一种多通道数字调制信号分类识别的特征参数提取方法

一种多通道数字调制信号分类识别的特征参数提取方法

高阶累积量通信信号分类识别通信信号的通信特征的检测是通信领域的一项重要研究主题。基本任务是确定频率和噪声的信号源类型，并根据多信号环境和噪声确定一些信号参数，如波形频率和波幅率，这为后续信号分析和处理提供了基础。目前,通信信号的调制分类方法大致可分为两大类:最大似然比假设检验方法和基于模式识别的方法。前者判决准则简单,但检验统计量计算复杂且需要先验知识;后者判决准则复杂,但特征提取简单,易于计算。由于工程上需要处理的信号先验知识较少,故常采用基于模式识别的方法对信号进行分类识别。利用高阶累计量识别通信信号是调制识别领域的一个热点。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。目前,利用高阶累积量的方法实现通信信号的调制识别研究越来越多。文献利用四阶累积量实现了BPSK与QPSK信号的分类;文献利用四阶累积量实现BPSK,QPSK,8PSK信号的分类,并证明高阶累积量对信号星座图的平移、尺度和相位旋转等变换具有不变性;文献利用二阶、四阶、六阶累积量实现2ASK,4ASK,QPSK,2FSK,4FSK信号的分类;文献利用四阶和六阶累积量实现2ASK,4ASK,8ASK,QPSK,8PSK,16QAM信号的分类。在识别2ASK与4ASK信号时通常使用六阶累积量,虽仿真效果好,但计算较复杂。本文仅仅利用二阶和四阶累积量来识别信号2ASK和4ASK,计算简单,效果相当。由于8PSK与MFSK信号的二、四和六阶累积量的值相同,直接计算无法区别,本文受到文献的启发,对8PSK和MFSK信号先求微分再利用四阶累积量来进行识别。仿真表明,在信噪比中等的情况下可以达到较好的效果。1高累积提取1.1零均值复高斯噪声被噪声污染的数字调制信号的复数形式可表示为S(t)=√E∑nhnp(t-nΤs)⋅exp[j(wc+θc)]+n(t)(1)S(t)=E√∑nhnp(t−nTs)⋅exp[j(wc+θc)]+n(t)(1)式中:p(t)为发送码元波形;Ts为码元宽度;wc为载波频率;θc为载波相位;hn为发送码元序列;n(t)为零均值的复高斯白噪声;E为发送码元波形的能量。在已达到载波频率、相位、定时同步的前提下,经下变频后得S(t)=√E∑nhnp(t-nΤs)exp(jθc)+n(t)(2)S(t)=E√∑nhnp(t−nTs)exp(jθc)+n(t)(2)根据数字调制信号的性质,分别将数字调制信号下变频后的信号表示为MASK:S(t)=√E∑nanp(t-nΤs)exp[j(wc+θc)]+n(t)an∈{2m-1-Μ|m=1,2,⋯,Μ}(3)S(t)=E√∑nanp(t−nTs)exp[j(wc+θc)]+n(t)an∈{2m−1−M|m=1,2,⋯,M}(3)MPSK:S(t)=√E∑nexp(jϕn)p(t-nΤs)⋅exp(jθc)+n(t)ϕn∈{(m-1)2πΜ|m=1,2,⋯,Μ}(4)MFSK:S(t)=√E∑nexp(jωnt)p(t-nΤs)⋅exp(jθc)+n(t)ωn∈{(2m-1-Μ)Δω|m=1,2,⋯,Μ}(5)式(5)中Δω为MFSK信号的频偏。1.2复平稳随机过程p阶混合矩k阶平稳随机过程{x(t)}的k阶累积量定义为Ckx(τ1,τ2,⋯,τk-1)=Cum(x(t),x(t+τ1),⋯,x(t+τk-1))(6)式中Cum(～)表示对～求累量。对于一个零均值的复平稳随机过程X(t),定义其p阶混合矩为Μpq=E{[X(t)]p-q[X*(t)]q}(7)式中*表示函数的共轭,定义其高阶累积量为C20=Cum(X,X)=M20=E{[X(t)]2}(8)C21=Cum(X,X*)=M21=E[|X(t)|2](9)C40=Cum(X,X,X,X)=M40-3(M20)2=E{[X(t)]4}-3{E[(X(t))2]}2(10)C41=Cum(X,X,X,X*)=M41-3M20M21(11)C42=Cum(X,X,X*,X*)=M42-|M20|2-2(M21)2(12)1.3数字视频调制编码技术设接收到的信号可简写为:r=s+n,其中s为有用信号;n为零均值的复高斯白噪声;并且s和n相互独立。由累积量的半不变性有Cum(r)=Cum(s)+Cum(n)(13)根据现代信号处理理论可知,零均值高斯白噪声的高阶累量(大于二阶)为零,则式(9)可写为Cum(r)=Cum(s)(14)由此可见,接收信号的高阶累量等于有用信号的高阶累量,而不受高斯噪声的影响,也就是说,高阶累量可以很好地抑制噪声。