一种联合特征参数的信号调制识别算法

混合调制信号调制识别方法随着科技的不断发展，通信领域的应用也越来越广泛，不同类型的信号及其调制方式层出不穷。

为了更好地获得信号中的有用信息，需要对信号进行识别和解调。

本文将介绍一种混合调制信号调制识别方法。

第一段：混合调制信号的特点混合调制信号是由两种或多种基本调制方式组合而成的复合信号。

例如，QAM调制与PSK调制组合成的QPSK信号就是一种混合调制信号。

混合调制信号具有复杂的频谱特性和变化多样的调制方式，因此难以通过传统的调制识别方法来获取信号内部的信息。

第二段：频谱分析方法的局限性传统的频谱分析方法可以有效地获取信号的频谱信息，但是对于混合调制信号，频谱分析方法存在一定的局限性。

因为混合调制信号的频谱涉及到多个调制方式，传统的频谱分析方法无法提供准确的结果。

第三段：时频域分析方法的优势时频域分析方法是一种有效的混合调制信号识别方法。

它可以分析信号的时域和频域特性，对信号内部结构进行深入研究，获得信号的更多信息。

时频域分析方法包括短时傅里叶变换、小波变换、Wigner-Ville分布等。

第四段：短时傅里叶变换的应用短时傅里叶变换是一种在时间上和频率上具有局部性的傅里叶变换方法。

它可以将信号的时域和频域特性融合在一起进行分析，适用于多种调制方式的识别。

在混合调制信号的识别中，短时傅里叶变换可以准确地分析信号的时频特性，从而得到信号的调制方式。

第五段：小结时频域分析方法是一种有效的混合调制信号识别方法，可以克服传统频谱分析方法的局限性。

在实际应用中，我们可以根据信号的特性选择合适的时频域分析方法进行分析，进一步提高信号识别的准确度和速度。

卫星单-混信号识别研究彭闯; 杨晓静; 蔡晓霞【期刊名称】《《火力与指挥控制》》【年(卷),期】2019(044)008【总页数】6页(P29-33,40)【关键词】卫星通信; 成对载波多址; 累积量; 瞬时特征统计量; 调制识别【作者】彭闯; 杨晓静; 蔡晓霞【作者单位】国防科技大学电子对抗学院合肥 230037【正文语种】中文【中图分类】TP9110 引言成对载波多址（PCMA）复用技术，1998 年由ViaSat 公司的Mark Dankberg 提出［1］，是一种能够有效提高卫星通信容量的新技术。

该技术允许通信双方在同一频点发送两路相同调制方式的信号，而后通信双方均接收到相同的混叠后的信号，提高了频带利用率，节省了带宽资源，在卫星通信领域有广阔的应用前景［2］。

在协作通信时，由于双方都已知本身的发送序列，并使用自身序列与混合序列相抵消，即可以得到另一方所发送的信息序列。

而在非协作通信时，作为第三方接收到混叠后的信号，如何快速对PCMA 信号进行识别、参数估计，以及信号盲分离等成为电子侦察领域研究的关键性问题。

而对PCMA 信号调制样式的识别是对其进行后续处理的重要基础［3］。

PCMA 信号的出现对原有的卫星信号调制识别算法提出了新的要求，它要能够区分常规信号和PCMA 混叠信号，并对调制类型准确识别。

由于混叠信号的两个子信号分量来自其相应的地面基站，所以两个信号分量的波形、传输时延、载波频率偏移、载波相位偏移都不尽相同，这些原因造成了PCMA 信号在其各种统计量的表现上与单载波信号有本质差距。

