调制信号识别[共74页]

1、调制信号识别 1 内容安排 定义及背景 识别过程介绍及方法分类 一些已提出的方法介绍 2 背景及定义 调制信号识别是信号检测和信号解调之间 的重要步骤，它的目的就是在没有其他先 验知识的情况下，通过对接收信号的处理， 判断出信号的调制方式，并估计出相应的 调制参数。其主要在两方面得到了应用： 一方面是软件无线电系统，保证不同体制 通信系统之间实现互通互联；二是电子战 系统，为截获信息和选择最佳干扰样式提 供依据。 3 调制方式是区别不同性质通信信号的一个 重要特征。对于接收信号，要想正确解调， 分析接收信号或者进行干扰，必须能够正 确识别信号的调制方式，然后采取相应的 解调方法或干扰方法。 4

2、 识别过程 调制识别问题实质上是一种典型的模式识 别问题 5 信号预处理部分的主要功能是为后续处理 提供合适的数据；特征提取部分是从输入 的信号序列中提取对调制识别有用的信息； 分类识别部分的主要功能是判断信号调制 类型的从属关系。 6 信号预处理 频率下变频 、载频估计、同相正交分量分 解等。 在多发射源环境中，隔离各个信号，保证 一次只有一个信号进入后续的调制识别环 节。 7 特征提取 特征提取部分是从数据中提取信号的时域 特征或变换域特征。时域特征包括信号的 瞬时幅度、瞬时相位或瞬时频率的特征参 数或其它统计参数。变换域特征包括功率 谱、谱相关函数、时频分布及其它统计参 数。 8 分类识

3、别 选择和确定合适的判决规则和分类器结构， 主要采用决策树结构的分类器和神经网络 结构的分类器。 9 两种分类器 决策树分类器采用多级分类结构，每级结构根据 一个或多个特征参数分辨出某类调制类型，再下 一级结构又根据一个或多个特征参数，再分辨出 某类调制类型，最终能对多种类型进行识别。这 种分类器结构相对简单，实时性好，但需要事先 确定判决门限，自适应性差，适合分类特征参数 区分很好的信号识别。 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，较好处理复杂的非线性问题， 而且具有较好的稳健性和潜在的容错性，可获得 较高的识别率。 10 识别方法分类 基于基本时域、频域和功率谱特征

4、的方法 基于小波理论的方法 基于分形理论的方法 基于信号的星座图的方法 基于混沌理论的方法 基于复杂度理论的方法 基于人工神经网络的方法 11 基于窗口平均频率算法的调制信号识别 系统组成： 12 算法思想： 用一个宽度为N的矩形窗去截取采集到的已 离散化处理的信号x(n)，得到N点数据，对 这N点数据进行离散傅里叶变换(DFT)得到 这N点数据的频谱。 计算窗口内平均频率。 获得时频分布曲线。 滤除算法产生的交叉干扰。 13 该算法通过移动窗口来截取信号，并计算 窗口内信号平均频率来获得信号的时频分 布，具有算法简单、运算速度快的特点 。 ASK、FSK、PSK等数字调制信号均为非平 稳的随

5、机信号，在时频分布上存在着差异， 若采用移动窗口平均频率算法对数字调制 信号进行时频分析，再根据信号时频分布 的差异识别调制信号类型一方面可以显著 提高系统的实时性；另一方面，由于对时 频分布曲线进行了滤波处理，能够提高信 号识别的抗干扰性能和识别精度。 14 优点与不足 算法简单，速度快，宜运用于实时性要求 较高的场合。 窗口宽度N与抽样频率对移动窗口平均频率 算法的性能有较大的影响，若选择不合适， 会产生一定的分析误差。如何合理选择N和 抽样频率还有待进一步研究。 其仿真验证是是在二进制信号上进行，识 别类型少，有很大局限性。 15 基于短时分析的调制信号识别方法 该方法用短时分析提取数字

