一種計算機無線通信信號調制識別方法*

楊雯迪

（遼寧師范大學 計算機與信息技術學院，遼寧 沈陽 110200）

0 引 言

如今，將計算機技術與無線通信技術結合的計算機通信技術廣泛應用在軍事、民用等領域，在現代通信中有著重要作用。與傳統的通信技術相比，計算機無線通信技術通信能力較強、包含信息量大且適應時空轉換，在實現智能通信、實時檢測等應用方面前景廣闊[1]。在計算機無線通信體系中，結合計算機技術，對無線通信信號的檢測及其調制類型的自動識別是當前的研究熱點，而以計算機技術為基礎的無線通信信號自動識別研究意義重大。

為實現無線通信信號迅速、精確的識別，針對信號特征提取，部分研究人員提出了基于信號瞬時相位和頻率、小波變換、希爾伯特黃變換等計算機技術的特征提取方法[2]，而針對計算機分類器的設計，為改善調制識別的效率和準確率，提出了選擇樹分類器、人工神經網絡分類器和支持向量機分類器[3]等。

本文擬基于一種GA-LSSVM的計算機調制識別技術，構造一種新的無線通信信號分類器，以使調制信號的識別分類更加準確、高效。

1 模式識別

1.1 遺傳算法

遺傳算法（GA）是一種進化算法，基本原理是仿照自然界中“物競天擇、適者生存”原則，將問題參數進行編碼，采用迭代方式對染色體進行選擇、交叉以及變異等操作，通過交換不同染色體信息，實現對目標參數的優化選擇[4]。

采用遺傳算法對最小支持向量機參數[5-6]進行優化，算法基本步驟如下：

（1）隨機產生搜索空間內100個個體s1,s2,…,s100組成初始種群S，置代數計數器t=1；

（2）計算S中每一個個體si的適應度fi=f (si)；

（3）計算概率：

根據上述概率分布公式，依次從S中隨機選取個體并進行染色體復制，復制100次，使用新的染色體群體代替原來群體，得到新群體S2。

（4）根據交叉率Pc選擇參加交叉的染色體數C，從S2中隨機選出C個染色體配對進行交叉操作，使用新的染色體代替原染色體群體，得到群體S3。

（5）根據變異率Pm、變異次數m，從S3中隨機選出m個染色體進行變異操作，并使用新的染色體代替原染色體群體，得到群體S4。

（6）重復上述步驟，直至得到最優解。

圖1為遺傳算法實現流程。

1.2 支持向量機

最小二乘支持向量機（LSSVM）主要針對二分類問題，基本思想是采用結構風險最小化原則，構造滿足條件的分類平面，通過將次平面作為決策面，保證分類正確的同時，使得兩類樣本之間的間距最大化。

LSSVM具有以下優點：

（1）有效性：是最好的解決實際問題的方法之一；

（2）魯棒性：不需要微調；

（3）計算簡單：方法實現利用簡單的優化技術；

（4）理論完善：基于VC推廣性理論的框架。

圖1 遺傳算法實現流程

在支持向量機x(i)和輸入空間抽取的向量x之間的內積核概念是算法的關鍵，其體系機構如圖2所示。

圖2 支持向量機架構

K為核函數，向量機的復雜度因核函數的不同存在差異。經常使用的核函數有以下幾種[7]：

（1）多項式核函數

（2）徑向基核函數

（3）多層神經網絡正切雙曲線核函數

式（1）、式（2）和式（3）中：

式（3）中，q、δ、v、c都是核函數參數。

核函數廣泛應用于目標預測等眾多領域，其優勢表現如下[8]：

（1）在進行非線性變換時，φ(x)參數值、形式可未知；

（2）空間樣本數據映射至高維特征空間的方式取決于核函數，不同類型的核函數和對應參數，對分類性能有不同的影響；

（3）核函數矩陣不受空間維數限制，可用于解決高維數據輸入問題，有效解決維數災難問題，降低計算復雜度；

（4）核函數方式兼容性較好，可與不同方法進行融合生成混合方法。

本文設D={(xk, yk)|k=1,2,…,N}。其中，xk∈R為不同位置任務選取最優半徑時對應的競爭度取值，yk∈R是最優半徑對應的最低定價。在權值ω空間中，最小二乘支持向量機解目標函數如下：

約束條件為：

定義拉格朗日函數為：

式中，拉格朗日乘子αk∈R。對式（8）進行優化，即對w、b、ek、αk求偏導，令結果等于0，則最終可得到矩陣方程如下：

式中：

將Mercer條件帶入Ω=ZZT中，有：

進而可實現對式（7）和式（8）的求解。此外，本文選取最小二乘支持向量機的決策函數：

2 數字信號調制識別模型

2.1 特征參數提取

在對通信信號進行識別時，通過對待識別樣本信號進行特征參數提取，可有效降低數據量對信號識別的影響，通過將高維樣本數據轉換至低維空間，可有效降低數據的空間維數[9]。特性參數的選擇方法不同、估計方法不同，分類算法性能也不同。

