一种基于Boosting特征选择的调制方式识别算法

林晋福，柏 鹏，李明阳，王徐华

(空军工程大学综合电子信息系统研究中心，陕西 西安 710051)

责任编辑:许 盈

认知无线电是一种智能无线电系统［1］，主要目的是利用各种感知技术和智能算法提升频谱的利用率［2］。

信号调制方式识别对认知无线电有以下作用［3］:避免对主用户的干扰，认知用户可多维度共享频谱，把调制信息反馈给认知用户提高频谱感知性能，为泛在接入提供支撑。因此信号调制模式识别是认知无线电中的一项基础关键技术。

常用信号调制方式识别方法有两种:统计模式识别和判决理论。判决理论采用假设检验理论和概率论来解决信号分类问题，这类方法优点是判决规则简单，缺点是需要一些先验概率的信息且检验统计量计算复杂，不适合应用到认知无线电环境中。统计模式识别特征提取简单、易于计算，不需要先验信息，适合认知无线电应用。统计模式识别方法分两个步骤:一是特征值研究和提取;二是分类器的设计。以前的研究基本上是把两者分开研究，文献［4］中提出了很多特征选择的方法，没有使用智能算法识别。文献［5－7］使用神经网络ANN(Artificial Neural Network)设计分类器。文献［7］重点研究了ANN在混合训练的识别率，在信噪比0 dB时识别率低于40%。文献［6］特征值使用循环频谱，因为循环频谱区分度高，因此在信噪比0 dB时识别率为100%，然而其循环频谱计算实时性差。文献［8－10］使用支持向量机SVM(Support Vector Machine)设计分类器，其中文献［8］使用小波变换方法提取特征值，文献［9］使用了遗传算法对SVM参数进行了优化，文献［10］使用小波和SVM结合的方法，均没有考虑分类器和特征值的结合问题。本文把特征值和分类器算法综合起来考虑，设计智能识别算法时充分考虑特征提取问题。

1 调制方式特征值及其Boosting算法

1.1 调制方式的特征值

针对调制方式特征提取，Nandi等人提出的特征参数和算法是调制信号时域分析方法中的突出代表［11］，在调制识别技术中占主导地位，为人们广泛接受和引用，许多人在他们的算法基础上，采用新的分类器结构，从而衍生出新算法，这种方法常用的特征参数如下:

2)零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差∂ap;

3)零中心非弱信号段瞬时相位非线性分量的标准偏差∂dp;

4)谱对称性P;

5)零中心归一化瞬时幅度绝对值的标准偏差∂aa;

6)零中心归一化非弱信号段瞬时频率绝对值的标准偏差∂af;

7)零中心归一化非弱信号段瞬时幅度的标准偏差∂a;

时至今日，我依然能清晰地记得那个黄昏，我奔跑在街道上的情景：无数汽车在我身后匆忙刹住，排山倒海的喇叭声响彻耳边，犹如一群蜜蜂在鸣叫，宣告着采摘到蜜一样的幸福。

8)零中心归一化瞬时幅度的紧致性(四阶矩)μa42。

本文重点是设计对特征值依赖不高的分类识别算法，故不再自己设计特殊的特征值，从上面9个特征值中任意选择5 种:1)，2)，3)，5)，6)作为算法识别的特征值。

1.2 Boosting算法

弱学习算法指识别错误率小于1/2，即准确率仅比随机猜测略高的学习算法;强学习算法指识别准确率很高并能在多项式时间内完成的学习算法。Boosting起源于PAC(Probabiy Approximately Correct)学习模型，是一种提高任意给定学习算法准确度的方法［11］，只需找到一个比随机猜测略好的弱学习算法就可以将其提升为强学习算法，而不必寻找很难获得的强学习算法。Boosting算法具有很多优点，正确率较高、不需要先验知识、只需要选择合适的迭代次数等。

