基于USRP的调制信号识别系统

王龙龙，李 佩，陶丽伟，鲁兴波，马瑞谦

（中国人民解放军陆军工程大学 通信工程学院，江苏 南京 210007）

0 引 言

在非协同通信中，如何高效准确地识别发送端所发送信号的调制方式对后续信号的解调和处理至关重要。目前自动调制识别方法主要分为两类：判决理论方法和模式识别方法。

判决理论方法是对码元同步采样序列进行处理，数学表达式极为复杂且处理的信号噪声必须服从高斯分布，而实际环境中噪声并不服从高斯分布并且存在多径、信号干扰等问题，导致使用判决理论方法时，调制信号的识别率急速下降，难以在工程中应用。

模式识别方法首先需要提取调制信号的特征参数，然后设计分类器进行分类。常用特征参数的选取主要包括星座图特征和时域特征等。文献[1]通过减法类聚算法重构调制信号的星座图实现低阶MQAM识别。文献[2]采用差分星座图识别不同阶数的正交幅度调制信号，但星座图特征在信噪比不高的情况下很难判断调制信号的阶数。文献[3]在高阶累积量和分层多项式分类器基础上识别出MQAM、MPSK和MASK信号。文献[4]联合幅度变换矩和线性相位对QPSK、DQPSK、BPSK、64QAM进行分类识别。

以上文献对调制识别算法的研究只停留在软件仿真模拟上，并不能很好地研究算法在实际环境中的可行性，故本文选择将调制信号识别算法与USRP软件无线电平台结合，搭建调制信号识别系统，以验证调制识别算法的可行性并进行性能分析。测试结果表明，时域特征在低信噪比环境下，实际参数与理论参数存在较大偏差，当基于决策树理论进行信号识别时，识别效果不理想。故在特征提取的基础上引入BP神经网络算法，对调制信号的5种特征参数进行训练并识别调制信号，较大提升了调制信号的识别率。

1 基于USRP的调制信号识别系统设计

1.1 系统设计

系统流程如图1所示。首先生成随机二进制序列，然后生成相应的调制信号[5]，经USRP上变频、数模转换处理后通过TX1通道发射，经RX2接收及USRP模数转换、下变频处理后，LabVIEW对接收到的调制信号进行瞬时特征提取并计算特征参数，最后通过决策树判决识别出调制信号。

图1 系统流程

1.2 调制信号的生成

2ASK信号的产生如图2所示。Random Number.vi产生100个随机比特，ASK System Parameters.vi输入参数为每个符号的采样数和ASK的调制阶数，其中符号采样数为32，M=2。将各种调制参数打包成簇输出，簇中包括符号采样数等。Filter Coefficients.vi输入参数为脉冲成型滤波器、调制类型和脉冲成型滤波器每个符号的采样数。选择调制类型为ASK（5），脉冲成型滤波器选择none（0），脉冲成型滤波器每个符号的采样数为32。Modulate ASK.vi模块输入参数为比特序列、系统参数和符号速率等，返回复基带信号（IQ数据），最后通过Upconvert Baseband.vi将基带信号上变频到带通信号。

图2 2ASK信号的产生

1.3 调制信号的发送

发送模块后面板如图3所示。通过LabVIEW调用NIUSRP函数库将调制信号通过USRP发射出去，射频发送端主 要 用 到 Open Tx Session.vi、Configure Signal.vi、Write Tx Data （poly）.vi和Close Session.vi。

图3 发送模块后面板

发送模块前面板如图4所示。调制信号符号速率为100 Hz，载 频 为 200 Hz，USRP设 置 IQ rate为 500 kHz，carrier frequency为900 MHz，gain为15 dB，选择TX1通道发射，通过下拉框架选择发送的调制信号。

图4 发送模块前面板

1.4 调制信号的接收

信号接收模块后面板如图5所示。调制信号的接收通过LabVIEW调用NI-USRP的函数库。主要用到的USRP函数库包括 Open Rx Session.vi、Initiate.vi、Fetch Rx Data（poly）.vi、Abort.vi和Close Session.vi。信号接收模块前面板如图6所示，USRP的 IQ rate、carrier frequency设置与发送端一致。

图5 接收模块后面板

图6 接收模块前面板

2 调制信号识别

通过feature extraction.vi提取瞬时幅度、瞬时相位和瞬时频率[6]，然后分别计算瞬时幅度之谱密度的最大值γmax、归一化中心瞬时频率绝对值的标准差σaf、瞬时相位非线性分量绝对值的标准差σap、瞬时相位非线性分量的标准差σdp、零中心归一化瞬时幅度绝对值的标准差σaa。

