短波信道中數(shù)字調(diào)制信號(hào)識(shí)別方法研究++

1、短波信道中數(shù)字調(diào)制信號(hào)識(shí)別方法研究摘要:針對(duì)目前沒有有效的方法對(duì)短波通信中的調(diào)制信號(hào)進(jìn)行識(shí)別的問題,提出一種基于小波包變換、高階累積量和支持向量機(jī)的數(shù)字調(diào)制信號(hào)識(shí)別新方法.該方法提取信號(hào)經(jīng)小波包變換后各頻段的能量值和累積量作為特征向量,利用以支持向量機(jī)為基礎(chǔ)的多級(jí)分類器對(duì)其進(jìn)行調(diào)制識(shí)別.此分級(jí)調(diào)制識(shí)別方法與其他非分級(jí)調(diào)制識(shí)別方法相比具有較高的識(shí)別率.實(shí)驗(yàn)表明,針對(duì)FSK、PSK等10種調(diào)制信號(hào)在低信噪比下具有較高的識(shí)別能力,該算法在短波通信中的調(diào)制信號(hào)識(shí)別領(lǐng)域有較好的應(yīng)用.關(guān)鍵詞:調(diào)制信號(hào)識(shí)別;小波包累積量;支持向量機(jī);分級(jí)識(shí)別中圖分類號(hào):TN911.7文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):10062704

2、3(2008)0820836206RecognitionofdigitalmodulationsignalsinshortwavecommunicationsLIXue2yao,HANBing,ZHANGRu2bo(CollegeofComputerScienceandTechnology,HarbinEngineeringUniversity,Harbin150001,China)Abstract:Therehasbeennoeffectivewaytorecognizemodulationsignalsinshortwavecommunicationsun2tilnow.Theauthor

3、sdevelopedamethodfordigitalmodulationrecognitionbasedonwaveletpackettrans2form,highordercumulantsandsupportvectormachine.Inthemethod,theenergyvaluesandcumulantsobtainedfromwaveletpackettransformareextractedastheeigenvectors,thenhierarchicalclassifiersbasedonsupportvectormachinesareusedastheclassifie

4、rstomodulateandrecognizethesignals.Thishi2erarchicalmethodhasahigherrecognitionratethanothernon2hierarchicalones.Classificationresultsfor10modulationtypesincludingFSK,PSKetc.showedthatthemethodhashigherrecognitionperformanceinlowSNRenvironmentsandithaswideapplicationinrecognitionofmodulatedsignalsin

5、shortwavecom2munications.Keywords:modulationsignalrecognition;waveletpacketcumulants;supportvectormachines;hierarchicalrecognition短波通信始終在通信領(lǐng)域中占有不可或缺的一席之地.短波信道中的數(shù)字調(diào)制信號(hào)是近年來通信信號(hào)領(lǐng)域的生力軍.因此,識(shí)別調(diào)制信號(hào)有重要的現(xiàn)實(shí)意義.目前比較流行的各特征提取方法和識(shí)別技術(shù)有很多,如根據(jù)信號(hào)的瞬時(shí)幅度、瞬時(shí)相位和瞬時(shí)頻率提取6個(gè)特征參數(shù)來進(jìn)行分類,但該方法受信噪比影響較大;Ketterer提出了時(shí)頻分析的方法,但此方法計(jì)算量較大,分類

6、效果不明顯;Hsue采用過零檢測(cè)的信號(hào)識(shí)別方法4,但一般要收稿日期:2007208224.基金項(xiàng)目:國家自然科學(xué)基金資助項(xiàng)目(60475016).作者簡介:李雪耀(19442),男,教授,E2mail:求數(shù)據(jù)采樣率比較高,對(duì)相位調(diào)制信號(hào)的識(shí)別比較困難;最近廣泛采用神經(jīng)網(wǎng)絡(luò)對(duì)模擬和數(shù)字調(diào)制方式分別進(jìn)行識(shí)別,但是由于樣本的有限性,神經(jīng)網(wǎng)絡(luò)算法容易出現(xiàn)過學(xué)習(xí)和欠學(xué)習(xí)以及局部極值問題.現(xiàn)有算法一般僅對(duì)高信噪比下的數(shù)字調(diào)制信號(hào)進(jìn)行識(shí)別,但短波信道信噪比較低.基于AR模型的識(shí)別方法雖然對(duì)-1dB的調(diào)制信號(hào)分類識(shí)別進(jìn)行的研究,但識(shí)別結(jié)果只達(dá)到了80%.同時(shí)目前的算法大多只對(duì)2FSK、4FSK、2PSK、4P

