一种基于循环爪印图特征的测控复合调制信号识别方法

本发明属于信号处理领域，特别是复合调制信号的信号调制方式识别设计。

背景技术：

1、复合调制(composite modulation,cm)指多用户基带数据采用不同的调制方式调制到统一载波上的多层调制方案，具有出色的传输效率、抗拦截能力和安全性，被广泛应用于遥测、跟踪和指挥(telemetry,tracking and command,tt&c)系统和宽带空间通信中。cm被认为是未来第六代无线通信网络、认知空间通信网络和物联网的一种重要调制方式。为了在拥挤的频谱中进行认知通信，下一代通信系统中的智能接收机需要在没有任何先验知识的情况下盲识别接收信号的调制类型。因此，自动复合调制分类(automatic compositemodulation classification,acmc)是实现这一目标的关键机制。

2、传统的自动调制分类(automatic modulation classification,amc)方法一般可分为两类：基于似然(likelihood-based,lb)的决策理论方法和基于特征(likelihood-based,fb)的决策理论方法，这些方法都假设目标(传输)信号是单层调制的。lb决策理论方法是对给定(训练)观测数据集拟合的统计模型进行似然比检验。然而，现有的lb方法由于缺乏封闭解、计算复杂度高、底层模型与接收信号数据的实际统计量存在概率不匹配等原因，通常无法得到令人满意的amc结果。由于cm信号比单层调制信号复杂得多，因此将lb方法应用于acmc比amc困难得多。另一方面，fb方法通过特征提取和模式识别来区分各种调制类型。现有的fb方法结合连续解调，即“逐层识别和解调(layer-by-layer identificationand demodulation,li&d)”，接收器需要使用现有的fb方法先识别接收到的cm信号的外层调制类型，然后将接收到的信号解调，以进一步进行内层调制识别。然而，这种li&d的fb方法要求接收到的cm信号具有完美的载波和时间同步，因此使用场景有所受限。此外，基于锁相环及拟合优度的特征提取方法亦被提出应用于复合调制信号的识别，但当锁相环失锁时该方法失去有效性。高阶累积量(high-order cumulants,hoc)作为信号统计特征可提取应用至信号盲识别，但其庞大的计算量对内存资源消耗很大，时效性不强。目前只有少量文献提出了acmc方法，因此探索并实现高效的acmc技术是当务之急。

3、此外，amc还采用了各种深度学习模型，包括卷积神经网络、自注意力模型、生成对抗网络等。这种流行的深度学习模型通常具有训练识别精度高、重量轻的优点。然而，深度学习模型的acmc性能高度依赖于提取合适的特征来有效区分不同的cm方案，而复合调制信号的特征提取困难，目前还不存在任何针对复合调制信号直接设计的深度学习网络。如何在不增加运算复杂度和特征提取难度的基础上设计一套崭新的高效复合调制识别架构将是本发明关注并解决的一个重点问题。

4、本发明目前还未在国内外出版物上公开发表文章，未在国内外公开使用或者以其他方式为公众所知。

技术实现思路

1、本发明的目的在于在克服已有复合调制识别方法的不足，构造一套完整的针对航天测控统一载波体制复合调制信号的识别流程。该套估计流程的优势在于精度高，抗干扰性能好，可有效对抗航天链路引入的相位噪声、频率偏移和定时误差，且所需先验知识少，计算量和复杂度较低。

2、本发明基于复合调制信号的归一化二阶循环谱分析，构建了复合调制信号的新图像表示：循环爪印图(cyclic-paw-print,cpp)，该图像可以唯一的表征不同种类的复合调制信号；然后使用离散余弦变换(discrete cosine transform,dct)对cpp灰度矩阵进行进一步的特征提取，并利用线性判别分析(linear discriminant analysis,lda)对dct系数矩阵进行降维；最后引入随机森林分类器进行分类识别，整体识别方案如图1所示；

