一种数字通信信号调制方式自动识别方法与流程

本发明涉及模式识别，机器学习和数字通信领域，特别涉及一种数字通信信号调制方式自动识别方法。

背景技术：

通信的目的是通过信道有效、安全、准确地传输信息。无论有线通信或者无线通信,由于信道的限制也为了充分利用信道的容量,满足用户的不同需求,基带信号都不能直接传输,必须经过调制。通过调制,可以使信号更安全的进行传输，还可以获得更高的通信速率、更有效的频谱利用率。随着电子技术的快速发展,以及对信息传输要求的不断提高,通信信号的调制方式也越来越多。目前的通信系统中应用了各种各样的调制方式,并将信号调制到不同的频带上进行传输。在具体应用中,我们遇到的不仅仅是合作性通信问题,还有非合作性通信问题。在大部分民用通信中,大都采用合作通信即事先知道传输信号的调制方式、调制参数,接收机只需要将接收到的信息按事先所给的调制方式和调制参数解调即可。但是接收端可能会接收到各种各样的信号,毕竟在通信信号如此发达的今天,周围空间中的信号复杂繁多,如何从接收端提取出真正要接收的信号也是一个重要的问题,有一种方法就是对接收到的信号进行识别,得到其调制方式和调制参数,然后和事先给定的信号比对,如果确定是发送端的信号就对其进行接收并解调。同时目前软件无线电接收机都实现了多频带、多调制信号的自动接收,也需要先进行信号的调制模式识别和信号参数识别,才能正确接收。所以通信信号的调制方式自动识别在民用通信中是有广泛应用的。

1969年4月，c.s.waver等四名作者在斯坦福大学技术报告上发表了第一篇研究自动调制识别的论文《采用模式识别技术实现调制类型的自动分类》。从此,国内外对调制信号的自动识别的研究就进入一个蓬勃发展的阶段,体系逐渐完善。polydoros在调制识别的决策理论方法领域作出了大量的研究工作,主要用于cw、mpsk和mfsk信号的分类。j.a.sills提出了利用最大似然法实现psk信号与qam信号的分类,wenwei提出了利用最大似然法实现信号的qam调制分类。hsue提出了利用信号过零点的时间间隔和相位差的直方图分类、和信号。1992年assaleh提出了利用ar模型提取信号瞬时频率和瞬时带宽作为特征参数实现数字调制信号的分类方法,可分类cw、mpsk和mfsk信号。a.k.nandi和e.e.azzouz利用他们提出的九个关键特征，分别采用决策理论、神经网络和神经网络级联的方法对模拟和数字信号进行分类识别，在信噪比大于10db时，具有良好的识别效果。近几年来，研究人员又将机器学习、神经网络技术、小波变换技术、高阶谱分析技术与调制识别技术相结合，提出了很多新型的调制识别方法。机器学习在数字通信信号调制方式自动识别中的应用受到了广泛的关注。

技术实现要素：

本发明的目的是提供一种数字通信信号调制方式自动识别方法，用来识别比较常用的6种数字通信调制信号，分别是2ask，4ask,2fsk,4fsk,2psk,4psk。本发明把基于并发式集成学习的机器学习方法应用于数字信号调制方式的识别。本发明可以实现对6种数字通信调制信号较为精确的识别。

本发明的目的通过如下技术方案实现。

一种数字通信信号调制方式自动识别方法，包含以下的步骤：

s1、训练数字调制信号的预处理，信号预处理部分为后续处理提供合适的数据。信号预处理包括：估计该未知信号的带宽及载频，对信号进行带通滤波，并将该信号变频到合适的频段；

s2、训练数字调制信号特征值的提取，从调制信号中提取信号的时域特征，包括：

①归一化中心瞬时幅度谱最大值γmax

γmax＝max|fft[acn(i)]²/ns

acn(i)＝an(i)-1

式中，ns为取样点数，acn(i)为零中心归一化瞬时幅度，而为瞬时幅度a(i)的平均值，用平均值来对瞬时幅度进行归一化的目的是为了消除信道增益的影响；

②零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差σap

式中at是判断弱信号的一个幅度判决门限电平，c是在全部取样数据ns中属于非弱信号值的个数，φnl(i)是经零中心化处理后瞬时相位的非线性分量，在载波完全同步时，有：

式中为瞬时相位；

③零中心非弱信号段瞬时相位非线性分量的标准偏差σdp

④零中心归一化瞬时幅度绝对值的标准偏差σaa

式中acn(i)前面已经给出了它的定义式。

⑤零中心归一化非弱信号段瞬时频率绝对值的标准偏差σaf。

式中fm(i)＝f(i)-mf，其中rs为数字信号的符号速率，f(i)为信号的瞬时频率。

s3、训练强分类器，通过bagging并发式集成学习方法，训练出5个基于bp神经网络的弱分类器，然后组合成一个强分类器，具体的步骤为：

s31、设定包含1000个训练样本数据集g＝{(x1,y1),...,(x1000,y1000)}，yi属于下列矩阵中的其中一列，

第一列代表2ask调制方式,第二列代表4ask调制方式，第三列代表2fsk调制，第四列代表4fsk调制方式，第五列代表2psk调制方式，第六列代表4psk调制。

s32、接下来随机从训练样本数据中集取出一个样本放入采样集中，在把该样本放回初始训练样本数据集，使得下次采样时该样本仍有可能被选中，这样经过1000次的随机采样操作，得到一个含有1000个样本的采样集dt。照这样，采样出5个含有1000个训练样本的采样集。

s33、对于每一个采样集dt，训练出一个三层bp神经网络，这个网络这里称为弱分类器。网络的输入采用列向量输入即输出采用列向量输出即yi，从而得到每一个采样集对应的弱分类器，判决函数为ht(x)。bp神经网络由输入层，隐含层，输出层三部分组成。

s34、通过组合弱分类器，得到一个强分类器，总体判决函数为

其中x为输入向量，y为输出向量，i(·)为指示函数，在·为真和假时分别取值1，0。

s4、测试模型，先将待测的数字调制信号进行预处理并提取对应的特征值，然后输入到步骤3的强分类器中，对调制方式进行分类识别。在对每一个弱分类器预测输出进行结合时，采用简单投票法，通过少数服从多数的方式得到分类结果。

