認知無線電Underlay模式下MQAM信號的調制識別

劉明騫,李建英,李兵兵,陳錢

(1.西安電子科技大學信息感知技術協(xié)同創(chuàng)新中心,710071,西安;2.南京理工大學電子工程與光電技術學院,210094,南京;3.徐州雷奧醫(yī)療設備有限公司,221116,江蘇徐州)

認知無線電技術是通過頻譜共享的方式合理高效的分配使用有限的頻譜資源技術[1]。認知無線電頻譜共享模式分為overlay頻譜共享模式和underlay頻譜共享模式。在underlay頻譜共享模式下的頻譜共享是指次用戶在不超過干擾溫度的前提下,可與主用戶共用頻譜資源,從而提高頻譜的利用率[2]。在underlay頻譜共享模式下,主用戶信號和次用戶信號為時頻域重疊的信號。由于不同的調制方式所對應的干擾溫度不同,因此研究underlay頻譜共享模式下時頻重疊信號調制方式的識別是很有必要的。

目前,對時頻重疊信號的調制識別主要集中于直接提取非平穩(wěn)信號的循環(huán)頻率特性上。文獻[3]提出基于四階循環(huán)累積量的時頻重疊PSK調制信號的特征提取方法,該方法在數據足夠長、信噪比為10 dB時,可以達到90%以上的識別率,但該方法受載頻和碼速率等先驗信息的估計精度的影響較大。文獻[4]針對時頻重疊QPSK調制信號和16QAM調制信號,提出了一種利用接收信號高階循環(huán)累積量構建分類特征,用支撐向量機分類實現(xiàn)信號的調制識別,但該方法需要較大的采樣數據和一定的訓練信號來達到較高的識別率。文獻[5]提出一種基于高階累積量的時頻重疊信號的調制識別方法,但該方法在低信噪比下MQAM信號的性能較差。文獻[6]結合二階和四階循環(huán)累積量的循環(huán)頻率特性和結構特征,提出一種基于循環(huán)頻率特征的單信道混合通信信號調制識別的方法和實現(xiàn)算法,但是該方法限定不同分量信號的符號率、載頻是不同的。文獻[7]提出了一種基于循環(huán)累積量及其頻率特性分析的時頻重疊信號的識別方法,但是該方法中16QAM調制信號和64QAM調制信號的識別效果不佳。文獻[8]提出一種基于廣義自回歸建模的同信道多信號的調制識別方法,但該方法僅適用于信號頻域可分或部分重疊的情況。

針對上述問題,本文提出一種基于時頻圖像紋理特征的時頻重疊MQAM調制信號的識別方法。該方法首先對接收到的時頻重疊信號做關于頻率切片小波變換(frequency slice wavelet Transform,FSWT)得到該信號的時頻分析圖像,并依據FSWT的頻率切片性質截取時頻分析圖像等高圖中紋理差異較明顯的部分,然后對所截取的圖像進行灰度化處理得到所需的二維灰度圖像,并提取基于灰度-梯度共生矩陣的圖像紋理特征向量,最后利用徑向基(radial basis function,RBF)神經網絡分類器實現(xiàn)了時頻重疊MQAM信號的調制方式的識別。仿真結果表明,本文方法在信噪比為2 dB時,時頻重疊MQAM信號的平均識別率可達到94%以上,是一種有效可行的方法。

1 信號模型

在underlay頻譜共享模式下,主用戶和次用戶共享頻譜,此時信號為時頻重疊信號p(t),可以表示為[2]

(1)

式中:N為用戶信號個數;n(t)為高斯白噪聲;si(t)表示第i個用戶的數字調制信號;si(t)和n(t)之間相互獨立。當si(t)為MQAM調制時,可表示為

si(t)=

(2)

