基于顺序统计量和机器学习的调制识别方法及系统的制作方法
【技术领域】
[0001] 本发明设及无线通信技术领域，尤其设及一种基于顺序统计量和机器学习的调制 识别方法及系统。
【背景技术】
[0002] 无线通信是我们生活中重要的一种信息传递方式，从早先的电台与电视广播信号 到现在的Wi-Fi、手机使用的4G通信技术，无线通信技术由于其便利性正越来越多地影响我 们的生活。而通信信号的调制与解调是无线通信中的一个重要领域。
[0003] 由于低频无线信号不适合进行发射和接收，我们需要将传输的信号通过一定的方 式加载到高频载波上，使其适合在空中传播，运一过程即为信号的调制。由于无线通信的通 信目的、通信环境等条件的不同，无线通信的调制的方式也多种多样。早期的调制信号通常 采用的是模拟调制，但随着数字通信技术不断发展，目前通信采用的调制信号大多是数字 调制，数字调制相比于模拟调制有抗干扰能力强、传输信息范围广、保密性高等特点。由于 无线通信应用在越来越广泛的领域，为满足不同用户的需求，无线信号在传播中通常会采 用不同的调制方式。常用的数字调制方式可W分为幅度键控(ASK)，频移键控(FSK)和相移 键控(PSK)^种调制类型，分别通过变化信号的幅度、频率和相位信息来传递信息。另外还 有一些联合调制的方式，如QAM通过同时改变相位和幅值来传递信息。
[0004] 调制方式是区别不同无线信号的一个重要特征，而调制信号识别技术指的是通过 接收到的信号来判断空间中信号的调制类型，它是近年来无线电通信中发展较快的一个研 究方向，其应用领域广泛。在军事方面，由于现代战争中信息主要通过无线电波传递，因此 调制识别是对敌方通信进行侦察或干扰的前提;在民用方面，信号的调制方式可W作为无 线电频谱管理的依据，即通过调制识别监测无线频段的使用情况，从而可W对无线频谱资 源的分配进行指导，或防止无线频谱被干扰或非法利用。另外，在认知无线电中，调制识别 配合软件定义无线电可W让认知用户能够在不同调制系统中进行通信，从而增加无线频谱 的利用率。
[0005] 目前，调制识别方法可W分成基于似然概率和基于特征的两大类。基于似然概率 的方法通过计算信号的似然概率作为分类依据，可W细分为平均似然比检验、总体似然比 检验、混合似然比检验等。其中平均似然比检验将未知参数当成一个随机变量，通过对其取 期望来去除未知参数的影响；总体似然比检验将未知参数当作一个确定的值W使似然概率 最大化;混合似然比检验是将W上两种方法混合，即认为一部分变量是随机的，另一部分变 量则是确定的。运Ξ种方法可W去除部分未知信道的影响，并且各有各的优点，但计算复杂 度较高。
[0006] 另一方面，基于特征的调制识别方法利用了不同假设下接收信号的特征不同进行 分类，运种方法往往需要知道的信息较少，常用基于特征的调制识别方法包括:基于瞬时信 息的方法、基于变换域的方法和基于信号统计特性的方法。其中基于瞬时信息的调制识别 方法主要使用的信息是信号的瞬时的振幅、相位、频率等。基于变换域的方法通过将信号变 换到其它空间之后来区分不同调制类型，其中最常见的是傅里叶变换和小波变换。基于信 号统计特性的方法则是将接收信号的统计量作为特征进行分类，其中最常用的统计量是高 阶矩和高阶积累量。通常的基于特征的识别方法具有较低的计算复杂度，且只需知道较少 的信道信息，但分类性能相对于基于似然函数的方法较差。
【发明内容】
[0007] 本发明所要解决的技术问题是:现有的调制识别方法计算复杂度较低、分类性能 较差的问题。
[0008] 为解决上述技术问题，本发明一方面提出了一种基于顺序统计量和机器学习的调 制识别方法，该方法包括：
[0009] 获取待识别信号的幅值和相位，分别对各个待识别信号的幅值和相位进行排序， 获取幅值的顺序统计量和相位的顺序统计量；
[0010] 利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进 行调制类型的分类，W区分QAM信号和不同的PSK信号；
[0011] 获取待识别的QAM信号的实部和虚部，分别对各个待识别的QAM信号的实部和虚部 进行排序，获取待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计 量；
[0012]利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号 的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类，W区分不同的QAM信号。
[0013] 可选地，在所述获取待识别信号的幅值和相位之前，还包括：
[0014] 利用已知调制类型的信号的顺序统计量训练所述机器学习模型。
[0015] 可选地，所述机器学习模型为线性支持向量机模型。
[0016] 可选地，在所述获取待识别信号的幅值和相位之前，还包括：
