论文部分内容阅读
无线信号调制方式识别是非合作通信中一个非常重要的课题，广泛应用于频谱管理、电子战等非合作接收以及认知无线电、自适应通信等非合作通信场景。目前应用最广泛的调制识别方法是基于特征提取的调制识别方法，该方法因所需先验参数少而适合非合作通信环境，但在低信噪比下该方法识别率仍然较低。面向低信噪比下的识别率这个问题，循环谱理论因具有良好的抗噪性能得到很大关注，提取基于循环谱的特征参数进行调制识别是一种具有较好抗噪性能的方法。 但目前大多基于人工提取循环谱特征进行调制识别，未能很好地解决低信噪比下识别率低，识别调制方式类型有限的问题。主要原因为两方面，一是人工提取的特征易受噪声影响发生变化，导致低信噪比下发生误判，且人工提取特征难度大，识别调制类型越多提取特征难度越大，导致识别类型受限;二是循环谱理论使用范围受限，MPSK(M≥4)（Multiple Phase Shift Keying，多进制相移键控）和MQAM(M≥4)(Multiple Quadrature Amplitude Modulation，多进制正交幅度调制)信号的循环谱类似，人为无法从中提取有效的特征参数，无法区分这类信号。 本文的目标是提出在低信噪比的非合作通信环境下智能调制方式识别方法，解决低信噪比下正确识别率低和识别类型范围有限的问题。针对人工提取循环谱特征存在的问题一，提出基于循环谱图像特征的智能调制识别方法，采用机器学习算法，如softmax，无需人工提取特征。针对问题二，提出融合信噪比感知与循环谱图像特征的高阶调制方式识别方法。具体的研究工作总结如下: 1.基于循环谱图像特征的智能调制识别方法 在对无线数字信号的循环谱进行分析时，发现循环谱的数据结构和图像数据结构非常类似，不同的调制方式，其循环谱图是不同的，因此可以基于循环谱图像，利用机器学习对图像进行学习和识别。但循环谱数据量很大，本文利用循环谱的对称性，以及其特征波形只在循环频率为码元速率整数倍处存在这个特性，抽取循环谱的有效数据形成低复杂度的循环谱特征图像。在此基础上，利用图像识别领域的算法来设计分类器去识别不同循环谱图像，实现调制方式自动识别，无需人工提取特征。以MASK（Multiple Amplitude Shift Keying，多进制振幅键控）、MFSK（Multiple Frequency Shift Keying，多进制频移键控）和MPSK(M≤4)为例进行识别。由于这些调制方式的循环谱图像存在较明显的特征，分类器可以采用复杂度较低的算法，如softmax回归算法。仿真表明，本文提出的基于循环谱图像特征的智能调制识别方法，在信噪比高于-6dB时识别率为100％，而现有的基于人工提取循环谱特征的方法在信噪比高于2dB时识别率才为100％，所以在相同识别率下可降低8dB的信噪比，大幅提高了低信噪比下的识别率。 2.融合信噪比感知与循环谱图像特征的高阶调制方式识别方法 基于循环谱图像特征的智能调制识别方法可以很好地在低信噪比下识别MASK、MFSK和MPSK(M≤4)等调制方式，但对于MPSK(M≥4)和MQAM(M≥4)这类循环谱相似的调制信号，无法识别。MPSK(M≥4)和MQAM(M≥4)的循环谱的图像存在不明显的局部特征，而这些局部特征受噪声影响会发生变化，则无法在所有信噪比范围内使用同一个训练模型，就导致第3章中基于softmax的分类器无法使用。所以需要对分类器进行设计，针对循环谱存在不明显的局部特征，采用善于提取局部特征的CNN(Convolutional Neural Networks，卷积神经网络)算法;针对局部特征是与噪声大小有关联的，采用针对不同的信噪比训练相应的学习模型。仿真结果表明，在假设信噪比估计无偏差时，本文提出的融合信噪比感知与循环谱图像特征的高阶调制方式识别方法对于MPSK(M≥4)和MQAM(M≥4)具有很好的识别率，在信噪比高于-9dB时识别率为100％。而现有基于人工提取高阶累积量的特征方法，在信噪比高于10dB时才能达到100％。但在实际应用中无法保证估计的信噪比是准确的，所以进一步分析了信噪比估计误差对识别率的影响，仿真结果表明，本方法在信噪比估计发生1dB以内的误差时的识别率与信噪比估计无误差时基本相同，所以表明本方法对信噪比的估计误差是具有较好的鲁棒性。