式中:p為采樣長度;g(t)為成型脈沖函數;fci為載波頻率;φ0i為初始相位;Ti為符號周期;ai和bi分別為信號si(t)的同相分量和正交分量,當M=16時,ai,bi∈{±3,±1,},當M=32時,ai,bi∈{±5,±3,±1}且不包含(5,5)、(-5,5)、(5,-5)和(-5,-5),當M=64時,ai,bi∈{±7,±5,±3,±1}。本文待識別的時頻重疊信號為時頻重疊MQAM信號。

2 調制識別方法

2.1 頻率切片小波變換

頻率切片小波變換定義為[9]

(3)

依據帕塞維爾方程,如果σ不是估計頻率v的函數,則式(4)可表示為

Ff(t,ω,σ)=

(4)

2.1.1 尺度因子的確定 頻率切片小波變換的時頻分析特性取決于尺度因子σ的大小。尺度因子σ是時間分辨率和頻率分辨率的平衡參數,其選擇基于以下的原理[10]:根據Morlet小波變換原理有σ∝ω,可設σ=ω/k,k>0,則式(4)轉化為

(5)

Ff(t,ω,k)=

(6)

由于Heisenberg的不確定原理的限制,不可能使時域分辨率和頻域分辨率同時達到最高,只能折中估計σ或k,因此引入2個評價參數來分析時頻分辨率:頻率分辨率比η=Δω/ω和幅值期望響應比ξ(0<ξ≤1),其中ξ通常取值為21/2/2、0.5、0.25等[11]。下面用狄克拉函數建立不等式,并對尺度因子進行分析。

(1)當p(t)=δ(t-t0)且頻率小波變換滿足

(7)

和式(6)時,可得到

(8)

即

(9)

(2)當p(t)=exp(jω0t)且頻率小波變換滿足

(10)

和式(5)時,可得到

|h(σΔt)|≤ξ|h(0)|

(11)

即

(12)

式中:μ是頻率變化量與時間變化量的積,即

μ=ΔωΔt

(13)

(14)

從而建立了變換因子k與時頻分辨率比η之間的關系。由于σ=ω/k反映了尺度因子σ與k之間的關系,因此可以通過調節(jié)k的大小來實現(xiàn)所需的時頻分辨率。

2.1.3 頻率切片時頻區(qū)域選取 由于FSWT具有頻率切片的性質,因此所得到的時頻分析圖像可依據圖像的特點自由地截取所需的頻率切片,以便于紋理特征的分析。下面以頻譜重疊率為20%的雙16QAM信號為例,說明頻率切片時頻區(qū)域的選取步驟:①利用式(3)對接收時頻重疊信號進行時頻分析得到時頻分析圖像,如圖1所示;②對時頻分析圖像取等高圖得到二維圖像,如圖2所示。由于不同調制類型的時頻重疊信號等高圖中能量聚集集中的部分存在明顯的紋理差異,因而選取圖2中能量聚集的頻率切片作為提取時頻圖像紋理特征的對象。在圖2中,空白部分表示無信號信息,位置①部分表示信號信息較弱,位置②部分表示信號信息較強,該部分為信號能量聚集的部分。

圖1 時頻重疊信號的FSWT時頻分析圖

圖2 時頻重疊信號FSWT時頻分析圖的等高圖

2.2 圖像紋理特征的提取

2.2.1 圖像灰度化 彩色圖像是由紅(R)、綠(G)、藍(B)三原色組成的,為了便于圖像處理,通常將彩色圖像轉化為灰度圖像,即圖像的灰度化。在彩色圖像中,R、G、B這3個分量值的范圍是0～255,可以理解為一個三維的空間直角坐標系,則彩色圖像中每個像素的顏色都可以用該空間的一個點來表示;在灰度圖像中,R=G=B,則灰度圖像的每個像素的顏色值在R=G=B直線上,此時R=G=B的值叫灰度值。彩色圖像灰度化一般的方法有分量法、最大值法、平均值法和加權平均法。本文根據人眼對不同顏色的敏感程度的差異,采用加權平均的方法,將3個分量進行加權平均處理,從而得到灰度化圖像。灰度值Gray的加權公式為[13]