这也造成了大量的单载波模式识别算法无法运用到PCMA 信号调制样式识别领域。

当前，对PCMA 信号的调制样式识别见诸报道的不多，主要是基于高阶累积量特征、基于谱线特征及基于联合特征参数等来完成调制模式识别。

文献［4-7］利用累积量和谱特征等特征参数，完成了对PCMA 混叠信号中相位调制信号的识别，但识别调制样式种类少，限制了其应用范围。

数字通信信号调制方式识别与参数估计数字通信信号调制方式识别与参数估计1. 背景介绍在数字通信中，信号调制方式的识别和参数估计是至关重要的环节。

通过识别和估计调制方式和参数，可以有效地解调信号，从而实现可靠的数据传输和通信。

本文将深入探讨数字通信信号调制方式的识别与参数估计，并提供相关的个人观点和理解。

2. 信号调制方式的分类和特点数字通信中常见的信号调制方式包括调幅调制（AM）、调频调制（FM）、调相调制（PM）、正交振幅调制（QAM）等。

每种调制方式都有其独特的特点和应用场景。

在进行信号调制方式识别时，需要结合信号的频谱特征、相位特征、幅度特征等进行综合分析，以确定信号所采用的调制方式。

3. 信号调制方式的识别方法为了准确识别信号的调制方式，可以采用自相关函数、功率谱密度、频谱特性等方法进行分析。

其中，自相关函数可以用于判断信号的周期性特征，进而推断出可能的调制方式；功率谱密度则可以反映信号的频谱特性，帮助确定信号所采用的调制方式。

还可以结合机器学习算法，如支持向量机（SVM）、深度学习等方法，提高对信号调制方式的准确识别率。

4. 参数估计的重要性及方法对于已识别出调制方式的信号，还需要进行参数估计，包括载波频率、信号相位、调制指数等参数的估计。

参数估计的准确性直接影响到信号的解调效果和通信性能。

常用的参数估计方法有最大似然估计法、最小均方误差估计法等，通过对信号进行模型拟合和参数优化，得到准确的参数估计结果。

5. 个人观点和理解在进行数字通信信号调制方式识别与参数估计时，我认为除了理论知识的掌握外，还需要结合实际场景进行分析和应用。

对于复杂多变的通信环境，传统的识别与估计方法可能存在局限性，因此需要不断探索创新的方法和技术，以提高对信号调制方式的准确识别和参数估计能力。

总结通过对数字通信信号调制方式识别与参数估计的探讨，我们深入了解了其在数字通信中的重要性和方法。

在实际应用中，需要根据具体情况选择合适的识别与估计方法，不断优化和改进算法，以实现更可靠、高效的数字通信系统。

数字通信信号调制方式识别与参数估计摘要：一、引言二、数字通信信号调制方式识别的重要性三、数字通信信号调制方式识别的方法四、数字通信信号调制参数估计的方法五、数字通信信号调制方式识别与参数估计的应用领域六、未来研究方向与展望正文：随着通信技术的飞速发展，数字通信信号的调制方式越来越多样化和复杂化，如何准确地识别数字通信信号的调制方式以及估计其调制参数，已经成为通信领域中一个重要的研究课题。

本文将介绍数字通信信号调制方式识别与参数估计的重要性、方法及其应用领域，并展望未来的研究方向。

一、引言数字通信信号的调制方式是指在数字通信系统中，将数字信号转换成模拟信号的过程。

调制方式的选择直接影响到通信系统的性能和可靠性。

因此，对于未知调制信息的内容的前提下，识别出通信信号的调制方式并估计其调制参数，具有重要的实际意义。

二、数字通信信号调制方式识别的重要性数字通信信号调制方式识别的重要性体现在以下几个方面：1.提高通信系统的性能：准确的调制方式识别有助于优化通信系统的参数设置，从而提高通信质量和可靠性。

2.提高信号处理效率：在接收端，准确的调制方式识别有助于实现快速有效的信号解调，降低误码率，提高信号处理效率。

3.有助于信号分析与监测：对于非合作通信系统，准确的调制方式识别有助于截获、分析和监测通信信号，提高通信安全性能。

三、数字通信信号调制方式识别的方法数字通信信号调制方式识别的方法主要包括以下几种：1.基于特征参数的方法：通过分析信号的时域、频域等特征参数，实现调制方式的识别。

2.基于统计学习的方法：通过训练已知的调制方式样本，建立调制方式分类器，实现对新信号的调制方式识别。

3.基于深度学习的方法：利用深度神经网络对信号特征进行学习与提取，实现调制方式的识别。

四、数字通信信号调制参数估计的方法数字通信信号调制参数估计的方法主要包括以下几种：1.基于最小均方误差的方法：通过最小化信号与估计参数之间的均方误差，实现调制参数的估计。

国家无线电监测中心 国家无线电频谱管理中心数字信号调制参数测量与调制类型识别方法国家无线电监测中心 国家无线电频谱管理中心II 目录1.范围 ...................................................................... 1 2.术语、定义和缩略语 (1)2.1术语和定义 ........................................................... 1 2.2缩略语 ............................................................... 1 3.调制参数及调制类型范围 .. (1)3.1数字信号调制参数范围 ................................................. 1 3.2数字信号调制类型范围 ................................................. 2 4.信号采集和预处理 .. (3)4.1信号采集 (4)4.2信号预处理 (4)5.信号参数测量方法 (5)5.1波特率估计方法 ....................................................... 5 5.2载波频率估计方法 ..................................................... 8 5.3频率间隔估计方法 ..................................................... 9 6.信号调制类型识别方法 (10)6.1类间识别 ............................................................ 10 6.2单载波线性调制数字信号类内识别方法 .................................. 11 6.3单载波FSK 信号类内识别方法 .......................................... 13 6.4多载波信号调制类型识别方法 .......................................... 14 附录 A (15)国家无线电监测中心 国家无线电频谱管理中心1数字信号调制参数测量与调制类型识别方法1.范围本规范规定了典型数字信号调制参数测量及调制类型识别的原理性方法，同时规定了信号采集、预处理等辅助环节的处理准则和方法。

第４６卷　第４期２０２４年４月系统工程与电子技术ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓＶｏｌ．４６　Ｎｏ．４Ａｐｒｉｌ２０２４文章编号：１００１ ５０６Ｘ（２０２４）０４ １４５６ １０　网址：ｗｗｗ．ｓｙｓ ｅｌｅ．ｃｏｍ收稿日期：２０２２１２１３；修回日期：２０２３０６２５；网络优先出版日期：２０２３０８１０。

