（通信与信息系统专业论文）通信信号数字调制方式识别研究.pdf

摘要 摘要 自动调制识别技术在多体制通信互联、无线电监测、通信侦察等领域有着 重要的应用价值。本文采用模式识别思想对目前常用的数字调制方式的自动识 别原理和方法进行了深入的分析和研究，分别提出了在平坦衰落信道和频率选 择性多径衰落信道下自动识别m p s k 、m q 州、m a p s k 等数字调制方式的算法 和流程，主要工作有： 1 综述了数字调制方式识别技术的不同方法，包括基于似然比检测的调制 识别方法、基于特征提取的模式识别方法和几何方法。基于特征提取的 模式识别方法的关键在于特征提取和分类器设计。基于高阶累积量的特 征能反应符号率信号星座图分布特性，能有效地区分幅度相位调制方 式，同时也抑制了噪声影响；基于神经网络的分类器能有效地划分高维 特征向量空间，也可以提高低信噪比下的识别率。本文采用的就是这种 方法。 2 提出了一种适合于低信噪比和平坦衰落信道的数字调制方式识别方法， 其采用的主要技术包括：基于子空间分解估计噪声功率、构造高维的特 征矢量和采用人工神经网络作为分类器。噪声功率的估计使得算法能够 使用功率归一化的高阶累积量作为特征量，同时可以估计出s n r ，这在 一定程度上减小噪声的影响；高维特征矢量的使用则扩大了不同调制方 式的特征差异；而基于人工神经网络的分类器为高维特征空间划分提供 了方便，这些技术的使用使得本文提出的算法在低信嗓比条件下具有良 好性能。 3 提出了种适合于频率选择性多径信道衰落的数字调制方式识别的方 法，并给出了识别的流程。提出的方法主要是采用了两级盲均衡的策略 来减小频率选择性多径信道对调制方式识别的影响，仿真实验验证了其 有效性。 关键字：调制识别高阶累积量神经网络子空间均衡 a b s 艄t _ 一 a b s t r a c t a u t o m a t i cm o d u l a t i o nr e c 0 萨i t i o nt e c i l i l o i o g y i s v e 巧i m p o r t a n t ms o m e a p p l i c a t i o n s ，s u c ha sm n l t i 瓤 d ec o 珏锄u 证c a t i o nc o n n e c t ，a n dr a d l om o n i t o n n g ， c o 咖1 i c a t i o nr e c o l u l a i s s a n c e t 1 1 i st h e s i su s e sp a t t e mr e c o g n i t i o ni d e at oa n a l y z e a j l dr e s e a r c hm ep r i n c i p l e 孤dm e m o do fa u t o m a t i cd i g i t a lm o d u l a t i o nr e c o g l l m o n i n d e p t h t h e nm ea l g o r i t h ma i l dn o w t or e c o g n i z ed i g i t a lm o d u l a t i o n 咖e ss u c ha u s m p s k ，m q a m ，m a p s k ，e t ci nf l a tf a d i n ga n df r e q u e n c ys e l e c t i v ef i a d i n gc h a l l n e l i s p r o p o s e d ，t h em a i n 、o r k si nt h i st h e s i si sl i s t e da sf o l l o w s ： 1 s u m m a “z ed i f r e r e n tm e t h o d si nt h ed i g i t a lm o d u l a t i o nr e c o g n i t i o nt e c h n o l o g y s u c ha sm o d u l a t i o nr e c o g n i t i o nm e t h o db a s e do nl i k e l i h o o dr a t i ot e s t ，p a t t e m r e c o g n i t i o nm e m o db a s e do nf e a t u r ee x t r a c t i o na n dg e o m e t r ) rm e m o d t h ek e y o f t h ep 拍【e mr e c o g n i t i o nm e t h o da r ef e a t u r ee x t r a c t i o na n dc l a s s i 矗e rd e s i g n t h e f e a t l j r eb a s e do nm g h e ro r d e rc u m u i a i l t sc a nr e f l