周敏，馮全源

（西南交通大學(xué)微電子研究所，成都610031）

數(shù)字調(diào)制信號(hào)制式識(shí)別新方法?

周敏，馮全源

（西南交通大學(xué)微電子研究所，成都610031）

通過分析數(shù)字調(diào)制信號(hào)功率譜及高階譜特征，對(duì)高階譜的求取方法作了改進(jìn)，并在此基礎(chǔ)上提出新的特征參數(shù)，結(jié)合瞬時(shí)統(tǒng)計(jì)特征，采用支持向量機(jī)分類器，實(shí)現(xiàn)了AWGN信道下數(shù)字通信信號(hào)的制式自動(dòng)識(shí)別。仿真表明，所提取的特征參數(shù)具有較好的抗噪性能，對(duì)調(diào)制參數(shù)的變化具有穩(wěn)健性?？紤]脈沖成形的影響，在信噪比大于12 dB時(shí)，單種信號(hào)最低正確識(shí)別率大于98.5%，平均識(shí)別率達(dá)99.5%以上。

調(diào)制方式識(shí)別；譜分析；特征參數(shù)提?。恢С窒蛄繖C(jī)；脈沖成形

1 引言

通信信號(hào)的調(diào)制方式自動(dòng)識(shí)別是位于信號(hào)接收和解調(diào)的中間過程，為接收機(jī)選擇正確的解調(diào)算法提供重要依據(jù)。在過去的20年間，自動(dòng)調(diào)制識(shí)別一直是情報(bào)攔截和電子對(duì)抗等軍事領(lǐng)域的重要研究課題。近年來，隨著軟件無線電（Software Radio， SR）［1-2］和認(rèn)知無線電（Cognitive Radio，CR）［2］的高速發(fā)展，自動(dòng)調(diào)制識(shí)別技術(shù)在民用領(lǐng)域的作用也愈顯重要。

目前的調(diào)制識(shí)別算法可以分為判決理論識(shí)別方法和統(tǒng)計(jì)模式識(shí)別方法。判決論方法可以在低信噪比下得到較高的識(shí)別率，但其需要一些先驗(yàn)知識(shí)并且計(jì)算復(fù)雜［3］。統(tǒng)計(jì)模式識(shí)別法先從原始數(shù)據(jù)中提取有用的特征參數(shù)，然后通過某種分類器來確定未知信號(hào)的調(diào)制方式。這種方法不需要接收信號(hào)的先驗(yàn)知識(shí)，識(shí)別范圍廣，適用于信號(hào)的盲識(shí)別。根據(jù)特征提取方法的不同，現(xiàn)有的統(tǒng)計(jì)模式識(shí)別大概又可以分為基于時(shí)域特征［4-5］的提取方法和基于變換域［6-9］的提取方法。時(shí)域特征主要包括信號(hào)的瞬時(shí)幅度、瞬時(shí)頻率和瞬時(shí)相位，這種方法以A.K.Nandi［4-5］等人的研究工作最具代表性。該方法易受噪聲影響，在低信噪比下識(shí)別率不高。變換域方法主要包括時(shí)頻域分析法［6］、高累積量分析法［7］、循環(huán)譜特征分析法［8］以及譜分析法［9-10］等。文獻(xiàn)［6］采用小波變換提取特征參數(shù)，該方法對(duì)伸縮尺度這一參數(shù)并沒有給出明確的選取規(guī)則，選取不好甚至?xí)?dǎo)致算法失效。文獻(xiàn)［7］用高階累積量的方法對(duì)MPSK信號(hào)進(jìn)行了分類識(shí)別，但該方法對(duì)頻偏敏感。文獻(xiàn)［9-10］基于功率譜以及高次譜特征，提出一些抗噪性能良好的特征參數(shù)，但為了處理方便，這些高次譜需要先進(jìn)行高通濾波處理，高通濾波器的系數(shù)不好設(shè)置，可操作性不強(qiáng)。

本文在前人研究的基礎(chǔ)上提出基于功率譜和改進(jìn)高階譜的4個(gè)特征參數(shù)。根據(jù)這些識(shí)別特征，結(jié)合支持向量機(jī)分類器，提出一種數(shù)字通信信號(hào)識(shí)別的新方法。本文提出的識(shí)別算法簡單，易于實(shí)現(xiàn)，抗噪性能良好，能對(duì)較大帶寬內(nèi)的調(diào)制信號(hào)進(jìn)行正確識(shí)別，并且考慮了脈沖成形，適合工程應(yīng)用。

