alpha稳定分布噪声衰落信道数字调制信号识别方法与流程

本发明属于通信及水下信号处理技术领域，尤其涉及一种alpha稳定分布噪声衰落信道数字调制信号识别方法。

背景技术：

信号的调制识别是信号检测和解调之间的一个关键技术，在军事和民用领域都有广泛应用。传统的数字调制信号识别方法多以高斯噪声为噪声模型，而在实际环境中的噪声往往具有尖峰脉冲性质且噪声的概率密度函数有较厚的拖尾。nikias教授等人的研究证明，alpha稳定分布是描述这类脉冲噪声信号的一种有效的模型。在通信过程中，信道会对接收信号的包络产生很大影响，从而扰乱调制识别的结果。信号在发收两个通信端之间传输时，除了包含直达路径外，还存在多条不同传输时间延时的路径，原因是传输空间中的障碍物会对信号进行反射、散射或折射作用，使传播中的信号幅度衰减并产生码间干扰，被称为多径效应。实际传输中的信道多数都会体现多径的性质，因此研究脉冲噪声多径衰落信道下数字调制信号的识别方法具有一定的意义。chavalivg等人采用混合高斯分布建立加性噪声的模型，在平坦衰落信道下分类识别调幅调相信号。该研究采用期望条件最大化算法迭代得出未知的信号衰减指数和噪声参数，最后根据复合假设检验过程分类bpsk、qpsk、8psk和16qam信号，仿真的平均识别准确率较高，然而性能的好坏依赖于未知的信道和噪声参量估计的精确程度，除此之外还依赖于样本点个数的多少(chavalivg,dasilvacrcm.maximum-likelihoodclassificationofdigitalamplitude-phasemodulatedsignalsinflatfadingnon-gaussianchannels[j].ieeetransactionsoncommunications,2011,59(8):2051-2056.)。v.gauthamchavali等人在平坦衰落信道下，研究有时间相关高斯混合模型噪声干扰的2/4/8psk和16qam信号的识别。首先采用ar模型对时间相关的噪声进行建模，利用稳健滤波器新方法估计出ar模型的参数，然后用估计出的参数作为白化滤波器的系数，利用期望条件最大化算法估计未知的信道和噪声参数，最后采用复合假设检验实现分类识别。当gsnr在8db时，识别的平均准确率在70％左右，识别率较低(v.gauthamchavali,claudior.c.m.dasilva.classificationofdigitalamplitude-phasemodulatedsignalsintime-correlatednon-gaussianchannels[j].ieeetransactionsoncommunications,2013,61(6):2408-2419.)。wallaytw等人采用高斯混合模型的噪声，考虑了频率选择性信道下16qam和2/4/8psk信号的分类识别，未知的信道和噪声参数采用期望条件最大化算法估计，然后选用复合假设检验完成识别，但是该方法假设多径信道各径的时间延迟相同(wallaytw,younisms,imranm,etal.automaticmodulationclassificationforlowsnrdigitalsignalinfrequency-selectivefadingenvironments[j].wirelesspersonalcommunications,2015,84(3):1-16.)。

综上所述，现有技术存在的问题是：目前的数字调制信号的识别方法在alpha稳定分布噪声衰落信道环境下存在识别率较低。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种alpha稳定分布噪声衰落信道数字调制信号识别方法。

本发明是这样实现的，一种alpha稳定分布噪声衰落信道数字调制信号识别方法，所述alpha稳定分布噪声衰落信道数字调制信号识别方法包括以下步骤：

步骤一，核密度估计算法估计出脉冲噪声的概率密度函数；

步骤二，期望条件最大化算法估计多径衰落信道的参数；

步骤三，根据概率密度函数和信道参数对备择集中每种信号均构造对数似然函数，并利用复合假设检验进行数字调制信号的识别，使对数似然函数最大的假设所对应的调制方式被判定为信号的调制方式。

