下载文档原格式
卫星通信常用调制方式的自动识别作者：孙兵刘毅来源：《科学大众》2019年第06期摘; ;要：在卫星通信过程中，信号的调制方式具有非常重要的作用，直接影响着卫星通信的效果。
自动识别信号调制方式，能够有效提高卫星通信的质量，保证卫星通信的稳定性。
因此，在卫星通信建设过程中，加强对信号调制方式自动识别方法的研究，对发展卫星通信具有非常重要的意义。
文章对卫星通信常用调制方式的自动识别进行系统的分析，结合当前常用的调制信号自动识别方法，提出可靠的建议，以促进我国卫星通信的发展和进步。
关键词：卫星;通信;调制方式;自动识别现如今，随着我国社会经济的快速发展以及科学技术水平的不断提高，我国在卫星通信领域的建设取得了喜人的成果。
目前，在卫星通信的调制信号自动识别方面，常用的方法有瞬时时域法、高阶矩高阶累积量法等，这些方法具有一定的优势，但同时也有一定的不足。
因此，必须要在调制信号自动识别方面不断加强研究，优化自动识别方法，推动我国卫星通信的进一步发展。
1; ; 当前卫星通信领域常用的调制信号频谱特征1.1; 信号功率谱信号功率谱的主要作用就是对调制信号的各个频率分量的功率分布进行直接的反映，能够使人直观地看到各个频率分量的调制信号的功率分布情况。
不同分量的信号，在功率谱中显示出的分布情况具有非常大的差别，利用功率谱能够有效识别各类信号，这也是卫星通信常用信号频谱的主要特征之一。
1.2; 信号平方谱信号经过平方运算后会产生很大的直流量，此时形成的功率谱与普通的信息功率谱有很大的不同，能够对调制信号倍频后的功率分布进行直接反映，这就是信号平方谱。
对于调制指数较小的调制信号，普通的信号功率谱无法有效反映其信号功率的分布特征，此时就可以使用信号平方谱对其进行识别，例如对频移键控（Frequency Shift Keying，FSK）信号，通过倍频处理产生信号平方谱，就能够有效检测其单频分量。
1.3; 信号四次方谱四次方谱，简而言之就是将信号进行四次方处理，从而得到的功率谱。
卫星通信系统中信道编码技术研究一、引言在卫星通信系统中，信号的传输质量很大程度上取决于编码技术的优劣。
信道编码技术是提高数据传输可靠性和抗干扰性的重要手段之一。
本文将对卫星通信系统中的信道编码技术进行研究，包括前向纠错编码技术和调制编码技术。
二、前向纠错编码技术前向纠错编码（Forward Error Correction, FEC）是一种通过添加冗余信息来纠正数据传输过程中出现的误码的技术。
它常被应用于数字电视广播、卫星通信、移动通信、数据存储等领域。
1. 卷积编码卷积编码是一种常用的FEC技术，在卫星通信系统中得到广泛应用。
卷积编码器将输入的数据分成若干组，每组数据通过将其与一个特定的编码序列进行卷积，产生一个带上了纠错冗余码的输出，这些编码序列称为卷积码。
接收端通过译码器对接收到的码字进行译码，从而纠正误码。
2. 块编码在块编码中，输入数据按照一定的块大小进行分块，每个块都加上一些额外的冗余码信息。
块编码包括海明码、BCH码、RS码等等。
三、调制编码技术调制编码技术是一种在数字通信中广泛应用的技术，它将原始数据转换成数字序列的波形，并在每个序列中加入调制和编码的信息。
通过调制缩小波形的波谷和波峰的间距，从而每个波形中可以携带更多的信息，提高信号的传输率和传输距离，同时还具备纠错能力。
1. 码分多址（Code Division Multiple Access, CDMA）CDMA技术是一种将多个用户的信号通过互不干扰的编码方式混杂在一起的技术，从而使多个用户可以共享一个信道。
CDMA技术是一种分布式编码和多用户检测技术，能够有效地抵御窃听、仿制和干扰攻击，广泛应用于卫星通信、移动通信等方面。
2. 正交频分复用（Orthogonal Frequency Division Multiplexing, OFDM）OFDM技术是一种采用正交子载波进行调制的技术。
通过将输入数据分成若干个子信道，每个子信道中使用正交的频率带来使得相邻子信道之间互不干扰，这样就能够将大量数据同时传输，提高信号的传输效率。
通信学报２００４年数进行了大量测试。
限于篇幅，这里仅给信噪比为５ｄＢ时的结果，见表１。
信噪比为５—２０ｄＢ时各类信号的正确识别率曲线如图１０所示。
表１ｓＮＲ＝５Ｉ强时各信号的识别情况调制类型ｃｗＡｓＫ２ＦｓＫＭｓＫ４ＦｓＫＢＰｓＫＱＰｓＫ０ＱＰｓＫ州ＱＰｓＫ８ＰｓＫＡＭＤＳＢｓｓＢＦＭ一——————————————————————＿＿＿＿—－＿－－——————，—————＿———＿－－＿＿●—————————————＿———＿———●ｒ＿—－－●——————————————————————＿＋’＿ｈ＾●－—，—————————————————————＿—一ＣＷ４９７０００Ｏ００Ｏ０Ｏ，０００ＡＳＫ０５００００００００００Ｏ０Ｏ００００２ＦＳＫ００４９２０８０００００ＯＭＳＫ０ＯＯ５０００００Ｏ００Ｏ０Ｏ０４ＦｓＫ００９０４９０Ｏ００Ｏ０Ｏ００ｌＢＰＳＫ０００００５００ＯＯ０００Ｏ０ＯＱＰＳＫ００００００４９８１０ｌＯＯ０００ＱＰｓＫ００００２Ｏ３４９２Ｏ００ＯＯ３州ＱＰｓＫ０００００００２４８８ｌＯＯ０００８ＰｓＫＯ００ＯＤＯ０２Ｏ４９８００Ｏ０ＡＭ０００Ｏ０００Ｏ００５００００００ＤＳＢＯ０００００００Ｏ００５０００ＯＳＳＢＯ００Ｏ００Ｏ０００００５０００００５００ＦＭ０００００００Ｏ００图１０不同ｓⅣ拧下各种信号的正确识剐率仿真表明，在趴碾为５ｄＢ时所有信号的正确识别率均达９７％以上，孙艉在５ｄＢ以上总体识别率大于９８％。
