-
通信信号自动调制识别的算法
Asoke K.
Nandi
,
Senior Member
,
IEEE
,
E. E.
Azzouz
摘要:
这篇文章介绍了数字信号和模拟信号的两
种调制识别算法。
第一种算法是利用决策论
的方法,用一系列的
的决定来鉴定不同类型的调制方式。第二种算法是利用人工神经网络
(
< br>ANN
)这种新途径来确定调制识别程序。计算机仿真了加有一系列高斯噪声的不
同类型
的有限带宽的模拟和数字调制信号,利用先进的算法进行了测量。信号的信噪比为
15
分贝
(
S
NR
)时利用已发现的决策论算法进行测量,总成功率达
94<
/p>
%,而利用人工神经网络算
法,整体成功率达
96
%以上。
关键词:
模拟和数字调制,人工神经网络,自动调制识别。
I
.导论
在一些调制识别中
[1] - [6]
只使用模拟调制的方法,
[7]
–
[1
1]
只使用数字调制方法
,
,还有
p>
其它
[12]
–
[
14]
是数字与模拟方法都用到了。
以下是对最近推出的模拟和
数字调制信号运算法
则的概述。利特克
[12]
利用决策论与模式识别的方法来区分一些模拟和数字信号。这些调制
识别被分为
AM
,
2ASK
(幅移键控)
,
2PSK
(相移键控
)
,
4PSK
,
2FSK
(频移键控)
。利用
硬件来
实现这些调制方法是非常复杂的。据称,在信噪比≥
18
分贝时
才能获得无差错调制
识别。在
[13]
中容德拉尔提出了利用模式识别的调制识别方法。调制类型可以根据识别方法
分为
AM
,单边带(
SSB
)
,
2ASK
,
2PSK
,
2FSK
和
4FSK
。人们通过了
4096
< br>个例子对这些
方法进行了评估。
这些被测试的方法成功率
都在
90%
以上,
除了
SSB
(
83%
)
和
FSK4
(
88%
p>
)
。
在
[13]<
/p>
中对相应信噪比的测量成功率只字不提。
[14]
按照模式识别方法,此识别可分为
AM
,
双边带(
DSB
)
,
SSB
,
FM
,
p>
2ASK
,
4ASK
,
2PSK
,
4PSK
,
2FSK
和
4FSK
p>
。他们声称在信
噪比≥
40
分贝时测量结果令人满意。但在信噪比为
10
分贝时除
了
4FSK
的正确率为
7%
外
其它所有数字调制正确率差不多都为
0%
。在信噪比为
15
分贝时以下几种调制方法的
正确
率还是可以的,其中
4FSK
(<
/p>
56
%)
,
2F
SK
(
84
%)
,
4ASK
(
87
< br>%)
。在
[12]-[14]
中
介绍的模
式识别的方法是值得注意的,
这种识别方法需要持续的
提供信号,
因此,
处理的时间可能会
很
长;这就导致了模式识别方法在离线分析中的使用。然而,
[12]-[14]
试图来区分数字以及
模拟技术。
II
.决策论方法
< br>建议在本段中基于调制信号识别的基础上,
对模拟和数字调制的全局过程作个概括
。
首
先,
把
K
fs
长的截获信号帧分成
M
个连续部分
,
每部分为
2048
个样本
(相当于
1.76
毫秒)
,
这样便可得出公式
M=Kfs/N
,
这里
fs
为采样率。
A
.
每一部分的分类
从不同种类调制需要的主要特征提取和调制分类谈起。
1
)主要特征提取:在上面提到的所有调制识别中都包括这样三个重要
的参数:瞬时幅
度,相位和抽样信号的频谱(除射频信号产生的对称谱)
。这四个主要特征不仅在模拟调制
中用到,在数字调
制中也同样用到;它们最大的价值在于测量功率密度谱中心的瞬时幅度
?
max
,瞬时非线性信号相位上升部分绝对值的标准差
?
ap
,以及射频信号对称频谱的比例
?
dp
。其中的两个关键特征在
[10
]
的数字调制识别中和这里都谈到了。如
[10]
中提到的信号
的瞬时振幅绝对价值标准差和瞬时频率的信号绝对价值标准差都
是相同的。
对于提到的数字
与模拟调制识别的全局过程,这里有
三个新的关键特征需要介绍下,它们是:
·对振幅信号归为中心瞬时标准差的上升段,它被定义为:
<
/p>
在这里
A
cn
(
i
)
是指在时间
t
?
i
/
f
s
时刻的瞬时中心标准值,
f
s
是速率为
1200kHz
的采
样信号,
A
n
(
i
)
是在时刻
t
?
i
/
< br>f
s
的幅值,
L
是样本数目且
A
n
(
i
)
必须大于
a
t
,如果样本数
目低于
a
t
,那么在采集带限
2PSK
p>
和
4PSK
的瞬时幅值时就会受到影响。<
/p>
·标准化的瞬时幅值被定义为:
·标准化的瞬时频率被定义为:
其中
,
f
n
(
t<
/p>
)
是归一瞬时频率,
定义为
f
n
(
t
< br>)
?
f
(
t
)/
max
?
f
(
t
)
?