网络优先出版地址：ｈｔｔｐｓ：∥ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２４２２．ＴＮ．２０２３０８１０．１１１２．００２．ｈｔｍｌ基金项目：国家自然科学基金（６１６７１０９５，６１７０２０６５，６１７０１０６７，６１７７１０８５）；信号与信息处理重庆市市级重点实验室建设项目（ＣＳＴＣ２００９ＣＡ２００３）；重庆市自然基金（ｃｓｔｃ２０２１ｊｃｙｊｍｓｘｍＸ０８３６）；重庆市教育委员会科研项目（ＫＪ１６００４２７，ＫＪ１６００４２９）资助课题 通讯作者．引用格式：邹涵，张天骐，马 然，等．基于多特征融合的ＭＩＭＯ ＯＦＤＭ系统单混信号调制识别算法［Ｊ］．系统工程与电子技术，２０２４，４６（４）：１４５６ １４６５．犚犲犳犲狉犲狀犮犲犳狅狉犿犪狋：ＺＯＵＨ，ＺＨＡＮＧＴＱ，ＭＡＫＲ，ｅｔａｌ．Ｓｉｎｇｌｅ ｍｉｘｅｄｓｉｇｎａｌｍｏｄｕｌａｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒＭＩＭＯ ＯＦＤＭｓｙｓｔｅｍｂａｓｅｄｏｎｍｕｌｔｉ ｆｅａｔｕｒｅｆｕｓｉｏｎ［Ｊ］．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０２４，４６（４）：１４５６ １４６５．基于多特征融合的犕犐犕犗 犗犉犇犕系统单混信号调制识别算法邹　涵 ，张天骐，马 然，杨宗方（重庆邮电大学通信与信息工程学院，重庆４０００６５） 摘　要：为解决非协作通信中多输入多输出正交频分复用（ｍｕｌｔｉｐｌｅ ｉｎｐｕｔｍｕｌｔｉｐｌｅ ｏｕｔｐｕｔｏｒｔｈｏｇｏｎａｌｆｒｅ ｑｕｅｎｃｙｄｉｖｉｓｉｏｎｍｕｌｔｉｐｌｅｘｉｎｇ，ＭＩＭＯＯＦＤＭ）系统的单混信号调制识别问题，提出一种基于多特征融合和决策融合的调制识别方法。

通信信号调制识别综述通信信号调制技术是现代通信技术中的核心技术之一。

它是指将信息源送入到电磁波载体中并传输的过程。

通信信号调制识别是指在接收到的信号中识别出所采用的调制类型。

对于通信系统来说，信号调制识别技术的性能直接关系到系统的性能表现和数据的传输质量，因此，准确、快速地掌握信号调制类型具有重要的研究意义。

随着技术的不断发展，通信信号调制类型也越来越多。

为了更好地实现信号的调制识别，研究人员们提出了各种不同的方法。

下面将介绍几种常见的方法。

1. 基于特征提取的方法这种方法是通过提取信号的特征来识别调制类型。

以常见的QPSK调制为例，QPSK调制的特征就是两个正交的载波的相位差。

识别器通过计算相位差的正弦值和余弦值来识别信号的相位差，从而判断信号的调制类型。

这种方法具有计算简单和识别速度快的优点，但是它对于抗干扰能力较强的调制类型，如M-ary QAM调制，在特征提取上比较困难。

2. 基于分类器的方法这种方法是构建一个分类器，通过训练将不同调制类型的信号分成不同的类别，进而判断接收信号所属的类别。

常见的分类器有机器学习算法、人工神经网络、支持向量机等。

与基于特征提取的方法相比，基于分类器的方法能够处理更加复杂的信号调制类型，但是分类器的性能会受到训练数据集的影响。

3. 基于深度学习的方法这种方法是利用深度学习技术中的卷积神经网络、循环神经网络等算法从原始信号中自动学习特征，并将其映射到调制类型。

在香农定理和数据驱动技术的帮助下，深度学习方法明显优于传统算法，在实际应用中具有越来越广泛的代表性。

总之，在通信系统中，信号调制识别技术的实际应用极其重要。

虽然基于特征提取的方法、基于分类器的方法和基于深度学习的方法都有各自的优缺点，但是它们的本质都是利用数学方法来解决实际问题。

未来，许多新型调制技术将继续涌现，我们必须不断地研究和开发新的信号调制识别技术，以适应未来通信系统的需求。

基于中频信号特征参数的卫星通信调制样式识别解辉;陈冠一;董庆军;卫晓奇【摘要】卫星通信调制样式识别与参数估计是空间信息对抗的重要内容之一,在获取制太空权、制信息权方面发挥着至关重要的作用.针对卫星通信中常用通信信号的调制识别,在现有谱分析方法的基础上,提出3种特征参量,丰富识别的信号样式,完善了自动识别流程.该方法不需要精确的载频和码速率等先验信息,同时能够利用信号特征参数自动完成识别.仿真实验验证了所提算法的有效性,并对算法性能进行了分析.仿真结果表明,在SNR为5 dB时所有信号的正确识别率均达到96％以上.【期刊名称】《现代电子技术》【年(卷),期】2019(042)011【总页数】4页(P11-14)【关键词】通信对抗;调制识别;参数估计;循环谱;包络谱;功率谱;自动识别【作者】解辉;陈冠一;董庆军;卫晓奇【作者单位】陆军工程大学石家庄校区电子与光学工程系,河北石家庄 050003;陆军工程大学石家庄校区电子与光学工程系,河北石家庄 050003;中国人民解放军32152部队,河北石家庄 050003;中国人民解放军66058部队,天津 301700【正文语种】中文【中图分类】TN911.22-340 引言卫星通信信号调制样式识别与参数估计是空间信息对抗的重要内容[1]，利用识别的调制样式和估计的调制参数能够引导解调器正确进行信号解调，从而能够进一步获取敌方通信信息，同时还能够引导干扰设备发射调制样式、信号参数与敌方通信信号完全匹配的干扰信号，对敌方通信链路进行干扰，与普通压制式干扰信号相比，这种干扰信号更容易进入敌方通信接收机，发射功率小、干扰效率更高。

