『(a,T》
4^^>("甲'(^)对采样值进行一次Haar小波
/d/; 丁 a
变换,其中,其中,lA/^为能量归一化因子,n为平移因子,d为尺度因子,W(t)为小波母函数,将采样值进行中值滤波,并计算方差K ;
^5>(&)甲'(^)对采样值再进行一次Haar小 (5.2.2)根据公式『(《,"=
波变换,将采样值进行中值滤波,并计算方差^ ; (5. 2. 3)通过公式Vw = [K V2]得到基于一次和两次小波变换特征参数Vwt3)计算基于非弱信号实部的特征参数o工
(5.(5.
是采样值;
(5. (5.
数o工,其中
(5.
(5.
(5.征参数Fv。
(5.
3. 1)根据公式气=1/^ J^得到采样值的平均值,其中,Ns是采样值的个数,Si
3. 2)通过公式ai = Si/ma-l对采样值进行零归一化处理;
3. 3)通过"/ = Jf^X^S^TW计算得到基于非弱信号实部的特征参
,工i为第i个信号的实部,at为非弱信号的判决门限,c为非弱信号的个数。
4) 计算基于FFT变换的特征参数Fv :
4. 1)计算采样值的相关矩阵Rs( t );
4. 2)对相关矩阵Rs")求FFT变换,并对结果求方差得到基于FFT变换的特
5) 计算信号的盒函数特征参数DBF1 : (5. 5. 1)根据公式"(^) = !>,-5,+1|计算相邻采样值的绝对差值,其中,
^ , J2 , ... S乂
为信号的采样值;
(W-l)/2 (5.5.2)通过公式d(2A)二 J] (max("2^, ,"2,.+J —min("2^,a2,,a2,+J计算采样
值的信息熵,其中,^A,…"K为采样值的瞬时幅度; (5. 5. 3)通过计算公式DBF1 = l+log2 (d ( A )/d (2 A ))得到信号的盒函数特征参数DBFl,其中,d(A)为相邻采样值瞬时幅度的绝对差值,d(2A)为采样值的信息熵
(5. 6)计算信号瞬时幅度的盒函数特征参数DBF2 : (5. 6. 1)根据公式6(厶)=£|^—"wl计算相邻采样值瞬时幅度的绝对差值,其中,
,=1
"""2,… 为采样值的瞬时幅度;
(W-l)/2 (5.6.2)通过公式"(2厶)=Z (max{"2M,a2,,^+1}-min{^_p^,a2,+J计算采样
值的信息熵; (5.6.3)通过公式DBF2 = l+log2 (b ( A )/d (2 A ))计算得到信号的盒函数特征参
7数DBF2,其中,b(A)为相邻采样值瞬时幅度的绝对差值,d(2A)为采样值的信息熵。
过程6,将有效特征参数值输入到单个RBF网络中,判断出识别信号的调制方式。
参照图3,判断过程如下 (6. 1)对于瞬时频率特征参数MAX_fre,先训练其对应的RBF网络,并分别将数字信号的目标值设为1,噪声的目标值设为0,门限值设为0. 5 ;再将待识别的各采样值的特征参数进行归一化,该归一化值作为RBF网络的输入值,输入到RBF网络;最后,根据公式(3)计算RBF网络的输出值,对于输出值大于0. 5的归一化值所对应的采样值判为数字信号,小于0.5的归一化值判为噪声; (6. 2)对于基于一次和两次小波变换的特征参数Vw,先训练其对应的RBF网络,并分别将单载波信号的目标值设为1,多载波的目标值设为0,门限值设为0. 5 ;再将待识别的各采样值的特征参数进行归一化,该归一化值作为RBF网络的输入值,输入到RBF网络;最后,根据公式(3)计算RBF网络的输出值,对于输出值大于O. 5的归一化值所对应的采样值判为单载波信号,小于0. 5的归一化值判为多载波信号; (6. 3)对于信号瞬时幅度的盒函数特征参数DBF2,先训练其对应的RBF网络,并分别将DVB-T信号的目标值设为1,802. lla信号的目标值设为0,门限值设为0. 5 ;再将待识别的各采样值的特征参数进行归一化,该归一化值作为RBF网络的输入值;最后,根据公式(3)计算RBF网络的输出值,对于输出值大于0. 5的归一化值所对应的采样值判为DVB-T信号,小于0. 5的归一化值判为802. lla ; (6.4)对于基于非弱信号实部的特征参数Op先训练其对应的RBF网络,并分别将2ASK、 4ASK、 2PSK信号的目标值设为1 ,其他单载波信号的目标值设为0 ,门限值设为0.5;再将待识别的各采样值的特征参数进行归一化,该归一化值作为RBF网络的输入值;最后,根据公式(3)计算RBF网络的输出值,对于输出值大于0. 