專利名稱：數字調制信號識別方法
技術領域：
本發明屬于通信技術領域，具體涉及
絡的各種數字信號調制方式的識別方法。
種多徑信道、低信噪比條件下基于神經網
背景技術：
隨著通信技術的發展，調制信號的體制及調制樣式變得更加復雜多樣，信號環境 越來越密集，信號調制類型的識別顯得尤為重要和迫切。在民用方面，信號識別技術在無線 電頻譜管理中的信號認證、干擾識別技術中顯得尤為重要。在軍用方面，尤其是電子對抗中 的通信對抗，無論是干擾敵方的通信還是破獲敵方的通信信號，都必須首先識別敵方通信 信號的調制方式。通信信號調制方式識別也是軟件無線電及重構通信系統中的重要技術。 特別地，隨著正交頻分復用0F匿技術的廣泛采用，調制信號識別技術研究的信號集合越來 越大，且識別的復雜度也越來越高。 但是目前對于0F匿信號的識別研究較少，現有的數字信號的識別技術研究集中 在理想條件或僅有高斯白噪聲條件下，同時，現有的識別技術在低信噪比條件下識別率不 高，不能滿足實際應用的需要。因此，在多徑、低信噪比條件下研究一種能適用多體制的信 號識別技術顯得十分重要。神經網絡所具有的信息分布式儲存、大規模自適應并行處理和 高度的容錯性等特點，特別是其學習能力和容錯性對不確定性模式識別具有獨到之處，特 別適用于多徑、低信噪比條件下的信號識別。 目前，基于神經網絡的方法中存在著兩個問題一是單個神經網絡實現識別系統 比較復雜，所需的神經元個數多，且識別性能不理想。二是識別系統中特征參數的選取依賴 于設計者的經驗，目前還沒有一種普遍適用的選取和判別有效特征值的方法。針對第一個 問題，人們提出了基于判決樹的神經網絡，通過組合多個分類器進行分層判決，該方法降低 了單個分類器的復雜度。但是，對于判決樹的設計也是基于設計者的經驗的。特征選取和 判決樹設計依賴設計者經驗帶來了識別率低的問題，且在新的通信環境下，判決樹的結構 需要重新構建。

發明內容
本發明的目的在于克服上述已有技術的不足，提供一種數字調制信號識別方法， 以提高通信系統中的信號識別率，且無需再次構建新的判決樹就可以實現不同通信環境中 的數字信號識別。
為實現上述目的，本發明包括如下過程 (1)將待判別的特征參數矢量輸入到識別網絡的SOFM部分，并提取有效特征參 數； (2)根據S0FM網絡的提取結果和有效特征的提取順序，自上而下確定判決樹每個 節點中采用的特征參數； (3)用RBF網絡代替判決樹中的各個節點，構成識別系統的網絡結構；
(4)利用已知的訓練集合，對識別系統網絡中的每個RBF識別網絡進行訓練，使訓 練集合的識別誤差達到最小，確定每個RBF識別網絡隱含層和輸出層的各個連接權值和判 決門限，并固定這些識別網絡； (5)將接收到的待識別信號進行采樣，將采樣信號輸入到已固定的識別網絡中，根 據判決樹的結構自上而下計算有效特征參數值； (6)將有效特征參數值輸入到RBF識別網絡中計算其輸出值，用該輸出值與判決 門限進行比較，判斷出識別信號的調制方式。 本發明利用SOFM網絡提取有效特征參數和判決樹的設計，大大減少了理論證明 帶來的復雜度和識別的不精確性，同時該方法對通信識別系統的改變具有很好的適應能 力。利用RBF網絡代替判決樹的節點大大減少了用單個RBF分類器進行分類引起的復雜度 高的問題。本發明中提出的三個有效特征參數基于一次和兩次小波變換的特征參數V一瞬 時頻率特征參數MAX—fre、信號瞬時幅度的盒函數特征參數DBF2可以很好地提高多徑、低 信噪比條件下信號的識別率。仿真表明，在多徑信道、低信噪比條件下，本發明所提出的方 法不僅可以有效的提取特征參數，而且大大提高了系統信號的識別率。



圖1.


