一种信号调制类型识别方法和系统的制作方法
【技术领域】
[0001] 本发明涉及信号识别技术领域，具体涉及一种信号调制类型识别方法和系统。
【背景技术】
[0002] 信号调制类型的识别是信号截获和解调的中间步骤，在军用和民用领域都有重要 的研究价值，被广泛应用于信号确认、干扰识别、频谱管理、电子对抗等领域。在复杂的电 磁环境下，实现对信号的侦收，形成有价值的通信情报，从而为后续的鉴别、干扰等手段提 供依据是一项极具挑战的任务。如果能够识别侦收信号的调制方式，就可以动用较少的资 源和代价对特定的信号参数进行干扰，达到事半功倍的效果。传统的信号调制类型识别大 多是分析人员借助各种仪器，凭借实践经验做出分析判断，效率较低，识别的信号类型也有 限。
[0003] 近年来，信号调制类型的自动识别引起了国内外研究者的广泛关注，取得了不错 的研究成果。目前，调制类型的自动识别主要有基于决策理论的识别方法和统计模式识别 方法。基于决策理论的识别方法将信号分类看成是个假设检验问题，该类方法计算量较大， 需要设定正确的阈值且对噪声敏感。基于统计模式识别的方法主要分为特征提取和分类 识别两个阶段，实现简单而且稳定性好。统计模式识别方法的一种尝试是基于支持向量机 SVM(Support Vector Machine)将基于SVM的多类分类器，用于信号调制识别，测试在不同 核函数下的识别性能。另一种尝试是分析不同调制方式的谱相关特性，并采用主成分分析 PCA方法（Principal Components Analysis)压缩维数，在信噪比理想情况下能够取得不错 的效果。
[0004] 但是，无论基于支持向量机SVM还是基于主成分分析PCA的尝试都只关注训练信 号样本间差异性，导致了现有信号调制识别方案在非合作通信系统中，低信噪比条件下鲁 棒性差、性能不稳定、识别率低。
【发明内容】
[0005] 本发明提供了一种调制类型识别方法和系统以解决现有的信号调制识别技术在 非合作通信系统中，低信噪比条件下鲁棒性差、性能不稳定、识别率低的问题。
[0006] 为了达到上述目的，本发明的技术方案是这样实现的：
[0007] 根据本发明的一个方面，提供了一种信号调制类型识别方法，方法包括：
[0008] 对待识别信号进行预处理，提取出预定数量的特征参量，并使用所述预定数量的 特征参量组成的特征向量表征所述待识别信号；
[0009] 利用最优投影矩阵对所述待识别信号进行特征提取，将所述待识别信号投影到低 维特征子空间中；其中，所述最优投影矩阵通过局部保持投影算法得到；
[0010] 计算所述低维特征子空间中的待识别信号与信号调制类型已知的训练信号之间 的欧式距离，基于欧氏距离的最近邻算法确定出待识别信号的信号调制类型。
[0011] 可选地，在对待识别信号进行预处理之前，该方法还包括：训练得到最优投影矩 阵；所述训练得到最优投影矩阵包括：
[0012] 对信号调制类型已知的训练信号进行与所述待识别信号同样的预处理步骤，提取 出所述预定数量的特征参量，并使用所述特征参量组成的特征向量表征所述信号调制类型 已知的训练信号，得到包含各调制类型训练信号的信号样本矩阵；
[0013] 利用局部保持投影算法，对所述信号样本矩阵进行处理，计算得到最优投影矩阵。
[0014] 可选地，所述对信号调制类型已知的训练信号进行与所述待识别信号同样的预处 理步骤，提取出所述预定数量的特征参量包括：
[0015] 步骤31，对接收到的训练信号s(t)进行采样，得到所述训练信号s(t)的瞬时幅度 a(i)、瞬时相位Φ (i)、瞬时频率f(i)和功率谱S(i);其中，采样频率为fs，采样点数为Ns;
[0016] 步骤32,计算归一化瞬时幅度的标准差σ a、归一化瞬时幅度的标准差与均值之比 艮以及归一化瞬时幅度的发散度μ a;
[0017] 步骤33,计算归一化瞬时频率的标准差σ f、归一化瞬时频率的发散度μ f以及归 一化非线性瞬时相位的标准差σ ^
[0018] 步骤34,计算功率谱的对称性P ;
[0019] 所述预定数量的特征参量包括步骤32、步骤33和步骤34计算出的共7个特征参 量。
[0020] 可选地，所述步骤32,计算归一化瞬时幅度的标准差σ a、归一化瞬时幅度的标准 差与均值之比Ra以及归一化瞬时幅度的发散度μ a包括：
[0021] 利用如下公式计算归一化瞬时幅度的标准差〇a:
