基於分數低階循環譜的圖域通信信號調製識別方法與流程
2023-06-04 14:29:46 1
本發明屬於信號處理技術領域,更為具體地講,涉及一種基於分數低階循環譜的圖域通信信號調製識別方法。
背景技術:
自動調製分類(automaticmodulationclassification,簡稱amc),也稱通信信號調製識別可以在很少或沒有先驗知識的情況下識別接收信號的調製類型,是信號檢測和解調之間必不可少的一個重要步驟,並廣泛應用於許多軍事和民用通信領域。
經典自動調製分類(amc)方法,通常可分為兩類:(i)基於似然的(lb)決策理論方法和(ii)基於特徵的(fb)模式識別(pr)方法。然而,lb的方法不可避免地會有一些缺點,例如缺乏閉式解,難以忍受的高計算複雜度,概率模型不匹配。fb方法的性能不是最佳的,然而它們能非常有效地實現,因此,許多研究利用不同的特徵和不同的分類算法以追求fb方法的魯棒性能。
值得注意的是,lb方法和fb方法都是應用在高斯噪聲信道的假設中,然而,各種各樣的研究表明,在實際的無線通信中頻道,通常是由明顯的脈衝引起的多址幹擾,低頻大氣噪聲,電磁幹擾等。這些物理噪聲表現出尖銳的脈衝特性和具有重尾的概率密度分布。根據中心極限定理,這些在無線通信系統中主要誤差來源的非高斯分布噪聲可以被建模為α穩定分布噪聲。在α穩定分布噪聲出現的信道中,傳統amc方法性能會出現明顯的惡化。
基於圖域的自動調製分類(amcg)第一次將amc技術引入圖形域,並且已經實現了比現有pr和基於lb的決策理論算法更優的性能。但是該方法是對接收信號的二階循環譜進行圖域映射提取圖域特徵。然而在α穩定分布噪聲中不存在二階及更高階的統計量,所以,現有的amcg方法在α穩定分布噪聲中也失效,因此,新的更穩定的更有效的適用於α穩定分布噪聲的amc技術亟待被發現。
技術實現要素:
本發明的目的在於克服現有技術的不足,提出一種基於分數低階循環譜的圖域通信信號調製識別方法,以適應α穩定分布噪聲,實現更穩定的更有效的通信信號調製類型的識別。
為實現上述發明目的,本發明基於分數低階循環譜的圖域通信信號調製識別方法,其特徵在於,包括以下步驟:
(1)、調製類型訓練信號的特徵提取
1.1)、基於分數低價循環譜的圖域映射
對於無噪聲的第k類調製類型的訓練信號xk(t),k=1,2,…,k,k為調製類型的類型數量;將其採樣序列劃分為l段,每一段進行一次圖域映射:
採用fam算法((fastfouriertransform)accumulationmethod):fft累加算法,用於計算循環譜密度)計算出l段訓練信號的flocs(fractionallow-ordercyclicspectrum,分數低階循環譜),得到圖域集合:
其中,h=1,2...h,表示第k類調製類型的訓練信號的l段保留下來的循環頻率εh所對應的時域平滑循環周期圖,提取出h個循環頻率εh所對應的時域平滑循環周期圖的鄰接矩陣,得到鄰接矩陣集合:
其中,時域平滑循環周期圖根據以下方式得到:
a1)、對計算出的flocs即分數低階循環譜進行歸一化和量化處理,得到最大值為1且離散的分數低階循環譜其中,ε為循環頻率,f為頻率;
在fam算法中,flocs的頻率解析度為δf=fs/n′,循環頻率解析度δα=1/δt=fs/n,其中,fs為採樣頻率,n′為復解調所用數據的點數,n為δt時間內輸入的數據點數,這樣採用fam算法計算出的flocs為(n′+1)×(2n+1)的矩陣;
a2)、由於flocs具有對稱性,基於離散的分數低階循環的四分之一象限建立相應的圖域映射:
定義穩定的循環頻率εp,p=1,2...n,εp滿足條件:
將穩定的循環頻率εp,p=1,2...n相應的頻率值作為頂點,得到頂點集合:
將兩個頂點之間的幅度差值作為邊,得到邊集合:
其中:
這樣,在每一個穩定的循環頻率εp下得到相應的圖域映射,即時域平滑循環周期圖為:
將分數低階循環譜為0的循環頻率刪除,得到h個保留下來的循環頻率εh所對應的時域平滑循環周期圖:
1.2)、行索引序列的提取
對於每個鄰接矩陣l=1,2,…,l提取主對角線正上方的次對角線的非零條目(元素),提取這些非零條目(元素)所對應的行索引序列行索引序列提取的原則如下:
b1)、檢查次對角線的非零值,列出這些非零值所對應的行索引,並根據這些非零值的絕對值對這些行索引進行降序排列,然後,按降序依次提取行索引;
b2)、如果兩個或多個非零條目具有相同的絕對值,則提取距離之前所提取的行索引距離最近的行索引,其他的丟棄;
b3)、如果兩個或多個非零條目具有相同的絕對值,且最大,則選擇最大的行索引,其他的丟棄;
這樣得到循環頻率εh所對應的得到l個行索引序列,選取在l個行索引序列中出現概率大於95%行索引構成一個穩定的行索引序列
對於第k類調製類型的訓練信號,提取出h個循環頻率εh穩定的行索引序列,構成穩定行索引序列集合:並作為第k類調製類型的特徵;
(2)、通信信號調製類型的識別
對於接收信號,按照步驟(1)的方法獲取其調製類型的特徵,行索引序列集合其中,v是保留下來的循環頻率個數;
計算行索引序列集合與第k類調製類型的特徵的漢明距離,得到k個漢明距離k=1,2,…,k,然後在其中找最小的漢明距離,其對應的調製類型即為接收通信信號的調製類型。
本發明的目的是這樣實現的。
為應對α穩定分布噪聲,本發明基於分數低階循環譜的圖域通信信號調製識別方法。利用接收信號的三維分數低階循環譜,將被α穩定分布噪聲幹擾的調製信號轉換到圖域上,然後可以從圖表示的稀疏鄰接矩陣中提取有效特徵參數行索引序列集合作為調製類型的特徵,根據訓練信號與接收信號的行索引序列集合漢明距離,來實現α穩定分布噪聲幹擾下,更穩定的更有效的通信信號調製類型的識別。
附圖說明
圖1是本發明應用的一種具體實施方式原理框圖。
具體實施方式
下面結合附圖對本發明的具體實施方式進行描述,以便本領域的技術人員更好地理解本發明。需要特別提醒注意的是,在以下的描述中,當已知功能和設計的詳細描述也許會淡化本發明的主要內容時,這些描述在這裡將被忽略。
為了方便描述,先對具體實施方式中出現的相關專業術語進行說明:
amc(automaticmodulationclassification):自動調製分類;
fb(feature-based):基於統計特徵
pr(patternrecognition):模式識別
lb(likelihood-basedinfluence):基於似然函數
amcg(graph-basedautomaticmodulationclassification):圖域自動調製分類;
pdf(probabilitydensityfunction):概率密度函數;
cf(characteristicfunction):特徵函數;
flocs(fractionallow-ordercyclicspectrum):分數低階循環譜;
floc(fractionallow-ordercorrelation):分數低階自相關函數;
flocc(fractionallow-ordercycliccorrelation):分數低階循環自相關;
fam(fft(fastfouriertransform)accumulationmethod):fft累加算法,用於計算循環譜密度;
bpsk(binaryphase-shiftkeying):二進位相移鍵控;
qpsk(quadraturephase-shiftkeying):正交相移鍵控;
oqpsk(offsetquadraturephase-shiftkeying):偏移四相相移鍵控;