因此，对卫星通信信号调制样式识别进行研究，在未来高技术条件下的空间信息对抗中，对获取制太空权、制信息权方面具有十分重要的意义和作用[1]。

目前，卫星通信调制识别的主要方法有基于判决理论[2-4]和统计模式[5-15]的识别方法。

其中，判决理论主要依据概率论和假设检验中的似然比[3]和贝叶斯[4]判决理论进行识别，其关键是依据信号统计特性，选取最小代价函数得到检验统计量，并与判决门限进行比较实现调制方式的分类识别。

数字通信信号调制方式识别与参数估计（原创版）目录一、引言二、数字通信信号调制方式识别的背景和意义三、数字通信信号调制方式识别的方法1.基于功率谱离散余弦变换的信号调制类型识别与参数估值方法2.人工神经网络应用于通信信号数字调制方式自动识别的研究与实现3.多载波信号自动调制识别与参数估计4.数字通信信号识别研究与参数提取5.一种数字信号调制方式自动识别算法分析四、数字通信信号调制方式识别的发展趋势五、结论正文一、引言数字通信信号调制方式识别与参数估计是通信领域中的一个重要研究课题。

在非合作通信环境中，如电磁频谱监测、信号侦察和电子对抗等，通常需要对接收信号进行盲分析，识别调制方式、估计解调参数，为解调和信息还原提供支持。

随着通信技术的飞速发展，通信信号的体制和调制样式变得更加复杂多样，信号环境日趋密集，这也使得通信信号的调制识别变得更加困难。

因此，研究数字通信信号调制方式识别与参数估计具有重要的理论意义和实际应用价值。

二、数字通信信号调制方式识别的背景和意义数字通信信号调制方式识别是指在未知调制信息内容的前提下，判断出通信信号的调制方式，并估计出相应的调制参数。

随着通信技术的发展，数字通信信号调制方式识别在民用领域和军事领域得到了广泛应用，例如信号侦听、信号监测、软件无线电以及卫星通信等。

数字通信信号调制方式识别对于提高通信系统的安全性、可靠性和有效性具有重要意义。

三、数字通信信号调制方式识别的方法目前，数字通信信号调制方式识别的方法主要有以下几种：1.基于功率谱离散余弦变换的信号调制类型识别与参数估值方法：该方法可以降低噪声对信号调制类型识别准确率和估值准确率的影响。

2.人工神经网络应用于通信信号数字调制方式自动识别的研究与实现：该方法通过分析各种基本数字调制信号的瞬时幅度、瞬时频率、瞬时相位特性，提出了 5 个特征参数，形成了比较完备的能够区别 2ask、4as 等调制方式的特征参数集。

3.多载波信号自动调制识别与参数估计：正交频分复用（OFDM）等多载波调制技术凭借频带利用率高、抗多径衰落能力强以及实现简单等优点被广泛应用于宽带高速通信系统中。

一种DVB-S2帧同步算法的设计与实现韩星，杨伟（中国电子科技集团公司第五十四研究所，河北石家庄050081）摘要：针对低信噪比场景下DVB-S2信号的帧同步及接收解调难题，提出了一种适用于VCM/ACM的工作模式——基于帧信息的低信噪比帧同步算法。

该帧同步算法融合了DVB-S2帧内SOF段、PLSC段以及导频段的符号特性，在不同信噪比环境下的误帧率均低于对照算法。

利用帧信息优化峰值搜索算法的性能，克服了基于阈值的峰值检测算法对信道衰落极为敏感的缺点，同时突破了窗函数法仅适用于CCM工作模式的弊端，并在FPGA内完整实现了对DVB-S2信号从中频输入到FEC帧输出的处理过程。

关键词:DVB-S2；VCM/ACM模式；帧同步算法中图分类号：TN911文献标志码：A文章编号:1008-1739(2021)07-60-5Design and Implementation of Frame Synchronization Algorithm forDVB-S2HAN Xing,YANG Wei(The54th Research Institute of CETC,Shijiazhuang050081,China)Abstract：The problems of f rame synchronization and receiving demodulation ofDVB-S2in low SNR condition are analyzed.In view ofthese problems,a frame synchronization algorithm in low SNR condition based on frame information is proposed,which is suitable for VCM/ACM operating mode.The frame synchronization algorithm combines SOF segment,PLSC segment and pilot segment,and its error rate in different SNR conditions is lower than that of other ing frame information to optimize the performance of peak search algorithm,it overcomes the shortcomings of the peak detection threshold algorithm which is sensitive to channel fading,and breaks through the disadvantage that window function method is only suitable for CCM mode.The signal processing from IF signal input to FEC frame output is implemented in FPGA.Keywords：DVB-S2;VCM/ACM mode;frame synchronization algorithm0引言DVB-S2作为第2代卫星数字视频广播标准，除了被广泛应用于广播服务、交互应用以及卫星新闻采集等民用领域，也被军用卫星通信系统广泛采纳，作为其下行协议和广播通信标准⑴。