圖2. 圖3. 圖4. 圖5.
是本發明提出的基于神經網絡的識別系統結構圖； 是本發明中所用的SOFM網絡的結構圖； 是本發明經過有效特征參數的提取后的判決樹結構圖； 是本發明中使用的RBF網絡的結構是本發明中基于一次和兩次小波變換的特征參數的提取過程示意圖。
具體實施例方式參見圖l，本發明包括如下過程 過程l，將待判別的特征參數矢量輸入到識別網絡中的SOFM部分，進行有效特征 參數的提取。 SOFM網絡的結構參見圖2，其中Xl， x2，…Xn為輸入神經元，n為輸入特征向量的 維數，即神經元個數，Sl， s2，…Sm為輸出層的神經元，m為輸出神經元的個數，代表最終的 聚類數目，Wij代表第i個輸入神經元與第j個輸出神經元的連接權值，
利用Kohonen學習算法調整連接權值。則第j個輸出神經元的輸出結果為 ~=藝,*、 (1)
;=1 有效特征參數的提取包括如下步驟 (1.1)選定特征參數矢量為F二 [FA,…Fn]，其中^，F2，…F,代表不同的特征 參數，將各類采樣值的特征參數巳輸入到SOFM網絡中，并通過公式(1)計算各個輸出神經 元的輸出結果； (1. 2)統計特征參數巳的S0FM網絡輸出結果的分類類別； (1. 3)將統計出的分類類別的個數與訓練樣本的已知原型進行比較，如果統計結 果與已知原型一致，則保留該有效特征參數，并將該特征參數作為判決樹的節點中選用的有效特征參數，反之，將巳判為無效的特征參數； (1.4)對特征參數F2，…Fw進行相同的操作，最終選定7個有效特征參數分別為基于一次和兩次小波變換的特征參數V一兩次小波變換特征參數Vy信號的盒函數特征參數DBF1、信號瞬時幅度的盒函數特征參數DBF2、瞬時頻率特征參數MAX—fre、基于非弱信號實部的特征參數o工和基于FFT變換的特征參數Fv。 過程2，根據S0FM網絡的提取結果和有效特征的提取順序，自上而下確定判決樹每個節點中采用的特征參數，判決樹的結構參見圖3。 在判決樹的第一層中瞬時頻率特征參數MAX—fre將數字信號從噪聲中區別開，在第二層中基于一次和兩次小波變換的特征參數Vw將單載波和多載波信號區分開，在判決樹第三層中信號瞬時幅度的盒函數特征參數DBF2將DVB-T信號和802. lla信號區分開，基于非弱信號實部的特征參數o工將2ASK、4ASK、2PSK從其他單載波信號中區分開，在判決樹第四層中兩次小波變換特征參數V2將QAM信號從2FSK、4FSK、4PSK信號中區別開，基于FFT變換的特征參數Fv將2ASK、2FSK信號與4ASK信號區分開，在判決樹第五層中信號瞬時幅度的盒函數特征參數DBF2將2FSK信號與4FSK、4PSK信號區分開，在判決樹第六層中信號的盒函數特征參數DBF1將4PSK信號和4FSK信號區別開。 過程3，用RBF網絡代替判決樹中的各個節點，構成識別系統的網絡結構，RBF網絡的結構參見圖4，其中，乂= [Xl，x2 xJ是網絡的輸入，￥= [yi，y2 yM]是網絡的輸出，C^q，c2… ]-為隱含層的中心值，^為隱含層的節點數。^^L/i，/2…/w,]是徑向基函數，則第一層中第j個節點的輸出為m, =exp(———^~~^), / = 1,2,., (2) 其中，o /為第j個節點的歸一化參量，*表示共軛運算。
RBF網絡的第i個輸出節點方程為
yi = WiU*， i = 1，2，…M (3) 其中，K = K, ， 、■ W ]是節點的權矢量，U = [A， "2…"w,]為隱含層輸出矢量。