大部分信号随田忱的增加，识别率相应增加，最终达１００％。
但也有部分信号如４ＦｓＫ，在高趴碾下识别率出现波动。
分析认为：由于信号的特征参数不但受噪声的影响，而且与信息符号的概率分布有关，当信息符号分布不平衡时，频谱特征不能正确反映信号的调制类型，如４ＦＳＫ信号中某两种符号优势过强时，容易与２ＦＳＫ信号相混淆。
在实际应用中，通信系统为了解决同步问题一般都采用加扰电路使信息符号随机化，这十分有利于识别算法的实现，因此信息符号概率分布的影响是有限的。
目录1引言 (1)2信号调制类型的算法 (1) (1) (2) (3) (5)3基于决策理论的调制类型识别 (6) (6)3.1.1幅度键控调制（ASK） (6)3.1.2相移键控调制(PSK) (7)3.1.3频移键控调制(FSK) (7) (8) (8) (10)4仿真及结果分析 (13) (13) (16) (18) (19)致谢 (20)参考文献： (20)附录 (22)1引言通信信号调制方式自动识别是信号分析领域中一个比较新的研究方向，它有很大的应用前景，尤其是在军事通信领域。
随着电子对抗技术研究的不断升温，迫切需要进行调制信号自动识别技术的研究，它被广泛应用于：信号确认、干扰识别、无线电侦听、电子对抗、信号监测和威胁分析等领域。
目前已有的信号调制识别方法主要分为两大类：基于决策理论的方法和基于统计模式识别的方法。
大多基于决策理论的方法都需要对每一个特征参数选择一个最优的门限，而且特征参数提取和进行信号识别的顺序都会直接影响识别率。
基于统计模式识别的方法可以分成两个部分:特征提取和分类器设计。
特征提取负责对接收到的信号提取出最能表现其调制特征的参数。
而分类器则根据已提取出的特征把信号划分到相应的类别。
前者检验统计量计算复杂且需要一些先验信息但判别规则简单；后者特征提取简单、易于计算但判别规则复杂[1]。
本文针对通信信号数字调制方式的特点，在决策理论的基础上提出了一种改进过的调制方式识别算法并进行了软件仿真。
仿真结果表明：该算法不仅能识别现代通信常用的各种数字调制方式，如2ASK，2PSK，2FSK，4ASK，4PSK，4FSK，而且算法简单，适合实时操作，同时具有较好的抗噪声性能和较高的识别准确度。
2信号调制类型的算法调制方式识别是介于能量检测和信号完全解调之间的过程。
对于能量检测只要知道接收信号粗略的中心频率和带宽。
而信号解调不仅需要知道精确的中心频率和带宽，还必须知道该信号采用的调制方式以及对应的调制参数。
卫星通信常用调制方式的自动识别概述摘要本文根据信号的频谱特征，以信号的频谱特征为基础，为关于卫星通信常用调制方式的自动识别提出了一种新的方案。
该方案是通过对信号的频谱特征中相关的数据，比如信号平方谱四次方谱包络谱提取出一组特征数据，在不需要验证某参数的情况下对卫星通信常用的调制方式的信号进行自动识别，而通过仿真实验以及相应的数段发现，该方案的可行性远远大于预计的效果，由此可知该方案可真正用于卫星通信常用调制方式的自动识别。
本文通过对该方案的分析与应用对卫星通信常用的调制方式的自动识别，提出相应的建议。
关键词卫星通信；调制方式；自动识别；频谱特征目前卫星通信常用的调制方式有很多种，有基于信号瞬时时域特征的，也有基于信号频谱特征的，但这些方法在应用过程中都存在着一系列问题。
第一，对所使用的特征参数的抽取往往都需要很多先前参数的积淀才可以达到参数的抽取效果，而先前参数在很多时候都很难获得。
第二，在进行信号调制参数抽取过程中对通信分类特征的影响。
对许多特征参数的抽取有着很大的影响，是算法识别率下降甚至失去效果，第三，算法识别方法较少，同时算法的使用范围也有限。
为解决上述提出的问题，本文对信号功率谱信号平方谱信号四次方谱以及信号包络谱进行分析，并结合我国科研前辈对其的研究成果，针对卫星中常用的调试方式提出一种新型的分类特征参数，并利用新型分类特征参数制定一套新的方案，并在本文阐述过程中表达了分类参数的特征以及原理。
1 常用信号的频谱特征卫星通信常用调制方式的自动识别，对人们的日常生活以及我国军事某些方面的应用有的十分广泛的应用价值以及重要意义。
同时它作为智能产品以及智能技术中最重要的一部分技术组成，一直受到相关企业的高度重视。
信号频谱是对信号在频域方面的一种描述，不同调制方式的信号在频域产生不同的表达形式。
而信号频谱可以在某一个参数的基础上很好地表现出多种调制方式的特性，将这些特性提取出来可以用作通信识别过程中所应用的特征参数。