标题：深度剖析数字通信信号调制方式识别与参数估计摘要:在数字通信领域，信号调制作为一种关键技术，其识别与参数估计对于信息传输的质量至关重要。

本文将深度剖析数字通信信号调制方式识别与参数估计的相关概念、技术和应用，帮助读者全面理解该主题，并为实际应用提供有价值的参考。

正文:1.概述随着信息技术和通信技术的飞速发展，数字通信已经成为现代通信系统的重要组成部分。

在数字通信系统中，信号调制是将数字信息转换成模拟信号或者数字信号，以便在传输过程中能够适应信道的特性。

对数字通信信号调制方式的识别与参数估计具有重要意义。

2.数字通信信号调制方式概述在数字通信中，常见的信号调制方式包括调幅调制（AM）、调频调制（FM）、调相调制（PM）、正交振幅调制（QAM）等。

每种调制方式都有其特定的优点和适用范围，因此对不同调制方式的识别和参数估计是十分必要的。

3.数字通信信号调制方式识别方法为了准确识别数字通信信号的调制方式，现代通信系统中引入了许多智能算法和技术。

其中，常用的方法包括基于统计特性的识别方法、基于神经网络的识别方法、基于模糊逻辑的识别方法等。

这些方法都能够在一定程度上提高信号调制方式的识别准确度。

4.数字通信信号调制方式参数估计除了识别信号调制方式外，对信号调制的参数进行准确估计同样至关重要。

参数估计的目标是确定信号的频率、相位、幅度等关键参数，以便在解调和信号处理过程中能够重构原始信息。

常用的参数估计方法包括最大似然估计、最小均方误差估计等。

5.实际应用与挑战数字通信信号调制方式识别与参数估计是数字通信系统中的重要环节，其准确性和效率直接关系到信息传输的质量和稳定性。

在实际应用中，一些挑战包括复杂噪声环境下识别的困难、多信号混叠导致参数估计的复杂性等。

6.结论与展望通过对数字通信信号调制方式识别与参数估计的深度剖析，我们可以深入理解其在数字通信系统中的重要性和应用。

未来，随着人工智能和大数据技术的不断发展，相信会有更多高效、智能的识别与估计方法应运而生，为数字通信技术的发展带来新的突破和进步。

常用数字调制信号识别的一种新方法吴月娴1,葛临东1,许志勇2(1.信息工程大学信息工程学院,河南郑州450002;2.西南电子电信技术研究所,四川成都610041) 摘　要:　通过分析数字调制信号及其非线性变换的功率谱,提出了两个新的调制特征参数,改进了两个相关特征的描述,设计了一种采用神经网络集成结构分类器的识别方案,实现了AWG N 信道下常用数字调制信号的自动识别.仿真表明,谱形状特征参数具有很好的抗噪声能力,离散谱线特征参数对信号调制参数更加稳健性,神经网络集成分类器的识别性能显著优于单个网络分类器,SNR >5dB 时该识别方法的总体识别率在94%以上.关键词:　调制识别;谱特征;融合;神经网络集成中图分类号:　T N911 文献标识码:　A 文章编号:　037222112(2007)0420782204A Novel Identification Method for Commonly Used Digital ModulationsW U Y ue 2xian 1,GE Lin 2dong 1,X U Zhi 2y ong 2(1.Institute o f Information Engineering ,Information Engineering University ,Zhengzhou ,H enan 450002,China ; 2.Research Institute o f Electronic and Telecommunication Technology o f Southwest China ,Chengdu ,Sichuan 610041,China )Abstract :　With the spectra of digital modulated signal and its non 2linear transform being analyzed ,two new modulation fea 2ture parameters are proposed and descriptions of another two features are modified.Then a novel identification scheme is obtained ,capable of blind identification of many commonly used digital modulations in AWGN ,using a neural 2network 2ensemble 2classifier.The proposed spectrum 2shape parameter is anti 2noise ,while the new spectrum 2line one is robust against modulation parameters ,and the performance of neural network ensemble is much better than that of a single network classifier.Simulation results show that the recognition rate can reach 94%when SNR is above 5dB.K ey words :　modulation identification ;spectrum feature ;fusion ;neural network ensemble1　引言 随着通信系统多样性和复杂性的增加,信号调制方式自动识别作为智能化信号分析和处理中的关键技术,成为通信及其相关领域的一个研究和应用热点.在诸多调制识别方法中,对调制先验信息依赖少、受信号调制参数影响小、运算复杂度低的特征参数和识别方法更受青睐,如基于信号瞬时统计参数[1～3]和功率谱特征[2,4,5]的识别方法.