而信号的各阶累量取决于信号的调制方式,如果用接收到的被零均值高斯白噪声污染的信号的高阶累量来建立识别参数,就可识别信号的调制方式。这正是利用接收到信号的高阶累量识别调制类型的理论依据。假设发送码元服从独立同分布,在理想情况下,用式(2-12,14)计算数字调制信号的高阶累量。设信号的能量为E,三类数字调制信号为MASK,MPSK,MFSK,二、四阶累量的理论值如表1所示。考虑到计算的复杂程度,本文采用二、四阶累量建立识别参数。由表1可以看出,2ASK和BPSK信号,信号经过预处理变换到基带后,二者是等价的,它们的各阶累量值相同,故利用高阶累积量无法实现其分类。但利用包络特征可以区分,在下面的识别中把它们归为一类。8PSK与MFSK信号的各阶累积量值相同,直接利用高阶累积量无法识别。由文献知对MFSK信号求导将其转化为含有幅度信息的调制信号后,再利用累积量进行分析。对式(5)求导再经过中值滤波,滤除含有冲激函数的项后得到信号r″(t)=∑k√Eωkexp[j(ωkt+Δθ+π/2)]p(t-kΤs)+n″(t)(15)式中n″(t)为噪声微分后再经中值滤波所得到的信号,可以证明仍近似为高斯白噪声。计算r″(t)的各阶累积量的值如表2所示。如果同时对式(4)求导可得r′(t)=∑k√Eexpj(ϕn+θc)δ(t-kΤs)+n′(t)(16)将式(16)经过中值滤波所得到的信号为r″(t)=n″(t)(17)由文献知,n″(t)近似为高斯白噪声,因此式(17)中r″(t)的四阶累积量全为零。可以利用四阶累积量C42来识别8PSK与FSK,如果其值与零接近则为8PSK信号。1.4psk信号的识别方法设Τ1=|C40||C42|,Τ2=|C41||C42|,Τ3=|C42||C21|2,Τ4=|C42|利用参数T1和T2可将信号分为(2ASK,4ASK),4PSK与(8PSK,2FSK,4FSK)三类;参数T3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T4来识别8PSK与MFSK;参数T3还可用来实现2FSK与4FSK信号的识别,其理论参数见表3-6。从表5可以看出,2FSK与4FSK的参数T4,根据MFSK信号调制频率的不同而不同,但均大于0。而8PSK的参数T4的值近乎为零,因此只要将T4的门限值设为比零稍大点的数,如0.1或0.2就可区分出8PSK与MFSK信号。算法步骤如下:(1)将接收到的信号通过下变频处理后得到复基带调制信号;(2)计算信号的二、四阶累积量,并计算其特征参数T1,T2,T3和T4;(3)利用特征参数T1和T2将信号分为(2ASK,4ASK),QPSK与(8PSK,2FSK,4FSK)三类;(4)利用特征参数T3识别信号2ASK与4ASK;(5)将信号进行微分后再经中值滤波,计算其高阶累积量,并计算特征参数,利用T4识别出8PSK信号,再利用T3识别信号2FSK与4FSK。2方法的识别效果本文利用计算机仿真试验来评估改进算法的性能。在仿真中,使用采样点的平均代替理论的平均。对所要识别的信号分别进行100次独立的蒙特卡罗试验,取100次均值。采样率fs=40kHz,载波频率fc=10kHz,码元速率Rs=1200bps,其中2FSK和QFSK的调制频率分别为5kHz,2.5kHz。图1-4为不同信噪比下的特征参数T1～T4曲线,从图中可以看出,除了MASK信号在SNR≥8dB情况下可以分类出来以外,其他的调制信号均可以在SNR>0dB时分类出来。而且参数T1,T2,T4采用四阶累积量,故受噪声影响较小,识别参数较稳定。参数T3由于含有2阶累积量,特别在识别2FSK与4FSK信号时,利用中值滤波器不能完全滤出冲击函数的影响,故特征参数变换较大。经过微分后,8PSK的参数T4为零,固定不变。而MFSK信号参数T4随着调制频率的不同而不同,但均比零大,所以也能很容易地区别出来。采用决策理论方法,设置合适的阈值,对本文算法的识别效果进行仿真实验,每种信号分别独立进行1000次的MonteCarlo实验。2ASK与4ASK信号仅在8dB的情况下才能很好地区分,表7为8dB时各信号的识别率,其识别率基本为100%,达到了完全识别。文献利用参数f=|C60|2|C40|3识别信号2ASK与4ASK,文献利用参数f=|C63|2|C43|3来识别信号2ASK,4ASK和8ASK。表8为在9dB时,本文与文献识别率的比较。这里采样率fs=40kHz,载波频率fc=10kHz,码元速率Rs=1200bps。可以看出,本文利用二、四阶累积量来区分2ASK与4ASK的识别率略高些,但缺点是不能用来识别8ASK信号。3psk信号的求