利用神經網絡實現調制信號的自動識別

姜 莉

（四川信息職業技術學院，628000）

0 前言

自上個世紀末以來，信息科學技術迅猛發展，在社會各個領域得到越來越廣泛的應用，而通信是信息產業中發展最為迅速、進步最快的行業。近年來，人們針對不同的調制信號提出了許多調制識別的思想和方法。早期的調制識別由于人工參與，存在很多人為因素，識別結果因人而異，識別種類也非常有限。

1 調制信號的自動識別綜述

通信信號自動調制識別(Automatic Modulation Recognition)技術是近年來迅速發展起來的一門高新技術，隨著現代通信和信號處理技術的突飛猛進，通信信號體制和調制樣式日趨復雜和多樣，它是信號分析領域的重要組成部分。

調制識別過程的基本框架包括三部分：信號預處理部分、特征提取部分和分類識別部分。信號預處理部分的主要功能是為后續處理提供合適的數據；特征提取部分是從輸入的信號序列中提取對調制識別有用的信息；分類識別部分的主要功能是判斷信號調制類型的從屬關系。在一些調制識別中只使用模擬調制的方法，只使用數字調制方法，還有其它是數字與模擬方法都用到了。目前，在調制技術方面，模擬信號相對成熟一些，而在通信過程中對數據的處理又大多數要求數字化，數字調制也越來越受關注，出現了越來越多的針對數字調制信號的識別算法。

2 模擬信號

2.1 模擬信號的調制算法

當源信號是模擬信號且被改變的載波信號的參數也是連續變量時，即成為模擬調制。常見的模擬調制技術包括幅度調制（AM）、頻率調制（FM）、相位調制（PM），以及將以上調制方法結合的復合調制技術和多級調制技術。

2.2 模擬調制信號的自動識別

信號正交變換,即是對模擬信號做模數轉換后,用兩個相互正交的載波對信號做下變頻處理,然后得到兩路信號。兩路信號分別經過低通濾波后可以得到同相(I ,In p ha s e)分量和正交(Q, Qu ad rat u re )分量。進而通過相關算法對信號做相應的處理,得到信號的各類參數或者對信號進行解調等。采用人工神經網絡可自動設定各種識別門限；對調制信號實現智能化識別,而且識別速度快,正確識別率高。采用多層前饋神經網絡,網絡的學習算法采用反傳算法。假設網絡有M 層，第0 層是輸入層為理想輸出是輸入學習模式。網絡各節點的凈輸入為，l=1,2,3....m，輸出為，若=1 時為網絡輸入學習模式，其他情況是各節點輸出是網絡的實際輸出。

圖1. 模擬信號的識別流程

仿真結果：幾種信號特征參數的值，這些值經過100 次平均。可以看出，P—var 對AM、DSB、CW 等信號的值都很小，接近0，而其它三種信號的值都接近0.2，因此，該新特征參數具有識別效果。

3 數字信號

3.1 數字信號的算法

目前，數字信號因其抗干擾能力強，差錯可控，易加密，易于集成化處理等優勢，已成為當代通信技術的主流。數字調制，就是把數字基帶信號的頻譜搬移至高頻處，并形成適合在帶通信道中傳輸的頻帶信號。數字調制信號的自動識別方法有許多種，如判決理論、人工神經網絡、統計模式識別、譜檢測應用和濾波器等，采用BP 神經網絡量化共軛梯度算法，神經網絡(ANN)結構簡單(單隱層節點數為5，輸出節點數為3)，收斂速度大大提高；采用RBF(徑向基)神經網絡，其收斂速度和分類能力更強，穩定性好；利用小波系數進行神經網絡的訓練，收斂速度也非常快，泛化性好。

人工神經網絡(ANN)主要是利用計算機網絡對生物神經網絡進行模擬智能計算，發展至今已經有60 多年的歷史了。

3.2 數字調制信號的自動識別

調制識別過程包括3 個部分：信號預處理部分，為后續處理提供合適的數據；特征提取部分，從數據中提取信號的時域特征或變換域特征；分類識別部分，判斷信號調制類型的從屬關系，即選擇和確定合適的判決規則和分類器。針對常見數字調制方式識別的問題，經過多方面計算識別正確率達到99%以上，提高了可識別性。

4 多模式調節

4.1 多模式的調制原理

模擬數字混合信號算法使用統一的基于I／Q 正交雙路的信號處理架構，如圖l 所示，其中，設接收信號為其中，為已調信號；為的高斯白噪聲。經過乘法器相乘之后的信號分別為和，經過低通濾波模擬數字混合信號器后的信號分別為和，為基帶信號。

圖2 基于I／Q 正交雙路的信號處理架構

4.2 模擬數字調制信號的聯合自動識別

圖3 基于判決樹的模擬數字混合調翻信號識別流程

調制方式識別的核心是提取和計算特征參數，最大限度上利用不同調制方式信號在時域和頻域的區別可實現對信號調制方式的快速自動區分。共提出5 種識別參數來識別CW,FM，PM，FSK，PSK，AM，LSB，USB，ASK 和1 6QAM 信號。

識別流程如圖3 所示。

為了驗證各組參數的識別效果，對圖2 所示的基于判決樹的識別流程進行仿真。SNR 取0-20 dB，步進為2 dB，對每組信號做了100 次仿真實驗，采樣頻率為100 MHz，模調制信號(cw 除#19 調制頻率為100 kHz，調制指數均為1，數字調制信號的符號率為20 kHz，采樣點數均為10 000 點。仿真中ASK 信號以2ASK為例，FSK 信號以2FSK 為例，PSK 信號以QPSK 為例，得到的識別結果如表1 所示。

表1 模擬混合調制信號識別結果

從表1 可以看出，在SNR 不小于6 dB 時，采用文中調制識別算法的平均正確識別率在94%以上。

5 小結

神經網絡技術已經廣泛應用于圖像處理、信號處理、機器人技術、衛生保健、醫療、化工，以及數據挖掘、電力系統、軍事、交通、氣象、農業等各個方面。神經網絡的信息處理和信息存貯能力是有機結合在一起的，將其應用于通信系統調制、解調處理中，可以在提高信息安全性、提高數據恢復率、提高信息處理速度等方面提供新的思路。

[1] 張鳴，數字調制信號的自動識別[J]，通信技術，2008.12

[2] 李偉，基于人工神經網絡的數字調制信號的快速識別方法[J]，洛陽理工學院學報,2009.12

[3] 游偉,周先敏,模擬調制信號的自動調制識別[J],信號處理，2009.01