《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 嵌入式技術(shù) > 設(shè)計(jì)應(yīng)用 > 基于循環(huán)譜的數(shù)字信號的自動識別
基于循環(huán)譜的數(shù)字信號的自動識別
來源：電子技術(shù)應(yīng)用2013年第9期
鄭天堃， 姚遠(yuǎn)程， 秦明偉
西南科技大學(xué) 信息工程學(xué)院，四川 綿陽 621010
摘要： 介紹數(shù)字信號調(diào)制識別的譜相關(guān)法，在利用一些調(diào)制信號具有相同的功率譜密度時,它們的譜相關(guān)函數(shù)卻有明顯的區(qū)別。利用譜相關(guān)函數(shù)可以識別出低信噪比下的調(diào)制信號。通過循環(huán)譜中一些參數(shù)的提取，對高斯噪聲中常見的數(shù)字通信信號的自動識別進(jìn)行了計(jì)算機(jī)仿真。仿真結(jié)果表明，在信噪比不低于15 dB時，信號的平均識別率可以達(dá)到95%以上，有很好的實(shí)用前景。
中圖分類號： TN911.6
文獻(xiàn)標(biāo)識碼： A
文章編號： 0258-7998(2013)09-0102-03
The automatic identification of a digital signal based on cyclic spectrum
Zheng Tiankun, Yao Yuancheng, Qin Mingwei
Southwest University of Science and Technology, Mianyang 621010, China
Abstract： The article describes the spectrum of the digital signal modulation recognition method and takes advantage of some of the modulation signal when some modulation signal have the same power spectral density correlation function of the spectrum, but there is a significant difference in spectral correlation function. Low signal-to-noise ratio of the modulated signal can be identified by spectral correlation function. The article has computer simulation of Gaussian noise automatic identification of digital communication signals by the extraction of some of the parameters of the cyclic spectrum. The experimental simulation results show that signal average recognition rates can reach 95% or more, and good practial prospects when the signal-to-noise ratio is not less than 15 dB.
Key words : digital communications; spectral correlation; automatic identification

    近些年來，通信信號的自動識別受到越來越多的關(guān)注和研究。其應(yīng)用也隨之越來越廣泛，在民用方面，信號調(diào)制模式的自動識別是軟件無線電接收機(jī)的基礎(chǔ)；在軍用方面，信號調(diào)制方式的識別也是電子對抗、信號干擾的核心技術(shù)之一[1-2]。

    目前已經(jīng)存在的信號調(diào)制識別方法主要分為兩大類：基于決策理論的方法[1,3]和基于統(tǒng)計(jì)模式識別的方法[4]。其中基于決策理論方法，由于其需要每一個參數(shù)都有一個最優(yōu)門限，并且參數(shù)提取和信號識別的順序都會影響識別率，因此在現(xiàn)實(shí)應(yīng)用中往往受到較多的限制。而基于統(tǒng)計(jì)模式識別的方法因其性能好得到了廣泛應(yīng)用。循環(huán)譜具有識別率高、抗干擾能力強(qiáng)、實(shí)用性強(qiáng)等優(yōu)點(diǎn)而得到越來越多的重視。
1 譜相關(guān)分析
       已知x(t)是一個均值為零的非平穩(wěn)信號，則其時變自相關(guān)函數(shù)定義為:
    

2 自動識別算法
    根據(jù)已閱讀的文獻(xiàn)中關(guān)于數(shù)字信號識別調(diào)制的參數(shù)計(jì)算方法，以及各個參數(shù)的計(jì)算復(fù)雜程度、抗噪性的優(yōu)劣，選擇以下參數(shù)作為本文信號識別的參數(shù)，同時針對BPSK和QPSK識別提出一個新的參數(shù)，通過軟件仿真驗(yàn)證該參數(shù)的優(yōu)越性能。本文假定待識別的數(shù)字調(diào)制信號樣集為{2ASK、4ASK、2FSK、4FSK、BPSK、QPSK}。信號識別步驟如下：