调制信号的循环相关特征具有很好的识别能力[6,7],但即使采用复杂度最低的SSC A 估计算法[7],循环谱估计需要完成的运算量也要远远大于相同频率分辨率的功率谱估计,这大大限制了这一类调制识别方法的应用.在以信号的相位、频率、幅度等时域参数为特征参数的调制识别方法中,Nandi 等[1,2]的研究工作最具代表性,并被广泛引用[3,5,7],但仅采用时域统计参量的方法受噪声影响较大,通常结合谱特征等应用[2,5,7].Dubuc 等[4]提出了一组实用的信号功率谱特征参数,较时域统计参量具有更好的抗噪声性能,但是文献[4]中并没有给出明确的定义.文献[5]对文献[4]中的部分特征参数的定义进行了描述,但该描述的可操作性不强,且不利于量化分析.就调制分类器而言,神经网络具有较强的自学习能力和潜在的容错性,克服了判决树分类器自适应能力的不足[3,7],神经网络集成(NNE ,Neural Netw ork Ensemble )[8,9]系统的泛化能力更比单个网络有了显著提高,被视为一种有效的工程化神经计算方法.本文在对信号功率谱和高次方谱(信号非线性变换后的功率谱)研究的基础上,提出了两个新的谱特征参数,改进了两个相关特征的描述.这些参数具有运算复杂度低,抗噪声能力强,对调制参数稳健性好的特点.本文将上述参数构成识别特征,提出了一种采用神经网络集成结构分类器的常用数字调制信号识别新方法,信噪比较低时比单个神经网络分类器的识别率提高了5%.2　识别特征参数集的构造 本文主要讨论AWG N 信道下常用数字调制方式的识别,包括2FSK 、4FSK 、BPSK 、QPSK 、8PSK 、16QAM 和MSK 信号.调制信号的功率谱及其高次方谱可以较好地反映多种调制方式的特性,有效地提取这些特性可以作为调制识别的特征参数[5].本文在总结前人研究成果的基础上构造了一组基于功率谱和瞬时统计特征的参数,其中归一化峰间距离PD 、离散谱线检测值LV 为文收稿日期:2006203208;修回日期:2006212210第4期2007年4月电 子 学 报ACT A E LECTRONICA SINICA V ol.35　N o.4Apr.　2007中提出的新参数,峰谷幅值比P V、和离散谱线数目LN 为对谱平坦度和谱峰数目的改进描述.211　功率谱形状特征观察信号的功率谱知道,MFSK信号在各调制频率上会出现明显的谱线或存在多个谱峰,这与MSK以及PSK/QAM信号无离散谱线的单峰有着明显的区别.因此,以信号功率谱形状为特征可以识别出FSK调制及其调制阶数,如文献[5]中的平坦度指数F,但计算F 需要预先估计信号的载波频率.本文提出新参数PD,并改进F为参数P V.记信号功率幅度谱正频率部分的能量集中频率范围为 B,中点k0处幅值为X0,以k0为界,左半序列及右半序列的最大幅值分别为XL 、XR,对应坐标为k L、k R,定义PD、P V如下:归一化峰间距离PD:PD=(kR-k L+1)/ B;峰谷幅值比P V:P V=X L+X R2/X0.由定义式可知,若信号谱平坦,则PD≈0,P V≈1,或者二者居其一;若信号存在多个峰或离散谱中毛刺较多,则PD、P V取值将大大不同,且随着谱峰数目或者毛刺增多(功率谱趋向平坦),P V的取值将逐渐减小.参数P V主要对FSK的调制阶数识别起辅助作用.随着FSK调制指数h减小,其功率谱趋向于单峰,由于非线性变换等效于成倍增大调制指数,信号的高次方谱仍可能表现出多个谱峰.因此,采用高次方谱的PD、P V参数能对h较小的FSK取得更好的识别效果.212　功率谱及高次方谱的离散谱线特征通过对调制信号高次方谱分析可知,非连续相位的FSK调制的功率谱在各调制频率上均为一冲激谱线,离散谱线数目与调制阶数相同;MSK在平方或四次方变换后才会出现两条冲激谱线;BPSK经过平方变换后或者QPSK和16QAM经过四次方变换后,也在对应2倍或4倍载频位置上出现一条离散谱线.基于这样的原理,文献[5]用单频检测分量C和谱峰数N对频带信号功率谱和高次方谱的离散谱线特征进行描述,但并没有给出明确的表达式,也没有说明C 与调制参数的关系.本文根据对数字调制信号功率谱理论表达式的分析[10,11],推及调制信号经非线性变换后的功率谱,提出特征参数LV,并将根据LV得到的离散谱线数目记作LN.记解析信号n次方(n为2的幂次)后的序列为x n(t),其功率谱Φ(n)x(f)的最大幅值为a(n),信号总功率为S(n),带宽为BW(n),采样频率为f s,有以下结论:(1)a(n)与S(n)成正比,且当x n(t)功率归一化后, S(n)近似只与序列长度N有关.(2)S(n)一定时,Φ(n)x(f)中存在离散谱线时,a(n)为幅度恒定的冲激;Φ(n)x(f)中无离散谱线时,a(n)的大小取决于基带脉冲的功率谱Φ(n)g(f),与BW(n)/f s成反比.综上分析,记x n(t)的归一化负对数谱为P(n)(f): P(n)(f)=-log10BW(n)f s·Φ(n)x(f)S(n)(1)序列长度N一定时,定义如下LVn、LNn来描述是否存在离散谱线的谱之间的差异:n次方谱离散谱线检测参数LV n:LV n=m inf{P(n)(f)}=-log10BW(n)f s·a(n)S(n)(2)当LVn小于某门限时,认为Φ(n)x(f)中存在离散谱线;n次方谱离散谱线数LN n:P(n)(f)中小于设定门限的谱线的数目.从LVn的定义看,fs/BW(n)对a(n)/S(n)的归一化削弱了信号带宽、采样速率等调制参数的影响,对于存在离散谱线的谱而言,LVn的值与线性调制的成形脉冲滚降系数、FSK调制的调制指数无关.在这组参数中,LVn用于离散谱线的检测,LNn则用于辅助识别FSK与PSK调制,以及FSK的调制阶数.213　瞬时幅度统计特征频率调制信号为恒包络信号,线性调制信号的基带码元通常都要经过脉冲成形滤波,其瞬时幅度变化各不相同.因此可以通过瞬时幅度统计参数[1]进行识别,如归一化中心瞬时幅度的标准偏差σa、零中心归一化瞬时幅度谱密度的最大值γmax、归一化包络方差R等.