一种联合特征提取的调制信号识别方法
本发明涉及通信信号处理技术领域，尤其涉及信号的接收、处理、特征提取及分类识别等技术，具体是一种联合特征提取的调制信号识别方法。
背景技术：
现今，电磁环境日益复杂，不同频段的调制类型日益增多，有效识别调制类型可为频谱感知提供更多的用户信息，通信信号的识别在通信电子对抗、无线电信号管理等领域有着重要的地位和作用，多年来一直是非协作通信领域共同关注的研究课题，然而在非协作通信系统中，未经授权的接收机无法预先获知发送端准确的调制信号类型及其他相关参数，因此称为通信信号盲识别，其中涉及信号预处理、调制方式识别等技术，对信号进行参数估计及调试方式识别是后续盲信号解调获取信息的前提和关键。在实际环境中电磁环境较为复杂，可能会存在多径效应、随机噪声、突发信号等电磁波交织在一起，给信号的识别带来困难。因此如何有效抑制干扰在低信噪比环境下提高识别准确率是目前非协作通信信号识别的重要工作。
目前调制识别技术主要分为两类方法：基于极大似然的决策论识别和基于特征提取的模式识别。基于决策理论方法通过将似然比与贝叶斯标准确定的阈值进行比较来做出决定，可以得到贝叶斯意义上的最优解，尽管这种方法能够获得高准确率，但计算复杂度高，且需获取完整的先验知识，难以工程实现且效率低下；而目前常用的基于特征的识别方法有包含瞬时特征、高阶累积量、信息熵特征等，但以上特征均存在一些缺陷如瞬时特征易受噪声影响、高阶累计量对噪声不敏感但部分信号无法通过高阶累计量进行识别。分数阶小波变换作为一种新的时频分析工具，将传统小波变换时间-频率域信号分析方法推广至时间-分数频率域，体现了信号时间-分数频率域局部化特征。
技术实现要素：
本发明的目的是针对现有技术的不足，而提供一种联合特征提取的调制信号识别方法。这种方法所需特征参数少、步骤简洁、复杂度低，在低信噪比下识别率高且能弥补高阶累计量单一特征的局限，适用于多种不同类型的调制信号识别。
实现本发明目的的技术方案是：
一种联合特征提取的调制信号识别方法，包括如下步骤：
1)信号接收：接收机对接收到的信号进行下变频、定时同步、匹配滤波和离散化处理，获得数字基带信号序列，数字基带信号序列信号模型如公式(1)所示：
式中，s(n)为传输符号序列，θ为相频偏移，h(n)为信道响应函数，g(n)为加性噪声，p为幅度；
2)信号预处理：将步骤1)所得基带信号序列进行最大值、最小值归一化，获得归一化信号序列，并去除直流分量，如公式(2)所示：
其中，s为经接收机端接收到的数字基带信号序列，经公式(2)功率归一化处理将信号能量归一化得到
3)特征参数提取：对步骤2)归一化后的信号进行高阶累积量计算及分数阶小波变换，由以下步骤实现：
3-1)提取基带信号的高阶累积量参数：首先通过计算符号序列的p阶混合矩mpq进而提取信号二、四、六阶累积量特征，对于零均值独立同分布的复随机序列x(t)，x(t)的p阶混合矩定义如公式(3)所示：
mpq＝e{[x(t)p-qx*(t)q]}(3)，
式中*表示序列的共轭，p为阶数，q为取共轭的序列个数，e为求均值，对于零均值平稳复随机过程x(t)，根据式(3)信号的高阶累计量可以表示为：
二阶累积量：
c20＝cum(x，x)＝m20，
c21＝cum(x，x*)＝m21，
四阶累积量：
六阶累积量：
由于高斯白噪声均值为0，且高于二阶的累积量为0，因此接收信号的累积量值受噪声影响较小，选取两个基于高阶累计量的特征参数分别为公式(4)、公式(5)所示：
c1＝|c42|/|c40|(4)，
c2＝|c63|2/|c42|3(5)；
3-2)分数阶小波变换frwt(fractionalwavelettransform，简称frwt)：frwt主要参数为变换阶次p，当p＝0时，frwt就退化成小波变换即wt；当p＝1时，frwt是双频变换，即分数阶傅里叶变换和wt的结合；当p介于0到1之间则是分数域的变换，目前分数阶小波变换的实现方法主要包括两种思路：一种是将小波变换和分数阶傅里叶变换相融合，从而实现分数阶小波变换；第二种是基于分数阶小波包的时频变换，采用将小波变换和分数阶傅里叶变换相融合的分数阶小波变换法，首先对接收到的数字基带信号x(t)进行希尔伯特变换得到解析信号如公式(6)所示：
公式(6)中，x(t)表示接收到的基带信号，
其中，r(t)为解析函数，rp(u)表示分数阶傅里叶变换函数，p为变换阶次，kp(t,u)为变换核函数，可表示为如公式(8)所示：
公式(8)中，n表示自然数取值，δ(t)表示冲激函数，
分数阶小波变换的最终输出为公式(9)所示：