e c tt h ec o n s t e l l a t i o nd i s t r i b u t i o n c h a r a c t 舐s t i ca n ds u p p r e s st h ei m p a c to fn o i s e ，t h u sc l a s s i f yt h ca m p l i t u d ea n d p h a s em o d u l a t i o n t h ec l a s s i f i e rb a s e do nn e u 豫ln e t w o r kc a i lp a n i t l o nh l 班 d i m e n s i o nf b a t u r ev e c t o rs p a c ee f ! l e c t i v e l y a r l d i m p r 0 v et h e c l a s s i f i c a t i o n p r o b a b i l i t yi nl o ws n r 2 am e t h o do fd i g i t a lm o d u l a t i o nr e c o g n i t i o ni nl o ws n r a i l dn a tf a d i n gc ha i _ m e l i s p r o p o s e d t h em a i nt e c h n o l o g i e su s e di np r o p o s e dm e t h o di n c l u d en o i s ep o w e r e s t i m a t i o nb a s e do ns u b s p a c ed e c o m p o s i t i o n ，t h eh i g hd i m e n s i o nf e a t u r ev e c t o r c o n s t r u c t i o na r l dt h eu s eo fn e u r a ln e t w o r ka sc l a s s i f i e r n o i s ee s t i m a t i o nm a k e s i t p o s s i b l et ou s e1 1 i 曲e ro r d e rc 啪u l a m sa sf e a t u r ea 1 1 de s t i m a t em es n w h i c h s u p p r e s st h ee f f e c to fn o i s e n l eu s eo f h i g h e rd i m e n s i o nf e a t u r ev e c t o ri n c r e a s e s t h ed i f f e r e n c eo ff e a t u r e a 1 1 dt h ec l a s s i f i e rb a s e do nr l e u r a ln e t w o r kp r o v l d e s c o n v e n i e n c et op a n i t i o nm eh i 曲d i m e n s i o nf e a t i i r es p a c e t h eu s eo f l e s e t e d l o l o g i e sm a k e s 让i ep r o p o s e dm e m o dp o s s e s sg o o dp e r f o 肌a n c ei nl o w s n r 3 am e t h o do fd i g i t a lm o d u l a t i o nr e c o g n i t i o ni nf r e q u e n c ys e l e c t i v em u l t i 。p a mi s p r o p o s e d ，a 1 1 dt h er e c o g n i t i o nf l o wi sg i v e n t 1 1 ep r o p o s e dm e t h o dm a i l l l yu s e s t 、v 0 s t e pb l i n de q u a l i z a t i o ns t r a t e g yt or e d u c et h ee 丘i e c to f 丘e q u e n c ys e l e c t i v e m u l t i p a mc h a m l e l s i m u l a t i o nr e s u l t sd e m o n s t r a t e l ev a j i d 时o f t h i sm e t h o d k e y w o r d ：m o d u l a t i o nr e c o g n i t i o n ，h i g h e ro r d e rc 咖l a n t s ，n e u r a ln e 铆o r k s u b s p a c e ，e q u a l i z a t i o n i i 论文原创性和授权使用声明 本人声明所呈交的学位论文，是本人在导师指导下进行研究工作 所取得的成果。