過程4，利用已知的訓練集合，對識別系統網絡中的每個RBF網絡進行訓練，其中，隱含層進行K-近鄰算法，輸出層用LMS算法對網絡進行訓練，使訓練集合的識別誤差達到最小，以確定隱含層和輸出層的各個連接權值和判決門限，并固定該識別網絡。
過程5，將接收到的待識別信號進行采樣，將采樣信號輸入到已固定的識別系統網
絡中，根據判決樹的結構自上而下計算有效特征參數值，包括如下過程
(5. 1)計算瞬時頻率特征參數MAX—fre : (5. 1. 1)根據公式一)=31^011:，/ = 1，2，一^計算采樣值的瞬時相位，其中，Q(i)和I(i)分別為第n個信號采樣值的虛部和實部； (5. 1. 2)通過公式六/) = ^~[< >(/ + 1) —W-l)y y,2,…X計算采樣值的瞬時頻率，
并對瞬時頻率/。求最大值，得到瞬時頻率特征參數MAX_fre。
(5. 2)計算基于一次和兩次小波變換特征參數Vw : 基于一次和兩次小波變換的特征參數Vw的提取過程參見圖5，具體包括如下過
6程
(5. 2. 1)根據公式『(a,T》
4^^>("甲'(^)對采樣值進行一次Haar小波
/d/; 丁 a
變換，其中，其中，lA/^為能量歸一化因子，n為平移因子，d為尺度因子，W(t)為小波母函數，將采樣值進行中值濾波，并計算方差K ;
^5>(&)甲'(^)對采樣值再進行一次Haar小 (5.2.2)根據公式『(《,"=
波變換，將采樣值進行中值濾波，并計算方差^ ; (5. 2. 3)通過公式Vw = [K V2]得到基于一次和兩次小波變換特征參數Vwt3)計算基于非弱信號實部的特征參數o工
(5.(5.
是采樣值；
(5. (5.
數o工，其中
(5.
(5.
(5.征參數Fv。
(5.
3. 1)根據公式氣=1/^ J^得到采樣值的平均值，其中，Ns是采樣值的個數，Si
3. 2)通過公式ai = Si/ma-l對采樣值進行零歸一化處理；
3. 3)通過"/ = Jf^X^S^TW計算得到基于非弱信號實部的特征參
,工i為第i個信號的實部，at為非弱信號的判決門限，c為非弱信號的個數。
4) 計算基于FFT變換的特征參數Fv :
4. 1)計算采樣值的相關矩陣Rs( t );
4. 2)對相關矩陣Rs")求FFT變換，并對結果求方差得到基于FFT變換的特
5) 計算信號的盒函數特征參數DBF1 : (5. 5. 1)根據公式"(^) = !>,-5,+1|計算相鄰采樣值的絕對差值，其中，
^ ， J2 ， ... S乂
為信號的采樣值；
(W-l)/2 (5.5.2)通過公式d(2A)二 J] (max("2^, ，"2,.+J —min("2^,a2,，a2,+J計算采樣
值的信息熵，其中，^A，…"K為采樣值的瞬時幅度； (5. 5. 3)通過計算公式DBF1 = l+log2 (d ( A )/d (2 A ))得到信號的盒函數特征參數DBFl，其中，d(A)為相鄰采樣值瞬時幅度的絕對差值，d(2A)為采樣值的信息熵
(5. 6)計算信號瞬時幅度的盒函數特征參數DBF2 : (5. 6. 1)根據公式6(厶)=￡|^—"wl計算相鄰采樣值瞬時幅度的絕對差值，其中，
,=1
"""2，… 為采樣值的瞬時幅度；
(W-l)/2 (5.6.2)通過公式"(2厶)=Z (max{"2M,a2,,^+1}-min{^_p^,a2,+J計算采樣
值的信息熵； (5.6.3)通過公式DBF2 = l+log2 (b ( A )/d (2 A ))計算得到信號的盒函數特征參
7數DBF2，其中，b(A)為相鄰采樣值瞬時幅度的絕對差值，d(2A)為采樣值的信息熵。