Boosting适合结合“不稳定”的分类方法，例如神经网络算法、决策树等。不稳定指数据集的小的变动能够使得分类结果显著地变动。但是，Boosting在迭代过程中总是给噪声分配较大的权重，使得这些噪声在以后的迭代中扩大。反向传播神经网络具有较强的抗噪声能力。本文考虑它为弱分类器。

AdaBoost算法是Boosting家族最具代表性的算法，之后出现的各种Boosting算法都是在AdaBoost算法的基础之上发展而来的，具体算法流程参考文献［12］。本文在AdaBoost基础上改进提升反向传播神经网络弱分类器为强分类器，提高调制方式识别率。

2 特征值分析及算法设计

2.1 特征值分析

在算法设计前，通过仿真平台获取特征值数据进行分析，以提供算法设计依据。仿真在 MATLAB7.12仿真环境中完成，考虑 2ASK，4ASK，2FSK，4FSK，2PSK，4PSK和16QAM七种调制类型。首先产生调制信号，载波频率Fc=200 kHz，采样频率Fs=2 000 kHz，调制前信号x减去的直流分量为1，采样点数Sn=4 000，Fd=10字符/s，噪声采用高斯白噪声，信噪比取－10～+10 dB，间隔为2 dB。其次采集特征值，假设载波同步，对调制信号进行正交解调得到同相分量和正交分量，利用低通滤波器滤除高频成分，最后经过笛卡尔变换获取5种瞬时特征值。取信噪比为0 dB，－6 dB，－10 dB的7种调制方式的特征值曲线如图1所示。从图1中各子图对比可看出:没有哪个特征值可以明显识别7种调制方式，同时随着信噪比降低，各调制方式的特征值区别明显降低，但下降的速度不同，特征值∂af的下降明显，而特征值γmax下降少，对调制方式的识别度高。因此，算法应该自动降低∂af权重，而提高特征值γmax的权重。方法是通过使用弱分类器，每个弱分类器起到区别各特征值的作用［13］。

图1 调制方式的5种特征值对比

基于原Adaboost算法循环次数T设为特征值的维数，每个弱分类器使用T－1维的特征值作为特征参数进行训练，每次循环排除一维。输出判决是各弱分类器的加权和。

2.2 改进的AdaBoost－future算法

改进的AdaBoost－future算法步骤如下:

1)数据选择和神经网络初始化。从训练样本集中选择 m 组数据 g={(x1，y1)，…，(xn，yn)}，xi∈ X，yi∈Y={1，2，3，…，识别信号类型数};根据训练样本集合初始化神经网络BP。

2)初始化各样本对应的权值。D1(i)=1/m，i=1，2，…，m，表示第1次迭代中，每个训练例的权重都为1/m。

3)在 t=1，2，…，T 条件下:

(1)获得弱分类器Ct的训练数据g(t)=g(维度≠t);

(2)使用训练数据g(t)训练弱分类器并预测输出ht;

3 实验及结果

信噪比在－10 dB至10 dB间随机产生每种调制方式200组信号，7种调制方式共1 400组训练数据，对分类器进行训练。这样的训练数据选择只为了观察调制信号产生的方法是否正确，实际中根据需要设定参数值。用训练好的分类器分别对11种信噪比(－10～+10 dB，间隔2 dB)的信号进行识别，每类调制方式进行100次蒙特卡罗仿真。统计不同信噪比下各分类算法的正确识别率如图2所示。

图2 3种识别算法不同信噪比下识别成功率曲线

从图2可知:信噪比在0 dB以上时，3种算法对信号的识别率都是100%，随着信噪比的下降，有些特征值的区分度开始下降，SVM和ANN的识别率区别不大，而AdaBoost－future对识别率有提升，尤其信噪比在－6 dB以下时，提升效果更明显。

