一种针对特定无线电信号的识别方法

方健贵　唐静　熊韬

摘要：文章首先介绍了信号识别的意义和发展趋势，阐述了传统通信的信号识别方法；接着介绍了两种信号识别方法的实际应用案例，对信号识别效率、准确度进行仿真和分析；最后使用广义特征提取技术、权重特征数据库比对和决策方式，提出了一种针对特定信号识别的解决方案，该方法具有识别效率高、资源要求低、可扩展和易实现的特点。

关键词：信号识别；调制识别；特征提取；特定信号

1 信号识别的意义及方法

1.1 信号识别概述

近些年，随着无线通信技术、卫星通信、网络通信、软件无线电技术等技术的迅速发展，无线电识别技术在电子监视、电子防护、电子对抗、电子牵制、信号截取、雷达识别以及保障通信质量和安全等军事应用方面发挥着越来越大的作用；在民用方面，同样由于移动通信业务的急剧扩张，频谱资源日益短缺，无线电管理机构可通过信号识别技术为无线频谱管理进行信号身份确认，对一些非法信号进行监控、屏蔽、干扰、定位、查处，实现对不同用户的区别管理。

从识别的对象上区分，以上阐述的多是对未知信号的识别和应用，即在得到识别结果前对信号的特征信息是未知的，识别的结果也未必是用户感兴趣的信号，可认为是一种“盲识别”。在某些特定的无线电监测应用领域，比如非法广播监视、重点区域反恐无线电侦测，需要对某些已知的无线电信号进行快速发现、跟踪和监测接收。这种信号在监测前已经掌握了其部分特征信息，可以认为是一种“特定识别”。专门针对此方面的研究和应用较少。

此外，无线电信号在传播过程中，环境复杂，外界噪声干扰较多，造成信号接收的不确定性，信号的处理日益困难，所以，了解信号识别类型，可为净化信号环境和抑制干扰等提供有力的支持。

1.2信号识别的方法

通信信号识别主要有两种方法：决策一理论法和模式识别法。两种识别方法都是基于假设检验和统计推断这两个基本数学方法上实现的。

1.2.1 决策论识别方法

决策论方法实际上是最大似然假设检验方法，基本思想是采用概率论和假设检验理论来解决信号的调制识别问题。通常根据信号的统计特性，通过理论分析与推导，得到统计检验量，然后与一个合适的门限进行比较，从而形成判决准则来实现调制信号自动识别。在决策论方法中，通常把信号分类看成一个多元假设检验问题，对应m种调制方式有m种假设检验H_i（i=1，2，…，m）。

该方法的优点在于完备的算法理论支撑下，在最小误码下，保证分类准则的最优化；其缺点在于决策论算法需要更多的先验数据库，如载波频率、载波相位、码元速率、噪声类型和信噪比等等。先验知识缺少或不准确严重影响算法的性能，甚至导致算法失效。其次，未知参量的存在导致似然比识别算法的统计量表达式非常复杂，计算量大，难于实时处理。若简化处理势必降低性能。

1.2.2 模式识别方法

在模式识别方法中，其按照特征提取和分类识别两个步骤完成如图1所示。调制方式模式识别系统结构主要由信号接收、特征提取和判决输出3部分构成。

首先原始数据中提取表征信号调制样式的特征向量，提取调制识别分类特征可以在时域进行，也可以在频域进行，常用的分类特征包括包络特征、相位特征、频率特征，频谱特征，高阶累积量等；然后根据一定的判决门限，在特征空间中用统计方法识别信号调制样式，特征的提取直接影响后面类型识别部分的设计和性能。

2 两个典型的信号识别设计方案

2.1 调试识别和符号速率提取技术

2.1.1 调制识别技术

利用决策树理论实现对FM，AM，CW，ASK，FSK、QPSK，OQPSK，16QAM，32QAM等调制的分选。

2.1.2 符号速率提取技术

利用小波尺度变换技术对符号速率进行提取，可实现对ASK，FSK，QPSK，OQPSK，16QAM，32QAM等调制的符号速率提取。

实际应用测试表明，以上几种调制识别方法，在接收信号信噪比达到10dB以上时，其准确率可达90%以上，计算机资源要求较高。

2.2 电台信号特征识别

2.2.1 电台信号识别方法

在民用的无线电管理方面或军用应用领域，电台信号识别的需求和应用都比较广泛。

识别过程主要依据电台的特征参数，这些参数可以是常规特征参数、高阶统计量特征参数，或者是特征参数与高阶统计量特征参数结合等。

常规特征主要包括分形理论的LZC复杂度、盒维数、信.息维数等。

高阶统计特征主要包括高阶J特征、包络峰度、矩形积分双谱等。

2.2.2 电台信号识别仿真结果

笔者曾对某无线电监测站设备采集的数据进行了识别仿真处理。在采样频率为38 2kHz时进行时长1s的数据采样，所获得的数据组成一个样本，每个电台采集的样本个数为100个，提取的特征码大小约为1kbit，识别时间一般在秒级，对其进行仿真，以预计其可达到的识别率。