　    從圖4中可以看出，當(dāng)t4=180時可以將2FSK、4FSK兩種信號區(qū)分開。
　    (4)對于BPSK、QPSK這兩種數(shù)字調(diào)制信號的識別，在理論上是比較困難的。因?yàn)樗鼈兊墓β首V密度函數(shù)十分相似，特征也比較接近，頻譜峰值數(shù)都為零，Sx?琢(f)在f軸上的歸一化最大下降值都很小。在已見到的文獻(xiàn)中關(guān)于這兩個信號識別的參數(shù)計(jì)算都較為復(fù)雜，在該文中通過分析各個信號循環(huán)譜三維圖的等高線仿真圖，發(fā)現(xiàn)有明顯的差異，尤其是對于BPSK、QPSK這兩個信號。利用Matlab中的函數(shù)contour對信號循環(huán)譜進(jìn)行觀察，記參數(shù)M5為截面圖中圓點(diǎn)個數(shù)。它們的循環(huán)譜三維圖如圖3、圖4所示，圖5、圖6是利用函數(shù)contour畫出截面圖。
    從圖5、圖6中可以看到BPSK、QPSK兩個調(diào)制信號識別的特征參數(shù)M5有明顯差別。當(dāng)M5=4時，可以判定該信號為BPSK，當(dāng)M5=2時可以判定該信號為QPSK。

 

 

3 性能分析
    本文的系統(tǒng)軟件仿真是在MATLAB 2011環(huán)境下完成的，以{2ASK、4ASK、2FSK、4FSK、BPSK、QPSK}等6種調(diào)制類型。仿真時設(shè)定調(diào)制信號的載頻為200 kHz，碼元速率為10 KB/s，噪聲采用高斯白噪聲,采樣頻率為800 kHz，每個采樣信號段內(nèi)包括Ns=1 024個采樣點(diǎn)數(shù)據(jù)，仿真時對每一個調(diào)制信號類型在信噪比-5 dB~25 dB范圍內(nèi)每隔5 dB產(chǎn)生30個樣本進(jìn)行仿真識別。調(diào)制識別的仿真結(jié)果由表1所示。在信噪比15 dB以上，信號自動識別率達(dá)到96%以上，同時在信噪比10 dB時，總體識別率還能達(dá)到93%，與參考文獻(xiàn)[9]相比識別率得到了一定的提高,尤其是對于BPSK、QPSK這兩種信號的識別率。

    本文主要討論了利用譜相關(guān)對常見數(shù)字調(diào)制信號的識別方法，尤其是BPSK、QPSK之間的識別率得到了明顯的提升。譜相關(guān)是廣義的周期平穩(wěn)（自相關(guān)周期平穩(wěn)）過程的一個特征屬性，而譜相關(guān)函數(shù)是常規(guī)功率譜密度函數(shù)的推廣，功率譜密度只是譜相關(guān)函數(shù)理論的一個特例。采用譜相關(guān)法對信號進(jìn)行識別，最重要的是特征參數(shù)的選取，其穩(wěn)定性、抗噪性、計(jì)算難易度都是識別過程中的難點(diǎn)和重點(diǎn)，這些都需要進(jìn)一步深入研究，如何提高程序運(yùn)行速度同時減少循環(huán)譜運(yùn)算量等方面都需要進(jìn)一步優(yōu)化，這對實(shí)時識別都是很有實(shí)用意義的研究方向。
參考文獻(xiàn)
[1] AZZOUZ E E, NANDI A K. Automatic identification of digital modulation type[J]. Signal Processing,1995,47(1):55-69.
[2] 王潔,陳惠民,張金藝,等.數(shù)字調(diào)制方式的識別研究[J].上海大學(xué)學(xué)報(bào)(自然科學(xué)版),2002,8(3):197-199.
[3] SOLIMAN S S, HSUE S. Signal classification using statistical moments[J].IEEE Transactions on Communications,1992,40(5):908-916.
[4] NANDI A K, AZZOUZ E E. Modulation recognition using artificial neural networks[J].Signal Processing,1997, 56(3):165-175.
[5] 張賢達(dá),保錚.非平穩(wěn)信號分析與處理[M]. 北京:國防工業(yè)出版社,1999.
[6] GARDNER W A, SOONER C M. Cyclic-spectral Analysis for signal detection and modulation recognition[M]. IEEE,1988:419-424.
[7] 朱雷，程漢文，吳樂南.利用循環(huán)譜和參數(shù)統(tǒng)計(jì)的數(shù)字信號識別法[J].應(yīng)用科學(xué)學(xué)報(bào)，2009,27(2):138-143.
[8] 呂杰，張勝付，邵偉華，等.數(shù)字通信信號自動識別的譜相關(guān)方法[J].南京理工大學(xué)學(xué)報(bào)，1999,23(4):298-300.
[9] 李俊俊，陸明泉，馮振明.一種改進(jìn)的數(shù)字信號自動識別方法[J].系統(tǒng)技術(shù)與電子技術(shù)，2005，7(12):2024-2050.

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。