(陸軍工程大學(xué)，江蘇 南京 210007)

0 引言

在非協(xié)作通信系統(tǒng)中，調(diào)制識(shí)別是介于信號(hào)檢測和信息解調(diào)之間的關(guān)鍵一步。無論是在軍用還是民用通信領(lǐng)域，高效、準(zhǔn)確識(shí)別各類信號(hào)的調(diào)制方式都是十分重要的。在軍用領(lǐng)域，調(diào)制信號(hào)識(shí)別是電子對抗中的重要一環(huán)，是干擾和截獲敵方信息的先決條件；在民用領(lǐng)域，它可以用來實(shí)現(xiàn)干擾的判別、頻譜的檢測等無線電管理工作。

調(diào)制信號(hào)識(shí)別的方法主要分為兩大類：基于似然函數(shù)的決策論方法和基于特征提取的統(tǒng)計(jì)模式識(shí)別方法[1]。由于決策論方法所需先驗(yàn)條件難以滿足且計(jì)算復(fù)雜度較高，導(dǎo)致其在實(shí)際工程應(yīng)用中較少，因此一般采用基于特征提取的統(tǒng)計(jì)模式識(shí)別方法對信號(hào)調(diào)制方式進(jìn)行識(shí)別。文獻(xiàn)[2]中，Nandi 等人提取信號(hào)的瞬時(shí)特征，對數(shù)字調(diào)制2ASK、4ASK、2FSK、4FSK、BPSK、QPSK 信號(hào)利用判決樹法進(jìn)行識(shí)別，在信噪比不低于10dB 的條件下，正確識(shí)別率可達(dá)90%以上。文獻(xiàn)[3]在Nandi 所提信號(hào)特征參數(shù)的基礎(chǔ)上，利用神經(jīng)網(wǎng)絡(luò)分類器對數(shù)字調(diào)制信號(hào)進(jìn)行識(shí)別，在信噪比大于8dB 的情況下，正確識(shí)別率高于96%。文獻(xiàn)[4]提出六種特征參數(shù)聯(lián)合優(yōu)化后的神經(jīng)網(wǎng)絡(luò)算法，對13 種數(shù)字和模擬調(diào)制信號(hào)進(jìn)行分類識(shí)別，在信噪比不低于0dB 的情況下，正確識(shí)別率可達(dá)98%。

目前大多數(shù)文獻(xiàn)是在理論層面分析一些特定信號(hào)的識(shí)別分類效果，并未在實(shí)際應(yīng)用中檢驗(yàn)其算法性能。本文首先通過提取5 個(gè)相對簡單的瞬時(shí)特征參數(shù)，對六種常規(guī)數(shù)字調(diào)制信號(hào)（2ASK、4ASK、2FSK、4FSK、BPSK、QPSK）進(jìn)行識(shí)別。仿真發(fā)現(xiàn)，隨著信噪比的減小，信號(hào)識(shí)別率下降十分明顯。當(dāng)信噪比大于10dB 時(shí)，F(xiàn)SK 和PSK 信號(hào)識(shí)別率高于90%，ASK 信號(hào)識(shí)別率高于85%。當(dāng)信噪比小于5dB 時(shí)，整體識(shí)別率不足60%。為解決此問題，本文引入BP 神經(jīng)網(wǎng)絡(luò)作為調(diào)制信號(hào)識(shí)別算法的分類器，較大地提高了低信噪比下的信號(hào)識(shí)別率。在信噪比大于0dB 的條件下，信號(hào)識(shí)別率高于85%。在此基礎(chǔ)上，利用軟件無線電設(shè)備USRP 搭建調(diào)制信號(hào)識(shí)別系統(tǒng)，在實(shí)際信道中完成數(shù)字調(diào)制信號(hào)的收發(fā)，以檢驗(yàn)該算法的實(shí)際效果。實(shí)測結(jié)果表明，六種數(shù)字調(diào)制信號(hào)的正確識(shí)別率均高于91%。

1 基于瞬時(shí)信息的特征參數(shù)提取

調(diào)制信號(hào)在幅度、相位和頻率上的差異是區(qū)分不同調(diào)制方式的關(guān)鍵。因此，關(guān)于信號(hào)瞬時(shí)信息提取過程是基于瞬時(shí)特征實(shí)現(xiàn)調(diào)制信號(hào)識(shí)別的前提和基礎(chǔ)[6]。通信信號(hào)一般可以表示為：

式中，a(t) 表示信號(hào)的瞬時(shí)幅度，相對于cos[ω0t+φ(t)]來說是慢變化部分；ω0是載頻，ω0t+φ(t)是信號(hào)的相位；n(t)是信道中的噪聲。