以调幅话音广播随机采集4个电台的数据进行仿真：取电台一100组数据，30组作为训练数据，70组作为测试数据；取电台90组数据，30组作为训练数据，60组作为测试数据；电台三50组数据，30组作为训练数据，20组作为测试数据；电台四49组数据，29组作为训练数据，20组作为测试数据。识别过程是一一匹配各电台特征库，匹配正确则判定为该电台信号。识别结果如表1所示。

3 一种特定信号的识别方法

3.1 典型信号识别方法分析

针对特定的无线电信号，在已知调制识别的基础上，采用调制识别的方法可以做到较高的识别概率，但随着未知信号调制类型的增加，势必会成倍增加识别的时间和硬件运算资源，甚至出现某些信号无法区分的情况（如USB，LSB等）。而采用信号特征库比对的方式，上述从样本库（连续采样数据）提取特征识别样本库信号，其识别率均未能达到90%，虽然随着样本库数量的增加和选择的匹配特征个数增加，可以提高其识别概率，但由于无线电信号在传播过程中，环境复杂和外界噪声干扰较多造成信号接收的不确定性特征较多。该方法在耗费运算资源的同时仍然不能达到理想的应用效果。

3.2 特定信号识别方法的方案设计

众所周知，典型的信号识别方法均为某种意义上的“盲识别”，为了数理运算的有效性和硬件资源的可实现性，其选取的特征参量均为通用的、个数固定的。而针对特定的信号，虽然信号的种类繁多，但其很多特征参量是已知的。除了以上提到的常规参数、高阶参数、调制类型等特征之外，还有诸如中心频率、频偏、电平、稳定性、带宽、持续时间、信噪比、平均电平、活动时间、语音/数据、瀑布图、语图等等。但凡可以用来识别某类特定信号的一切特征都可以统计进来，人们可以称之为“广义特征”，而某个特定信号则采取狭义特征进行描述。具体的实现过程包括狭义特征库提取和特定信号搜索识别，如图2-3所示。

电台①狭义特征库提取：

首先对已知的某特定信号进行数据采集，采集的数据不仅仅限于无线电信号本身，包括一切可以描述此类信号的所有信息，如出现时间、时长，甚至与此同时出现的具有某种关联意义的特殊事件等，该过程可在人工协助下半自动完成。

根据各个广义特征对信号进行分析运算，提取特征；各个不同的特征其描述方式、提取办法各型各异。特征数量越多，描述越细致，其提取的过程就越复杂。

狭义特征库获取：按照一定的判决规则，从广义特征库中筛选可以表征（判别）某特定信号的特征集，组成该电台的狭义特征库。

特定电台①识别：

先对信号进行信道筛选，从可能的频段中对宽带的信号进行筛选，生成可能存在某感兴趣的电台的信道列表s。

分别对各个信道（S₁，…，S_N）进行狭义特征提取，这里仅限于狭义特征，其数量和运算的复杂度相对简单得多。

对当前提取的S₁信道的狭义特征集与信号①的狭义特征数据库进行比对，根据判决规则进行判决，得出信道s，是否为电台①的识别结果。以此类推识别其他信道。

3.3 特定信号识别方法的特点分析

该方法针对某些已知的特定信号搜索、识别及跟踪，具有以下特点：（1）充分利用已知信号的信息，可以根据硬件资源的运作能力和信号的重要度，灵活调整信号特征数量，同时可以根据新信号类进行增补，扩展能力强；（2）该方法在特征数的选取上采用开放型的广义特征的概念，既可充分吸收已有的各种信号特征识别技术，又不局限于某种特征描述方式，可大大增加信号特征的范围和深度，从而提高信号识别的准确度；（3）由于实际信号识别应用中采取的不同信号比对不同的狭义特征库的方式，在保证信号识别准确率的基础上，大大减少了特征识别的个数，提高了识别效率。

4 结语

在传统通信信号调制识别和特征识别的基础上，通过实际应用和仿真结果分析，提出了一种特定信号识别的新方法。采用开放的、可扩充的广义特征库和有针对性的狭义特征提取、识别方法，其优点在于针对特定信号，具有更高的识别效率（速度、实时性）、更高的准确度（识别概率）；硬件运算资源要求低、可实现性好；用户可根据实际的监测对象进行个性化的设定。对某些特定的无线电信号监测、跟踪、自动接收的应用具有一定的指导意义。