应用ann的数字信号调制模式自动识别系统

《应用ann的数字信号调制模式自动识别系统》由会员分享，可在线阅读，更多相关《应用ann的数字信号调制模式自动识别系统（4页珍藏版）》请在金锄头文库上搜索。

1、中国电子学会电路与系统学会第十九届年会论文集 应用A N N 的数字信号调制模式自动识别系统1 李霞吴楚 ( 信息工程大学信息工程学院郑州4 5 0 0 0 2 ) 摘要： 本文对应用A N N 的数字信号调制模式识别系统进行了介绍。文中对信号的瞬时特征、谱特征和高阶 统计量特征进行了归纳和讨论，并选择出了分别用于数字信号调制方式的大类和子类识别特征。系统选取了 学习向量量化L V Q 网络和径向基函数R B F 网络两种分类器分别用于数字信号的太类和子类识别，通过对十种 数字调制信号进行仿真表明，即使在信噪为5 d B 的条件下仍然能够获得i 0 0 的识别正确率。 关键字：数字调制模式识别

2、人工神经网络( A N N )特征矢量学习向量量化网络( L V Q N N )径向基 函数网络( R B F N N ) 一、引言 调制识别是对所接收的信号进行处理过程中的关键环节。随着现代通信、数字信号处理 等技术的迅速发展，数字信号调制模式的自动识别日益受到人们的重视，在军事和民用领域 均具有重要的理论意义和广泛的应用前景。进入2 0 世纪9 0 年代后，基于神经网络的模式识 别方法被应用于调制模式自动识别领域。应用A N N 的数字调制模式自动识别作为调制分类的 一个重要的方法，逐渐受到了人们的重视，并取得了一定的进展。 应用A N N 的数字信号调制模式识别系统，首先是对原始接收信号

3、进行滤波降噪等处理， 并提取信号的各种特征，形成原始特征矢量空间；然后根据识别需要从原始特征矢量空间中 选择不同类的特征矢量，作为A N N 的输入按需送入各个不同的A N N 分类器；最后将所有A N N 的输出经过综合判决后自动得出数字调制模式的类型。 本文将对应用A n 的数字信号调制模式自动识别系统进行介绍。 二、数字调制信号的一般模型 数字调制信号可表示为： x ( t ) = 山C O S ( 2 Z f M r + 加) ( 1 ) 其中，A M 、厶和九分别表示信号所携带的幅度、频率和相位信息的集合，M 表示信号的M 进制。A M 、厶和的相互组合形成了现在常用的幅度键控A S

4、 K 、相移键控P S K 、频移键控 F S K 和正交幅度调制Q A l f 等数字调制信号。 三、特征提取与选择 特征矢量的提取是数字调制模式识别的关键环节。根据目前数字通信中各种常用调制模 式的特点，同时考虑到A N N 作为分类器所具有的非线性、高度并行和自组织能力等特性，本 文讨论应用A N N 进行数字调制模式自动识别的情况下所需的特征矢量空间。文中对通信信号 的瞬时特征、谱特征、统计特性和高阶统计量特征进行了归纳，并对根据识别需要对特征进 行了选择。 3 1特征提取 3 1 1 瞬时特征 瞬时幅度 4 0 ) = p O ) J = R 2 ( ) + J 2 ( ”) “ =

5、 1 ，2 ，舳 ( 2 ) 其中H 表示取模运算。瞬时幅度可用于区分恒幅信号和非恒幅信号。 基金项目：河南省自然科学基金资助项目( S P S 2 0 0 2 6 1 0 0 7 ) V 1 1 I 5 9 2 兰生坠王堂皇堕苎墨竺兰叁塑垄星生室笙苎叁 瞬时相位 m 胁n 。( 哿) 删，：，胁 可用于区分P S K 、Q 埘信号和A S K 、F S K 信号。 瞬时频率 ，n ) = ( n + 1 ) 一( n ) )n 文，2 ，N s o J l “ 其中Z 为采样频率。瞬时频率可用于区分F S K 信号和其它数字调制信号。 31 2 谱特征【1 】1 2 】 ( 3 ) ( 4