過程6，將有效特征參數值輸入到單個RBF網絡中，判斷出識別信號的調制方式。
參照圖3，判斷過程如下 (6. 1)對于瞬時頻率特征參數MAX_fre，先訓練其對應的RBF網絡，并分別將數字信號的目標值設為1，噪聲的目標值設為0，門限值設為0. 5 ;再將待識別的各采樣值的特征參數進行歸一化，該歸一化值作為RBF網絡的輸入值，輸入到RBF網絡；最后，根據公式(3)計算RBF網絡的輸出值，對于輸出值大于0. 5的歸一化值所對應的采樣值判為數字信號，小于0.5的歸一化值判為噪聲； (6. 2)對于基于一次和兩次小波變換的特征參數Vw，先訓練其對應的RBF網絡，并分別將單載波信號的目標值設為1，多載波的目標值設為0，門限值設為0. 5 ;再將待識別的各采樣值的特征參數進行歸一化，該歸一化值作為RBF網絡的輸入值，輸入到RBF網絡；最后，根據公式(3)計算RBF網絡的輸出值，對于輸出值大于O. 5的歸一化值所對應的采樣值判為單載波信號，小于0. 5的歸一化值判為多載波信號； (6. 3)對于信號瞬時幅度的盒函數特征參數DBF2，先訓練其對應的RBF網絡，并分別將DVB-T信號的目標值設為1，802. lla信號的目標值設為0，門限值設為0. 5 ;再將待識別的各采樣值的特征參數進行歸一化，該歸一化值作為RBF網絡的輸入值；最后，根據公式(3)計算RBF網絡的輸出值，對于輸出值大于0. 5的歸一化值所對應的采樣值判為DVB-T信號，小于0. 5的歸一化值判為802. lla ; (6.4)對于基于非弱信號實部的特征參數Op先訓練其對應的RBF網絡，并分別將2ASK、 4ASK、 2PSK信號的目標值設為1 ，其他單載波信號的目標值設為0 ，門限值設為0.5;再將待識別的各采樣值的特征參數進行歸一化，該歸一化值作為RBF網絡的輸入值；最后，根據公式(3)計算RBF網絡的輸出值，對于輸出值大于0. 5的歸一化值所對應的采樣值判為2ASK、4ASK、2PSK —類，小于0. 5的歸一化值判為另一類。 (6. 5)對于兩次小波變換特征參數V2，先訓練其對應的RBF網絡，并分別將QAM信號的目標值設為l，將2FSK、4FSK、4PSK信號的目標值設為0，門限值設為0. 5 ;再將待識別的各采樣值的特征參數進行歸一化，該歸一化值作為RBF網絡的輸入值；最后，根據公式(3)計算RBF網絡的輸出值，對于輸出值大于0. 5的歸一化值所對應的采樣值判為QAM信號，小于0. 5的歸一化值判為2FSK、4FSK、4PSK信號一類。 (6. 6)對于基于FFT變換的特征參數Fv，先訓練其對應的RBF網絡，并分別將4ASK信號的目標值設為l，將2ASK、2FSK信號的目標值設為0，門限值設為0. 5 ;再將待識別的各采樣值的特征參數進行歸一化，該歸一化值作為RBF網絡的輸入值；最后，根據公式(3)計算RBF網絡的輸出值，對于輸出值大于0. 5的歸一化值所對應的采樣值判為4ASK信號，小于0. 5的歸一化值判為2ASK、2FSK信號一類。 (6. 7)對于信號瞬時幅度的盒函數特征參數DBF2，先訓練其對應的RBF網絡，并分別將2FSK信號的目標值設為1，將4FSK、4PSK信號的目標值設為0，門限值設為O. 5 ;再將待識別的各采樣值的特征參數進行歸一化，該歸一化值作為RBF網絡的輸入值；最后，根據公式(3)計算RBF網絡的輸出值，對于輸出值大于0. 5的歸一化值所對應的采樣值判為2FSK信號，小于0. 5的歸一化值判為4FSK、4PSK信號一類。 (6. 8)對于信號盒函數特征參數DBF1，先訓練其對應的RBF網絡，并分別將4FSK信號的目標值設為l，將4PSK信號的目標值設為0，門限值設為0. 5 ;再將待識別的各采樣值的特征參數進行歸一化，該歸一化值作為RBF網絡的輸入值；最后，根據公式(3)計算RBF網絡的輸出值，對于輸出值大于0. 5的歸一化值所對應的采樣值判為4FSK信號，小于0. 5的歸一化值判為4PSK信號。 本發明的效果可以通過以下仿真進一步說明
