一种微量采样数据数字调制识别方法
【专利摘要】本发明属于通信【技术领域】，具体涉及一种2ASK、4ASK、2PSK、4PSK、2FSK和4FSK共6种调制方式的微量采样数据数字调制识别方法。本发明包括:对采样信号进行带通滤波处理；使用希尔伯特变换获取信号瞬时信息，包括瞬时幅度、非线性相位和瞬时频率；计算信号幅度中心化参数、相位中心化参数和频率中心化参数；计算信号分类所需的5个特征参数；使用决策树分类器对信号进行分类判决。本发明提出的新的中心化参数和分类门限自动调整方法能够有效地减少识别算法对采样码元数量的要求，使得识别方法可以在资源较少的硬件平台上得到应用，并且能提高方法对信噪比的自适应性。
【专利说明】一种微量采样数据数字调制识别方法 【技术领域】
[0001] 本发明属于通信【技术领域】，具体涉及一种2ASK、4ASK、2PSK、4PSK、2FSK和4FSK共 6种调制方式的微量采样数据数字调制识别方法。 【背景技术】
[0002] 在信息对抗领域，为了成功对信号进行侦听，首要工作就是识别出信号的调制类 型。随着无线通信的快速发展，通信信号的调制方式也变得越发多样，传统基于人工的信号 识别方法已经不能满足实际的需要，迫切需要制出能够自动识别通信信号的调制制式和调 制参数的设备。
[0003] A. K. Nandi和E. E. Azzouz在1995年提出了基于信号瞬时参数特征的调制识别方 法，该方法先对信号做Hibert变换，然后依次计算信号的瞬时幅度、瞬时相位和瞬时频率， 然后选取由这三个参数构成的7个识别特征，对2ASK、4ASK、2PSK、4PSK以及2FSK、4FSK信 号进行了识别。这种方法的计算简单，需要的先验信息较少，因而得到了广泛应用。
[0004] 然而上述方法在实际的硬件实现过程中仍然存在一些缺陷：
[0005] 1.对于硬件实现，由于单片机或者DSP的资源相对PC机来说是非常稀少和宝贵 的，信号识别所用的采样数据的点数不能太多，导致一组采样数据中的码元个数较少。当 采样点较少并且码元随机的情况下，传统的识别方法的中心化参数计算方法会出现较大偏 差，导致识别率的下降。
[0006] 2.由于特征参数的值会随着SNR的变化而变化，特别是在采样点少、码元随机。如 果选取单一的分类门限，在SNR变化时识别性能会急剧恶化。
【发明内容】
[0007] 本发明的目的在于针对传统的识别方法不适用于采样点较少并且码元随机的情 况，提出使用一种新的中心化参数和分类门限自动调整，适用微量采样数据和未知信噪比 的调制信号识别方法。
[0008] 本发明的目的是这样实现的：
[0009] (1)对采样信号进行带通滤波处理；
[0010] (2)使用希尔伯特变换获取信号瞬时信息，包括瞬时幅度、非线性相位和瞬时频 率；
[0011] (3)计算信号幅度中心化参数、相位中心化参数和频率中心化参数；
[0012] (4)计算信号分类所需的5个特征参数：〇 da、σ aa、σ df、σ ap和σ af ;其中，σ da为 中心化瞬时幅度的标准偏差，〇 aa为中心化瞬时幅度绝对值的标准偏差，〇 df为非弱信号段 瞬时频率的标准偏差，σ ap为中心化瞬时相位绝对值的标准偏差，σ af为中心化瞬时频率绝 对值的标准偏差；中心化瞬时幅度、中心化瞬时相位和中心化频率的具体计算方法为：
[0013] 中心化瞬时幅度aan⑴=a(i)-mM，其中a(i)为信号的瞬时幅度，为幅度中心 化参数；
[0014] 中心化瞬时相位& (〇 =妒(〇 - %，其中沪(/)为信号的非线性相位，m()p为相位中 心化参数；
[0015] 中心化瞬时频率fm(i) = f (D-nw，其中f⑴为信号的瞬时频率，nw为频率中心 化参数；
[0016] (5)使用决策树分类器对信号进行分类判决：
[0017] (5. 1)如果参数〇da< thp则信号属于类0{2?51(，4?51(，2?51(，4?51(}，否则信号属 于类1 {2ASK，4ASK};其中咖为参数〇 da的判决门限；
[0018] (5. 2)已判决出信号属于类1,执行SNR粗估计模块1 :当〇 ap < th5，选择th2 = th2 高SNR，否则选择th2 = th2低SNR ;如果参数σ aa < th2，则信号为2ASK，否则信号为4ASK ;
[0019] 其中th5为利用σ ap进行SNR粗估计的判决门限,th2为参数σ aa的判决门限，th2 高SNR为在高信噪比情况下th2选取的门限，th2低SNR为在低信噪比情况下th2选取的门 限；