2 問題假設(shè)與算法設(shè)計(jì)

本文所處理的通信信號(hào)調(diào)制識(shí)別是在前端接收機(jī)已經(jīng)完成信號(hào)分離、下變頻等預(yù)處理的基礎(chǔ)上完成的。信號(hào)傳輸信道為加性高斯白噪聲（AWGN）信道。根據(jù)分類算法的特點(diǎn)，本文采用統(tǒng)計(jì)模式識(shí)別方法，分為特征參數(shù)提取和調(diào)制方式識(shí)別兩個(gè)步驟，如圖1所示。

圖1 統(tǒng)計(jì)模式識(shí)別方法流程Fig.1 Process of statistical pattern recognition

2.1 數(shù)字調(diào)制信號(hào)特征參數(shù)提取

對(duì)于已經(jīng)完成信號(hào)分離和下變頻處理的中頻信號(hào)，先進(jìn)行零中心包絡(luò)歸一化處理，主要是為了減小噪聲、信道衰落以及成形濾波對(duì)信號(hào)幅度包絡(luò)帶來的影響。針對(duì)待識(shí)別的數(shù)字調(diào)制信號(hào)特點(diǎn)，本文提取信號(hào)的以下5個(gè)特征參數(shù)。

（1）倍頻帶寬比Λb

倍頻帶寬比定義為倍頻信號(hào)和原信號(hào)的帶寬之比，定義式為

式中，wd2為倍頻信號(hào)的帶寬，wd1為原始接收信號(hào)的帶寬。倍頻信號(hào)定義為同相信號(hào)和正交信號(hào)之積，為傳統(tǒng)高階譜的一種改進(jìn)方法。該參數(shù)用于區(qū)分調(diào)制信息攜帶在瞬時(shí)頻率上的MFSK／MSK信號(hào)和調(diào)制信息不攜帶在頻率上的ASK／MPSK信號(hào)。

對(duì)于MFSK／MSK信號(hào)，倍頻處理后調(diào)制指數(shù)加倍，其帶寬近似變?yōu)樵盘?hào)的2倍，因此MFSK／MSK信號(hào)的倍頻帶寬比約為2。而BPSK信號(hào)倍頻后成為一個(gè)2倍中心頻率的連續(xù)波（CW）信號(hào)，帶寬接近于0，因此BPSK信號(hào)的Λb接近于0。另外，QPSK和8PSK信號(hào)在倍頻處理后分別成為載頻為2倍原信號(hào)載頻的BPSK和QPSK信號(hào)，根據(jù)MPSK信號(hào)的帶寬計(jì)算公式，其Λb約等于1。最后，對(duì)于調(diào)制信息攜帶在瞬時(shí)幅度上的ASK信號(hào)，倍頻后中心頻率搬移到2倍原載波頻率處，帶寬不變，因此ASK信號(hào)的Λb也約為1。綜上所述，通過該參數(shù)也可以將待識(shí)別的7種數(shù)字信號(hào)分為｛MFSK、MSK｝和｛MPSK、ASK｝兩個(gè)子集。另外，該參數(shù)也可以將｛BPSK｝和｛ASK、QPSK、8PSK｝區(qū)分開來。

事實(shí)上，利用信號(hào)的I／Q路而不直接對(duì)信號(hào)平方得到倍頻信號(hào)的好處是可以避免直流項(xiàng)的產(chǎn)生，從而可以省掉去除直流分量的濾波器。在通信系統(tǒng)中，前端接收機(jī)往往已經(jīng)將接收信號(hào)分解為I／Q路再送入信號(hào)系統(tǒng)中，因此在此不需要對(duì)信號(hào)進(jìn)行Hilbert變換。

（2）零中心非微弱信號(hào)段歸一化瞬時(shí)頻率絕對(duì)值的標(biāo)準(zhǔn)差δaf［5］

該參數(shù)定義如下：

式中，fN為零中心非微弱段歸一化瞬時(shí)頻率序列，c為非微弱信號(hào)段樣本點(diǎn)數(shù)。該參數(shù)用于區(qū)分包含絕對(duì)頻率信息的2FSK和包含絕對(duì)頻率的4FSK信號(hào)。

（3）歸一化功率譜譜峰度Pk

歸一化頻譜峰度的定義式如式（3）所示：

式中，ˉY為信號(hào)歸一化功率譜的均值，S是歸一化頻譜的標(biāo)準(zhǔn)差N是數(shù)據(jù)段樣本點(diǎn)數(shù)。該參數(shù)描述了分布形態(tài)的陡緩程度，用來度量數(shù)據(jù)在中心聚集程度，用于區(qū)分頻譜高度集中的ASK信號(hào)和頻譜相對(duì)分散的MPSK（M=4，8）信號(hào)。