6、调制信号在幅 度、频率和相位随时间变化的特征，并利 用这些特征对各种数字调制信号进行识别。 在加性高斯白噪声条件下给出了相应的最 佳阈值，并通过仿真研究了该识别方法的 性能。 仿真结果表明该方法对噪声不敏感，在 SNR为0dB时仍能获得90%以上的正确识别 率。 16 文中提出的识别方法，能够对2ASK、 4ASK、2FSK、4FSK、BPSK、QPSK、 8PSK、16QAM信号有效识别 。 17 特征提取 谱宽因子 ：用来来区分ASK信号和FSK， PSK及QAM信号。 短时频谱峰数 ：可以区分2FSK信号、 4FSK和PSK及16QAM信号，对2FSK为2， 对4FSK为4，而对PSK和

7、16QAM信号为1。 短时相位峰数 ：反映了信号中的相位数。 可区分BPSK、QPSK、8PSK和16QAM信 号。在0 2间，BPSK信号有2个峰， QPSK和16QAM有4个峰，而8PSK有8个峰。 BW P PF N PP N 18 零中心归一化非弱信号段的标准偏差 可区分PSK和QAM信号 ，设定适当门限加 以识别。 零中心归一化瞬时幅度绝对值的标准偏差 用来区分2ASK信号和4ASK信号 ，对2ASK， 该值为0；对4ASK，该值不为0。 2 2 11 ntnt acncn aiaaia aiai CC 2 2 11 11 cn NN aacn ii aiai NN 19 识别流程

8、20 方法总结 仿真结果中得出，在SNR从020dB整个范 围内都有很高的识别率，也即本方法对噪 声不敏感。仅当SNR=0dB时，由于瞬时幅 度受噪声影响大，造成对2ASK和4ASK的 识别率降低，但仍达到90%以上。而对其 它调制方式的信号识别率都在97%以上。 该方法有很高的识别率和抗干扰能力，有 较好的工程应用价值。 21 基于决策理论的方法 文献针对2ASK、2FSK、2PSK、4ASK、 4FSK、4PSK 6种数字调制信号，提取了4 个基于瞬时幅度、瞬时频率、瞬时相位统 计特性的参数 ，采用决策树判别方法对其 进行分类识别。 22 特征参数 零中心非弱信号段瞬时相位非线性分量绝 对

9、值的标准偏差 ：主要用于区分二、四 进制的PSK信号(2PSK与4PSK)。 基于信号瞬时幅度的统计参数 A 为取样点数， 为瞬时幅度 。 ap 1 1 s N i Aa iN s N a i 23 参数A主要用来区分是MASK信号还是 MFSK或MPSK信号。对MASK信号，A不 为0；对MFSK，A为0；对MPSK，A接近0。 参数A还可以用来进一步区分是2ASK信号 还是4ASK信号。 基于瞬时频率的统计参数 F 2 42 FEfiEfi 24 是信号的瞬时频率 。对FSK信号，F值 较小；对PSK信号，F值较大。 瞬时频率平方的均值 该值可以用来区分2FSK信号和4FSK信号。 因为对

10、2FSK信号，它的瞬时频率只有2个 值，而对4FSK信号，其瞬时频率有4个值 ， 故4FSK的该特征值比2FSK的要大。 f i 2 f 22 1 s N fs i fiN 25 分类识别 26 仿真验证结论 在 时，识别正确率可达到99%以上， 且当 时，识别正确率达到100%。 本算法不但在低信噪比条件下识别正确率 高，而且在进行识别的过程中，用到的特 征参数较少。 但是，文中的算法只适用于在基带数字信 号中。 5SNRdB 20SNRdB 27 基于信号时域瞬时统计特性的一种 通用识别方法 基本思想：在AWGN信道下，通过分析信 号时域特征和频域功率谱特征，并结合前 人的研究成果，给出一

11、组性能稳健的、具 有高识别率的特征参数。利用这些参数先 进行调制信号四种基本调制类型的分类， 再利用具体算法进行调制阶数的识别。 28 特征提取 归一化瞬时幅度功率谱密度最大值 其中N为样点数， 为中心归一化瞬时幅 度 ， 。 max 2 m a x m a xa = c n F F Ti N cn ai 1 cn ai a Eai 29 该特征参数能够充分反映调制信号的幅度 变化，可以用该参数来区分开ASK/QAM和 FSK/PSK调制信号。判决门限： ， 可区分ASK/QAM和FSK/PSK调制信号。 归一化中心瞬时频率的四阶矩紧致性 是归一化中心瞬时频率， 为信号 的瞬时频率，该参数反映