数字卫星通信信号调制方式识别方法研究作者：李海鸥来源：《文化产业》2015年第01期摘要：数字卫星通信信号的调制方式识别可通过识别调制信号进行，不同的调制信号在反映特征上存在明显差异，通过调制信号在信号频谱上的反映，观察特征参数，总结调制方式的功率谱和高阶频率谱的不同特征，借助调制信号不同特性进行识别。
目前，常用的数字信号调制方式进行识别，常采用参数判决法和统计模式识别法，这两种方法操作简单，易于辨别。
本文针对数字卫星通信信号调制方式识别问题对调制信号频谱特性和包络谱特征作了相关研究。
关键词：数字卫星通信信号；调制方式；识别方法；中图分类号：F49 文献标识码：A 文章编号：1674-3520（2015）-01-00-01在实际情况下，卫星通信将受到各方面的制约，若通信距离较远、星上发射功率较低等都会对卫星通信造成不利影响，接收机的工作也会受到影响。
由于低信噪比的影响，信号盲识别成为亟待解决的问题。
随着通信体制和信号调制方式的复杂化和多样化，通信环境逐渐复杂，促成通信信号的调制方式识别变成军、民领域内十分重要的研究课题。
当前常用的数字信号调制方式自动识别方式主要有参数判决法和统计模式识别法。
一、常用调试方式的信号频谱特征一般情况下，采用不同的调制方式进行数字信号的调制工作，相关的频谱特征有差异，分析调制方式的功率谱和高阶频率谱可观察出不同特征。
（一）分析信号的功率谱应用功率谱进行传输信号的能量反映，分布在不同的频率处，信号占用频段将在功率谱上出现峰值现象。
在常用的信号调制方式上存在载波分量调制的有无情况，例如ASK和MFSK 等有载波分量调制，而DSB和PSK则没有。
针对此现象，分析其功率谱将会观察到其在信号功率谱载频出有差异，且此差异较为明显，对判断信号调制方式提供了依据。
结合实践而言，经过调制的单谱峰信号表现较为平和，多谱峰信号则会出现多峰值现象。
因此，依据频谱的状况和谱峰数量，对其设置适量的阀值进行分析，亦能够识别信号，从而实现对信号调制方式的识别。
doi:10.3969/j.issn.1003-3106.2022.04.001引用格式:任进,姬丽彬,党柳.基于深度学习的卫星信号调制识别算法[J].无线电工程,2022,52(4):529-535.[REN Jin,JILibin,DANG Liu.Satellite Signal Modulation Recognition Algorithm Based on Deep Learning [J].Radio Engineering,2022,52(4):529-535.]基于深度学习的卫星信号调制识别算法任㊀进,姬丽彬,党㊀柳(北方工业大学信息学院,北京100144)摘㊀要:为实现卫星信号调制方式的分类,提出的高阶累积量与K 最近邻算法(KNN)调制样式识别算法选取对噪声不敏感的5种高阶累积量特征参数用于信号的识别,通过KNN 作为分类器对信号分类㊂实验结果表明,当信噪比(SNR)高于12dB 时,信号的调制方式可以被高效地识别,并且识别率趋近100%,但需要人工设计和提取特征参数㊂因此,提出了循环神经网络(Recurrent Neural Network,RNN)的卫星调制信号识别算法,以信号的IQ 数据作为模型的输入,通过LSTM 进行分时特征提取,全连接层进行分类,最终完成识别㊂在采样长度等于512,SNR 大于4dB 时,识别率趋近100%㊂与KNN 相比,LSTM 网络的识别性能更为优越,尤其在低SNR 的情况下,可以高效识别6种调制方式㊂关键词:卫星调制识别;K 最近邻算法;高阶累积量;循环神经网络中图分类号:TN911.7文献标志码:A开放科学(资源服务)标识码(OSID ):文章编号:1003-3106(2022)04-0529-07Satellite Signal Modulation Recognition AlgorithmBased on Deep LearningREN Jin,JI Libin,DANG Liu(School of Information Science and Technology ,North China University of Technology ,Beijing 100144,China )Abstract :In order to classify the modulation modes of satellite signals,the proposed high-order cumulant and K-Nearest Neighbor(KNN)modulation pattern recognition algorithm selects five high-order cumulant characteristic parameters,which are insensitive tonoise,to identify the signals,and uses KNN as the classifier to classify the signals.The experimental