5的归一化值所对应的采样值判为2ASK、4ASK、2PSK —类,小于0. 5的归一化值判为另一类。 (6. 5)对于两次小波变换特征参数V2,先训练其对应的RBF网络,并分别将QAM信号的目标值设为l,将2FSK、4FSK、4PSK信号的目标值设为0,门限值设为0. 5 ;再将待识别的各采样值的特征参数进行归一化,该归一化值作为RBF网络的输入值;最后,根据公式(3)计算RBF网络的输出值,对于输出值大于0. 5的归一化值所对应的采样值判为QAM信号,小于0. 5的归一化值判为2FSK、4FSK、4PSK信号一类。 (6. 6)对于基于FFT变换的特征参数Fv,先训练其对应的RBF网络,并分别将4ASK信号的目标值设为l,将2ASK、2FSK信号的目标值设为0,门限值设为0. 5 ;再将待识别的各采样值的特征参数进行归一化,该归一化值作为RBF网络的输入值;最后,根据公式(3)计算RBF网络的输出值,对于输出值大于0. 5的归一化值所对应的采样值判为4ASK信号,小于0. 5的归一化值判为2ASK、2FSK信号一类。 (6. 7)对于信号瞬时幅度的盒函数特征参数DBF2,先训练其对应的RBF网络,并分别将2FSK信号的目标值设为1,将4FSK、4PSK信号的目标值设为0,门限值设为O. 5 ;再将待识别的各采样值的特征参数进行归一化,该归一化值作为RBF网络的输入值;最后,根据公式(3)计算RBF网络的输出值,对于输出值大于0. 5的归一化值所对应的采样值判为2FSK信号,小于0. 5的归一化值判为4FSK、4PSK信号一类。 (6. 8)对于信号盒函数特征参数DBF1,先训练其对应的RBF网络,并分别将4FSK信号的目标值设为l,将4PSK信号的目标值设为0,门限值设为0. 5 ;再将待识别的各采样值的特征参数进行归一化,该归一化值作为RBF网络的输入值;最后,根据公式(3)计算RBF网络的输出值,对于输出值大于0. 5的归一化值所对应的采样值判为4FSK信号,小于0. 5的归一化值判为4PSK信号。 本发明的效果可以通过以下仿真进一步说明
1.仿真环境 在多径信道、低信噪比条件下对整个识别系统进行仿真,仿真环境如表1所示。
表1 仿真环境
数值
信号类型多载波 信号DVB-T OFDM信号2k FFT模式
802.1 la信号
单载波 信号{2FSK, 4FSK, 2PSK, 4PSK, 16QAM, 64QAM, 2ASK, 4ASK} 符号率20M/s 载波频率60MHz
信道多径信道,附加高斯白噪声 信噪比OdB, 4dB, 8dB, 12dB, 16dB, 20dB 仿真信道模型选用7条多径,多普勒频移为 備z 2.仿真结果 仿真结果都是基于100次Monte-carlo实验,如表2。 表2 不同信噪比下数字信号的识别率
SNR(db)2ASK4ASK802. llaDVB-T
098%100%100%100%
4100%100%100%100%
8100%100%100%100%
12100%100%100%100%
16100%100%100%100%
20100%100%100%100%
9SNR(db)2ASK4ASK802. llaDVB-T
SNR(db)2FSK4FSKQAMPSK
095. 5%80%98%97%
497%78%99%99%
8100%78%100%90%
12100%100%100%82%
16100%92%100%78%
20100%76%100%76% 从表2中可以看出,本发明提出的方法不仅可以很好的对数字信号进行识别,提高了多径、低信噪比条件下的识别率,而且该识别系统大大降低了信号识别的复杂度。
权利要求
一种数字调制信号识别方法,包括如下过程(1)将待判别的特征参数矢量输入到识别网络的SOFM部分,并提取有效特征参数;(2)根据SOFM网络的提取结果和有效特征的提取顺序,自上而下确定判决树每个节点中采用的特征参数;(3)用RBF网络代替判决树中的各个节点,构成识别系统的网络结构;(4)利用已知的训练集合,对识别系统网络中的每个RBF识别网络进行训练,使训练集合的识别误差达到最小,确定每个RBF识别网络隐含层和输出层的各个连接权值和判决门限,并固定这些识别网络;(5)将接收到的待识别信号进行采样,将采样信号输入到已固定的识别网络中,根据判决树的结构自上而下计算有效特征参数值;(6)将有效特征参数值输入到RBF识别网络中计算其输出值,用该输出值与判决门限进行比较,判断出识别信号的调制方式。