在通過Hilbert 變換獲得信號(hào)瞬時(shí)信息的基礎(chǔ)上，可以進(jìn)一步計(jì)算得到以下五個(gè)特征參數(shù)[2]。

1.1 零中心歸一化瞬時(shí)幅度的譜密度最大值γmax

零中心歸一化瞬時(shí)幅度的譜密度最大值γmax用來區(qū)分恒包絡(luò)信號(hào)與非恒包絡(luò)信號(hào)，即可以將ASK與FSK、PSK 信號(hào)區(qū)分開。γmax隨信噪比變化的仿真結(jié)果如圖1 所示。從圖中可以看出，隨著信噪比的增大，ASK 信號(hào)的γmax值較其余兩類信號(hào)變化更為明顯，可以設(shè)定門限值t(γmax)將ASK 信號(hào)區(qū)分出來。除此之外，通過合理設(shè)置門限，還可以識(shí)別出包絡(luò)的微弱起伏狀態(tài)，如無包絡(luò)起伏的FSK 信號(hào)和包絡(luò)微弱起伏的PSK 信號(hào)。從圖中放大鏡可以看出，當(dāng)信噪比大于15dB 時(shí)，設(shè)定門限值t(γmax)可以將FSK 信號(hào)與PSK 信號(hào)區(qū)分開。但是當(dāng)信噪比低于10dB 時(shí)，F(xiàn)SK 信號(hào)和QPSK 信號(hào)的γmax值非常接近，很難通過簡單設(shè)定閾值的方法將兩類信號(hào)區(qū)分開。在低信噪比條件下，會(huì)出現(xiàn)FSK 信號(hào)和QPSK信號(hào)相互誤判的現(xiàn)象，最終導(dǎo)致信號(hào)識(shí)別率下降。

圖1 γmax 隨信噪比變化曲線的仿真示意

1.2 零中心非弱信號(hào)段瞬時(shí)相位非線性分量絕對值的標(biāo)準(zhǔn)偏差σap

式中，an(i)是信號(hào)瞬時(shí)幅度的平均值；at是判斷弱信號(hào)的門限值，用于去除噪聲對微弱信號(hào)的影響；c是Ns個(gè)采樣數(shù)據(jù)中屬于非弱信號(hào)值的個(gè)數(shù)；φNL(i)是經(jīng)過零中心化處理后瞬時(shí)相位的非線性分量。

零中心非弱信號(hào)段瞬時(shí)相位非線性分量絕對值的標(biāo)準(zhǔn)偏差σap主要用來區(qū)分QPSK 與BPSK、ASK信號(hào)。由于ASK 信號(hào)不包含相位調(diào)制信息，BPSK信號(hào)只有兩個(gè)瞬時(shí)相位值，經(jīng)過零中心化處理后相位絕對值為常數(shù)，不含相位信息；而對于QPSK 信號(hào)，它含有4 個(gè)瞬時(shí)相位值，因此其零中心化處理后相位絕對值不為常數(shù)，包含相位信息。σap隨信噪比變化的仿真結(jié)果如圖2 所示。從圖中可以看出，QPSK 信號(hào)的σap值基本穩(wěn)定在1 左右。隨著信噪比的增大，其余三種信號(hào)的σap值減小較為明顯。因此可以通過設(shè)定門限值t(σap)區(qū)分QPSK 信號(hào)與ASK、BPSK 信號(hào)。

圖2 σap 隨信噪比變化的仿真曲線示意

1.3 零中心非弱信號(hào)段瞬時(shí)相位非線性分量的標(biāo)準(zhǔn)差σdp

零中心非弱信號(hào)段瞬時(shí)相位非線性分量的標(biāo)準(zhǔn)差σdp用來區(qū)分BPSK 信號(hào)與ASK 信號(hào)。由于BPSK信號(hào)含有兩個(gè)瞬時(shí)相位值，其零中心化處理后的相位值不為常數(shù)，包含相位信息；ASK 信號(hào)不包含直接相位信息。σdp隨信噪比變化的仿真結(jié)果如圖3 所示，設(shè)定門限t(σdp)可以將BPSK 從三種信號(hào)中區(qū)分出來。

圖3 σdp 隨信噪比變化的仿真曲線示意

1.4 零中心歸一化非弱信號(hào)段瞬時(shí)頻率絕對值的標(biāo)準(zhǔn)差σaf

零中心歸一化非弱信號(hào)段瞬時(shí)頻率絕對值的標(biāo)準(zhǔn)差σaf用來區(qū)分2FSK 信號(hào)和4FSK 信號(hào)。由于2FSK 信號(hào)的零中心歸一化瞬時(shí)頻率的絕對值為常數(shù)，而4FSK 信號(hào)的瞬時(shí)頻率有4 個(gè)，零中心歸一化后的絕對值不為常數(shù)。σaf隨信噪比變化的仿真結(jié)果如圖4 所示。從圖中可以看出，在不同信噪比下4FSK 信號(hào)的σaf值基本在16 以上，而2FSK 信號(hào)的σaf值小于16。因此可以設(shè)定門限值t(σaf)區(qū)分2FSK和4FSK 信號(hào)。

