基于瞬时特征和BP 神经网络的数字调制信号自动识别及实现*

(陆军工程大学，江苏 南京 210007)

0 引言

在非协作通信系统中，调制识别是介于信号检测和信息解调之间的关键一步。无论是在军用还是民用通信领域，高效、准确识别各类信号的调制方式都是十分重要的。在军用领域，调制信号识别是电子对抗中的重要一环，是干扰和截获敌方信息的先决条件；在民用领域，它可以用来实现干扰的判别、频谱的检测等无线电管理工作。

调制信号识别的方法主要分为两大类：基于似然函数的决策论方法和基于特征提取的统计模式识别方法[1]。由于决策论方法所需先验条件难以满足且计算复杂度较高，导致其在实际工程应用中较少，因此一般采用基于特征提取的统计模式识别方法对信号调制方式进行识别。文献[2]中，Nandi 等人提取信号的瞬时特征，对数字调制2ASK、4ASK、2FSK、4FSK、BPSK、QPSK 信号利用判决树法进行识别，在信噪比不低于10dB 的条件下，正确识别率可达90%以上。文献[3]在Nandi 所提信号特征参数的基础上，利用神经网络分类器对数字调制信号进行识别，在信噪比大于8dB 的情况下，正确识别率高于96%。文献[4]提出六种特征参数联合优化后的神经网络算法，对13 种数字和模拟调制信号进行分类识别，在信噪比不低于0dB 的情况下，正确识别率可达98%。

目前大多数文献是在理论层面分析一些特定信号的识别分类效果，并未在实际应用中检验其算法性能。本文首先通过提取5 个相对简单的瞬时特征参数，对六种常规数字调制信号（2ASK、4ASK、2FSK、4FSK、BPSK、QPSK）进行识别。仿真发现，随着信噪比的减小，信号识别率下降十分明显。当信噪比大于10dB 时，FSK 和PSK 信号识别率高于90%，ASK 信号识别率高于85%。当信噪比小于5dB 时，整体识别率不足60%。为解决此问题，本文引入BP 神经网络作为调制信号识别算法的分类器，较大地提高了低信噪比下的信号识别率。在信噪比大于0dB 的条件下，信号识别率高于85%。在此基础上，利用软件无线电设备USRP 搭建调制信号识别系统，在实际信道中完成数字调制信号的收发，以检验该算法的实际效果。实测结果表明，六种数字调制信号的正确识别率均高于91%。

1 基于瞬时信息的特征参数提取

调制信号在幅度、相位和频率上的差异是区分不同调制方式的关键。因此，关于信号瞬时信息提取过程是基于瞬时特征实现调制信号识别的前提和基础[6]。通信信号一般可以表示为：

式中，a(t) 表示信号的瞬时幅度，相对于cos[ω0t+φ(t)]来说是慢变化部分；ω0是载频，ω0t+φ(t)是信号的相位；n(t)是信道中的噪声。

在通过Hilbert 变换获得信号瞬时信息的基础上，可以进一步计算得到以下五个特征参数[2]。

1.1 零中心归一化瞬时幅度的谱密度最大值γmax

零中心归一化瞬时幅度的谱密度最大值γmax用来区分恒包络信号与非恒包络信号，即可以将ASK与FSK、PSK 信号区分开。γmax随信噪比变化的仿真结果如图1 所示。从图中可以看出，随着信噪比的增大，ASK 信号的γmax值较其余两类信号变化更为明显，可以设定门限值t(γmax)将ASK 信号区分出来。除此之外，通过合理设置门限，还可以识别出包络的微弱起伏状态，如无包络起伏的FSK 信号和包络微弱起伏的PSK 信号。从图中放大镜可以看出，当信噪比大于15dB 时，设定门限值t(γmax)可以将FSK 信号与PSK 信号区分开。但是当信噪比低于10dB 时，FSK 信号和QPSK 信号的γmax值非常接近，很难通过简单设定阈值的方法将两类信号区分开。在低信噪比条件下，会出现FSK 信号和QPSK信号相互误判的现象，最终导致信号识别率下降。