从表1、图1看出:在调制方式2FSK和4FSK的识别中，特征值∂af可有效区别，但由于其他特征值的干扰，ANN算法出现了识别错误，AdaBoost－future通过弱分类器的权重调整，即特征值比重的调整能有效避免其他特征值的影响。在识别所有特征值均区别不明显的2ASK和4PSK，ANN和AdaBoost－future都优于 SVM，而Ada-Boost－future的表现更好。SVM的好处是用小样本获得好的训练效果，本仿真训练较充分，未体现其优势。

表1 各种调制方式在SNR=－6 dB情况下的识别错误数(总数200)

4 结束语

本文使用调制方式识别常用的5个特征值作为输入，设计了基于Boosting的调制方式识别算法AdaBoost－future，在不需要知道任何先验知识条件下，在信噪比为0 dB以上时就能达100%的识别率。相比SVM和ANN智能分类算法，该算法在信噪比为－6 dB以下时识别率有明显提高，对低信噪比、特征值区分度低的信号识别仍然有效。当然，特征值的选择很重要，如果使用更高区分度的特征值作为输入，AdaBoost－future算法还可得到更好的识别效果。算法存在的缺点是需要较长的训练时间，然而该缺点可以通过离线训练的办法克服。因此该算法适合应用到认知无线电这种没有先验知识、对识别实时性高的场景中，并且对其他分类识别的应用场景也有一定的参考价值。

［1］YING C L，KWANG C C，LI G Y，et al.Cognitive radio networking and communications:an overview［J］.IEEE Trans.Vehicular Technology，2011，60(7):3386－3407.

［2］畅志贤，石明卫.认知无线电技术综述［J］.电视技术，2007，31(1):130－133.

［3］CHEN H S，GAO W，DAUT D.G.Spectrum sensing using cyclostationary properties and application to IEEE 802.22 WRAN［C］//Proc.IEEE Global Telecommunications Conference.［S.l.］:IEEE Press，2007:3133－3138.

［4］SAEYS Y，INZA I，LARRANAGA P.A review of feature selection techniques in bioinformatics［J］.Bioinformatics，2007，23(19):2507－2517.

［5］HASSAN K，DAYOUB I，HAMOUDA W，et al.Automatic modulation recognition using wavelet transform and neural networks in wireless systems［C］//Proc.IEEE International Conference on Intelligent Transport Systems Telecommunications.［S.l.］:IEEE Press，2009:234－238.

［6］FEHSKE A，GAEDDERT J，REED J H.A new approach to signal classification using spectral correlation and neural networks［C］//Proc.IEEE International Symposium on New Frontiers in Dynamic Spectrum Access Networks.Baltimore，MD，United states:IEEE Press，2005:144－150.

［7］陈丽，葛临东.一种改进的BP神经网络调制分类器［J］.微计算机信息，2005(21):107－109.

［8］LI Xueyao，HAN Bing，FAN Dongmei，et al.A digital modulation signals recognition method under the lower SNR［C］//Proc.7th World Congress on Intelligent Control and Automation.［S.l.］:IEEE Press，2008:3958－3962.

［9］HUANG Rurong，FENG Quanyuan.Recognition of communication signal modulation based on SAA －SVM［C］//Proc.3rd IEEE International Conference on Computer Science and Information Technology(ICCSIT).［S.l.］:IEEE Press，2010:510－512.

［10］王玉娥，张天骐，白娟，等.基于粒子群支持向量机的通信信号调制识别算法［J］.电视技术.2011，35(23):106－110.

［11］NANDI A K，AZZOUZ E E.Automatic analogue modulation recognition［J］.Signal Processing，1995，46(2):211－222.

［12］董乐红，耿国华，高原.Boosting算法综述［J］.计算机应用与软件.2006，23(8):27－29.

［13］WANG J，ZHANG Y.Speech characteristic signal recognition based on BP_AdaBoost［M］//TAN Honghua.Technology for Education and Learning.［S.l.］:Springer Berlin Heidelberg，2012:259 －264.