12、瞬时频率变化的 特征量，可用来区分FSK和PSK调制信号并 辅助进行MFSK调制阶数M的识别。 max 5dB 42 f 4 422 2 n f n Eft Eft n ft ft 30 归一化中心信号的四阶矩紧致性 其中 是归一化中心信号， 该参数可将ASK、QAM和FSK/PSK三者分开。 42 s 4 422 2 n s n Est Est n st max n sts ts t 31 信号识别 MFSK识别 MFSK信号的功率谱必有M个谱峰，只要得到其功 率谱在 上的谱峰个数n，就能实现MFSK 信号调制阶数的识别。 对频率个数敏感，可用 于调制阶数的识别。 MASK和MQAM识别 经

13、过大类判别后，MASK和MQAM已经被完全分 开，这两种调制模式的时域特征比较明显，即就L 个码元时隙而言，有M种振幅，故采用振幅种类 个数来区别各自的调制阶数。 02 s f， 4 2 f 32 MPSK识别 对BPSK和QPSK来说，选择A. K. Nandi和 E. E. Azzouz提出的特征参数 能将二者很好的分开。 2 2 11 nana apNLNL aitait ii CC 33 识别流程图 34 验证结论 文中提出的识别方案，利用提出的新参数 和已知参数 、 对调制信号进行调制 大类识别，在信噪比不低于5dB时，正确识 别率达到96% 。 特点：流程简单，运算量小 42 s

14、max 42 f 35 基于小波变换的数字信号调制识别方法 该文介绍了一种基于小波分类特征的数字 调制信号的识别方法，创新之处在于同时 应用了连续小波变换和多层小波分解两种 方法提取信号的特征，并且对于不同调制 信号采用了不同的分类特征。算法实现时 不需要进行码元周期估计以及同步时间估 计，从而使分类器的设计变得简单，判决 准则简化，提高了运算速度和识别率。 36 小波变换是一种时间尺度分析方法，具 有多分辨分析的特点，并且在时频域都具 有表征信号局部特征的能力。 小波变换主要用于信号特征的提取，然后 结合神经网络或分形作为分类器，实现信 号的调制识别。 37 特征提取 小波变换主要采取两种方

15、法提取信号的特征：一 是采用多分辨分析，对调制信号进行多层小波分 解，提取信号在各个频率段的特征向量；另一种 方法是利用连续小波变换的模极大值(|CWT|)，提 取信号的奇异点特征。本文中同时应用了这两种 特征的提取方法，MFSK信号包含多种频率分量， 因此应用多层小波分解提取特征向量；MPSK信 号的信息包含在相位里，由于相位的突变造成了 信号的奇异性，因此利用信号连续小波变换的模 极大值提取特征。 38 多层小波分解提取分类特征 对信号的低频部分做进一步分解，而高频部分则 不予以考虑 。如下是一个3层分解图： 多层分解只对低频空间做进一步的分解，随着分 解层数的增加，频率的分辨率变得越来越

16、高，因 此当信号具有不同的频率成分时，可以通过多层 小波分解提取信号的分类特征。 39 小波分析用于信号奇异性检测 信号的突变点意味着信号的不连续性，可 能是调幅信号的幅度突变引起的，也可能 是调相信号的相位突变引起的，因此信号 中的奇异点及不规则的突变部分通常携带 重要的信息。 40 识别算法 41 通过对一定样本的调制信号做小波多层分 解，提取信号的小波分解特征向量并进行 统计分析，建立各调制信号的阈值列表， 判断信号是否属于MFSK信号，并且应用该 特征向量对MFSK信号进行类内识别；当信 号的特征向量超出设定的范围时，应用信 号的幅度方差判断信号为MQAM或MPSK， 并应用对数似然函

