基于頻譜監測傳感網的分布式協同信號識別

吳 昊 柳永祥 姚富強 趙杭生

(1．解放軍理工大學通信工程學院，江蘇 南京 210007；2．南京電訊技術研究所，江蘇 南京 210007；)

引 言

無線傳感器網絡具有監測精度高、系統容錯性好以及可遠程監控等特點，使得其在頻譜監測領域具有廣闊的應用前景.將傳感器網絡技術引入頻譜監測領域，可為建立起全地域覆蓋、全頻域無縫隙、全時段不間斷、全天候工作的電磁頻譜監測網提供有力支撐.構建電磁頻譜監測傳感網可為需用頻的設備提供可用的頻率指配，為正在用頻的設備提供干擾源檢測、測向、定位、跟蹤、識別分類能力，為重要設備的用頻參數提供安全保密支持.要實現頻譜監測傳感網從理論走向實用化，服務于頻譜安全領域、公眾服務領域，必須首先突破分布式協同頻譜感知關鍵技術，為提高頻譜監測傳感網的信號檢測能力、參數提取能力、調制識別能力提供技術支撐和方法.文中充分借鑒國內外現有的分布式信號協同檢測、識別分類的理論和最新研究成果，重點解決頻譜監測傳感網中的分布式協同信號識別技術.

目前多數調制識別技術[1-7]是基于單節點完成的，主要是基于假設檢驗和統計模式識別的兩類方法.但是單節點受環境變化的影響，容錯性能較差，從而導致其信號識別率較低，此外，隨著作戰地域或通信范圍不斷擴大，單節點的監測能力以及對信息的實時處理能力都將受到極大限制.而基于無線傳感網的分布式信號識別技術，能夠利用數據融合[8]，消除對未知信號判斷模糊性，提高識別準確率.

1 分類特征建立

第i個傳感器節點在平坦衰落環境中，接收到的受噪聲污染的信號可表示為[9]

(1)

式中：A是接收信號的平均功率；az為發送碼元序列；p(t-zTs)是發送碼元波形，Ts為符號周期；ωc為載波頻率；θc為載波相位. 假設所有ni(t)為零均值的復高斯白噪聲，且方差為N0，假設E[|az|2]=1，則信噪比可定義為RSN=A/N0.

完成對接收信號yi(t)的預處理，即完成載波、相位、定時同步以及波形恢復，得到復包絡基帶信號為

(2)

式中，Δθ為相位抖動.

利用各階累積量對2ASK、4ASK、BPSK、QPSK、16QAM、2FSK、4FSK、8PSK、MSK等常見調制信號進行分析，得到如表1所示的數字調制信號各階累積理論值.通過對各階累積量理論值分析，可建立如下特征參數：

(3)

首先利用特征向量{T1,T2}可將待識別的調制信號分為三大類：當{T1,T2}={1,1}時對應的數字調制信號為{2ASK/BPSK、4ASK}；當{T1,T2}={1,0}時對應的數字調制信號為{QPSK/16QAM}；當{T1,T2}={0,0}時對應的數字調制信號為{2FSK、4FSK、8PSK、MSK}.

其次，利用特征參數T3與T4進一步分類: 對于{2ASK/BPSK、4ASK}，當T3=2對應的是2ASK/BPSK，當T3=1.36對應的是4ASK；對于{QPSK/16QAM}，當T4=16對應的是QPSK，當T4=13.76對應的是16QAM.

利用信號功率和平方譜線特征對{2FSK，4FSK，8PSK，MSK}這一類數字調制信號進行分類識別.圖1和圖2所示的是2FSK、4FSK、8PSK、MSK功率譜和平方譜，從圖中可知，通過搜索調制信號功率譜和平方譜的譜峰數可對這類信號進行分類，假定功率譜譜峰用P1表示，平方譜譜峰用P2表示，信號功率譜反映調制信號的功率分布，如{2FSK、MSK}為單譜峰信號，頻譜較為平坦，而4FSK頻譜起伏較多，而8PSK的譜形狀完全不同于其他類，因此通過合理設定門限值，利用P1可將這類信號分為4FSK、8PSK、{2FSK、MSK}三類；進而采用P2可將2FSK與MSK區分開，由于倍頻后，2FSK在傳空號頻率處出現離線譜線，而MSK沒有，利用P2可將MSK從2FSK中檢測出來.

在高斯噪聲信道下，功率譜譜峰P1可在信噪比為-15 dB的情況下保持良好的健壯性，此時8PSK譜形狀完全被噪聲淹沒，雖然仍可根據其它幾類信號的譜峰特征將其區分開，但隨著信噪比的繼續降低，P1特征將急速惡化，無法更好的進行分類識別.而平方譜譜峰P2可在信噪比為-4.5 dB時保持較好的健壯性，但隨著信噪比的繼續降低，2FSK在傳空號頻率處出現離線譜線將被噪聲淹沒，無法將其與MSK區分開.

因此，傳感器節點建立的用于各類調制信號識別的分類特征向量為

T={T1,T2,T3,T4,P1,P2}，

(4)

利用其相互組合可得到較好的識別概率.

