卫星电视监测中调制方式的自动识别技术研究

一种适用于数字卫星电视系统的调制技术1刘伶俐西安电子科技大学，西安（710071）E-mail：xdpan1982@摘要：数字卫星电视系统的信道是典型的带限和非线性信道。

由于PSK调制体制具有包络恒定和较高的功率效率，所以得到了广泛的应用。

SOQPSK（Shaped Offset Quadrature Phase-Shift Keying）是近年来在数字卫星电视领域快速兴起的一种新的调制方法。

文中分析评介了这种体制的发展历史、技术原理、体制性能。

最后介绍了一种改进的SOQPSK，并对其功率谱密度（PSD）进行了仿真。

结果表明这种改进的SOQPSK调制非常适用于数字卫星电视的信道。

关键词：数字卫星电视；SOQPSK；改进后的SOQPSK；功率谱密度1 引言数字卫星电视广播系统以其先进性和广阔的市场前景，备受世人瞩目。

中国的数字卫星广播市场正在逐渐开放，卫星信号直接到用户家庭（DTH）的接收方式正越来越受到人们的欢迎。

在这种条件下，数字卫星广播（DVB-S）的研制有重要意义[1]。

数字卫星电视信号在传输过程中,经过数字编码后得到的数字信号,一般不宜直接传输,因为这样的数字信号经信道传输时,受信道特性的影响,会使信号产生畸变,同时由于信道中噪声的存在,也会造成信号的随机畸变,因而需进行数字调制。

所谓调制是指用基带信号对载波波形的某些参量进行控制,使载波的这些参量随基带信号的变化而变化,将基带信号转变为适合卫星信道传输的信号形式,也是抵抗信道干扰的重要途径。

卫星信道的特点是可用频带宽、功率受限、多径时延和频率选择性衰落比较大，所以要求采用可靠性高的信号调制方式和具有强的信号纠错能力，对带宽要求不是特别高。

因此在数字卫星视频广播系统中，四相相移键控调制（QPSK）技术得到广泛的使用。

在未来的空间通信系统和卫星通信系统中, 数据传输率都将超过1 Gbps, 这样的系统将使带宽和功率同时受限, 因此研究具有高功率效率和高频谱效率的调制技术仍然是目前的研究热点[2]。

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。

分析卫星通信常用调制方式的自动识别摘要：近年来，我国在卫星通信技术领域取得了长足的进步，其水平在国际上已处于领先地位。

因此，为进一步加强卫星通信的自动识别体系，本文将简要介绍卫星通信常用调制方式的自动识别流程及其频率特征与分类特征参数，并探讨特征参数的选取以及相应的识别与操作流程，从而推动卫星通信技术的进一步发展。

