電子通信信號循環頻率特征自提取技術研究

吳海燕

（鄭州西亞斯學院 電子信息工程學院，河南 新鄭 451100）

0 引 言

采用超寬帶通信時需要對信號進行檢測和提取，接收方不僅要通過檢測、分析及評估參數獲取超寬頻通信信號，還要對電子通信信號的調制方式作出相應的判斷，調制完成后才能提取傳輸信息[1,2]。由此可見，調制和提取電子通信信號是應用該技術的關鍵環節。在已有的研究中，電子通信信號提取的方法主要包括基于似然函數的決策理論方法、基于統計特征的模式提取方法以及基于DSP的模式提取方法[3]。這3種方法各有優點，但均存在較大的頻偏和定時誤差，無法滿足電子通信信號提取的要求。因此，本文提出了一種基于周期頻率特性的電子通信信號提取方法。一般電子通信信號的統計特性參數有一定的周期變化，稱為周期頻率特性。將該周期性特征用于電子通信信號的提取，可大大提升提取性能。

1 電子通信信號循環頻率特征自動調制識別

利用深度學習算法實現電子通信信號循環頻率特征自動調制識別，通過神經網絡逐層訓練無監督學習算法，采用分類器對信號進行測試，分別計算識別結果，同時使用特征提取系統和分類器實現自動識別[4]。

利用無監督學習神經網絡將無分類標記的訓練樣本輸入自動編碼器，在建模能力和稀疏性約束的基礎上，自動編碼器能夠自動獲取數據結構[5]。自動編碼機的基本單元如圖1所示。

圖1 自動編碼機基本單元

本文設計的自動調制識別方法采用雙層自動編碼技術，當無分類標簽時，設計編碼器利用稀疏自編碼器算法對自編碼器進行訓練，確定編碼參數，從而得到編碼參數和不同節點的激活值。利用兩層堆疊數據實現自動編碼，1層實現自編碼器的輸出，將數據輸入2層自編碼器，最終得到新特征下的特征值。當信號向前時，訓練樣本的數據會從輸入層轉到輸出層，經過隱層處理后數據再傳入到輸出層。如果輸出層輸出的實際數據與樣本數據不同，則證明存在誤差。在這種情況下，誤差往回傳播，根據誤差修正每個單元的權重，用迭代的方法訓練各層參數和權值，直至誤差符合要求[6]。

2 電子通信信號循環頻率特征自提取

全連接神經網絡的輸入與輸出各節點之間具有訓練權值，假定輸入節點m和輸出節點n是完全連接的網絡，m和n的值通常很大，這會導致存儲資源浪費。因此本文采用核卷積形式的神經網絡，卷積操作中參數共享使得輸入層與輸出層共享訓練權值。每一輸入層的節點使用相同的卷積核執行卷積操作，一般卷積層的大小是2×2或3×3，遠小于m和n，這樣可以有效減少資源浪費。相較于全連接網絡，核卷積網絡占用的存儲空間較少，實現的訓練操作也較少[7,8]。

池化處理就是使用某一位置相鄰輸出的總體統計特征代替網絡在該位置的輸出。最高池和均值池是常用的池化處理方法。例如，一個2×2池域，步進兩元素，最大池位為4個節點的輸出池位，遍歷所有矩陣后輸出組合成一個新的矩陣，根據相對位置，將輸出矩陣變為原矩陣的一半。具體如圖2所示。

圖2 池化過程

在輸入數據存在翻譯現象時，將翻譯過程匯集起來可以減少其對網絡運行的影響，使網絡輸出結果與原數據相似。翻譯現象在圖像中很常見，只有減小移動對操作的影響才能使網絡更關注圖像的基本特性，不會因位置的改變而改變操作結果。利用翻譯方法可以更好地了解通信信號的自提取特點，從而完成頻率特征自動提取[9]。

3 電子通信信號循環頻率特征識別

為適應日益復雜的電磁環境，信號處理領域相關人員對信號調制識別方法進行了深入研究，研究者們試圖對復雜通信環境下各種通信信號的調制方式進行分類識別。針對本課題研究中考慮信號特征間關系較少的問題，建立卷積神經網絡提取信號的顏色時頻圖特征，并在此基礎上采用時頻變換分析法將維數信號處理為彩色時頻圖像，利用卷積神經網絡結構提取圖像特征。為提高低信噪比下的分類識別精度，提取時頻圖像中的紋理特征，并與卷積神經網絡中提取的紋理特征進行特征融合。由于GA-KELM分類器具有更好的分類效果，因此在后續的算法構建中選擇GA-KELM分類器[10]。二進制移頻鍵控信號具有兩條高能譜線，與其他信號的時頻圖也不相同，很難進行直觀觀察，主要原因在于人的眼睛在觀察圖像時往往更多地注意到圖像之間的形狀和結構差異，而忽視了內部的差異。基于該方法提取信號時頻圖像的LBP紋理特征，并與CNN圖像特征進行融合。采用PCA方法對構造的連接特征進行降維處理，降維處理后在GA-KELM分類器中對信號進行分類識別。

在信號調制方法中必須保證所提取的特征與其對應，特征提取的次數不能過多也不能過少，且為了確保信號識別的效率，需要提取合適的地形區特征。從周期譜中提取一組特征，去除空像，保留相應的周期頻率，從而更好地實現信號訓練。

信號識別需要從鄰接矩陣的主對角線中提取非零元素，存儲非零元素，生成非零行索引序列，根據索引算法規則在信號映射域提取非零元素。在此基礎上，通過設置非零元素序列集的最大長度，減小噪聲對相鄰矩陣元素的影響，得到序列集的行索引。此外，對訓練信號進行圖象域特征提取，得到標準調制信號的圖象域特征庫，將標準調制信號的圖象域特征存儲在存儲器中，作為圖象域特征提取結果。

對實際信號進行歸一化處理，將信號統一為中頻信號，同時考慮信號的頻率參數范圍，保證測量結果的通用性。由于實際接收的信號可能具有較寬的頻帶，且總頻帶內會有多個信號受到高斯白噪聲的影響，因此要對信號進行濾波。通過調制方式的碼元率和帶寬計算帶通濾波器的下頻和上頻，利用MATLAB中的FIR函數可以方便地完成濾波運算。

為確保模擬的數據完全覆蓋實際情況，用MATLAB軟件制作了20 000個樣本，每個樣本的長度為50 000，在設定的范圍內隨機產生每個樣本的碼元率、信噪比及頻偏。最后的總樣例大小為280 000，并以intl6類型的二進制格式保存，更好地實現了循環頻率特征識別。

4 結 論

本文提出的電子通信信號循環頻率特征自提取技術有效減小了電子通信信號的頻率偏移量和時差，使電子通信的應用更為方便，應用范圍也更廣。但仿真過程中由于缺乏真實環境的干擾因素，導致仿真結果存在一定偏差，因此仍需對此方法進行進一步的研究和探索。