表1 數字調制信號各階累積理論值

圖1 2FSK，4FSK，8PSK，MSK的歸一化功率譜線

圖2 2FSK，4FSK，8PSK，MSK的歸一化平方譜線

2 信噪比盲估計

第1節完成了傳感器節點對數字調制信號特征參數提取和分類特征向量的建立，在頻譜監測傳感網的融合中心上，還需要對各傳感器節點分配權值，即融合中心對傳感器節點的信任度進行賦值.下面利用信噪比的大小對其分配權值.

第i個傳感器節點的接收信號可表示為式(2),進行無失真采樣后，得到其離散形式為

yi(k)=si(k)+ni(k)，k∈[1,2,…,N]．

(5)

式中：si(k)表示調制信號；ni(k)為獨立的零均值高斯噪聲；N為采集信號長度.構造接收信號的協方差矩陣[10-11]，令

l,q∈[1,2,…,m]，

(6)

則協方差矩陣的模型為

(7)

式中，m為協方差矩陣的維數，它影響協方差矩陣及其奇異值表述信號的分辨率，m選擇過小，協方差矩陣失真大，影響信噪比估計，m選擇過大，增加不必要的計算量，m一般取值為50～100.

對接收信號的協方差矩陣分解為

R=E{yyH}=E{[s+n][s+n]H}

=E{ssH}+E{nnH}=Rs+Rn，

(8)

由于觀測噪聲與信號相互獨立不相關，且具有相同的方差，所以Rn=σ2I，則式(8)可變為

R=Rs+σ2I.

(9)

若rank(Rs)=r,則：

R=U∑UH+σ2I=U(∑+σ2)UH=UΠUH.

(10)

式中，

Π=∑+σ2I

(11)

由式(10)可知只要得到接收信號的信號子空間的維數，即可分離出信號子空間和噪聲子空間，目前估計信號子空間的方法有最小描述長度(Minimum description length,MDL)、Akaike信息量準則(Akaike information criterion, AIC)、聯合信息準則(Combined information criterion,CIC等方法，這里采用MDL方法，具體準則如下：

(12)

定義MDL目標函數為

FMDL(p)= (N-m)(m-p)lg[Tsph(p)]+

(13)

信號空間的維數估計為

(14)

根據上述原理，給出具體信噪比估計步驟如下：

1) 根據式(6)與(7)構造協方差矩陣；

為檢驗算法有效性，計算估計偏差和標準差作為評估方法，定義如下：

(15)

(16)

利用所提出算法對QPSK、16QAM兩種信號的信噪比估計進行仿真驗證，結合式(15)和(16)對性能進行分析，假定協方差矩陣的維度為60，對兩種信號進行1 000個碼元的采集，仿真次數為100次，信噪比變化范圍為-8～20 dB.

圖3給出了兩種信號信噪比估計的偏差和標準差隨信噪比的變化曲線.由圖3可以看出: 算法在信噪比小于13 dB時，偏差能夠控制在0.5 dB范圍以內; 而標準差可保持在0.25 dB以內；在信噪比較大時，偏差較大; 但當信噪比較大時，偏差對信號識別概率的影響幾乎可以忽略.所以，提出的信噪比算法滿足對QPSK、16QAM兩種信號識別的要求.

圖3 信噪比估計的偏差和標準差

3 分布式協同信號識別框架

上面詳細介紹了頻譜監測傳感網中傳感器節點上完成的特征參數提取與信噪比盲估計，為進一步提高對信號的識別概率，利用數據融合，可極大程度消除對未知信號判斷模糊性，當少數傳感器節點信道條件惡化時，融合中心仍能保持較高的識別概率.目前，關于多傳感器信號識別的融合算法主要是在決策層上采用大數判決的方法[12]，即根據傳感器節點的判決信息，選擇多數傳感器都判斷的類型作為最終識別結果.而文中提出的方法是根據對各傳感器節點信噪比的估計對其可信度進行賦值，在特征層上，將各傳感器節點提取的特征向量進行融合，利用融合后的特征向量進行信號調制方式識別，從而完成整個分布式算法的識別過程.圖4給出了分布式協同信號識別整體框架.

圖4 分布式協同信號識別框架

其具體實施步驟為：

步驟1 信號預處理：對各傳感器節點采集的信號數據進行預處理，如完成載波、相位、定時同步以及波形恢復，得到待識別的復基帶調制信號.

步驟2 特征提取：根據第2節所述，各傳感器節點提取用于調制識別的各類特征參數，這里主要提取特征向量T={T1,T2,T3,T4,P1,P2}.

步驟6 類型識別:根據第2節所建立的特征分類過程，結合步驟5融合后的特征參數，進行數字調制信號的類型識別.

