电子通信信号循环频率特征自提取技术研究

吴海燕

（郑州西亚斯学院 电子信息工程学院，河南 新郑 451100）

0 引 言

采用超宽带通信时需要对信号进行检测和提取，接收方不仅要通过检测、分析及评估参数获取超宽频通信信号，还要对电子通信信号的调制方式作出相应的判断，调制完成后才能提取传输信息[1,2]。由此可见，调制和提取电子通信信号是应用该技术的关键环节。在已有的研究中，电子通信信号提取的方法主要包括基于似然函数的决策理论方法、基于统计特征的模式提取方法以及基于DSP的模式提取方法[3]。这3种方法各有优点，但均存在较大的频偏和定时误差，无法满足电子通信信号提取的要求。因此，本文提出了一种基于周期频率特性的电子通信信号提取方法。一般电子通信信号的统计特性参数有一定的周期变化，称为周期频率特性。将该周期性特征用于电子通信信号的提取，可大大提升提取性能。

1 电子通信信号循环频率特征自动调制识别

利用深度学习算法实现电子通信信号循环频率特征自动调制识别，通过神经网络逐层训练无监督学习算法，采用分类器对信号进行测试，分别计算识别结果，同时使用特征提取系统和分类器实现自动识别[4]。

利用无监督学习神经网络将无分类标记的训练样本输入自动编码器，在建模能力和稀疏性约束的基础上，自动编码器能够自动获取数据结构[5]。自动编码机的基本单元如图1所示。

图1 自动编码机基本单元

本文设计的自动调制识别方法采用双层自动编码技术，当无分类标签时，设计编码器利用稀疏自编码器算法对自编码器进行训练，确定编码参数，从而得到编码参数和不同节点的激活值。利用两层堆叠数据实现自动编码，1层实现自编码器的输出，将数据输入2层自编码器，最终得到新特征下的特征值。当信号向前时，训练样本的数据会从输入层转到输出层，经过隐层处理后数据再传入到输出层。如果输出层输出的实际数据与样本数据不同，则证明存在误差。在这种情况下，误差往回传播，根据误差修正每个单元的权重，用迭代的方法训练各层参数和权值，直至误差符合要求[6]。

2 电子通信信号循环频率特征自提取

全连接神经网络的输入与输出各节点之间具有训练权值，假定输入节点m和输出节点n是完全连接的网络，m和n的值通常很大，这会导致存储资源浪费。因此本文采用核卷积形式的神经网络，卷积操作中参数共享使得输入层与输出层共享训练权值。每一输入层的节点使用相同的卷积核执行卷积操作，一般卷积层的大小是2×2或3×3，远小于m和n，这样可以有效减少资源浪费。相较于全连接网络，核卷积网络占用的存储空间较少，实现的训练操作也较少[7,8]。

池化处理就是使用某一位置相邻输出的总体统计特征代替网络在该位置的输出。最高池和均值池是常用的池化处理方法。例如，一个2×2池域，步进两元素，最大池位为4个节点的输出池位，遍历所有矩阵后输出组合成一个新的矩阵，根据相对位置，将输出矩阵变为原矩阵的一半。具体如图2所示。

图2 池化过程

在输入数据存在翻译现象时，将翻译过程汇集起来可以减少其对网络运行的影响，使网络输出结果与原数据相似。翻译现象在图像中很常见，只有减小移动对操作的影响才能使网络更关注图像的基本特性，不会因位置的改变而改变操作结果。利用翻译方法可以更好地了解通信信号的自提取特点，从而完成频率特征自动提取[9]。

3 电子通信信号循环频率特征识别

为适应日益复杂的电磁环境，信号处理领域相关人员对信号调制识别方法进行了深入研究，研究者们试图对复杂通信环境下各种通信信号的调制方式进行分类识别。针对本课题研究中考虑信号特征间关系较少的问题，建立卷积神经网络提取信号的颜色时频图特征，并在此基础上采用时频变换分析法将维数信号处理为彩色时频图像，利用卷积神经网络结构提取图像特征。为提高低信噪比下的分类识别精度，提取时频图像中的纹理特征，并与卷积神经网络中提取的纹理特征进行特征融合。由于GA-KELM分类器具有更好的分类效果，因此在后续的算法构建中选择GA-KELM分类器[10]。二进制移频键控信号具有两条高能谱线，与其他信号的时频图也不相同，很难进行直观观察，主要原因在于人的眼睛在观察图像时往往更多地注意到图像之间的形状和结构差异，而忽视了内部的差异。基于该方法提取信号时频图像的LBP纹理特征，并与CNN图像特征进行融合。采用PCA方法对构造的连接特征进行降维处理，降维处理后在GA-KELM分类器中对信号进行分类识别。

在信号调制方法中必须保证所提取的特征与其对应，特征提取的次数不能过多也不能过少，且为了确保信号识别的效率，需要提取合适的地形区特征。从周期谱中提取一组特征，去除空像，保留相应的周期频率，从而更好地实现信号训练。

信号识别需要从邻接矩阵的主对角线中提取非零元素，存储非零元素，生成非零行索引序列，根据索引算法规则在信号映射域提取非零元素。在此基础上，通过设置非零元素序列集的最大长度，减小噪声对相邻矩阵元素的影响，得到序列集的行索引。此外，对训练信号进行图象域特征提取，得到标准调制信号的图象域特征库，将标准调制信号的图象域特征存储在存储器中，作为图象域特征提取结果。

对实际信号进行归一化处理，将信号统一为中频信号，同时考虑信号的频率参数范围，保证测量结果的通用性。由于实际接收的信号可能具有较宽的频带，且总频带内会有多个信号受到高斯白噪声的影响，因此要对信号进行滤波。通过调制方式的码元率和带宽计算带通滤波器的下频和上频，利用MATLAB中的FIR函数可以方便地完成滤波运算。

为确保模拟的数据完全覆盖实际情况，用MATLAB软件制作了20 000个样本，每个样本的长度为50 000，在设定的范围内随机产生每个样本的码元率、信噪比及频偏。最后的总样例大小为280 000，并以intl6类型的二进制格式保存，更好地实现了循环频率特征识别。

4 结 论

本文提出的电子通信信号循环频率特征自提取技术有效减小了电子通信信号的频率偏移量和时差，使电子通信的应用更为方便，应用范围也更广。但仿真过程中由于缺乏真实环境的干扰因素，导致仿真结果存在一定偏差，因此仍需对此方法进行进一步的研究和探索。