除已特别加以标注和致谢的地方外，论文中不包含任 何他人已经发表或撰写过的研究成果。与我一同工作的同志对本研究 所做的贡献均已在论文中作了明确的说明。 本人授权中国科学技术大学拥有学位论文的部分使用权，即：学 校有权按有关规定向国家有关部门或机构送交论文的复印件和电子 版，允许论文被查阅和借阅，可以将学位论文编入有关数据库进行检 索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。 保密的学位论文在解密后也遵守此规定。 作者签名：专榴 年月 日 第一章绪论 1 1 选题的背景和意义 第一章绪论 为了满足用户的不同需求，充分利用信道容量，提高频谱利用率，通信信 号可以采用不同的调制方式。随着通信技术的快速发展，以及用户对信息传输 要求的不断提高，通信系统经历了由模拟到数字、由简单到复杂的发展过程， 形成了多种通信体制并存的局面，而这些通信体制的调制方式和接入技术各不 相同，给多体制间的通信互联带来了很大的障碍。调制识别技术能够自动地识 别通信信号的调制方式，在多体制通信互联、软件无线电、无线电信号的监测 等应用中有着重要的作用。 军用通信系统类型多，互通性差，协同难，这种状况很难适应未来陆、海、 空一体化的立体化战争。另外，随着移动通信近年来的迅速发展，出现了多种 不同的移动通信标准，几乎每一种标准都有自己独特的调制类型。如何实现不 同系统间的互通? m i t o l a 于1 9 9 2 年提出了“s o r 、v a r e 黜【d i o ”的概念，即软件无 线电，其基本思想是构造一个具有开放性、标准化、模块化的通用硬件平台， 将各种功能，如调制解调、数据处理、通信协议等用软件来完成，研制出具有 高度灵活性、开放性的新一代软件无线电台。在软件无线电通信体系中，通信 信号调制方式的自动识别亦具有重要的地位。在基于软件无线电技术的战术互 联网中，软件无线电台作为“网关”要实现不同调制体制通信设备间的互通功 能，解决方案之一就是先识别出发射方的调制方式和调制参数，对其发送的信 息进行解调，然后按照接收方采用的调制方式，调制有用信息并转发至接收方。 正确识别收发双方的调制方式，是保证信息无误转发的基本条件。 在移动通信中，随着微蜂窝和微微蜂窝的出现，使得信道传输特性发生了 很大变化。除了常用的p s k 调制方式，过去在传统蜂窝系统中很少应用的高阶 q a m 调制也正得到日益广泛的应用。而随着调制方式的增多，对调制识别的要 求也在提高。在b 3 g 或4 g 移动通信系统中采用了大量的智能通信技术，而自 适应调制技术是智能传输技术中最重要的技术之一。人们对通信系统容量及可 第一章绪论 靠性的要求不断增长，如何在现有的频带内更快、更有效地传递信息，即如何 通过提高信道利用率来提高系统容量己经成为现代通信系统面临的一大问题。 通信系统智能化的关键技术之一就是自适应调制解调技术，它根据信道的实时 状态以及业务的不同特性动态调整传输参数，以提高频谱利用率。在采用自适 应调制技术的系统中，不需要专门的信令开销来传递调制信息，通过调制识别 来确定接收信号的调制方式，实现收发双方的信息互通。 本文将对目前常用的数字调制方式的自动识别技术展开深入和系统的研 究，其不仅有定的理论意义，而且在民用和军事等领域也有重要的应用价值。 1 2 自动调制识别技术主要发展历程简介 1 9 6 9 年4 月，c s w a v e r 等在斯坦福大学技术报告上发表了第一篇研究自 动调制识别的论文采用模式识别技术实现调制类型的自动分类，此后不断 有研究调制识别技术的论文出现在各类技术刊物上。1 9 8 9 年，c h a j l 和g a d b o i s 根据信号包络特点，提出采用信号包络方差与信号均值平方之比r ，以及瞬时频 率绝对值的均值作为分类特征参数；该方法能在信号噪比s n r ( s i g n a lt on o i s e r a t i o ) 3 5 d b 的条件下，有效识别f m ( f r e q u e n c ym o d u l a t i o n ) ，d s b ( d o u b l es i d e b a n d ) 等信号。 1 9 9 5 年至1 9 9 8 年，a k n a n d i 和e e a z z o u z 发表了多篇文章，利用所提出 的七个特征【1 】，分别采用决策理论、神经网络和神经网络级联的方法对模拟信 号集 a m ，d s b ，v s b ，l s b ，u s b ，f m ，a m f m 、数字信号 2 a s k ，4 a s k ，2 f s k ， 4 f s k ，2 p s k ，4 p s k ) 以及模拟数字联合进行分类识别，在信噪比大于2 0 d b 时， 具有良好的识别效果。1 9 9 8 年，b a s s e lf b e i d a s 和c h a r l e sl w e b e r 提出了用高 阶相关域的方法识别m f s k 信号，理论上可以实现2 f s k 到1 2 8 f s k 调制方式的 识别。 