关键词：卫星通信；常用调制方式；自动识别最近几年，我国在卫星通信技术领域投入了更多的研发资源，卫星通信的调制方式正向更多多样性方式的过渡。

虽然通常会根据信号的时域和频谱特性来选择卫星通信的调制方式，但传统方法存在一定的限制，可能对卫星传输系统的正常运行和用户体验产生不利影响。

为了克服这些限制，需要探索更先进的调制方式以满足不断变化的通信需求。

1、卫星通信常用调制方式现状近年来，尽管我国在卫星通信技术的研发上取得了重大突破，但卫星通信领域在调制方式上仍面临着一些挑战。

其中包括在特征参数抽取过程中缺乏有效的筛选机制、单一算法无法满足多样化卫星通信特征参数的抽取需求，以及传统算法识别技术的局限性等问题。

在卫星通信系统中，特征参数提取的重要性不言而喻。

这些特征参数扮演着确保卫星通信系统正常运行的关键角色，因为它们直接影响到信号的质量、数据传输的效率以及通信的可靠性。

然而，特征参数提取过程中存在一系列挑战，需要克服。

首先，参数的筛选和提取往往面临复杂性和困难。

卫星通信系统需要满足多样化的通信需求，因此，选择适当的参数以满足特定要求可能变得相当具有挑战性。

这要求深入的分析和细致的选择，以确保所提取的参数符合实际需求。

其次，获取足够的先前信息以支持特征参数的准确性也可能是一个复杂的任务。

卫星通信系统的性能和调制特性受多种因素影响，而缺乏足够的先前信息可能限制了参数提取的精确性。

最后，在面对多样化的卫星通信类型时，采用单一算法进行特征参数提取的适用性可能受到限制，这可能导致卫星通信系统的调制失败。

然而，随着算法技术的不断进步，为卫星通信系统性能和可靠性提供了希望。

基于谱线特征的调制方式自动识别方法赵岚【摘要】研究了基于谱线特征的通信信号调制方式自动识别方法,从信号的功率谱、二次方谱、四次方谱及包络平方谱中,提取出一组鲁棒性强的特征参数。

在不需要先验知识的情况下,对卫星通信中常用的调制信号进行了自动识别。

仿真结果表明,在信噪比大于5 dB时,总体识别率能达到97%以上,方案具有很强的实用性。

%Itis concerned with automatic modulation recognition of communication signal based on the spectrum feature. A set of robust feature parameters are extracted from signal power spectrum, square spectrum, quartic spectrum and the square spectrum of signal＇ s envelop. The proposed scheme can rec- ognize many common used modulated signals in the satellite communication without any prior knowledge. Simulation results show that the scheme can achieve more than 97% recognition accuracy when SNR is above 5 dB. This method is practical.【期刊名称】《中国电子科学研究院学报》【年(卷),期】2012(007)002【总页数】5页(P182-185,190)【关键词】调制识别;谱特征;卫星通信;特征提取【作者】赵岚【作者单位】通信信息控制和安全技术重点实验室,浙江嘉兴314033 中国电子科技集团公司第36研究所,浙江嘉兴314033【正文语种】中文【中图分类】TN911.30 引言调制识别，是指在接收方未知信号调制方式的前提下，通过己接收到的信号，判断出信号的调制方式。

卫星通信中的自适应调制与编码技术研究作者：鲁辰龙来源：《无线互联科技》2023年第20期摘要：卫星通信是一种重要的通信方式，广泛应用于远距离通信和广播领域。

然而，由于卫星通信存在的信道特性不稳定和多样化，传统的调制与编码技术往往无法满足实际需求。

因此，自适应调制与编码技术在卫星通信中得到了广泛关注和研究。

文章首先提出了卫星通信存在的问题和挑战，并探讨了自适应调制与编码技术在解决问题方面的潜力；其次，介绍了自适应调制与编码技术的关键技术和算法，并通过实际应用案例分析了其在卫星通信中的应用；最后，对自适应调制与编码技术在卫星通信中的性能进行了评估和比较，旨在为卫星通信中的自适应调制与编码技术提供理论和实践基础。

关键词：卫星通信；自适应调制；自适应编码；调制技术；编码技术中图分类号：TN927 文獻标志码：A0引言在卫星通信中，自适应调制与编码技术是一种重要的技术手段。

随着卫星通信的快速发展，人们对于高速、高效、可靠的通信需求也越来越迫切。

传统的调制与编码技术在满足这些需求方面存在一定的局限性。

因此，自适应调制与编码技术应运而生。

自适应调制与编码技术能够根据信道条件的变化，动态地调整调制方式和编码方式，以提高通信系统的性能和可靠性。

1卫星通信中的自适应调制与编码技术概述自适应调制技术是指根据信道条件的变化，动态地选择合适的调制方式来传输数据。

其基本原理是根据信道的质量和容量需求，选择合适的调制方式，以提高信号的传输效率和可靠性。

自适应调制技术的特点包括：（1）灵活性。

能够根据信道条件的变化进行调制方式的选择，适应不同的信道环境。

（2）高效性。

能够根据信道的质量和容量需求，选择最适合的调制方式，提高信号的传输效率。

（3）自适应性。

能够根据实时的信道状态信息进行调制方式的调整，以适应信道条件的变化［1］。

这些技术的应用使得卫星通信系统能够更好地适应不同的信道环境，提高通信质量和效率。

目前，自适应调制与编码技术已经在卫星通信系统中得到了广泛的应用，并取得了显著的效果。

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。

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。