图1 γmax 随信噪比变化曲线的仿真示意

1.2 零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差σap

式中，an(i)是信号瞬时幅度的平均值；at是判断弱信号的门限值，用于去除噪声对微弱信号的影响；c是Ns个采样数据中属于非弱信号值的个数；φNL(i)是经过零中心化处理后瞬时相位的非线性分量。

零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差σap主要用来区分QPSK 与BPSK、ASK信号。由于ASK 信号不包含相位调制信息，BPSK信号只有两个瞬时相位值，经过零中心化处理后相位绝对值为常数，不含相位信息；而对于QPSK 信号，它含有4 个瞬时相位值，因此其零中心化处理后相位绝对值不为常数，包含相位信息。σap随信噪比变化的仿真结果如图2 所示。从图中可以看出，QPSK 信号的σap值基本稳定在1 左右。随着信噪比的增大，其余三种信号的σap值减小较为明显。因此可以通过设定门限值t(σap)区分QPSK 信号与ASK、BPSK 信号。

图2 σap 随信噪比变化的仿真曲线示意

1.3 零中心非弱信号段瞬时相位非线性分量的标准差σdp

零中心非弱信号段瞬时相位非线性分量的标准差σdp用来区分BPSK 信号与ASK 信号。由于BPSK信号含有两个瞬时相位值，其零中心化处理后的相位值不为常数，包含相位信息；ASK 信号不包含直接相位信息。σdp随信噪比变化的仿真结果如图3 所示，设定门限t(σdp)可以将BPSK 从三种信号中区分出来。

图3 σdp 随信噪比变化的仿真曲线示意

1.4 零中心归一化非弱信号段瞬时频率绝对值的标准差σaf

零中心归一化非弱信号段瞬时频率绝对值的标准差σaf用来区分2FSK 信号和4FSK 信号。由于2FSK 信号的零中心归一化瞬时频率的绝对值为常数，而4FSK 信号的瞬时频率有4 个，零中心归一化后的绝对值不为常数。σaf随信噪比变化的仿真结果如图4 所示。从图中可以看出，在不同信噪比下4FSK 信号的σaf值基本在16 以上，而2FSK 信号的σaf值小于16。因此可以设定门限值t(σaf)区分2FSK和4FSK 信号。

1.5 零中心归一化瞬时幅度绝对值的标准偏差σaa

零中心归一化瞬时幅度绝对值的标准偏差σaa随信噪比变化的仿真曲线如图5 所示。从图中可以看出，在不同信噪比下，2ASK 信号的σaa值均小于0.3，而4ASK 的σaa值大于0.5。因此可以设定门限值t(σaa)区分2ASK 和4ASK 信号。

图4 σaf 随信噪比变化的仿真示意

图5 σaa 随信噪比变化的仿真曲线示意

2 识别过程

2.1 分类器流程图及仿真结果分析

决策树分类器[8]也称多级分类器，是模式识别中较早使用的一种技术。它的思想是将复杂的分类问题分级解决，其主要的优点是识别算法简单，易于实现，分类速度较快；缺点是门限值的选取对识别率影响较大，部分特征值随信噪比变化较为明显，因此需要在不同信噪比下设置不同的门限值，增加了复杂度。根据本文所采用的5 个特征参数，使用决策树分类器对六种调制信号进行识别，决策树流程如图6 所示[1]。

在载波同步条件下，设置载波频率为10kHz，采样频率为64kHz，码元速率为1000 字符/秒，总采样点数为6400 个，噪声为高斯白噪声。在不同信噪比条件下，分别对六种数字调制信号进行1000次蒙特卡洛仿真，统计得到算法的识别率。实验结果如表1 所示，信噪比大于15dB 时，信号整体识别率高于92%；信噪比大于10dB 时，信号整体识别率高于85%。随着信噪比的降低，信号识别率下降明显。当信噪比低于5dB 时，信号识别率不足62%。产生该现象的原因主要是低信噪比下不同类信号的特征参数值比较接近，判决门限值不易选取。若是选取不当，则会出现相互误判的现象，最终导致信号识别率不高。