3、本发明技术方案为一种基于循环爪印图特征的测控复合调制信号识别方法，该方法包括：

4、步骤1：构造存储在接收端的不同信噪比下的理想复合调制信号特征训练集

5、步骤1.1：生成理想复合调制信号集；

6、在不失一般性的前提下，本文考虑了统一频带两层复合调制方案，信号集中包含十种统一载波体制下的复合调制信号，分别为pcm/bpsk/pm、pcm/qpsk/pm、pcm/bpsk1+bpsk2/pm、pcm/qpsk1+qpsk2/pm、pcm/bpsk+qpsk/pm、pcm/bpsk/fm、pcm/qpsk/fm、pcm/bpsk1+bpsk2/fm、pcm/qpsk1+qpsk2/fm、pcm/bpsk+qpsk/fm，其调制指数均为1.2；理想复合调制信号无噪声干扰、不考虑相位噪声和多普勒频移，其发射信号s(t)的模型如下：

7、

8、其中，fc是主载波频率，φ0是主载波的初始相位，代表取实部，是等效低通信号：

9、

10、其中，a代表调制信号幅度，kpm,kfm分别是两种复合调制方式的调制指数，pcm/m-psk/p表示脉冲调制编码/多进制相移键控/相位调制，pcm/m-psk/fm表示脉冲调制编码/多进制相移键控/频率调制，其中多进制相移键控用于内层子载波调制，相位调制或频率调制用于外层调制，si(t)是内层调制信号，在本发明中具体分为二进制相移键控bpsk、正交相移键控qpsk及多用户组合方式，表示内层调制信号的个数，即统一载波体制下的用户个数；

11、内层调制的信号模型如下：

12、

13、mi＝1,2,...,mi,0≤t≤ti

14、其中，

15、

16、其中，fi是内层剩余载波调制的载波频率，mi表示相移键控调制的符号数(相位状态的数量)，mi表示相位状态的索引，φi,0是内层剩余载波调制的初始相位，i是内层调制信号的数目，i＝1，2……i，gi(t)代表矩形脉冲，ti代表第i路成型脉冲的持续时间；

17、步骤1.2：计算不同信噪比下理想复合调制信号的三维归一化循环谱

18、现在考虑上述复合调制信号通过加性高斯白噪声信道传输，因此接收到的信号r(t)可以表示为

19、r(t)＝s(t)+n(t)        (2)

20、其中n(t)表示均值为0和方差均为σ2的awgn；

21、对不同信噪比下的理想离散复合调制信号采用二阶循环理论中的快速傅里叶变换累积法求取二阶循环自相关函数；给定频谱频率f和循环频率ε，基于时域平滑的循环周期图表示为：

22、

23、其中，g′(·)是时域宽度为δt＝nts的归一化权重函数，n为每个傅里叶变换窗的采样点数，ts是时域采样周期，f1和f2为fam方法中使用的滤波器中心频率，其中f1＝f+ε/2，f2＝f+ε/2，表示rt(·)的共轭，λ表示变量，是离散复合调制信号r(n)的复解调，可由下式得到：

24、

25、其中，ω(λ)表示一个时域采样长度为t＝n′ts的矩形窗函数，该函数的带宽和公式(5)二阶循环谱的频率分辨率δf保持一致，n′表示窗口内的样本数，r(·)表示离散复合调制信号；循环自相关函数由时域平滑循环周期量实现无偏计算，公式为：

26、

27、由此求得的循环谱为具有非负幅值的三维频谱，该谱包含2n+1个循环频率，ε＝εp,p＝-n,-n+1,...,n和n+1个频谱频率f＝fq,q＝-n′/2,-n′/2+1,...,n′/2；更进一步，做归一化处理得到归一化二阶循环谱表示为：

28、

29、步骤1.3：对得到的三维归一化循环谱做循环爪印灰度矩阵映射；

30、由步骤1.2得到的三维归一化循环谱转化成其俯视图；将三维循环谱的俯视图用一个二维p×q矩阵表示，即：

31、cr＝[cr(p,q)]0≤p≤p-1,0≤q≤q-1,p＝2n+1,q＝n'+1     (9)

