通信信號多調制方式自動識別綜述

武警工程大學信息工程系 謝躍輝 趙亞欣

?

通信信號多調制方式自動識別綜述

武警工程大學信息工程系 謝躍輝 趙亞欣

【摘要】介紹了多種調制識別方法，重點介紹了小波變換和兩種分類器，并分析了通信信號調制識別中方法各自利弊。

【關鍵詞】調制識別；小波變換；支持向量機；人工神經網絡

0　引言

調制解調技術是物理層傳輸技術中重要組成部分，基本任務是識別出信號的調制類型，估計出信號的關鍵參數，為后續信號的分析處理提供依據。目前調制方式自動識別的研究方法主要可以分為兩類：一是基于假設檢驗的最大似然方法，二是基于特征提取的模式識別方法[1]。基于假設檢驗的最大似然方法，是通過對信號的似然函數進行處理，將得到的似然比與閾值進行比較，完成調制識別功能。基于特征提取的模式識別方法，通常包含兩個子系統，一個子系統用于提取信號的特征參數，另一個子系統根據信號的特征參數，采用一定的分類器確定信號的調制類型。

1　基于假設檢驗的最大似然調制識別

貝葉斯估計意義上講，基于最大似然方法的分類結果是最優的。但是它需要根據信號的統計特性設置合適的門限值，因此閾值設定是其核心和難點，計算復雜度較高，不利于在線分析，對模型失配和參數偏差問題較敏感，穩健性較差。

由于未知信號的信息內容、信道參數估計誤差等使得構造的似然函數中一般含有未知參數。根據對未知參數處理方法的不同,似然比檢驗主要可分為三類[2]：平均似然比檢驗、廣義似然比檢驗和混合似然比檢驗。

2　基于特征提取的模式識別

基于特征參數提取的調制識別，主要包含兩個階段：分類器訓練階段和調制信號識別階段。這類方法關鍵在于提取能夠區分不同調制方式的特征參數，特征提取是調制識別問題的關鍵。目前，已經提出了許多特征參數提取的算法。常用的特征參數有：基于瞬時幅度、頻率及相位的特征參數；基于信號統計量特征的參數提取，主要包含基于高階累積量的特征參數，基于混合矩的特征參數，基于循環累積量的特征參數等；基于信號變換域的特征參數提取；基于信號星座圖恢復的方法等。

3　小波變換

特征參數的提取方法很多，與大多數識別方法不同，小波變換方法不需要任何先驗知識，且小波變換對非平穩信號有著很好的檢測能力，算法速度快，滿足實時需要，利用小波分析提取數字調制信號的特征參數非常有效[3]。小波分析主要研究函數的表示，就是將函數分解為“基本函數”之和，小波函數具有良好的光滑性和局部性，可以分析函數的局部和整體的性質[4]。常用的小波函數有Haar小波、mexh小波和meyer小波。mexh小波不具有正交性，而meyer小波不具有緊支集，只有Haar小波滿足能達到最佳提取信號特征的條件。Haar小波定義為：

圖1　小波及尺度伸縮與平移

4　分類器的設計

基于特征提取調制識別方法的重點在于在非理想環境下利用合適的分類器提取較為穩健的信號特征參數作為識別調制類型的依據，識別出調制信號的類型。分類器中主要包括人工神經網絡、支持向量機 、聚類以及其他一些模式識別方法。

圖2　三層BP神經網絡結構

圖3　最優分類面示意圖

（1）人工神經網絡

人工神經網絡是模擬人類大腦功能而提出的數學模型[5]。目前，在人工神經網絡的實際應用中，絕大部分的神經網絡模型都采用BP網絡及其變化形式。BP網絡是一種多層前饋型神經網絡，其神經元的傳遞函數是S型函數，輸出量為0到1之間的連續量，它可以實現從輸入到輸出的任意非線性映射。包括輸入層、隱含層和輸出層。它的特點是：各層神經元之間無任何連接，僅相鄰層神經元之間有連接。如圖2所示。

BP神經網絡的輸入輸出關系是一個高度非線性映射關系，它是從輸入的m維（樣本特征矢量空間）歐氏空間到輸出的n維（類別空間）歐氏空間的映射。

（2）支持向量機(SVM)

支持向量機主要利用非線性變換將輸入空間變換到另一個線性可分的高維空間。在這個高維空間構造最優超平面[6]，作為分類面使兩類樣本間的距離達到最大，如圖3所示。

SVM從理論上實現了對不同類別的最優分類，有較好的推廣能力，能根據信號的特征值，有效的識別調制信號的類型。

5　結束語

調制識別方法有很多，但是重點在于選取當前硬件匹配，適于在線分析的方法。以上研究的熱點方法各有利弊，需要針對不同情況分析利用。

參考文獻

[1]程汗文,吳樂南.基于信息融合的信號調制方式識別[J].信號處理,2009,25(4):625-629.

[2]O.Dobre,A.Abdi,Y.Bar-Ness, and W.Su.Survey of Automatic Modulation Classification Techniques: Classical Approaches and New Trends[J].IET Communications,2007,1(2):137-156.

[3]Prakasam and M.Madheswaran,“Modulation identification algorithm for adaptive demodulator in software defined radios using wavelet transform”, International Journal of Signal Processing, vol.5, no.1,pp.74-81,2009.

[4]錢平.軟件無線電調制自動識別研究[D].江南大學,2013.

[5]Ahmadi N,Berangi R.Modulation classification of QAM and PSK from their constellation using Genetic Algorithm and hierarchical clustering[C].3rd International Conference on Information and Communication Technologies: From Theory to Applications,2008:1-5.

[6]Ataollah Ebrahimzade Sherme.A novel method for automatic modulation recognition[J].Applied Soft Computing,201212(1):453-461.