一种改进的数字信号自动识别方法(1)

收稿日期:2004-11-15;修回日期:2005-03-29。

作者简介:李俊俊(1982-),男,硕士研究生,主要研究方向为通信信号处理,信号调制识别,软件无线电。

E-mail :jj li82@mai ls.ts 一种改进的数字信号自动识别方法李俊俊,陆明泉,冯振明(清华大学电子工程系,北京100084)摘 要:现有数字信号自动调制识别方法大多只适用于无记忆信号,如PSK 、ASK 、FSK 信号等。

将有记忆信号(MSK 信号)和无记忆信号一起考虑,提出了一种改进的数字信号自动识别方法。

该方法采用信号的瞬时统计量作为特征参数,采用多层神经网络作为分类器。

计算机仿真表明:当噪声采用高斯白噪声,并且信噪比大于15dB 时,识别率高于96%;当信噪比不低于10dB 时,识别率不低于90%。

关键词:调制识别;特征提取;多层神经网络;分类器中图分类号:TN 911.3 文献标识码:AModified automatic digital modulation recognition algorithmLI Jun jun,LU M ing quan,FENG Zhen ming(Dept.of Electronic Engineering ,Tsinghua Univ.,Beijing 100084,China)Abstract:In the past,most di gital modulation recognition algorithms focused on only memoryless signals,such as PSK,ASK,FSK.A modified algorithm is presented w ith MSK signals added to the existing set of signals that can be recognized.The method uses si multaneous statistical moments of received signals as their features and uses multi layer perceptron (MLP)as classifiers.The algorithm s performance has been evaluated by si mulating different types of band limited digital signals cor rupted by white Gaussian noise.It i s found that the overall success rate is over 96%at the signal to noise rati o (SNR)of 15dB.Furthermore,when the signal to noise ratio(SNR)i s over 10dB,the overall success rate is not low er than 90%.Key words:modulation rec ognition;feature extraction;multi layer perceptron;classifier1 引 言近年来,通信信号的自动调制识别引起了越来越多的关注。

在民用方面,信号调制方式的自动识别是多模式软件无线电接收机的基础;在军用方面,信号调制识别也是电子对抗的关键技术之一[1,2]。

目前已有的信号调制识别方法主要分为两大类:基于决策理论的方法[1,3]和基于统计模式识别的方法[4]。

大多基于决策理论的方法都需要对每一个特征参数选择一个最优的门限,而且特征参数提取和进行信号识别的顺序都会直接影响识别率。

因此,基于决策理论的方法在实际应用中有较多的限制。

基于统计模式识别的方法可以分成两个部分:特征提取和分类器设计。

特征提取负责对接收到的信号提取出最能表现其调制特征的参数。

而分类器则根据已提取出的特征把信号划分到相应的类别,分类过程通常采用多层神经网络(multi layer perceptron,MLP)以及支持向量机(support vector machines,SVM )等方法来具体实现。

本文提出一种改进的基于统计模式识别的数字调制识别方法。

特征提取部分参考了Nandi 和Azzouz 的方法,这种方法将重点放在无记忆数字信号上,如ASK 、PSK 、FSK 等。

并在文献[1]的基础上作了相应的改进,加入一个新提出的特征参数r max f ,使新的方法能够识别包括有记忆调制在内的多种数字调制信号,分类器则采用多层神经网络来实现。

2 改进的数字调制识别方法信号的调制识别主要包括特征参数提取和神经网络分类器设计两个步骤,如图1所示。

图1 基于神经网络的信号分类器结构框图2.1 数字调制信号的特征提取在特征提取部分,首先估计接收到已调信号的瞬时幅度a(t )、瞬时相位 (t )和瞬时频率f (t ),然后提取以下62005年12月系统工程与电子技术Dec.2005第27卷 第12期Systems Engineering and Electronics Vol.27 No.12文章编号:1001 506X(2005)12 2023 02个特征参数[1,5]。

(1)r max f为一个信号段的归一化瞬时频率功率谱密度的最大值,定义如下r max f=max DFT(f n(i))2(1) r max f被用来区分ASK2、ASK4、PSK2、PSK4信号(作为一个子集)与FSK2、FSK4和MSK(作为另一个子集)。

ASK2、ASK4、PSK2和PSK4信号的瞬时频率基本为恒定值,因此它们的功率谱密度的最大值非常小;而FSK2、FSK4和M SK信号依靠瞬时频率的变化来传递信息,因此它们的功率谱密度的最大值相对较大。