2 0 0 0 年s w a m i 等【2 1 利用m p s k 、m a p m 、m q a m 信号的码元同步采样序 列的功率归一化四阶累积量进行分类，在较低信噪比下获得对3 类信号的良好 识别。l em a r t r e 采用 3 】码元序列的4 阶累积量和2 阶累积量平方的线性组合识 别q a m 信号。陈卫东提出一种基于比值型累积量的调制识别算法【4 】，韩钢在 此基础上又提出一种基于自适应星型q - 蝴和m d p s k 的调制方式盲检测算法 2 第一章绪论 【5 】。 近年来，小波理论在理论框架和应用上都有较大发展 6 ，7 】，并且已应用到数 字通信信号的调制方式识别中，由于信号小波变换的模极大值携带有大量信息， 可以用不同尺度下信号小波变换的模极大值在保持较高精度情况下重建信号。 小波变换对信号波形突变信息有较高的识别能力，所以它对瞬态信号的检测识 别较为有效。 从国内外发表的文献可以看出，通信信号的自动调制识别理论越来越受到 重视，各种现代信号处理技术，包括谱相关理论，高阶统计量、人工神经网络、 小波理论、分形理论等都正在或已经被应用到该理论的研究中。但是，低信噪 比和频率选择性衰落信道条件下的数字调制方式的识别问题，仍然没有被很好 地研究和解决，是当前研究的热点。 1 3 主要工作和结构安排 调制识别研究的对象为通信传输中所有的调制种类，对数字通信信号而言， 调制识别可分为类间分类( i n t e r - c l a s s ) 和类内分类( i n t r a c l a s s ) 。类间分类指a s k ， p s k ，q a m 等不同类型调制方式的识别，而类内分类特指同类调制信号中调制 阶数的进一步区分，例如b p s k 、q p s k 、8 p s k 等。 通信信号自动调制识别的基本方法一般认为有两类：一种是决策论方法， 另一种是统计模式识别方法。决策论方法的理论基础是假设检验，而统计模式 识别方法的理论基础是模式识别。本文将基于统计模式识别方法来研究常用数 字调制方式的自动识别的原理和实现的算法，主要内容安排如下： 第一章介绍了选题的背景和意义，并简要地回顾自动调制识别技术的主要 发展历程。 第二章综述了已有的数字调制方式自动识别技术，对基于似然比检测的调 制识别方法、基于特征提取的模式识别方法、几何方法等做了详细地分析和描 述。 第三章阐述了平坦衰落信道下的调制识别技术，提出了低信噪比下有效地 识别数字调制方式的策略和方法，仿真实验表明，本文提出的方法在低信噪比 条件下具有较高的正确识别率。 第一章绪论 第四章讨论了频率选择性多径衰落信道下的调制识别问题，提出了基于两 级均衡策略的调制识别的思想，给出了识别的流程，仿真实验的结果表明本文 提出的方法能够有效地减小符号间干扰( i s i ) 对调制识别的影响。 第五章总结了全文，并指出了需要进一步研究的若干问题。 4 第二章数字调制方式识别技术综述 2 1 概述 第二章数字调制方式识别技术综述 自动调制方式识别的研究方法主要可以分为3 类：基于假设检验的最大似 然方法、基于特征提取的模式识别方法和几何方法。最大似然方法把自动调制 方式识别视作复合假设检验问题，通过对信号的似然函数进行处理，得到用于 分类的统计量，然后输入分类器比较，完成调制识别功能。理论上最大似然法 的分类性能是最优的。然而，最大似然法对一个最优分类器进行完全的数学描 述，数学表达式非常复杂，需要用不同的方法简化这个难以处理的最优解法。 而且这种方法需要假设信号幅度、载波频率、载波相位、符号率、噪声功率、 脉冲成形已知，在模式失配的情况下效果不好。 基于特征提取的模式识别方法在模式失配的情况下比最大似然法要稳健， 并且计算复杂度低，因而受到了广泛的关注。模式识别方法主要包括3 个部分： 数据预处理、特征提取、分类器判决。首先，预处理一般包括载波频率、载波 相位、符号率、载波频率偏移估计，定时、预均衡和波形恢复；其次，从预处 理后的数据中提取需要的特征参数，用于调制方式识别分类器判决；最后，用 已知的特征参数去训练分类器，跟据所需达到的分类性能，设定分类器的判决 门限或分类函数的参数，并将需要识别的信号的特征参数输入分类器，根据分 类器的判决识别不同调制类型的信号。几何方法是通过获得符号率采样的调制 信号在星座图上的平均分布情况，直接识别调制信号。 假设经过预处理后，复基带模拟信号的模型为 y ( f ) = 彳p ，2 。厶“郎口( 七) p u 一忌丁一，0 ) + ( r ) ( 2 1 ) 下 以符号率对其采样，得到基带信号采样序列为 y ( ”) = 彳p 伽矗m 以口( 尼) p ( 珂r 一灯+ ，。) + 刀( 川 ( 2 2 ) 七 口( 后) 是符号序列，彳是一个未知的幅度因子，p ( ) 是由发端的脉冲成形滤波器、 收端的接收滤波器信道和多径效应合成的等效信道响应，丁是符号周期， 5 第二章数字调制方式识别技术综述 f o ( o ，o 丁) 代表定时误差，厶是载波频率偏移，幺和p 是相移，刀( 门) 和刀( o 是平稳 复加性高斯低通噪声。 