17、数准则对MQAM进行类 内识别；应用小波变换的模极大提取MPSK 信号的相位突变点，对MPSK信号进行类内 识别，从而实现信号的调制识别。 42 基于高阶累积量的调制信号识别 文中利用接收信号的高阶累积量为特征参 数，实现了对多种常用数字调制信号 (2ASK/BPSK，4ASK，QPSK，8PSK， 2FSK，4FSK)的分类识别。 由于高斯噪声大于二阶的累量值恒为零， 把接收的含有高斯噪声的非高斯信号变换 到累量或累量谱域处理，就可以剔除噪声 的影响，因此高阶累积量具有良好的抗噪 声性能。 43 k阶平稳随机过程x(t)的k阶累积量定义为 高阶累积量为 12111 , kxkk CCum x

18、 tx tx t 2 2020 2 * 2121 2 42 2 404020 * 41412021 22 * 42422021 , , ,33 ,3 ,2 CCum X XMEX t CCum X XMEX t CCum X X X XMMEX tEX t CCum X X X XMM M CCum X X XXMMM 44 参数及算法描述 设 ，利用参数 和 可 将信号分为(2ASK，4ASK)、4PSK与 (8PSK，2FSK，4FSK)三类；参数 用来 识别信号2ASK与4ASK；将8PSK与MFSK 信号微分再通过中值滤波器后，利用参数 来识别8PSK与MFSK；参数 还可用来实 现2

19、FSK与4FSK信号的识别。 42 4041 123442 2 4242 21 CCC TTTTC CC C ， 1 T 2 T 3 T 4 T 3 T 45 仿真结论 对高阶累积量方法来说计算复杂是其最主要的缺 点，文中仅利用二阶和四阶累积量来识别信号 2ASK、 4ASK、QPSK、8PSK、2FSK、4FSK， 相对来说计算的复杂度不算很高。由于8PSK与 MFSK信号的二、四、六阶累积量的值相同，直 接计算无法区分，针对这一问题，本文首先对 8PSK和MFSK信号求微分再利用四阶累积量来进 行识别。当信噪比高于8dB时，识别率基本达到 100%。 该算法的识别率较高，并且复杂度较低，便

20、于工 程实现。 46 基于多层感知器的调制信号识别 目前研究的自动调制识别方法，大体可以 分为两类，即基于特征提取的模式识别方 法和最大似然假设检验方法。 最大似然假设检验方法是采用概率论和假 设检验的方法来解决信号分类问题。判决 规则简单，但不易得出正确假设，检验统 计量计算复杂，而且需要一些先验信息。 47 基于特征提取的模式识别方法不需要先验 知识，但如何正确地选择特征集是一个难 题。人工神经网络方法是该方法的分类识 别部分，由于智能化水平高、识别速度快、 正确识别率高等优点获得了充分重视，是 分类器设计的发展新方向。 目前应用较多的是前馈神经网络，包括多 层感知器(MLP)神经网络和径

21、向基函数神经 网络(RBF)。 48 神经网络模式识别的基本原理 ANN是由大量简单处理单元(人工神经元)广 泛互连而成的一个具有自学习、自适应和 自组织的并行分布式动态处理器，也可以 认为神经网络是可以从大量的信息中自动 抽取特征，进而形成某种分类模式的信息 处理系统。 49 神经网络模式识别的核心为训练过程和分 类过程，通过大量的训练样本，根据某种 规则不断对连接权值进行调节，使网络具 有某种期望的输出，可以使训练样本正确 归类到所属类别中 。当神经网络用作分类 器时，输出是相应类别的后验概率 ，神经 网络的训练过程就是完成待分类模式特征 的后验概率密度的逼近过程。 50 多层感知器神经网

22、络的基本原理 MLP神经网络因其结构、原理简单，硬件 使用效率高而被广泛使用。 51 MLP是前馈网络的一种，每个神经元为单 个非线性并联计算单元，其输入通过网络 一层层传播，提供了输入层与输出层的非 线性映射关系 ： 通常输入层神经元个数为所选特征参数个 数，输出层神经元个数为可能的调制模式 个数。 11 KI jjkkii ki ynwwn 52 MLP的训练算法是著名的反向传播(BP)算 法 ，其基本思想是把一组样本的输入输出 问题转化为一个非线性优化问题，在优化 中普遍使用的梯度下降法来实现网络的实 际输出与期望输出之间的均方差(MSE)最小， 完成MLP神经网络的训练任务。 53 结