进一步，所述步骤一具体包括：

从观测序列中直接获得序列概率密度函数的估计，选用高斯核函数：

独立同分布的长度为n的观测噪声序列为w1,w2,…,wn，在每一个观测样点处放置一个核函数来得到每个观测点的估计，将各个观测点的核函数进行加权求和，便得出噪声的概率密度函数f(w)的估计，具体表示如下：

其中k(·)是高斯核函数；h是全局带宽，作用是控制pdf的平滑性质；λn(n＝1,2,…,n)是局部带宽，用于适应函数的局部特性。

进一步，所述步骤二具体包括：

(1)计算每种调制信号对应的hb(b＝1,2,…,b)下，完全数据的对数似然函数的条件期望，b为备择集中调制方式的个数：

得到的q(θ,θ^p)形式为：

(2)最大化q(θ,θ^p)来求得未知参量新的估计值，然后作为已知量代入下一次迭代：

对hb，将未知参数向量θ＝{h1,…,hl,τ1,…,τl}划分为θ1＝{h1,…,hl}和θ2＝{τ1,…,τl}，即未知信道参数向量θ＝{θ1,θ2}，s＝2；迭代时，保持当前迭代的不变，将q(θ,θ^p|hb)对θ1求导，令其导数为0，得到下一次迭代中θ1参量的估计然后保持的值不变，将q(θ,θ^p|hb)对θ2求导，令其导数为0，得到下一次迭代中θ2参量的估计当连续两次迭代得到的参数值之间的差异小于设定的收敛门限时，迭代停止，求得的参数估计值即为该假设下第p+1次迭代最终的未知参数估计值。

进一步，所述步骤三具体包括：

(1)hb(b＝1,2,…,b)对应的接收信号调制类型的星座点为sb，由式p(sbi[k]|hb)＝1/nb和全概率公式：

复合假设检验过程表示为如下形式：

其中nb表示第b种调制信号的星座点数，sbi表示第b种调制信号的第i个星座点，k表示采样点数；

(2)估计得到的alpha分布噪声的概率密度函数之后，对每一种可能的调制方式，采用期望条件最大化算法估计出一组参数的估计值，最后根据复合假设检验进行信号调制类型的识别。

本发明的优点及积极效果为：提出一种脉冲噪声衰落信道下数字调制信号的识别方法，当混合信噪比在10db以上时，bpsk、qpsk、16qam和64qam信号的识别率在90％以上，可见本发明具有良好的识别性能。

附图说明

图1是本发明实施例提供的alpha稳定分布噪声衰落信道数字调制信号识别方法流程图。

图2是本发明实施例提供的在alpha稳定分布噪声衰落信道下数字调制信号识别性能示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的alpha稳定分布噪声衰落信道数字调制信号识别方法包括以下步骤：

s101：利用核密度估计算法估计出脉冲噪声的概率密度函数；

s102：利用期望条件最大化算法估计多径衰落信道的参数；

s103：根据所估计的概率密度函数和信道参数对备择集中每种信号均构造对数似然函数，并利用复合假设检验进行数字调制信号的识别，使对数似然函数最大的假设所对应的调制方式被判定为信号的调制方式。

本发明实施例提供的alpha稳定分布噪声衰落信道数字调制信号识别方法具体包括以下步骤：

步骤一，利用核密度估计算法估计出脉冲噪声的概率密度函数；

利用核密度估计算法估计出脉冲噪声的概率密度函数按以下进行：

核密度估计是基于非参数的概率密度函数估计方法，不利用所估计分布的先验知识，从观测序列中直接获得序列概率密度函数的估计，对需要估计的随机变量的分布没有任何的要求。由于高斯核函数满足所有核函数定义的要求并且对很广泛的分布都有很好的效果，选用高斯核函数：

设独立同分布的长度为n的观测噪声序列为w1,w2,…,wn。为了适应αs分布噪声的概率密度函数比较厚的尾部，因此对核密度估计方法进行了改进，引入一个新的参数λ。首先在每一个观测样点处放置一个核函数来得到每个观测点的估计，然后将各个观测点的核函数进行加权求和，便得出噪声的概率密度函数f(w)的估计，具体表示如下：