图6 数字调制信号决策树流程[1]

表1 基于瞬时特征算法不同信噪比下的识别率（%）

2.2 BP 神经网络介绍及仿真结果分析

为了提高低信噪比下调制信号的识别率，本文引入了前馈（Back Propagation）神经网络算法[7]。通过神经网络自适应学习来设定各信噪比下的识别门限，以达到分类效果。BP 神经网络的核心思想是通过调整各神经元之间的权值，将误差由隐藏层向输入层逐层反传，也就是不断进行信号正向传播到误差反向传播的过程，直到实际误差值小于目标误差值时跳出循环。

图7 3 层BP 神经网络结构

本文采用的是一个典型的3 层BP 网络拓扑结构，如图7 所示。它包含输入层、一个隐藏层以及输出层。由于选取的特征参数共5 个，因此设置输入层神经元数为5；输出层神经元个数为6，代表着六种数字调制信号；隐藏层只有一层，设有10个神经元。BP 神经网络的初始学习率设为0.1，最大迭代次数为5000，训练的目标误差为10-4。在不同信噪比条件下，每种信号使用200 组特征参数对神经网络进行训练，50 组用于测试。实验结果如表2 所示，信噪比大于0dB 时，各类信号的识别率高于85%；信噪比大于5dB 时，各类信号的识别率高于90%；信噪比为10dB 时，各类信号的识别率高于95%。从中可以看出，利用BP 神经网络能够较大地提高六种数字调制信号的识别率。

表2 基于BP 神经网络的低信噪比下的识别率（%）

3 基于USRP 的数字调制信号自动识别方案实现及性能分析

为了在真实信道环境中验证上述方案的可行性，本文进一步利用软件无线电设备NI-USRP 2920搭建调制信号识别系统，实测了基于瞬时特征和BP 神经网络的数字调制自动识别方案的性能。

3.1 信号识别的实现

调制信号识别系统由信号源子系统、射频信号收发子系统以及特征参数提取和分类器识别子系统构成。实验条件如下：数字调制信号的载频为200Hz，符号速率为100Hz，USRP 中的IQrate 为500kHz，载波频率为900MHz，实验信道环境为高斯信道，信噪比为5dB。

利用特征参数提取模块对六种调制信号的特征参数分别进行提取。以2FSK 信号和4FSK 信号的特征参数σaf值为例。如图8 所示，除少部分突变的点以外，4FSK 信号的σaf值均大于2FSK 信号的σaf值，即通过实测数据区分两种信号的效果与计算机仿真结果基本一致。

图8 2FSK 和4FSK 的σaf

由于LabVIEW 没有内置的神经网络模块，因此本文通过使用LabVIEW 中的脚本驱动直接嵌套MATLAB 代码完成BP 神经网络算法的实现[9]。实验随机采用实测样本信号中的200 组含有高斯白噪声的样本信号，其中100 组样本用于BP 神经网络的学习和训练，剩余100 组样本用于神经网络的测试。

3.2 结果分析

实验结果如表3 所示，在上述信道环境中，利用软件无线电设备USRP 搭建的调制信号识别系统对六种数字调制信号进行识别。实验结果表明，六种调制信号的正确识别率均高于91%，较好地验证了该方案的可行性。

表3 六种调制信号的识别率（%）

4 结语

本文采用五个特征参数对六种数字信号进行分类，并引入BP 神经网络提高低信噪比下调制信号的识别率。进而在NI-USRP 2920 软件无线电平台上，采用软硬件结合的方式实现基于瞬时特征和BP 神经网络的数字调制信号识别方案，并进行性能验证。实测数据表明，基于瞬时特征和BP 神经网络的数字调制信号识别方案能够较好地识别六种数字调制信号。