一種改進的衛星通信信號識別方法研究*

閆曉峰，吳治霖，熊 剛

（1.海軍裝備部，四川 成都 610036；2.中國電子科技集團公司第三十研究所，四川 成都 610041）

0 引言

隨著通信技術的迅猛發展，衛星信號傳輸系統已經成為信息通信中的重要組成部分，發揮著樞紐作用。衛星通信信號在各領域得到了廣泛運用，包括導航測控、信息廣播、通信中繼、地球遙感和軍事偵察監視等。由于網電空間環境的日益復雜和干擾信號的增加，開展衛星信號識別研究具有迫切的意義，可以實現頻譜監管、電磁干擾識別和空間電子對抗等方面的應用。信號識別的目的是根據不同類型信號的特征進行分析，從而判斷出待識別信號的類型，也是后續完成解調分析的參數前提。據報道，2007 年美軍研發了一種稱作地面威脅智能識別的系統（Intelligent Surface Threat Identification System，ISTIS），可利用信號的調制特征進行目標分類。經過多年的積累，它的調制識別技術更成熟更實用化。因此，美國防高級計劃研究局（Defense Advanced Research Projects Agency，DARPA） 認為調制識別是實現網電態勢感知的關鍵，有利于從密集的電磁頻譜中挖掘出更多情報信息。美國國家航空航天局（National Aeronautics and Space Administration，NASA）目前也把調制識別技術作為太空認知通信系統的重點之一，利用信號環境和時空信道參數，根據相應調制類型可達成自動接收器配置、干擾抑制等效果，從而動態優化通信鏈路。

在衛星通信過程中，由于傳輸距離長，受環境因素影響大，信道衰落較大，信噪比波動大，給衛星信號調制識別問題帶來了一定挑戰，已引起國內外研究人員和學者的重視[1]。基于判決理論的方法主要根據假設檢驗似然比和概率論得出識別結果[2]。此類方法可得到檢測統計量，但需要先驗知識，運算量一般較大。基于統計模式的方法需要特征提取和分類識別兩個步驟，常用的特征有星座圖、瞬時參量等，但有的思路須較高的信噪比（如星座圖算法和瞬時參量算法等），有的思路無法區分不同階調制信號（如譜分析法），有的思路則計算復雜度相對較高（如基于小波變換思路等）[3]。

針對以上問題，本文針對衛星信號的特點，提出了一種改進方法。該方法提取混合高階矩特征，使得可識別的信號類型集合擴展，有利于區分各階調制的信號，尤其適用于高階調制的衛星信號，并結合采用前饋型多層神經網絡進一步提高了分類器的性能和識別準確率，在低信噪比條件下魯棒性仍較好。在參數設置方面，通過進行優化計算且綜合考慮信道放大器等因素，增加了復雜環境中的分類效率。該方法實用性強，識別率高，無需太多先驗信息，且適合密集的頻譜環境，能識別多種類型衛星信號，包含BPSK 信號、QPSK 信號、16QAM 信號、64QAM 信號、16APSK 信號和32APSK 信號等。

1 信號模型分析

典型的衛星信號有DVB-S2（數字衛星廣播）信號、全球定位系統（Global Positioning System，GPS）信號、跟蹤與數據中繼衛星（Tracking and Data Relay Satellite System，TDRSS） 信號、國際海事移動衛星（INternational MARitime SATallite，INMARSAT）信號和美空軍衛星控制網（Air Force Satellite Control Network，AFSCN）信號等。其中，DVB-S2 信號具有高數據傳輸率，已受到了極其廣泛的關注。在DVB-S2 標準中，定義了QPSK、8PSK、16APSK 以及32APSK 多種調制可供選擇。與傳統QAM 類型相比，新型的高階APSK 類型便于實現變速率調制，具有更高的頻譜利用率，標志著衛星通信技術的進步，但也增大了調制識別的難度。此外，因為包含導頻序列和報頭，實際的DVB-S2 信號是非平穩信號，會導致過去一些識別算法失效，故需對信號的數學模型進行深入分析。

接收機在變頻、濾波處理后得到的含噪聲衛星信號數字表達式一般可表示為：

式中，A表示衛星信號幅度標量，fO表示信號的剩余頻偏分量，T表示符號周期，φ表示相偏分量，g[n]表示復數形式的加性高斯白噪聲，并可得出歸一化的平均功率表達式為：