2. 根据权利要求l所述的数字调制信号识别方法,其中步骤(1)所述的进行有效特征 参数的提取,按如下过程进行;(2a)选定特征参数矢量为:F = [Fp F2, ".FJ,其中&, F2,…F,代表不同的特征参数;(2b)统计特征参数巳的SOFM网络输出结果的分类类别;(2c)将统计出的分类类别的个数与训练样本的已知原型进行比较,如果统计结果与已 知原型一致,则保留该有效特征参数,并将该特征参数作为判决树的节点中选用的有效特 征参数,反之,将F1判为无效的特征参数;(2d)对特征参数&,…F,进行相同的操作,最终选定7个有效特征参数分别为基于一 次和两次小波变换的特征参数V一两次小波变换特征参数Vy信号的盒函数特征参数DBFl、 信号瞬时幅度的盒函数特征参数DBF2、瞬时频率特征参数MAX—fre、基于非弱信号实部的 特征参数o工和基于FFT变换的特征参数Fv。
3. 根据权利要求l所述的数字调制信号识别方法,其中步骤(5)所述的根据判决树的 结构自上而下计算有效特征参数值,按如下过程进行(3a)计算瞬时频率特征参数MAX—fre ;(3b)计算基于一次和两次小波变换特征参数V"(3c)计算基于非弱信号实部的特征参数o工;(3d)计算基于FFT变换的特征参数Fv ;(3e)计算信号的盒函数特征参数DBF1 ;(3f)计算信号瞬时幅度的盒函数特征参数DBF2。
4. 根据权利要求3所述的数字调制信号识别方法,其中所述的计算瞬时频率特征参数 MAX—fre,按如下过程计算(4a)根据公式,(p0'卜arctan^,、l,2,…^计算采样值的瞬时相位,其中,q(土)和I (i)分别为第n个信号采样值的虚部和实部;(4b)通过公式六0 = ^"[(^' + 1) —一'-1)]" = 1,2广《计算采样值的瞬时频率,并对瞬时频率/(/)求最大值,得到瞬时频率特征参数MAX_fre。
5. 根据权利要求3所述的数字调制信号识别方法,其中所述的计算基于一次和两次小 波变换特征参数V^按如下过程计算(5a)对采样值进行一次Haar小波变换,将采样值进行中值滤波,并计算方差^ ; (5b)对采样值进行两次Haar小波变换,将采样值进行中值滤波,并计算方差V2 ; (5c)通过公式<formula>formula see original document page 3</formula>得到基于一次和两次小波变换特征参数V^
6. 根据权利要求3所述的数字调制信号识别方法,其中所述的计算信号瞬时幅度的盒 函数特征参数DBF2,按如下步骤计算(6a)根据公式<formula>formula see original document page 3</formula>计算相邻采样值瞬时幅度的绝对差值,其中, "P"2,…"W,为采样值的瞬时幅度;(6b)通过公式<formula>formula see original document page 3</formula>fl2wH十算采样值的信息熵;(6c)通过公式<formula>formula see original document page 3</formula>计算得到信号的盒函数特征参数DBF2, 其中,b(A)为相邻采样值瞬时幅度的绝对差值,d(2A)为采样值的信息熵。
全文摘要
本发明公开了一种数字调制信号识别方法。其识别过程是将待判别的特征参数矢量输入到识别网络的SOFM部分,提取有效特征参数,并自上而下确定判决树每个节点中采用的特征参数;用RBF网络代替判决树中的各个节点,构成识别网络结构;利用已知的训练集合,训练每个RBF网络,使其识别误差达到最小,确定隐含层和输出层的各个连接权值和判决门限,并固定该识别网络;将采样值输入到已固定的识别网络中,根据判决树的结构自上而下计算有效特征参数值;将有效特征参数值输入到RBF网络中计算其输出值,并与判决门限进行比较,判断出信号的调制方式。本发明有效地提取了特征参数,减少了理论证明的复杂性和不精确性,提高了在多径、低信噪比条件下的识别率。
文档编号H04L27/26GK101783777SQ200910021758
公开日2010年7月21日 申请日期2009年3月31日 优先权日2009年3月31日
发明者李兵兵, 汪峰 申请人:西安电子科技大学