本文采用参数σa代替文献[5]中的R和γmax两个参数用于识别:σa=1N∑ia2cn(i)-1N∑ia cn(i)2a cn(i)=a(i)/m a-1,m a=∑ia(i)/N(3)其中,N为信号段样本数,acn(i)为零中心归一化瞬时幅度,ma为瞬时幅度a(i)的均值.以上各参数对调制先验信息依赖少,需要完成的运算量主要在n次方变换和谱估计中.对N点信号序列,平均分为K个子序列,各子序列长为M,采用W elch 谱估计方法,M点序列的DFT用基22FFT快速算法完成,则参数计算中约共需完成2N+(N log2M)/2次复数乘法和N log2M次复数加法,运算复杂度远低于循环相关特征参数计算.3　调制分类器的设计 由第二节中对特征的分析知道,每一组参数对文中讨论的数字调制方式都具有一定的识别能力.为了达到特征的有效融合,本文设计了如图1所示的分类器结构,基于以上各组特征参数的识别都用一个单独的分类器来实现,各分类器均可选择使用判决树结构或387第　4　期吴月娴:常用数字调制信号识别的一种新方法者神经网络结构.判决树结构分类器的识别能力不仅与特征参数有关,判决流程的设计也相当关键.对于同一组特征参数,通常存在多种可能的判决流程,有时很难确定哪一种流程更有效,而且当输入特征的提取环境改变时,其识别能力总是受到判决门限设置的约束.本文采用神经网络代替判决树用作调制识别分类器.在图1中,当各成员分类器均采用神经网络结构时,就成为一种典型的神经网络集成(NNE )结构,它比单个网络分类器的泛化能力更强.在单个分类器中,应用较多的是BP 网络[1～3].但BP 网络存在训练时间长、收敛速度慢且存在多个局部最小点等缺陷.R BF (径向基函数)网络在一定程度上克服了这些问题,在逼近能力、分类能力和学习速度等方面均优于BP 网络.R BF 网络是一种三层前向网络,网络可识别的类别数目由隐含层单元数决定,隐含单元的传递函数为径向基函数,一般采用径向对称高斯函数:<(x )=exp (-‖x -c ‖/2ρ2)(4)其中c 为隐含单元的中心矢量,ρ为径向基函数的半径.网络学习大致分为确定隐含单元参数和隐含层至输出层的权值训练两个步骤.本文各分类器均采用RBF 网络结构,成员分类器以输出层神经元响应输出,作为综合分类器的输入向量,其识别结果以编码形式给出,如输出“001”标志识别结果为2FSK.因此,各成员分类器输入层神经元数目与输入特征参数个数相同(如图1所示),隐含层神经元数目为7,即待识别调制方式数,输出层神经元数目为3;综合分类器输入层、隐含层、输出层神经元数目依次为9、7、3;各RBF 分类器均采用模糊C 2均值算法确定隐含单元参数,梯度下降法训练网络权值.4　仿真结果与分析 仿真中,调制信号符号速率、载波频率、采样频率归一化后分别为1、2、16;2FSK 信号调制指数h 从016到2,4FSK 信号h 从016到112,步进为011;PSK 、QAM 信号的滚降系数α从013到110,步进为011.信号预处理时,首先进行限带滤波,带宽为调制信号带宽估计值的2倍;功率谱及高次谱估计采用W elch 方法,且谱估计前对序列进行功率归一化,每个样本序列4096个采样点,各调制方式在同一信噪比下仿真500次.411　特征参数图2(a )所示为新参数PD 随信噪比的变化曲线,其中FSK 调制h =016,曲线显示PD 取值基本不受信噪比影响,该参数较好地描述了FSK 调制的多峰特性,尤其能够有效识别MSK 与MFSK .限于篇幅,文中仅以n =1为代表给出参数LV n 随信噪比的变化曲线,如图2(b )所示,其中FSK 调制h =016,PSK /QAM 调制α=013.曲线表明,LV 1对不同调制阶数的FSK 以及PSK /QAM 调制具有很好的识别能力.为考察调制参数变化对LV 与文献[5]的单频检测分量C 的影响,以2FSK (h =016、110)和BPSK (α=013、110)的四次方谱为例,取C 4的负对数值与LV 4比较,如图2(c )所示.对比两组曲线可见,LV4较文献[5]参数C 4受成形脉冲滚降系数α的影响更小.C 4的曲线还表明,当信噪比较高时,根据C 4将无法正确识别2FSK 和滚降系数α较小的BPSK .参数LV 4则不会出现类似的问题,相对更为稳健.图2(d )所示为σa 随信噪比的变化曲线.随S NR 增加,PSK /QAM 信号的σa 值增大,FSK /MSK 信号的σa 值减小,低信噪比下的分类阈值也同样适合于高信噪比条件.曲线表明,当SNR >5dB 时σa 可以用于识别.412　分类器图3(a )给出了成员分类器2采用判决树结构时对信噪比0～20dB 各信号的识别结果,特征参数为{LV n ,LN n ,n =1,2,4}.由于QPSK 和16QAM 的LV 、LN 参数取值相似,仅以QPSK 作为代表.曲线显示SNR =5dB 时各信号的识别率均在95%以上,但随着信噪比的增加BP 2SK 、8PSK 、MSK 的识别概率都略有下降,其中以MSK 下降较为剧烈.这是由于采用固定门限判决,同时又只采用了较少的识别特征的缘故.可见,单纯依靠一种类型特征参数的识别能力是有限的.图3(b )所示为神经网络集成分类器对信噪比0～15dB 各信号的识别率曲线,表明SNR =5dB 时所有信487 电 子 学 报2007年号的识别率均达到94%以上,随SNR 的增加各信号识别率平稳增加,最终达到100%.实际上,除8PSK 和16QAM 以外的其它信号在更低的信噪比条件下就已达到了较高的正确识别率.比较图3(a )、(b )可见,神经网络集成对各特征的融合效果显著.最后,对单个RBF 网络与神经网络集成的识别率进行了比较,如表1所示,其中Ave 表示分类器对各信号的平均识别率.仿真中单个RBF 网络的输入特征为全体特征,其各层神经元数目依次为9、7、3,其他网络参数均与集成结构中的成员分类器相同.表中数据表明,神经网络集成的识别性能明显优于单个网络.虽然神经网络集成的运算复杂度高于单个网络,并且随着成员分类器数目线性增加,但是识别性能得到了显著的改善.