一种基于星座图和深度学习的混合卫星通信调制识别方法及系统与流程

本发明涉及一种基于星座图和深度学习的混合卫星通信调制识别方法及系统，涉及h04w：无线通信网络领域。

背景技术：

卫星通信处于开放的环境，时刻面临着各种有意或无意的干扰，需要采用有效的手段来监测和对抗这些干扰才能实现可靠的通信。因此，需要进一步研究针对卫星通信信号的调制识别技术，逐步建立适用于我国卫星通信系统的调制识别系统。

卫星通信信号认知技术主要包括信号多址方式、信噪比、载波频率、符号速率、调制方式等参数的估计与识别，其主要作用是在非合作通信环境下有效分析接收到的载波信号，以实现对卫星转发器工作状态的实时监控，保证卫星通信系统正常运行。

目前，卫星通信信号调制识别的方法主要有传统调制识别方法和基于机器学习的调制识别方法。传统调制识别方法分为两种：基于似然的调制识别方法和基于特征的调制识别方法。基于似然的调制识别可以看作是多重假设检验问题。依据所选模型的不同，常用的基于似然的调制识别方法是：平均似然比检验法(alrt)，广义似然比检验法(glrt)、混合似然比检验法(hlrt)。基于特征的调制识别方法的技术关键在于特征参数和判决准则的选取。常用的特征参数有信号瞬时特征、信号统计量、小波变换幅度和峰值幅度极值等。常用的判决准则有基于概率密度、基于欧氏距离和基于二进制判决树的判决准则。基于机器学习的调制识别方法主要是通过神经网络来对调制识别某一重要参数进行聚类，将接收的信号根据这一参数进行分离，以此来分辨调制识别的方式。

传统方法卫星通信信号调制识别方法中snr和同步对正确率的影响较大，对数据长度(采样点数/符号个数)要求高，正确率较低，且近似的调制识别方法难分离，调制识别集合也不能太大；而基于机器学习的卫星通信信号调制识别方法要求数据集比较完备，需要很长时间的数据积累，且训练时间长，复杂度高，想要提升正确率，需要复杂的多层神经网络模型，资源耗费严重，在卫星载荷受限条件下较难适用。

技术实现要素：

发明目的：一个目的是提出一种基于星座图和深度学习的混合卫星通信调制识别方法，以解决现有技术存在的上述问题。进一步目的是提出一种实现上述方法的系统。

技术方案：一种基于星座图和深度学习的混合卫星通信调制识别方法，包括以下步骤：

步骤1、接收机通过频谱分析获得预定信号，并进行载波频率估计和带宽估计，带通滤波、下变频后得到基带信号；

步骤2、估算定时误差，并对非最佳采样的数据点进行插值滤波，逼近最佳采样点；

步骤3、通过对最佳采样点进行相位差分，消除频偏影响，恢复相位差分后的星座图；

步骤4、通过机器学习的方法对星座图进行聚类，通过聚类点的特征进行调制方式分类。

在进一步的实施例中，步骤1进一步包括：

步骤1-1、对接收的已调信号进行载频提取、正交下变频和低通滤波后，得到被噪声污染的复基带信号波形：

式中，ak是发送的符号，其取值范围为ak∈{exp(j2π(m-1)/m),m＝1,2,...m}；e是发送符号的能量；tb是符号周期；gt(t)是升余弦滚降滤波器的冲击响应；ε是归一化码元定时误差，取值范围为-0.5＜ε＜0.5；是载波初始相位；w(t)是均值为0，方差为n0的高斯白噪声；

步骤1-2、引入码间干扰消除基带信号采样时存在的定时误差，设接收到的信号时间长度为lt，在这段时间内，认定定时误差ε没有发生变化，为常量；对采用序列rk进行平方操作，则在样本中包含一个频率为1/tb的频谱分量，通过计算每一段数据的傅立叶系数，提取出该频谱分量。

在进一步的实施例中，步骤2采用立方插值滤波器对非最佳采样的数据点进行插值滤波，其中立方插值滤波器的形式为：

y(t)＝b-2(u)x[(m+2)ts]+b-1(u)x[(m+1)ts]+b0(u)x[mts]+b1(u)x[(m-1)ts]

