基于高阶累积量以及差分后高阶累积量调制信号识别方法

技术领域

本发明属于信号调制识别技术领域，尤其是涉及一种基于高阶累积量以及差分后高阶累积量调制信号识别方法。

背景技术

通信信号的调制识别是指在未知调制信息内容以及调制参数的前提下，判断出信号所采用的调制方式并估计出某些调制参数，为解调器正确选择解调算法提供参数依据，最终获得有用的信息内容的过程。

调制方式识别是介于能量检测和解调之间的过程，能量检测只需要粗略的估计信号带宽和中心频率，而解调需要精确的频率信息和信号的调制样式。调制方式识别需要在先验知识较少的情况下完成识别的过程，并得到更加精确的一些参数值。

调制方式识别的方法主要分为基于特征提取的统计模式识别和基于决策理论的最大似然假设检验，不论是决策论途径还是模式识别途径,通信信号的自动调制识别实际上都是假设检验和统计推断这两个基本数学方法的实现。

随着MQAM信号调制阶数的增加，信号星座点空间距离变小，由于接收信号受载波频偏、相偏等因素影响，星座点会发生旋转，传统的瞬时特征参量对于高阶QAM信号识别存在很大局限性。

发明内容

有鉴于此，本发明提出了一种基于高阶累积量以及差分后高阶累积量调制信号识别方法，采用对高斯白噪声、载波频偏、相偏不敏感的高阶累积量特征参数，实现信号调制识别。

为达到上述目的，本发明的技术方案是这样实现的：

基于高阶累积量以及差分后高阶累积量调制信号识别方法，包括如下步骤：

步骤1：通过调制信号采集设备采集不同调制方式的信号数据；

步骤2：将信号数据进行预处理，获取到接收信号的IQ数据；

步骤3：对IQ信号数据提取高阶累积量以及差分后的高阶累积量特征，作为分类特征；

步骤4：将提取的高阶累积量以及差分后的高阶累积量特征进行标记，根据已知调制方式打好标签；

步骤5：将打好标签的数据集输入神经网络进行训练，获取到训练模型；

步骤6：采集未知调制信号，对信号进行相关变频、滤波、采样处理后，提取高阶累积量以及差分后的高阶累积量特征特征，输入已训练好的神经网络模型，输出信号的调制方式。

进一步的，所述步骤2中具体包括，将采集信号进行去直流分量处理；然后对去直流分量后的信号进行FFT变换，获取信号载频、带宽相关信息，依据获取到的信号参数进行下变频、滤波、重采样与降采样处理，最终获取到IQ信号数据。

进一步的，所述步骤3中，采用高阶累积量比值形式作为分类特征，包括

F1＝|C40|/|C42|；

调制信号特征F1为四阶累积量C40绝对值与四阶累积量C42绝对值的比值；

F2＝|C63|^2/|C42|^3；

调制信号特征F2为六阶累积量C63绝对值的平方与四阶累积量C42绝对值三次方的比值；

F3＝|C80|/|C42|^2；

调制信号特征F3为八阶累积量C80绝对值与四阶累积量C42绝对值平方的比值；

对预处理后的信号进行差分处理，然后按照高阶累积量计算公式计算差分后的高阶累积量特征，包括

F4＝|C'80|/|C'40|^2；

调制信号特征F4为差分后八阶累积量C'80绝对值与四阶累积量C'40绝对值平方的比值。

F5＝|C'80|/|C'42|^2。

调制信号特征F5为差分后八阶累积量C'80绝对值与四阶累积量C'42绝对值平方的比值。

进一步的，所述方法能够对2PSK、QPSK、OQPSK、8PSK、16PSK、Pi-4QPSK、8QAM、16QAM、32QAM这九种信号实现区分。

进一步的，所述步骤5中神经网络的搭建流程包括：

(1)指定输入网络的训练集和测试集，包括训练数据与标签，测试数据与标签；

(2)逐层搭建网络结构，根据训练模型信号调制类型识别效果确定网络层级结构；

(3)配置神经网络的训练方法，通过配置不同的训练参数观察训练模型的信号调制类型的识别效果；

(4)执行训练过程与模型性能验证。

相对于现有技术，本发明所述的基于高阶累积量以及差分后高阶累积量调制信号识别方法具有以下优势：

1、本发明对信号特征进行预处理，采用高阶累积量乘方后做比值形式，消除信号能量对参数值影响；

2、本发明采用高阶累积量以及差分后的高阶累积量特征作为信号特征进行神经网络训练，将训练好的神经网络模型作为分类识别器用于信号分类识别，能够对2PSK、QPSK、OQPSK、8PSK、16PSK、Pi-4QPSK、8QAM、16QAM、32QAM这九种信号实现区分；

3、本发明的信号特征支持扩展，可结合其它预处理后的高阶累积量信号特征对更多种类信号实现区分。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明的方法的流程示意图；

图2为本发明的采集数据的流程图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。

本发明的方法采用高阶累积量以及差分后的高阶累积量特征作为信号特征进行神经网络训练，将训练好的神经网络模型作为分类识别器用于信号分类识别，能够对2PSK、QPSK、OQPSK、8PSK、16PSK、Pi-4QPSK、8QAM、16QAM、32QAM这九种信号实现区分。可通过进一步扩展高阶累积量特征值，实现更多种类信号的调制识别。本发明的方法包括对采集到的调制信号进行预处理，将处理后的结果进行特征参数提取，将提取的特征参数作为神经网络模型的输入，经过神经网络模型后，输出最终的信号调制种类判别结果。具体流程如图1所示。