2.1 零中心归一化瞬时幅度之谱密度γmax

γmax是对信号瞬时幅值变化的表征，主要识别幅度有变化与幅度恒定不变的调制方式。此外，通过设置合理的阈值，还可以区分无包络起伏的FSK和包络微弱起伏的PSK信号，6种调制信号的γmax如图7所示。MASK、MPSK的γmax大于MFSK的γmax，阈值设置见表1所列，大部分情况下通过设置阈值0.9即可区分MASK、MFSK、MPSK信号。

图7 MASK、MFSK、MPSK信号的γmax

表1 MASK、MFSK、MPSK信号的γmax

2.2 零中心归一化非弱信号段瞬时频率绝对值的标准差σaf

σaf表征信号的绝对频率，用来区分2FSK与4FSK，如图8所示，4FSK的σaf大于2FSK，通过设置阈值1即可区分两者，但区分效果一般。

图8 2FSK、4FSK的σaf

2.3 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σap

σap表征了信号瞬时绝对相位的变化情况，可以用来区分含有绝对相位信息的信号（如QPSK）和不含绝对相位信息的信号（如BPSK、MASK）。如图9所示，QPSK的σap大于MASK和BPSK的σap，阈值设置见表2所列，大部分情况下可以通过设置阈值150来区分QPSK、BPSK、MASK。

图9 MPSK、MASK的σap

表2 MPSK、MASK的σap

2.4 零中心非弱信号段瞬时相位非线性分量的标准差σdp

σdp表征了信号直接相位的信息，用以区分含有直接相位信息的信号（如BPSK）和不含直接相位信号的信号（如MASK）。如图10所示，BPSK的σdp大于 MASK的σdp，但结果表明区分效果并不理想，通过设置阈值2来区分BPSK和MASK。

图10 BPSK、MASK的σdp

2.5 零中心归一化瞬时幅度绝对值的标准偏差σaa

σaa是对调制信号绝对幅值的表征，可以用来区分像2ASK这种不具备归一化的绝对幅度的调制方式和MASK（M≥4）具有归一化的绝对幅度的调制方式。如图11所示，4ASK的σaa大于2ASK的σaa，大部分情况下设置阈值0.25即可实现区分。

图11 2ASK、4ASK的σaa

如图12所示，调制信号识别程序提取调制信号的瞬时特征值并计算5种特征参数。

图12 调制信号识别后面板

提取调制信号的特征参数后，根据决策树理论进行判决，判决流程如图13所示，t(*)代表阈值。调制信号识别前面板如图14所示，经过决策树判决后，计算调制信号的识别率，并在程序前面板显示识别出的调制信号类型和信号识别率。

图13 决策树[7]

图14 调制信号识别前面板

通过实测发现，在环境低信噪比情况下，基于决策树理论的信号识别方法效果不理想。σaf、σdp的区分效果不佳，根据决策树理论，σaf区分效果影响了2FSK、4FSK的识别，σdp的区分结果直接影响BPSK、2ASK、4ASK的识别。调制信号识别率见表3所列，2ASK、BPSK的区分效果并不理想，4ASK、MFSK的识别率也并未达到90%。为提高信号识别率，引入BP神经网络算法对几种特征参数进行训练并识别调制信号。

表3 信号识别率 %

3 采用BP神经网络的调制信号识别系统

3.1 BP神经算法介绍

BP神经网络的计算过程由正向传播过程和反向传播过程组成。正向传播过程中，输入层输入5种特征参数，然后将其传输到隐藏层，隐藏层处理数据后将其传输到输出层。如果输出的结果与期望值误差不能满足设定的最大误差，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经网络的权值，最小化误差信号[8]直到满足期望值时，输出识别的调制信号。

3.2 信号识别的实现

因为LabVIEW并未内置神经网络模块，所以本文通过LabVIEW中MATLAB脚本调用MATLAB神经网络库函数[9]对信号进行识别。BP神经网络算法如图15所示，输入层为5种特征参数，输出层为6种识别信号，学习效率为0.1，训练次数为5 000次，最大误差为10-4。

图15 BP神经网络算法

3.3 结果分析

BP算法识别率见表4所列。

表4 BP算法识别率 %

从表4可以看出，6种信号的识别率超过92%，与表3相比，识别率得到大幅提升（尤其受σaf、σdp影响的MFSK、MASK和BPSK信号的识别），验证了BP神经网络算法在调制信号识别应用中的可行性。

4 结 语

本文在USRP硬件平台上实现了基于调制信号特征参数提取的信号识别算法，建立决策树结构对信号进行分类。结果表明，该算法在环境低信噪比情况下信号识别率并不高，因此，本文进一步引入BP神经网络算法，对5种参数进行训练，然后识别出调制信号的调制方式。结果表明，应用神经网络进行调制信号识别达到了较为理想的识别率。