,
在这里
f
(
t
)
是频率截取的
< br>信号。
值得注意的是,本文所提到的
< br>?
max
和比率
P
与
[6]
和
[10]
中写到的有一点点修改。但这
被修改为
?
p>
f
cn
点差别不会影响
[6]
和
[10]
中的结果。
p>
?
max
max
?
max
DFT
[
A
cn
(
i
)]
2
/
N
s
。
比率
P
f<
/p>
cn
被修改为
P
?
(
P
L
?<
/p>
P
U
)
/(
p>
P
L
?
P
U
)
,这里
P
L
?
?
i
?
1
X
c
< br>(
i
)
2
,
P
U
?
?
i
?
1
X
p>
c
(
i
?
f
cn
?
1)
2
,
并且
(
f
cn
?
1)
是采样速率为
150kHz
的样本。做出这样的修
改只是为了避免人工神经网络
(
ANN
)算法运行时间过长。
2
)调制分类
的步骤:基于决策论上对于调制做出的详细分类步骤,见流程图
1
。在决
策论算法中,每一个关键特征通常是通过和适当的阈值作比较来把一组调制尽可
能分开的。
我们所关心的所有调制种类最佳阈值的选取在
IV-
A
部分做了详解。
图
1
B.信号帧的分类
为了尽可能把它们
分开,
在这里采用了多数的逻辑规则,
即根据最大重复次数来进
行分
类。
如果两个或两个以上的分类有着最大重复次数,
那它们就被认为是最佳决定的候选。
在
这种情
况下,再根据以下来进行判别:
1
)相应段组对每一个候选的决
定;
2
)由每一段瞬时
下降幅度低于阈
值
a
t
的样本数来决定;
3
)其相应段低于最低阈值
a
t
的最小数目来评价超过
该段样本的总数。
< br>由于两者特征的简单提取
(只使用传统的信号处理工具)
和图
1
的决策规
则,前面提到的决策论
算法可用来在线分析。
III
.人工神经网络算法
调制识别的人工神经网络法由三大模块构成【见图
2
(
a
)
】
:
1
)输入在第二节解译了的
信号帧的
主要特征,
进行预处理阶段;
2
)
p>
培训和学习阶段,
以调整分类结构;
3
p>
)
测试阶段,
确定信号的种类。从图
2
(
b
)中我们可以
很清晰的看到人工神经网络算法中包含三个人工
神经网络子算法。
第一个框图是用来区分所有调制类型的除多进制幅移键控和多进制频移键
控外的方法。
第二个框图是用来区分二进制幅移键控和四进制幅移键控的。
第
三个框图则是
用来区分二进制频移键控和四进制频移键控的。
图
2
A.人工神经网络结构的选择
在模拟
调幅信号的调制识别过程中把调制幅度不同调幅信号统称为调幅信号。
不同调制
指数的调频信号统称为调频信号。把调制幅度不同调制指数不同的信号归为调幅调频信号。
目前来讲发展最完善的人工神经网络结构包括三部分,见图
2
(
b
)
。第一个框图输
出只有两
种情况,
它还需要二种输出情况来进行补足,
这就是多进制幅移键控和多进制频移键控。
第
二个和第三网络用来估计多进制幅移信号和多进制频移信号的进制数。
< br>对于第一层框图来说
是发展的最好的,因为它包含三小层,第一隐层用
log
–
sigmoid
功能触发,第二隐层用线性
激活,第三层(输出)用作
log<
/p>
–
sigmoid
功能触发。相对来说第
二层和第三层框图就比较简
单了,它们用于第一结点层和第二结点层的静态触发。
1
)
第一层网络的
结构:
基于人工神经网络算法在模拟和数字信号调制识别方面的发展,
< br>第一层的结构已经越来越完善了。其中包含了
7
节点的输
入,一个
11
节点的输出和
2
个隐
层。这些结构的唯一区别就是隐层中结点的个数。
< br>值得注意的是,
在整个本文其余部分,任
何使用的网络是
由(
S1-S2
)表示。这意味着,这个网络有
7
个节点输入层,
S1
为第一
隐层
节点,
S2
为第二隐层节点,还有
一个
11
节点的输出层。网络参数的选择是基于得出了正确
p>
结论的最大概率和最佳均方误差(
SEE
)
。依靠图
3
可以知道在六大结构中
p>
learining SEE
对
应数值。这
六大结构的其中四个分别是:
(
12-12
)
、
(
12-15
)
、
(
15-15
)
、
(
18-18
)
,给予
95
%
p>
的整体性能。本文中的(
18-18
)网络
进一步评估了人工神经网络算法的性能。
2
< br>)第二层网络结构:当第一层网络结构输出的是多进制调幅信号时第二层网络结构起
作用。
第二层网络结构是非常简单的它由一个输入结点层和二个输出结点层组成
(不包括隐
层)
。这一层输入的是
?