[0020] (5. 3)已判决出信号属于类0,且参数σ df < th3，则信号属于类01 {2PSK，4PSK}， 否则信号属于类〇〇{2FSK，4FSK};其中th3为参数σ df的判决门限；
[0021] (5. 4)已判决出信号属于类01,执行SNR粗估计模块2 :当σ da < th6，选择th5 = th5高SNR，否则选择th5 = th5低SNR ;如果参数〇 ap < th5，则信号属于2PSK，否则信号为 4PSK ；
[0022] 其中th6为利用σ da进行SNR粗估计的门限，th5为σ ap的判决门限，th5高SNR为 在高信噪比情况下th5选取的门限，th 5低SNR为在低信噪比情况下的th5选取的门限；
[0023] (5)已判决出信号属于类00,执行SNR粗估计模块3 :当σ da < th6，选择th4 = th4 高SNR，否则选择th4 = th4低SNR ;如果参数σ af < th4，则信号为2FSK，否则信号为4FSK ;
[0024] 其中th6为利用σ da进行SNR粗估计的门限，th4为σ af的判决门限，th4高SNR为 在高信噪比情况下th4选取的门限，th 4低SNR为在低信噪比情况下th4选取的门限。
[0025] 幅度中心化参数由mM = {E[a(i) > mJ+E[a(i) < ma]}/2获取，其中a(i)为信号 的瞬时幅度，ma为a(i)的平均值，即m a = E[a(i)]，E[·]为取均值符号。
[0026] 相位中心化参数由mQf = {E[f(i) >mf]+E[f(i) <mf]}/2获取，其中f(i)为信号 的瞬时频率，mf为f(i)的平均值，即m f = E[f (i)]。
[0027] 频率中心化参数由《V ={￡[〇/--,,] +￡[</)< 茯取，其中为信号的 非线性相位，mp为供⑴的平均值，S卩％ =勾#⑴]。
[0028] 使用〇 ap作为特征参数〇 aa的信噪比粗估计参数，以便于特征参数〇 aa的门限自 动调整；当σ ap < th5，选择th2 = th2高SNR,否则选择th2 = th2低SNR。
[0029] 使用〇 da作为特征参数σ af的信噪比粗估计参数；当σ da < th6,选择th4 = th4 高SNR,否则选择th4 = th4低SNR。
[0030] 使用〇 da作为特征参数〇 ap的信噪比粗估计参数，以便于特征参数〇 ap的门限自 动调整；当σ da < th6，选择th5 = th5高SNR,否则选择th5 = th5低SNR。
[0031] 本发明的有益效果在于：本发明提出的新的中心化参数和分类门限自动调整方法 能够有效地减少识别算法对采样码元数量的要求，使得识别方法可以在资源较少的硬件平 台上得到应用，并且能提高方法对信噪比的自适应性。 【专利附图】
【附图说明】
[0032] 图1 :传统的识别方法流程图。
[0033] 图2 :本发明的识别方法流程图。
[0034] 图3 :使用两种中心化方法时，100次实验中参数〇 aa的值分布对比（16个码元、 15dB)。
[0035] 图4 :使用两种中心化方法时，100次实验中参数〇 af的值分布对比（16个码元、 15dB)。
[0036] 图5 :使用两种中心化方法时，100次实验中参数〇 ap的值分布对比（16个码元、 15dB)。 【具体实施方式】
[0037] 下面结合附图对本发明做进一步描述，其中图3-5中，（a)部分为本发明的中心 化方法，（b)部分为传统的中心化方法
[0038] 本发明包括：
[0039] 步骤1 :接收到的调制信号的采样序列为x(n)，对x(n)进行带通滤波处理。
[0040] 步骤2 :使用希尔伯特变换提取信号的瞬时幅度、非线性相位和瞬时频率。
[0041] 步骤3 :计算信号频率中心化参数和幅度中心化参数；
[0042] 幅度中心化参数由公式
[0043] mM= {E[a⑴〉mJ+E[a⑴<ma]}/2获取，其中a(i)为信号的瞬时幅度，1113为 a⑴的平均值，即ma = E [a⑴](E [ ·]为取均值符号）。
[0044] 频率中心化参数由公式
[0045] mQf = {E[f⑴>mf]+E[f⑴<mf]}/2获取，其中f(i)为信号的瞬时频率，m fS f(i)的平均值，即 mf = E[f(i)]。
[0046] 相位中心化参数由公式
[〇〇47] %, 获取，其中〇为信号的非线性相位， %为Η0的平均值，即气> =可识(0]。