此外,依据FSK2、FSK4、M SK信号的各自的r max f大小,还能更进一步分别识别出M SK、FSK2、FSK4信号。

(2) max为代号的归一化中心瞬时幅度的最大值max=max DFT(a cn(i))2/N s(2)式中:N s每个信号段的采样点数,a cn(i)t=i/f s 时刻归一化的中心瞬时幅度,定义如下a cn(i)=a n(i)-1,a n(i)=a(i)/m a(3)式中:m a一个信号段中信号的平均幅度,定义如下m a=1N s!N si=1a(i)(4)max被用来区分FSK2和FSK4(作为一个子集)与ASK2、ASK4、PSK2和PSK4(作为另一个子集)。

因为FSK2和FSK4信号具有恒定不变的瞬时幅度,所以其归一化中心瞬时频率为零,信号的功率谱密度也为零,即它们本质上不包含幅度信息。

然而,ASK2和ASK4信号却包含幅度信息。

此外,PSK2和PSK4信号包含幅度信息,因为频带限制将幅度信息叠加在相邻符号迁移处。

所以这个特征可用来区分包含幅度信息的信号(ASK2、ASK4、PSK2、PSK4)和不包含幅度信息的信号(FSK2和FSK4)。

(3)a p为在一个信号段的若干非微弱区内计算得到的瞬时相位中心非线性分量绝对值的标准差,定义如下a p=1c(!a n(i)>a t!2NL(i))-(1c!a n(i)>a t!NL(i))2(5)式中:!N L(i)瞬时相位在t=i/f s时刻的中心非线性分量,c{!N L(i)}中满足a n(i)>a t的采样点数,a t{a n(i)}的门限值,用于去除噪声对微弱信号的影响。

a p被用来区分ASK2、ASK4和PSK2信号(作为一个子集)与PSK4信号(作为另一个子集)。

ASK2和ASK4信号本质上不包含绝对相位信息。

PSK2的直接相位取值0和∀,所以在中心对准之后其绝对值是常数(∀/2)。

然而PSK4具有绝对、直接的相位信息。

(4)dp为在一个信号段的若干非微弱区内计算而得的瞬时相位直接值的中心非线性分量的标准差,定义如下dp =1c(!a n(i)>a t!2N L(i))-(1c!a n(i)>a t!N L(i))2(6)dp被用来区分ASK2和ASK4信号(作为一个子集)与PSK2信号(作为另一个子集)。

ASK2和ASK4不包含直接相位信息,但是PSK2信号具有直接相位信息。

(5)a a为一个信号段的归一化中心瞬时幅度绝对值的标准偏差aa=1N s(!N si=1a2cn(i))-(1N s!N si=1a cn(i))2(7) a a被用来区分ASK2和ASK4信号,因为ASK2信号的归一化中心瞬时幅度在两个电平之间变化,其值相等,符号相反,故其绝对值为常数,所以ASK2信号不具有绝对幅度信息;然而ASK4本质上具有绝对、直接幅度信息。

(6)f a为在一个信号段的若干非微弱区内计算而得的为归一化中心瞬时频率绝对值的标准差,定义如下fa=1c(!a n(i)>a t f2N(i))-(1c!a n(i)>a t f N(i))2(8)式中f N(i)=f c(i)/r b,f c(i)=f(i)-m f,m f=1N s!N si=1f(i)(9) r b通信信号的符号速率(即波特率)。

fa被用来区分FSK2和FSK4信号,因为FSK2信号的归一化中心瞬时频率在两个电平之间变化,其值相等,符号相反,故其绝对值为常数,所以FSK2信号不具有绝对频率信息;然而FSK4本质上具有绝对、直接频率信息。

上述特征参数(1)~(6)中,参数(2)~(6)是Nandi和Azzouz在文献[1]中为ASK,PSK,FSK设计的特征参数;参数(1)是本文针对有记忆信号(MSK)的特点提出的,用于识别MSK信号。

2.2 神经网络分类器本文使用多层神经网络作为信号分类器。

多层神经网络具有6个输入结点,分别对应提取出的6个特征参数;7个输出结点,分别对应需要进行调制识别的7种信号。

神经网络的结构设计参考了文献[4],采用单隐藏层,且隐含节点数为15。

在激励函数的选择方面,隐藏层采用log sig moid的激励函数,输出层则采用线性函数。

学习算法没有采用文献[4]所用的可变学习速率的BP算法,而采用了L M(Levenberg Marquardt)优化算法。

L M算法的权值调整率为#W=(J T J+∃I)-1J T e(10)式中:J误差对权值微分的Jacobian矩阵;e误差向量;∃事先选取的一个标量,当∃很大时,式(10)就接近于梯度法;当∃很小时,式(10)就变成Gause Newton法。

L M算法比BP算法具有更快的收敛速度[6],在第3节中,通过神经网络的训练仿真结果,也进一步证明了这一点。