在大部分调制识别方法中要把接收信号分为七段，对每段信号做识别，再重 复后次。对每次观测到的一段信号 y ( 甩) 艺，或) ，( f ) ，厶是未知恒定的，见或口是一 个随机变量。口( 七) 是从k 个已知符号分别为k ，坼。 的星座图集合中得到，毋是 第，个星座图的符号数，其中l z k 。 由于数字通信信号和信道噪声一般建模为随机过程，加上未知的信道衰落、 多径传播和干扰的影响，给定选择调制方式集合，调制识别在本质上是一个具 有多个未知参量的多元模式分类问题。本章首先总结分析了基于假设检验的最 大似然方法，然后着重对基于特征提取的模式识别方法按特征参数的不同进行 了分类描述，最后介绍了3 类几何方法。 2 2 基于似然比检测的调制识别方法 基于似然比检测的调制识别方法，是将调制识别看成一个多元假设检验问 题，通过对信号的似然函数进行处理，得到用于分类的统计量，然后与一个合 适的门限进行比较，完成调制识别功能。因为对于不同的未知参数有不同的解 决方法，这个问题可以看成是一个基于未知参数模型的复合假设检验问题。该 问题的一般模型可以描述如下： e ：，( ，) = s ( 口( f ；p ) + 疗( f ) ，o f 人口，f = 1 ，2 ，k ( 2 3 ) 其中j q f ) 是来自调制类型集j = c i ，c 2 ，巳) 中的第f 种调制信号，对应于公式 ( 2 1 ) 中的爿p 雕嘶柑口( 后) 酏一后7 一f o ) ，p 是未知参数矢量，玎( f ) 是高斯白噪声。在 假设e 下构造关于接收信号，( f ) 的似然函数f ( 7 ( ，( f ) ，p ) ，然后做出似然比检测： h t 罱揣 亿4 ， 上川( ，( 咄p ) 4 ) o o 0 0 0一1 d 0 0 0 v r 3 20 1 9 0 0- 0 6 9 0 0 v 2 9 q 5 1 8 5一o 5 8 1 6 q a m 【，。) - o 6 0 0 0 d 6 0 0 0 q a m ( 3 2 ，3 2 ) - 0 6 2 0 0- o 6 0 1 2 q a m ( 1 6 ，1 6 ) 0 6 0 4 7，0 6 0 4 7 q a m ( 8 ，8 ) 一0 6 1 9 lo 6 1 9 1 q a m ( 4 ，4 ) o 6 8 0 0o 6 8 0 0 v 2 9 c1 2 0 0 00 6 4 0 0 8 a m p m- o 5 6 0 0r o ，7 2 0 0 一 文献 1 6 】中采用i c 6 3 1 2 i c 4 ：1 3 作特征参数，可以提高不同阶m q a m 信号的区 分度。c ：。形式的累积量对相移、频偏也是稳健虼。通过简单的去均值操作， 特征对平移有稳健性。特征参数和接收信号功率无关，仅仅反映信号星座图的 分布特性。文献 1 7 】中针对多径信道中m p s k 信号的调制分类问题，根据不同阶 p s k 信号4 阶累量之间的比值不同构造特征向量，。 发送信号x ( 刀) 的特征向量 足定义为【i c 。c 4 ：l ，l g c 4 ：i 】不同阶的m p s k 信号特征向量的取值区分度较大。 比值形式的特征量对伸缩具有不变性。 本文选择了区分度较大的功率归一化4 阶累积量厶、功率归一化的6 阶累 第三章平坦衰落信道下的数字调制方式识别 积量色，、e ，2 c 4 ：3 、i c 4 。c 4 ：l 、i c 4 。q ：i 这些特征，组成特征矢量 g ，2 3 ，i g ： ，j c 4 ，i ，己，厶】，待识别调制信号所对应的特征值如下： 表3 21 1 种调制信号的特征值 _ 信号 l c 6 3 1 2 f c 4 ：1 3i c 4 。c 4 ：ii c 4 。c 4 ：ic 6 3 c 柏 v 2 91 1 2 7 9 50 8 9 1 5 o1 4 8 9 70 5 1 8 5 v 3 21 3 5 5 2 40 2 7 5 4o2 1 1 0 0o 1 9 0 0 l1 3 1 6 5 2o 0 0 3 20 0 1 4 3 2 3 6 3 80 0 0 2 1 21 3 5 2 2 9o 0 0 5 50 0 1 3 42 4 7 0 30 0 0 4 l 31 3 6 0 3 9o 0 0 9 30 0 0 0 02 4 9 0 8o 0 0 7 1 1 6 a p s k 41 3 7 2 5 20 0 0 7 30 0 1 2 82 5 3 4 60 0 0 5 5 51 3 8 6 9 00 0 0 8 70 0 1 2 42 5 8 2 40 0 0 6 7 61 3 9 1 3 60 0 0 9 lo 0 1 2 32 5 9 7 5o 0 0 7 l 1l o 9 5 9 80 0 2 4 3o 0 3 9 41 4 6 7 3 0 0 1 3 3 21 1 7 2 9 80 0 0 0 90 o o o o1 6 4 7 10 0 0 0 6 3 2 a p s k31 2 1 8 0 0o 0 2 2 9o 0 3 7 61 7 2 4 2o 0 1 3 5 41 2 7 5 0 10 0 2 2 40 0 3 