一种基于星座图正交扫描特征的调制识别方法与流程

本发明属于通信技术领域，具体的说是涉及一种基于星座图正交扫描特征的调制识别方法。

背景技术：

自从c.s.weaver等四名学者于1969年在斯坦福大学的技术报告上发表了第一篇研究通信信号自动调制识别的文章以来，通信信号的自动调制识别技术一直是通信领域的研究热点，其在电子侦察与对抗、频谱监测与管理等领域都有着广泛的应用，对于通信智能化具有重要意义。现有调制识别技术主要分为两大类：基于假设检验的最大似然方法和基于特征提取的模式识别方法。

基于假设检验的最大似然方法利用概率模型推导，在观测值的概率密度达到最大时找出最为合理的参数估计量，从贝叶斯估计的角度来说，其结果是最优的，但该类方法对于参数偏差和模型失配较为敏感，在现实的复杂通信环境中难以广泛应用。相比于基于假设检验的最大似然方法，基于特征提取的模式识别方法比较稳定，实用性更强。目前，用于调制识别的信号特征主要包括瞬时幅度、频率和相位等时域特征，星座图几何特征，时频分布特征，高阶统计量特征，循环平稳特征等。

数字调制信号的星座图可以直观地反映信号的调制类型，但传统基于星座图几何特征的识别方法如模糊c-均值聚类等统计星座图符号簇的做法，对于信噪比有着较高要求。针对这一问题，有研究人员提出可以采用密度统计窗将普通的星座图转换为彩色的密度谱视图，即关于星座图上符号采样点分布密度的统计图像，并利用神经网络识别该图像，使得基于星座图几何特征的方法在低信噪比下的适用性大大增强。但该方法在信号特征提取阶段的时间复杂度为o(n²)，且为了达到较高的图像识别精度，采用了深度卷积神经网络，如googlenet、alexnet等模型，这些模型的参数数量都在百万和千万量级，占用资源较多，计算量较大，因而识别速度也较慢。

技术实现要素：

本发明的目的，就是针对上述问题，提供一种基于星座图正交扫描特征的调制识别方法，本质依然是在对星座图上符号采样点的分布进行密度统计。

本发明采用的技术方案如下：

一种基于星座图正交扫描特征的调制识别方法，主要用于识别数字调制方式(psk/qam)，其特征在于，所述调制识别方法包括以下步骤：

s1：准备信号数据

假设待识别的信号调制方式有v种，现用类别标签t表示各调制方式，则待识别的信号集可表示为t＝{t|t＝1，2，…，v}。通过matlab生成仿真信号，然后模拟实际的信号发送、传输和接收过程，或是通过信号接收机直接采集实际信号。最终得到的是基带信号，设每次采集m个码元符号，得到符号序列序列元素(xi，yi)是符号si在星座图上的坐标。

s2：对星座图执行正交扫描

设定密度统计窗的宽度w和扫描长度n，假设从星座图的左上角开始扫描，则扫描起始位置为扫描过程如图1所示。

对星座图的x轴方向扫描得到长度为n的密度统计向量对y轴方向扫描得到具体的扫描过程如下：

x＝x0，y＝y0

fork＝1，2，…，ndo

x′＝x+w/2

y′＝y-w/2

dx(k)＝countx(s，x，x′)

dy(k)＝county(s，y，y′)

x＝x′

y＝y′

endfor

其中，函数countx(s，x，x′)用于查找符号序列s中满足横坐标大于等于x而小于x′的符号，返回满足条件的符号采样点的数量；类似地，函数county(s，y，y′)是用于查找符号序列s中满足纵坐标小于等于y而大于y′的符号。

对星座图执行正交扫描得到的信号特征为dxy＝(dx，dy)。

s3：训练神经网络分类器

重复步骤s1，s2，对于预设信号集中的每种调制方式，获取其大量的信号特征样本dxy，然后构造训练所用数据集d＝{(dxy，t)}，同时搭建如图2所示的神经网络，利用adam算法优化该神经网络。

s4：识别通信信号

利用步骤s2中提到的信号特征提取方法对未知调制方式的数字通信信号提取信号特征dxy，然后将其输入至步骤s3中训练完毕的神经网络分类器，得到识别结果t。

本发明的有益效果为，本发明基于星座图正交扫描特征的调制识别方法，利用了正交扫描的优势，相比于采用密度统计窗将星座图转换为彩色密度谱图像的做法，将密度统计窗的滑动次数从n²减少至n，使得信号特征提取阶段的时间复杂度从o(n²)下降到了o(n)；且因为该方法得到的信号特征是一维的，所以相对于识别三维的彩色图像特征，可以选用更简单的神经网络分类器，占用资源较少，计算量较小，识别速度更快；此外，由对星座图执行正交扫描得到的密度统计特征，相当于对星座图的密度谱在x轴方向和y轴方向上做二次统计，形成的信号特征会更加地稳定和有效，有助于提升最终的识别准确率，实验也证明了这一点。

附图说明

图1是本发明提出的对信号星座图执行正交扫描的过程示意；

图2是本发明选用的神经网络分类器的结构示意；

图3是本发明实施例中信号的平均识别准确率随信噪比变化的情况；

图4是本发明实施例中信噪比为5db时的信号识别结果。

具体实施方式

下面结合附图和实施例对本发明进行详细描述，以便本领域的技术人员能够更好地理解本发明。

实施例

本实施例的目的是对不同调制方式的数字通信信号进行识别，并对识别准确率进行验证。本实施例中的数据来源于实际的无线通信信号，信号传输速率为2mbaud，包含有五种数字调制方式{bpsk,qpsk,8psk,16qam,64qam}。由信号接收机负责接收信号，经一系列信号预处理流程，得到的基带信号信噪比大约为35db。每次采样得到8192个码元符号，即m＝8192，构成符号序列s，设定密度统计窗的宽度w＝0.15，扫描长度n＝256，对s所描绘的星座图执行正交扫描，得到信号特征dxy，对每种调制方式的信号重复2万次该操作，得到总计10万个信号特征样本，然后构造数据集d＝{(dxy，t)}，这里的t＝1，2，…，5，对应于前述五种调制方式。接着用数据集d训练神经网络分类器。为了测试本发明所提方法在低信噪比下的性能，通过对基带信号直接添加不同强度的高斯白噪声，使得信噪比在0到9db之间变化，且在每种信噪比下，采用交叉验证取平均识别准确率，结果如图3所示，其中信噪比为4db时的具体识别情况如图4所示。