本发明涉及无线通信数字信号调制识别技术领域,尤其是一种数字信号调制方式识别方法。
背景技术:
自动调制分类是信号检测与数据解调的中间环节,通过观察接收的数据样本,自动识别接收信号调制类型。目前,信号识别已经延伸到军事应用和民用,包括信号确认、干扰识别、频谱监视和无线电监控,在通信应用中发挥了关键作用。通信信号调制类型的分类是一种典型的模式识别问题,它涉及很多复杂因素。随着通信技术的飞速发展,通信系统与调制方式变得更加复杂多样,信号环境日趋密集复杂,使得常规的识别方法和理论很难适应实际应用需求,无法高效的对通信信号进行准确识别,因此调制识别技术是无线通信领域关键需要突破技术之一。
数字调制方式识别的研究方法主要可以分为两类:基于判决理论方法和基于特征提取的模式识别方法。
判决理论方法把调制方式自动识别问题视为复合假设检验问题,这种方法依靠的是似然函数检验,判决准则简单,可以在最大程度上最大化正确识别的概率。如利用独立成分分析对二进制数字相位偏移调制与四进制数字相位调制信号进行分类的方法,可以实现调制信号的分类,该方法实现了两种调制方式的识别。而依据星座图采用非参数贝叶斯算法对多元相移键控调制信号进行了调制识别的方法,可以达到了对mpsk信号分类目的,该方法不受信噪比的约束,该方法仅适用于多元数字相控调制分类。基于贝叶斯序贯推理的自适应调制识别算法,实现对调制方式的和时变信道增益的联合估计,该算法相对于释然检测法性能有所提高,可识别的调制方式有六类。
与判决理论方法相比,特征提取的模式识别方法是一种次优解,具有计算复杂度低、工作效率高、对各种模型匹配的优点,其基本概念是提取特征,该方法被应用最多的是高阶统计量和高阶循环累积量,其本质就是从接收到的信号中进行特征估计,然后与理论值之间进行比较。如基于循环累积量的自动辨识算法,完成了对多进制正交幅度调制与多元相移键控调制的识别,该方法在低信噪比的情况下,识别率有待提高。再如基于循环累积量的调制解调分类方法寻找到了不同信号在特定循环累积量下的谱峰值特征的区别,最后利用恒定虚误警率检测算法通过树形判决完成对不同调制方式信号分类识别。该方法对载流子相位和载波相位以及频率偏移量不具有鲁棒性。针对多输入多输出通信系统的空时分组码识别的难题,提出的基于高阶累积量的空时分组码的盲识别方法,该方法只能对多进制正交幅度调制信号进行识别分类。结合高阶累积量和小波变换的混合调制识别算法,实现了多元相移键控调制、多进制数字频率调制、四进制数字幅度偏移调制、64进制正交幅度调制信号的调制分类。性能优于单独使用高阶累积量的方法,能够完成特定调制方式的识别。
技术实现要素:
本发明的目的在于提供一种利用了高阶累积量对零均值高斯白噪声的抑制作用从而提高了特征提取的能力,结合具有强大分类能力的工智能深度学习算法,能够提高多种数字信号调制识别在低信噪比情况下的准确识别率的数字信号调制识别方法。
为实现上述目的,本发明采用了以下技术方案:一种数字信号调制方式识别方法,该方法包括下列顺序的步骤:
(1)知识获取与估计:在通信系统工作在已知调制方式的情况下,在发送端收集原始数据流序列[x1,x2,xk,…,xw]利用差分空时编码技术进行编码,记第k个数据流通过差分空时编码后的码字为:
(2)对y(k)进行迫零均衡技术处理得到接收信号补偿矩阵
(3)针对所有调制方式依次重复上述步骤(1)和(2),利用得到的调制方式特征向量cijf与类别标签对构建训练样本集,作为深度学习网络分类器的输入向量,对应的类别标签作为深度学习网络的输出向量,完成分类器的训练;
(4)对上述通信系统待识别调制方式的时段,在其接收端采集接收信号序列,根据上述步骤(2)中的迫零均衡技术处理,计算其特征向量
在步骤(2)中,所述计算
(2.1)针对信号
(2.2)针对信号
其中,mpq为p阶混合力矩,其计算公式为:
(2.3)针对信号
(2.4)针对信号
(2.5)利用各高阶累积量以及特征参数t构建特征向量矩阵,记为cij:
cij=[c40c42,c60,c63,c80,t];并对cij进行归一化处理:cijf=cij/||cij||2,其中||cij||2代表取向量的2-范数。
在步骤(3)中,所述深度学习网络分类器的构建方法如下:构建深度学习网络分类器时采用量子深度置信网络,包括一个输入层h0,n个隐含层h1,h2,…,hn和一个输出层f,输入层h0的单元个数等于输入特征的维度,设置为输入特征向量特征的个数;输出层f的单元个数等于调制方式类型总数,最后一个隐含层hn由量子单元组成,量子单元具有多个层次的表示能力,其他隐含层都是由sigmoid单元组成,其中sigmoid单元用公式s(t)=1/(1+e-at)表示,a为sigmoid单元具体参数,a在调制识别逻辑回归中取1。