（4）四倍頻信號(hào)功率譜最大值Γmax

該參數(shù)定義為四倍頻信號(hào)功率譜譜峰的最大值，用于區(qū)分QPSK信號(hào)和8PSK信號(hào)。這里的四倍頻信號(hào)是經(jīng)過信號(hào)兩次同相和正交相信號(hào)相乘的結(jié)果，即先對(duì)接收到信號(hào)的I路和Q路信號(hào)做乘運(yùn)算得到一個(gè)乘積信號(hào)x（t），然后對(duì)x（t）做希爾伯特變換得到其正交項(xiàng)y（t），最后求x（t）和y（t）的乘積得到四倍頻信號(hào)。這樣得到四倍頻信號(hào)的好處是可以避免四次方運(yùn)算產(chǎn)生的其他不需要的頻率分量，為傳統(tǒng)四階信號(hào)的一種改進(jìn)方法。QPSK信號(hào)四倍頻后為中心頻率為原值四倍的CW信號(hào)，其頻譜表現(xiàn)為單根譜線，而8PSK信號(hào)四倍頻后還包含相位跳變余量，其頻譜表現(xiàn)為以四倍載頻為中心的梳狀譜。由于信號(hào)在接收送入信號(hào)處理系統(tǒng)先進(jìn)行了包絡(luò)歸一化處理，因此信號(hào)的總能量值相等。綜上所述，QPSK信號(hào)的Γmax比8PSK信號(hào)的Γmax大。

（5）歸一化功率譜帶內(nèi)譜線密度、能量密度積Πs

該參數(shù)定義為信號(hào)歸一化功率譜帶內(nèi)譜線密度和能量密度之積，用于區(qū)分2FSK和MSK信號(hào)，其定義式如式（4）所示：

其中，B表示信號(hào)歸一化功率譜幅值大于特定門限值at的粗估計(jì)帶寬，n表示帶寬內(nèi)大于at的譜線條數(shù)，∑ai表示帶寬內(nèi)大于at的譜線幅值之和。

由于MSK信號(hào)的頻譜表現(xiàn)為以兩個(gè)載頻為中心的梳狀譜，其載頻受到抑制，而2FSK信號(hào)的頻譜有兩個(gè)譜峰。因此對(duì)信號(hào)功率譜進(jìn)行歸一化處理后，MSK信號(hào)的Πs參數(shù)較2FSK信號(hào)大，利用該參數(shù)可以對(duì)2FSK信號(hào)和MSK信號(hào)進(jìn)行分類。

2.2 支持向量機(jī)分類器與識(shí)別流程

支持向量機(jī)（Support Vector Machine，SVM）的核心思想是通過非線性變換將一個(gè)線性不可分的低維空間映射到一個(gè)線性可分的高維空間，在高維空間以結(jié)構(gòu)風(fēng)險(xiǎn)最小為原則構(gòu)造最優(yōu)分類超平面。它在解決小樣本、非線性以及高維模式識(shí)別中表現(xiàn)出了特有的優(yōu)勢(shì)。與決策樹分類器相比，支持向量機(jī)不需要設(shè)置特定的門限值。與神經(jīng)網(wǎng)絡(luò)分類器相比，支持向量機(jī)可以避免過學(xué)習(xí)或欠學(xué)習(xí)的問題。除此之外，支持向量機(jī)在訓(xùn)練樣本較少的情況下仍然能夠取得較好的識(shí)別結(jié)果。本文采用支持向量機(jī)對(duì)接收的未知調(diào)制模式信號(hào)進(jìn)行識(shí)別。

結(jié)合提取到的每個(gè)特征采用二叉樹結(jié)構(gòu)分類器對(duì)信號(hào)進(jìn)行分類，這種分類器的特點(diǎn)是判斷邏輯簡單，支持向量機(jī)數(shù)量較少，訓(xùn)練樣本依次遞減。本文算法SVM分類器結(jié)構(gòu)如圖2所示。

圖2 數(shù)字調(diào)制信號(hào)分類器結(jié)構(gòu)Fig.2 Structure of classifier for digitalmodulated signals

