基于瞬时特征参数的调制识别方法

刘 生，于万里，王勤民

（1.中原工学院，河南 郑州 450007；2.河南工程学院，河南 郑州 451191）

0 引言

数字通信信号的调制识别是电子战场目标信息获取与态势分析的重要环节，也是非协作解调的关键步骤和基础。调制识别技术已经广泛应用在通信对抗、军事侦察、电磁频谱管理等方面，在工程应用中，仍是研究的重点[1]。

目前针对通信信号的调制识别方法，主要有基于统计模式识别[2]、小波变换[3]和决策理论[2]等方法，每一种调制信号识别方法都各有特点。文献[2]从特征参数提取角度改进了传统决策理论算法，并利用决策树对信号调制进行识别；文献[3]通过分析小波的时频图区分信号，发现高信噪比小波效果较好，但低信噪比识别效果较差；文献[4]则从识别方法上进行了创新，首次提出使用神经网络对通信信号进行识别，虽然识别效果较好，但算法设计复杂且不便工程应用。随着通信技术的发展，越来越多的算法被应用到实际的工程中。但在调制识别领域，复杂的算法还不能有效地被应用到工程中。因此，研究适合工程实现的自动调制识别算法有着很强的现实需求。

本文将瞬时幅度的谱密度最大值γmax、瞬时相位绝对值的标准偏差σap、瞬时频率绝对值的标准差σaf与3层全连接神经网络分类器（Three-layer Fully Connected Neural Network Classifier，TFCNNC）相结合，识别通信信号的调制类方式[5]。使用TFCNNC有效地避免了人为设置门限带来的误差。选用瞬时特征参数作为TFCNNC的输入特征，识别调制方式，并通过仿真得出实验结果，结果表明该方法不仅性能优于决策树算法，且设计简单，复杂度远低于其他深度神经网络，便于工程应用。

1 信号模型

在通信过程中，接收信号模型表示为：

式中：a(t)为信号的瞬时幅度；f0为载频；θ0为载波相位。

对x(t)进行希尔伯特变换（Hilbert），则可得到其正交分量v(t)，这样就得到了解析信号z(t)，即可得到通信信号的幅度、相位、频率等瞬时参数[6]。x(t)的解析信号为：

v(t)的计算公式为：

式中：τ为冲激响应因子。

由式（2）的变换，就可以对调制信号进行幅度、相位、频率等信息的提取，得到信号的瞬时幅度

2 瞬时特征提取

通信信号的瞬时信息包括瞬时幅度、瞬时相位、瞬时频率及不同角度的统计特征值，其中瞬时幅度、瞬时相位、瞬时频率包含着调制信息[7]。对通信信号做调制识别，需要对信号的幅度、相位、频率信息特征进行提取。

由瞬时幅度A(t)、瞬时相位φ(t)、瞬时频率f(t)的值，可进一步得到调制信号瞬时特征参数，本文主要使用3个特征参数，分别是瞬时幅度的谱密度最大值γmax、瞬时相位绝对值的标准偏差σap、瞬时频率绝对值的标准偏差σaf。

2.1 瞬时幅度的谱密度最大值

瞬时幅度的谱密度最大值γmax表征了信号瞬时幅度的变化情况，用来反映调制信号包络的变化特性[8]，其表达式为：

式中：Ns为数字信号的采样点数；Acn(i)为归一化瞬时幅度，Acn(i)=An(i)-1，An(i)=A(i)/ma，为瞬时幅度A(i)的平均值，用平均值对瞬时幅度进行归一化的目的是消除信道增益的影响。

图1展示了瞬时幅度的密度最大值，通过图1可以得出频移键控（Frequency Shift Keying，FSK）信号无包络起伏、相移键控（Phase Shift Keying，PSK）信号有微弱的包络起伏、幅移键控（Amplitude Shift Keying，ASK）信号包络起伏较大，因此通过包络值可以区分PSK、FSK、ASK信号。

图1 瞬时幅度的谱密度最大值

2.2 瞬时相位绝对值的标准偏差

σap为相位绝对值的标准偏差，表示信号瞬时绝对相位的变化情况，其计算方式为：

式中：C为非弱信号值的个数；An(i)为信号瞬时幅度的平均值；at为判断弱信号的门限值，用于去除噪声对微弱信号的影响；ϕNL(i)为经过零中心化处理后瞬时相位的非线性分量，在载波完全同步时，可表示为ϕNL(i)=ϕ(i)-ϕ0，其中，，ϕ(i)表示无折叠瞬时相位。

图2展示了瞬时相位绝对值的标准偏差，从图2 中可以得知，σap可区分4PSK与2PSK和ASK信号。由于ASK信号不包含绝对相位信息，2PSK信号只有两个瞬时相位值，经过零中心化处理后相位绝对值为常数，故也不含绝对相位信息，而对于4PSK信号，它含有4个瞬时相位值，因此其零中心化处理后相位绝对值不为常数，包含绝对相位信息，所以通过判断相位绝对值是否趋近于零可以识别类内信号2PSK、4PSK。

