调制信号识别 PPT课件

• 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。
分类识别
N
N
2FSK
2 f
t
2 f
Y
4FSK
数字调制信号识别
N
F tF
A t1 A
Y
N
2PSK
ap t ap
Y
4PSK
Y
A t2 A
N
Y
2ASK
4ASK
仿真验证结论
• 在 SNR 5dB 时，识别正确率可达到99%以上， 且当 SNR 时20d，B 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。
• 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 • 基于人工神经网络的方法
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。
• 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异性检测
2
ap
1 C
an ita
2 NL
i
1
C an ita
NL
i
能将二者很好的分开。
识别流程图
Data in
Yes
MFSK recognition algotithms
No
Yes
max 5dB
f 42
5
No
MPSK recognition algotithms
s 42
255
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
识别流程
数字调制信号识别
Y
N
PBW t PBW
=2
N PF
>2
=1
=2
N PP
>5
=3,4,5 Y
a t a
N
2FSK 4FSK BPSK 8PSK
QPSK
16QAM
aa t aa
N
2ASK
Y 4ASK
方法总结
• 仿真结果中得出，在SNR从0~20dB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。
、 f 42
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
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。
E sn4 t E sn2 t 2
其中 sn t 是归一化中心信号，sn t st maxst
该参数可将ASK、QAM和FSK/PSK三者分开。
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 0，fs 2上的谱峰个数n，就能实现MFSK信
号调制阶数的识别。
f 42
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 结构的分类器。
F E f 4 i E f 2 i 2
f i 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
2 f
2 f
Ns
f 2 i
Ns
i1
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。
对频率个数敏感，可用于
调制阶数的识别。
• 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。
• 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
• 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 。
•
归一化中心瞬时频率的四阶矩紧致性
f 42
f 42
E fn4 t
E
f
2 n
t
2
fn t 是归一化中心瞬时频率，f t 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。
•
归一化中心信号的四阶矩紧致性
s 42
s 42
• 但是，文中的算法只适用于在基带数字信 号中。
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。
基于窗口平均频率算法的调制信号识别
系统组成：
信号截取与采样
是 判断是否为噪声
否 计算时频分布
特征识别
时频分布滤波
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。
• 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识 别问题
调制信号 信号 预处理
特征 提取
分类 识别
调制信号 信号 预处理
特征提取
• 归一化瞬时幅度功率谱密度最大值 max
max
max =
FFT
a
cn
i
2
N
其中N为样点数，acn i 为中心归一化瞬时幅
a i
度 ， 。 acn E a i 1
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： max 5dB ， 可区分ASK/QAM和FSK/PSK调制信号。
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。
特征 提取
分类 识别
• 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。
• 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。
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 ap ：主要用于区分二、四 进制的PSK信号(2PSK与4PSK)。
特征提取
•Βιβλιοθήκη Baidu谱宽因子 PBW ：用来来区分ASK信号和FSK， PSK及QAM信号。
• 短时频谱峰数 NPF ：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 NPP ：反映了信号中的相位数。 可区分BPSK、QPSK、8PSK和16QAM信 号。在0 ~ 2π间，BPSK信号有2个峰， QPSK和16QAM有4个峰，而8PSK有8个峰。
• 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。
Yes
MASK recognition algotithms
No
MQAM recognition algotithms
2FSK 4FSK 8FSK BPSK QPSK 8PSK
2ASK 4ASK 8ASK 4QAM
16QAM
验证结论
•
文中提出的识别方案，利用提出的新参数
s 42
和已知参数 max
• 零中心归一化非弱信号段的标准偏差
2
a
1 C
an iat
ac2n
1
i
C
an iat
acn
i
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
aa
1
N
N i1
a2 cn
i
1 N
N i 1
acn
i
2
用来区分2ASK信号和4ASK信号 ，对2ASK， 该值为0；对4ASK，该值不为0。
• 基于信号瞬时幅度的统计参数 A
A
Ns
a
i
1
N
i1
Ns 为取样点数，ai 为瞬时幅度 。
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
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。