results show that when the Signal-to-Noise Ratio (SNR)is higher than 12dB,the signal modulation method can be effectively identified,and the recognition rate is closeto 100%,but it requires manual design and extraction of characteristic parameters.Therefore,a satellite modulation signal recognitionalgorithm based on Recurrent Neural Network (RNN)is proposed.The IQ data of signal is used as the input of the model,time-sharing feature extraction is carried out by LSTM,full-connection layer is classified,and finally the recognition is completed.When the sampling length is equal to 512and the SNR is greater than 4dB,the recognition rate approaches 100%.As compared with KNN,the recognitionperformance of LSTM network is superior,especially in the case of low SNR,it can efficiently identify six modulation modes.Keywords :satellite modulation recognition;KNN;higher-order cumulant;recurrent neural network收稿日期:2021-10-31基金项目:北京市优秀人才培养资助青年骨干个人项目(401053712002);北京城市治理研究中心资助项目(20XN241);2021年北京市大学生创新创业训练计划项目(21XN216);2020年北京高等学校高水平人才交叉培养 实培计划 项目;北方工业大学思想政治课程项目 通信工程Foundation Item:Beijing Outstanding Young Backbone Individual Project (401053712002);Beijing Urban Governance Research Center Project(20XN241);2021Beijing College Students Innovation and Entrepreneurship Training Program Project (21XN216);2020 Practical Training Plan for High-level Talents Cross Training in Beijing Higher Education Institutions;Curriculum Ideological and Political Project of North China University of Tech-nology Communication Engineering0㊀引言信号的调制识别是指已知信号所在的调制集合,正确识别目标信号的调制类型,是通信侦察以及软件无线电领域的一个重要研究课题[1-3]㊂调制识别作为非合作通信中的一种关键技术,能够对未知信号的调制方式进行自动判决识别,进而实现对信号的正确解调获取信息[4]㊂在信号检测与解调的过程中,调制识别这一技术不容忽视,其在军用和民用领域都扮演着不可或缺的角色㊂在民用通信领域,调制识别技术对频谱监督管理中信号的身份验证和干扰识别至关重要㊂在军事通信领域,出于一种占据战略主动权的战术手段和战略目的,调制识别技术通常被用于探测敌方信号调制类型,从而进行针对性的侦查与反干扰㊂在诸多文献中,识别方法大致可以被划分为2种:基于决策论[5]的最大似然假设检验方法和基于特征提取的统计模式识别方法[6]㊂基于决策论的最大似然假设检验方法根据接收信号的似然函数,对似然比与阈值做出比较,进而完成决策,其中决策是使用贝叶斯假设的框架做出㊂以未知量选择模型的分类法为依据,能够将基于最大似然检验的自动调制分类大致划分成3种:平均似然比检验[7-8]㊁广义似然比检验[9]和混合似然比检验[10]㊂但是,它存在计算复杂度高和适用范围窄等缺点[11]㊂基于特征提取的统计模式识别方法首先采用可以表征不同调制样式的信号分类特征,以观察不同通信信号的特征参数差异来进行分类标准的选取,最后对信号的调制方式做出判决㊂它的缺点是需要人工提取,较为繁琐㊂总之,上述方法的分类性能和计算复杂度有待进一步提高㊂近年来,通信研究者已经开始结合通信系统或者通信信号的本质进行深度学习的研究,如利用卷积神经网络拟合传统通信流程中的匹配滤波器功能,进行调制识别和接收检测[12]㊂本文创新性地提出了基于循环神经网络(Recurrent