图2 瞬时相位绝对值的标准偏差

2.3 瞬时频率绝对值的标准差

瞬时频率绝对值的标准差σaf表征信号的绝对频率信息，可用来区分2FSK信号和4FSK信号。

图3展示了瞬时频率绝对值的标准差，由图3可知，2FSK信号的归一化瞬时频率的绝对值为常数，而4FSK信号的瞬时频率有4个，归一化后的绝对值不为常数，可区分出2FSK、4FSK、2ASK、4ASK信号。

图3 瞬时频率绝对值的标准差

3 算法描述

目前，工程应用中大多使用决策树，决策树在工程应用中的优点是易于工程实现、设计流程较为简单，缺点是门限设置较为复杂、人工操作容错率较高、低信噪比下对数字通信信号的识别误差大[9-11]。

针对低信噪比识别误差大与决策树算法设置门限复杂等问题，本文使用神经网络作为分类器，可弥补以上缺点。目前，神经网络在调制识别领域被广泛应用，并在学术研究中获得很大的突破，但在工程应用中很难实现，主要原因是深度神经网络设计较为复杂，使用硬件资源较高且不易集成到实际工程中。而本文选用TFCNNC主要是利用神经网络算法的分类识别功能，不进行卷积运算，进一步提取信号特征。

3层神经网络是神经网络的一种[12,13]，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。图4展示了一个3层全连接神经网络的结构，“Input”表示输入层，“Layer”表示全连接层，“Output”表示输出层，TFCNNC在结构设计中未使用卷积层，这样做可以减少计算的复杂度，大大减少训练的时间。x(i)表示瞬时特征参数γmax，σap，σaf的数据，y(i)表示网络输出信号的类型。TFCNNC在工程中的构建方式如下：

图4 3层全连接神经网络

（1）输入层3×600×1,归一化的数据长度为600，3种瞬时特征参数；

（2）全连接层1×1×50，可学习参数权重50×1 800，偏置50×1，步长为1，无填充；

（3）批量归一化与ReLu层1×1×50；

（4）FullyConnected 1×1×6；

（5）Softmax分类器1×1×6；

（6）Output分类输出1×1×6。

使用TFCNNC，其主要优点是网络结构简单，可以集成到工程中，低信噪比下识别率较高；缺点是需要先训练模型，耗时较长。根据本文所采用的3个特征参数，使用TFCNNC对2ASK、4ASK、2FSK、4FSK、2PSK、4PSK信号进行识别。

从图5展示的算法原理中可知，数据预处理主要是对数字通信信号求瞬时特征的γmax，σap，σaf，训练模型主要是把预处理的信号进行训练，得到网络的权重和偏置项[14,15]，权重和偏置共同组成训练模型，验证识别主要是将训练模型的权重和偏置直接应用于全连接层，将未知信号经过数据预处理后经过验证识别出最终结果。具体识别步骤：首先对接收到的数字通信信号做下变频处理；其次求解瞬时特征参数的3个特征值γmax，σap，σaf；再次训练模型得到训练后的权重和偏置；最后将训练好的权重和偏置加载到验证识别模型，从而得到最终的识别结果。其算法原理如图5所示。

图5 算法原理

4 仿真及结果分析

为验证上述分析，进行仿真实验，验证低信噪比下决策树与本文算法的识别结果。在载波同步条件下，对信号添加高斯白噪声，载波频率设置为 70 MHz，采样频率为200 MHz，符号速率10 MHz，信噪比的范围是0～20 dB，仿真信号有2ASK、4ASK、2FSK、4FSK、2PSK、4PSK等6种。每 类信号产生了600组瞬时特征参数，每类信号随机抽取200组数据作为验证，将生成的数据以3×600的数组送入TFCNNC的输入层，通过全连接层分类识别后，再经过softmax分类器即可得到分类结果。图6是3层全连接网络分类器的训练过程。

图6 网络训练过程

在信噪比较低时，参数特征不能有效地区分调制类型，当信号低于5 dB时，决策树算法[10]的识别效果较差，识别率受噪声影响较大。在相同信噪比下，本文算法有更好的识别性能，每类信号的识别率相加取均值得到该信号的平均识别率，识别结果如图7所示。神经网络分类器识别算法和决策树算法在不同信噪比下各种信号的识别率分别如表1、表2所示。

表1 神经网络分类器算法识别结果 %

表2 决策树算法识别结果 %

图7 不同信噪比下信号识别率

由图7、表1、表2可以得出，本文算法在15 dB 时各种数字通信信号的识别率均大于98%，10 dB时各种数字通信信号的识别率均大于96%，5 dB时各种数字通信信号的识别率均大于92%，0 dB时各种数字通信信号的识别率均大于88%。

5 结语

本文主要利用瞬时特征参数与TFCNNC相结合，具有低信噪比、高识别率、可集成到工程中的特性。整体算法的设计流程主要是，首先对数字通信信号进行数据预处理，选择数据预处理的瞬时特征的3个参数；其次，将瞬时特征参数送入3层全连接神经网络进行模型训练，得到训练好的权重系数和偏置系数；最后，将训练好的权重系数和偏置系数应用到验证识别过程。通过仿真验证了该方法的有效性，实验结果表明该方法在低信噪比时，相较于其他方法具有更高的识别率。下一步将研究如何把轻量化网络应用到实际工程。