采用上述技术方案后，本发明具有如下优点和技术效果：

1.本方法使用数字信号调制方式识别常用的5个特征值作为强分类器的输入，每次判决的时候使用全部特征值，而不仅仅是一个特征值，识别成功率主要与特征的整体性能有关，相对于传统的使用一个特征量来作判决的方法，会具有更高的识别成功率。

2.智能化程度高，不需要任何的先验知识，只需要对样本进行训练，调整好分类器的结构，就可以用于调制方式的识别。

附图说明

图1为本发明一种数字通信信号调制方式自动识别方法的步骤流程图；

图2为本发明一种数字通信信号调制方式自动识别方法的强分类器训练的步骤流程图；

图3为本发明一种数字通信信号调制方式自动识别方法的bp神经网络图；

图4为本发明一种数字通信信号调制方式自动识别方法的强分类器图。

具体实施方式

下面结合附图和具体实施例对本申请作进一步详细说明。

本实例提供一种数字通信信号调制方式自动识别方法。如图1所示，步骤如下：

s1、训练数字调制信号的预处理，信号预处理部分为后续处理提供合适的数据。信号预处理包括：估计该未知信号的带宽及载频，对信号进行带通滤波，并将该信号变频到合适的频段；

s2、训练数字调制信号特征值的提取，从调制信号中提取信号的时域特征，包括

①归一化中心瞬时幅度谱最大值γmax

γmax＝max|fft[acn(i)]²/ns

acn(i)＝an(i)-1

式中，ns为取样点数，acn(i)为零中心归一化瞬时幅度，而为瞬时幅度a(i)的平均值，用平均值来对瞬时幅度进行归一化的目的是为了消除信道增益的影响。

②零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差σap

式中at是判断弱信号的一个幅度判决门限电平，c是在全部取样数据ns中属于非弱信号值的个数，φnl(i)是经零中心化处理后瞬时相位的非线性分量，在载波完全同步时，有：

式中为瞬时相位。

③零中心非弱信号段瞬时相位非线性分量的标准偏差σdp

④零中心归一化瞬时幅度绝对值的标准偏差σaa

式中acn(i)前面已经给出了它的定义式。

⑤零中心归一化非弱信号段瞬时频率绝对值的标准偏差σaf。

式中fm(i)＝f(i)-mf，其中rs为数字信号的符号速率，f(i)为信号的瞬时频率。

s3、训练强分类器，通过bagging并发式集成学习方法，在本实例中训练出5个基于bp神经网络的弱分类器，然后组合成一个强分类器，如图2所示，具体的步骤为：

s31、设定包含1000个训练样本数据集g＝{(x1,y1),...,(x1000,y1000)}，yi属于下面矩阵中的的一列,

第一列代表2ask调制方式,第二列代表4ask调制方式，第三列代表2fsk调制方式，第四列代表4fsk调制方式，第五列代表2psk调制方式，第六列代表4psk调制方式。

s32、接下来随机从训练样本数据集中取出一个样本放入采样集中，在把该样本放回初始训练样本数据集，使得下次采样时该样本仍有可能被选中，这样经过1000次的随机采样操作，得到一个含有1000个样本的采样集dt。照这样，采样出5个含有1000个训练样本的采样集。

s33、对于每一个采样集dt，训练出一个三层bp神经网络，这个网络这里称为弱分类器，输入采用列向量输入即输出采用列向量输出即yi，从而得到每一个采样集对应的弱分类器，判决函数为ht(x)。作为实列，图3所示了本实例所构造和使用的bp神经网络。网络由输入层，隐含层，输出层，三部分组成。输入层包括5个神经元，隐含层包括3个神经元，输出层包括6个神经元。

s34、如图4所示，通过组合弱分类器，得到一个强分类器，总体判决函数为

其中x为输入向量，y为输出向量，i(·)为指示函数，在·为真和假时分别取值1，0，ht(x)为每一个弱分类器对应的判决函数。

s4、测试模型，先将待测的数字调制信号进行预处理并提取对应的特征值，然后输入到步骤3的强分类器中，对调制方式进行分类识别。在对每一个弱分类器预测输出进行结合时，采用简单投票法，通过少数服从多数的方式得到分类结果。

本发明利用bp的神经网络，具有自适应调制学习率的训练方法，并且充分的利用数字信号调制方式识别常用的5个特征值作为强分类器的输入，每次判决的时候使用全部特征值，而不仅仅是一个特征值，识别成功率主要与特征的整体性能有关，相对于传统的使用一个特征量来作判决的方法。同时，bagging针对同样的训练数据训练出多个bp神经网络作为弱分类器，并将这一些弱分类器构成一个强分类器。从而使得调制方式具有更高的成功识别率。

以上所述的具体实施仅为本发明的一种最佳实现方式，并不用于限制本发明的专利范围，凡是利用本发明精神和原则及附图内容所作的等效结构或等效流程变换，均应包括在本发明的专利保护范围内。