7、SK等常見的調(diào)制信號(hào)進(jìn)行了識(shí)別,但短波中的調(diào)制信號(hào)種類很多,故必須提出一種有效的方法對(duì)短波信道中的數(shù)字調(diào)制信號(hào)進(jìn)行調(diào)制識(shí)別.短波通信中的數(shù)字調(diào)制信號(hào)識(shí)別小波包變換可在滿足海森堡不確定性原理的前提下,自由選擇不同時(shí)間點(diǎn)、頻率點(diǎn)上的時(shí)頻分辨率,從而可更簡約地提取調(diào)制信號(hào)的特征.高斯白噪聲大于二階的累積量為零,有很好的抑制噪聲作用.支持向量機(jī)方法是根據(jù)有限的樣本在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷,有較好的推廣能力.以上述思想為基礎(chǔ),針對(duì)2FSK、3FSK、4FSK、八頻量化、8PSK、PSK相位十二路、16PSK、18PSK、39路相位多路、LINK11等10種短波調(diào)制信號(hào)的識(shí)別問題,提出了一

8、種基于SVM(支持向量機(jī))的分級(jí)調(diào)制識(shí)別方法.該方法以小波包變換后各頻段的能量值和累積量作為特征,以兩級(jí)支持向量機(jī)作為分類器對(duì)信號(hào)進(jìn)行了有效地識(shí)別而且對(duì)噪聲具有不敏感性,在信噪比0dB時(shí)仍能取得較高的識(shí)別率.式中:g(k)=(-1)kh(1-k),即兩系數(shù)也具有正交關(guān)系.當(dāng)n=0時(shí),式(3)直接給出:u0(t)=2u1(t)=2kZh(k)u0(2t-k),(4)kZg(k)u0(2t-k).由式(3)構(gòu)造的序列un(t)稱為由基函數(shù)u0(t)=(t)(t)為尺度函數(shù))確定的正交小波包.當(dāng)n=0時(shí),即為式(4)的情況,又稱u(t)為關(guān)于序列h(k)的正交小波包.小波包分解是將頻帶進(jìn)行多層次劃分

9、,對(duì)多分辨率分析沒有細(xì)分的高頻部分進(jìn)一步分解,并能夠根據(jù)被分析信號(hào)的特征,合適地選擇相應(yīng)頻帶,使之與信號(hào)頻譜相匹配,找到最適合于待分析信號(hào)的時(shí)頻相平面.1.2高階累積量由于高斯噪聲對(duì)大于2階的累積量恒為零,把接收到的含有高斯噪聲的非高斯信號(hào)變換到累積量域處理,就可以減少噪聲的影響.對(duì)于高斯信號(hào),其統(tǒng)計(jì)特性可由其均值(一階矩)和方差(二階矩)來描述,但對(duì)于非高斯信號(hào),就需要用更高階的統(tǒng)計(jì)量才能完整描述其統(tǒng)計(jì)特性8.設(shè)x(n)為離散時(shí)間實(shí)值平穩(wěn)隨機(jī)過程,其二、三、四階矩分別定義為m2x(i)=Ex(n)x(n+i),m3x(i,j)=Ex(n)x(n+i)x(n+j),(5)(6)(7)1數(shù)字調(diào)制