2fsk(binaryfrequency-shiftkeying):二進位頻移鍵控;
4fsk(quadraturefrequency-shiftkeying):四進位頻移鍵控;
msk(minimumshiftkeying):最小頻移鍵控;
1、α穩定分布
α穩定分布又稱為非高斯穩定分布、重尾分布,是一種廣義的高斯分布,這種分布模型可以在實際的無線通信環境中,準確地模擬噪聲的統計特性。
α穩定分布的模型是唯一滿足穩定性和廣義中心極限定理的模型,α穩定分布並不存在統一、封閉的概率密度函數(pdf),但它存在統一的特徵函數(cf),其特徵函數可以表示為:
ψ(u)=exp{jau-γ|u|α[1+jβsgn(u)ω(u,α)]}(9);
其中,sgn(·)為符號函數。α(0<α≤2)為特徵指數,它決定該分布脈衝特性程度,α值越小,所對應分布的拖尾越厚,因此脈衝特性越顯著;β(-1≤β≤1)為偏斜參數,用於確定分布的對稱程度;γ(γ>0)為分散係數,又稱尺度參數,它是關於樣本偏離其均值的分散程度的度量,類似於高斯分布中的方差;α(-∞<a<+∞)為位置參數,對應於穩定分布的均值或中值,u為特徵函數的隨機變量。
當α=2時,α穩定分布退化為高斯分布;
當α=1且β=0時,α穩定分布為柯西分布;
當β=0時,α穩定分布為關於均值α的對稱分布,我們稱這樣的分布記為對稱α穩定(sαs)分布。
2、分數低階循環譜(flocs)分析
由於調製信號s(t)被服從α穩定分布的噪聲n(t)所汙染,因此接收信號x(t)可以被建模為:
x(t)=s(t)+n(t)(11);
其中,n(t)為服從sαs分布的噪聲,由於α穩定分布的噪聲具有顯著的尖峰脈衝特性,不具有二階或二階以上統計量,傳統的基於二階或高階循環統計量的amc算法在α穩定分布的噪聲會失效,對接收信號進行非線性變換得到的分數低階循環譜(flocs)可以有效的抑制α穩定分布的噪聲,因此,對於amc技術,可以從接收信號的flocs中提取相應的信息進行調製信號的識別。
圖1是本發明應用的一種具體實施方式原理框圖。
在本實施例中,輸入數據在發射機中經過調製器調製後,得到調製信號s(t),然後在信道中混入的α穩定分布噪聲n(t),成為接收機的接收信號x(t)。
首先,在自動調製分類器中,對接收信號x(t)以採樣頻率fs=1/ts進行均勻採樣,採樣後的離散信號x(n)的分數低階自相關函數(floc)可以被表示為:
floc(n,m)=e{[x(n+m)]{b}[x*(n)]{b}}(12);
x(n){b}=|x(n)|b-1x*(n)(13);
其中,式(12)是對散信號x(n)的b階非線性變換,0<b<α/2;e(·)為期望,x*(n)是x(n)的共軛。那麼,信號的分數低階循環自相關(flocc)為:
其中,表示時間平均,值得注意的是,b階非線性變換隻改變了信號的幅度,沒有改變周期信息,所以二階循環相關下定義的循環頻率同樣適合分數低階循環相關;若b=1,則flocc退化為二階循環自相關。flocs為flocc的傅立葉變換,可以被表示為:
實際上,可以利用時域平滑算法——fam算法估計出,對於一個給定的頻率f和循環頻率ε,時域平滑循環周期圖可以由下式表示:
其中g(n)是寬度為nts秒的統一權重函數,f1和f2是fam算法中濾波器的中心頻率,ts是採樣周期,其中,f1=f+α/2,f2=f-α/2,xt(r,f1)和xt(r,f2)是x(n)的復解調,可以由下式計算出。
其中a(r)是持續時間為t=n′ts秒的錐形數據窗,它的寬度即是flocs的頻率解析度δf,如果a(r)是歸一化的,flocs可以由時域平滑周期圖實現無偏估計,如下式:
3、圖域映射