1.仿真環境 在多徑信道、低信噪比條件下對整個識別系統進行仿真，仿真環境如表1所示。
表1 仿真環境
數值
信號類型多載波 信號DVB-T OFDM信號2k FFT模式
802.1 la信號
單載波 信號{2FSK, 4FSK, 2PSK, 4PSK， 16QAM， 64QAM, 2ASK， 4ASK} 符號率20M/s 載波頻率60MHz
信道多徑信道，附加高斯白噪聲 信噪比OdB, 4dB, 8dB, 12dB, 16dB, 20dB 仿真信道模型選用7條多徑，多普勒頻移為 備z 2.仿真結果 仿真結果都是基于100次Monte-carlo實驗，如表2。 表2 不同信噪比下數字信號的識別率
SNR(db)2ASK4ASK802. llaDVB-T
098%100%100%100%
4100%100%100%100%
8100%100%100%100%
12100%100%100%100%
16100%100%100%100%
20100%100%100%100%
9SNR(db)2ASK4ASK802. llaDVB-T
SNR(db)2FSK4FSKQAMPSK
095. 5%80%98%97%
497%78%99%99%
8100%78%100%90%
12100%100%100%82%
16100%92%100%78%
20100%76%100%76% 從表2中可以看出，本發明提出的方法不僅可以很好的對數字信號進行識別，提高了多徑、低信噪比條件下的識別率，而且該識別系統大大降低了信號識別的復雜度。
權利要求
一種數字調制信號識別方法，包括如下過程(1)將待判別的特征參數矢量輸入到識別網絡的SOFM部分，并提取有效特征參數；(2)根據SOFM網絡的提取結果和有效特征的提取順序，自上而下確定判決樹每個節點中采用的特征參數；(3)用RBF網絡代替判決樹中的各個節點，構成識別系統的網絡結構；(4)利用已知的訓練集合，對識別系統網絡中的每個RBF識別網絡進行訓練，使訓練集合的識別誤差達到最小，確定每個RBF識別網絡隱含層和輸出層的各個連接權值和判決門限，并固定這些識別網絡；(5)將接收到的待識別信號進行采樣，將采樣信號輸入到已固定的識別網絡中，根據判決樹的結構自上而下計算有效特征參數值；(6)將有效特征參數值輸入到RBF識別網絡中計算其輸出值，用該輸出值與判決門限進行比較，判斷出識別信號的調制方式。
2. 根據權利要求l所述的數字調制信號識別方法，其中步驟(1)所述的進行有效特征 參數的提取，按如下過程進行；(2a)選定特征參數矢量為:F = [Fp F2， ".FJ，其中&， F2，…F,代表不同的特征參數；(2b)統計特征參數巳的SOFM網絡輸出結果的分類類別；(2c)將統計出的分類類別的個數與訓練樣本的已知原型進行比較，如果統計結果與已 知原型一致，則保留該有效特征參數，并將該特征參數作為判決樹的節點中選用的有效特 征參數，反之，將F1判為無效的特征參數；(2d)對特征參數&，…F,進行相同的操作，最終選定7個有效特征參數分別為基于一 次和兩次小波變換的特征參數V一兩次小波變換特征參數Vy信號的盒函數特征參數DBFl、 信號瞬時幅度的盒函數特征參數DBF2、瞬時頻率特征參數MAX—fre、基于非弱信號實部的 特征參數o工和基于FFT變換的特征參數Fv。
