调制信号识别

1、调制信号识别内容安排 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。 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。识别过程 调制识别问题实质上是一种典型的模式

2、识别问题 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。 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。 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。 分类识别 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

3、器。 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。 识别方法分类 基于基本时域、频域和功率谱特征的方法 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

4、工神经网络的方法 基于窗口平均频率算法的调制信号识别系统组成：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。 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

5、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。 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。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

6、不敏感，在SNR为0dB时仍能获得90%以上的正确识别率。 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 。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。 BWPPFNPPN 零中心归一

7、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。 2211ntntacncnaiaaiaaiaiCC 221111cnNNaacniiaiaiNN识别流程方法总结 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

8、应用价值。 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。 特征参数 零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差 ：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 11sNiAa iNsN a i 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

9、2ASK信号还是4ASK信号。 基于瞬时频率的统计参数 F 242FEfiEfi 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 i2f 221sNfsifiN分类识别仿真验证结论 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。 5S

10、NRdB20SNRdB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。 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 ， 。 max2m a xm a xa=c nF F TiN cnai 1cnaiaEai 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F

11、SK/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。 max5dB42f 44222nfnEftEft nft ft 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。 42s 44222nsnEstEst nst maxnsts ts t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

12、制阶数的识别。 MASK和MQAM识别 经过大类判别后，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。 02sf，4 2f 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。 2211nanaapNLNLaitaitiiCC识别流程图验证结论 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42smax42f基于小波变

13、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。 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。 特征提取 小波变换主要采取两种方法提取信号的特征：一是采用多分辨分析，对调制信号进行多层小波分解，提

14、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。 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。 小波分析用于信号奇

15、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。识别算法 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。 基于高阶

16、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。 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,kxkkCCum x tx tx t 220202*21212422404020*4141202122*42422021,33,3,2CCum X XMEX tCCum X XMEX tCCum X

17、X X XMMEX tEX tCCum X X X XMM MCCum X X XXMMM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2FSK与4FSK信号的识别。 4240411234422424221CCCTTTTCCCC，1T2T3T4T3T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、2

18、FSK、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，便于工程实现。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。 基于特征提取的模式识别方

19、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)神经网络和径向基函数神经网络(RBF)。 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。 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

20、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。 多层感知器神经网络的基本原理 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。 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。 11KIjjkkiikiynwwn 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

21、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。结论 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。 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，

22、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器结构，比单个神经网络分类器有更高的识别率 。 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*211,2,2TtxTTttSftT Xt fXt fdtVVVV x t2f2f1 2*22XXXXCSfSfSf 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

23、性。 特征提取 频谱在 时 轴上呈现的 脉冲的数量 ； 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。 0fl xSf0f xCf xSf02f 02 fxSf02ffV xCf xSf02f组合分类器设计 组合神经网络分类器结构 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网络和RB

24、F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。 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。 10SNRdB5SNRdB不足 利用谱相关特性识别的方法计算量大，运算时间长。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

25、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。 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。 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。 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