1.5 零中心歸一化瞬時(shí)幅度絕對值的標(biāo)準(zhǔn)偏差σaa

零中心歸一化瞬時(shí)幅度絕對值的標(biāo)準(zhǔn)偏差σaa隨信噪比變化的仿真曲線如圖5 所示。從圖中可以看出，在不同信噪比下，2ASK 信號(hào)的σaa值均小于0.3，而4ASK 的σaa值大于0.5。因此可以設(shè)定門限值t(σaa)區(qū)分2ASK 和4ASK 信號(hào)。

圖4 σaf 隨信噪比變化的仿真示意

圖5 σaa 隨信噪比變化的仿真曲線示意

2 識(shí)別過程

2.1 分類器流程圖及仿真結(jié)果分析

決策樹分類器[8]也稱多級分類器，是模式識(shí)別中較早使用的一種技術(shù)。它的思想是將復(fù)雜的分類問題分級解決，其主要的優(yōu)點(diǎn)是識(shí)別算法簡單，易于實(shí)現(xiàn)，分類速度較快；缺點(diǎn)是門限值的選取對識(shí)別率影響較大，部分特征值隨信噪比變化較為明顯，因此需要在不同信噪比下設(shè)置不同的門限值，增加了復(fù)雜度。根據(jù)本文所采用的5 個(gè)特征參數(shù)，使用決策樹分類器對六種調(diào)制信號(hào)進(jìn)行識(shí)別，決策樹流程如圖6 所示[1]。

在載波同步條件下，設(shè)置載波頻率為10kHz，采樣頻率為64kHz，碼元速率為1000 字符/秒，總采樣點(diǎn)數(shù)為6400 個(gè)，噪聲為高斯白噪聲。在不同信噪比條件下，分別對六種數(shù)字調(diào)制信號(hào)進(jìn)行1000次蒙特卡洛仿真，統(tǒng)計(jì)得到算法的識(shí)別率。實(shí)驗(yàn)結(jié)果如表1 所示，信噪比大于15dB 時(shí)，信號(hào)整體識(shí)別率高于92%；信噪比大于10dB 時(shí)，信號(hào)整體識(shí)別率高于85%。隨著信噪比的降低，信號(hào)識(shí)別率下降明顯。當(dāng)信噪比低于5dB 時(shí)，信號(hào)識(shí)別率不足62%。產(chǎn)生該現(xiàn)象的原因主要是低信噪比下不同類信號(hào)的特征參數(shù)值比較接近，判決門限值不易選取。若是選取不當(dāng)，則會(huì)出現(xiàn)相互誤判的現(xiàn)象，最終導(dǎo)致信號(hào)識(shí)別率不高。

圖6 數(shù)字調(diào)制信號(hào)決策樹流程[1]

表1 基于瞬時(shí)特征算法不同信噪比下的識(shí)別率（%）

2.2 BP 神經(jīng)網(wǎng)絡(luò)介紹及仿真結(jié)果分析

為了提高低信噪比下調(diào)制信號(hào)的識(shí)別率，本文引入了前饋（Back Propagation）神經(jīng)網(wǎng)絡(luò)算法[7]。通過神經(jīng)網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)來設(shè)定各信噪比下的識(shí)別門限，以達(dá)到分類效果。BP 神經(jīng)網(wǎng)絡(luò)的核心思想是通過調(diào)整各神經(jīng)元之間的權(quán)值，將誤差由隱藏層向輸入層逐層反傳，也就是不斷進(jìn)行信號(hào)正向傳播到誤差反向傳播的過程，直到實(shí)際誤差值小于目標(biāo)誤差值時(shí)跳出循環(huán)。