23、论 在判决门限的智能化方面，人工神经网络 能够在调制信号模式的自动识别中进行成 功的应用，可以实现判决门限的自动化， 实现调制模式的自动识别。在少量的试验 数据和简明的判决门限下，神经网络可能 不及利用人工进行判决，但在大量的试验 数据和比较模糊的判决门限下，神经网络 比用人工进行判决简单、准确，才能体现 出神经网络的优越性。 54 基于谱相关特性和组合神经网络的 调制信号识别 文献针对通信信号非稳定、信噪比(SNR)变 化范围大的特性，利用调制信号的循环平 稳特性，提取出五种对SNR和信号调制参 数不敏感但对调制类型敏感的特征参量。 为提高分类性能，设计了一种采用多个不 同神经网络的组合分类

24、器结构，比单个神 经网络分类器有更高的识别率 。 55 特征提取 谱相关函数的定义 信号的循环谱密度函数(也称为谱相关函数) 定义为： 函数 的谱相干系数是指在 与 处的频谱分量的相关程度，定义如下： 2 * 2 11,2,2 T t xTT t t SftT Xt fXt fdt V V V V x t 2f 2f 1 2 * 22 XXXX CSfSfSf 56 应用谱相关特性分析是出于以下两点考虑 的： a)功率谱密度函数相同的不同类型的调制信 号(如2PSK、QPSK)可能具有容易区分的 谱相关函数； b)静态噪声不具备谱相关性。 57 特征提取 频谱在 时 轴上呈现的 脉冲的数量 ；

25、 在 时 轴上的周期谱线分布数量k； 调制信号的谱相干系数 的最大值c； 在 处的最大归一化下降值v (所谓 最大归一化下降值，指 在 处的 跃变值)； 的最大值与 在 处的最大归一 化下降值的比值r。 0f l x Sf 0f x Cf x Sf 0 2f 0 2 f x Sf 0 2ffV x Cf x Sf 0 2f 58 组合分类器设计 组合神经网络分类器结构 59 为实现各分类器的优劣互补，选择的单分 类器应尽量差异化。 BP算法是目前应用最 为广泛的神经网络学习算法； RBF神经网 络是一种局部逼近网络，能够自适应确定 径向基函数神经元，收敛速度快。本文选 用了具有不同结构的BP网

26、络和RBF网络构 成的组合神经网络作为分类器，单分类器 的输入层与输出层神经元个数由待识别特 征参数与待识别的种类决定。 60 仿真结论 不同调制信号的循环谱特性具有明显的区 别，验证了利用谱相关特征识别信号调制 类型的可行性。另外，进行谱相关分析时， 采样点数的选择对谱相关特征的提取有很 大影响。 应用单个神经网络进行调制识别时，只有 当 时，各类数字调制信号的正确识 别率才高于90%，而组合神经网络在 时就能达到90%以上的正确识别率。 10SNRdB 5SNRdB 61 不足 利用谱相关特性识别的方法计算量大，运 算时间长。 62 基于功率谱和瞬时统计特性的神经 网络识别方法 本文在对信

27、号功率谱和高次方谱(信号非线 性变换后的功率谱)研究的基础上，提出了 两个新的谱特征参数，改进了两个相关特 征的描述。这些参数具有运算复杂度低、 抗噪声能力强、对调制参数稳健性好的特 点。 63 特征参数集构造 调制信号的功率谱及其高次方谱可以较好 地反映多种调制方式的特性，有效地提取 这些特性可以作为调制识别的特征参数。 文中归一化峰间距离PD、离散谱线检测值 LV为文中提出的新参数，峰谷幅值比PV、 和离散谱线数目LN为对谱平坦度和谱峰数 目的改进描述。 64 功率谱形状特征 MFSK信号在各调制频率上会出现明显的谱 线或存在多个谱峰，这与MSK以及 PSK/QAM信号无离散谱线的单峰有着明显 的区别。因此，以信号功率谱形状为特征 可以识别出FSK调制及其调制阶数。 65 功率谱及高次方谱的离散谱线特征 通过高次方谱分析可知，非连续相位的F