[0048] 步骤4 :计算信号分类所需的5个特征参数：σ da、σ aa、σ df、σ叩和σ af。其中，σ da 为中心化瞬时幅度的标准偏差，σ aa为中心化瞬时幅度绝对值的标准偏差，σ df为非弱信号 段瞬时频率的标准偏差，σ ap为中心化瞬时相位绝对值的标准偏差，σ af为中心化瞬时频率 绝对值的标准偏差；中心化瞬时幅度、中心化瞬时相位和中心化频率的具体计算方法为：
[0049] 中心化瞬时幅度aan(i) = a(i)_mM，其中a(i)为信号的瞬时幅度，为幅度中心 化参数；
[0050] 中心化瞬时相位么^ =妒(〇-，其中1 为信号的非线性相位，πν为相位中 心化参数；
[0051] 中心化瞬时频率fm(i) = f (υ-π^，其中f⑴为信号的瞬时频率，nw为频率中心 化参数；
[0052] 步骤5 :使用决策树分类器的分类流程对信号进行分类。
[0053] 所述的信号进行分类具体方法为：
[〇〇54] (1)如果参数σ da < ，则信号属于类0 {2FSK，4FSK，2PSK，4PSK};否则信号属于 类1 {2ASK，4ASK};其中咖为〇 da的判决门限。
[0055] ⑵已判决出信号属于类1，执行SNR粗估计模块1 :当〇 ap < th5，选择th2 = th2 (高SNR)，否则选择th2 = th2 (低SNR)。如果参数σ aa < th2，则信号为2ASK ;否则信号 为 4ASK。
[0056] 其中th5为利用〇ap进行SNR粗估计的判决门限（将SNR分为高、低两种情况）， th2为σ aa的判决门限，th2(高SNR)为th2在高信噪比下选取的门限，th 2(低SNR)为th2 在低信噪比下的选取门限。
[0057] (3)已判决出信号属于类0,且参数〇 df < th3，则信号属于类01 {2PSK，4PSK};否 则信号属于类〇〇 {2FSK，4FSK}。其中th3为σ df的判决门限。
[0058] (4)已判决出信号属于类01，执行SNR粗估计模块2 :当〇 da < th6，选择th5 = th5 (高SNR)，否则选择th5 = th5 (低SNR)。如果参数σ φ < th5，则信号属于2PSK ;否则信 号为4PSK。
[0059] 其中th6为利用〇 da进行SNR粗估计的判决门限，th5为〇 ap的判决门限，th5 (高 SNR)为在高信噪比下th5选取的门限，th5(低SNR)为在低信噪比下的th5选取的门限。
[0060] (5)已判决出信号属于类00,执行SNR粗估计模块3 :当〇 da < th6，选择th4 = th4 (高SNR)，否则选择th4 = th4 (低SNR)。如果参数σ af < th4，则信号为2FSK ;否则信号 为 4FSK。
[0061] 其中th6为利用σ da进行SNR粗估计的判决门限，th4为σ af的判决门限，th4 (高 SNR)为在高信噪比下th4选取的门限，th4(低SNR)为在低信噪比下的th4选取的门限。
[0062] 传统识别方法中提出的中心化参数仅仅是简单地取信号的均值，即E [h (i) ]，h (i) 为信号的瞬时信息（瞬时幅度、非线性相位或瞬时频率）。本发明提出的中心化参数为：
[0063] mA = {E[h⑴ > mh]+E[h⑴ < mh]}/2, mh = E[h(i)] (1)
[0064] 当采样数据较少时，采样的码元数目较少且非均衡时（码元1和0的数量不一样 时）传统识别方法的中心化参数计算方法会出现较大的偏差。传统的识别方法中指出2ASK 的〇 aa参数应该等于〇, 4ASK的σ aa参数不为0。理由是2ASK的归一化幅度值只有0和1， 减去中心化参数值0. 5后，幅度值为-0. 5与0. 5。再取绝对值，只有0. 5 -个幅度值，取方 差为0。然而实际上未必是这样的，关键在于中心化参数值的选取，如果不是〇. 5,那么无法 保证中心化幅度的绝对值只有一个值。
[〇〇65] 假设码元长度为8,为了计算简单清晰假设每个码元间只有2个采样点，一共有16 个采样点，两种方法得到2ASK的幅度中心化参数结果如表1所示。
[〇〇66] 表1传统方法和本发明的中心化参数值的比较 [0067]
【权利要求】