10、信號(hào)特征提取1.1小波包分析短時(shí)傅里葉變換對(duì)信號(hào)的頻帶劃分是線性等間隔的.多分辨分析可以對(duì)信號(hào)進(jìn)行有效的時(shí)頻分解,但是由于其尺度是按二進(jìn)制變化的,所以在高頻頻段其頻率分辨率較差,而在低頻段其時(shí)間分辨率較差,即對(duì)信號(hào)的頻帶進(jìn)行指數(shù)等間隔劃分.小波包分析能夠?yàn)樾盘?hào)提供一種更加精細(xì)的分析方法,它將頻帶進(jìn)行多層劃分,對(duì)多分辨分析沒有細(xì)分的高頻部分進(jìn)一步分解,并能夠根據(jù)被分析信號(hào)的特征,自適應(yīng)地選擇相應(yīng)頻帶,使之與信號(hào)頻譜相匹配.因此小波包具有更廣泛的應(yīng)用價(jià)值.在多分辨分析中,L2(R)=Wj,表明多分辨jzm4x(i,j,k)=E(x(n)x(n+i)x(n+j)x(n+k).分析是按照不同的尺度因子

11、j把Hilbert空間2L(R)分解為所有子空間Wj(jZ)的正交和.其中Wj為小波函數(shù)(t)的閉包(小波子空間).現(xiàn)在,希望進(jìn)一步對(duì)小波子空間Wj按照二進(jìn)制進(jìn)行頻率的細(xì)分,以達(dá)到提高頻率分辨率的目的.一種自然的做法是將尺度因子空間Vj和小波空間Wj用一個(gè)新的子空間Unj統(tǒng)一起來表征,若令Uj=Vj,Uj=Wj,10若x(n)為零均值隨機(jī)過程,則其二、三、四階累積量分別定義為c2x(i)=m2x(i)=Ex(n)x(n+i),(8)(9)c4x(i,j,k)=m4x(i,j,k)-m2x(i)m2x(j-k)m2x(j)m2x(k-i)-m2x(k)m2x(i-j).(10)c3x(i,j)=

12、m3x(i,j)=Ex(n)x(n+i)x(n+j),jZ.(1)由式(6)(10)可知,零均值隨機(jī)過程的二,三階累積量分別與它的二,三階矩相等,但更高階的累積量與相應(yīng)階次的矩是不相等的.高階累積量可由相應(yīng)階次及低階次矩表達(dá),反之亦然.對(duì)于零均值高斯隨機(jī)過程x(n),其累積量和矩有以下結(jié)論:2c1x=0,c2x=,ckx0(k3),mkx(i1,i2,ik-1)=則Hilbert空間的正交分解Vj+1=VjWj即可用nUj的分解統(tǒng)一為001(2)Uj+1=UjUj,jZ.n定義子空間Uj是函數(shù)un(t)的閉包空間,而2nUj是函數(shù)u2n(t)的閉包空間,并令un(t)滿足下面的雙尺度方程:u2

13、n(t)=2kZh(k)ukZn(2t-k),(3)n0,135(k-1),kk為奇數(shù);k為偶數(shù).(11)u2n+1(t)=2g(k)u(2t-k).2式中:為方差.可見零均值高斯過程三階以上的累積量恒等于零,奇數(shù)階次的高階矩才等于零,只有偶數(shù)階次的高階矩不恒等于零,并且偶數(shù)階次的高階矩歸根到底是由其二階矩(即方差)決定的.因此,應(yīng)用式中:x3j(j=0,1,7;k=1,2,n)表示重構(gòu)信號(hào)S3j離散點(diǎn)的幅值.4)構(gòu)造特征向量.特征向量V構(gòu)造如下:TV=E30E31E32E33E34E35E36E37.(14)中常用高階累積量研究非高斯信號(hào)的統(tǒng)計(jì)特性.高階累積量有一個(gè)重要的性質(zhì):2個(gè)統(tǒng)計(jì)獨(dú)立隨

14、機(jī)過程之和的累積量等于這2個(gè)過程累積量之和.由以上零均值高斯過程三階以上累積量恒等于零的結(jié)論可知,當(dāng)信號(hào)中含有加性高斯有色噪聲時(shí),在理論上高階累積量可以完全抑制噪聲的影響,從而提高信噪比.1.3特征提取方法在信號(hào)分析中,小波函數(shù)因?yàn)楦髯缘奶攸c(diǎn)不同,它們的適應(yīng)場(chǎng)合也不同,所以根據(jù)被分析的信號(hào)特點(diǎn),選擇合適的母小波是關(guān)鍵.由于DB3小波是緊支撐的且正則性比較好,適合于數(shù)字調(diào)制信號(hào)特征的抽取.因此選擇DB3小波作為小波母函數(shù).特征提取按以下方法進(jìn)行:1)選用DB3小波對(duì)信號(hào)進(jìn)行三層小波包分解,分別提取第3層從低頻到高頻8個(gè)頻率成份的信號(hào)特征.各特征分別用X3j(j=0,1,.,7)表示.2)對(duì)小波包

