本發(fā)明涉及無(wú)線(xiàn)通信領(lǐng)域，特別是涉及一種盲信號(hào)調(diào)制識(shí)別的方法及裝置。
背景技術(shù)：
：在軍事和民用通信中，無(wú)線(xiàn)信號(hào)經(jīng)常被非法傳輸信號(hào)干擾，如何識(shí)別盲信號(hào)的調(diào)制方式是一項(xiàng)非常艱巨的任務(wù)。大多數(shù)的調(diào)制識(shí)別方法通常假定只有一個(gè)信號(hào)存在，但在實(shí)際的頻譜監(jiān)測(cè)中會(huì)發(fā)現(xiàn)，合法信號(hào)通常被大量的非法信號(hào)干擾，隨著通信系統(tǒng)的日益復(fù)雜多樣，盲信號(hào)的調(diào)制方式識(shí)別成為了一項(xiàng)亟需解決的問(wèn)題。信號(hào)自動(dòng)調(diào)制識(shí)別技術(shù)作為一種盲信號(hào)調(diào)制識(shí)別方法，在軍用和民用通信領(lǐng)域有很廣泛的應(yīng)用，例如頻譜監(jiān)測(cè)和截獲信號(hào)，現(xiàn)有的信號(hào)識(shí)別算法主要有兩大類(lèi)：基于似然的算法和基于統(tǒng)計(jì)量的算法。基于似然的算法主要依據(jù)的是最大似然函數(shù)，它計(jì)算接收信號(hào)的不同調(diào)制識(shí)別類(lèi)型的概率，在信號(hào)數(shù)據(jù)集中選擇具有最大概率的類(lèi)型作為識(shí)別結(jié)果。另一方面，基于統(tǒng)計(jì)量的算法主要是從接收到的信號(hào)中提取相關(guān)特征，從而利用這些特征確定信號(hào)相應(yīng)的調(diào)制識(shí)別方法。在現(xiàn)有的針對(duì)盲信號(hào)的自動(dòng)調(diào)制方式識(shí)別的方法中，一種是只識(shí)別強(qiáng)信號(hào)而將其他弱信號(hào)視為干擾信號(hào)忽略掉，然而此方法易忽略有用的弱信號(hào)，造成信號(hào)丟失。技術(shù)實(shí)現(xiàn)要素：本發(fā)明實(shí)施例的目的在于提供一種盲信號(hào)調(diào)制識(shí)別的方法及裝置，以實(shí)現(xiàn)對(duì)盲信號(hào)中的所有信號(hào)的調(diào)制方式的識(shí)別，防止信號(hào)丟失。具體技術(shù)方案如下：第一方面，本發(fā)明實(shí)施例提供了一種盲信號(hào)調(diào)制識(shí)別的方法，所述方法包括：獲取多個(gè)接收信號(hào)，生成接收信號(hào)矩陣；對(duì)接收信號(hào)矩陣進(jìn)行獨(dú)立成分分析，得到分離矩陣；通過(guò)分離矩陣對(duì)多個(gè)接收信號(hào)進(jìn)行盲信號(hào)分離，得到分離后的獨(dú)立的源信號(hào)的多個(gè)估計(jì)信號(hào)；計(jì)算并根據(jù)多個(gè)估計(jì)信號(hào)的高階累積量，得到多個(gè)估計(jì)信號(hào)中每個(gè)估計(jì)信號(hào)的特征值；比較每個(gè)估計(jì)信號(hào)的特征值與預(yù)設(shè)特征值，得到使每個(gè)估計(jì)信號(hào)的特征值與預(yù)設(shè)特征值的差值為最小值時(shí)對(duì)應(yīng)的第一預(yù)設(shè)特征值，在預(yù)設(shè)調(diào)制方式與特征值關(guān)系庫(kù)中查找與第一預(yù)設(shè)特征值對(duì)應(yīng)的調(diào)制方式，確定每個(gè)估計(jì)信號(hào)的調(diào)制方式?？蛇x的，對(duì)接收信號(hào)矩陣進(jìn)行獨(dú)立成分分析，得到分離矩陣，包括：根據(jù)接收信號(hào)矩陣，計(jì)算接收信號(hào)矩陣的協(xié)方差矩陣；對(duì)協(xié)方差矩陣進(jìn)行特征值分解，得到協(xié)方差矩陣的特征值和特征向量；根據(jù)協(xié)方差矩陣的特征值和特征向量，得到接收信號(hào)的白化矩陣；通過(guò)白化矩陣對(duì)接收信號(hào)矩陣進(jìn)行白化處理，得到白化處理后的接收信號(hào)矩陣；通過(guò)快速獨(dú)立成分分析FastICA對(duì)白化處理后的接收信號(hào)矩陣進(jìn)行迭代計(jì)算，得到分離矩陣?？