| 首页 | 文章中心 | 下载中心 | 本站特供 | 软硬件结合论坛 | 软硬件结合博客 | 
您现在的位置： 中国软硬件结合技术网 >> 文章中心 >> 软件技术 >> Matlab应用 >> 正文 用户登录 新用户注册
基于小波变换的数字通信信号识别            【字体：小 大】
基于小波变换的数字通信信号识别
作者：薛　磊, 刘小秋    文章来源：网络    点击数：    更新时间：2006-11-21
　电讯技术2006年第3期
基金项目论文
FOUNDATION SUPPORTED PROJECT
文章编号: 1001 - 893X (2006) 03 - 0052 - 05
基于小波变换的数字通信信号识别①
薛　磊, 刘小秋
(解放军电子工程学院,合肥230037)
摘　要:小波变换对瞬态信息具有较强的检测能力。不同的数字通信信号在码元变化时呈现不同的
瞬态信息。分别对幅度未归一化和幅度归一化的3种数字信号(ASK、FSK、PSK)进行小波变换,提
取变换后包络方差与均值平方之比作为分类的特征参数,最后利用人工神经网络进行分类识别。仿
真结果表明,在低信噪比(5dB)时该算法仍具有很高的识别率。
关键词:数字调制信号;调制样式识别;小波变换;人工神经网络
中图分类号: TN911. 72　　文献标识码: A
Modulation Identif ication of D igital Signals
Based onWavelet Transform
XUE Lei , L IU X iao - qiu
( PLA Electronic Engineering Institute, Hefei 230037, China)
Abstract:Wavelet transform (WT) is suitable for detecting transient signals. Instantaneous features of dig2
ital signalswill be p resented when the symbols change. This paper discusses the wavelet transform of the
signalswith and without the amp litude normalization, then extracts the ratio of the variance to the square of
mean as the key feature, and finally an artificial neural networks (ANN) classifier is p roposed to identify
three digitalmodulation signals: ASK, FSK and PSK. Simulations show that the algorithm is very effective
at low SNR of 5 dB.
Key words: digitalmodulation signals; modulation identification; wavelet transform; artificial neural net2
work (ANN)
1　引　言
现代战场密集信号的分选识别是通信电子战的
“瓶颈”之一。通信信号调制样式识别是分选处理
通信信号、识别通信电台属性及判定威胁等级的基
础,是实现最佳干扰的前提,是通信电子战领域的重
要课题之一。此外,通信信号调制样式识别在通信
监视、频谱管理等民用领域也具有广阔的应用空间。
通常认为,调制样式识别是介于信号检测和信
号解调之间的过程。对于信号检测,只需要知道粗
略的中心频率和带宽,信号解调不仅要求知道精确
的中心频率和带宽,还要得到信号带有信息的所有
特征,而信号调制样式识别的基本任务是在多信号
环境和在噪声干扰的条件下确定出接收信号的调制
方式和其它主要信号参数,从而为进一步分析和处
理信号提供依据,其本质就是一个具有多个未知参
量的多元模式分类识别问题。一个完整的信号识别
系统如图1所示。
目前已有的关于数字通信信号识别方法很多,
文献[ 1 ]根据信号的瞬时幅度、瞬时相位和瞬时频
·52·
① 收稿日期: 2005 - 04 - 11; 修回日期: 2005 - 10 - 21
基金项目:安徽省自然科学基金资助项目(050420101)
　电讯技术2006年第3期
基金项目论文
FOUNDATION SUPPORTED PROJECT
率提取了6个特征参数来进行分类,但该方法从时
域提取特征参数,受信噪比影响较大;文献[ 2 ]则运
用了高阶累积量的方法,虽对噪声不敏感,但对载波