其系数为：

式中，μ是插值滤波算法中的分数间隔参数，通过估计得到的定时误差计算得到；x[t]为t时刻的采样值；b-2为之前两个时刻的内插滤波器系数，b-1为之前一个时刻的内插滤波器系数，b0为当前时刻的内插滤波器系数，b1为之后一个时刻的内插滤波器系数。

在进一步的实施例中，步骤3进一步包括：

步骤3-1、对基带信号进行匹配滤波、符号速率估计、定时估计及插值滤波，得到存在频偏的复基带信号，该信号表示为：

其中，为调制相位，w(n)为高斯白噪声，δfc为归一化载波频偏，第n和n+1个码元的绝对相位分别为：

且有：

相位调制信号中，分别由和来携带调制信息；式中，δωc＝2πδfc；为第n个码元的载波相位偏差；

步骤3-2、当接收端存在载波频偏时，当前码元的绝对相位除了携带固有的调制信息外，比前一个码元的绝对相位多出一个δωctb，反映在星座图上即为引起了角度为δωctb的旋转；采用相位差分的方法消除载波频偏对星座图恢复的干扰，差分公式如下：

x1(m)＝x^*(n)·x(n-1)

其中，n＝2,3...n,m＝n-1；

式中，x(n)表示第n个采样值；x^*(n)为x(n)的共轭；x1表示已经恢复的信号应有的星座图状态，将其输入信号调制方式识别模块即可完成对信号调制方式的识别。

在进一步的实施例中，所述步骤4进一步为：

步骤4-1、确定滑动窗口半径r，以随机选取的中心点c，半径为r的圆形滑动窗口进行滑动；

步骤4-2、每一次滑动到新的区域，计算滑动窗口内的均值作为中心点，滑动窗口内的点的数量作为窗口内的密度，在每一次移动中，窗口会向更高密度的区域移动；

步骤4-3、移动窗口，计算窗口内的中心点一级窗口内的密度，直到没有方向在窗口内可以容纳更多的点，即一直移到圆内密度不再增加为止。

在进一步的实施例中，所述步骤4-1到4-3会产生很多个滑动窗口，当多个滑动窗口重叠时，保留包含最多点的窗口，然后根据数据点所在的滑动窗口进行聚类；均值漂移聚类算法对聚类半径敏感，针对星座图上散点的坐标位置，半径选取公式为：

r＝(vmax-vmin)/cof

其中，vmax为同相分量的最大值，vmin为同相分量的最小值，cof为10或16，相位调制信号选取10，幅相调制选取16。

一种基于星座图和深度学习的混合卫星通信调制识别系统，包括通过频谱分析获得预定信号的接收机；用于进行载波频率估计和带宽估计，带通滤波、下变频后得到基带信号的信号模型构建模块；用于估算定时误差，并对非最佳采样的数据点进行插值滤波，逼近最佳采样点的定时误差估计模块；通过对最佳采样点进行相位差分，消除频偏影响，恢复相位差分后的星座图的星座图恢复模块；以及通过机器学习的方法对星座图进行聚类，通过聚类点的特征进行调制方式分类的星座图聚类模块。

在进一步的实施例中，所述信号模型构建模块进一步用于对接收的已调信号进行载频提取、正交下变频和低通滤波后，得到被噪声污染的复基带信号波形：

式中，ak是发送的符号，其取值范围为ak∈{exp(j2π(m-1)/m),m＝1,2,...m}；e是发送符号的能量；tb是符号周期；gt(t)是升余弦滚降滤波器的冲击响应；ε是归一化码元定时误差，取值范围为-0.5≤ε≤0.5；是载波初始相位；w(t)是均值为0，方差为n0的高斯白噪声；

引入码间干扰消除基带信号采样时存在的定时误差，设接收到的信号时间长度为lt，在这段时间内，认定定时误差ε没有发生变化，为常量；对采用序列rk进行平方操作，则在样本中包含一个频率为1/tb的频谱分量，通过计算每一段数据的傅立叶系数，提取出该频谱分量；