Neural Network,RNN)的卫星调制信号识别算法,在低信噪比(SNR)情况下,识别率高㊁抗噪性能较强㊂相比于高阶累积量法下的操作复杂性,神经网络方法的识别性能更为优越㊂1㊀卫星通信信号模型与数据集生成1.1㊀接收信号模型任意调制方式的接收信号的模型为:y(t)=A e j(2πf0n+θ0+φ(t))ʏ+ɕτ=-ɕx(τ)g(τ-t)h(t-τ+ε)dτ+ω(t),(1)式中,A为接收信号的幅度;f0为发射机和接收机之间的频偏;θ0为相偏;φ(t)为相位抖动;x(τ)为有用信号;g(t)为成型滤波器的脉冲函数;h(t)为信道的响应函数;ε为传输系统的时间同步的误差;ω(t)为加性高斯噪声[13]㊂无线信号在经过衰落信道后的模型为:y(n)=A e j(2πf0n+θ0)x(n)+ω(n),(2)式中,n取正整数㊂1.2㊀数据集生成在调制识别领域,大多采用布拉德利大学O Shea生成并公开的调制数据集RML2016.10a㊂这一数据集共包括220000个调制信号,包含11种调制方式,并且每种调制方式都产生了20000个调制信号㊂由于本文主要面向卫星调制信号,且数据集中不包括APSK这一重要的卫星调制信号,所以本文将依照RML2016.10a的格式由GNU Radio生成新的包含6种调制信号的数据集㊂为了更好地模拟地面发射机与卫星之间的无线通信信道的真实环境,对信道进行仿真,选用GNU Radio中的Dynamic Channel模型分层模块,这一模块包括4个部分,如图1所示㊂同时,还采用GNU Radio Dynamic Chan-nel模型,将真实信号通过不明的信道仿真模型后,再使用切片和矩形滑窗处理512/1024/2048个采样,对仿真产生的数据随机挑选时间段完成采样,之后将结果输出存储到输出向量中,整个操作过程如图2所示㊂图1㊀动态信道模型结构Fig.1㊀Structural block diagram of dynamic channelmodel图2㊀数据集生成流程Fig.2㊀Dataset generation process2㊀卫星调制信号的识别2.1㊀基于高阶累积量与KNN的调制样式识别算法㊀㊀通常,高斯噪声加扰后的调制信号的复数表达可以记为:s(t)=x(t)+n(t)=ðL a L㊀A R Ns(t-LT s)e j(2πf c t+θc)+n(t),(3)式中,L=0,1, ,N,N为发送端码元的序列长度;a L 为码元序列;T s 为码元周期;A 为信号能量;R Ns (㊃)为基带码元的矩形波形;f c 为载波频率;θc 为相位抖动;n (t )为零均值的复高斯白噪声,与发送信号x (t )的关系为相互独立㊂K 阶矩计算公式可以表示为:M k (τ1,τ2, ,τK -1)=E x (t )x (t +τ1) x (t +τK -1){},(4)式中,τ1,τ2, ,τK -1是延迟时间㊂K 阶累积量可以表示为:C K (τ1,τ2, ,τK -1)=cum x (t ),x (t +τ1), ,x (t +τK -1){}㊂(5)由以上推导,可得到:C 20(x (t ))=M 20=E x (t )x (t )[],(6)C 21(x (t ))=M 21=E x (t )x ∗(t )[],(7)C 40(x (t ))=M 40-3M 220,(8)C 41(x (t ))=M 41-3M 20M 21,(9)C 42(x (t ))=M 42-M 220-2M 221,(10)C 60(x (t ))=M 60-15M 40M 20+30M 320,(11)C 63(x (t ))=M 63-6M 41M 20-9M 42M 21+18M 220M 21+12M 321,(12)C 80(x (t ))=M 80-28M 20M 60-35M 240+420M 220M 40-630M 420,(13)式中,x ∗(t )为x (t )的共轭取值㊂根据现代信号处理理论可知,零均值高斯白噪声的高阶累积量[14](大于二阶)为零,由以上推导公式能够分别计算取得它们的各阶累积量值如表1所示㊂为了有效识别这6种信号,本文构造高阶累积量特征参数[15]F =C 21,C 40,C 42,C 63,C 80{}㊂表1㊀不同调制信号的高阶累积量Tab.1㊀Higher order cumulants of different modulation signals调制样式C 20C 21C 40C 41C 42C 60C 63C 80QPSK 0A A 20-A 204A 3-34A 48PSK0A 00-A 204A 3A 464QAM 0A -0.62A 20-0.62A 2012.84A 3-0.28A 4256QAM 