通信信号调制样式的自动识别＊

张志勇 张立民 兰 天

（1.海军航空工程学院电子信息工程系 烟台 264001）（2.海军航空工程学院科研部 烟台 264001）（3.海军驻太原地区航空代表室 太原 030006）

1 引言

在非合作通信领域里，通信信号调制样式自动识别技术备受关注，成为研究热点。根据各种信号的参数特征，可以使用不同的调制技术。自上世纪80年代末期，越来越多的科研人员将目光投向通信信号调制样式识别之中，经过近30年的研究，各种新方法不断涌现，如瞬时特征［1～3］、循环功率谱［4～5］、高 阶 矩 高 阶 累 积 量［6～8］等。但 是 这 些 方 法都存在一些问题，比如，需要获得大量的先验信息，就无法在非合作通信中得到实际应用；过程复杂、运算量大，就无法在对实时性要求较高的工程中执行。

通常，调制样式识别有两种方法：1）判决理论识别；2）统计模式识别。统计模式识别目前在各种工程项目中得到广泛应用。与统计模式识别相比较，判决理论存在着一些缺陷：1）如果判决位置不同，在同信噪比条件下会影响判决的正确性；2）根据每个特征识别，都有需要设置一个门限，因此，识别的正确率都受制于判决门限的选取。但是判决理论的优势在于无需先验信息。

人工神经网络（Artificial Neural Net，ANN）［9～10］是一种基于判决理论识别的新方法，ANN在每个神经元中的判决门限都是自动选取的，对门限的选取具有自适应能力，而且每次判决都会使用所有的特征量，这样，识别的正确率就不会受制于判决门限的选取。

2 信号模型

接收机接收到的信号，已经不是原始的发射信号，这其中有很多因素，主要原因是噪声的影响。背景噪声的种类有很多，本文就以高斯白噪声（White Gaussian Noise，WGN）为背景，方差为σ2，则接收到的信号表示如下

其中ST（t）为原始的发射信号；nb（t）为背景噪声均值，在这里假设为高斯白噪声；当然，RU（t）就是接收机接收到的未知信号。

ai为成形的脉冲序列，h（t）为脉冲成形滤波器响应。

利用神经网络方法会使整个识别过程更简易更可靠。在原来的决策理论方法中，选择个合适的阀值比较困难而且非常耗时［9］。神经网络会在每个节点自动选择阈值。在决策理论算法中，每个时间点只有一个关键特征是表示时间顺序的，这在保证正确的识别概率中起着正确的作用。在人工神经网络算法中，同时存在所有的关键特征，因此，表示时间的关键特征也就不会影响决策的正确率，相对于决策理论方法，人工神经网络更可取。关于人工神经网络方法识别大致分为三部分：

1）预处理；

2）训练阶段；

3）测试阶段，确定信号的调制样式。

3 建立特征量

以BPSK、QPSK、8PSK、pi／4－QPSK、OQPSK和 UQPSK调制信号为依据，给出几个分类特征量：

1）零中心归一化瞬时幅度的谱密度的最大值：

2）瞬时相位非线性分量绝对值的标准偏差

3）瞬时相位非线性分量的标准偏差：

γmax可以把OQPSK从这六种PSK信号中识别出来，σAp、σdp则是可以区分BPSK和QPSK；

4）c2、c4分别为信号平方谱和四次方谱单频分量的检测值；

5）ca为信号包络单频分量的检测值；

6）N2、N4分别为平方谱和四次方谱单频分量数。

4 识别方法及流程

图1 信号调制样式识别流程

首先把连接权和阈值初始化为较小的非零随机数，然后把有若干个连接权值的输入送入网络，经加权运算处理，如果输出与所期望的输出差别较大，就对连接权值参数进行自动调整，经过多次反复，直到所得到的输出与所期望的输出间差别满足要求止，如图1所示。

每一个结果已经运行至少80次，取平均值，并将其显示。信噪比区间取－5dB～10dB。基于反向传播方法，这里使用的是的Levenberg－Marquadt［11］的算法之一。本实验使用两个隐层神经网络，在不同的信噪比条件下，每一层都使用了不同数量的神经元。如第一层使用X个神经元，第二层使用Y个，则X、Y表示神经元组合。

5 实验测试结果

根据以上通信信号的识别流程图，以目前普遍使用的BPSK、QPSK、8PSK、pi／4－QPSK、OQPSK 和 UQPSK 通信调制信号作为实际输入采集信号，进行实验测试。结果如图2所示，识别率情况还是比较好的，可以看出，几乎所有信号的正确识别率都随神经元组合数量的增加而增加。所以这里必须指出，在神经网络的隐藏层中，各层神经元数量的组合对识别率起着至关重要的作用。尤其在使用12，12的神经元数量组合，信噪比在－1～0dB时，对以上几种信号的识别率几乎在90%以上。但是信噪比在－2dB以下时，识别率明显下降。

图2 不同信噪比条件下各神经元组合对信号的调制识别率

6 结语

在本文中，对六个数字调相信号（BPSK、QPSK、8PSK、pi／4－QPSK、OQPSK和UQPSK）进行调制识别。实验数据结果表明，隐藏层中神经元数量对信号调制样式识别的正确率起着至关重要的作用。而且，与其他组合形式相比，带有十二个神经元的两个隐藏层组合起来相互作用，有更好的识别效果。

［1］NAND IA K，AZZOUZ E＆E.Algorithms for automatic modulation recognition of communication signals［J］.IEEE Trans Communication，1998，46（4）：430－436.

［2］马菊红，朱灿焰.认知无线电中一种循环特征检测方法研究［J］.通信技术，2009，42（4）：24－26.

［3］王秉钧，王少勇，田宝玉，等.现代卫星通信系统［M］.北京：电子工业出社，2004.

［4］Gander W A.Exploitation of spectral redundancy in cyclostationary signals［J］.IEEE Signal Processing Magazine，1991，8（2）：14－36.

［5］DUBUC C，BOUDREAU D.An automatic modulation recognition algorithm for spectrum monitoring applications［C］／／IEEE International Conference on Communications（ICC'99）.Vancouver，Canada，1999.732－736.

［6］SWAMI A，SADLER B M.Hierarchical digital modulation classification using accumulates［J］.IEEE Trans Communica－tion，2000，48（3）：416－429.

［7］Azzouz E E，Nandi A K.Automatic modulation recognition of communication signals［J］.The Netherlands：Kluwer Academic Publishers，1996：77－94.

［8］陈卫东，杨绍全.利用累量不变量对 MPSK信号分类［J］.西安电子科技大学学报（自然科学版），2003，29（2）：229－232.

［9］RAMAKONAR V，DARYOUSH H，ABDESSELAM B.Automatic Recognition of Digital Modulated Communications Signals［C］／／Fifth International Symposium on Signal Processing and Its Applications，1999，2：753－756.

［10］杨小牛，楼才义，徐建良.软件无线电原理与应用［M］.北京：电子工业出版社，2001：204－211.

［11］张鸿燕，耿征.Levenberg－Marquardt算法的一种新解释［J］.计算机工程与应用，2009，45（19）：5－8.