所述定时误差估计模块进一步采用立方插值滤波器对非最佳采样的数据点进行插值滤波，其中立方插值滤波器的形式为：

y(t)＝b-2(u)x[(m+2)ts]+b-1(u)x[(m+1)ts]+b0(u)x[mts]+b1(u)x[(m-1)ts]

其系数为：

式中，μ是插值滤波算法中的分数间隔参数，通过估计得到的定时误差计算得到；x[t]为t时刻的采样值；b-2为之前两个时刻的内插滤波器系数，b-1为之前一个时刻的内插滤波器系数，b0为当前时刻的内插滤波器系数，b1为之后一个时刻的内插滤波器系数。

在进一步的实施例中，所述星座图恢复模块进一步用于对基带信号进行匹配滤波、符号速率估计、定时估计及插值滤波，得到存在频偏的复基带信号，该信号表示为：

其中，为调制相位，w(n)为高斯白噪声，δfc为归一化载波频偏，第n和n+1个码元的绝对相位分别为：

且有：

相位调制信号中，分别由和来携带调制信息；式中，δωc＝2πδfc；为第n个码元的载波相位偏差。

步骤3-2、当接收端存在载波频偏时，当前码元的绝对相位除了携带固有的调制信息外，比前一个码元的绝对相位多出一个δωctb，反映在星座图上即为引起了角度为δωctb的旋转；采用相位差分的方法消除载波频偏对星座图恢复的干扰，差分公式如下：

x1(m)＝x^*(n)·x(n-1)

其中，n＝2,3...n,m＝n-1；

式中，x(n)表示第n个采样值；x^*(n)为x(n)的共轭；x1表示已经恢复的信号应有的星座图状态，将其输入信号调制方式识别模块即可完成对信号调制方式的识别。

在进一步的实施例中，所述星座图聚类模块进一步用于确定滑动窗口半径r，以随机选取的中心点c，半径为r的圆形滑动窗口进行滑动；每一次滑动到新的区域，计算滑动窗口内的均值作为中心点，滑动窗口内的点的数量作为窗口内的密度，在每一次移动中，窗口会向更高密度的区域移动；最后移动窗口，计算窗口内的中心点一级窗口内的密度，直到没有方向在窗口内可以容纳更多的点，即一直移到圆内密度不再增加为止。

有益效果：本发明在传统调制识别方法的基础上，将传统调制识别方法和聚类方法相结合，通过传统调制识别方法进行粗略的参数识别，然后通过均值漂移聚类方法进行精细的分类和识别。两种方法的结合能够提高识别正确率，同时简化计算复杂度，在正确率和复杂度之间取得良好的平衡，进而将卫星通信信号调制识别推向广泛应用，克服传统调制识别方法识别正确率不高，以及基于机器学习的调制识别方法计算复杂的问题。

附图说明

图1是调制识别的框架图。

图2是混合卫星通信调制识别流程图。

图3是包络谱估计符号速率例图。

图4是定时误差nda估计算法。

图5是qpsk差分星座图。

图6是eb/no＝20db信号差分后星座图聚类仿真效果图。

图7是本发明总识别流程图。

图8是相位调制识别子流程图。

图9是幅相调制识别子流程图。

图10是识别准确率图。

具体实施方式

在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。

申请人认为，传统方法卫星通信信号调制识别方法流程简单，计算效率高，但snr和同步对正确率的影响较大，对数据长度(采样点数/符号个数)要求高，正确率较低，且近似的调制识别方法难分离，调制识别集合也不能太大；基于机器学习的卫星通信信号调制识别方法要求数据集比较完备，需要很长时间的数据积累，且训练时间长，复杂度高，想要提升正确率，需要复杂的多层神经网络模型，资源耗费严重，在卫星载荷受限条件下较难适用。

调制识别过程中处理的信号是进入卫星接收机通道带宽内的卫星信号，而接收机通道带宽一般固定。当卫星信号频率完全未知时，可以通过改变接收通道中心频率对检测的卫星信号逐频段扫描，当有信号落入接收机通道则进行调制识别。