1. 一种微量采样数据数字调制识别方法，其特征在于： (1) 对采样信号进行带通滤波处理； (2) 使用希尔伯特变换获取信号瞬时信息，包括瞬时幅度、非线性相位和瞬时频率； (3) 计算信号幅度中心化参数、相位中心化参数和频率中心化参数； ⑷计算信号分类所需的5个特征参数：σ da、σ aa、σ df、σ ap和σ af ;其中，σ da为中心 化瞬时幅度的标准偏差，〇aa为中心化瞬时幅度绝对值的标准偏差，〇df为非弱信号段瞬时 频率的标准偏差，σ ap为中心化瞬时相位绝对值的标准偏差，σ af为中心化瞬时频率绝对值 的标准偏差；中心化瞬时幅度、中心化瞬时相位和中心化频率的具体计算方法为： 中心化瞬时幅度am(i) =a(i)_mM，其中a(i)为信号的瞬时幅度，111。3为幅度中心化参 数； 中心化瞬时相位Κ/Χ/卜~ ,其中P⑷为信号的非线性相位，为相位中心化 参数； 中心化瞬时频率fji) =f⑴-HW，其中f(i)为信号的瞬时频率，11^为频率中心化参 数； (5)使用决策树分类器对信号进行分类判决： (5. 1)如果参数σ da < ，则信号属于类0 {2FSK，4FSK，2PSK，4PSK}，否则信号属于类 1 {2ASK，4ASK};其中也为参数σ da的判决门限； (5. 2)已判决出信号属于类1，执行SNR粗估计模块1 :当σ ap < th5，选择th2 = th2高 SNR，否则选择th2 = th2低SNR ;如果参数σ aa < th2，则信号为2ASK，否则信号为4ASK ; 其中th5为利用σ ap进行SNR粗估计的判决门限，th2为参数σ aa的判决门限，th2高 SNR为在高信噪比情况下th2选取的门限，th2低SNR为在低信噪比情况下th2选取的门限； (5.3)已判决出信号属于类0,且参数〇df<th3，则信号属于类01{2PSK，4PSK}，否则 信号属于类〇〇{2FSK，4FSK};其中th3为参数σ df的判决门限； (5. 4)已判决出信号属于类01，执行SNR粗估计模块2:当〇da<th6，选择th 5 = th；^ SNR，否则选择th5 = th5低SNR ;如果参数〇 ap < th5，则信号属于2PSK，否则信号为4PSK ; 其中th6为利用〇 da进行SNR粗估计的门限，th5为〇 ap的判决门限，th5高SNR为在 高信噪比情况下th5选取的门限，th5低SNR为在低信噪比情况下的th5选取的门限； (5)已判决出信号属于类00,执行SNR粗估计模块3 :当σ da < th6，选择th4 = th4高 SNR，否则选择th4 = th4低SNR ;如果参数σ af < th4，则信号为2FSK，否则信号为4FSK ; 其中th6为利用σ da进行SNR粗估计的门限，th4为σ af的判决门限，th4高SNR为在 高信噪比情况下th4选取的门限，th4低SNR为在低信噪比情况下th4选取的门限。
2. 根据权利要求1所述的一种微量采样数据数字调制识别方法，其特征是：所述幅度 中心化参数由mM= {E[a(i) >mJ+E[a(i) <ma]}/2获取，其中a(i)为信号的瞬时幅度， ma为a(i)的平均值，即ma = E[a(i)]，E[·]为取均值符号。
3. 根据权利要求1所述的一种微量采样数据数字调制识别方法，其特征是：所述相位 中心化参数由mQf= {E[f(i) >mf]+E[f(i) <mf]}/2获取，其中f(i)为信号的瞬时频率， mf为f (i)的平均值，即mf = E [f (i)]。
4. 根据权利要求1所述的一种微量采样数据数字调制识别方法，其特征是：所述频率 中心化参数由讲，='^'[</)>讲/.,] + ￡^(/)<讲/,]}/2 5灾取，其中^/；)为信号的非线性相位， mp为$(/)的平均值，即％ = AMO]。
5. 根据权利要求1所述的一种微量采样数据数字调制识别方法，其特征是：使用〇ap 作为特征参数〇aa的信噪比粗估计参数，以便于特征参数〇aa的门限自动调整；当〇ap < th5，选择 th2 = th2 高 SNR,否则选择 th2 = th2 低 SNR。
6. 根据权利要求1所述的一种微量采样数据数字调制识别方法，其特征是：使用〇da 作为特征参数0af的信噪比粗估计参数；当0da < th6，选择th4 = th4高SNR，否则选择th4 =th4 低 SNR。
7. 根据权利要求1所述的一种微量采样数据数字调制识别方法，其特征是：使用〇da 作为特征参数〇ap的信噪比粗估计参数，以便于特征参数〇ap的门限自动调整；当〇da < th6，选择 th5 = th5 高 SNR,否则选择 th5 = th5 低 SNR。
【文档编号】H04L27/00GK104052703SQ201410317188
【公开日】2014年9月17日 申请日期:2014年7月4日 优先权日:2014年7月4日
【发明者】张晓林, 何林飞, 任立群, 成佳峰 申请人:哈尔滨工程大学