Gray=0.290 0R+0.587 00G+0.114 00B

(15)

2.2.2 灰度梯度共生矩陣 紋理是圖像的一個重要的卻很難描述的特性。對于外形相似但由于方向和角度的多樣性的呈現(xiàn)的圖像實為一類,因此對于提取的同一種特征值應比較接近,圖像的旋轉不變性的研究對于圖像的紋理特性的特征提取就顯得尤為重要。本文采用灰度-梯度共生矩陣提取時頻圖像的紋理特征,在圖像紋理特征的提取過程中對于不同旋轉角度和方向的變換不敏感,具有較好的紋理特性分析效果。

灰度-梯度共生矩陣的基本原理[14]:灰度-梯度共生矩陣的元素H(x,y)(x=0,1,2,…,Lf;y=0,1,2,…,Lg-1)定義為在歸一化的灰度圖像F(i,j)及歸一化的梯度圖像G(i,j)中具有灰度值x和梯度值y的像素數,可表示為

(16)

(17)

式中:gmax和gmin分別表示為梯度圖像像素的最大值和最小值;fmax和fmin分別表示為灰度圖像像素的最大值和最小值;Lf為圖像灰度級;Lg為圖像梯度級;x和y由集合{(i,j)|f(i,j)=x,g(i,j)=y;i,j=0,1,2,…,N-1}(N表示灰度值和梯度值的長度)可得;灰度值x=0,1,2,…,Lf-1和梯度值y=0,1,2,…,Lg-1。

(18)

由式(18)可知,灰度-梯度共生矩陣是將圖像灰度信息和梯度信息進行融合,共同表征圖像的紋理特性,并且具有較好的旋轉不變性,適用于時頻圖像特征的提取。15個特征從不同角度分析提取時頻圖像的紋理特性[15]。文獻[15]從不同角度提取了15個凸顯時頻圖像紋理特性的特征,在這15個特征中,小梯度優(yōu)勢和大梯度優(yōu)勢反映了灰度圖像的灰度信息變化的劇烈程度,即當圖像灰度變化平緩時,小梯度像素數多,小梯度優(yōu)勢大,相反當圖像的灰度變化劇烈時,大梯度像素多,大梯度優(yōu)勢大;能量反映了圖像的灰度分布均勻程度和紋理粗細度;慣性表示凹槽的深度;相關運算反映了圖像紋理特征的一致性;混合熵表示非均勻紋理圖像的復雜性以及紋理的水平方向和垂直方向的相似性;逆差矩反映圖像紋理的同質性,度量圖像紋理的局部變化等。本文通過這15個特征計算出灰度圖像的特征向量作為識別特征。

2.3 所提方法步驟

綜上所述,本文所提出的underlay認知無線電中時頻重疊MQAM信號的調制識別方法的具體步驟如下:

(1)利用式(3)對接收到的時頻重疊MQAM信號做關于FSWT的時頻分析得到時頻分析圖像;

(2)對時頻圖像取等高圖得到二維圖像,并依據FSWT的頻率切片性質截取紋理差異較明顯的部分;

(3)將截取的部分時頻分析圖像根據式(15)進行灰度化處理得到所需的二維灰度圖像;

(4)對灰度化圖像利用15個灰度-梯度相關特征計算其灰度-梯度共生矩陣特征向量;

3 仿真及分析

針對本文的時頻重疊信號的調制識別方法進行MATLAB仿真實驗,時頻重疊MQAM信號調制類型為16QAM、32QAM和64QAM,2個時頻重疊信號參數設置為:采樣頻率分別為30 MHz和60 MHz;載頻分別為5 MHz和7.6 MHz;碼元速率分別為1 MHz和2 MHz。3個時頻重疊信號參數設置為:采樣頻率分別為30 MHz、60 MHz和30 MHz;載頻分別為5 MHz、7.6 MHz和10.2 MHz;碼元速率分別為1 MHz、2 MHz和1 MHz。采樣點數為4 096,采用的觀測噪聲為高斯白噪聲,升余弦脈沖成型函數的滾降系數設為0.35。