15、分解系數(shù)重構(gòu),提取各頻帶范圍的信號(hào).以S3j表示X3j的重構(gòu)信號(hào).對(duì)第3層所有結(jié)點(diǎn)進(jìn)行分析,則總信號(hào)S可以表示為S=S30+S31+S32+S33+S34+S35+S36+S37.當(dāng)能量較大時(shí),E3j(j=0,1,7)通常是一個(gè)較大的數(shù)值,給數(shù)據(jù)分析帶來不方便.由此,可以對(duì)特征向量V進(jìn)行歸一化處理,令7E=j=0|E3j|21/2.(15)則歸一化后的信號(hào)能量分別為E3j=E3j/E(j=0,1,7).E36E37即為歸一化后的向量.T(16)向量:V=E30E31E32E33E34E35這樣,可以得到信號(hào)經(jīng)小波包分解后不同頻帶的能量,能量的改變蘊(yùn)涵著信號(hào)特征的改變,從而可以找出調(diào)制信號(hào)能量的

16、變化規(guī)律.由于離散序列進(jìn)行小波包分解后的小波系數(shù)矩陣的維數(shù)高(N),而利用小波系數(shù)能量所構(gòu)造的特維,N/2維,征向量的維數(shù)低,這就把原始的高維小波系數(shù)空間轉(zhuǎn)變成了低維的能量特征空間,從而能夠高效地進(jìn)行調(diào)制信號(hào)的識(shí)別分類.表1為實(shí)際采集信號(hào)歸一化后的能量值.由于利用現(xiàn)有的濾波器組結(jié)構(gòu)實(shí)現(xiàn)小波包分解時(shí),高頻信號(hào)做向下采樣處理后會(huì)變?yōu)榈皖l信號(hào),使頻帶劃分不按頻率大小順序連續(xù)排列.而EE34、35,即為8個(gè)頻帶中頻率高的部分.實(shí)驗(yàn)中表1所示其值較少,對(duì)信號(hào)的識(shí)別貢獻(xiàn)不大,為了提高算法的運(yùn)行效率,把這2個(gè)特征去掉,所以利用小波包分解所提取的特征是V=E30E31E32E33E36E37,共6個(gè)特征.3)

17、求各頻帶信號(hào)的總能量.設(shè)S3j(j=0,1,7)對(duì)應(yīng)的能量為E3j(j=0,1,.,7),則有nE3j=k=1|x3j|.2(13)表1各信號(hào)歸一化后的能量值Table1Theenergyofthenormalizedunitsignals待識(shí)別信號(hào)3FSK4FSKE30E31E32E33E34E35E36E370.072730.045720.715120.016240.088530.064830.211680.152410.060090.102090.424690.006170.173740.005920.421480.620700.584760.079560.103560.272520.1

18、97160.753440.413100.589660.538840.200450.484620.679680.682820.448870.836230.094230.295540.069100.565940.719170.504340.276600.181010.766600.020330.017450.029410.022340.026720.016670.025940.004940.019650.031490.107350.006120.042770.009750.077960.106250.073000.051520.024540.084590.073880.643600.413910.

19、797140.408010.105740.306410.622410.689190.225340.242500.082240.162500.105830.174970.174360.155370.204740.103360.25916八頻量化8PSK12PSK16PSK39PSKLINK1118PSK2FSK 5)高階累積量.18PSK、2FSK信號(hào)的各特征值與其他信號(hào)的特征值很相似,難以進(jìn)行有效的區(qū)分,必須引入新的特征.為此加入高階累積量C20、C40作為特征對(duì)其進(jìn)行識(shí)別.由上述分析可知,每個(gè)特征都代表了一組小波包系數(shù),都反映了離散信號(hào)的時(shí)域與頻域信息,而且不同尺度下的小波包系數(shù)還描述了一定