6 71 8 6 9 2o 0 1 3 7 51 2 8 0 2 4o 0 2 2 3 0 0 3 6 6 1 8 8 3 5o 0 1 3 7 8 q a m 2 8 4 4 4 41 0 0 0 00 8 8 8 95 3 3 3 3一1 0 0 0 0 3 2 q a m 1 3 5 5 2 4o 2 7 5 4 o2 1 1 0 0 o 1 9 0 0 1 6 q a m 1 3 7 5 9 41 0 0 0 002 0 8 0 0o 6 8 0 0 6 4 q a m 1 3 6 1 5 31 0 0 0 001 7 9 7 20 6 1 9 0 b p s k2 1 1 2 5 01 0 0 0 01 0 0 0 01 3 0 0 0 02 o 0 0 0 q p s k 1 6 0 0 0 01 o 0 0 004 0 0 0 0l 8 p s k1 6 0 0 0 0004 o o o oo 在平坦衰落信道中，为了区别b p s k 、q p s k 、8 p s k 、8 q a m 、16 q a m 、 3 2 q a m 、6 4 q a m 、1 6 a p s k 、3 2 a p s k 、v 2 9 、v 3 2 这1 1 种调制信号，本文提出 采用以上特征组成矢量以提高不同调制信号的区分度，增强识别算法的稳健性， 提高识别的性能。这组特征量都是比值型特征量，对信号星座图的缩放具有不 变性；同时它们都是实数，便于神经网络的处理。1 1 种信号的特征值如表3 2 第三章平坦衰落信道下的数字调制方式识别 所示，其中1 6 a p s k 、3 2 a p s k 按照半径的比值分别有6 种和5 种情况。可以看 出不同的信号所对应的特征向量值都有差异，所以用这组特征向量可以区分这 1 l 类信号。 3 4 基于人工神经网络( a n n ) 的分类判决器设计 传统的用硬判决来区分不同模式的方法，需要依据判决准则选择判决门限。 当缺少输入模式的先验知识或者特征量是高维的情况下，最优的判决门限很难 确定。神经网络不需要预先给出输入模式的先验知识和判别模型，能够通过自 组织和自学习机制自动形成所要求的决策域，在应用中易于实现：同时，由于 网络内部的非线性传递函数，可以构造超平面实现高维特征空间较复杂的划分， 从而可以较准确地区分不同类型的信号。由于本文构造了高维特征矢量，故可 采用基于神经网络的分类器来区分不同的数字调制方式。基于b p 算法的多层感 知器神经网络具有简单、稳健等优点，在信号调制识别研究领域一直受到广泛 的重视和应用【2 7 】。在神经网络的实际应用中，绝大部分的神经网络模型是采用 b p 网络和它的变化形式 3 4 1b p 神经网络原理 b p 网络是前馈神经网络中的一种，具有前馈神经网络的基本结构。由一组 感知单元组成输入层，由一层或多层计算结点组成隐含层，还有层结点组成 输出层。输入信号在层层递进的基础上前向通过网络。b p 网络结构如图3 2 所 示。 设计一个多层感知器网络所需要确定的是：网络的层数，每层计算单元数， 各层神经单元的非线性激励函数类型，以及训练算法。神经单元的激励函数有： l o 西s t i c 型函数、线性函数、双曲正切函数。理论上已经证明含一个隐含层的感 知器网络可以以任意精度逼近任意连续函数，而决定隐含层单元数目常由经验 或反复实验决定，其最优数目的准则是能够产生于b a y e s 分类器信号接近的单元 的最小数目。 2 7 第三章平坦衰落信道下的数字调制方式识别 图3 6b p 网络模型结构 b p 网络学习由四个过程组成：由输入层向输出层的“模式顺传播 过程：网 络希望输出和网络实际输出差的误差信号由输出层向输入层逐层修正连接权值 的“误差反向传播过程”；由“模式顺传播”与“误差反向传播”的反复交替进行的 网络“记忆训练”过程；网络趋于收敛的“学习收敛”过程。影响b p 神经网络训练 的因素有输入输出层的设计，隐含层层数和神经元数目的选择，初始值选择。 隐含层神经元数目选择需要根据设计者的经验和多次实验来确定。在监督学习 方式下误差反向传播算法是基于误差修正算法，首先求出误差函数曲面的梯度， 再用梯度下降法迭代搜索。 误差反向传播学习有两次经过网络不同层：一次前向通过和一次反向通过。 前向通过时网络突触权值保持不变，网络的函数信号在一个神经元接一个神经 元基础上计算，一层层的朝输出层传播。假设以一层计算节点组成隐含层，在 隐层处，用v ：d 表示隐层节点7 的输入，y ? 表示隐层节点，的输出；输入层节点f 和隐层节点之间的连接权重用彩：表示，1 ( 胛) 是指输入矢量的第f 个元素，研为 输入层节点个数，则有 哆( 力= 一：( 刀) 毫d ( 疗) ( 3 2 3 ) 以1 ( 力) = 矽( e 1 ( 刀) ) ( 3 2 4 ) 在输出层，用e 2 表示输出层中节点的输入，够表示该节点的输出；而隐层节 点f 和输出层节点- ，之间的连接权重用巧，表示，丁是隐层节点数目，并有以下关 系 第三章平坦衰落信道下的数字调制方式识别 f 垆( 刀) = 蟛( 玎) ( 刀) j = o ( 3 2 5 ) 蜉( 疗) = 伊( 蜉( 呦 ( 3 2 6 ) 对于输出单元j 而言，设d ，为样本目标值，样本和实际输出之间的误差 为 p ，( 力= d ，( 功一y ；2 ( 功 ( 3 2 7 ) 从而得到第以次正向传播后，输出端总的平方误差，膏是输出端节点数目： 1量 曩矿= 古f m ( 3 2 8 ) 。 