圖7 3 層BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本文采用的是一個(gè)典型的3 層BP 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，如圖7 所示。它包含輸入層、一個(gè)隱藏層以及輸出層。由于選取的特征參數(shù)共5 個(gè)，因此設(shè)置輸入層神經(jīng)元數(shù)為5；輸出層神經(jīng)元個(gè)數(shù)為6，代表著六種數(shù)字調(diào)制信號(hào)；隱藏層只有一層，設(shè)有10個(gè)神經(jīng)元。BP 神經(jīng)網(wǎng)絡(luò)的初始學(xué)習(xí)率設(shè)為0.1，最大迭代次數(shù)為5000，訓(xùn)練的目標(biāo)誤差為10-4。在不同信噪比條件下，每種信號(hào)使用200 組特征參數(shù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，50 組用于測試。實(shí)驗(yàn)結(jié)果如表2 所示，信噪比大于0dB 時(shí)，各類信號(hào)的識(shí)別率高于85%；信噪比大于5dB 時(shí)，各類信號(hào)的識(shí)別率高于90%；信噪比為10dB 時(shí)，各類信號(hào)的識(shí)別率高于95%。從中可以看出，利用BP 神經(jīng)網(wǎng)絡(luò)能夠較大地提高六種數(shù)字調(diào)制信號(hào)的識(shí)別率。

表2 基于BP 神經(jīng)網(wǎng)絡(luò)的低信噪比下的識(shí)別率（%）

3 基于USRP 的數(shù)字調(diào)制信號(hào)自動(dòng)識(shí)別方案實(shí)現(xiàn)及性能分析

為了在真實(shí)信道環(huán)境中驗(yàn)證上述方案的可行性，本文進(jìn)一步利用軟件無線電設(shè)備NI-USRP 2920搭建調(diào)制信號(hào)識(shí)別系統(tǒng)，實(shí)測了基于瞬時(shí)特征和BP 神經(jīng)網(wǎng)絡(luò)的數(shù)字調(diào)制自動(dòng)識(shí)別方案的性能。

3.1 信號(hào)識(shí)別的實(shí)現(xiàn)

調(diào)制信號(hào)識(shí)別系統(tǒng)由信號(hào)源子系統(tǒng)、射頻信號(hào)收發(fā)子系統(tǒng)以及特征參數(shù)提取和分類器識(shí)別子系統(tǒng)構(gòu)成。實(shí)驗(yàn)條件如下：數(shù)字調(diào)制信號(hào)的載頻為200Hz，符號(hào)速率為100Hz，USRP 中的IQrate 為500kHz，載波頻率為900MHz，實(shí)驗(yàn)信道環(huán)境為高斯信道，信噪比為5dB。

利用特征參數(shù)提取模塊對六種調(diào)制信號(hào)的特征參數(shù)分別進(jìn)行提取。以2FSK 信號(hào)和4FSK 信號(hào)的特征參數(shù)σaf值為例。如圖8 所示，除少部分突變的點(diǎn)以外，4FSK 信號(hào)的σaf值均大于2FSK 信號(hào)的σaf值，即通過實(shí)測數(shù)據(jù)區(qū)分兩種信號(hào)的效果與計(jì)算機(jī)仿真結(jié)果基本一致。

圖8 2FSK 和4FSK 的σaf

由于LabVIEW 沒有內(nèi)置的神經(jīng)網(wǎng)絡(luò)模塊，因此本文通過使用LabVIEW 中的腳本驅(qū)動(dòng)直接嵌套MATLAB 代碼完成BP 神經(jīng)網(wǎng)絡(luò)算法的實(shí)現(xiàn)[9]。實(shí)驗(yàn)隨機(jī)采用實(shí)測樣本信號(hào)中的200 組含有高斯白噪聲的樣本信號(hào)，其中100 組樣本用于BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練，剩余100 組樣本用于神經(jīng)網(wǎng)絡(luò)的測試。

3.2 結(jié)果分析

實(shí)驗(yàn)結(jié)果如表3 所示，在上述信道環(huán)境中，利用軟件無線電設(shè)備USRP 搭建的調(diào)制信號(hào)識(shí)別系統(tǒng)對六種數(shù)字調(diào)制信號(hào)進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明，六種調(diào)制信號(hào)的正確識(shí)別率均高于91%，較好地驗(yàn)證了該方案的可行性。

表3 六種調(diào)制信號(hào)的識(shí)別率（%）

4 結(jié)語

本文采用五個(gè)特征參數(shù)對六種數(shù)字信號(hào)進(jìn)行分類，并引入BP 神經(jīng)網(wǎng)絡(luò)提高低信噪比下調(diào)制信號(hào)的識(shí)別率。進(jìn)而在NI-USRP 2920 軟件無線電平臺(tái)上，采用軟硬件結(jié)合的方式實(shí)現(xiàn)基于瞬時(shí)特征和BP 神經(jīng)網(wǎng)絡(luò)的數(shù)字調(diào)制信號(hào)識(shí)別方案，并進(jìn)行性能驗(yàn)證。實(shí)測數(shù)據(jù)表明，基于瞬時(shí)特征和BP 神經(jīng)網(wǎng)絡(luò)的數(shù)字調(diào)制信號(hào)識(shí)別方案能夠較好地識(shí)別六種數(shù)字調(diào)制信號(hào)。