【《多载波信号的识别探析国内外文献综述》6300字】

附录多载波信号的识别研究国内外文献综述目录TOC\o"1-3"\h\u24530多载波信号的识别研究国内外文献综述 084671.1.1多载波技术研究现状 0313921.1.2信号识别算法研究现状 115996参考文献 5近年来，随着5G多载波技术的发展，多载波技术的研究也越来越广泛。另一方面多载波信号的识别也引起了相关学者的注意。下面就与多载波信号识别相关的多载波技术发展、信号识别等相关问题进行综述。多载波技术研究现状滤波器组多载波调制于1967年由B.Saltzberg[8]提出，但由于当时并没有该调制方法的相关理论，所以也没有人认为应该称此调制方法为滤波器组多载波调制。除此之外，当时没有成熟的数字信号处理技术来使该调制方法得以实现，因而该调制方法没有引起人们的足够重视。一直到上世纪80年代，随着数字信号处理技术的不断丰富与成熟，广大研究人员才开始重点研究该调制方法。在1985年，Cimini[9]把OFDM的概念引入蜂窝移动通信系统，为无线OFDM系统的发展奠定了基础。OFDM因其具有简单易实现和高效的频谱利用率等特点一直作为核心技术被多种有线和无线接入标准所采纳。但是随着第五代移动通信技术的到来，面对5G更加多样化的业务类型、更高的频谱效率和更多的连接数等需求，OFDM的参数设置统一、需要CP对抗多径和较高的带外泄露等特征无法满足5G的需求[10]。目前许多学者都在积极研究OFDM的替代波形，并有一定的成果。其中FBMC技术以其旁瓣衰减快、有更高的频谱利用率以及可以对子载波进行灵活的配置、频谱使用灵活等优点被认为是未来无线通信系统中候选方案之一[11]。目前国内外的许多学者都对FBMC技术做了大量的研究，文献[12]研究了FBMC系统中原型滤波器设计的优化，并将优化后的FBMC系统在误码率、功率谱密度、计算复杂度方面与OFDM的性能进行了比较。文献[13]针对FBMC系统提出两种不同接收机，并获得较低符号错误率。文献[14]从误码率与信噪比的角度对FBMC、F-OFDM、UFMC等几种传输技术进行了性能分析，仿真结果表明，与其他技术相比，FBMC技术具有良好的性能。UFMC由诺基亚和阿朗提出，其核心思想是采用滤波方式处理一组连续的子载波，其滤波器长度与循环前缀的长度相同以便保持时域信号的正交性。UFMC的滤波器易于实现，但其缺点在于对频谱泄漏的抑制效果不太好，运算量比较大的时域卷积导致实时处理能力不强[15]。GerhardFettweis等人[16]于2009年提出了GFDM，其脉冲成形函数采用非矩形窗函数，易于实现，不需要复杂的信道均衡，并且其保护间隔可以根据实际应用场景需求设置成不同长度。此外，GFDM非常灵活，可以同时处理任意个子载波。GFDM的缺点主要表现为子载波抗干扰能力的增强等优点的提升往往需要通过加大系统的复杂度作为代价[17]。F-OFDM是由华为在2015年的世界移动通信大会上首先提出的，它是OFDM的进一步改进。华为在文献中提出，F-OFDM系统仍然以OFDM作为它的基本调制方式，并且在每个子带中加上滤波器以对各自的发送信号进行滤波，这样可以降低频谱的带外泄漏，从而可以支持丰富的应用场景[18]。文献[19]提供了有关F-OFDM系统进行实际场景的测试数据，测试结果有力地揭示了相比较于F-OFDM系统相比于OFDM系统具有更好的带外频谱泄漏抑制性能及良好的异步传输性能。文献[20]分析了频偏产生的ICI对经过多径衰落信道的OFDM系统和F-OFDM系统性能的影响。信号识别算法研究现状如下图1.1所示，信号识别包括信号调制识别与多载波信号识别。广义上讲，信号多载波方式也看作一种广义的信号调制。图1.1信号识别基本框图=1\*GB3①信号调制识别算法信号调制识别的目的是知道信号的调制方式和调制参数，以便更好地获得发送的信息，因此信号的调制识别问题历来都是无线通信中至关重要的步骤。调制识别算法大致分为两类，一类是基于最大似然假设检验方法，另一类是基于特征提取的统计模式识别方法[21]。1)最大似然比检验的识别方法最大似然的识别方法是从概率论与复合假设检验的方面去研究信号的调制方式识别问题[22]。通过对未知信号进行似然函数处理，得到信号的分类统计量和最佳门限值，将统计量与门限值进行比较，从而确定信号调制样式。这种方法在理论上是最优的，并且可以通过分析得到信号的分类性能曲线。但是在实际中存在许多问题，比如计算复杂度高、似然函数计算过程需要知道信号的载频、码速率等，但这些参数在非协作通信中是未知的，按照对未知参数的处理，最大似然方法主要分为以下三大类：平均似然比检验(AverageLikelihoodRationTest,ALRT)、通用似然比测试准则(GeneralizedLikelihoodRatioTest，GLRT)和混合似然比分类准则(HybridLikelihoodRationTest,HLRT)[23]。