一种基于机器学习的非重构信号调制识别方法

本发明属于认知无线电，具体涉及一种基于机器学习的非重构信号调制识别方法。

背景技术：

1、当下无线电通信领域中，对于侦察方来说，非合作信号的采样已经成为现代数字信号处理中的一个问题，压缩感知理论的出现提供了解决这一问题的方法。压缩感知理论的采样是利用了信号在某一变换域上的稀疏性，在采样的同时通过随机测量矩阵实现信号的压缩，从而可以实现以一个低于奈奎斯特速率的采样率进行宽带信号的采样、传输以及处理。其中，调制宽带转换器亚奈奎斯特采样(mwc)就是一种压缩采样方法。对于单音信号，经过mwc压缩采样后，仍保留原信号频谱信息，因此可以对压缩采样序列直接进行处理提取信号特征。

2、传统的非重构调制识别方法一般通过相位纠正后的多路混合叠加频谱能量聚焦率来进行，这种方法虽然有较好的识别性能，但受噪声影响，在低信噪比下识别性能不佳。机器学习拥有强大的特征提取能力，通过机器学习可以提取更加精细的特征，摆脱识别门限的设置，进行信号调制方式的识别，从而提高识别概率。

技术实现思路

1、本发明提出一种基于机器学习的非重构信号调制识别方法，目的在于提高低信噪比下的识别概率，增加后续信号分选及辐射源识别准确性。

2、本发明的技术方案为：

3、假设接收信号调制方式包括二进制相移键控信号(bpsk)、四进制相移键控信号(qpsk)和线性调频信号(lfm)。

4、对于接收到的宽带信号x(t)，进行mwc压缩采样前，假设并行信道数为m，采样频率为fs，ts＝1/fs。

5、如图1所示，本发明的调制识别方法包括以下步骤：

6、s1、对接收信号通过m路mwc并行信道，在每路通道中与周期为tp的伪随机序列进行混频，随后将每一路的混频信号经过截止频率为1/2ts的低通滤波器，再通过采样频率为fs的adc得到m路压缩采样序列ym[k]，如图2所示；

7、s2、计算每一路压缩采样序列的2阶0次共轭滞后积、4阶0次共轭滞后积和2阶1次共轭滞后积，其中mwc的第m路压缩采样序列ym[k]的r阶q次共轭滞后积为：

8、

9、式中，(*)表示共轭运算，q为共轭次数，τ＝[τ1,τ2,...,τr]，τ为延时量；

10、s3、计算每一路采样通道的不同共轭滞后积的能量聚焦效率值q：

11、

12、式中，k0～k2表示能量谱线最大的三根谱线，共有kn根能量谱线，ym[k]为ym[k]的fft；

13、s4、取所有采样通道的能量聚焦效率值的平均值

14、s5、构建机器学习训练集和验证集，训练集占70％，验证集占30％。

15、s6、搭建随机森林分类器，将由不同共轭滞后积的能量聚焦效率值构成的训练集和验证集输入到随机森林分类器进行训练评估。

16、s7、取训练过程中识别正确率最高的随机森林模型，然后进行信号调制方式的识别测试，得到预测的信号调制方式。

17、本发明的有益效果是：将不同共轭滞后积的能量聚焦效率值作为判定依据，bpsk信号的二阶滞后积产生单频正弦波，qpsk信号的四阶滞后积产生单频正弦波，lfm信号的二阶滞后积产生单频正弦波。又因为单音信号的频谱能量主要集中于最大能量谱线的附近3根能量谱线上，所以可以利用每个采样通道的采样信号的共轭滞后积的能量聚焦效率来进行判断该信号是否满足单频正弦波生成特性。同时，利用机器学习强大的特征提取能力，摆脱识别门限的设置，实现了信号调制方式的识别，提高了调制识别概率。

技术特征：

1.一种基于机器学习的非重构信号调制识别方法，对于接收到的非合作信号，进行mwc压缩采样前，定义并行信道数为m，采样频率为fs，ts＝1/fs，其特征在于，所述方法包括以下步骤：

技术总结
本发明属于认知无线电技术领域，具体涉及一种基于机器学习的非重构信号调制识别方法。本发明是将不同共轭滞后积的能量聚焦效率值作为判定依据，BPSK信号的二阶滞后积产生单频正弦波，QPSK信号的四阶滞后积产生单频正弦波，LFM信号的二阶滞后积产生单频正弦波。又因为单音信号的频谱能量主要集中于最大能量谱线的附近3根能量谱线上，所以可以利用每个采样通道的采样信号的共轭滞后积的能量聚焦效率来进行判断该信号是否满足单频正弦波生成特性。同时，利用机器学习强大的特征提取能力，摆脱识别门限的设置，实现了信号调制方式的识别，提高了调制识别概率。

技术研发人员：华晓东,史治平,江启瑞,雷伟东
受保护的技术使用者：电子科技大学长三角研究院（湖州）
技术研发日：
技术公布日：2024/1/15