採用fam算法計算出的三維圖的幅度為非負的,並對計算出的flocs進行歸一化和量化處理,得到最大值為1且離散的分數低階循環譜在fam算法中,flocs的頻率解析度為δf=fs/n′,循環頻率解析度δα=1/δt=fs/n,其中,fs為採樣間隔,n′為復解調所用數據的點數,n為δt時間內輸入的數據點數。即採用fam算法計算出的flocs矩陣(n′+1)×(2n+1)的矩陣。
由於flocs具有對稱性,因此對離散譜的四分之一象限建立相應的圖域映射。定義穩定的循環頻率εp,p=1,2...n,εp滿足條件:
將穩定的循環頻率相應的頻率值作為頂點,設為:將兩個頂點之間的幅度差值作為邊,設為:q1,q2=0,1,...,n′/2},其中:
至此,可以在每一個穩定的循環頻率下得到相應的圖域映射p=0,1,...,n,顯然每個循環頻率下的圖具有循環性,因此可以提取相應圖的鄰接矩陣作為不同信號的判別特徵。
4、提取特徵
設調製類型集合為其中,表示第k類調製類型,k=1,2,...,k。在本實施例中,可以對6類調製類型信號進行識別,即bpsk,2fsk,4fsk,qpsk,oqpsk,msk,對於無噪聲的第k類調製類型訓練信號,可以計算其flocs,根據第3部分的方法構建圖域集。
將訓練信號的採樣序列劃分為l段,可以建立l次圖域映射,對於每一次圖域映射,可以得到h個圖,對於第l次圖域映射,圖域的集合可以表示為其中h=1,2...h,表示第k種調製類型的訓練信號保留下來的循環頻率εh所對應的圖,其對應的圖提取出的鄰接矩陣集合表示為
因為flocs在圖域中代表一個加權的有向環,任意鄰接矩陣是如下性質的稀疏矩陣
其中,為鄰接矩陣的第(u,v)個條目,對於每個鄰接矩陣提取鄰接矩陣主對角線正上方的次對角線的非零條目,提取這些非零條目所對應的行索引序列行索引序列提取的原則如下:
b1)、檢查次對角線的非零值,列出這些非零值所對應的行索引,並根據這些非零值的絕對值對這些行索引進行降序排列,然後,按降序依次提取行索引;
b2)、如果兩個或多個非零條目具有相同的絕對值,則提取距離之前所提取的行索引距離最近的行索引,其他的丟棄;
b3)、如果兩個或多個非零條目具有相同的絕對值,且最大,則選擇最大的行索引,其他的丟棄;
這樣得到循環頻率εh所對應的得到l個行索引序列,選取在l個行索引序列中出現概率大於95%行索引構成一個穩定的行索引序列
對於第k類調製類型的訓練信號,提取出h循環頻率εh穩定的行索引序列,構成穩定行索引序列集合:並作為第k類調製類型的特徵。
注意,這些行索引序列不必具有相同個數的元素,因為每個序列的長度由相對應的鄰接矩陣的非零元素決定。
5、通信信號調製類型的識別
對於接收信號,按照第3、4部分的方法獲取其調製類型的特徵,行索引序列集合其中,v是保留下來的循環頻率個數;
計算行索引序列集合與第k類調製類型的特徵的漢明距離,得到k個漢明距離k=1,2,…,k,然後在其中找最小的漢明距離,其對應的調製類型即為接收通信信號的調製類型。
在本實施例中,如圖1所示,接收信號x(t)進行預處理後送入分類器中按照前述第5部分的方法進行通信信號調製識別,並把調製類型送入解調器中,按照對應的調製類型對預處理後的接收信號進行解調,得到輸出數據。
如圖1所示,本發明通過計算分數低階循環譜flocs將被α穩定分布噪聲幹擾的調製信號轉換到圖域上,然後通過圖域映射及特徵提取,得到調製類型訓練信號的特徵,然後根據特徵進行圖域分類,實現α穩定分布噪聲幹擾下,更穩定的更有效的通信信號調製類型的識別。
儘管上面對本發明說明性的具體實施方式進行了描述,以便於本技術領域的技術人員理解本發明,但應該清楚,本發明不限於具體實施方式的範圍,對本技術領域的普通技術人員來講,只要各種變化在所附的權利要求限定和確定的本發明的精神和範圍內,這些變化是顯而易見的,一切利用本發明構思的發明創造均在保護之列。