實驗1 測試在不同信噪比和不同信號個數條件下,本文所提方法的識別性能。實驗采用分量信號功率相等且頻譜重疊率為20%的時頻重疊MQAM信號,實驗仿真結果如圖3所示。從圖3可以看出,隨著信噪比的增加,信號的識別率增大,在信噪比大于4 dB時,識別率可以達到90%以上。由此說明,本文所提的識別方法與時頻重疊信號的調制類型無關,但是與時頻重疊信號的個數有關,時頻重疊信號個數越少,識別正確率越高。

圖3 不同信號個數下本文方法的調制識別性能

實驗2 測試不同的頻譜重疊率下,本文所提方法的識別性能。以16QAM雙信號時頻重疊為例,分量信號功率比為1∶1,頻譜重疊率分別為40%、60%、80%和100%,實驗仿真結果如圖4所示。從圖4可以看出,在不同的頻譜重疊率下,信噪比大于2 dB時,信號的識別率均可達到95%以上。因此說明,本文方法對頻譜重疊率是穩(wěn)健的。

實驗3 測試不同功率比下,本文所提方法的識別性能。以16QAM雙信號時頻重疊為例,頻譜重疊率分別為20%,實驗仿真結果如圖5所示。從圖5可以看出,在不同的功率比下,信噪比大于4 dB時,信號的識別率均可達到95%以上。由此說明,本文方法對分量信號的功率比也是穩(wěn)健的。

圖4 不同重疊率下本文方法的調制識別性能

圖5 不同功率比下本文方法的調制識別性能

實驗4 在相同的實驗環(huán)境和信號參數設置下,以16QAM雙信號時頻重疊為例,將本文方法與文獻[5]和文獻[7]的方法進行對比實驗,實驗仿真結果如圖6所示。從圖6中可以看出,在信噪比大于0 dB時,本文的調制識別方法的識別率高于文獻[5]和文獻[7]方法的識別率,由此說明本文所提方法優(yōu)于現(xiàn)有的時頻重疊信號調制識別方法。此外,本文所提的識別方法的計算復雜度為O(n2)。

圖6 不同調制識別方法的性能對比

4 結 語

本文針對underlay認知無線電中時頻重疊的MQAM信號的識別問題,提出了一種基于時頻圖像紋理特性分析的調制識別方法。首先分析了時頻重疊MQAM信號的時頻特性,然后通過提取時頻圖像的紋理特征并使用RBF分類器實現(xiàn)了時頻重疊MQAM信號調制類型的識別。仿真結果表明,在低信噪比下,本文方法優(yōu)于現(xiàn)有的時頻重疊信號調制識別方法,并且本文方法對分量信號的功率比和頻譜重疊率具有穩(wěn)健性。

[1] SHI Yaohua, LIU Mingqian, ZHOU Fan. User numbers estimation for underlay cognitive radio [C]∥Proceedings of 6th International Conference on Wireless, Mobile and Multi-Media. London, UK: IET, 2015: 120-123.

[2] WANG Jianghong, LI Bingbing, LIU Mingqian, et al. SNR estimation of time-frequency overlapped signals for underlay cognitive radio [J]. IEEE Communications Letters, 2015, 19(11): 1925-1928.

[3] LI Kuangdai, GUO Lili, SHI Rong, et al. Modulation recognition method based on high order cyclic cumulants for time-frequency overlapped two-signal in the single-channel [C]∥Proceedings of 1st International Congress on Image and Signal Processing. Piscataway, NJ, USA: IEEE Computer Society, 2008: 474-478.