1988年Kim等[24]率先提出了一种基于平均似然比检验的调制识别方法，并在二进制相移键控(BinaryPhaseShiftKeying，BPSK)和四进制相移键控(QuadraturePhaseShiftKeying，QPSK)的分类识别中有较好的调制识别性能。在此之后，Huang等[25]对此方法进行改善与优化，即便在低信噪比下仍能准确区分BPSK和QPSK。Boiteau等[26]通过研究提出了一种基于广义似然比检验(GeneralizedLikelihoodRatioTest，GLRT)的分类方法，该方法是用幂级数来对似然比函数作近似，其实现性能与平均似然法类似，但却减少了计算量，降低了识别的复杂度。基于GLRT与ALRT两种算法的融合，Polydoros等[27]通过大量实验研究首次提出了混合似然法(HybridLikelihoodRationTest，HLRT)分类方法，该方法不仅具有传统算法的优势，还抑制了码元的干扰，合理控制了计算量，提高了调制识别性能。基于尽可能地简化采样点数以避免信号重构的理念，李立春等[28]基于多元假设提出了一种改进MPSK信号的似然比识别算法，在保证调制识别性能的前提下，降低了操作的复杂性。该类算法的优点为调制识别性能达到最优或者近似最优，其缺点在于对信号的先验信息依赖性强，且对模型失配较为敏感，算法的复杂度较高，在工程实践中应用性受限。2)基于特征提取的信号调制识别方法研究基于特征提取的调制识别算法主要过程为，先提取调制信号的特征，然后在选择合适的分类器来实现信号的调制识别。根据信号特征提取的方法及分类器选择的不同，又可分为2种方法，一种是基于传统的模式识别算法，该算法人工设计并提取如高阶累积量、星座图、循坏谱及小波变换等特征，选择聚类及支持向量机等分类器来完成信号的调制识别。另外一种是基于机器学习的调制识别算法，该方法又可以分为2类，一类为传统的机器学习算法需要事先人工提取特征，再选择反向传播（BackPropagation，BP）神经网络等分类器来完成信号的调制识别，还有一类为基于深度学习的调制识别算法，该算法的特征是自动提取，并且通过具有深度神经网络结构的分类器来完成对信号的自动调制识别[29-31]，具体表述如下。(1)基于特征提取的传统模式识别方法传统模式识别算法的方法实际上是一种盲识别算法。在实际的调制方式识别中，一般采用模式识别的方法。该方法只要通过提取能够反映信号调制类型的特征参数，构成不同模式的特征矢量，然后根据经典的模式识别理论进行分类、识别。相对于最大似然方法，模式识别方法虽然在理论上是次优的。但是实际应用中实现复杂度较低，在先验知识不足的情况仍能识别多种信号调制方式，更能适合当前各种通信场景下的需求。因此得到国内外许多学者的关注，从目前的所发表的文献来看，模式方法中的特征主要选择的特征有时域特征和变换域特征，主要包括基于信号瞬时信息特征、基于信号高阶累积量特征、基于时频分析特征、基于星座图特征、以及基于谱分析特征等。在二十世纪九十年代，Azzouz和Nandi等[32]提出基于瞬时信息的9个时频统计特征，在信噪比大于10dB时，实现了对多种模数信号的有效分类，该方法对以后的信号调制识别领域的研究产生了很大的影响。文献[33]提出一种基于信号二、四阶累积量对2ASK、4ASK、2PSK、QPSK进行分类识别，以及对8PSK和MFSK微分后的四阶累积量对其分类识别，在信噪比为8dB时，正确识别率为百分之百。文献[34]根据归一化前后小波变换幅度差异，利用小波变异系数的不同和相似性特征，对MASK、MFSK、MPSK、MQAM进行识别，仿真显示在信噪比大于2dB时，识别率高达92.39%以上。在2004年，文献[35]结合盲均衡技术，利用减法聚类思想构造接收信号星座图，并与原有信号星座图匹配对比，完成了对ASK、QPSK、8PSK和16QAM信号的分类。在1987年，Gardner[36]首次将循环平稳理论用于信号调制分类问题上，且识别效果出乎意料。(2)基于机器学习的调制识别算法基于机器学习的调制识别算法，该方法可以分为2类，一类为传统的机器学习算法，改算法需要事先人工提取特征，再选择BP（BackPropagation）神经网络等分类器来完成信号的调制识别，还有一类为基于深度学习的调制识别算法，该算法的特征是自动提取，并且通过具有深度神经网络结构的分类器来完成对信号的自动调制识别，基于深度学习的自动调制识别，就充分发挥了自组织、自学习机制的优势特征，在不需要先验信息的前提下，利用非线性函数便可提取出有效特征，最后利用相匹配的分类器实现准确识别[37]。YunLin等[38-39]在开展的研究中先提取浅层特征，再通过主成分分析（PrincipalComponentAnalysis，PCA）算法、Fisherface算法等方法，并将KNN、Softmax、深度自编码网络等作为分类器，分别识别MASK、MFSK、MPSK和MQAM等调制信号，取得了较好调制识别性能。