32、cr中的元素是给定循环频率ε和频谱频率f时的归一化非负幅度值；

33、进一步将cr中的元素采用16比特量化，由此将图片转化成16比特灰度矩阵，表示为：

34、

35、其中表示向下取整；

36、将复合调制信号的归一化二阶循环谱转化成p×q的灰度矩阵，即循环爪印图特征矩阵：

37、c＝[c(p,q)]0≤p≤p-1,0≤q≤q-1；

38、步骤1.4：利用离散余弦变换对循环爪印图特征矩阵进行进一步的特征提取；

39、对循环爪印图矩阵c(p,q)进行二维离散余弦变换，得到离散余弦变换系数矩阵

40、

41、其中u＝0,1,...,p-1,v＝0,1,...,q-1，其中βu和βv表示两个相应的乘法因子，可以表示为：

42、

43、

44、步骤1.5：使用线性判别分析方法将离散余弦变换系数矩阵从高维数据空间投射到低维数据空间；

45、在训练阶段，对于复合调制候选集中的第k种复合调制方式pk的信号序列，k＝1,2,…,k，由步骤1.2和1.3计算出相应的离散余弦变换系数矩阵

46、每种调制信号都经过ρ次试验后，由第k种复合调制方案产生的第l个离散余弦变换系数矩阵可以表示为其中l＝1,2,…,ρ；首先进行逐行降维，类内散射矩阵由下式计算得到：

47、

48、其中表示列向量的均值矩阵；

49、接下来，类间散射矩阵可由下式计算得到：

50、

51、其中

52、然后求解计算下式：

53、

54、其中，λd为的第d大的特征值，对应的特征向量为由此建立一个d×p的左投影矩阵将矩阵的行从p降为d，其中式中为对应的第d个列向量，d＝1,2,…,d；

55、对d×q的矩阵进行线性判别分析方法以获得q×d的右投影矩阵用于列降维，新的特征矩阵由下式计算得到：

56、

57、由于公式(16)中的秩最多为k-1，因此d≤k-1；将由公式(17)给出的每个新特征矩阵进一步展开成一个向量即向量的维度为1×d2，向量为最终复合调制特征向量，由此构建训练特征集

58、步骤2：对接收端实际接收到的某种或多种复合调制信号按照上述方法求取归一化二阶循环谱，得到循环爪印图矩阵；

59、步骤3：对得到的循环爪印图矩阵做离散余弦变换处理，然后使用训练阶段计算得到的离散余弦变换投影矩阵和对离散余弦变换系数矩阵进行降维并展开成向量，得到实际接收信号的测试集

60、步骤4：采用随机森林分类器进行分类识别输出。

61、进一步的，所述步骤4的具体方法为：

62、步骤4.1：接收端首先使用不同信噪比下理想复合调制信号的训练集训练随机森林分类器；

63、步骤4.2：接收端接收到传输的复合调制信号后，按照上述步骤2和步骤3得到实际接收信号的测试集将其作为接收端已预训练好的随机森林分类器的输入；此时，随机森林中的每棵决策树将输出一个对应于复合调制方案候选集的预测调制类型索引，其中表示第k种复合调制类型，k＝1,2,…,k；根据随机森林中所有树的预测，可以得到一组预测索引的数量集：其中表示所有树的预测中复合调制类型索引的出现次数；因此，测试信号的复合调制方案被识别为：

64、

65、其中

66、

67、本发明首先从复合调制信号的nscs俯视图得到灰度特征图像，然后通过dct进行进一步特征提取，并使用lda减少了特征的维度，最后由随机森林完成分类识别。由于不同复合调制信号的nscs俯视图之间具有良好的区分度，并且最终特征的维度较小，故本发明相比于其他现有的复合调制识别方法，具有所需的先验知识少、精度高、抗干扰性能好等优点。此外，其能够有效对抗航天链路引入的相位噪声、频率偏移和定时误差，并有效降低了计算复杂度，展示出优越的性能。