其中，sp(v,τ)表示分数阶小波变换函数，
3-3)分数阶小波变换特征值提取：经过分数阶小波变换后得到小波系数s，若s长度为l，则信号的细节分量为公式(10)所示：
式中，{h0,h1,...,hn}为分数阶小波函数的低通滤波器系数，dm为在分解水平m层下的细节分量，n为分解层数，此外，l和n表示自然数，当l为偶数时，
利用细节分量构造特征值，对信号进行了n层分数阶小波分解，特征值构造如公式(11)所示：
式中，d’(m)为每层细节分量中最大值的模值，v即为经过n层分解后每层d’(m)相加所得的特征值；
由公式(7)-公式(11)可得到特征值取决于小波变换的分解层数、小波基函数、和变换阶次p，选用haar小波分解层数为7层，阶次p＝1；
4)设置判决门限：通过步骤3)计算出了可以用于识别调试信号类型的特征参数，接下来通过设置判决门限从而识别出信号，各信号高阶累积量c1及c2的理论值可设置判决门限th1＝0.36、th2＝0.1375、th3＝24、th4＝15，而部分信号如2ask和bpsk、mfsk与8psk信号无法通过高阶累计量特征进行区分，因此采用分数阶小波变换特征v实现分类，从-5到15的信噪比范围内每隔2db进行100次蒙特卡洛仿真得到两组信号的特征参数曲线，设置相邻两信号特征参数曲线的中位数作为分数阶小波变换的判决门限；
5)分类识别：十种待识别信号的分类过程如下：
5-1)采用特征参数c1将bpsk、qpsk、8psk、2fsk、4fsk、8fsk、16qam、32qam、2ask、4ask信号分为信号集1、信号集2及32qam信号，信号集1中包括8psk、2fsk、4fsk和8fsk信号，信号集2中包括bpsk、qpsk、16qam、2ask和4ask信号；
5-2)采用分数阶小波变换特征v将信号集1中的8psk、2fsk、4fsk、8fsk信号依次识别出，且将信号集2分类为2ask、4ask及信号集3，信号集3中包括bpsk、qpsk和16qam信号；
5-3)采用特征参数c2将信号集3中信号依次识别出来，完成所有十种信号分类识别。
本技术方案基于高阶累计量及分数阶小波变换联合特征提取的调制识别中，提出将高阶累积量特征结合分数阶小波变换系数特征，其中分数阶小波变换是一种较为新颖的时频分析方法，可提取信号时间-分数频率域局部化特征，该特征不易受噪声干扰，具有很强的鲁棒性，通过将高阶累计量与分数阶小波变换特征结合有效提高了低信噪比下调制信号识别率，改进了传统单一的基于特征提取的调制识别方法，增加了识别类型数量，可有效识别bpsk、qpsk、8psk、2fsk、4fsk、8fsk、16qam、32qam、2ask、4ask十种信号。
这种方法所需特征参数少、步骤简洁、复杂度低，在低信噪比下识别率高且能弥补高阶累计量单一特征的局限，适用于多种不同类型的调制信号识别。
附图说明：
图1为实施例方法的流程示意图；
图2为实施例中信号集1的分数阶小波变换特征值曲线图；
图3为实施例中信号集2的分数阶小波变换特征值曲线图；
图4为实施例中分类识别的流程示意图；
图5为实施例中识别率的对比示意图。
具体实施方式
下面结合附图和实施例对本发明内容做进一步的阐述，但不是对本发明的限定。
实施例：
参照图1，一种联合特征提取的调制信号识别方法，包括如下步骤：
1)信号接收：接收机对接收到的信号进行下变频、定时同步、匹配滤波和离散化处理，获得数字基带信号序列，数字基带信号序列信号模型如公式(1)所示：
式中，s(n)为传输符号序列，θ为相频偏移，h(n)为信道响应函数，g(n)为加性噪声，p为幅度；
2)信号预处理：将步骤1)所得基带信号序列进行最大值、最小值归一化，获得归一化信号序列，并去除直流分量，如公式(2)所示：
其中，s为经接收机端接收到的数字基带信号序列，经式(2)功率归一化处理将信号能量归一化得到
3)特征参数提取：对步骤2)归一化后的信号进行高阶累积量计算及分数阶小波变换，由以下步骤实现：
3-1)提取基带信号的高阶累积量参数：首先通过计算符号序列的p阶混合矩mpq进而提取信号二、四、六阶累积量特征，对于零均值独立同分布的复随机序列x(t)，x(t)的p阶混合矩定义如公式(3)所示：
mpq＝e{[x(t)p-qx*(t)q]}(3)，
式中*表示序列的共轭，p为阶数，q为取共轭的序列个数，e为求均值，对于零均值平稳复随机过程x(t)，根据式(3)信号的高阶累计量可以表示为：
二阶累积量：
c20＝cum(x，x)＝m20，
c21＝cum(x，x*)＝m21，
四阶累积量：
六阶累积量：