蛇x的，計(jì)算并根據(jù)多個(gè)估計(jì)信號(hào)的高階累積量，得到多個(gè)估計(jì)信號(hào)中每個(gè)估計(jì)信號(hào)的特征值，包括：計(jì)算多個(gè)估計(jì)信號(hào)中每個(gè)估計(jì)信號(hào)的四階累積量和六階累積量，并通過(guò)公式：計(jì)算多個(gè)估計(jì)信號(hào)中每個(gè)估計(jì)信號(hào)的特征值；其中，yi為多個(gè)估計(jì)信號(hào)中的第i個(gè)估計(jì)信號(hào)，γi為第i個(gè)估計(jì)信號(hào)的特征值，C42為第i個(gè)估計(jì)信號(hào)的四階累積量，C63為第i個(gè)估計(jì)信號(hào)的六階累積量，i為大于或等于1的自然數(shù)?？蛇x的，比較每個(gè)估計(jì)信號(hào)的特征值與預(yù)設(shè)特征值，得到使每個(gè)估計(jì)信號(hào)的特征值與預(yù)設(shè)特征值的差值為最小值時(shí)對(duì)應(yīng)的第一預(yù)設(shè)特征值，在預(yù)設(shè)調(diào)制方式與特征值關(guān)系庫(kù)中查找與第一預(yù)設(shè)特征值對(duì)應(yīng)的調(diào)制方式，確定每個(gè)估計(jì)信號(hào)的調(diào)制方式，包括：通過(guò)公式：γq＝arg(min|γi-γq|)比較每個(gè)估計(jì)信號(hào)的特征值與預(yù)設(shè)特征值，得到使每個(gè)估計(jì)信號(hào)的特征值與預(yù)設(shè)特征值的差值為最小值時(shí)對(duì)應(yīng)的第一預(yù)設(shè)特征值，在預(yù)設(shè)調(diào)制方式與特征值關(guān)系庫(kù)中查找與第一預(yù)設(shè)特征值對(duì)應(yīng)的調(diào)制方式，確定每個(gè)估計(jì)信號(hào)的調(diào)制方式；其中，γi為第i個(gè)估計(jì)信號(hào)的特征值，γq為第q種調(diào)制方式對(duì)應(yīng)的預(yù)設(shè)特征值，調(diào)制方式與預(yù)設(shè)特征值一一對(duì)應(yīng)，i，q為大于或等于1的自然數(shù)。可選的，在通過(guò)分離矩陣對(duì)多個(gè)接收信號(hào)進(jìn)行盲信號(hào)分離，得到分離后的獨(dú)立的源信號(hào)的多個(gè)估計(jì)信號(hào)之后，本發(fā)明實(shí)施例的盲信號(hào)調(diào)制識(shí)別的方法還包括：通過(guò)公式：評(píng)價(jià)分離矩陣進(jìn)行盲信號(hào)分離的效果；其中，PI為分離矩陣的評(píng)價(jià)系數(shù)，gnm為G矩陣的元素，G＝WH，W為分離矩陣，H為信道矩陣，M為G矩陣的階數(shù)，n為gnm在G矩陣中的行數(shù)，m為gnm在G矩陣中的列數(shù)。第二方面，本發(fā)明實(shí)施例提供了一種盲信號(hào)調(diào)制識(shí)別的裝置，所述裝置包括：第一矩陣生成模塊，用于獲取多個(gè)接收信號(hào)，生成接收信號(hào)矩陣；第二矩陣生成模塊，用于對(duì)接收信號(hào)矩陣進(jìn)行獨(dú)立成分分析，得到分離矩陣；信號(hào)分離模塊，用于通過(guò)分離矩陣對(duì)多個(gè)接收信號(hào)進(jìn)行盲信號(hào)分離，得到分離后的獨(dú)立的源信號(hào)的多個(gè)估計(jì)信號(hào)；特征值計(jì)算模塊，用于計(jì)算并根據(jù)多個(gè)估計(jì)信號(hào)的高階累積量，得到多個(gè)估計(jì)信號(hào)中每個(gè)估計(jì)信號(hào)的特征值；調(diào)制方式識(shí)別模塊，用于比較每個(gè)估計(jì)信號(hào)的特征值與預(yù)設(shè)特征值，得到使每個(gè)估計(jì)信號(hào)的特征值與預(yù)設(shè)特征值的差值為最小值時(shí)對(duì)應(yīng)的第一預(yù)設(shè)特征值，在預(yù)設(shè)調(diào)制方式與特征值關(guān)系庫(kù)中查找與第一預(yù)設(shè)特征值對(duì)應(yīng)的調(diào)制方式，確定每個(gè)估計(jì)信號(hào)的調(diào)制方式?？蛇x的，所述第二矩陣生成模塊包括：協(xié)方差矩陣計(jì)算子模塊，用于根據(jù)接收信號(hào)矩陣，計(jì)算接收信號(hào)矩陣的協(xié)方差矩陣；特征值分解子模塊，用于對(duì)協(xié)方差矩陣進(jìn)行特征值分解，得到協(xié)方差矩陣的特征值和特征向量；白化矩陣計(jì)算子模塊，用于根據(jù)協(xié)方差矩陣的特征值和特征向量，得到接收信號(hào)的白化矩陣；白化處理子模塊，用于通過(guò)白化矩陣對(duì)接收信號(hào)矩陣進(jìn)行白化處理，得到白化處理后的接收信號(hào)矩陣；第二矩陣生成子模塊，用于通過(guò)快速獨(dú)立成分分析FastICA對(duì)白化處理后的接收信號(hào)矩陣進(jìn)行迭代計(jì)算，得到分離矩陣。