• 小波变换是一种时间—尺度分析方法,具 有多分辨分析的特点,并且在时频域都具 有表征信号局部特征的能力。 • 小波变换主要用于信号特征的提取,然后 结合神经网络或分形作为分类器,实现信 号的调制识别。 特征提取 • 小波变换主要采取两种方法提取信号的特征:一 是采用多分辨分析,对调制信号进行多层小波分 解,提取信号在各个频率段的特征向量;另一种 方法是利用连续小波变换的模极大值(|CWT|),提 取信号的奇异点特征。本文中同时应用了这两种 特征的提取方法,MFSK信号包含多种频率分量, 因此应用多层小波分解提取特征向量;MPSK信 号的信息包含在相位里,由于相位的突变造成了 信号的奇异性,因此利用信号连续小波变换的模 极大值提取特征。 分类识别 N N 2FSK 2 f t 2 f Y 4FSK 数字调制信号识别 N F tF A t1 A Y N 2PSK ap t ap Y 4PSK Y A t2 A N Y 2ASK 4ASK 仿真验证结论 • 在 SNR 5dB 时,识别正确率可达到99%以上, 且当 SNR 时20d,B 识别正确率达到100%。 本算法不但在低信噪比条件下识别正确率 高,而且在进行识别的过程中,用到的特 征参数较少。 • 神经网络分类器具有强大的模式识别能力,能够 自动适应环境变化,较好处理复杂的非线性问题, 而且具有较好的稳健性和潜在的容错性,可获得 较高的识别率。 识别方法分类 • 基于基本时域、频域和功率谱特征的方法 • 基于小波理论的方法 • 基于分形理论的方法 • 基于信号的星座图的方法 • 基于混沌理论的方法 • 基于复杂度理论的方法 • 基于人工神经网络的方法 调制信号识别 内容安排 • 定义及背景 • 识别过程介绍及方法分类 • 一些已提出的方法介绍 背景及定义 • 调制信号识别是信号检测和信号解调之间 的重要步骤,它的目的就是在没有其他先 验知识的情况下,通过对接收信号的处理, 判断出信号的调制方式,并估计出相应的 调制参数。其主要在两方面得到了应用: 一方面是软件无线电系统,保证不同体制 通信系统之间实现互通互联;二是电子战 系统,为截获信息和选择最佳干扰样式提 供依据。 • 多层小波分解提取分类特征 对信号的低频部分做进一步分解,而高频部分则 不予以考虑 。如下是一个3层分解图: 多层分解只对低频空间做进一步的分解,随着分 解层数的增加,频率的分辨率变得越来越高,因 此当信号具有不同的频率成分时,可以通过多层 小波分解提取信号的分类特征。 • 小波分析用于信号奇异性检测 2 ap 1 C an ita 2 NL i 1 C an ita NL i 能将二者很好的分开。 识别流程图 Data in Yes MFSK recognition algotithms No Yes max 5dB f 42 5 No MPSK recognition algotithms s 42 255 优点与不足 • 算法简单,速度快,宜运用于实时性要求 较高的场合。 • 窗口宽度N与抽样频率对移动窗口平均频率 算法的性能有较大的影响,若选择不合适, 会产生一定的分析误差。如何合理选择N和 抽样频率还有待进一步研究。 • 其仿真验证是是在二进制信号上进行,识 别类型少,有很大局限性。 基于短时分析的调制信号识别方法 识别流程 数字调制信号识别 Y N PBW t PBW =2 N PF >2 =1 =2 N PP >5 =3,4,5 Y a t a N 2FSK 4FSK BPSK 8PSK QPSK 16QAM aa t aa N 2ASK Y 4ASK 方法总结 • 仿真结果中得出,在SNR从0~20dB整个范 围内都有很高的识别率,也即本方法对噪 声不敏感。仅当SNR=0dB时,由于瞬时幅 度受噪声影响大,造成对2ASK和4ASK的 识别率降低,但仍达到90%以上。而对其 它调制方式的信号识别率都在97%以上。 、 f 42 对调制信号进行调制 大类识别,在信噪比不低于5dB时,正确识 别率达到96% 。 • 特点:流程简单,运算量小 基于小波变换的数字信号调制识别方法 • 该文介绍了一种基于小波分类特征的数字 调制信号的识别方法,创新之处在于同时 应用了连续小波变换和多层小波分解两种 方法提取信号的特征,并且对于不同调制 信号采用了不同的分类特征。算法实现时 不需要进行码元周期估计以及同步时间估 计,从而使分类器的设计变得简单,判决 准则简化,提高了运算速度和识别率。 E sn4 t E sn2 t 2 其中 sn t 是归一化中心信号,sn t st maxst 该参数可将ASK、QAM和FSK/PSK三者分开。 信号识别 • MFSK识别 MFSK信号的功率谱必有M个谱峰,只要得到其功 率谱在 0,fs 2上的谱峰个数n,就能实现MFSK信 号调制阶数的识别。 f 42 特征提取 • 特征提取部分是从数据中提取信号的时域 特征或变换域特征。时域特征包括信号的 瞬时幅度、瞬时相位或瞬时频率的特征参 数或其它统计参数。变换域特征包括功率 谱、谱相关函数、时频分布及其它统计参 数。 分类识别 • 选择和确定合适的判决规则和分类器结构, 主要采用决策树结构的分类器和神经网络 结构的分类器。 F E f 4 i E f 2 i 2 f i 是信号的瞬时频率 。对FSK信号,F值 较小;对PSK信号,F值较大。 • 瞬时频率平方的均值 2 f 2 f Ns f 2 i Ns i1 该值可以用来区分2FSK信号和4FSK信号。 因为对2FSK信号,它的瞬时频率只有2个 值,而对4FSK信号,其瞬时频率有4个值 , 故4FSK的该特征值比2FSK的要大。 对频率个数敏感,可用于 调制阶数的识别。 • MASK和MQAM识别 经过大类判别后,MASK和MQAM已经被完全分 开,这两种调制模式的时域特征比较明显,即就L 个码元时隙而言,有M种振幅,故采用振幅种类 个数来区别各自的调制阶数。 • MPSK识别 对BPSK和QPSK来说,选择A. K. Nandi和 E. E. Azzouz提出的特征参数 • 该方法用短时分析提取数字调制信号在幅 度、频率和相位随时间变化的特征,并利 用这些特征对各种数字调制信号进行识别。 在加性高斯白噪声条件下给出了相应的最 佳阈值,并通过仿真研究了该识别方法的 性能。 • 仿真结果表明该方法对噪声不敏感,在 SNR为0dB时仍能获得90%以上的正确识别 率。 • 文中提出的识别方法,能够对2ASK、 4ASK、2FSK、4FSK、BPSK、QPSK、 8PSK、16QAM信号有效识别 。 • 归一化中心瞬时频率的四阶矩紧致性 f 42 f 42 E fn4 t E f 2 n t 2 fn t 是归一化中心瞬时频率,f t 为信号 的瞬时频率,该参数反映瞬时频率变化的 特征量,可用来区分FSK和PSK调制信号并 辅助进行MFSK调制阶数M的识别。 • 归一化中心信号的四阶矩紧致性 s 42 s 42 • 但是,文中的算法只适用于在基带数字信 号中。 基于信号时域瞬时统计特性的一种 通用识别方法 • 基本思想:在AWGN信道下,通过分析信 号时域特征和频域功率谱特征,并结合前 人的研究成果,给出一组性能稳健的、具 有高识别率的特征参数。利用这些参数先 进行调制信号四种基本调制类型的分类, 再利用具体算法进行调制阶数的识别。 基于窗口平均频率算法的调制信号识别 系统组成: 信号截取与采样 是 判断是否为噪声 否 计算时频分布 特征识别 时频分布滤波 算法思想: • 用一个宽度为N的矩形窗去截取采集到的已 离散化处理的信号x(n),得到N点数据,对 这N点数据进行离散傅里叶变换(DFT)得到 这N点数据的频谱。 • 计算窗口内平均频率。 • 获得时频分布曲线。 • 滤除算法产生的交叉干扰。 • 调制方式是区别不同性质通信信号的一个 重要特征。对于接收信号,要想正确解调, 分析接收信号或者进行干扰,必须能够正 确识别信号的调制方式,然后采取相应的 解调方法或干扰方法。 识别过程 • 调制识别问题实质上是一种典型的模式识 别问题 调制信号 信号 预处理 特征 提取 分类 识别 调制信号 信号 预处理 特征提取 • 归一化瞬时幅度功率谱密度最大值 max max max = FFT a cn i 2 N 其中N为样点数,acn i 为中心归一化瞬时幅 a i 度 , 。 