由于高斯白噪声均值为0，且高于二阶的累积量为0，因此接收信号的累积量值受噪声影响较小，本例中选取两个基于高阶累计量的特征参数分别为公式(4)、公式(5)所示：
c1＝|c42|/|c40|(4)，
c2＝|c63|2/|c42|3(5)；
3-2)分数阶小波变换frwt：frwt主要参数为变换阶次p，当p＝0时，frwt就退化成小波变换即wt；当p＝1时，frwt是双频变换，即分数阶傅里叶变换和wt的结合；当p介于0到1之间则是分数域的变换，目前分数阶小波变换的实现方法主要包括两种思路：一种是将小波变换和分数阶傅里叶变换相融合，从而实现分数阶小波变换；第二种是基于分数阶小波包的时频变换，本例采用将小波变换和分数阶傅里叶变换相融合的分数阶小波变换法，首先对接收到的数字基带信号x(t)进行希尔伯特变换得到解析信号如公式(6)所示：
公式(6)中，x(t)表示接收到的基带信号，
其中，r(t)为解析函数，rp(u)表示分数阶傅里叶变换函数，p为变换阶次，kp(t,u)为变换核函数，可表示为如公式(8)所示：
公式(8)中，n表示自然数取值，δ(t)表示冲激函数，
分数阶小波变换的最终输出为公式(9)所示：
其中，sp(v,τ)表示分数阶小波变换函数，
3-3)分数阶小波变换特征值提取：经过分数阶小波变换后得到小波系数s，若s长度为l，则信号的细节分量为公式(10)所示：
式中，{h0,h1,...,hn}为分数阶小波函数的低通滤波器系数，dm为在分解水平m层下的细节分量，n为分解层数，此外，l和n表示自然数，当l为偶数时，
利用细节分量构造特征值，对信号进行了n层分数阶小波分解，特征值构造如公式(11)所示：
式中，d’(m)为每层细节分量中最大值的模值，v即为经过n层分解后每层d’(m)相加所得的特征值；
由公式(7)-公式(11)可看出特征值取决于小波变换的分解层数、小波基函数、和变换阶次p，本例选用haar小波分解层数为7层，阶次p＝1；
4)设置判决门限：通过步骤3)计算出了可以用于识别调试信号类型的特征参数，其中信号集中各信号的c1及c2特征参数理论值如下表1所示，接下来通过设置判决门限从而识别出信号，各信号高阶累积量c1及c2的理论值可设置判决门限th1＝0.36、th2＝0.1375、th3＝24、th4＝15，根据表1可看出部分信号如2ask和bpsk、mfsk与8psk信号无法通过高阶累计量特征进行区分，因此采用分数阶小波变换特征v实现分类，从-5到15的信噪比范围内每隔2db进行100次蒙特卡洛仿真得到两组信号的特征参数曲线，如图2、图3所示，根据仿真曲线设置相邻两信号特征参数曲线的中位数作为分数阶小波变换的判决门限：
表1高阶累计量特征参数理论值
5)分类识别：参照图4，十种待识别信号的分类过程如下：
5-1)采用特征参数c1将bpsk、qpsk、8psk、2fsk、4fsk、8fsk、16qam、32qam、2ask、4ask信号分为信号集1、信号集2及32qam信号，信号集1中包括8psk、2fsk、4fsk和8fsk信号，信号集2中包括bpsk、qpsk、16qam、2ask和4ask信号；
5-2)采用分数阶小波变换特征v将信号集1中的8psk、2fsk、4fsk、8fsk信号依次识别出，且将信号集2分类为2ask、4ask及信号集3，信号集3中包括bpsk、qpsk和16qam信号；
5-3)采用特征参数c2将信号集3中信号依次识别出来，完成所有十种信号分类识别。本例方法的有效性可通过以下仿真进行验证：
一、仿真条件：
仿真参数设置如下：在高斯白噪声情况下，采用bpsk、qpsk、8psk、2fsk、4fsk、8fsk、16qam、32qam、2ask、4ask十种信号作为待分类信号集，它们的参数设置如下：
采样频率：fs＝120khz载波频率：fc＝10khz符号速率：rb＝2000bit/s。
二、仿真结果分析：
如图5所示，其中传统方法所用的特征参数除2psk与2ask的分类用到瞬时幅度特征，mfsk与8psk为求傅里叶变换后的高阶累计量特征，其余信号的分类与本例方法所用高阶累计量特征一致，可明显看出采用本例方法识别率整体都有较为明显的提升，在低信噪比下更为明显，在信噪比低于4db时采用本例方法的识别率均比传统方法高，在信噪比为-10及-8db时本例方法比传统方法识别率高出百分之十左右，在信噪比为-6及-4db时本例方法比传统方法高出百分之二十随后增长逐渐趋于平缓直到4db时两种方法均接近百分之百，由此说明分数阶小波变换特征可提高低信噪比下识别率。
- 还没有人留言评论。精彩留言会获得点赞！