可選的，所述特征值計(jì)算模塊具體用于：計(jì)算多個(gè)估計(jì)信號(hào)中每個(gè)估計(jì)信號(hào)的四階累積量和六階累積量，并通過(guò)公式：計(jì)算多個(gè)估計(jì)信號(hào)中每個(gè)估計(jì)信號(hào)的特征值；其中，yi為多個(gè)估計(jì)信號(hào)中的第i個(gè)估計(jì)信號(hào)，γi為第i個(gè)估計(jì)信號(hào)的特征值，C42為第i個(gè)估計(jì)信號(hào)的四階累積量，C63為第i個(gè)估計(jì)信號(hào)的六階累積量，i為大于或等于1的自然數(shù)?？蛇x的，所述調(diào)制方式識(shí)別模塊具體用于：通過(guò)公式：γq＝arg(min|γi-γq|)比較每個(gè)估計(jì)信號(hào)的特征值與預(yù)設(shè)特征值，得到使每個(gè)估計(jì)信號(hào)的特征值與預(yù)設(shè)特征值的差值為最小值時(shí)對(duì)應(yīng)的第一預(yù)設(shè)特征值，在預(yù)設(shè)調(diào)制方式與特征值關(guān)系庫(kù)中查找與第一預(yù)設(shè)特征值對(duì)應(yīng)的調(diào)制方式，確定每個(gè)估計(jì)信號(hào)的調(diào)制方式；其中，γi為第i個(gè)估計(jì)信號(hào)的特征值，γq為第q種調(diào)制方式對(duì)應(yīng)的預(yù)設(shè)特征值，調(diào)制方式與預(yù)設(shè)特征值一一對(duì)應(yīng)，i，q為大于或等于1的自然數(shù)?？蛇x的，所述的盲信號(hào)調(diào)制識(shí)別的裝置，還包括：評(píng)價(jià)模塊，用于通過(guò)公式：評(píng)價(jià)分離矩陣進(jìn)行盲信號(hào)分離的效果；其中，PI為分離矩陣的評(píng)價(jià)系數(shù)，gnm為G矩陣的元素，G＝WH，W為分離矩陣，H為信道矩陣，M為G矩陣的階數(shù)，n為gnm在G矩陣中的行數(shù)，m為gnm在G矩陣中的列數(shù)。本發(fā)明實(shí)施例提供的一種盲信號(hào)調(diào)制識(shí)別的方法及裝置，通過(guò)獨(dú)立成分分析得到接收信號(hào)的分離矩陣，然后通過(guò)分離矩陣計(jì)算得到獨(dú)立源信號(hào)的多個(gè)估計(jì)信號(hào)，并計(jì)算多個(gè)估計(jì)信號(hào)中每個(gè)估計(jì)信號(hào)的特征值，并與預(yù)設(shè)特征值進(jìn)行對(duì)比，得到估計(jì)信號(hào)的調(diào)制方式，實(shí)現(xiàn)了對(duì)盲信號(hào)中的所有信號(hào)的調(diào)制方式的識(shí)別，有效防止信號(hào)丟失，并且本發(fā)明實(shí)施例提供的一種盲信號(hào)調(diào)制識(shí)別的方法及裝置，不需要考慮盲信號(hào)中多個(gè)信號(hào)的功率，能夠?qū)崿F(xiàn)對(duì)不同功率的信號(hào)的有效識(shí)別。當(dāng)然，實(shí)施本發(fā)明的任一產(chǎn)品或方法必不一定需要同時(shí)達(dá)到以上所述的所有優(yōu)點(diǎn)。附圖說(shuō)明為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明實(shí)施例的一種盲信號(hào)調(diào)制識(shí)別的方法流程圖；圖2為本發(fā)明實(shí)施例的一種盲信號(hào)調(diào)制識(shí)別的裝置結(jié)構(gòu)圖。具體實(shí)施方式下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。為了實(shí)現(xiàn)對(duì)盲信號(hào)中的所有信號(hào)的調(diào)制方式的識(shí)別，防止信號(hào)丟失，本發(fā)明實(shí)施例提供了一種盲信號(hào)調(diào)制識(shí)別的方法及裝置。下面，首先對(duì)本發(fā)明實(shí)施例提供的一種盲信號(hào)調(diào)制識(shí)別的方法進(jìn)行介紹，如圖1所示，本發(fā)明實(shí)施例提供的一種盲信號(hào)調(diào)制識(shí)別的方法，包括如下步驟：S101，獲取多個(gè)接收信號(hào)，生成接收信號(hào)矩陣；在發(fā)送端發(fā)送多個(gè)源信號(hào)后，由多個(gè)信號(hào)接收端接收，由于信號(hào)在傳輸過(guò)程中存在路徑多變的情況，使得每一個(gè)信號(hào)接收端獲取的接收信號(hào)都是多個(gè)源信號(hào)混疊形成的接收信號(hào)；在獲取到多個(gè)信號(hào)接收端接收的多個(gè)接收信號(hào)后，對(duì)多個(gè)接收信號(hào)進(jìn)行檢測(cè)，得到每個(gè)接收信號(hào)的信號(hào)值，以矩陣的形式表示多個(gè)接收信號(hào)，生成接收信號(hào)矩陣。