2 lj 鄙 当学习误差比预设值要大时，必须进行反向误差传播，修正各层神经元节点之 间的连接权重，一降低误差值。反向通过从输出层开始，误差信号向左经过网 络一层层传播，并且递归的计算每个神经元的局部梯度艿。权重的修改公式如 下： 攻形( 疗+ 1 ) = 蟛( 力+ 7 7 彰7 ( 功拶，j = 1 ，2 ( 3 2 9 ) 其中7 7 为b p 网络的学习速率参数；，= l ，2 分别对应隐层和输出层，国! ! 为权值， 西d ( 力为节点的梯度参数。如果神经元是个输出结点，梯度参数为 彰2 ( 月) = 巳j ，纵刀) ( 卜( 刀) ) ( 3 3 0 ) 如果神经元是一个隐层节点，梯度参数为 e 1 ( 吣= ( n ) ( 1 一秽( 功) ( 辞2 ( 功r 蟛( 刀) ) ( 3 3 1 ) 陆l 实际训练中，每一个训练用特征矢量在前向通过、后囱通过整个往返过程 中是固定的。前向过程从输入特征矢量到计算出输出层每一个神经元的误差信 号结束，后向开始时用式( 3 2 9 ) 。( 3 3 0 ) 计算出所有馈入输出层的连接的权值的变 化，给出输出层神经元的局部梯度万，接着用式( 3 2 9 ) ，( 3 3 1 ) 计算倒数第二层所 有神经元的万和所有馈人该层的连接的权值变化。通过后向传播误差给网络的所 有连接权值，一层一层完成b p 算法。 反向传播算法提供使用最陡下降方法，算法中所使用的学习速率参数7 7 越 2 9 第三章平坦衰落信道下的数字调制方式识别 小，从一次迭代到下一次迭代的网络突触权值变化量就越小，轨迹在权值空间 就越光滑。然而这是以牺牲学习时间为代价的。如果增大叼值会加快学习速率， 确会使得网络的连接权值变化量不稳定。一个既要加快学习速度又要保持稳定 的简单方法是修改式( 3 2 9 ) 的d e l t a 法则，加入一个动量项，表示为 w i i ( 拧) = 口w i i ( ，z 一1 ) + 玎万，( 胛) m ( ，z ) ( 3 3 2 ) 其中口是动量因子，通常为o ，l 之间的正数。分析可知，在反向传播算法中加入 动量因子使得在稳定的下降方向加速下降，具有稳定权值修正符号正负摆动的 效果。加入动量因子也可能使得学习过程绕开误差曲面上的浅层的局部极小值。 3 4 2 基于b p 阏络的分类流程 基于b p 神经网络的分类器设计过程如下： 1 在不同的信噪比条件下，将调制信号符号序列加上噪声产生信号序列， 提取其特征矢量作为样本训练神经网络；不同的信噪比范围，其神经网络分类 器也有所不同： 2 对接收到的过采样信号采用子空间分解方法估计出噪声功率矛：1 3 利用符号率采样的接收数据，计算待分类信号的特征矢量，估计s 涨； 4 将计算出的特征矢量输入到与估计出的s n r 相对应的神经网络分类器 中，识别出待分类信号的调制方式。 识别流程图如下 3 0 输入信号 信号类型 图3 。7 平坦衰落信道下，基于b p 网络的调制方式识别流程 第三章平坦衰落信道下的数字调制方式识别 3 5 仿真和实验结果 本节通过计算机仿真实验，验证了本文提出的方法的有效性。 在仿真实验中，信息符号长度为5 0 0 0 ，过采样率2 0 ，s ：n r 在o 1 4 ，5 d b 范国 内变化，成形脉冲为常用的升余弦脉冲，滚降因子为0 5 。符号长度为5 0 0 0 时4 、 6 阶累积量的估计已经较为准确。过采样率为2 0 时噪声功率估计比较精确。仿 真实验过程如下：( 1 ) 将信噪比范围分成0 q 5 d b ，5 9 5 d b ，1 0 1 4 5d b 三个子 区间，分段训练神经网络；( 2 ) 利用过采样的接收信号，估计信号中的噪声功率； ( 3 根据符号率恢复的信号样本，计算特征矢量，并估计接收信号的信噪比的 范围，用该信噪比所在范围的神经网络分类器来识别信号的调制方式。 首先通过计算机仿真实验，对本文提出的方法和文献f 4 1 】的方法的识别性能 进行分析比较，待识别的调制方式的集合是b p s k 、q p s k 、8 p s k 、1 6 q a m 和 6 4 q 枞。文献【4 l 】采用虹f g 2 3 l 、；c 。c 4 ：l 、；e i 膨。：l 作为特征量积基于硬刿决 的方法，在同样的条件下对文献【4 l 】的方法进行仿真。本文采用特征向量 【e ，2 c 4 ：3 ，l c 4 0 c 4 ：i ，l c 。；c 4 2 i ，文，1 。平坦衰落信道下两种方法的正确识别概率足与 s n r 的关系。只脚限的关系曲线如图3 8 所示。本文是在信噪比为p 1 4 5 d b 范围内，每隔0 5 d b 取一个点，每个点上的正确识别概率易由5 0 0 次m o n t ec a r l o 实验得到。