[0017] 获取待识别信号的信道信息。
[0018] 可选地，所述机器学习模型为反向传播神经网络模型。
[0019] 可选地，在所述获取待识别信号的幅值和相位之前，还包括：
[0020] 对所述待识别信号进行能量归一化处理，并消除所述待识别信号的相位偏移和频 率偏移。
[0021] 可选地，在所述利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对 待识别信号进行调制类型的分类之前，还包括：
[0022] 分别获取所述幅值的顺序统计量和相位的顺序统计量的部分元素，获取幅值的压 缩顺序统计量和相位的压缩顺序统计量；
[0023] 相应地，所述利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待 识别信号进行调制类型的分类包括：
[0024] 利用反向传播神经网络模型根据幅值的压缩顺序统计量和相位的压缩顺序统计 量对待识别信号进行调制类型的分类。
[0025] 可选地，在所述利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和 待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类之前，还包 括：
[0026] 分别获取所述待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的 顺序统计量的部分元素，获取待识别的QAM信号的实部的压缩顺序统计量和虚部的压缩顺 序统计量；
[0027] 相应地，所述利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待 识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类包括：
[0028] 利用反向传播神经网络模型根据带识别的QAM信号的实部的顺序统计量和虚部的 顺序统计量对待识别的QAM信号进行调制类型的分类。
[0029] 本发明另一方面提出了一种基于顺序统计量和机器学习的调制识别系统，该系统 包括：
[0030] 第一顺序统计量获取单元，用于获取待识别信号的幅值和相位，分别对各个待识 别信号的幅值和相位进行排序，获取幅值的顺序统计量和相位的顺序统计量；
[0031] 第一分类单元，用于利用机器学习模型根据幅值的顺序统计量和相位的顺序统计 量对待识别信号进行调制类型的分类，W区分QAM信号和不同的PSK信号；
[0032] 第二顺序统计量获取单元，用于获取待识别的QAM信号的实部和虚部，分别对各个 待识别的QAM信号的实部和虚部进行排序，获取待识别的QAM信号的实部的顺序统计量和待 识别QAM信号的虚部的顺序统计量；
[0033] 第二分类单元，利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和 待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类，W区分不同 的QAM信号。
[0034] 可选地，所述机器学习模型为线性支持向量机模型或反向传播神经网络模型。
[0035] 本发明提供的基于顺序统计量和机器学习的调制识别方法及系统，用于区分PSK 和QAM两种调制类型的信号，利用信号的顺序统计量作为特征进行分类，在计算复杂度较低 的情况下保持良好的信号分类性能。
【附图说明】
[0036] 通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理 解为对本发明进行任何限制，在附图中：
[0037] 图1示出了本发明一个实施例的基于顺序统计量和机器学习的调制识别方法的流 程示意图；
[0038] 图2示出了本发明一个实施例的基于顺序统计量和机器学习的调制识别方法的原 理图；
[0039] 图3示出了本发明一个实施例的反向传播神经网络的示意图；
[0040] 图4示出了信道已知时各个方法的分类性能示意图；
[0041 ]图5示出了信道未知时各个方法的分类性能示意图；
[0042] 图6示出了本发明一个实施例的基于顺序统计量和机器学习的调制识别系统的结 构示意图。
【具体实施方式】
[0043] 下面将结合附图对本发明的实施例进行详细描述。
[0044] 顺序统计量是对实值变量进行升序排列后的值，它能够保留除原数据顺序外的所 有信息，可W作为一种特征进行调制类型的分类。
[0045] 图1示出了本发明一个实施例的基于顺序统计量和机器学习的调制识别方法的流 程示意图。如图1所示，该方法包括：
[0046] S11:获取待识别信号的幅值和相位，分别对各个待识别信号的幅值和相位进行排 序，获取幅值的顺序统计量和相位的顺序统计量；
[0047] S12:利用机器学习模型根据幅值的顺序统计