短波频段单载波和多载波信号识别

万 莎，徐 彪

（国家无线电监测中心福建监测站，厦门 361004）

短波频段单载波和多载波信号识别

万 莎，徐 彪

（国家无线电监测中心福建监测站，厦门 361004）

本文针对单载波和多载波信号的类间识别，使用DB3小波分解提取待识别信号的特征向量，研究分析经过短波监听系统截获的实际传输信号。结果表明，所提取的特征向量在识别实际采样信号时具有良好的性能。

调制识别；小波；实采信号

1 引言

数字通信信号的自动识别一直是通信领域的热点，自1969年C. S. Waver在斯坦福大学技术报告上发表第一篇关于调制方式自动识别的论文[1]以来，国内外学者对信号的调制识别做了大量研究，提出了许多优异的算法。调制识别是信号截取和信号恢复过程中的重要环节，它不是对一个信号的完整描述，而是提取到使信号可以区分于其他数学信号的那些“特别”的信息，也就是说，特征提取的主要目的就是尽可能提取其有别于其他类别的信息。采用不同调制方式的信号，提取到不同取值的特征参数，就单载波和多载波的调制识别而言，国内外涌现出来大量的文献[2-8]。Akmouche W[2]较早提出了高斯信道下的单载波和多载波的分类算法，他采用4阶的高阶统计量作为信号的特征参数，区分待识别信号；埃及的拉沙·马赫拉萨维[3]采用倒频分析和支持向量机对包括OFDM、PSK，MSK，FSK和QAM在内的各种数字调制方式进行了识别；默罕默德[4]基于二阶统计量区分OFDM和单载波线性数字信号（Single Carrier Linear Digitally）；张路平[5]通过对循环自相关函数进行分析，实现OFDM信号和单载波信号的盲识别；张传忠[6]采用小波脊线识别OFDM和单载波信号，在低信噪比和短波中等信道下取得较好的识别效果。

本文以区分在短波监测工作中实际侦查到的单载波和多载波信号为目的，基于小波分解的多分辨率特性，分析同一小波分解尺度下单载波与多载波的细节分量，实现单载波和多载波信号的类间识别。

2 短波数据采集

远距离短波通信的传输介质是电离层，电离层不稳定性使得短波传播的复杂性，表现为多普勒频移、多径时延和瑞利衰落。为了获取短波频段的待分析数据，通常有两种方法，一种是通过信道建模，另一种是通过由天线、天线共用器和接收机构成的监测系统直接获取。

短波信道经典模型有Watterson模型和ITS模型，Watterson模型将短波信道当作平稳信道来处理，采用均匀抽头延迟线对输入信号进行时延来等效多径传播效应，将一个输入信号变为有限数量的相互相关的离散信号的组成，适用于带宽小于12kHz的窄带信号；ITS是通过长期研究和信道实测得出来的抽象的数学模型，是广义的Watterson模型，由Vogler和Hoffmeyer提出，信号的有效带宽可以提高到1MHz，是短波宽带信道模型。Watterson模型的时变响应函数为

式中，i为传播路径个数，一般取值为1～6；Ti为路径时延，一般取值为0.5ms～5ms；Gi(t)为增益函数。

3 小波分解和特征参数提取

利用小波的多尺度特性，对待识别信号进行多层小波分解，提取到信号在不同分辨率下的特征向量，从而解决傅里叶变换不能解决的许多问题，因此，小波变换被称为“数学显微镜”。3层小波分解示意图如图1所示，对信号S进行小波分解，首先将S分成低频a1和高频d1成两个部分。低频a1是信号的慢部分，它描述的信号的轮廓，占大部分的信息；高频d1描绘的是信号的迅速部分，是信号细节，占所有信息的小部分。当下一层被分解时，只对上一层的低频部分a1进行进一步分解，将a1分解成低频a2和高频d2两部分，而对高频部分不再分解。随着分解层数的增加，分辨率也变得越来越高，不同调制方式的信号细节在同一分解水平下的差异将越来越明显。

图1 3层小波分解示意图

本文采用Daubechies小波对待分析信号进行分解，这是种局部特性较好的紧支型小波，通常缩写为DBN，N表示小波消失矩的数目，N数目的大小反映出小波的平滑性和集中性，N越大，消失矩越大，对应的滤波器越平坦，但是计算速度慢。