Gihan等[40]提出一种基于深度学习的识别算法，通过提取浅层特征，再借助深度置信网络（DeepBeliefNetworks，DBN），对BPSK、QPSK、16QAM等多种信号进行仿真分析，结果显示，在信噪比0dB的情况下，其识别正确率超过91%；在信噪比5dB的情况下，其识别正确率则超过98%。UhyeonLee等[41]通过提出一种基于光谱图与深度学习的识别算法，利用短时傅里叶变换（ShortTimeFourierTransform，STFT）算法提取信号的光谱图，并通过深度学习实现了谱图特征自动提取，实现对MFSK、MPSK和MQAM等多种调制信号的仿真分析。结果显示，在信噪比-4dB的情况下，其识别正确率为90%。TimothyJ.O'Shea等[42]基于GNURadio生成可满足各种情况下的调制信号数据集，然后再利用这些数据集在深度神经网络（DeepNeuralNetwork，DNN）、卷积神经网络（ConvolutionalNeuralNetworks，CNN）等各种深度神经网络上实现分类识别，并围绕卷积层数、卷积核尺寸、神经元数量与调制识别性能之间的关系影响展开了针对性探讨与研究。结果表明，如果信噪比为0，其识别正确率会超过90%。ScottKuzdeba等[43]则在开展的研究中利用TimothyJ.O'Shea等人建立的调制信号数据集，以分层深度神经网络为分类器实现信号的自动调制识别，取得了较好的调制识别性能。Suria等[44]提出一种改进的深度CNN网络识别算法，通过对传统CNN网络结构添加Droupout层和辅助信息等方法，实现了对MPSK、MQAM等11种调制信号的分类识别，结果显示，在信噪比为-2dB情况下，平均识别正确率超过90%。=2\*GB3②多载波信号识别算法多载波信号识别主要包括单载波、多载波信号之间的识别以及多载波信号识别，下面就分别从这两方面对此进行论述。1)单载波、多载波信号之间的识别在1999年，文献[45]针对含有加性高斯白噪声的OFDM信号，率先对此类信号提出了调制识别算法，该算法通过观察得到基带多载波信号具备单载波信号所不存在的近似正态分布的统计特性，采用高斯性检测算法，很好地将OFDM信号分离出来。文献[46]利用OFDM信号近似服从高斯分布，其二阶及以上的高阶累积量为零，单载波高阶累积量不为零来区分OFDM与单载波调制信号。文献[47]提出OFDM和单载波调制信号的广义平均模糊函数(Generalizedaveragefuzzyfunction,GMAF)的特定属性作为特征，从而对信号进行模式识别。文献[48]推导了FBMC和OFDM信号的二阶循环累积量表达，在此基础上，利用二阶零次共轭循环累积量和循环自相关截面的算法，成功的完成了单载波、OFDM和FBMC信号的分类识别，并取得较好的分类效果，但该算法的计算量过高。2)多载波信号之间的识别目前，在信号识别领域，国内外的学者们对单载波信号的分类识别进行了大量的研究，但是对于OFDM、FBMC等多载波信号的研究却鲜有文献，特别是关于多载波信号类型的识别较少，但随着新一代移动通信系统的发展，多载波识别已经越来越普遍，因此，对于通信侦查，认知无线电等信号处理来说，对多载波信号识别显得尤为重要。文献[49]中利用信号功率谱旁瓣衰减的特征来识别多载波调制，然后利用似然函数识别子载波调制，以达到FBMC/OQAM信号调制识别的目的，但该方法对噪声敏感，在低信噪比条件下识别效果不佳。文献[50]提出了一种基于星座图投影及似然比检验的基于正交振幅调制的正交频分复用(OrthogonalFrequencyDivisionMultiplexing-QuadratureAmplitudeModulation,OFDM-QAM)信号及基于交错正交振幅调制的滤波器组多载波(FniterBankMulti-Cairier-OffsetQuadratureAmplitudeModulation,FBMC-OQAM)信号识别算法。当信噪比10dB时，其识别正确率可以达到95%。该算法需要信号的先验信息，而这些信息在非协作条件下一般难以获取。文献[51]针对OFDM-QAM、FBMC-OQAM、UFMC-QAM等三种多载波信号提出了基于主成分分析(principalcomponentsanalysis,PCA)与卷积神经网络(ConvolutionalNeuralNetworks,CNN)的多载波识别算法。其中，PCA算法用于实现对多载波信号噪声抑制，在此基础上，利用CNN对三类多载波信号的幅度进行自动特征提取，并完成类型识别。仿真结果表明，在信噪比5dB时，该方法的平均识别正确率可以达到95%以上。该方法信号识别范围仅限于OFDM-QAM、FBMC-OQAM、UFMC-QAM三种，而且因为引入了深度学习框架，需要大量训练样本，算法具有一定复杂度，实时性较差使得其在非协作环境下应用受到限制。