aa
,输出由
2ASK
或
4ASK
决定。
3
)第三个层网络结构:这层网络的使用是当第一层网络
输出是
MFSK
时而决定的。该
层网络
具有与第二网络相同的结构,其输入是
?
af
< br>,输出由
2FSK
或
4FSK<
/p>
决定。
图
3
IV
.性能评价
通过
12
个模拟调制类型,以及六种数字调制类型来对上面
提到的算法进行评价。在
[6]
和
[1
0]
中分别讨论了计算机仿真模拟与数字调制在高斯噪声带限的情况下的具体细节。
p>
A
.决策论算法
主要特点的最佳阈值的选择都是基于图
1
所示在信噪比为<
/p>
15dB
和
20dB
的情况下进行
400
次认证而得到的,很显然每一个决定规
则都适用于一系列的调制类型,根据
把它分成两类
(
A
和
B
)
,
在此
KF
是是所选择的主要特点是参考值,
x
opt
相应的最优阈
值。
x
op
t
为
K
(
x<
/p>
)
的最小值。
P[A(x)/A]
(
A
的先验概率)
,
P[B(x)/B]
(
B
的先验概率)
,
P[A(
x)/B](A
的条件概率
)
,
P[B(x)/A](B
的条件概率
)
p>
为条件概率。结果表明
t
?
max
,
t
?
ap
,
t
?
< br>dp
,
t
P
,
t
?
a
,
t
?
42
,
t
?
42
,<
/p>
t
?
aa
和
p>
t
?
af
a
f
的最佳阀值分别为
2.5
< br>,
?
/
5
,
5
,
?
/
6
,
0.6
,
0.13
,
2.15
< br>,
2.03
,
0.25
和
0.4
。这些阈值用
于区别模拟和数字调制识别算法。
通过每种调制类型的
400
次认证得到的评估图如图
4
所示,
表格
1
列出了信噪
比为
15dB
和
20dB
两种情况下的各种调制的性能。通过表格
1
我们可以
看到
2ASK
,
4ASK
,
2FSK
和
4FSK
p>
在信噪比为
15dB
和
20dB
两种情况下的性能。
通过数据我们可以看到除了<
/p>
4ASK
的正
确率为
77.3
%,其余所有的模拟和数字调制正确率都超过了
8
8
%,其中还有
5
种为
100%
。
信噪比在
15dB
和
20dB
之间,除了
AM
,
FM
,
4ASK
和
4FSK
,其余所
有的模拟和数字调制
正确率都在
92
%
之上。
表
1
B
.神经网络算法
< br>在前面提到的神经网络算法中通过使用第一层网络,
使得它在调制类型的分类上最
为完
善。只有
2ASK
,
4ASK
,
2FSK
和
p>
4FSK
四个类型需要额外的网络来进行分类。实验结果表
明在每种类型的模拟和数字调制中一个信噪比时(
15dB
和
20dB
)只需要
50<
/p>
帧,两个信噪
比时却需要
400
帧。结果见图
4
和表
1
(
b
)
p>
。表
1
(
b
)表明
2ASK
和
4
ASK
信号使用第二个
人工神经网络进行性能评估,
2FSK
和
4FSK
信号
使用第三方神经网络。显然,所有类型的
模拟和数字调制的分类正确率都超过
88
%。
此外所有的模拟和数字调制在信噪比为<
/p>
15dB
时,
AM
,
4ASK
和
4PSK
,成功率为
94
%,
。还有
在信噪比为
15dB
时,
AM
,
4ASK
和
4PSK
,
成功率为
97
%,
。总得来说,神经网络算法比决策论算法得到的结果要好。在两种算法中所
使用的数据集是完全相同的。因此,可以对这两种算法的结果进行对比。在信噪比为
15dB
时,决策论算法总得正确率在
94%
p>
之上,神经网络算法总得正确率在
96%
之
上。
图
4
V
.总结
本
文的目的是通过决策论和神经网络算法自动识别通信信号的调制类型。
对于怎么识别
p>
的关键几点已在上面作了阐述。在不同的信噪比下对
12
种模拟信号和
6
种数字信号的调制
进行了大量的仿真。在信噪声比为
15dB
和
20dB
情况下的采样结果已经给出。在信噪比为
15dB
时,决策论算法总得正确率在
94%
之上,神经网络算法总得正确率在
96%
之上。大部<
/p>
分的调制类型使用决策论得出的结果都是相当不错的,
同时使用神
经网络算法得出的数据也
是非常令人鼓舞的,而且从
[15]<
/p>
中可知它是很有发展前景的。
-
-
-
-
-
-
-
-
-
上一篇:铁路信号联锁系统中英文对照外文翻译文献
下一篇:电路中常用的英文缩写汇总