和码元同步要求较高;文献[ 3 ]运用了时频分析的
方法,计算量较大,分类效果不明显;文献[ 4 ]、[ 5 ]
提出采用分解尺度随频率可变的小波分析方法,不
仅对初始条件要求低,易于实现,而且分类效果明
显。本文以小波分析方法为基础,重点探讨了利用
小波变换提取ASK、FSK和PSK 3种基本数字信号
特征参数的原理,并改进了算法,采用人工神经网络
分类器实现信号的分类识别。
图1　通信信号调制样式识别系统
2　基于小波变换的特征参数提取
基本的数字调制方式主要有以下几种:振幅键
控(ASK) 、频移键控( FSK)和相移键控( PSK) 。数
字调制信号s ( t)经过加性高斯白噪声信道后,到达
接收端信号为
r( t) =s ( t) + n ( t)
= „s ( t) ej(w ct+θc) + n ( t) (1)
　　其中, r( t)为接收信号, s ( t)为发射信号, n ( t)
为加性高斯白噪声, wc 为调制载波频率,θc 为载波
初始相位, „s ( t)为基带信号,对于ASK、FSK和PSK,
分别表示为
ASK:
„s ( t) = Σn
An gT ( t - nT)
An ∈ {A0 , A1 , ⋯, AN - 1 } (2)
　　FSK:
„s ( t) = AΣn
ej(w n+αn) gT ( t - nT)
wn ∈ {w0 , w1 , ⋯, wN - 1 } (3)
　　PSK:
„s ( t) = AΣn
ej<
n gT ( t - nT)
<
n ∈ { <
0 , <
1 , ⋯, <
N - 1 } (4)
　　其中, N 为多进制数字信号的进制数, An 为
ASK信号第n个码元的幅度值, wn 为FSK信号第n
个码元的频率值, <
n 为PSK信号第n个码元的相位
值,αn 为FSK信号第n 个码元的初始相位, A 为
FSK和PSK信号的幅度值, gT ( t)为矩形函数, T为
符号周期。
从式(2) 、(3)和(4)中可以看出数字信号在码
元变化时呈现不同的瞬态信息。例如ASK幅度发
生变化, FSK频率发生变化, PSK相位发生变化,利
用这些瞬态信息就可以鉴别信号的调制样式,而关
键的问题在于如何提取以这些瞬态信息为分类标准
的特征参数。小波变换是一种非常理想的瞬态特征
分析和提取的工具,并且特别适用于非平稳信号的
分析,不仅可用在调制样式的识别,而且也可用来对
数字信号符号率进行估计[ 6 ] 。这里采用连续小波
变换:
CWT( a,τ) = ∫s ( t)ψ3
a ( t) dt
=
1
a ∫s ( t)ψ3 t - τ
a
dt (5)
式中, s ( t)为待测信号,ψ( t)为母小波函数, 3 表示
共轭, a为伸缩尺度,τ为平移参数,ψa ( t)由母小波
ψ( t)平移和伸缩生成。
在不同的应用中,选取不同的小波函数会有不
同的结果。为了满足调制样式识别的需要,这里采
用Haar基作为小波基,因为它不仅简单,而且对暂
态信号,尤其是相位变化的暂态信号有较强的检测
能力。其表达式如下:
ψ( t) =
1, - 0. 5 < t < 0
- 1, 0 < t < 0. 5
0, 其它
(6)
　　当输入信号没有瞬态变化时,它对应的CWT有
一个恒定的输出,仅仅与a有关,与τ无关;而当有
瞬态变化时, CWT输出有明显的变化。3种数字信
号具体的小波变换如下:
(1)如果信号的小波变换区间在同一码元或者
相邻码元相同时,其小波变换为
ASK:
| CWTA ( a,τ) | =
4
a wc
An sin2 a
4
wc (7)
　　FSK:
| CWTF ( a,τ) |
=
4
a (wc +wn )
A sin2 a
4
(wc +wn ) (8)
　　PSK:
CWTP ( a,τ) | =
4
a wc
A sin2 a
4
wc (9)
·53·
　电讯技术2006年第3期
基金项目论文
FOUNDATION SUPPORTED PROJECT
　　(2)如果信号的小波变换区间存在码元变化
时,设An、An + 1为ASK第n 和第n + 1 个码元的幅
度, wn、wn + 1为FSK第n和第n + 1个码元的调制频
偏, <
n、<
n + 1为PSK第n和第n + 1个码元的相位,在
码元变化位置d < 0处,其小波变换分别为
ASK:
| CWTA ( a,τ) |
=
1
a wc
| An ( ejw cd - ejw c
a
2 )
　+An +1 (2 - ejw cd - ejw c
a
2 ) | (10)
　　FSK:
| CWTF ( a,τ) |
=
A
a wc
| [ ( ej(w c+w n) d - e- j (w c+w n) a