需要說(shuō)明的是，本步驟中的多個(gè)接收信號(hào)具體為K個(gè)，源信號(hào)為N個(gè)，并且K大于或等于N，源信號(hào)和接收信號(hào)分別為數(shù)字信號(hào)。假設(shè)，源信號(hào)的矩陣為s，經(jīng)過(guò)信道傳輸后的接收信號(hào)矩陣為r，則r＝hs+n，其中，h為信道矩陣，n為高斯噪聲矩陣。S102，對(duì)接收信號(hào)矩陣進(jìn)行獨(dú)立成分分析，得到分離矩陣；在生成接收信號(hào)矩陣后，首先對(duì)接收信號(hào)矩陣去均值，再進(jìn)行白化處理，去除各個(gè)接收信號(hào)之間的相關(guān)性，通過(guò)獨(dú)立成分分析方法對(duì)接收信號(hào)進(jìn)行獨(dú)立成分分析，得到分離矩陣。需要說(shuō)明的是，對(duì)接收信號(hào)矩陣去均值和進(jìn)行白化處理，目的是降低獨(dú)立成分分析過(guò)程的復(fù)雜度，增強(qiáng)算法的收斂速度，可以理解的是，對(duì)接收信號(hào)矩陣去均值和進(jìn)行白化處理是本步驟的優(yōu)選解決方案。例如，根據(jù)S101假設(shè)的接收信號(hào)矩陣為r，首先對(duì)接收信號(hào)矩陣r去均值，再進(jìn)行白化處理，即進(jìn)行線(xiàn)性變換，得到變換后的矩陣然后通過(guò)獨(dú)立成分分析方法對(duì)變換后的矩陣進(jìn)行獨(dú)立成分分析，得到分離矩陣W。其中，獨(dú)立成分分析的過(guò)程為現(xiàn)有技術(shù)，此處不再贅述。S103，通過(guò)分離矩陣對(duì)多個(gè)接收信號(hào)進(jìn)行盲信號(hào)分離，得到分離后的獨(dú)立的源信號(hào)的多個(gè)估計(jì)信號(hào)；分離的過(guò)程為矩陣相乘的過(guò)程，即將分離矩陣與接收信號(hào)矩陣相乘，則得到分離后的獨(dú)立的源信號(hào)的多個(gè)估計(jì)信號(hào)。例如，S102步驟中得到的分離矩陣為W，S101步驟中生成的接收信號(hào)矩陣為r，則分離后的獨(dú)立的源信號(hào)的多個(gè)估計(jì)信號(hào)的矩陣為y＝Wr，其中，y為多個(gè)估計(jì)信號(hào)組成的估計(jì)信號(hào)矩陣。S104，計(jì)算并根據(jù)多個(gè)估計(jì)信號(hào)的高階累積量，得到多個(gè)估計(jì)信號(hào)中每個(gè)估計(jì)信號(hào)的特征值；獲取并根據(jù)多個(gè)估計(jì)信號(hào)中的每個(gè)估計(jì)信號(hào)的信號(hào)值，分別計(jì)算每一個(gè)估計(jì)信號(hào)的多個(gè)高階累積量，其中，所述的高階累積量可以是二階累積量、四階累積量、還可以是六階累積量或八階累積量；獲取并根據(jù)每個(gè)估計(jì)信號(hào)的兩個(gè)不同階的高階累積量，計(jì)算每個(gè)估計(jì)信號(hào)的特征值。需要說(shuō)明的是，通過(guò)根據(jù)每一個(gè)估計(jì)信號(hào)的高階累積量得到每一個(gè)估計(jì)信號(hào)對(duì)應(yīng)的特征值，能夠?qū)崿F(xiàn)對(duì)特征值的去單位化，降低噪聲造成的誤差。S105，比較每個(gè)估計(jì)信號(hào)的特征值與預(yù)設(shè)特征值，得到使每個(gè)估計(jì)信號(hào)的特征值與預(yù)設(shè)特征值的差值為最小值時(shí)對(duì)應(yīng)的第一預(yù)設(shè)特征值，在預(yù)設(shè)調(diào)制方式與特征值關(guān)系庫(kù)中查找與第一預(yù)設(shè)特征值對(duì)應(yīng)的調(diào)制方式，確定每個(gè)估計(jì)信號(hào)的調(diào)制方式。其中，所述的預(yù)設(shè)特征值至少為一個(gè)預(yù)設(shè)特征值，所述的第一預(yù)設(shè)特征值為預(yù)設(shè)特征值中的任一個(gè)特征值。