考慮到最具代表性的衛星信號類型，可設調制類型集合為Ω={16APSK，32APSK，2PSK，4PSK，8PSK，16QAM，64QAM}。

通常而言，達到精準的頻偏估計是無法實現的，所以變換后的混合信號可表示成如下形式：

式中，*表示復數共軛，上述變換實質是將頻率偏移量轉化為相位偏移量，盡管時變信道中的fO可能導致z[n]在IQ 平面里出現少量的旋轉。

圖1 表示衛星信號傳輸的總體流程框圖。先將接收到的調制信號送入預處理模塊進行幅度歸一化、濾波等處理，然后通過特征提取模塊提取各種統計特征。

圖1 衛星信號傳輸的總體流程

圖1 中，FEC（Forward Error Correction）表示前向糾錯編碼，SRRC（Square Root Raised Cosine）表示平方根升余弦，HPA（High-Power Amplifier）表示高功率放大器，AWGN（Added White Gaussian Noise）表示加性高斯白噪聲信道，IMUX（Input Multiplexer）表示輸入放大器，TWTA（Traveling Wave Tube Amplifier）表示行波管放大器，OMUX（Output Multiplexer）表示輸出放大器。DVB-S2 接收器的設計需要考慮衛星信道特性。需要說明的是，圖1 中一系列處理過程已綜合了非線性失真、相位噪聲等損耗因素。

2 識別算法分析

2.1 特征提取思路分析

復數平穩隨機過程的混合矩s[n]可定義為：

根據隨機量均值定義，式（4）可近似轉化為：

引入信號新型特征計算，可定義一系列含有s[n]或s*[n]的隨機變量用于生成信號的混合矩，如下：

然后，可得出：

混合高階矩計算能夠在準平穩的條件下，使得信號有限長樣本估計具有一致性，且可以提供更豐富的對角切片特征。其中，π遍歷S的所有子集，B表示特定子集π內的集合，π內的集合數等于|π|。E[·]表示統計期望，Si表示在S中的第i個元素。例如，如果S={s1,s2}，則可能的子集將是{(s1,s2)}和{(s1),(s2)}。根據式（8），可得到：

若s1=s[n]且s2=s*[n]，通過式（5）和零均值隨機過程，可得出：

不妨設信號頻偏為0，且y[n]與z[n]都是平穩零均值隨機過程，則可用上述方法估計相應的混合矩。

圖2 和圖3 是歸一化的信號高階矩特征圖示，在圖中說明了各階矩的典型取值大小。

圖2 y[n]的各高階矩理論估計值

圖3 z[n]的各高階矩理論估計值

在圖2 和圖3 中，不同形狀的線條代表不同調制類型的信號。各階的高階矩特征都經過了歸一化處理，故其最大值等于1。根據高階矩的性質，高斯噪聲的4 階及以上的累積量均為0，APSK 調制信號的高階矩值與其星座圖上內外圓半徑比有關。

2.2 分類器思路分析

本文采取改進的識別分類器思路，此處使用的神經網絡分類器模型為前饋型、反向傳播的多層感知器網絡結構。前饋型多層神經網絡能夠處理復雜的非線性計算問題。由于累積量特征參數具有不同的量綱，取值范圍的差異相對較大，因此需要使用最值歸一化進行基本的縮放，將特征向量值規范到0～1，也使得各維度的參數分布較均勻，提升分類過程的收斂速率和識別性能。前饋型多層神經網絡模型的結構如圖4 所示。

圖4 前饋型多層神經網絡模型的結構

該網絡共3 層，輸入為一個長度為10 的經過預處理的特征向量，其寬度為40，是全連接的結構。網絡中激活函數采用線性整流tan 函數。該函數可起到較好的優化效果且能避免目標函數梯度急劇下降等問題。網絡的輸出層寬度為7（用符號Ω表示，（表示待識別的調制信號種類數目，此處與網絡輸出層的寬度相等），也為全連接結構，輸出激活函數為歸一化指數softmax 函數，即[4]：

式中，yk表示該神經網絡中輸出層第k個神經元輸出。該函數對于分類的作用是可以將輸出轉化為歸一化的概率分布。具體分類過程中使用了一個分類交叉熵損失函數和一個Adam 優化器，再通過SOFTMAX 層輸出的ARGMAX 索引來實現。