20、的頻域范圍上的信號(hào)特征,從能量的計(jì)算過程即特征的提取過程來看,這樣結(jié)構(gòu)的特征向量具有魯棒性.而對(duì)于能量特征相似的信號(hào)又引入了高階累積量做特征,所以此特征向量能取得較好的分類效果.3T33C,并n,并任意選取的一個(gè)正分量00是懲罰因子;i為訓(xùn)練樣本關(guān)于分離超平面的偏差,當(dāng)訓(xùn)練樣本線性可分時(shí),i=0;否則,i0.求解該問題需折衷考慮最大分類間隔和最少錯(cuò)分樣本.上述問題又可以通過二次規(guī)劃,轉(zhuǎn)化為如下的對(duì)偶問題:在約束條件i=1yii=0和0iC(i=1,2n)下,最大化函數(shù)1j2i=1nnnijiiin為)=W(i=1j=1yyK(x,xj).(18)圖1分級(jí)分類器結(jié)構(gòu)圖Fig.1Thestruct

21、ureofthehierarchicalclassifier式中:K(xi,xj)為核函數(shù).以上通過非線性變換將輸入空間變換到了一個(gè)高維空間,而核函數(shù)可以把高維空間中的復(fù)雜內(nèi)積計(jì)算轉(zhuǎn)化為低維輸入空間上一個(gè)簡單的函數(shù)運(yùn)算.常見的核函數(shù)有徑向基核函數(shù),多項(xiàng)式核函數(shù)等.從式(18)求得最優(yōu)解:=331323實(shí)驗(yàn)該文的待識(shí)別信號(hào)為2FSK、4FSK、八頻量化、8PSK、12PSK、16PSK、39PSK、LINK11、18PSK和3FSK等10種短波中常見的數(shù)字調(diào)制信號(hào).以上所使用的數(shù)字調(diào)制信號(hào)均來自于現(xiàn)場(chǎng)采分類器采用2.2節(jié)所述的兩級(jí)SVM分類器,特征參數(shù)為1.3節(jié)中所述的小波包變換后的能量和累積量

22、.經(jīng)過交叉驗(yàn)證法,最終選定核函數(shù)參數(shù)=1,懲罰因子C=250.為了驗(yàn)證支持向量機(jī)分類器在小樣本時(shí)同樣具備良好的性能,對(duì)10種信號(hào)分別只使用個(gè)自36個(gè)樣本組成訓(xùn)練集進(jìn)行訓(xùn)練,采用多幀平均,每幀長為2048點(diǎn),幀移1024點(diǎn).訓(xùn)練結(jié)束后,另各取108個(gè)3.1實(shí)驗(yàn)1:驗(yàn)證算法的有效性為了驗(yàn)證該算法,利用現(xiàn)場(chǎng)采集的信號(hào)(聽起來信噪比較高)數(shù)據(jù)進(jìn)行實(shí)驗(yàn).表2列出了調(diào)制信號(hào)識(shí)別率的混淆矩陣,可以看出在訓(xùn)練樣本集很小的情況下,該方法仍能獲得較高的識(shí)別率.各種信號(hào)的正確識(shí)別率均在94%以上,其中2FSK、4FSK、八頻量化、8PSK、12PSK、16PSK、18PSK、3FSK到了100%,總的正確識(shí)別率達(dá)到

23、了99.0741%,充分說樣本進(jìn)行識(shí)別測(cè)試.使用Matlab7.0作為工具進(jìn)行實(shí)驗(yàn).明了該方法的有效性.3.2實(shí)驗(yàn)2:不同信噪比下的識(shí)別率3.3實(shí)驗(yàn)3:不同核函數(shù)下的識(shí)別率為了驗(yàn)證真實(shí)環(huán)境下此方法的準(zhǔn)確性,在實(shí)驗(yàn)時(shí)將原現(xiàn)場(chǎng)采集的信號(hào)當(dāng)成純凈信號(hào),在其基礎(chǔ)上加入白噪聲.分別不同信噪比下對(duì)所選樣本進(jìn)行訓(xùn)練和測(cè)試.表3給出了加入噪聲后在不同信噪比下測(cè)試的平均正確識(shí)別率.從中可以看出加入噪聲后識(shí)別率較高,在10dB下平均正確率達(dá)到9910471%,在0dB時(shí)平均正確識(shí)別率達(dá)能夠達(dá)到92%以上.故該算法對(duì)噪聲不敏感,適于在低信噪比表4為分別使用RBF核函數(shù)、多項(xiàng)式核函數(shù)、線性核函數(shù)和Sigmoids核函

