压缩感知的数字信号调制识别技术分析

姜莹荧

内蒙古自治区广播电视传输发射中心阿鲁科尔沁806台 内蒙古 赤峰市 025550

在电子科学技术的快速发展下，无线通信技术从早期模拟无线通信发展到了数字通信阶段。对应的信号调制方式也从模拟调制方式转变为数字调制，在信息传输量的不断增加下，为了能够实现对有限信道容量的充分利用，无线传输信号的调制方式变得多元。调制方式是区分通信信号的重要关键，为了能够获取通信信号传递的信息内容，需要明确各个信号的调制方式，在确定好信号调制识别之后完成对信号的解调操作。

1 数字信号调制识别分类和提取

第一，瞬时特征。在信号获取的时候，数字信号调制识别会直接提取信号的幅度、频率，获取信号相应位置的物理量值。这些实时性的信息共同构成了信号的瞬时特征。数字信号的瞬时调制具备方便获取的特点，但是所需要的样本也比较大，对相关人员的信息获取能力提出较高的要求。

第二，高次方傅里叶变换。这种方法是对信号的高次方非线性变换处理，也被称作是NPT 方法。这种方法可以对信号实时高次方变换处理，而后开展离散变换分析。

第三，小波变换。小波变化可以通过调节尺度来观察信号在不同尺度下的结构特点。这种分析方法能够对一些细节性的问题进行分析。

2 压缩感知数字信号调制

传统意义上的信号采样和处理会经历复杂的流程，在这个过程中采样的频率不能够低于信号频谱最高频率的二倍。压缩感知的出现通过将压缩和采样合并在一起能够在采集信号测量值的基础上，根据重构算法来对信号进行分辨和测量。

3 基于高阶累积量压缩感知的调制识别

3.1 基于奈奎斯特采样的调制识别算法

奈奎斯特采样的调制识别算法接收端采样频率不能够低于原始信号带宽的两倍，因此，需要操作人员获取更多的采样信息。在获取大量的信息之后能够有效提升信号调制识别的精准度。在奈奎斯特采样的调制识别算法的作用下，为了能够更为精准的识别调制方式，需要大量提取信号特征量。

3.2 非重构压缩采样高阶累积量调制识别算法

3.2.1 压缩阈高阶累积量

第一，打造识别特征量。随着信道噪声功率的变化，信号高阶矩值也会出现变化。最终形成的高阶累积量的识别特征会显示出抗噪性的特点。为了计算出某种信号调制方式的HOCs 和HOCs 理论值可以等概率地取该调制方式下所有的星座，并按照公式进行计算。第二，高阶矩HOMs 的稀疏表现。在没有噪声的情况下，接收信号的元素来源是一个有限集合，这种集合由信号y 的调制方式和阶数来决定。想要获得接收信号y 的高阶矩在特殊区域的作用，需要将获得的HOMs 继续转变为HOCs，最终完成调制识别任务。

3.2.2 CS-HOC 调制识别方案

CS-HOC 调制识别方案流程如图1 所示。第一，利用欠采用获得采样向量，在经过专门的公式计算出接收信号，整个信号包含了信号的功率S 和噪声功率。第二，在信号内部没有发射信号的时候可以直接测量出信道噪声功率。第三，利用估算出来的信号功率进行归一化处理，经过公式的转换分析最终获得识别特征量。

图1 CS-HOC 调制识别方案流程图

4 混合信号的调制识别

4.1 混合信号调制识别问题

调制识别研究主要是针对单通道单调制信号开展的，信道中的信号调制方式在两种以上，是多种单调制信号线性的叠加。但是在具体操作中，混合调制信号识别信息量和特征量没有形成线性关系。

对于单调制信号来说多数算法是基于接受信号的载波同步、定时同步、波形恢复已经万能充的假设。在混合调制信号中，各个信号的位置是不同的，定时精准性会影响到特征量的提取。因此，不能够直接将单调制的信号识别算法经营到混合调制信号中。

现阶段，混合调制识别方向有两个，一个是将混合信号中的各个信号分离提取，之后使用单调制识别算法进行处理。另外一个是直接对混合调制信号进行识别。在综合考虑多个因素之后，文章选择基于SVM 的混合信号识别分类方案。

4.2 特征参数的提取

第一，混合信号的高阶量累积。在具体实施操作的时候，考虑到混合信号中各个信号载频和最佳位置的不同。混合信号的高阶累计量不会受到定时频偏的影响，总体数值的累计要考虑定时误差的影响。在接收端，采样信号的高阶统计量会随着定时位置的变化体现出周期的变化。在混合信号中无法对每个单调制信号进行精准的定时处理。由于接收端采样对不同单调制信号的影响不同，因此，需要探索基带数字信号采样定时位置和高阶累积量关系。第二，特征参数的提取。在不考虑误差的情况下，混合信号累计量数值是各个单信号累计数值的累积。在估算出特征参数之后，可以通过参数和特征理论值关系来对混合信号的调制方式进行分类。

4.3 压缩采样基础上的混合调制识别方法

第一，参数提取。在采样过程中如果想要恢复混合信号高阶累积量，在操作的时候需要对混合信号开展压缩取样。在系统调控操作中考虑到同步的影响，需要对混合信号中的某一信号开展同步处理。第二，混合信号分类管理流程。在累积获得多个识别特征量的基础上将二分类SVM 算法延伸到多分类算法。在具体实施的时候使用多个二分类器完成识别，也就是说将混合信号中的某一种信号划分为两类，按照这样的模式来进行划分，流程如下：首先，SVM 训练样本数据信息的生成。对生成的样本数据两两配合，在确定好采样偏差的情况下，按照调制参数对混合信号开展定时采样。其次，选定混合信号作为目标信号开展预测。为了能够识别出目标信号的调制方式，需要对混合信号开展载波同步和定时同步处理。最后，将预测样本的数据信息分别输入到已经训练好的SVM 分类器中，最终会得到两个识别结果，将较低的识别精准率来作为最终的混合信号识别准确率。

结束语

综上所述，压缩感知理论突破了传统奈奎斯特采样定理对信号处理的一种限制，在处理的过程中降低了采样器件的压力，具备较强的工程研究和应用意义。文章在研究压缩感知和调制识别技术的基础上，提出了基于压缩感知高阶累积量的调制识别方式。在研究的基础上打造出了压缩采样和识别特征量之间的线性关系，最终能够通过压缩采样向量重构出信号的识别特征量，完成对信号的识别处理。为了能够提升信号处理的精准性，文章提出基于压缩感知理论的识别方案，经过一系列的验证分析来证明所提出算法的精准、有效。在研究混合调制信号识别问题的同时提出混合信号CSHOC 算法，通过对同步处理后信号的压缩采样和累积处理能够实现对混合调制信号的识别。