武警工程大学信息工程系 谢跃辉 赵亚欣



通信信号多调制方式自动识别综述

武警工程大学信息工程系 谢跃辉 赵亚欣

【摘要】介绍了多种调制识别方法，重点介绍了小波变换和两种分类器，并分析了通信信号调制识别中方法各自利弊。

【关键词】调制识别；小波变换；支持向量机；人工神经网络

0　引言

调制解调技术是物理层传输技术中重要组成部分，基本任务是识别出信号的调制类型，估计出信号的关键参数，为后续信号的分析处理提供依据。目前调制方式自动识别的研究方法主要可以分为两类：一是基于假设检验的最大似然方法，二是基于特征提取的模式识别方法[1]。基于假设检验的最大似然方法，是通过对信号的似然函数进行处理，将得到的似然比与阈值进行比较，完成调制识别功能。基于特征提取的模式识别方法，通常包含两个子系统，一个子系统用于提取信号的特征参数，另一个子系统根据信号的特征参数，采用一定的分类器确定信号的调制类型。

1　基于假设检验的最大似然调制识别

贝叶斯估计意义上讲，基于最大似然方法的分类结果是最优的。但是它需要根据信号的统计特性设置合适的门限值，因此阈值设定是其核心和难点，计算复杂度较高，不利于在线分析，对模型失配和参数偏差问题较敏感，稳健性较差。

由于未知信号的信息内容、信道参数估计误差等使得构造的似然函数中一般含有未知参数。根据对未知参数处理方法的不同,似然比检验主要可分为三类[2]：平均似然比检验、广义似然比检验和混合似然比检验。

2　基于特征提取的模式识别

基于特征参数提取的调制识别，主要包含两个阶段：分类器训练阶段和调制信号识别阶段。这类方法关键在于提取能够区分不同调制方式的特征参数，特征提取是调制识别问题的关键。目前，已经提出了许多特征参数提取的算法。常用的特征参数有：基于瞬时幅度、频率及相位的特征参数；基于信号统计量特征的参数提取，主要包含基于高阶累积量的特征参数，基于混合矩的特征参数，基于循环累积量的特征参数等；基于信号变换域的特征参数提取；基于信号星座图恢复的方法等。

3　小波变换

特征参数的提取方法很多，与大多数识别方法不同，小波变换方法不需要任何先验知识，且小波变换对非平稳信号有着很好的检测能力，算法速度快，满足实时需要，利用小波分析提取数字调制信号的特征参数非常有效[3]。小波分析主要研究函数的表示，就是将函数分解为“基本函数”之和，小波函数具有良好的光滑性和局部性，可以分析函数的局部和整体的性质[4]。常用的小波函数有Haar小波、mexh小波和meyer小波。mexh小波不具有正交性，而meyer小波不具有紧支集，只有Haar小波满足能达到最佳提取信号特征的条件。Haar小波定义为：

图1　小波及尺度伸缩与平移

4　分类器的设计

基于特征提取调制识别方法的重点在于在非理想环境下利用合适的分类器提取较为稳健的信号特征参数作为识别调制类型的依据，识别出调制信号的类型。分类器中主要包括人工神经网络、支持向量机 、聚类以及其他一些模式识别方法。

图2　三层BP神经网络结构

图3　最优分类面示意图

（1）人工神经网络

人工神经网络是模拟人类大脑功能而提出的数学模型[5]。目前，在人工神经网络的实际应用中，绝大部分的神经网络模型都采用BP网络及其变化形式。BP网络是一种多层前馈型神经网络，其神经元的传递函数是S型函数，输出量为0到1之间的连续量，它可以实现从输入到输出的任意非线性映射。包括输入层、隐含层和输出层。它的特点是：各层神经元之间无任何连接，仅相邻层神经元之间有连接。如图2所示。

BP神经网络的输入输出关系是一个高度非线性映射关系，它是从输入的m维（样本特征矢量空间）欧氏空间到输出的n维（类别空间）欧氏空间的映射。

（2）支持向量机(SVM)

支持向量机主要利用非线性变换将输入空间变换到另一个线性可分的高维空间。在这个高维空间构造最优超平面[6]，作为分类面使两类样本间的距离达到最大，如图3所示。

SVM从理论上实现了对不同类别的最优分类，有较好的推广能力，能根据信号的特征值，有效的识别调制信号的类型。

5　结束语

调制识别方法有很多，但是重点在于选取当前硬件匹配，适于在线分析的方法。以上研究的热点方法各有利弊，需要针对不同情况分析利用。

参考文献

[1]程汗文,吴乐南.基于信息融合的信号调制方式识别[J].信号处理,2009,25(4):625-629.

[2]O.Dobre,A.Abdi,Y.Bar-Ness, and W.Su.Survey of Automatic Modulation Classification Techniques: Classical Approaches and New Trends[J].IET Communications,2007,1(2):137-156.

[3]Prakasam and M.Madheswaran,“Modulation identification algorithm for adaptive demodulator in software defined radios using wavelet transform”, International Journal of Signal Processing, vol.5, no.1,pp.74-81,2009.

[4]钱平.软件无线电调制自动识别研究[D].江南大学,2013.

[5]Ahmadi N,Berangi R.Modulation classification of QAM and PSK from their constellation using Genetic Algorithm and hierarchical clustering[C].3rd International Conference on Information and Communication Technologies: From Theory to Applications,2008:1-5.

[6]Ataollah Ebrahimzade Sherme.A novel method for automatic modulation recognition[J].Applied Soft Computing,201212(1):453-461.