具體地，在本步驟中，第一種可以實(shí)現(xiàn)的實(shí)施方式是：第一步，獲取多個(gè)估計(jì)信號(hào)的特征值中的第一估計(jì)信號(hào)的特征值，與預(yù)設(shè)調(diào)制方式與特征值關(guān)系庫(kù)中的多個(gè)不同的特征值進(jìn)行比較，得到使第一估計(jì)信號(hào)的特征值與預(yù)設(shè)特征值的差值為最小值時(shí)對(duì)應(yīng)的第一預(yù)設(shè)特征值；第二步，根據(jù)該第一預(yù)設(shè)特征值，在預(yù)設(shè)調(diào)制方式與特征值關(guān)系庫(kù)中查找對(duì)應(yīng)于該第一預(yù)設(shè)特征值的調(diào)制方式，則第一預(yù)設(shè)特征值的調(diào)制方式為第一估計(jì)信號(hào)的調(diào)制方式；重復(fù)上述步驟，則能夠得到多個(gè)估計(jì)信號(hào)的調(diào)制方式。在本實(shí)施例中，在第一估計(jì)信號(hào)的特征值與預(yù)設(shè)調(diào)制方式與特征值關(guān)系庫(kù)中的多個(gè)不同的特征值進(jìn)行比較時(shí)，只需要在預(yù)設(shè)調(diào)制方式與特征值關(guān)系庫(kù)中進(jìn)行一次遍歷比較，就能夠快速得到與上述的第一估計(jì)信號(hào)的特征值對(duì)應(yīng)的第一估計(jì)信號(hào)的調(diào)制方式，節(jié)省比較的時(shí)間，提高識(shí)別效率。具體地，在本步驟中，第二種可以實(shí)現(xiàn)的實(shí)施方式是：獲取多個(gè)估計(jì)信號(hào)的特征值，與預(yù)設(shè)調(diào)制方式與特征值關(guān)系庫(kù)中的第一預(yù)設(shè)特征值進(jìn)行比較，得到使多個(gè)估計(jì)信號(hào)中的任一個(gè)特征值與第一預(yù)設(shè)特征值的差值為最小值時(shí)的一個(gè)估計(jì)信號(hào)的特征值，則第一預(yù)設(shè)特征值對(duì)應(yīng)的調(diào)制方式為該估計(jì)信號(hào)的調(diào)制方式；重復(fù)上述步驟，直至確定多個(gè)估計(jì)信號(hào)的全部估計(jì)信號(hào)的調(diào)制方式。在本實(shí)施例中，通過(guò)一個(gè)第一預(yù)設(shè)特征值，與多個(gè)估計(jì)信號(hào)的特征值進(jìn)行比較，能夠得到與至少一個(gè)估計(jì)信號(hào)的特征值對(duì)應(yīng)的估計(jì)信號(hào)的調(diào)制方式，并且，能夠有效防止對(duì)估計(jì)信號(hào)調(diào)制方式識(shí)別的遺漏。需要說(shuō)明的是，以上兩種實(shí)施方式僅為了更好的說(shuō)明本發(fā)明實(shí)施例，并不能用于限定本發(fā)明實(shí)施例的實(shí)施方式，本步驟還可以有其他多種實(shí)施方式，基于本步驟的實(shí)施方式，在本領(lǐng)域普通技術(shù)人員沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。在本發(fā)明實(shí)施例中，通過(guò)獨(dú)立成分分析得到接收信號(hào)的分離矩陣，然后通過(guò)分離矩陣計(jì)算得到獨(dú)立源信號(hào)的多個(gè)估計(jì)信號(hào)，再通過(guò)計(jì)算并根據(jù)每個(gè)估計(jì)信號(hào)的高階累積量計(jì)算多個(gè)估計(jì)信號(hào)中每個(gè)估計(jì)信號(hào)的特征值，與預(yù)設(shè)特征值進(jìn)行對(duì)比，得到使每個(gè)估計(jì)信號(hào)的特征值與預(yù)設(shè)特征值的差值為最小值時(shí)對(duì)應(yīng)的第一預(yù)設(shè)特征值，最后通過(guò)在預(yù)設(shè)調(diào)制方式與特征值關(guān)系庫(kù)中查找與第一預(yù)設(shè)特征值對(duì)應(yīng)的調(diào)制方式，得到估計(jì)信號(hào)的調(diào)制方式，實(shí)現(xiàn)了對(duì)盲信號(hào)中的所有信號(hào)的調(diào)制方式的識(shí)別，有效防止信號(hào)丟失，并且本發(fā)明實(shí)施例提供的一種盲信號(hào)調(diào)制識(shí)別的方法及裝置，不需要考慮盲信號(hào)中多個(gè)信號(hào)的功率，能夠?qū)崿F(xiàn)對(duì)不同功率的信號(hào)的有效識(shí)別。更進(jìn)一步地，為了提高分離效率和算法收斂速度，所述對(duì)所述接收信號(hào)矩陣進(jìn)行獨(dú)立成分分析，得到分離矩陣，包括：第一步，根據(jù)接收信號(hào)矩陣，計(jì)算接收信號(hào)矩陣的協(xié)方差矩陣；第二步，對(duì)協(xié)方差矩陣進(jìn)行特征值分解，得到協(xié)方差矩陣的特征值和特征向量；第三步，根據(jù)協(xié)方差矩陣的特征值和特征向量，得到接收信號(hào)的白化矩陣；第四步，通過(guò)白化矩陣對(duì)接收信號(hào)矩陣進(jìn)行白化處理，得到白化處理后的接收信號(hào)矩陣；第五步，通過(guò)快速獨(dú)立成分分析FastICA對(duì)白化處理后的接收信號(hào)矩陣進(jìn)行迭代計(jì)算，得到分離矩陣。