[4] 付海濤, 石榮, 萬群, 等. 基于HOCCs和SVM的單通道時頻重疊信號調制識別 [J]. 電子信息對抗技術, 2009, 24(6): 14-18. FU Haitao, SHI Rong, WAN Qun, et al. Modulation recognition based on HOCCs and SVM for co-channel time-frequency overlapped signal [J]. Electronic Information Confrontation Technology, 2009, 24(6): 14-18.

[5] 徐聞, 王斌. 采用高階累計量的時頻混疊信號調制識別研究 [J]. 信息工程大學學報, 2013, 14(3): 299-305. XU Wen, WANG Bin. Method of modulation recognition of time-frequency overlapped signals based on high-order cumulants [J]. Journal of Information Engineering University, 2013, 14(3): 299-305.

[6] 趙宇峰, 曹玉健, 紀勇, 等. 基于循環(huán)頻率特征的單信道混合通信信號的調制識別 [J]. 電子與信息學報, 2014, 36(5): 1202-1208. ZHAO Yufeng, CAO Yujian, JI Yong, et al. Modulation identification for single-channel mixed communication signals based on cyclic frequency features [J]. Journal of Electronics & Information Technology, 2014, 36(5): 1202-1208.

[7] 張洋, 彭華. 單通道混合信號調制識別 [J]. 信息工程大學學報, 2016, 17(6): 662-668. ZHANG Yang, PENG Hua. Modulation recognition for mixed signals in single channel [J]. Journal of Information Engineering University, 2016, 17(6): 662-668.

[8] 陸明泉, 肖先賜. 基于GAR的同信道多信號的調制識別 [J]. 清華大學學報(自然科學版), 2009, 49(10): 1676-1680. LU Mingquan, XIAO Xianci. Modulation recognition of multiple co-channel signals based on GAR [J]. Journal of Tsinghua University (Science and Technology), 2009, 49(10): 1676-1680.

[9] VENKATA SUBBARAO M. Time-frequency analysis of non-stationary signals using frequency slice wavelet transform [C]∥Proceedings of the 10th International Conference on Intelligent Systems and Control. Piscataway, NJ, USA: IEEE, 2016: 7726999.

[10]YAN Zhonghong, MIYAMOTO A, JIANG Zhongwei, et al. An overall theoretical description of frequency slice wavelet transform [J]. Mechanical Systems & Signal Processing, 2010, 24(2): 491-507.

[11]李建偉. 基于頻率切片小波變換的軌道交通輪軌振動信號分析 [D]. 南京: 南京理工大學, 2014: 34-37.

[12]WANG Fuge, XING Zongyi, QIN Yong, et al. The analysis of axle box vibration signal based on frequency slice wavelet transform [C]∥2015 International Conference on Computer and Computational Sciences. Piscataway, NJ, USA: IEEE, 2015: 64-69.

[13]賀姣. 基于色差模型的彩色圖像灰度化算法研究 [D]. 西安: 西安電子科技大學, 2014: 9-10.

[14]CHEN Shuo, WU Chengdong, CHEN Dongyue, et al. Scene classification based on gray level-gradient co-occurrence matrix in the neighborhood of interest points [C]∥IEEE International Conference on Intelligent Computing and Intelligent Systems. Piscataway, NJ, USA: IEEE, 2009: 482-485.

[15]UBUL K, YADIKAR N, AMAT A, et al. Uyghur document image retrieval based on gray gradient co-occurrence matrix [C]∥Proceedings of 2015 Chinese Automation Congress. Piscataway, NJ, USA: IEEE, 2015: 762-766.

[16]DEY A, SING J K. Face recognition by fuzzy generalized 2DFLD method and RBF neural network classifier [C]∥2015 IEEE Workshop on Computational Intelligence: Theories, Applications and Future Directions. Piscataway, NJ, USA: IEEE, 2015: 7495536.