3 仿真結(jié)果與結(jié)論

3.1 仿真條件

所有仿真是在MATLAB7.9.0平臺(tái)上進(jìn)行的。信號(hào)源采用隨機(jī)二進(jìn)制序列，采樣率為128 MHz，載波頻率為11.3 MHz，符號(hào)速率為3.5 MHz，每次對(duì)2 048個(gè)樣本點(diǎn)進(jìn)行處理，成形濾波器采用升余弦滾降函數(shù)，滾降系數(shù)為0.4，噪聲為加性高斯白噪聲。

3.2 特征參數(shù)隨信噪比變化仿真結(jié)果

為了測(cè)試本文提出的特征參數(shù)的抗噪性能，在不同信噪比條件下對(duì)這些特征參數(shù)進(jìn)行仿真。設(shè)信噪比為從5～30 dB以1 dB為間隔變化，各特征參數(shù)仿真結(jié)果如圖3所示。

圖3 各個(gè)特征參數(shù)隨噪聲的變化趨勢(shì)Fig.3 Values of each feature parameter against SNR

3.3 特征參數(shù)隨符號(hào)速率變化仿真結(jié)果

為測(cè)試本文算法對(duì)符號(hào)速率的敏感度，在其他仿真條件不變的情況下對(duì)符號(hào)速率進(jìn)行3～10 MHz以1 MHz為間隔進(jìn)行掃描，MFSK信號(hào)頻偏等于符號(hào)速率值，信噪比為20 dB，每種測(cè)試條件下進(jìn)行50次獨(dú)立仿真，測(cè)試結(jié)果如圖4所示。

圖4 各個(gè)特征參數(shù)隨符號(hào)速率年的變化趨勢(shì)Fig.4 Values of each feature parameter against symbol rate

從圖4可以看出，本文提出算法所采用的特征參數(shù)對(duì)符號(hào)速率在3～10 MHz變化時(shí)不敏感，說明本文算法能夠在較大帶寬內(nèi)完成識(shí)別。

3.4 支持向量機(jī)分類識(shí)別仿真

為驗(yàn)證本文算法的性能，結(jié)合支持向量機(jī)，在信噪比為12 dB時(shí)用本文算法對(duì)每種調(diào)制信號(hào)進(jìn)行500次獨(dú)立仿真，識(shí)別正確率如表1所示。

表1 在12 dB情況下本算法識(shí)別準(zhǔn)確率測(cè)試結(jié)果Table 1 Simulation results of successful recognition rate at12 dB SNR

圖5顯示了信噪比從4～20 dB以2 dB為間隔變化時(shí)本文算法的正確識(shí)別率，每次測(cè)試時(shí)每種信號(hào)隨機(jī)產(chǎn)生500個(gè)樣本進(jìn)行獨(dú)立識(shí)別仿真，識(shí)別結(jié)果如圖5所示。

圖5 不同信噪比下的正確識(shí)別率Fig.5 Correct recognition rate at different SNR value

由于本文采用的帶寬估計(jì)方法容易受噪聲影響，導(dǎo)致倍頻帶寬比這個(gè)特征參數(shù)在低信噪比條件下分類效果不理想，因而研究受噪聲影響小的帶寬估計(jì)方法將是本文將來研究工作的一個(gè)重點(diǎn)。除此之外，更加復(fù)雜環(huán)境下的信號(hào)制式識(shí)別也是需要深入研究的問題。

［1］Mitola J.The software radio architecture［J］.IEEE Communications Magazine，1995，33（5）：26-38.

［2］陶玉柱，胡建旺，崔佩璋.軟件無線電技術(shù)綜述［J］.通信技術(shù)，2011，44（1）：37-39. TAO Yu-zhu，HU Jian-wang，CUI Pei-zhang.An Overview of Software Radio［J］.Communications Technology，2011，44（1）：37-39.（in Chinese）

［3］Hameed F，Dobre O，Popescu D.On the likelihood-based approach to modulation classification［J］.IEEE Transactions onWireless Communications，2009，8（12）：5884-5892.

［4］Nandi A K，Azzouz E E.Modulation recognition using artificial neural networks［J］.Signal Processing，1997，56（2）：165-175.

［5］Nandi A K，Azzouz EE.Algorithms for automaticmodulation recognition of communication signals［J］.IEEE Transactions on Communications，1998，46（4）：431-436.