具體地，為了更清楚的描述本發(fā)明實(shí)施例的方案，下面對(duì)方案舉例進(jìn)行說(shuō)明，假設(shè)接收信號(hào)矩陣為r，白化矩陣為L(zhǎng)，則協(xié)方差矩陣為E{rrT}，通過(guò)對(duì)協(xié)方差矩陣進(jìn)行特征值分解，即E{rrT}＝UDUT，得到協(xié)方差矩陣的特征值和特征值向量，其中，U的各個(gè)分量為協(xié)方差矩陣E{rrT}的特征向量，U為協(xié)方差矩陣E{rrT}的各個(gè)特征向量組成的矩陣。D為協(xié)方差矩陣的各個(gè)特征值組成的對(duì)角矩陣；因此，能夠得到接收信號(hào)的白化矩陣為L(zhǎng)＝UD-1/2UT，經(jīng)過(guò)白化處理后的接收信號(hào)矩陣為通過(guò)快速獨(dú)立成分分析FastICA并根據(jù)公式對(duì)白化處理后的接收信號(hào)矩陣進(jìn)行迭代計(jì)算，得到分離矩陣。其中，W＝W+/||W+||，W+為當(dāng)前計(jì)算得到的當(dāng)前分離矩陣，W為當(dāng)前分離矩陣的前一次計(jì)算得到的分離矩陣，WT為W的轉(zhuǎn)置矩陣，g(·)為非線(xiàn)性函數(shù)，||·‖為2-范數(shù)。分離矩陣滿(mǎn)足最大化的非高斯性。需要說(shuō)明的是，在進(jìn)行獨(dú)立成分分析前對(duì)接收信號(hào)進(jìn)行白化處理能夠降低獨(dú)立成分分析過(guò)程的復(fù)雜度，增強(qiáng)算法的收斂能力，通過(guò)快速獨(dú)立成分分析FastICA能夠減少算法的迭代次數(shù)，提高信號(hào)分離效率和收斂速度。更進(jìn)一步地，為了降低噪聲造成的誤差并且獲得多個(gè)估計(jì)信號(hào)的全部調(diào)制方式，所述計(jì)算并根據(jù)多個(gè)估計(jì)信號(hào)的高階累積量，得到多個(gè)估計(jì)信號(hào)中每個(gè)估計(jì)信號(hào)的特征值，包括：計(jì)算多個(gè)估計(jì)信號(hào)中每個(gè)估計(jì)信號(hào)的四階累積量和六階累積量，并通過(guò)公式：計(jì)算多個(gè)估計(jì)信號(hào)中每個(gè)估計(jì)信號(hào)的特征值；其中，yi為多個(gè)估計(jì)信號(hào)中的第i個(gè)估計(jì)信號(hào)，γi為第i個(gè)估計(jì)信號(hào)的特征值，C42為第i個(gè)估計(jì)信號(hào)的四階累積量，C63為第i個(gè)估計(jì)信號(hào)的六階累積量，i為大于或等于1的自然數(shù)。在本步驟中，通過(guò)計(jì)算每個(gè)估計(jì)信號(hào)的四階累積量和六階累積量求得每個(gè)估計(jì)信號(hào)的特征值，能夠降低噪聲引起的誤差，同時(shí)，能夠獲得更多數(shù)值的特征值，進(jìn)而在后續(xù)步驟中能夠得到的更多估計(jì)信號(hào)的調(diào)制方式。其中，計(jì)算四階累積量與計(jì)算六階累積量屬于現(xiàn)有技術(shù)，此處不再贅述。應(yīng)當(dāng)理解的是，本方案中的四階累積量和六階累積為本發(fā)明實(shí)施例的優(yōu)選方案，并不能用于限定本發(fā)明實(shí)施例，通過(guò)計(jì)算其他的高階累積量獲得對(duì)應(yīng)的特征值也是允許的，并且應(yīng)當(dāng)是被保護(hù)的。更進(jìn)一步地，所述比較每個(gè)估計(jì)信號(hào)的第一特征值與預(yù)設(shè)特征值，得到使每個(gè)估計(jì)信號(hào)的特征值與預(yù)設(shè)特征值的差值為最小值時(shí)對(duì)應(yīng)的第一預(yù)設(shè)特征值，在預(yù)設(shè)調(diào)制方式與特征值關(guān)系庫(kù)中查找與第一預(yù)設(shè)特征值對(duì)應(yīng)的調(diào)制方式，確定每個(gè)估計(jì)信號(hào)的調(diào)制方式，包括：通過(guò)公式：γq＝arg(min|γi-γq|)比較每個(gè)估計(jì)信號(hào)的特征值與預(yù)設(shè)特征值，得到使每個(gè)估計(jì)信號(hào)的特征值與預(yù)設(shè)特征值的差值為最小值時(shí)對(duì)應(yīng)的第一預(yù)設(shè)特征值，在預(yù)設(shè)調(diào)制方式與特征值關(guān)系庫(kù)中查找與第一預(yù)設(shè)特征值對(duì)應(yīng)的調(diào)制方式，確定每個(gè)估計(jì)信號(hào)的調(diào)制方式；其中，γi為第i個(gè)估計(jì)信號(hào)的特征值，γq為第q種調(diào)制方式對(duì)應(yīng)的預(yù)設(shè)特征值，調(diào)制方式與預(yù)設(shè)特征值一一對(duì)應(yīng)，i，q為大于或等于1的自然數(shù)。