图2 单载波和多载波的小波分解

使用DB3小波对信号进行3层小波分解，不同调制方式的信号经过小波3层分解后得到的细节信息dm(m=1,2,3)如图2所示。图2表示信号经过小波分解后细节分量，从下到上依次为d1,d2,d3，若dm幅度随着m的增加呈现出增加的趋势，说明信号的变化大；若dm幅度呈现出减小的趋势，则说明被分析信号的变化小。图2（a-c）是单载波的小波分解图，分析纵轴坐标可以看出，随着小波分解层数的增加，细节分量dm的幅值逐渐减小，纵坐标范围由d1时的±2减小到0值附近。图2（d）是多载波的小波分解，随着分解层数的，dm幅度呈现出增大的趋势，表现为纵坐标刻度从0.2附近增大到±2。

由信号的调制原理可知，多载波信号由多路单载波信号调制而成，随着对信号的多层小波分解，反映出信号细节分量的幅值逐渐增大。而单载波信号是由一个载波调制而成，对单载波信号进行小波分解时，反映出信号细节分量的幅值逐渐减小。多载波和单载波不同信号的细节分量dm出现相反的变化趋势，可以利用该特征作为识别单载波信号和多载波信号的分类特征。

4 仿真分析

利用DB3小波对信号进行N层分解后，用dk（k=1,2N）表示第k层的细节分量，求每层分量中最大的模值，用d'k=|max(dk)|表示。区分单载波和多载波的特征参数定义为

4.1 基于小波分解的类间识别

MATLAB环境下，采用Watterson模型，设多径路数为4，信噪比取值为0～20dB，单载波和多载波信号的V值进行仿真结果如图3所示。

图3 单载波和多载波的V值

图3中，单载波的特征参数V值取值为正，而多载波的特征参数V值取值为负，可以有效的区分单载波和多载波信号。

4.2 对实际数据的类间识别

利用监测系统，在协作或者非协作条件下采集到的数字信号，通过了实际电离层链路传输，包含信道的时延、衰落及多普勒效应等特征，用小波分解对实际采样信号进行分析，无需复杂的建模过程，但确是贴近实际工作的有效做法。本节验证小波分解识别单载波信号和多载波信号的可行性。对12类已知调制类型的单、多载波信号进行小波分解，求其信号的V值，见表1。

表1 实际短波频段信号V值

表1中，单载波信号的V值为正数，多载波的V值为负数，与3.1节的理论分析相符。验证了利用小波分解后求得的特征参数V值，可用于短波频段的单载波和多载波信号识别。

5 结束语

小波分解的多尺度特性可以用来获取信号的多层细节特征，单载波和多载波的调制原理决定了这两类调制信号在相同的分解水平下得到不同的分解细节。本文研究了小波分解识别实际采用信号的可行行，验证了特征参数V值可用于短波频段实际采样信号的识别。

[1] C.S.Weaver．Automatic classification of modulation types by pattern recognition [J].Stanford Electronics Laboratories，Technical Report NO.1892-1，April 1969．

[2] Akmouche W.Detection of multicarrier mudulationss using 4th-order cumulants[C].IEEE military comuunications conference,Atlantic,USA,Oct 31-Nov 3,1999.

[3] Rasha M. Al-Makhlasawy ,et al. Automatic Modulation Recognition in OFDM Systems using Cepstral Analysis and Support Vector Machines[J].Journal of Telecommunications System & Management,December 03,2012.

[4] Mohamed Firdaoussi, et al.Recognition of OFDM and SCLD Signals Based on Second-Order Statistics[M].Advances in Ubiquitous Networking 2,pp.321-329,04 November 2016.

[5] 张路平，王建新，马平．多径信道下OFDM信号和单载波信号的盲识别[J]．宇航学报，2012,09

[6] 张传忠等．基于小波脊线的OFDM与单载波信号识别[J]．信号处理，2011,7

[7] 曹鹏，彭华，董延坤等．一种基于循环前缀的OFDM盲检测及参数估计算法[J]．信息工程大学学报，2010,11(2)

[8] 孙志国．多径信道下多载波调制盲识别算法[J]．电子与信息学报，2010,32(7): 1756-1759

Recogniton of Multi Carrier Signal and Single Carrier Signal in Shortwave Band

Wan Sha, Xu Biao
（State Fujian Station of Radio Monitoring Center, Xiamen, 361004）

This paper discusses the inere-class recogniton of Multi carrier signal and Single carrier signal which is intercepted by Shortwave monitoring system. In this paper, the dB3 wavelet is used for feature extraction.Simulation results shows that the proposed feature classi fi er have good performances in actual signals.

recogniton; wavelet; actual signals

10.3969/J.ISSN.1672-7274.2017.08.027

TN92文献标示码：A

1672-7274（2017）08-0068-03