参考文献ADDINNE.Bib[1]GoldsmithG.EirelessCommunication[M],CambridgeUmiversityPress,2005.[2]Farhang-BoroujenyB.OFDMversusfilterbankmulticarrier[J].IEEESignalProcessingMagazine,2011,28(3):92-112.[3]罗潇景.基于滤波器组的多载波(FBMC)调制系统的研究及实现[D].四川:电子科技大学.2016.[4]MahamaS.,HarbiY.J.,BurrA.G.,etal.IterativeInterferenceCancellationinFBMC-QAMSystems[C]//2019IEEEWirelessCommunicationsandNetworkingConference(WCNC).Marrakesh,Morocco:IEEE,2019:1-5.[5]BanelliP,BuzziS,ColavolpeG,etai.Modulationformatsandwaveformsfor5Gnetworks:WhowillbetheheirofOFDM?:Anoverviewofalternativemodulationschemesforimprovedspectralefficiency[j].IEEESignalProcessingMagazine,2014,31[6]:80-93.[6]P.Siohan,C.Siclet,LacailleN.AnalysisanddesignofFBMC/OQAMsystemsbasedonfilterbanktheory[J].IEEETransactionsonSignalProcessing,2002,50(5):1170-1183.[7]张炜.数字通信信号调制方式自动识别研究[D].湖南:国防科学技术大学,2006.[8]SaltzbergB.Performanceofanefficientparalleldatatransmissionsystem[J].IEEETransactionsonCommunicationTechnology,1967,15(6):805-811.[9]CiminiL.Analysisandsimulationofadigitalmobilechannelusingorthogonalfrequencydivisionmultiplexing[J].IEEETransactionsonCommunications,1985,33(7):665-675.[10]陈亮,余少华.6G移动通信关键技术趋势初探(特邀)[J].光通信研究.2019,4(5):1-4.[11]G.Wunder,P.Jung,M.Kasparick,etal.5GNOW:non-orthogonal,asynchronouswaveformsforfuturemobileapplications[J].IEEECommunicationsMagazine,2014,52(2):97-105.[12]RaghunadhM.V.,GullapalliR.R.,JagtapH.R.,etal.DesignandSimulationofLTEPrototypeFilterforFilterbankmulticarrier(FBMC)System[C]//2019InternationalConferenceonComputing,PowerandCommunicationTechnologies(GUCON).NCRNewDelhi,India:IEEE,2019:697-702.[13]SinghP.,RaniB.U.,BudhirajaR.,etal.ReceiversforVBLASTFBMC-OQAMSystems[J].IEEECommunicationsLetters,2019,24(4):767-771.[14]RachiniA.S.,JaberM.M.PerformanceofFBMCin5GMobileCommunicationsOverDifferentModulationTechniques[C]//2019InternationalSymposiumonNetworks,ComputersandCommunications(ISNCC).Istanbul,Turkey:IEEE,2019:1-6.[15]B.Farhang-Boroujeny.FilterBankSpectrumSensingforCognitiveRadios[J].IEEETransactionsonSignalProcessing,2008,56(5):1801-1811.