具體地，預(yù)設(shè)調(diào)制方式與特征值關(guān)系庫(kù)為存儲(chǔ)預(yù)設(shè)調(diào)制方式與特征值關(guān)系表的數(shù)據(jù)庫(kù)，所述的關(guān)系表如表1所示：表1預(yù)設(shè)調(diào)制方式與特征值關(guān)系表調(diào)制方式四階累積量C42六階累積量C63預(yù)設(shè)特征值γq4ASK-1.36E28.32E30.3312BPSK-2E216E30.3150QPSK-E24E30.39698PSK-E24E30.396916PSK-E24E30.396916QAM-0.68E22.08E30.417332QAM-0.69E22.11E30.419464QAM-0.6191E21.7972E30.4188128QAM-0.1814E21.9594E30.4200256QAM-0.6047E21.734E30.4190可見(jiàn)，通過(guò)在預(yù)設(shè)調(diào)制方式與特征值關(guān)系表中進(jìn)行查找，能夠快速確定多個(gè)估計(jì)信號(hào)中每個(gè)估計(jì)信號(hào)的調(diào)制方式。需要說(shuō)明的是，表1所示的預(yù)設(shè)調(diào)制方式與特征值關(guān)系表僅僅用于舉例說(shuō)明，并不能用于限定本發(fā)明，在實(shí)際應(yīng)用中，還可以有更多的調(diào)制方式和預(yù)設(shè)特征值。更進(jìn)一步地，為了評(píng)價(jià)分離矩陣的分離效果，在通過(guò)分離矩陣對(duì)多個(gè)接收信號(hào)進(jìn)行盲信號(hào)分離，得到分離后的獨(dú)立的源信號(hào)的多個(gè)估計(jì)信號(hào)之后，本發(fā)明實(shí)施例的盲信號(hào)調(diào)制識(shí)別的方法還包括：通過(guò)公式：評(píng)價(jià)分離矩陣進(jìn)行盲信號(hào)分離的效果；其中，PI為分離矩陣的評(píng)價(jià)系數(shù)，gnm為G矩陣的元素，G＝WH，W為分離矩陣，H為信道矩陣，M為G矩陣的階數(shù)，n為gnm在G矩陣中的行數(shù)，m為gnm在G矩陣中的列數(shù)。需要說(shuō)明的是，PI值越小，說(shuō)明分離效果越好，當(dāng)PI＝0時(shí)，則說(shuō)明分離后的估計(jì)信號(hào)與源信號(hào)越接近。相應(yīng)于上述提供的一種盲信號(hào)調(diào)制識(shí)別的方法，本發(fā)明實(shí)施例提供了一種盲信號(hào)調(diào)制識(shí)別的裝置，如圖2所示，該裝置包括：第一矩陣生成模塊201，用于獲取多個(gè)接收信號(hào)，生成接收信號(hào)矩陣；第二矩陣生成模塊202，用于對(duì)接收信號(hào)矩陣進(jìn)行獨(dú)立成分分析，得到分離矩陣；信號(hào)分離模塊203，用于通過(guò)分離矩陣對(duì)多個(gè)接收信號(hào)進(jìn)行盲信號(hào)分離，得到分離后的獨(dú)立的源信號(hào)的多個(gè)估計(jì)信號(hào)；特征值計(jì)算模塊204，用于計(jì)算并根據(jù)多個(gè)估計(jì)信號(hào)的高階累積量，得到多個(gè)估計(jì)信號(hào)中每個(gè)估計(jì)信號(hào)的特征值；調(diào)制方式識(shí)別模塊205，用于比較每個(gè)估計(jì)信號(hào)的特征值與預(yù)設(shè)特征值，得到使每個(gè)估計(jì)信號(hào)的特征值與預(yù)設(shè)特征值的差值為最小值時(shí)對(duì)應(yīng)的第一預(yù)設(shè)特征值，在預(yù)設(shè)調(diào)制方式與特征值關(guān)系庫(kù)中查找與第一預(yù)設(shè)特征值對(duì)應(yīng)的調(diào)制方式，確定每個(gè)估計(jì)信號(hào)的調(diào)制方式。需要說(shuō)明的是，本發(fā)明實(shí)施例的裝置是應(yīng)用上述盲信號(hào)調(diào)制識(shí)別的方法的裝置，則上述盲信號(hào)調(diào)制識(shí)別的方法的所有實(shí)施例均適用于該裝置，且均能達(dá)到相同或相似的有益效果。