24、數(shù)下的識(shí)別結(jié)果.從表中可以看出,通過選擇不同的懲罰因子,可使RBF核、多項(xiàng)式核和線性核的識(shí)別率達(dá)到相同.說明支持向量機(jī)對(duì)這3種模型具有不敏感性.而Sigmoid非線性核識(shí)別率僅為38.8889%,說明此核函數(shù)不適合用于調(diào)制信號(hào)的識(shí)別.表4不同核函數(shù)的平均正確識(shí)別率Table4Theaveragerecognitionrateindifferentkernelfunction%下對(duì)數(shù)字調(diào)制信號(hào)進(jìn)行識(shí)別.表3加入噪聲后在不同信噪比下的平均正確識(shí)別率Table3TheaveragerecognitionrateindifferentSNR%SNR/dB1050核函數(shù)RBF核懲罰因子250250300

25、3000平均正確識(shí)別率99.074199.074199.074138.8889平均正確識(shí)別率99.047198.333392.9630多項(xiàng)式核線性核Sigmoid核3.4實(shí)驗(yàn)4:兩級(jí)分類器與單級(jí)分類器性能比較plicationofElectronicTechnique,2005,31(3):123.2NANDIAK,AZZOUZEE.Modulationrecognitionu2singartificialneuralnetworksJ.SignalProcessing,1997,56(1):1652175.3KETTERERH,JONDRALF.Classificationofmodula2

26、tionmodesusingtime2frequencymethodsC/ProcIEEEICASSP299.Phoenix,USA,1999:247122474.4HSUESZ,SOLIMANSS.Automaticmodulationclassi2ficationusingzerocrossingJ.IEEProc2Radarandsig2nalProcessing,1990,137(6):4592464.5ARULAMPALAMG,RAMAKONARV,BOUZER2DOUMA,HABIBID.Classificationofdigitalmodula2tionschemesusingn

27、euralnetworksC/ISSPA99Pro2ceedingsoftheFifthInternationalSymposiumonSignalProcessingandItsApplications.Brisbane,Australia,1999,2:6492652.6戴威,王有政,王京.基于AR模型的調(diào)制肓識(shí)別方為了證明兩級(jí)分類器的優(yōu)越性,對(duì)兩級(jí)分類器與單級(jí)分類器進(jìn)行了比較.在單級(jí)分類器中以小波包的6個(gè)特征和累積量的2個(gè)特征共8個(gè)特征作為特征向量.表5給出了兩級(jí)分類識(shí)別器與單級(jí)SVM分類器對(duì)上述10種調(diào)制信號(hào)進(jìn)行識(shí)別的平均正確識(shí)別率.可看出,采用分級(jí)分類方案的正識(shí)率明顯高于單級(jí)SVM方

28、案的正識(shí)率.表5不同分類器的平均正確識(shí)別率Table5Theaveragerecognitionrateindifferentclassifier%不同分類器兩級(jí)分類器單級(jí)分類器平均正確識(shí)別率99.074193.5185法J.電子學(xué)報(bào),2001,29(12):189021892.4結(jié)束語提出了一種基于分級(jí)分類方案的數(shù)字調(diào)制信號(hào)的識(shí)別算法.基于實(shí)際采錄的數(shù)據(jù)實(shí)驗(yàn)表明,使用小波包分解系數(shù)能量和累積量作為特征,用分級(jí)SVM做為分類器對(duì)調(diào)制信號(hào)進(jìn)行識(shí)別,在不同的信噪比下,正識(shí)率高而且穩(wěn)定,尤其在短波信道等信噪比較低的環(huán)境下具有較好的應(yīng)用,同時(shí)由于分級(jí)的進(jìn)行特征提取,需要相對(duì)較少的特征向量,故該算法相比其他非分級(jí)算法有較快的訓(xùn)練速度和分類速度.但由于現(xiàn)場(chǎng)采集的信號(hào)數(shù)量