對不同特征參數的評價可從以下方面進行：特征參數是否對調制信號的特點進行顯著表征，特征參數可否對噪聲干擾進行有效抑制。本文從待識別信號的頻譜、信號復雜度以及瞬時信息等中選擇不同特征參數，構成樣本信號的特征集。

（1）零中心歸一化順勢幅度譜密度最大值γmax：

式中，Ns表示信號采樣點數目，a(i)為信號瞬時幅度，ma為瞬時幅度取平均值，an(i)表示采用歸一化處理之后的瞬時幅度，acn(i)表示采用中心歸一化處理后的瞬時幅度。通過對瞬時幅度進行歸一化處理，可消除信道增益對特征參數的干擾。信號的特征參數γmax表征幅度變化信息，可用來區分（FSK、4PSK）和（ASK、2PSK、16QAM）。

（2）零中心歸一化瞬時幅度絕對值標準差：

2PSK信號調制過程中，振幅并非完全對稱。特征參數δaa表征信號幅值絕對值的變化程度，可區分2ASK和2PSK信號。

（3）振幅包絡的標準差E：

4PSK、16QAM載波幅度有較多的取值，與2ASK和2PSK信號相比，擁有較大的瞬時幅度波動和幅度包絡方差。采用特征參數E對信號瞬時幅度的波動程度進行說明，可有效識別2ASK、4ASK、2PSK和16QAM。

（4）特征參數R：

其中，μ表示信號振幅包絡平均值，δ表示信號振幅包絡平方標準差。特征參數體現了信號振幅包絡的波動情況，區分16QAM和4ASK。

（5）非弱信號段中心歸一化瞬時頻率絕對值標準差 σaf：

式中，at表示信號幅度的閾值，常用來對非弱信號段進行判別，取值1；C為采用點中處于非弱信號段的樣本數目；fN(i)表示非弱信號段歸一化處理后的瞬時頻率。特征參數σaf表征信號中的絕對頻率信息狀態，可用于判別2FSK和4FSK。

（6）信號盒維數DB：

盒維數起源于分形理論，可對信號的不規則程度、復雜度以及幾何尺寸作出準確描述。數字調制信號是一個隨時間依次變化的規則序列，特征參數可用來區分4PSK與2FSK、4FSK。

2.2 基于GA-LSSVM調制識別

利用GA-LSSVM分類器對調制識別的樣本信號特征集合進行識別分類，具體顯示步驟如下。

步驟1：按照特征提取公式，分別提取7種數字調制信號的相關特征參數，選擇調制識別樣本信號特征集合為LSSVM分類器輸入數據。

步驟2：選擇合適的核函數。

步驟3：采用遺傳算法對SVM分類器參數C和σ進行尋優，找到最優解后帶入SVM模型，構成GA-LSSVM分類器。

步驟4：將訓練樣本數據輸入GA-LSSVM分類器，實現分類器訓練過程，定位最優分類超平面，構建GA-LSSVM分類模型；將樣本數據集帶入訓練完成的分類模型，輸出結果是各調制信號的類型。

3 仿真結果與分析

在分布高斯噪聲的信號中，選擇2ASK、4ASK、2FSK、4FSK、2PSK、4PSK和 16QAM等 待識別信號，提取對應的特征參數構建樣本集，利用GA-LSSVM分類模型對不同數字信號進行識別分類。

調制信號參數設置如下：符號速率ra=1，采樣頻率fs=200 kHz，載波頻率fc=20 kHz，FSK信號的頻偏df=10 kHz，在信噪比-5～10 dB內，每隔5 dB取樣一次，每次取樣數目為400，每個樣本包含50個碼元。

設置GA算法的參數如下：搜索空間范圍[0.001，1 000]，種群規模100，迭代次數為100，交叉概率為0.4，變異概率為0.2。為進一步驗證本文算法識別性能，不同算法測試相關結果如圖3所示。

圖3 不同算法準確度對比

可見，在核函數相同的條件下，將本文測試結果與粒子群優化算法（PSO-LSSVM）、擴展蜂群優化算法（EPSAB-LSSVM）以及最小二乘支持向量機（LSSVM）對比，發現在方正的各信噪比點上，基于遺傳算法的最小二乘支持向量機分類誤差均小于10%，分類準確性達到90%以上，分類優勢明顯。

4 結 語

構建新型的計算機無線通信分類器，為無線電數字信號調制識別提供了新的方法。首先通過GALSSVM算法優化選取了SVM分類懲罰因子和核函數參數，提升分類器效率，在不同信噪條件下，評估GA-LSSVM識別分類器的性能。對七種數字調制信號進行計算機識別仿真結果顯示，噪聲環境不同時，與其它識別分類器相比，GA-LSSVM分類器性能更優，且當信噪比大于0 dB時，分類器的分類誤差可控制在10%以下。