(1)通过调制信号采集设备采集不同调制方式的信号数据；

(2)将信号数据进行去直流分量、下变频、低通滤波、重采样、降采样等相关操作，获取到接收信号的IQ数据；

(3)将IQ信号数据提取高阶累积量以及差分后的高阶累积量特征；

(4)将提取的高阶累积量以及差分后的高阶累积量特征进行标记，根据已知调制方式打好标签；

(5)将打好标签的数据集输入神经网络进行训练，获取到训练模型；

(6)采集未知调制信号，对信号进行相关变频、滤波、采样处理后，提取高阶累积量以及差分后的高阶累积量特征，输入已训练好的神经网络模型，输出信号的调制方式。

具体的，本发明的采集数字调制信号处理流程如图2所示。首先将采集信号进行去直流分量处理；然后对去直流分量后的信号进行FFT变换，获取信号载频、带宽相关信息；依据获取到的信号参数进行下变频、滤波、重采样与降采样等处理方法；最终获取到IQ信号数据。

具体的，为避免信号平均功率对调制类型识别的影响，采用高阶累积量比值形式作为分类特征。

F1＝|C40|/|C42|；

调制信号特征F1为四阶累积量C40绝对值与四阶累积量C42绝对值的比值。

F2＝|C63|^2/|C42|^3；

调制信号特征F2为六阶累积量C63绝对值的平方与四阶累积量C42绝对值三次方的比值。

F3＝|C80|/|C42|^2。

调制信号特征F3为八阶累积量C80绝对值与四阶累积量C42绝对值平方的比值。

对预处理后的信号进行差分处理，然后按照高阶累积量计算公式计算差分后的高阶累积量特征。

F4＝|C'80|/|C'40|^2；

调制信号特征F4为差分后八阶累积量C'80绝对值与四阶累积量C'40绝对值平方的比值。

F5＝|C'80|/|C'42|^2。

调制信号特征F5为差分后八阶累积量C'80绝对值与四阶累积量C'42绝对值平方的比值。

本发明能够对2PSK、QPSK、OQPSK、8PSK、16PSK、Pi-4QPSK、8QAM、16QAM、32QAM调制信号类型实现区分。

计算调制信号提取特征F1-F5理论值如表1所示。

表1

通过高阶累积量(F1，F2，F3)能够实现2PSK、(QPSK、OQPSK)、(8PSK，Pi-4QPSK)、16PSK、8QAM、16QAM、32QAM的区分；其中(QPSK、OQPSK)信号、(8PSK，Pi-4QPSK)信号为无法区分信号，(QPSK、OQPSK)信号需要借助高阶累积量F4进行区分，(8PSK，Pi-4QPSK)信号需要借助高阶累积量F5进行区分；使用F1-F5五个高阶累积量作为特征进行神经网络训练，得到神经网络训练模型，用于新采集信号调制类型识别。

具体的，本发明使用的神经网络结构包括：输入层、中间层、输出层几部分，神经网络搭建流程包括：

(1)指定输入网络的训练集和测试集，包括训练数据与标签，测试数据与标签；

(2)逐层搭建网络结构，根据训练模型信号调制类型识别效果确定网络层级结构；

(3)配置神经网络的训练方法，通过配置不同的训练参数观察训练模型的信号调制类型的识别效果；

(4)执行训练过程与模型性能验证。

本发明在具体实施时，

使用信号采集设备从信号源采集不同种类调制信号各100组；

将采集信号经过下变频，低通滤波，重采样等预处理措施；

将预处理后的信号采用相关公式进行高阶累积量提取；

计算采集信号F1-F5特征值；

按照信号调制种类将特征值进行打标签，采用独热编码方式，

2PSK对应的标签：Label＝[1,0,0,0,0,0,0,0,0]

QPSK对应的标签：Label＝[0,1,0,0,0,0,0,0,0]

OQPSK对应的标签：Label＝[0,0,1,0,0,0,0,0,0]

8PSK对应的标签：Label＝[0,0,0,1,0,0,0,0,0]

16PSK对应的标签：Label＝[0,0,0,0,1,0,0,0,0]

Pi-4QPSK对应的标签：Label＝[0,0,0,0,0,1,0,0,0]

8QAM对应的标签：Label＝[0,0,0,0,0,0,1,0,0]

16QAM对应的标签：Label＝[0,0,0,0,0,0,0,1,0]

32QAM对应的标签：Label＝[0,0,0,0,0,0,0,0,1]

打标签后的数据结构为[(F1，F2，F3，F4，F5)，Label]

将上述步骤重复对所有9种信号的100组数据完成处理；

将处理后的数据按照80％、20％的比例划分为训练集与测试集；

搭建BP神经网络进行训练，搭建的神经网络输入层为(F1，F2，F3，F4，F5)五个节点，隐含层为单层32个节点，输出层为9个节点，分别代表9识别为9种信号的概率；

对训练集数据采用搭建神经网络进行训练，经过多轮训练，训练数据准确率达到90％；

对测试集数据采用训练好的神经网络进行测试，测试准确率达到80％以上；

训练好的神经网络模型可用于后续未知种类信号的预测。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。