一種魯棒通信信號調(diào)制識別方法
【專利摘要】一種魯棒通信信號調(diào)制識別方法，涉及通信信號調(diào)制識別方法。本發(fā)明為了解決傳統(tǒng)AMR算法需要訓練多個識別器以保證在較大信噪比范圍內(nèi)的有效性的問題，即在訓練階段需要針對不同信噪比環(huán)境分別訓練識別器而導致的工作量巨大的問題。本發(fā)明對通信信號樣本s(t)進行魏格納(Wigner-Ville)變換得到s(t)的WVD分布后，提取二階立體自相關(guān)特征，建立二階立體自相關(guān)特征集，然后對二階立體自相關(guān)特征進行遴選形成魯棒特征集，之后訓練建立一類支持向量機組并計算一類支持向量機組的輸出函數(shù)Yi(x)；計算待識別通信信號樣本sx(t)屬于通信信號樣本s(t)中包含的各種調(diào)制方式的概率選取概率最大的調(diào)制類別做為最終的調(diào)制識別結(jié)果。本發(fā)明適用于通信信號的調(diào)制識別。
【專利說明】-種魯棒通信信號調(diào)制識別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及通信信號調(diào)制識別方法。

【背景技術(shù)】
[0002] 隨著軟件無線電和認知無線電【技術(shù)領(lǐng)域】的發(fā)展，基于特征提取和模式識別的多體 制通信信號自動調(diào)制識別方法（Automation Modulation Recognition,AMR)研究取得了很 多進展和成果，但目前仍不能滿足通信信號調(diào)制識別實際應(yīng)用的需求，仍存在很多挑戰(zhàn)。尤 其是AMR的推廣能力不佳一直是阻礙其實際應(yīng)用的重要瓶頸。為解決AMR方法推廣能力差、 需要實時信噪比估計的問題，本項目從特征遴選和分類器設(shè)計兩方面入手研究具有推廣能 力的多體制通信信號調(diào)制識別機理和方法，使AMR方法具有推廣能力強、識別率高、計算復 雜度低易于實時識別的特性。
[0003] 通信信號自動調(diào)制模式識別是軟件無線電與認知無線電領(lǐng)域的核心科學問題，10 多年來一直受到廣泛的關(guān)注，基于人工智能與機器學習的特征提取和分類器AMR方法成為 近幾年的研究重點課題，取得了大量的研究成果[5-10]。然而，通信信號的自動調(diào)制識別具 有其特殊性，接收信號的信噪比變化范圍大，變化迅速。具有推廣能力的通信信號AMR方法 可以很好的適應(yīng)這種復雜的信噪比環(huán)境，但具有推廣能力的AMR研究機理問題至今仍未解 決。
[0004] 在軟件無線電和認知無線電領(lǐng)域應(yīng)用中，高斯白噪聲是影響通信信號調(diào)制自動識 別算法性能的一個重要因素。與其它模式識別問題相比，通信信號AMR中的推廣能力具有 一定的特殊性。由于通信信號受噪聲的影響非常明顯，尤其是在信噪比變化劇烈的情況下， 由不同信噪比造成的樣本差異遠大于同一信噪比條件下樣本的個體差異。因此通信信號 AMR的推廣能力主要是指AMR對于輸入信號的信噪比變化的適應(yīng)能力，及在不同信噪比下 樣本的泛化識別能力。傳統(tǒng)AMR算法為了保證多個信噪比條件下具有很好的識別準確率， 需要訓練多個識別器，即在各個信噪比下分別訓練分類器。在訓練階段要針對各個信噪比 環(huán)境分別進行訓練，工作量極大。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明為了解決傳統(tǒng)AMR算法需要訓練多個識別器以保證在較大信噪比范圍內(nèi) 的有效性的問題，即在訓練階段需要針對不同信噪比環(huán)境分別訓練識別器而導致的工作量 巨大的問題。進而提出了一種在較大信噪比范圍內(nèi)都適用于的魯棒通信信號調(diào)制識別方 法。
[0006] -種魯棒通信信號調(diào)制識別方法包括以下步驟：
[0007] 步驟一：獲取通信信號樣本s(t)，對通信信號樣本s(t)進行魏格納 (Wigner-Ville)變換，得到通信信號樣本s (t)的時-頻-能量三維分布，S卩WVD分布；
[0008] 通信信號樣本s (t)的WVD定義如下：

【權(quán)利要求】
1. 一種魯棒通信信號調(diào)制識別方法，其特征在于該系統(tǒng)包括以下步驟： 步驟一：獲取通信信號樣本S (t)，對通信信號樣本S (t)進行魏格納變換，得到通信信 號樣本S (t)的時-頻-能量三維分布，S卩WVD分布； 通信信號樣本s (t)的WVD定義如下：