2 )
　+ ej(w n+1 - w n)τ (2 - ej(w c+w n+1) d - e- j(w c+w n+1)
a
2 ) ] |
　　　　(wc
m wn ) (11)
　　PSK:
| CWTP ( a,τ) |
=
A
a wc
| ( ejw cd - e- jw c
a
2 )
　+ ej( <
n+1 - <
n) (2 - ejw cd - e- jw c
a
2 ) | (12)
　　同理,在d > 0处有同样的结论。
由上可见,对于ASK信号,码元没有变化时小
波变换后的幅度为一恒定值,码元变化时其幅度取
决于前后码元的幅度,且在码元交界处,前后相位差
较大,其小波变换后的幅度存在突变;对于相位连续
的FSK信号,小波变换后的幅度取决于前后码元的
频率,对于相位不连续的情况,在信号相位变化处还
存在突变;而对于PSK信号,小波变换后的幅度恒
定,只在相位变化处存在突变。ASK、FSK (相位连
续)和PSK信号小波变换后的幅度如图2所示。
图2　幅度未归一化小波变换后的信号幅度
　　可见,对小波变化后的幅度滤除尖峰后, ASK
和FSK幅度为多层变化值,而PSK为一恒定值,据
此可提取特征参数来区分PSK信号。
特征参数的提取是分类识别的关键,我们在这
里定义并提取的特征参数为滤波后包络方差与均值
平方之比R:
R =
σ2
u2 (13)
　　仿真分析表明,它比方差能更好地反映包络的
变化情况。
另一方面,定义„s ( t)幅度归一化值:
€s ( t) =
„s ( t)
| „s ( t) |
(14)
　　带入式(2) 、(3)和(4)可得:
ASK:
€s ( t) = Σn
gT ( t - nT)
An ∈ {A0 , A1 , ⋯, AN - 1 } (15)
　　FSK:
€s ( t) = Σn
ej(w n+αn) gT ( t - nT)
wn ∈ {w0 , w1 , ⋯, wN - 1 } (16)
　　PSK:
€s ( t) = Σn
ej<
n gT ( t - nT)
<
n ∈ { <
0 , <
1 , ⋯, <
N - 1 } (17)
　　可以看出,幅度的归一化对恒幅度信号FSK、
PSK没有明显的影响,只是幅度值发生了变化,但是
ASK信号在幅度归一化后变为恒定值,其小波变换
后的幅度和PSK信号变换后的一致,为恒定值,只
在相位变化处存在突变。幅度归一化后ASK、FSK
(相位连续)和PSK信号小波变换后的幅度如图3
所示。
图3　幅度归一化小波变换后的信号幅度
·54·
　电讯技术2006年第3期
基金项目论文
FOUNDATION SUPPORTED PROJECT
　　同理,滤波去除尖峰后提取特征参数即可识别
FSK信号。图4和图5分别给出了15 dB时3种信
号幅度未归一化和幅度归一化时R 的分布情况。
图4中, PSK信号的值明显小于ASK和FSK信号的
值,可以分离出PSK信号;而在图5中, FSK信号的
值明显大于ASK和PSK信号的值,可以分离出FSK
信号,因此利用这个特点选择合适的分类器就可以
将这3类信号分离。
图4　幅度未归一化R的分布情况
图5　幅度归一化R后的分布情况
3　神经网络分类器的设计
传统分类器的模式分类能力有限,自适应性较
差,难以满足日益复杂的信号识别要求。如在判决
理论方法中,按不同顺序应用这些特征值进行判决
可得到多种算法,因此不同的顺序有不同的成功率,
而且判决理论方法每次只考虑一个特征值,不适应
于非线性信号的处理。而新兴的人工神经网络
(ANN)分类器由于具有强大的模式识别能力,能够
自动适应环境变化,能较好处理复杂的非线性问题,
且具有更好的稳健性和潜在的容错性,所以在信号
调制样式识别中得到了实际的应用[ 1 ] 。目前分类
中应用较为广泛的人工神经网络主要有MLP 和
RBF,这里采用MLP网络。
MLP网络在训练过程中一般都采用BP算法,
通过不断比较网络的实际输出与制定期望输出间的
差异来不断调整权值,直到全局(或局部)极小值。
但是BP算法收敛速度比较慢,存在能量函数局部
极小值问题,这就无形中削弱了神经网络分类器的
优势,可对BP算法进行改进,如增加附加动量项方
法、共轭剃度法等,这里采用LM算法来训练网络,
因为该方法训练速度最快,但对存储器的要求较高。
同时我们也应看到,虽然人工神经网络有非常
好的分类识别功能,但必须事先调整好分类器结构,
即在网络用于在线分析前要完成脱线的训练,这在
一定程度限制了它在非熟悉环境情况下调制样式识
别的应用。
4　数字仿真结果
　　针对以上提出的算法,采用Matlab进行仿真实
验。以2ASK、QFSK、QPSK信号为研究对象,实验参