0A-0.60A 20-0.60A 2012.84A 31.04A 416APSK 0 5.71A 0.25A 20-25.27A 20470.21A 3-1.94A 432APSK19.16A 0.15A 2-182.64A 26767.47A 3-0.42A 4㊀㊀在确定了本文所需的高阶累积量特征参数后,还需要分类器依据选取的特征参数对信号分类㊂KNN [16]是一种经典的统计模式识别算法,它的设计思想是对于那些需要分类的样本,首先通过公式计算待分类的样本与已知类别的训练样本之间的距离或相似度,找到距离或相似度与待分类样本数据最近的K 个邻居;之后,通过这些邻居类别的范畴来分析判定待分类样本的类别㊂它在训练大型数据方面具有有效性,并且对嘈杂数据具有鲁棒性㊂因此,选取KNN 作为分类器,实现对信号的分类㊂其调制识别流程如下:①输入6种调制信号数据集;②选取的5种特征构成特征集;③分割数据集为训练集和测试集;④计算输入样本和训练样本之间的距离;⑤找到训练数据的K 近邻;⑥将K 的最大标签类设置为训练数据;⑦如果信号未分类,则对输入信号进行分类训练;如果信号被分类,应用KNN 分类器;⑧预测信号调制方式,计算并输出识别准确率㊂2.2㊀基于RNN 的卫星调制信号识别算法RNN [17]被广泛用于从时间序列数据中学习持久特征㊂RNN 与一个隐藏层的单元连接到下一隐藏层的全连接神经网络不同,RNN 中一个隐藏层的单元与自身循环连接,如图3所示,其中W ,U ,V 分别表示输入到记忆㊁记忆到记忆㊁记忆到输出的权重矩阵㊂图3㊀RNN 的一般结构Fig.3㊀General structure of RNN考虑一个RNN 有T 个输入时间步骤x t {}T t =1和T 个输出时间步骤y t {}T t =1,RNN 的显著特点是,当前时间步长y t 的输出由当前时间步长x t 的输入和描述过去时间步长的记忆h t 决定㊂该属性使RNN 能够根据从以前的时间步长输入中学习到的表示进行约束,并动态更改当前时间步长的输出㊂通过在时间步长之间共享权值,RNN 的参数更少,可以更有效地优化,非常适合处理时间序列数据㊂但是,传统的RNN 在梯度下降更新过程中存在梯度消失问题㊂因此,RNN 不适合学习长期依赖关系㊂为了克服这种局限性,引入了LSTM 模型㊂LSTM 神经网络[18]是一种以长短期记忆网络为单元的有门限的RNN,其结构如图4所示㊂图4㊀一个LSTM 单元的结构Fig.4㊀Structure of an LSTM unitLSTM 单元背后的核心思想是除了外部循环单元,还有内部循环的LSTM 细胞(自我循环)㊂每个细胞都有与传统RNN 相同的输入和输出,但引入了更多的参数和一个由几个门组成的系统来控制信息流㊂LSTM 单元中的3个门定义为:i t =σ(W i h t -1+U i x t +b i ),(14)f t =σ(W f h t -1+U f x t +b f ),(15)o t =σ(W o h t -1+U o x t +b o ),(16)式中,σ(㊃)为Sigmoid 激活函数,取值为0~1;i t ,f t ,o t 分别为输入门限层㊁忘记门限层㊁输出门限层;W i ,U i ,W f ,U f ,W o ,U o 和b i ,b f ,b o 分别为对应的权重矩阵和偏差㊂上述门限层允许LSTM 单元学习在长距离单元上存储和访问信息,从而避免了梯度消失问题㊂在自我循环中,将细胞记忆c t 置于具有自我循环权值f t 的下一个单元中,以决定向下一个细胞记忆中删除或添加信息:c t =f t ㊃c t -1+i t ㊃tanh (W c h t -1+U c x t +b c )㊂(17)当前时间步长h t 的输出由当前细胞记忆c t 和输出门限层o t 决定:h t =o t ㊃tanh(c t )㊂(18)通过对以上2种深度学习模型的分析,本文提出了基于RNN 的卫星调制信号识别算法㊂在整个模型中,RNN-LSTM 采用信号的IQ 数据作为模型的输入,表2给出了该模型的参数设置㊂其中,网络包括一层LSTM 层和一层全连接层,LSTM 出于分时特征提取的目的,而全连接层则是为了分类而存在㊂模型的输入为512ˑ2,LSTM 胞元的数目为40,全连接层胞元的数目为32,最后输出长度为6的one-hot 矢量,代表6种调制方式㊂表2㊀RNN-LSTM 网络的参数设置Tab.2㊀Parameter setting of RNN-LSTM networkLayer(type)Output ShapeParam #Input_1(InputLayer)(None,512,2)0Cu_dnnlstm(CuDNNLSTM)(None,40)7040Dense_1(dense)(None,32)1312Dense_2(dense)(None,6)198LSTM 层的激活函数为ReLu,输出层的激活函数为Softmax,由于最后输出为6类不同的调制方式,所以采用Categorical-crossentropy 