表1　SNR =5dB 时识别率的比较(%)2FSK 4FSK BPSK QPSK 8PSK 16QAM MSK Ave RBF 99.594.610097.887.697.871.692.7NNE98.495.810099.698.394.297.697.75　结论 本文提出了两个新的谱特征参数,改进了两个相关特征的描述,并结合瞬时统计参数实现了常用数字调制信号的识别.这些特征参数运算复杂度低,具有较强的抗噪声能力,与现有类似参数相比,新参数LV 对PSK /QAM 信号的基带成形滚降具有更好的稳健性.在总体识别方案中,设计了一种神经网络集成结构的调制分类器,实验表明,该分类器能够对各特征参数进行很好的融合,比单个神经网络分类器具有更好的识别性能.此外,为了实现更加复杂通信环境下信号的调制方式识别,还需要深入研究,进一步发掘神经网络集成对多特征、多分类器的融合潜力.参考文献:[1]Nandi A K,Azzouz E E.Algorithms for automatic modulationrecognition of communication signals [J ].IEEE Trans Comm ,1998,46(4):431-436.[2]Wong M L D ,Nandi A K.Automatic digital modulation recog 2nition using spectral and statistical features with multi 2layer per 2ceptrons [A ].In Proc of Sixth International Symposium on Sig 2nal Processing and its Applications (ISSPA ’01)[C ].KualaLumpur ,Malaysia ,13-16vol.2:August ,2001.390-393.[3]Zhao Y Q ,Ren G H ,Wang X X ,et al.Automatic digital mod 2ulation recognition using artificial neural networks [A ].In Proc of IEEE Int Conf Neural Networks &Signal Processing [C ].Nanjing ,China ,Dec.14-17,2003.257-260.[4]Dubuc C ,Boudreau D.An automatic modulation recognition al 2gorithm for spectrum monitoring applications [A ].In Proc of IEEE International Conference on Communications (ICC ’99)[C ].Vancouver ,Canada ,1999.732-736.[5]范海波,杨志俊,曹志刚.卫星通信常用调制方式的自动识别[J ].通信学报,2004,25(1):140-149.Fan H B ,Y ang Z J ,Cao Z G.Automatic recognition for com 2mon used modulations in satellite communication[J ].J ournal ofChina Institute of Communications ,2004,25(1):140-149.(in Chinese )[6]韩国栋,蔡斌,邬江兴.调制分析与识别的谱相关方法[J ].系统工程与电子技术,2001,23(3):34-36.Han G D ,Cai B ,Wu J X.Spectral correlation method for mod 2ulation recognition [J ].Systems Engineering and Electronics ,2001,23(3):34-36.(in Chinese )[7]Gao Y L ,Zhang Z Z.Modulation recognition based on com 2bined feature parameter and modified probabilistic neural net 2work[A ].In Proc of the Sixth World Congress on Intelligence Control and Automation [C ].Dalian ,China ,J une 21-23,2006.2954-2958.[8]周志华,陈世福.神经网络集成[J ].计算机学报,2002,25(1):1-8.Zhou Z H ,Chen S F.Neural network ensemble [J].Chinese J Computers ,2002,25(1):1-8.(in Chinese )[9]Hansen L K,Salamon P.Neural network ensembles [J ].IEEETrans Pattern Analysis and Machine Intelligence ,1999,12(10):993-1001.[10]Wilson S G.Digital Modulation and Coding [M ].Beijing :Publishing House of Electronics Industry ,1998.[11]Proakis J G.Digital Communications (Third Edition )[M ].Beijing :Publishing House of Electronics Industry ,1998.作者简介:吴月娴　女,1980年出生于江西景德镇,现在信息工程大学攻读博士学位,主要研究通信信号处理和调制识别技术.E 2mail :wuyuexian @葛临东　男,1946年出生于安徽怀远,教授、博士生导师,主要从事通信信号处理与软件无线电理论和系统研究.许志勇　男,1979年出生于辽宁铁岭,助理工程师,主要研究方向为智能信号处理.587第　4　期吴月娴:常用数字调制信号识别的一种新方法。