其中k(·)是高斯核函数；h是全局带宽，作用是控制pdf的平滑性质；λn(n＝1,2,…,n)是局部带宽，用于适应函数的局部特性，如非高斯噪声的厚拖尾特性。

选择全局带宽h时，既要保证带宽宽到使曲线看上去平滑，又要保证带宽窄到能够保留尽可能多的细节。确定带宽h和λn的方法如下：

(1)首先假设λn＝1(n＝1,2,…,n)来确定h，得到一个先行估计：

当噪声f(w)满足正态分布时，h的值可以由最小化均方误差求得：

最小化上式可以得到h的最优选择值为：hopt＝0.79rn^-15，其中r为噪声序列的四分位间距，n为噪声序列样点的个数。r的计算过程如下：将观测噪声序列从小到大进行排序，得到其1/4分位点r1和3/4分位点r3，由式r3-r1得到四分位间距r。对于非高斯的核函数k(x)或噪声f(w)，hopt也是一个合理的选择，因此本发明的窗宽为hopt。

(2)计算λn：

β的取值为1/2。

(3)将hopt和λn代入概率密度函数估计式，计算w点处的

步骤二，利用期望条件最大化算法估计多径衰落信道参数；

利用期望条件最大化算法估计多径衰落信道参数按以下进行：

(1)e-step:计算每种调制信号对应的假设hb(b＝1,2,…,b)下，完全数据的对数似然函数的条件期望，b为备择集中调制方式的个数：

考虑到的分布不一样，log(p(c|θ,hb)可以写为：

其中，对于sb[k]∈sb，p(sb[k]|hb)＝1/nb：

由贝叶斯理论，得：

其中：

最终得到的q(θ,θ^p)形式为：

(2)m-step：该过程最大化e-step中的q(θ,θ^p)来求得未知参量新的估计值，然后作为已知量代入下一次迭代。

对某一种假设hb，将未知参数向量θ＝{h1,…,hl,τ1,…,τl}划分为θ1＝{h1,…,hl}和θ2＝{τ1,…,τl}，即未知信道参数向量θ＝{θ1,θ2}，s＝2。迭代过程开始之前先根据各个参量的分布给每个未知参量设定一个初始值。迭代时，首先保持当前迭代的不变，将q(θ,θ^p|hb)对θ1求导，令其导数为0，得到下一次迭代中θ1参量的估计然后保持的值不变，将q(θ,θ^p|hb)对θ2求导，令其导数为0，得到下一次迭代中θ2参量的估计当连续两次迭代得到的参数值之间的差异小于设定的收敛门限时，迭代停止，求得的参数估计值即为该假设下第p+1次迭代最终的未知参数估计值。

步骤三，根据所估计的概率密度函数和信道参数对备择集中每种信号均构造对数似然函数，并利用复合假设检验进行信号调制类型的识别，使对数似然函数最大的假设所对应的调制方式被判定为信号的调制方式；

由估计所得的概率密度函数和信道参数对备择集中每种信号均构造对数似然函数，根据复合假设检验进行信号调制类型的识别，使对数似然函数最大的假设所对应的调制方式被判定为信号的调制方式按以下进行：

基于似然函数的识别方法将识别过程描述为一个复合假设检验过程，使接收信号的对数似然函数最大的假设所对应的调制方式被判定为信号的调制方式。令假设hb(b＝1,2,…,b)对应的接收信号调制类型的星座点为sb，由式p(sbi[k]|hb)＝1/nb和全概率公式：

复合假设检验过程可以表示为如下形式：

其中nb表示第b种调制信号的星座点数，sbi表示第b种调制信号的第i个星座点，k表示采样点数。

估计得到的alpha分布噪声的概率密度函数之后，对每一种可能的调制方式，即每一种假说，都采用期望条件最大化算法估计出一组参数的估计值，最后根据复合假设检验进行信号调制类型的识别。

本发明的脉冲噪声衰落信道下数字调制信号的识别方法，当混合信噪比在10db以上时，bpsk、qpsk、16qam和64qam信号的识别率在90％以上，可见本发明具有良好的识别性能，如图2所示。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。