［6］薛磊，劉小秋.基于小波變換的數(shù)字通信信號(hào)識(shí)別［J］.電訊技術(shù)，2006，46（3）：52-56. XUE Lei，LIU Xiao-qiu.Modulation Identification of Digital Signals［J］.Telecommunications Engineering，2006，46（3）：52-56.（in Chinese）

［7］陸鳳波，黃知濤，易輝榮，等.一種基于高階累積量的數(shù)字調(diào)相信號(hào)識(shí)別方法［J］.系統(tǒng)工程與電子技術(shù)，2008，30（9）：1611-1615. LU Feng-bo，HUANG Zhi-tao，YIHui-rong，et al. Recognition algorithm of phase shift keying signals by higher -order cumulants［J］.Systems Engineering and Electronics，2008，30（9）：1611-1615.（in Chinese）

［8］王瑛，程漢文，吳樂南.基于譜相關(guān)特征的信號(hào)調(diào)制方式識(shí)別［J］.信息技術(shù)，2007，30（12）：25-28. WANG Ying，CHENG Han-wen，WU Le-nan.Signal modulation mode identification based on spectral correlation characteristics［J］.Information Technology，2007，30（12）：25-28.（in Chinese）

［9］吳月嫻，葛臨東，許志勇.常用數(shù)字調(diào)制信號(hào)識(shí)別的一種新方法［J］.電子學(xué)報(bào)，2007，35（4）：782-785. WUYue-xian，GELin-dong，XUZhi-yong.ANovel Identification Method for Commonly Used DigitalModulations［J］.Acta Electronica Sinica，2007，35（4）：782-785.（in Chinese）

［10］李少凱，董斌，劉寧.基于譜線特征的MPSK調(diào)制識(shí)別［J］.通信技術(shù)，2010，43（8）：127-128. LIShao-kai，DONGBin，LIUNing.Modulation Recognition of MPSKSignals Based on Spectrum Line Feature［J］.Communications Technology，2010，43（8）：127-128.（in Chinese）

ZHOUMin was born in Chengdu，Sichuan Province，in 1987. She received the B.S.degree in 2010.She is now a graduate student.Her research direction is digital signal processing.

Email：mz0730＠qq.com

馮全源（1963—），男，江西景德鎮(zhèn)人，西南交通大學(xué)微電子研究所所長、博士生導(dǎo)師、IEEE高級(jí)會(huì)員，主要研究方向?yàn)閿?shù)字、模擬、射頻與混合信號(hào)集成電路設(shè)計(jì)，數(shù)字系統(tǒng)設(shè)計(jì)和嵌入式系統(tǒng)研究，現(xiàn)代天線技術(shù)、RFID技術(shù)（物聯(lián)網(wǎng)技術(shù)）等。

FENGQuan-yuan was born in Jingdezhen，JiangxiProvince，in 1963.He is now the Director of Institute of Microelectronics as well as the Ph.D.supervisor in Southwest Jiaotong University，and also an IEEE seniormember.His research interests include digital，analog，RF andmixed-signal IC design，digital system design and research of embedded systems，modern antenna technology and RFID technology.

Email：fengyuanyuan＠163.com

A Novel Identification M ethod for Digital M odulations

ZHOU Min，F(xiàn)ENGQuan-yuan
（Institute of Microelectronics，Southwest Jiaotong University，Chengdu 610031，China）

By analysing the characteristics of digitalmodulations′power spectrum and higher order spectral，the method to calculate the higher spectrum is improved.On this base，new feature parameters are proposed.Combined with the instantaneous statistical feature parameter and support vectormachine（SVM）classifier，the automatic identification of digital communication signals in the AWGN channel is achieved.Simulation results show that the extracted feature parameters have good anti-noise performance as well as robustness to the change of modulation parameters.In consideration of the impact of pulse shaping，when the SNR value is greater than 12 dB，the lowest correct identification rate of the single-type signal is greater than 98.5%，and the average recognition rate is above 99.5%.

modulation identification；spectral analysis；feature extraction；support vectormachine；pulse shaping

The National Natural Science Foundation of China（No.60990320，60990323）；The National High-tech R＆D Program（863 Program）of China（2012AA012305）

TN911.72

A

10.3969／j.issn.1001-893x.2012.04.019

周敏（1987—），女，四川成都人，2010年獲學(xué)士學(xué)位，現(xiàn)為碩士研究生，主要研究方向?yàn)閿?shù)字信號(hào)處理；

1001-893X（2012）04-0518-05

2011-12-21；

2012-02-27

國家自然科學(xué)基金資助項(xiàng)目（60990320，60990323）；國家高技術(shù)研究發(fā)展計(jì)劃（863計(jì)劃）項(xiàng)目（2012AA012305）