具體地，所述第二矩陣生成模塊202包括：協(xié)方差矩陣計(jì)算子模塊，用于根據(jù)接收信號(hào)矩陣，計(jì)算接收信號(hào)矩陣的協(xié)方差矩陣；特征值分解子模塊，用于對(duì)協(xié)方差矩陣進(jìn)行特征值分解，得到協(xié)方差矩陣的特征值和特征向量；白化矩陣計(jì)算子模塊，用于根據(jù)協(xié)方差矩陣的特征值和特征向量，得到接收信號(hào)的白化矩陣；白化處理子模塊，用于通過(guò)白化矩陣對(duì)接收信號(hào)矩陣進(jìn)行白化處理，得到白化處理后的接收信號(hào)矩陣；第二矩陣生成子模塊，用于通過(guò)快速獨(dú)立成分分析FastICA對(duì)白化處理后的接收信號(hào)矩陣進(jìn)行迭代計(jì)算，得到分離矩陣。具體地，所述特征值計(jì)算模塊204具體用于：計(jì)算多個(gè)估計(jì)信號(hào)中每個(gè)估計(jì)信號(hào)的四階累積量和六階累積量，并通過(guò)公式：計(jì)算多個(gè)估計(jì)信號(hào)中每個(gè)估計(jì)信號(hào)的特征值；其中，yi為多個(gè)估計(jì)信號(hào)中的第i個(gè)估計(jì)信號(hào)，γi為第i個(gè)估計(jì)信號(hào)的特征值，C42為第i個(gè)估計(jì)信號(hào)的四階累積量，C63為第i個(gè)估計(jì)信號(hào)的六階累積量，i為大于或等于1的自然數(shù)。具體地，所述調(diào)制方式識(shí)別模塊205具體用于：通過(guò)公式：γq＝arg(min|γi-γq|)比較每個(gè)估計(jì)信號(hào)的特征值與預(yù)設(shè)特征值，得到使每個(gè)估計(jì)信號(hào)的特征值與預(yù)設(shè)特征值的差值為最小值時(shí)對(duì)應(yīng)的第一預(yù)設(shè)特征值，在預(yù)設(shè)調(diào)制方式與特征值關(guān)系庫(kù)中查找與第一預(yù)設(shè)特征值對(duì)應(yīng)的調(diào)制方式，確定每個(gè)估計(jì)信號(hào)的調(diào)制方式；其中，γi為第i個(gè)估計(jì)信號(hào)的特征值，γq為第q種調(diào)制方式對(duì)應(yīng)的預(yù)設(shè)特征值，調(diào)制方式與預(yù)設(shè)特征值一一對(duì)應(yīng)，i，q為大于或等于1的自然數(shù)。具體地，所述的盲信號(hào)調(diào)制識(shí)別的裝置，還包括：評(píng)價(jià)模塊，用于通過(guò)公式：評(píng)價(jià)分離矩陣進(jìn)行盲信號(hào)分離的效果；其中，PI為分離矩陣的評(píng)價(jià)系數(shù)，gnm為G矩陣的元素，G＝WH，W為分離矩陣，H為信道矩陣，M為G矩陣的階數(shù)，n為gnm在G矩陣中的行數(shù)，m為gnm在G矩陣中的列數(shù)。需要說(shuō)明的是，在本文中，諸如第一和第二等之類(lèi)的關(guān)系術(shù)語(yǔ)僅僅用來(lái)將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開(kāi)來(lái)，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語(yǔ)“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過(guò)程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒(méi)有明確列出的其他要素，或者是還包括為這種過(guò)程、方法、物品或者設(shè)備所固有的要素。在沒(méi)有更多限制的情況下，由語(yǔ)句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過(guò)程、方法、物品或者設(shè)備中還存在另外的相同要素。本說(shuō)明書(shū)中的各個(gè)實(shí)施例均采用相關(guān)的方式描述，各個(gè)實(shí)施例之間相同相似的部分互相參見(jiàn)即可，每個(gè)實(shí)施例重點(diǎn)說(shuō)明的都是與其他實(shí)施例的不同之處。尤其，對(duì)于系統(tǒng)實(shí)施例而言，由于其基本相似于方法實(shí)施例，所以描述的比較簡(jiǎn)單，相關(guān)之處參見(jiàn)方法實(shí)施例的部分說(shuō)明即可。以上所述僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換、改進(jìn)等，均包含在本發(fā)明的保護(hù)范圍內(nèi)。當(dāng)前第1頁(yè)1 2 3