無線信號自動識別算法的仿真實現

摘要:首先對比Hilbert變換構建的解析信號進行時頻分析的方法，探討了基于決策理論的模擬調制方式識別方法。然后在分析該方法缺陷的基礎上， 提出了基于神經網絡的識別方法。神經網絡(NN)在進行信號識別時，主要是依據譜峰位置的不同，小波變換在這里則相當于一個數學顯微鏡，反映信號類別與譜峰位置間的必然聯系。利用小波變換并結合簡單的三層BP神經網絡，即可提取更加精確的待識別信號的時頻特征。

關鍵詞:BP神經網絡;Morlet小波;決策理論;Hilbert變換

中圖分類號:TP18文獻標識碼:A文章編號:1009-3044(2009)32-9050-02

Wireless Signal Simulation Algorithm for Automatic Identification

ZHANG Meng

(Purchasing， China Railway Communication Co.， Ltd.， Beijing 100140， China)

Abstract: We have firstly discussed the modulation distinguishing method based on rational budgeting theory through the method of comparing Tine-Frequency analysis of the analysis signals formed by Hibert Transform . And on the basic of analyzing the fault of this method ，we put forward the distinguishing method based on NN. When NN is distinguishing signals， it mainly depends on the different positions of peak. Wavelet Transform here equals a mathematic microscope .it reflects the inexorable links between the signal categories and the positions of peak. Taking advantage Wavelet Transform and the simple three-layer BP NN， the more accurate Time-Frequency characteristics of signals to be distinguishing can be drawn.

Keywords: BP ANN; Morlet Wavelet; BudgetingTheory; Hibert Transform

在軍事電子對抗等多方面的重要應用，通信信號調制的自動識別分類問題也相繼發展起來。無線電信號調制實識別就是要判斷截獲信號的調制種類。為此，需要事先對其特征進行選定，并確定它們與相應調制種類相聯系的取值范圍，然后再對信號進行特征測量，并根據測量結果對信號的調制進行分類判決。

如果把無線電信號的調制識別與分類視為一種模式識別問題，那末，從模式識別理論來看，模式分類是模式識別的一個子系統。因此，在模式識別理論框架下，無線電信號的調制識別是一個總體概念。而調制分類則只是調制識別的一個分支[1]。

1 基于決策理論的模擬調制方式識別方法

此算法主要實現區分AM、FM、DSB、LSB、USB、VSB、AM-FM等七種調制樣式，所分析的對象序列s(n)是由接收機中頻輸出并經過采樣得到的，這樣s(n)的采樣頻率和載頻都已知，分別記做Fs和Fc。算法分兩個步驟:

第一步，根據信號的包絡特征將AM、USB、LSB與FM區分開，因為前三種信號的包絡不為恒定值，而FM的包絡理論上是恒定值(實際中接近恒定)。因而可以從中提取一個特征參數R。參數R反映了零中心歸一化包絡的功率譜特征，FM的零中心歸一化包絡接近零，因其參數R應遠遠小于前三種信號。實際中若R<6，則判為FM信號，反之判為前三種。

第二步，根據信號頻譜的對稱性，將AM與USB與LSB區分開，因為AM的單邊頻譜關于載頻是近似對稱的，USB和LSB的單邊頻譜對于載頻來說分別只有上邊頻和下邊頻。因而可以從中提取另一個特征參數 。理論上，由于AM的上下邊頻對稱，所以AM的P接近零，而LSB和USB的P分別接近1和-1。實際中若|P|< 0.5，判為AM信號，若P>0.5，判為LSB，P<-0.5，則判為USB。

第三步，零中心非弱信號段瞬時相位非線性分量絕對值的標準偏差:σap 。

σap由下式定義:

(1)

式中，at是判斷弱信號段的一個幅度判決門限電平，c是在全部取樣數據Ns中屬于非弱信號值的個數，?準NL(i)是經零中心化處理后瞬時相位的非線性分量，在載波完全同步時，有:?準NL(i)= φ(i)-φ0

式中:，φ(i)為瞬時相位。用σap來區分是DSB信號還是AM-FM信號。

第四步，零中心非弱信號段瞬時相位非線性分量的標準偏差:σdp。

σdp由下式定義:

(2)