调制识别问题是一种典型的模式识别问题，实现调制识别的其基本框架如图1所示。

调制识别的基本框架主要包括三个部分：信号预处理、特征参数提取和分类识别。

信号预处理为后续的特征参数提取提供合适的数据。信号预处理完成的主要功能一般包括：下变频，同相和正交分量分解，信噪比、符号速率和载频等参数估计。通常情况下，多径信道环境下接收到的信号要进行信号分离预处理，以确保单载波信号进入调试识别系统。

特征参数提取是指利用现代信号处理工具(如小波变换、循环平稳、累积量等)从接收信号中提取时域或变换域特征。信号的时域特征包括瞬时幅度、瞬时相位和瞬时频率等统计参数，而频谱变换域、谱相关函数和信号的时频统计特性等特征参数通常被称为变换域特征。

分类识别主要完成分类器的选择和判决规则的确定。分类器主要有梯形结构和神经网络结构两种。梯形分类器采用多级分类结构，每级结构根据特征参数，分辨出某类调制类型。这种分类器结构简单，易于实现，但需要事先确定判决门限，自适应性差，识别效率不高。

神经网络分类器具有强大的模式识别能力，能够自动适应环境变化，具有很好的稳健性和潜在的容错性，可获得较高的识别正确率，但该分类器设计复杂，不易于工程应用。

卫星有效载荷受限对星上设备的复杂度和功耗提出了特别的要求。因此，卫星通信信号调制识别算法必须要权衡性能和复杂度。相比于高性能、大运算量的调制识别算法，卫星通信信号调制识别系统更倾向于性能适中、运算简单的算法。

如果能获取一种既简单，性能又好的调制识别方法，是卫星通信信号调制识别的重要课题。

为此，本发明在传统调制识别方法的基础上，将传统调制识别方法和聚类方法相结合，通过传统调制识别方法进行粗略的参数识别，然后通过简单的均值漂移聚类方法进行精细的分类和识别。两种方法的结合能够提高识别正确率，同时简化计算复杂度，在正确率和复杂度之间取得良好的平衡，进而将卫星通信信号调制识别推向广泛应用。

下面基于实施例，对本发明的具体流程做出详细阐述：

一、总体流程：

步骤1、接收机通过频谱分析获得感兴趣的信号，并进行载波频率估计和带宽估计，带通滤波、下变频后得到基带信号。

步骤2、基带信号的采样时钟是独立于发射端的本地时钟，一般会存在定时误差，进行码元判决时引入码间干扰，因此需要估计定时误差，并对非最佳采样的数据点进行插值滤波，逼近最佳采样点。

步骤3、通过对最佳采样点进行相位差分，消除频偏影响，恢复相位差分后的星座图，通过机器学习的方法对星座图进行聚类，通过聚类点的特征进行调制方式分类。

二、信号模型：

对接收的已调信号进行载频提取、正交下变频和低通滤波后，得到被噪声污染的复基带信号波形，可表示为：

其中，ak是发送的符号，其取值范围为ak∈{exp(j2π(m-1)/m),m＝1,2,...m}。e是发送符号的能量。tb是符号周期。gt(t)是升余弦滚降滤波器的冲击响应。ε是归一化码元定时误差，取值范围为-0.5≤ε≤0.5。是载波初始相位。w(t)是均值为0，方差为n0的高斯白噪声。

三、符号速率估计：

码元速率是信号星座图恢复的一个关键参数。码元速率的错误估计，会使调制信号的星座图产生严重畸变，难以完成信号的正确识别。

符号速率估计采用工程上常用的包络谱估计算法，对基带信号求模，然后进行fft运算从而得到包络谱，包络谱在符号速率处存在明显的谱线，通过提取谱线处的位置得到符号速率估计值。

四、定时估计：

在接收机中，对基带信号进行采样时一般会存在定时误差，从而引入码间干扰。此时采用星座图进行调制方式识别，识别性能会受到影响。因此，如何消除定时误差是一个必须考虑的问题。

由于未知调制方式以及发送码元序列，所以采用一种非数据辅助(nda)的平方估计算法，进行定时误差ε的估计。整个定时误差估计过程如图2所示。其原理是，设接收到的信号时间长度为lt，在这段时间内，认为定时误差ε没有发生变化，是一个常量。如果对采用序列rk进行平方操作，则在样本中包含一个频率为1/tb的频谱分量，