在所述步骤(4)中根据分类器的输出情况,完成系统调制方式的判决,以此计算分类器输出向量与各调制方式标签向量之间的欧式距离,取最小欧式距离对应的调制方式作为输出判决。
由上述技术方案可知,本发明的优点在于:第一:能够对多种调制信号进行了分类识别,扩大了调制方式识别的范围;第二:可以在低信噪比的情况下获得很好的分类识别效果;第三:对诸如时间、相位和频率偏移量方面的缺陷具有更好的鲁棒性。
附图说明
图1为本发明的方法流程图;
图2为系统空间架构流程图;
图3为量子深度置信网络结构图;
图4为a值不同的sigmoid曲线;
图5为量子单元函数曲线。
具体实施方式
如图1所示,一种新型的数字信号调制识别方法,该方法包括下列顺序的步骤:
(1)知识获取与估计:在通信系统工作在已知调制方式的情况下,在发送端收集原始数据流序列[x1,x2,xk,…,xw]利用差分空时编码技术进行编码,记第k个数据流通过差分空时编码后的码字为:
(2)对y(k)进行迫零均衡技术处理得到接收信号补偿矩阵
(3)针对所有调制方式依次重复上述步骤(1)和(2),利用得到的调制方式特征向量cijf与类别标签对构建训练样本集,作为深度学习网络分类器的输入向量,对应的类别标签作为深度学习网络的输出向量,完成分类器的训练;
(4)对上述通信系统待识别调制方式的时段,在其接收端采集接收信号序列,根据上述步骤(2)中的迫零均衡技术处理,计算其特征向量
在步骤(2)中,所述计算
(2.1)针对信号
(2.2)针对信号
其中,mpq为p阶混合力矩,其计算公式为:
(2.3)针对信号
(2.4)针对信号
(2.5)利用各高阶累积量以及特征参数t构建特征向量矩阵,记为cij:
cij=[c40c42,c60,c63,c80,t];并对cij进行归一化处理:cijf=cij/||cij||2,其中||cij||2代表取向量的2-范数。
在步骤(3)中,所述深度学习网络分类器的构建方法如下:构建深度学习网络分类器时采用量子深度置信网络,包括一个输入层h0,n个隐含层h1,h2,…,hn和一个输出层f,输入层h0的单元个数等于输入特征的维度,设置为输入特征向量特征的个数;输出层f的单元个数等于调制方式类型总数,最后一个隐含层hn由量子单元组成,量子单元具有多个层次的表示能力,其他隐含层都是由sigmoid单元组成,其中sigmoid单元用公式s(t)=1/(1+e-at)表示,a为sigmoid单元具体参数,a在调制识别逻辑回归中取1。
在所述步骤(4)中根据分类器的输出情况,完成系统调制方式的判决,以此计算分类器输出向量与各调制方式标签向量之间的欧式距离,取最小欧式距离对应的调制方式作为输出判决。
图2为系统空间架构流程图,各模块功能如下:
数据流产生以及空时编码模块:在通信系统工作在已知调制方式的情况下,在发送端收集原始数据流序列[x1,x2,xk,…,xw]利用差分空时编码技术进行编码,记第k个数据流通过差分空时编码后的码字为:
信号处理模块:对y(k)进行迫零均衡技术处理,得到接收信号补偿矩阵
特征提取模块:计算
深度学习模块:针对所有调制方式依次重复上述数据流产生以及空时编码模块、信号处理模块、特征提取模块功能步骤,利用得到的调制方式特征向量cijf与类别标签对构建训练样本集,作为深度学习网络分类器的输入向量,对应的类别标签作为深度学习网络的输出向量,完成分类器的训练。
决策融合分类模块:对上述通信系统待识别调制方式的时段,在其接收端采集接收信号序列,根据上述信号处理模块与特征提取模块功能,计算其特征向量
图3为量子深度置信网络结构图,它是一个全连接多层深度学习网络,包括一个输入层h0,n个隐含层h1,h2,…,hn和一个输出层f,输入层h0的单元个数等于输入特征的维度,设置为输入特征向量特征的个数;输出层f的单元个数等于调制方式类型总数,最后一个隐含层hn由量子单元组成,量子单元具有多个层次的表示能力,其他隐含层都是由sigmoid单元组成。
图4为sigmoid函数曲线,当a值不同的曲线图。sigmoid单元用公式s(t)=1/(1+e-at)表示,a为sigmoid单元具体参数,a在调制识别逻辑回归中取1。
图5为量子单元函数曲线图,从图中可以看出量子单元具有多层表示能力,它有四个跳转位置。
综上所述,本发明提出了一种数字信号调制识别方法:首先对已知调制方式的发送端原始数据流序列利用差分空时编码技术进行编码,得到码字序列x(k),并利用自相关矩阵与x(k)估计得到接收信号序列;然后对接收信号序列进行迫零均衡技术处理,得到接收信号补偿矩阵