其中，τ表示滯后時間，t表示時間，ω表示角頻率，j為虛部基本單位； z⑴為s⑴的解析信號，定義為： z(t) = s(t)+jH[s(t)] (2) 而H[s (t)]表示s (t)的Hilbert變換，ZiXt)表示函數(shù)z (t)的共軛函數(shù)； 步驟二：根據(jù)通信信號樣本s(t)的WVD分布，提取二階立體自相關(guān)特征，建立二階立體 自相關(guān)特征集； 步驟三：在信噪比SNR為[6dB，20dB]的范圍內(nèi)，在二階立體自相關(guān)特征集中對二階立 體自相關(guān)特征進行遴選，獲得10維具有噪聲魯棒性的通信信號樣本s (t)特征，形成魯棒特 征集： 采用遺傳算法按著公式（3)對251維二階立體自相關(guān)特征進行遴選，選取匪SE最小的 10維特征
其中，匪SE為相對均方誤差，f (η)表示信噪比為η時的特征值，表示不同信噪比 下特征值的平均值； 根據(jù)遺傳算法的優(yōu)化結(jié)果選取噪聲魯棒性最好的10維二階立體自相關(guān)特征組成魯棒 特征集，對通信信號樣本s (t)進行表示； 步驟四：應(yīng)用步驟三所述魯棒特征集表示的通信信號樣本s(t)訓練建立一類支持向 量機組；對每一類調(diào)制方式的通信信號樣本s (t)訓練一個一類支持向量機； 步驟五：將待識別通信信號樣本\(0輸入步驟四建立的一類支持向量機組，計算一類 支持向量機組的輸出函數(shù)Yi(x)，i = l，…，工； 其中，Yi表示第i個一類支持向量機的輸出結(jié)果，I為通信信號樣本s(t)中調(diào)制方式 種類數(shù)； 步驟六：計算待識別通信信號樣本sx (t)屬于通信信號樣本s (t)中包含的各種調(diào)制方 式的概率
選取概率最大的調(diào)制類別為最終的調(diào)制識別結(jié)果。
2. 根據(jù)權(quán)利要求1所述的一種魯棒通信信號調(diào)制識別方法，其特征在于步驟二中根據(jù) 通信信號樣本S (t)的WVD分布，提取二階立體自相關(guān)特征，建立二階立體自相關(guān)特征集； 具體步驟如下： 根據(jù)通信信號樣本s(t)的WVD分布，在時間-頻率-能量三維空間（t，l，e)中定義二 值函數(shù)
其中，參考點r = (t, 1，e)T，t、l、e分別表示W(wǎng)VD分布的時間、頻率、能量； 三維空間的二階立體自相關(guān)函數(shù)為 RialMn) = F(r)F(r + ) + F(r + a~)dr (6) 其中，αι，α2分別表示相對參考點r的不同的位移向量，Ds表示積分區(qū)域； 在WVD空間中，ctp α2在以參考點r為中心且與參考點r相鄰點組成的立方體內(nèi)，通 信信號樣本s (t)三維空間的二階立體自相關(guān)函數(shù)為 R (α?,a,) = ^ F(i.Le)F(t + au,i + aine + a.t,)+ F(i + a,rl + a,ne + a2e) (7) t.l.e 式中，α It，α 11，α Ie為位移α I分別在t、l、e方向的分量；a 2t, α 21, a 2e為位移a 2分 別在t、l、e方向的分量； 對于二值函數(shù)，自相關(guān)函數(shù)等價為計算滿足邏輯條件點的參考點的數(shù)目，即 F (r) Λ F (r+a) Λ F (r+a2) = I (8) 其中，αι、α2在以r為中心的立方體中的位置分布有729 (272)種，去除隨參考點r位 置移動出現(xiàn)的重復分布，得到a i、α 2相對于r的251種不相關(guān)分布情況；所述a i、α 2在 以參考點r為中心的立方體中的251種分布情況即為251維二階立體自相關(guān)特征； 參考點遍歷三維空間中F(r) = 1的點，統(tǒng)計各維特征出現(xiàn)次數(shù)為對應(yīng)特征值，從而形 成251維的二階立體自相關(guān)特征集。
【文檔編號】H04L1/00GK104378176SQ201410680905
【公開日】2015年2月25日 申請日期:2014年11月24日 優(yōu)先權(quán)日:2014年11月24日
【發(fā)明者】吳芝路, 趙苑珺, 楊柱天, 張立憲 申請人:哈爾濱工業(yè)大學