σdp主要用來區別不含直接相位信息的AM、VSB信號類和含直接相位信息的DSB、LSB、USB、AM-FM信號類，其判決門限設為t(σdp) 。

2 決策論方法的改進

前面介紹的基于決策理論的模擬調制方式識別方法存在缺陷針對上述問題，人們又提出了基于神經網絡(NN)的識別方法。

2.1 BP網絡作為分類器的模擬調制方式識別方法

該算法用基于有監督訓練的神經網絡模型BP網絡作為分類器，用BP模型多層感知網絡與反向傳播學習算法相結合，通過不斷比較網絡的實際輸出與指定期望輸出間的差異來不斷的調整權值，直到全局(或局部)輸出差異極小值，不難想象該神經網絡對模型細節中的諸多問題均有良好效果。

基于NN的模擬信號調制識別框圖[2]如圖1所示，該NN采用三層結構即，1個輸入層，1個輸出層，1個中間層。中間層可采用多層。但由于受到計算復雜性的限制，目前采用單層或雙層中間層的NN比較多見。本圖中間層采用單層25個節點，輸入層和輸出層的節點數取決于信號特征參數的個數和信號的分類數，因而分別為4和7。

神經網絡具有信息分布式存儲、大規模自適應并行處理和高度容錯特性，適用于模式識別的基礎。其學習能力和容錯特性對不確定性模式識別具有獨到之處[3]。通信信號在傳播過程中受到信道噪聲的污染，接受到的信號是時變的、非穩定的，而小波變換特別適用于非穩定信號的分析，其作為一種信息提取的工具已得到較廣泛的應用。小波變換具有時頻局部性和變焦特性，而神經網絡具有自學習、自適應、魯棒性、容錯性和推廣能力，兩者優勢的結合可以得到良好的信號模式自動識別特性，從而形成各種處理方法。

2.2 基于小波的特征提取和識別方法

小波特別適用于非穩定信號的分析，作為一種特征提取的工具已得到較為廣泛的應用。小波的重要特點是它能夠提供一個信號局部化的頻域信息。小波變換能夠將各種交織在一起的不同頻率組成的混合信號分解成不同頻率的塊信號，它對不同的時間和頻率有不同的解釋，因此，對調制信號進行小波分解，得到不同水平下的細節信息，這些信息對于不同類別的調制信號來說是有差別的[4]。

在實際應用中，小波變換常用的定義有下列兩種:

(3)

(4)

式中，星號*表示共軛。式(3)表示小波變換是輸入信號想x(t)和小波函數φα， τ(t)的相關積分;式(4)用卷積代替了相關積分。兩種定義在本質上是一致的。本為采用后者。

將式(4)中的τ和t離散化，即令τ=kTs，及t=iTs，得連續小波變換公式(4)的離散形式，又稱小波系數:

(5)

Morlet小波是一種單頻復正弦調制高斯波，也是最常用的復值小波。其實、頻兩域都具有很好的局部性，它的時域形式如下:

(6)

雖然信號特征有很多種，神經網絡在進行信號識別時，主要是依據譜峰位置的不同，因此提取信號特征主要任務就是尋找信號類別與譜峰位置間的必然聯系。而小波變換在這里則相當于一個數學顯微鏡，通過它，可以詳細了解各類信號在不同低頻段上的頻譜構成。

整個系統在PC機上進行仿真，采用Windows2000操作系統和Matlab6.1和Cool Edit2.0進行聲音錄制。

在仿真中，采用44K的采樣率，錄制了一段歌聲和一段笑聲，用Matlab生成22K的正弦載波，并根據第二章的各調制樣式的定義，生成了各個仿真的調制波形。并轉化成.wav文件錄在電腦中。

3 結束語

本文僅限于理論理論研究，用MatLab仿真實現，沒有用DSP芯片等物理電路實現，僅為實際實現提供理論指導。

參考文獻:

[1] 羅利春.無線電偵察信號分析與處理[M].北京:國防工業出版社，2003.

[2] 楊小牛，樓才義，徐建良.軟件無線電原理與應用[M].北京:電子工業出版社，2001.

[3] 趙林明，胡浩云，魏德華.多層前向人工神經網絡[M].鄭州:黃河水利出版社，1999:23-38.

[4] 彭玉華.小波變換與工程應用[M].北京:科學出版社，1999:16-20.