6、) 接收信号归一化的瞬时幅度的功率谱密度的最大值，即归一化的中心瞬时幅度的最大值f i j ，。= m a x l D F T ( A 。( n ) ) J 2 机 ( 5 ) 其中丸0 ) = 以( H ) 一1 表示零中心归一化瞬时幅度，4 ( N ) = 4 即) ，n = 1 ，2 ， = 去善一( n ) 表示抽样信号瞬时幅度均值 分有幅度信息的信号和无幅度信息的信号。 瞬时相位的非线性部分的绝对值的标准偏差， 对值的标准偏差 O a p 。 D F T ( ) 表示离散傅立叶变换。，。可用来区 即采样信号的瞬时相位的中心非线性分量的绝 J 丽 名N s 姒2 叫- 丽l 刍” k

7、吲J 2 ( 6 ) 其中表示瞬时相位去卷叠后的相位序列的非线性分量。盯。可用于区分有绝对相位信息和 无绝对相位信息的信号。 瞬时相位的非线性部分的实值标准偏差 2 瓜甄研丽 可用于区分有直接 日位信息和无直接相位信息的信号。 归一化的瞬时幅度绝对值的偏差 2 瓜蕲硝丽 O “ u 。可用于区分包含绝对直接幅度信息的信号和不包含绝对直接幅度信息的信号。 归一化的瞬时频率绝对值的偏差 o “ d 2 瓜甄弭丽 ( 7 ) ( 8 ) ( 9 ) 其中厶( 一) = 卷堕表示归化瞬时频率，一= l ，2 , - - , 胁，( ”) ：厂o ) 一- ， ，_ = 去茎，。) 表示抽样信号瞬时频率

8、均值，融为码元速率。勺可用于区分包含绝对直接 频率信息的信号和不包含绝对直接频率信息的信号。 归一化的瞬时频率功率谱密度的最大值p l 。，= 1 0 1 0 9 l 。( m “D 刀( n ) ) ) ( 1 0 ) 中国电子学会电路与系统学会第十九届年会论文集 可用于区分有频率信息的信号和无频率信息的信号。 上述六种谱特征主要用于数字信号调制模式的大类识别。 3 1 3 高阶统计量特征 从高阶统计量的定义和性质t 3 1 可知，对于高斯过程而言，其高于二阶的累积量均为零。 因此，如果一个非高斯过程和与其相独立的加性高斯噪声同时被接收时当将其变换到高阶 累积量域时，理论上可以消除该噪声。因

9、此，用高阶统计量作分类特征可以有效的降低加性 高斯噪声对信号识别的影响。 文献P 中提出了如下高阶统计量特征： ”惫一：= 鲁_ ，= 号_ 。= 铡，五= 器，心= 别， p | 2l r ll 一= 鲁，也= 告，五= a n g l e ( c 4 。) ，九= a n g l e ( c 4 。) ， ，= a n g l e ( 坂，) 1 L 4 2 ll L 4 2 I 其中r e a l ( 1 表示取实部，a n g l e ( , ) 表示取相角。前八个特征反映了信号变换到高阶统计量域 后的高阶统计量谱特性，主要用于对数字调制信号的各个大类进行子类的识别分类。后面几 个特征

10、反映了信号变换域后对应的真实的相位信息，主要用于区别含相位信息和无相位信息 的信号， 文献”1 中N a n d i 等人提出的特征： K 吣，C 叫，C ，C R 耻R ，C 吣I ，C j | ，C i l ，C “ A R ，cR ? R , R , I C RR ，C 叫j u ，C | L l ? I 经火量的仿真统计，其中的 c ”，q p C M m 岛 ”，C 即 ，q j 六个特征对数字调制信号 的模式识别有效，但对初始相位较为敏感，因此适于在初始相位已知的条件下使用。 上述高阶统计量特征对数字信号调制模式的子类识别较为有效。 3 2特征选择 在实际进行识别工作中，用于识别的