这一多分类的交叉熵损失函数㊂除此之外,本模型还采用了Adam 优化器,在训练的过程中使学习率随着训练过程自动修改,以便加快训练,提高模型性能㊂基于上述设计,本文所采用LSTM 模型的结构如图5所示㊂图5㊀单层LSTM 网络的结构Fig.5㊀Structure diagram of single layer LSTM network3㊀结果与分析为了验证算法的有效性,本节将对基于高阶累积量和RNN 的卫星信号识别性能分别进行仿真㊂3.1㊀基于高阶累积量识别算法的仿真针对高阶累积量识别算法,设置对应的待识别调制集为Ω={QPSK,8PSK,64QAM,256QAM,16APSK,32APSK}㊂其中,仿真信号SNR 取值范围-4~16dB㊂SNR 每次变化间隔为2dB,接收信号采样长度依次设定为128,512,1024点㊂而对于每个SNR 和样本数,都产生了1000个实现,输入到构造好的KNN 分类器中对信号的调制方式进行识别,仿真结果如图6㊁表3㊁图7和图8所示㊂可以看出,方案能够有效地识别这6个调制样式㊂当SNR >0dB时,不同采样长度信号的平均识别率都达到了50%以上;当SNR >10dB 时,信号的平均识别率达到了90%以上㊂从表3可以看出,随着采样长度的增加,信号的识别率显著增加,当SNR >12dB 时,信号的调制方式可以高效地被识别出来,识别率逼近100%㊂从图7和图8可以看出,低SNR 情况下,与其他2种调制相比,64QAM 和256QAM 信号的识别率最高,抗噪性能较强㊂通常,MQAM 的高阶调制识别问题是调制识别领域会遇到的经典问题,而本文所用方法能够在低SNR 情况下对该类信号完成较好的识别㊂混淆矩阵右侧的数字代表预测标签的概率,颜色越深代表预测越准确㊂图6㊀不同采样长度下信号正确识别概率Fig.6㊀Correct recognition probability of signals underdifferent sampling lengths表3㊀不同采样长度和SNR 下信号正确识别概率Tab.3㊀Correct recognition probability of signal underdifferent sampling lengths and SNRsSNR /dB -404812161280.2860.3840.5560.8830.9660.9295120.3110.4090.6480.9040.9790.97310240.3110.4190.6720.9170.9850.97920480.3310.4310.5900.9050.9970.993图7㊀SNR =-4dB 时6种信号混淆矩阵Fig.7㊀Six signal confusion matrices when SNR =-4dB图8㊀SNR =4dB 时6种信号混淆矩阵Fig.8㊀Six signal confusion matrices when SNR =4dB3.2㊀基于RNN 的调制信号识别算法仿真针对基于RNN 的卫星信号识别算法,将第一节生成的数据集导入,按照表2设置的参数完成仿真,仿真结果如图9~13所示㊂由图9可以看出,当Epoch 增加时,网络在训练集的准确率逐步上升后趋于稳定,之后处于较高的水平,这意味着对模型的训练十分有效且没有出现过拟合现象㊂由图10可以看出,当Epoch 增加时,模型的损失函数逐渐下降,与准确率恰好相反,这是符合正常规律的㊂图9㊀LSTM 网络准确率曲线Fig.9㊀LSTM network accuracycurve图10㊀LSTM 网络损失函数变化曲线Fig.10㊀Change curve of LSTM network loss function图11㊀RNN 下不同采样率的识别率对比Fig.11㊀Comparison of recognition rates at differentsampling rates underRNN图12㊀SNR =-4dB 时6种信号混淆矩阵Fig.12㊀Six signal confusion matrices when SNR =-4dB图13㊀SNR =4dB 时6种信号混淆矩阵Fig.13㊀Six signal confusion matrices when SNR =4dB由图11可以看出,随着采样率的增加,相同SNR 下本算法的识别率有着较为明显的增长㊂在采样长度等于512,SNR >4dB 时,识别率趋近100%,可以准确识别出6种调制信号㊂由图12和图13可以看出,低SNR 情况下,与其他2种调制相比,在RNN 算法下,仍是MQAM 信号的识别率最高,抗噪性能较强,SNR >0dB 时,所有信号已经基本可以被识别;SNR >4dB 时,信号的识别率接近100%㊂4㊀结束语在无线电监测以及频谱管理领域,通信信号调制样式的准确识别地位显著,出于在复杂电磁环境和恶劣卫星通信环境下提高信号识别性能的目的,本文提出了一种基于高阶累积量的调制识别算法,该算法利用高阶累积量具有良好的抗噪性能的特性,提取二阶㊁四阶㊁六阶及八阶高阶累积量作为信号识别的特征,并通过KNN 算法实现了调制方式的良好分类,这种分类方案在存在载波频偏的情况下是鲁棒的㊂同时,面对KNN 算法低SNR 下识别率较低的情况,本文将RNN 和LSTM 网络用于调制识别算法,实现了低SNR 下的高效识别,同时这一深度学习算法无需人工提取特征,可以快速适应未知信号㊂调制信号识别可以依据信号自身的瞬时幅度和相位等特征达到目的㊂得益于强大的神经网络优势,将信号自身特性与神经网络联系起来进行调制信号识别也将是不错的方法㊂参考文献[1]㊀查雄,彭华,秦鑫,等.