[16]G.Fettweis,M.Krondorf,S.Bittner.GFDM-GeneralizedFrequencyDivisionMultiplexing[C].VehicularTechnologyConference,2009.VTCSpring2009.IEEE69th,2009.[17]V.Vakilian,TWild,F.Schaich,etal.Universal-filteredmulti-carriertechniqueforwirelesssystemsbeyondLTE[C].GlobecomWorkshops(GCWkshps).IEEE,2013:223-228.[18]华为技术有限公司.F-OFDMforInnovateAsiaCompetition[R].5G算法大赛2015.[19]杨凡,曾孝平,周继华,等.F-OFDM系统的基带技术研究[J].重庆理工大学学报(自然科学),2016,30(09):113-117.[20]K.C.Hu,A.G.Armada.SINRanalysisofOFDMandf-OFDMformachinetypecommunication[C].2016IEEE27thAnnualInternationalSymposiumonPersonal,Indoor,andMobileRadioCommunications(PIMRC),Valencia,2016:1-6.[21]C.S.Weaver,C.A.Cole,etc.TheAutomaticClassificationofModulationTypesbyPatternRecognition[R].StanfordElectronicsLab,TechReport,April1969.[22]Z.Yang,S.Ping,H.Sun,andA.-H.Aghvami.CRB-RPL:Areceiver-basedroutingprotocolforcommunicationsincognitiveradioenabledsmartgrid[J].IEEETransactiononVehicularTechnolog,2017,66(7):5985-5994.[23]张贤达,保铮.非平稳信号分析与处理[M].北京：国防工业出版社,1998:323-336.[24]KKim,APolydoros.DigitalModulationClassification:theBPSKversusQPSKcase[C].MilitaryCommunicationsConference,MILCOM88,Conferencerecord.1988:431-436.[25]HuangC,PolydorosA.LikelihoodMethodsforMPSKModulationClassification[J].IEEETransactionsonCommunications,1995,43(2/3/4):1493-1504.[26]F.Benedetto,G.Giunta,E.Guzzon,M.Renfors.Effectivemonitoringoffreeloadinguserinthepresenceofactiveuserincognitiveradionetworks[J].IEEETransactiononVehicularTechnology,2014,63(5):2443-2450.[27]PanagiotouP,AnastasopoulosA,PolydorosA.LikelihoodRatioTestsforModulationClassification[C].IEEEMilitaryCommunicationsConferenceProceedings,2000:670-674.[28]童年,李立春.非重构压缩样值的MPSK信号最大似然调制识别[J].信息工程大学学报,2015,16(5):579-583.[29]Z.Yang,S.Ping,H.Sun,andA.-H.Aghvami.CRB-RPL:Areceiver-basedroutingprotocolforcommunicationsincognitiveradioenabledsmartgrid[J].IEEETransactiononVehicularTechnolog,2017,66(7):5985-5994.[30]A.K.Nandi,E.E.Azzouz.Automaticidentificationofdigitalmodulationtypes[J].SignalProcessing,1995,47(1):55-69[31]A.K.Nandi,E.E.Azzouz.AlgorithmsforAutomaticModulationRecognitionofCommunicationSignals[J].IEEETransactionsonCommunication,1998,46(4):431-436.