11、特征个数并非越多越好，而是希望用最少最简单的 特征实现最有效最可靠的分类，即应该在满足分类需要的前提下降低特征矢量的维数。 经过对各种信号的特征进行大量的仿真统计，本系统根据实际工作需要选取了。，、丑、 、G M 。和G 五种特征用于A S K 、P S K 、Q A M 和F S K 信号的大类识别；选取了 、 和 凡用于A S K 信号的子类2 A S K 和4 A S K 的识别；选取了吒。、 和c 。，用于P S K 信号的子类 B P S K 、Q P S K 和8 P S K 的识别：选取了 和无用于Q A M 信号的子类1 6 Q A M 和3 2 Q A M 的识别，选 取了矗

12、、丑、正和五用于F S K 信号的子类2 F S K 、4 F S K 和8 F S K 的识别。 四、A N N 分类器 本文选取了学习向量量化L V Q 网络和径向基函数R B F 网络作为分类器，通过两种网络分 类器的组合实现数字信号调制模式及其予类的识别。 L V Q 网络由三层组成，第一层为输入层，第二层为竞争层( 即隐含层) ，第三层为线陛层。 通常将竞争层学习得到的类称为子类，网络将子类组合成为类的过程使得L V Q 网络产生了复 杂的类边界，创造凹的分类边界的特点对于数字调制模式识别工作有重要的应用价值。因此 本文采用L V Q 网络分类器用于四种数字调制信号的大类识别。本系统

13、的L V Q 网络的输入节点 数依据前面对特征的选取定为5 ，隐含层节点数为1 0 ，输出层节点数为4 。 R B F 网络也由三层组成，第一层为输入层，第二层为隐含的径向基层，第三层为输出线 性层。R B F 函数的作用是局部的，利用这个特点本文将采用高斯核函数作为径向基函数构成的 R B F 网络用于数字调制信号的子类进行识别。R B F 网络的输入层、隐含层和输出层的节点数对 于不同调制方式信号的子类识别是不同的，进行A S K 信号子类识别时分别为3 、6 和2 ，P S K I I 一5 9 4 中国电子学会电路与系统学会第十九届年会论文集 信号- H 寸S b3 、1 2 和3 ，

14、q A M 信号时为2 、1 0 和2 ，F S K 信号时为4 、1 2 和3 。 因此，本系统用一个L V Q 网络和4 个R B F 网络实现数字信号调制模式的分类，数字信号 调制模式识别系统框图如图1 所示。 匿i 基于A m 的数字调$ 模式识掰蜒鼬 五、仿真结果 本文以f 2 A S K ，4 A S K ，2 P S K ，4 P S K ，8 P S K ，1 6 Q A M 3 2 Q A M ，2 F S K ，4 F S K ，8 F S K 十种信号为例，对系 统性能进行了仿真。采用的仿真信号规格为：采样频率f = 7 6 k I t z ，载频正= t 9 2 k H

15、 z ，码 元速率R s = 9 6k H z ，抽样个数 0 = 4 0 9 6 。每种信号在各种信噪比条件下进行了1 0 0 次仿真分 类实验，实验结果表明在S N R 不低于5 d B 的条件下能够对上述十种信号实现1 0 0 的正确识 别率。 六、结论 本文讨论了应用A N N 的数字信号调制模式自动识别系统。文中对信号的瞬时特征、谱特 征和高阶统计量特征进行了归纳和分析，并根据识别需要从中选取了十个特征用于数字信号 调制模式的大类和子类识别。选择了L V Q 网络和R B F 网络分别用于信号的大类和子类识别的 分类器。通过对十种数字调制信号的仿真实验对该系统的识别性能进行了验证，仿

16、真结果显 示即使在信噪比为5 d B 的条件下仍然能够实现对各种信号正确识别。本文而目前的相关文献 资料证明了该系统用于数字信号调伟n 模式识澍的有效性和可靠性。 参考文献 1 W o n g M L D ，a n d N a n d iA K “ A u t o m a t i cd i g i t a l m o d u l a t i o nr e c o g n i t i o nu s i n gs p e c t r a la n da t a t i s t l c a l f e a t u r e s w i l hm u l t i - l a y e rp e r c e p t r o n s “ 7 I S S P A , 2 0 0 1 8 。2 ：3 9 0 - 3 9 3 2 R a m a