acn E a i 1 该特征参数能够充分反映调制信号的幅度 变化,可以用该参数来区分开ASK/QAM和 FSK/PSK调制信号。判决门限: max 5dB , 可区分ASK/QAM和FSK/PSK调制信号。 两种分类器 • 决策树分类器采用多级分类结构,每级结构根据 一个或多个特征参数分辨出某类调制类型,再下 一级结构又根据一个或多个特征参数,再分辨出 某类调制类型,最终能对多种类型进行识别。这 种分类器结构相对简单,实时性好,但需要事先 确定判决门限,自适应性差,适合分类特征参数 区分很好的信号识别。 特征 提取 分类 识别 • 信号预处理部分的主要功能是为后续处理 提供合适的数据;特征提取部分是从输入 的信号序列中提取对调制识别有用的信息; 分类识别部分的主要功能是判断信号调制 类型的从属关系。 信号预处理 • 频率下变频 、载频估计、同相正交分量分 解等。 • 在多发射源环境中,隔离各个信号,保证 一次只有一个信号进入后续的调制识别环 节。 • 该方法有很高的识别率和抗干扰能力,有 较好的工程应用价值。 基于决策理论的方法 • 文献针对2ASK、2FSK、2PSK、4ASK、 4FSK、4PSK 6种数字调制信号,提取了4 个基于瞬时幅度、瞬时频率、瞬时相位统 计特性的参数 ,采用决策树判别方法对其 进行分类识别。 特征参数 • 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 ap :主要用于区分二、四 进制的PSK信号(2PSK与4PSK)。 特征提取 •Βιβλιοθήκη Baidu谱宽因子 PBW :用来来区分ASK信号和FSK, PSK及QAM信号。 • 短时频谱峰数 NPF :可以区分2FSK信号、 4FSK和PSK及16QAM信号,对2FSK为2, 对4FSK为4,而对PSK和16QAM信号为1。 • 短时相位峰数 NPP :反映了信号中的相位数。 可区分BPSK、QPSK、8PSK和16QAM信 号。在0 ~ 2π间,BPSK信号有2个峰, QPSK和16QAM有4个峰,而8PSK有8个峰。 • 该算法通过移动窗口来截取信号,并计算 窗口内信号平均频率来获得信号的时频分 布,具有算法简单、运算速度快的特点 。 • ASK、FSK、PSK等数字调制信号均为非平 稳的随机信号,在时频分布上存在着差异, 若采用移动窗口平均频率算法对数字调制 信号进行时频分析,再根据信号时频分布 的差异识别调制信号类型一方面可以显著 提高系统的实时性;另一方面,由于对时 频分布曲线进行了滤波处理,能够提高信 号识别的抗干扰性能和识别精度。 Yes MASK recognition algotithms No MQAM recognition algotithms 2FSK 4FSK 8FSK BPSK QPSK 8PSK 2ASK 4ASK 8ASK 4QAM 16QAM 验证结论 • 文中提出的识别方案,利用提出的新参数 s 42 和已知参数 max • 零中心归一化非弱信号段的标准偏差 2 a 1 C an iat ac2n 1 i C an iat acn i 可区分PSK和QAM信号 ,设定适当门限加 以识别。 • 零中心归一化瞬时幅度绝对值的标准偏差 aa 1 N N i1 a2 cn i 1 N N i 1 acn i 2 用来区分2ASK信号和4ASK信号 ,对2ASK, 该值为0;对4ASK,该值不为0。 • 基于信号瞬时幅度的统计参数 A A Ns a i 1 N i1 Ns 为取样点数,ai 为瞬时幅度 。 参数A主要用来区分是MASK信号还是 MFSK或MPSK信号。对MASK信号,A不 为0;对MFSK,A为0;对MPSK,A接近0。 参数A还可以用来进一步区分是2ASK信号 还是4ASK信号。 • 基于瞬时频率的统计参数 F 信号的突变点意味着信号的不连续性,可 能是调幅信号的幅度突变引起的,也可能 是调相信号的相位突变引起的,因此信号 中的奇异点及不规则的突变部分通常携带 重要的信息。