3. 根據權利要求l所述的數字調制信號識別方法，其中步驟(5)所述的根據判決樹的 結構自上而下計算有效特征參數值，按如下過程進行(3a)計算瞬時頻率特征參數MAX—fre ;(3b)計算基于一次和兩次小波變換特征參數V"(3c)計算基于非弱信號實部的特征參數o工；(3d)計算基于FFT變換的特征參數Fv ;(3e)計算信號的盒函數特征參數DBF1 ;(3f)計算信號瞬時幅度的盒函數特征參數DBF2。
4. 根據權利要求3所述的數字調制信號識別方法，其中所述的計算瞬時頻率特征參數 MAX—fre，按如下過程計算(4a)根據公式,(p0'卜arctan^，、l，2，…^計算采樣值的瞬時相位，其中，q(土)和I (i)分別為第n個信號采樣值的虛部和實部；(4b)通過公式六0 = ^"[(^' + 1) —一'-1)]" = 1,2廣《計算采樣值的瞬時頻率，并對瞬時頻率/(/)求最大值，得到瞬時頻率特征參數MAX_fre。
5. 根據權利要求3所述的數字調制信號識別方法，其中所述的計算基于一次和兩次小 波變換特征參數V^按如下過程計算(5a)對采樣值進行一次Haar小波變換，將采樣值進行中值濾波，并計算方差^ ; (5b)對采樣值進行兩次Haar小波變換，將采樣值進行中值濾波，并計算方差V2 ; (5c)通過公式<formula>formula see original document page 3</formula>得到基于一次和兩次小波變換特征參數V^
6. 根據權利要求3所述的數字調制信號識別方法，其中所述的計算信號瞬時幅度的盒 函數特征參數DBF2，按如下步驟計算(6a)根據公式<formula>formula see original document page 3</formula>計算相鄰采樣值瞬時幅度的絕對差值，其中， "P"2，…"W,為采樣值的瞬時幅度；(6b)通過公式<formula>formula see original document page 3</formula>fl2wH十算采樣值的信息熵；(6c)通過公式<formula>formula see original document page 3</formula>計算得到信號的盒函數特征參數DBF2， 其中，b(A)為相鄰采樣值瞬時幅度的絕對差值，d(2A)為采樣值的信息熵。
全文摘要
本發明公開了一種數字調制信號識別方法。其識別過程是將待判別的特征參數矢量輸入到識別網絡的SOFM部分，提取有效特征參數，并自上而下確定判決樹每個節點中采用的特征參數；用RBF網絡代替判決樹中的各個節點，構成識別網絡結構；利用已知的訓練集合，訓練每個RBF網絡，使其識別誤差達到最小，確定隱含層和輸出層的各個連接權值和判決門限，并固定該識別網絡；將采樣值輸入到已固定的識別網絡中，根據判決樹的結構自上而下計算有效特征參數值；將有效特征參數值輸入到RBF網絡中計算其輸出值，并與判決門限進行比較，判斷出信號的調制方式。本發明有效地提取了特征參數，減少了理論證明的復雜性和不精確性，提高了在多徑、低信噪比條件下的識別率。
文檔編號H04L27/26GK101783777SQ200910021758
公開日2010年7月21日 申請日期2009年3月31日 優先權日2009年3月31日
發明者李兵兵, 汪峰 申請人:西安電子科技大學