[0022]
[0023] 利用如下公式计算归一化瞬时幅度的标准差与均值之比Ra:
[0024]
[0025] 利用如下公式计算归一化瞬时幅度的发散度μ a:
[0026]
3
[0027] 可选地，所述步骤33,计算归一化瞬时频率的标准差〇 f、归一化瞬时频率的发散 度μ fW及归一化非线性瞬时相位的标准差σ φ包括：
[0028] 利用如下公式计算归一化瞬时频率的标准差σ f:
[0029]
[0030] 利用如下公式计算归一化瞬时频率的发散度μ f:
[0031]
[0032] 利用如下公式计算归一化非线性瞬时相位的标准差σ φ: υ?Ν 丄 丄丄 3(5? 乙 λ ^ o/丄厶
[0033]
Φ⑴为瞬 时相位的非线性部分。
[0034] 可选地，所述步骤34,计算功率谱的对称性P包括：
[0035] 利用如下公式计算功率谱的对称性P :
[0038] 可选地，所述利用局部保持投影算法，对所述信号样本矩阵进行处理，计算得到最 优投影矩阵包括：
[0039] 设信号样本矩阵X= [X1, X2,…，知]，N表示训练信号样本的个数，X1 e R7xi α = 1，2,…，Ν)表不第i个训练信号样本；
[0040] 构建相似邻接图6={2,8}，其中，顶点集2={心，￥"知}，权重矩阵8￡1?_;
[0041] 构造目标函数如下：
[0042]
[0043] 其中，权重矩阵B是一个对称矩阵，它的第i行第j列元素定义如下：
[0044]
[0045] yi是训练信号样本、的低维描述，α代表投影方向，令y= a tX带入目标函数， 得到：
[0046]
[0047]
[0048]
[0049] XLXt代表训练信号样本的局部离散度矩阵。
[0050] 给所述目标函数增加一个约束条件令a TXDXTa = 1，结合所述约束条件，所述目 标函数可以写成：
[0051]
[0052] 求解以下特征方程：
[0053]
[0054] 设A = XLXT，B = XDXT，则λ为B 1A对应于特征向量α的特征值；
[0055] 最优投影矩阵a = [ a i α 2··· a J，α的列向量由B 1A的前1个最大特征值对应 的特征向量组成，其中，1代表投影方向的数量。
[0056] 可选地，所述计算所述低维特征子空间中的待识别信号与信号调制类型已知训练 信号之间的欧式距离，基于欧氏距离的最近邻算法确定出待识别信号的信号调制类型包 括：
[0057] 利用最优投影矩阵α将待识别信号f投影到所述低维特征子空间中，得到所述 待识别信号f在低维特征子空间中的低维描述y、
[0058] 利用所述最优投影矩阵对所述信号样本矩阵中的每个训练信号进行特征提取，将 所述训练信号投影到低维特征子空间中；
[0059] 计算待识别信号f与信号调制类型已知的训练信号X k之间的欧式距离；
[0060] 若所述欧式距离满足如下公式，则确定待识别信号f与调制类型已知的训练信号 Xk属于同一类；
[0061]
[0062]
[0063] 与上述信号调制类型识别方法相对应的，本发明还提供了一种信号调制类型识别 系统，所述系统包括：
[0064] 预处理单元，用于对待识别信号进行预处理，提取出预定数量的特征参量，并使用 所述预定数量的特征参量组成的特征向量表征所述待识别信号；
[0065] 特征提取单元，用于利用最优投影矩阵对所述待识别信号进行特征提取，将所述 待识别信号投影到低维特征子空间中；其中，所述最优投影矩阵通过局部保持投影算法得 到；
[0066] 判决输出单元，用于计算所述低维特征子空间中的待识别信号与信号调制类型已 知的训练信号之间的欧式距离，基于欧氏距离的最近邻算法确定出待识别信号的信号调制 类型。
[0067] 可选地，所述系统还包括：
[0068] 最优投影矩阵训练单元，用于对信号调制类型已知的训练信号进行预处理，提取 出所述预定数量的特征参量，并使用所述特征参量组成的特征向量表征所述训练信号，得 到包含各调制类型训练信号的信号样本矩阵；利用局部保持投影算法，对所述信号样本矩 阵进行处理，计算得到最优投影矩阵。
[0069] 本发明的有益效果是：本发明实施例的这种信号调制类型识别方法和系统利用预 先得到的最优投影矩阵，将待识别信号投影到低维特征子空间中，并在该特征子空间中计 算确定待识别信号的调制类型。这与在高维空间中直接计算判断待识别信号的调制类型的 方案相比