4 仿真分析

仿真場景1 假設傳感器節點數目為10，且所有傳感器節點的接收條件相同，信噪比在-5.5～-3.5 dB變化，仿真次數為100次，信號采樣頻率為20 kHz，碼元速率為100 bit/s，且MFSK的頻偏為500 Hz，相位抖動為5°，仿真采樣碼元為2 000個，噪聲為高斯白噪聲.融合算法對各種調制信號的識別性能如圖5所示，當信噪比大于-4.5 dB時對所有數字調制信號均能達到90%的識別概率.

圖5 10個接收條件相同傳感器的識別概率

仿真場景2 當傳感器節點數目為3個，且接收條件不同，即其中一個傳感器節點的信噪比RSN1變化范圍是-8～0 dB，另外兩個傳感器節點的信噪比分別為RSN2=RSN1+1，RSN3=RSN2+2，其他仿真條件與場景1相同，圖6給出了融合算法對各種調制信號的識別性能，在信噪比大于-5 dB時能達到90%的識別概率.該仿真場景主要體現的是當個別節點所處接收信號條件相對惡劣的情況下，只要保證其他某幾個節點的接收環境，經過融合中心的融合處理，仍能達到較高的識別概率.

圖6 3個接收條件不同傳感器的識別概率

5 結 論

研究了一種分布式協同信號識別方法，對于單傳感器節點采用高階累量和譜線特征建立了一組健壯性較強的分類特征，節點將信噪比的估計值和特征參數作為樣本，在特征層上，根據信噪比為每個傳感器分配權值，并對各傳感器節點的特征向量進行融合，最終得到能夠反映單傳感器節點不確定性的融合特征向量，結合已建立的分類算法對接收信號進行最終判別.仿真表明，即使在部分傳感器節點的接收環境較為惡劣的情況下，該方法仍能保持較高的識別概率.

[1] 楊 琳.數字通信信號調制方式自動識別技術研究[D].合肥: 中國科學技術大學,2008.

YANG Lin. Research on Techniques in automatic Modulation Classification for Digital Communication Signals[D].Hefei: University of Science and Technology of China,2008.(in Chinese)

[2] 馮 祥,李建東.調制識別算法及性能分析[J].電波科學學報,2005,20(6):737-740.

Feng Xiang,LI Jiandong. Modulation classification algorithms and performance analysis[J].Chinese Journal of radio science,2005,20(6):737-740.(in Chinese)

[3] 胡建偉,楊紹權,湯建龍.多徑信道下MPSK信號的調制分類算法[J].電波科學學報,2005,20(4):505-509.

HU Jianwei,YANG Shaoquan,TANG Jianlong. Modulation classification of MPSK signals in multipath fading channel[J]. Chinese Journal of Radio Science,2005,20(4):505-509.(in Chinese)

[4] 李 鵬,汪芙平,王贊基.一種短波信道中數字調制方式識別算法[J].電波科學學報,2007,22(5):735-739.

LI Peng,WANG Fuping,WANG Zanji. Algorithm for modulation recognition in shortwave channel environment [J]. Chinese Journal of Radio Science,2007,22(5): 735-739.(in Chinese)

[5] 范海波,楊志俊,曹志剛. 衛星通信常用調制方式的自動識別[J].通信學報,2004,25(1):140-149.

FAN Haibo,YANG Zhijun,CAO Zhigang. Automatic recognition for common used modulations in satellite communication[J].Joural of China institution of communication, 2004,25(1):140-149.(in Chinese)

[6] WEI W, MENDEL M.Maximum-likelihood classification for digital amplitude-phase modulations[J].IEEE Trans on Communication,2000,48(2):189-193.

[7] 黃 英,雷 菁.衛星通信中調制識別算法研究[J].系統工程與電子技術,2009,31(6):1303-1306.

HUANG Ying,LEI Jing.Research on recognition of modulation signals in satellite communication [J]. Systems Engineering and Electronics,2009,31(6):1303-1306.(in Chinese)

[8] 韓崇昭,朱洪艷,段戰勝.多源信息融合 [M]. 2版.北京: 清華大學出版社,2010:1-12.

[9] ANANTHRAM S, BRIAN M S.Hierarchical digital modulation classification using cumulants[J].IEEE Transaction on Communication,2000,48(3):416-429.

[10] ZHAN Yafeng,CAO Zhigang,MA Zhengxin. A blind SNR estimation algorithm for MPSK signals in AWGN Channel[C]∥Proceedings of ICFS. Tokyo: Waseda University,2002.

[11] 孫剛燦,安建平,楊 杰,等.非協作通信中的信噪比估計算法[J].北京理工大學學報,2009,29(8):708-712.

SUN Gangcan, An Jianping,YANG Jie,et al. Signal and noise ratio estimation method in non-cooperative communication[J].Transactions of Beijing Institute of Technology,2009,29(8):708-712.(in Chinese)

[12] 程漢文,陳 亮,吳樂南.基于加權表決的決策層融合多系統調制識別[J]. 系統工程與電子技術,2010,32(2): 342-345.

CHENG Hanwen, CHEN Liang, WU Lenan. Weighted voting based on decision fusion for modulation classification of multisystems[J]. Systems Engineering and Electronics,2010,32(2): 342-345.(in Chinese)