由图3 8 可以看出，本文方法在s n r - 7 5 d b 时正确识别率就已经达 到1 0 0 ，而文献f 4 1 】的方法在s n i p l 3 d b 时正确率才达到1 0 0 ；另外，本文 提出的方法在低信嗓比( s n r 为o j l d b 区闻内) 时的性能要弱显优于文献1 4 1 】 方法。需要指出的是本文的噪声估计是针对平坦衰落信道下高斯白噪声的情况， 所以本文所提出方法仅适用于离斯自噪声的情况。丽文献【4 1 1 中的方法也适照于 有色噪声的情况。 然后用本文提出的方法区分1 1 类调制信号，所用特征向量 【2 c 4 ：，l c 柏c 4 2 i ，c 4 。c 4 ：| ，丘，丘。】调制方式集合包括b p s k 、q p s k 、8 p s k 、 8 q a m 、1 6 q a m 、3 2 q a m 、6 4 q a m 、1 6 a p s k 、3 2 a p s k 、v 2 9 、v 3 2 ，其中根 据星座图中半径比值不同，1 6 a p s k 有6 种，3 2 a p s k 有5 种。正确识别概率岩 与s n r 的关系曲线如图3 9 所示。 由图3 9 可见，在信噪比达到8 d b 时识鄹率达到了i g 蝴。信嗓比在4 d & 以 上时，识别率达到9 0 以上。由实验可以验证本文提出的方法，在平坦衰落信 第三章平坦衰落信道下的数字调制方式识别 道中对低信噪比下这1 1 类调制信号有较好的识别性能。 图3 8 平坦衰落信道下，文献【4 】方法与本文方法的性能比较 图3 9 平坦衰落信道下，对1 1 种调制信号的识别性能 由于信噪比区间分成 0 ，4 5 d b 和 5 ，9 5 】d b 两段后，识别率在5 d b 的分界点 处有边界效应，识别率有所下降，可以通过重叠信噪比区间的方法解决此问题。 再训练一段信噪比区间 2 5 ，7 】的网络，对信噪比处于【5 ，6 5 范围内的信号，采用 这个网络分类调制信号。这样可以改善性能，得到图3 9 的识别率效果。同样对 上个实验，也可采用重叠信噪比区间的方法，避免分界点处性能的下降。 3 2 第三章平坦衰落信道下的数字调制方式识别 3 6 本章小节 通过采用基于子空间分解技术估计噪声功率、构造高维的特征矢量和采用 入工神经网络作为分类器，本章提出了一种适合于低信噪比的数字调制方式识 别方法。噪声功率的估计和使用能够在定程度上减小噪声的影响，这主要体 现在可以用功率归一化的高阶累积量作为识别的特征量，以及可以估计出接收 信号的s n r ；高维特征矢量的使用则扩大了不同调制方式的特征差异，基于人 工神经网络的分类器为高维特征空间划分提供了方便，这些技术的使用是本章 方法在低信噪比条件下具有良好性能的重要因素，仿真实验验证了本章提出的 方法的有效性。 第四章多径衰落信道下的数字调制方式识别 第四章多径衰落信道下的数字调制方式识别 频率选择性多径衰落信道将导致符号间干扰( i s i ) ，这给调制方式识别增添 了一些困难，必须采取些措旌来消除或减小i s ! 。盲均衡是降低码阔串扰的有 效方法，本文的研究表明，即使在未知调制方式时，用盲均衡器仍然能够明显 地降低i s i ，改善和提高调制方式识别的正确率。 4 。1 盲均衡算法 信道均衡是通信技术和信号处理的基本问题之一，其目的在于克服传送的 符号与符号间的码间干扰。这种干扰主要是由信道的非理想特性所造成的。奈 奎斯特第一准则给出了可消除码间干扰的系统的频域特性但实际实现时，由于 总是存在设计误差和信道特性的变化，故在抽样时刻也总是存在一定的码闻干 扰。这样就会导致系统性能的下降。在现代通信系统中，信道的失真和畸变所 引起的码间串扰是影响通信质量的一个主要因素，需要有效的信道均衡技术来 消除。在基带系统中插入一种可调( 或可不调) 滤波器将能减少码间干扰的影响， 这种起补偿作用的滤波器统称为均衡器。它通常是在接收滤波器之后插入的横 向滤波器，其频域特性与系统的频域特性作用后的总特性达到奈奎斯特第一准 则，这样将可消除码间干扰。 图4 1 所示为数字通信系统的基带模型，它由线性通信信道和盲均衡器级 联而成。 噪声 图4 1 ，盲均衡器的基带等效模型 z ( 功 第四章多径衰落信道下的数字调制方式识别 发送的调制信号信号序列 口( 七) 经过系数为 向 信道，在加上噪声珂( 七) 得到 接收信号少( 七) 关系如式( 3 5 ) 。接收信号j ，( 七) 经过均衡器得到恢复后的信号z ( 刀) 。 假定均衡器系数为 ) ，满足下式 z ( 七) = 吃( 七) j ，( 七一f ) ( 4 1 ) 4 1 1 b u s s g 粕g 盲均衡算法 理想逆滤波器的冲击响应 w 和信道冲击响应序列 曩 之间满足理想逆关 系，即 嵋吃一，= 瓯 ( 4 2 ) j = 不考虑噪声影响时，用理想的逆滤波器作为均衡器可以正确恢复原发射的数据 序列。 w y ( 玎一f ) = m 玩口。一f 一尼) 2 丕口) 丕魄，( 4 3 ) = 即。一z ) = d ( 力) 但是理想逆滤波器具有无穷多个抽头，在实际使用中无法实现。用一个长 度为2 三+ l 的逆滤波器诊表示截尾的理想逆滤波器，用它去均衡信号，会存在卷 积噪