[32]A.K.Nandi,E.E.Azzouz.Automaticmodulationrecognitionofcommunicationsignals[M].KluwerAcademicPublisher,1996:25-50.[33]OrlicV.D.,DukicM.L.Automaticmodulationclassificationalgorithmusinghigher-ordercumulantsunderreal-worldchannelconditions[J].IEEECommunicationsLetters,2009,13(12):917-919.[34]LanxunWang,ShutingGuo,CengjuanJia.RecognitionofDigitalModulationSignalsBasedonWaveletAmplitudeDifference[C]//20167thIEEEInternationalConferenceonSoftwareEngineeringandServiceScience(ICSESS),Beijing:IEEE,2016:627-630.[35]王建新,宋辉.基于星座图的数字调制方式识别[J].通信学报,2004,6,25(6):166-173.[36]GardnerW.A.,SpoonerC.M.Cumulanttheoryofcyclostationarytime-series.I.Foundation[J].IEEETransactionsonSignalProcessing,1994,42(12):3387-3408.[37]HuiWang,LiLiGuo.ANewMethodofAutomaticModulationRecognitionBasedonDimensionReduction[C].2017ForumonCooperativePositioningandService(CPGPS).2017:316-320.[38]XiaoleiZhu,YunLin,ZhengDou.Automaticrecognitionofcommunicationsignalmodulationbasedonneuralnetwork[C].IEEEInternationalConferenceonElectronicInformationandCommunicationTechnology(ICEICT).2016:223-226.[39]JiachenLi,LinQi,YunLin.Researchonmodulationidentificationofdigitalsignalsbasedondeeplearning[C].IEEEInternationalConferenceonElectronicInformationandCommunicationTechnology(ICEICT).2016:402-405.[40]GihanJ.Mendis,JinWei,etc.Deeplearning-basedautomatedmodulationclassificationforcognitiveradio[C].IEEEInternationalConferenceonCommunicationSystems(ICCS),2016:1-6.[41]SinjinJeong,UhyeonLee,SukChanKim.Spectrogram-BasedAutomaticModulationRecognitionUsingConvolutionalNeuralNetwork[C].2018TenthInternationalConferenceonUbiquitousandFutureNetworks(ICUFN),2018,16:843-845[42]TimothyJ.O'Shea,NathanWest.RadioMachineLearningDatasetGenerationwithGNURadio[C].Proceedingsofthe6thGNURadioConference.2016:1-9.[43]KrishnaKarra,ScottKuzdeba,etc.Modulationrecognitionusinghierarchicaldeepneuralnetworks[C].IEEEInternationalSymposiumonDynamicSpectrumAccessNetworks(DySPAN).2017:1-3.[44]KeerthiSuriaKumarArumugam,etc.ModulationRecognitionUsingSideInformationandHybrid