数选择: 载波频率fc = 20 kHz,抽样频率fs = 120
kHz,码元速率rs = 2 kbp s;干扰噪声:加性高斯白噪
声;神经网络结构:含有10个结点的单隐含层MLP
网络;训练算法: LM算法。
表1　信号识别正确率(%)
识别概率
SNR = 20 dB SNR = 15 dB SNR = 10 dB SNR = 5 dB
ASK QFSK QPSK ASK QFSK QPSK ASK QFSK QPSK ASK QFSK QPSK
ASK 100 100 100 98 2
QFSK 100 100 1 99 4 96
QPSK 100 100 100 100
·55·
　电讯技术2006年第3期
基金项目论文
FOUNDATION SUPPORTED PROJECT
　　表1给出了在信噪比20 dB、15 dB、10 dB和5
dB时的识别结果。在SNR = 5 dB 时,所有信号的
正确识别率均在96%以上,完全能满足实际的需
要。但是也应看到由于信号的瞬时特征参数受噪声
的影响,致使其参数在低信噪比(低于5 dB)的条件
下不能正确反映信号的本来特征,信噪比越高,识别
效果越好。
5　结　论
本文研究了基于小波变换的数字通信信号调制
样式的识别方法,阐述了利用小波变换提取信号瞬
时特征参数的原理,介绍了神经网络分类器的设计
方法,最后进行了计算机仿真。研究表明:该方法不
但计算简单,而且在低信噪比( 5 dB)情况下仍具有
很高的识别概率,具有一定的实用性。但是小波变
换的方法对于类间识别效果还不是很理想,如对
2PSK和4PSK的识别,单独用该方法还不能达到很
好的分类效果,必须与其它方法结合使用。
参考文献:
[ 1 ] 　Nandi A K, Azzouz E E. Modulation recognition using
artificial neural networks [ J ]. Signal Processing, 1997,
56: 165 - 175.
[ 2 ] 　Swami A, Sadler B M. Hierarchical digital modulation
classification using cumulates[ J ]. IEEE Trans Comm. ,
2000, 48 (3) : 416 - 429.
[ 3 ] 　Helmut Ketterer. Classification ofmodulation modes using
time - frequency methods [ C ] / /. M ILCOM 1999Conf. ,
1999: 2471 - 2474.
[ 4 ] 　Ho K C, Prokop iwW, Chan Y T. Modulation identifica2
tion of digital signals by wavelet transform [ J ]. IEE Pro2
ceedings, Radar, Sonar and Navigation, 2000, 147 ( 4) :
169 - 176.
[ 5 ] 　Ho K C, Hong L. Identification of digital modulation
types using the wavelet transform [ C ] / /. M ILCOM
1999Conf, 1999: 427 - 432.
[ 6 ] 　纪勇,徐佩霞. 基于小波变换的数字信号符号率估计
[ J ]. 电路与系统学报, 2003, 8 (2) : 12 - 15.
作者简介:
　　薛　磊(1963 - ) ,男,安徽霍丘人,教授、
博士生导师,主要研究方向:信号处理、扩频
通信, (电话) 0551 - 5767662;
刘小秋(1979 - ) ,男,湖南常德人,硕士研究生,主要研
究方向:通信对抗、信号处理, (电话) 0551 - 5767693 (电子信
箱) liuxiaoqiu790722@163. com 。
·56·
文章录入：spurstar    责任编辑：Polylove 
  • 上一篇文章： matlab的功能及对网站的感谢

  • 下一篇文章： 没有了
    		•
    【发表评论】【告诉好友】【打印此文】【关闭窗口】
          最新热点       最新推荐       相关文章
    没有相关文章
      网友评论：（只显示最新10条。评论内容只代表网友观点，与本站立场无关！）
    Copyright ©2004 - 2006 中国软硬件结合技术网 91tech.net 91tech.cn 91tech.com 站长：Polylove