基于循环神经网络的卫星幅相信号调制识别与解调算法[J ].电子学报,2019,47(11):2443-2448.[2]㊀LIU S,WANG H Y.Modulation Recognition of Communi-cation Signals Using Optimal Classifier for Neural Net-works Trained by Ant Colony Algorithms [J].Journal of Huazhong University of Science and Technology (Nature Science),2008,36(4):17-19.[3]㊀JIANG X R,CHEN H,ZHAO Y D,et al.Automatic Modu-lation Recognition Based on Mixed-type Features [J].In-ternational Journal of Electronics,2021,108(1):105-114.[4]㊀谢文武,胡胜,欧阳竟成.基于循环累积量和神经网络的调制识别算法[J].计算机应用研究,2020,37(S1):273-274.[5]㊀冯晓东,曾军.基于决策论的数字调制信号识别方法[J].电子科技,2015,28(4):124-127.[6]㊀王明绪,张松泓,张成根.航空信道下基于假设检验的MQAM 信号识别[J].国外电子测量技术,2018,37(7):15-18.[7]㊀张炜,杨虎,张尔扬.基于近似对数似然比的数字调制信号自动识别算法[J ].信号处理,2007,23(1):58-63.[8]㊀徐万松.基于幅度平坦度来识别混合信号的方法[J].无线电工程,2015,45(8):23-25.[9]㊀杨罡,王大伟,黄文龙.基于双曲线特征似然比检验的输电走廊采空区探地雷达目标检测方法[J].南方电网技术,2021,15(5):50-57.[10]鲁相,汪亚顺,陈循,等.基于似然比检验的橡胶密封件加速试验机理一致性判别方法[J].国防科技大学学报,2019,41(2):144-149.[11]张达敏,王旭.对基于决策论的数字信号调制识别方法的改进[J].计算机应用,2009,29(12):3227-3230.[12]RYABKO D.Unsupervised Representation Learning ofStructured Radio Communication Signals[J].IEEE Trans-actions on Information Theory,2020,66(3):1702-1713.[13]徐昭,周昕,白星,等.基于深度学习的混沌加密灰度图像重建方法[J].光学与光电技术,2021,19(3):75-81.[14]LIU Z Y,WANG A Y,LI L.Study of Digital ModulationRecognition in Underground Mine Channel Based onHigher Order Cumulant[J].Fresenius Environmental Bul-letin,2021,30(3):2640-2651.[15]ZHANG X,HU J H.Blind Interference Detection andRecognition for the Multi-carrier Signal[J].The Journalof China Universities of Posts and Telecommunications,2017,24(2):48-56.[16]方成,薛质.基于全双谱和卷积神经网络的信号分类方法[J].计算机应用研究,2018,35(12):3766-3769.[17]王博爱,杨瑞召,李德伟,等.基于循环神经网络的微地震有效信号自动识别[J].断块油气田,2021,28(5):649-654.[18]王宇鹏,马晨牧,樊馨月.基于LSTM的调制干扰信号识别算法研究[J].电脑与信息技术,2021,29(4):48-52.作者简介㊀㊀任㊀进㊀男,(1983 ),毕业于韩国檀国大学通信与微波工程专业,博士,副教授㊂主要研究方向:无线通信系统㊁物联网㊁人工智能和智能信息处理等㊂㊀㊀姬丽彬㊀女,(1999 )㊂主要研究方向:物联网㊁人工智能和智能信息处理㊂㊀㊀党㊀柳㊀女,(2001 )㊂主要研究方向:物联网㊁人工智能和智能信息处理㊂。