本文中改進識別分類方法的模型結構如圖5 所示。該神經網絡模型以一個10 元組的特征向量作為輸入，并返回一個長度為7 的輸出向量，其長度即調制集合的大小。調制識別結果通過輸出向量的ARGMAX 索引來確定。

圖5 改進方法中的神經網分類器結構

神經網絡的重要設計之一即為其隱含層的設計。實際中，隱含層節點數目不能太多，否則將造成過擬合問題；但節點數也不能太少，否則將無法擬合復雜的運算模型。一般可根據經驗基于網絡輸入及輸出節點數，確定隱含層的節點數范圍。訓練中使用的序列長度等于由特定分類器分類的向量長度。設信號序列為r[n]，長度選取為15000 個樣本點，信噪比為Es/N0，取值范圍是[-3,20] dB，歸一化后可轉化為y[n]。通過序列加信噪比后計算得到累積量特征向量，記作(FN,y)；將y[n]轉換成z[n]后得到的特征向量，記作(FN,z)。由于所有的分類步驟都經過了相同的神經網絡模型進行處理，因此可以使用以下訓練集作為神經網絡的輸入特征，進一步得到分類結果，分別為F1k,y、F2.5k,y、F5k,y、F10k,y、F20k,y、F40k,y、F80k,y、F10k,z、F20k,z、F40k,z以及F80k,z。另外，在信號捕獲期間，累積量受IQ平面上星座旋轉的影響，使得確定所需的最小序列長度非常重要。根據經驗，當存在隨機相偏時，FN,y和FN,z至少須要1000 個樣本才可達到一定的識別性能。在僅能捕獲到短序列樣本的情況下，基于FN,z特征的分類需比基于FN,y多2 倍的數據長度就能滿足對多種調制類型識別的條件。此外，在傳輸過程中，衛星信號通常被驅動到HPA 放大器的線性區域之外。最佳驅動電平是通過權衡放大器輸出功率增加的效益與失真引起的誤差來確定的?？紤]放大器效應，可使用Saleh 模型進行分析，其系數來自TWTA 的實際參數。其中，Saleh 模型是用來描述HPA 非線性的典型模型。該模型的AM/AM 和AM/PM 轉換特性分別為：

式中，αA、βA、αφ、βφ是模型的特性常數，r(t)表示輸入幅度，A[r(t)]表示輸出幅度，Φ[r(t)]表示輸出的調制相位。根據計算經驗，可取典型值為：αA=1.9638，βA=0.9945，αφ=2.5293，βφ=2.8168[5]。

對經過放大器的信號進行分類，可得出：由于PSK 信號僅有單一的幅度電平，因此放大器失真在歸一化后只有一個相位旋轉，不會受到影響；APSK 和QAM 信號則可能受放大器失真的影響，因此應將分類器的設計適應于放大處理過程，或者參數化配置放大器的驅動電平，并和累積量特征一起用作神經網絡輸入?？紤]到所用的驅動電平特性與發射機真實驅動電平高度相關，故能提高分類識別性能。

3 仿真結果及性能分析

為驗證本文新改進方法的有效性進行MATLAB仿真實驗，仿真參數設置如下：采樣率為100 MHz，載頻為60 MHz，碼速率為2.5 Mb/s，樣本點數為8192，蒙特卡洛仿真次數為2000 次，噪聲為高斯白噪聲。采用改進思路實現衛星信號類型識別，得出正確識別率。仿真結果如圖6 所示，不同曲線代表不同的類型。

圖6 新方法對識別率仿真曲線

對過去的傳統基于最大似然判決方法和本文的方法進行性能仿真比較，結果如圖7 所示。

圖7 改進方法與過去方法的識別性能比較

可以得出，新方法比起過去一些識別方法具有更優的性能，也適用于復雜環境對信號的處理。

4 結語

在衛星傳輸中電磁環境復雜，因此對信號識別技術提出了更高需求。本文提出了一種基于高階矩和神經網絡結合的衛星通信信號識別方法。仿真表明，該方法識別性能較優。今后將進一步探索，為解決復雜環境中衛星信號識別問題提供一種更有效手段，從而在電子對抗領域發揮更大的作用。