通过计算每一段数据的傅立叶系数，可以提取出该频谱分量。可以证明，是对定时误差ε的无偏估计。

五、插值滤波：

得到定时误差之后，为了消除定时误差的影响，一般有两种方法。其一，是引入负反馈，利用估计的定时误差控制数控振荡器(nco)，以调整采样时钟，获得最佳采样点。其二，是前馈法，即利用估计的定时误差，和采样得到的非最佳采样点，通过插值滤波器来进行插值运算，以逼近最近采样值。这里采用插值滤波法。插值滤波器的形式有很多。一般使用的立方插值滤波器的形式为：

y(t)＝b-2(u)x[(m+2)ts]+b-1(u)x[(m+1)ts]+b0(u)x[mts]+b1(u)x[(m-1)ts]

其系数为

式中，μ是插值滤波算法中的分数间隔参数，通过估计得到的定时误差计算得到；x[t]为t时刻的采样值；b-2为之前两个时刻的内插滤波器系数，b-1为之前一个时刻的内插滤波器系数，b0为当前时刻的内插滤波器系数，b1为之后一个时刻的内插滤波器系数。

μk＝((kti+εtb)/ts)mod1

mk＝int[(kti+εtb)/ts]

六、星座图聚类识别：

(1)基于相位差分的星座图恢复

对基带信号进行匹配滤波、符号速率估计、定时估计及插值滤波，得到存在频偏的复基带信号，该信号表示为：

其中，为调制相位，w(n)为高斯白噪声，δfc为归一化载波频偏，第n和n+1个码元的绝对相位分别为：

且有

相位调制信号中，分别由和来携带调制信息。当接收端存在载波频偏时，当前码元的绝对相位除了携带固有的调制信息外，比前一个码元的绝对相位多出一个δωctb，反映在星座图上就是引起了角度为δωctb的旋转，随着时间的增长，这种旋转会使得信号星座图上的点呈现圆环状分布而使得后续识别无法进行。在此，采用相位差分的方法消除载波频偏对星座图恢复的干扰。差分公式如下：

x1(m)＝x^*(n)·x(n-1)

其中，n＝2,3...n,m＝n-1。

x1已经恢复了信号应有的星座图状态，将其输入信号调制方式识别模块即可完成对信号调制方式的识别。

(2)星座图聚类

聚类分析算法的作用是自动识别出重构星座图上的星座点，从而得知星座点数量以及其位置，以作为判别调制方式的主要特征依据。

均值漂移聚类是基于滑动窗口的算法，来找到数据点的密集区域。这是基于质心的算法，通过将中心点的候选点更新为滑动窗口内点的均值来完成组、类的中心点，然后对这些候选窗口进行相似窗口进行驱除，最终形成中心点集及相应的分组。

具体步骤：

确定滑动窗口半径r，以随机选取的中心点c，半径为r的圆形滑动窗口进行滑动。均值漂移类似一种爬山算法，在每一次迭代中向密度更高的区域移动；

每一次滑动到新的区域，计算滑动窗口内的均值作为中心点，滑动窗口内的点的数量作为窗口内的密度，在每一次移动中，窗口会向更高密度的区域移动；

移动窗口，计算窗口内的中心点一级窗口内的密度，知道没有方向在窗口内可以容纳更多的点，即一直移到圆内密度不再增加为止；

步骤1)到3)会产生很多个滑动窗口，当多个滑动窗口重叠时，保留包含最多点的窗口，然后根据数据点所在的滑动窗口进行聚类。

均值漂移聚类算法对聚类半径敏感。针对星座图上散点的坐标位置，半径选取公式为：r＝(vmax-vmin)/cof

其中，vmax为同相分量的最大值，vmin为同相分量的最小值，cof为10或16，相位调制信号选取10，幅相调制选取16。

(3)分类流程：

根据eb/no范围，小于12db时只针对相位调制方式进行分类，不考虑幅相调制方式，大于12db时同时考虑相位调制方式和幅相调制方式。

如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。