杨单，李超锋，杨健

1.中南民族大学管理学院，武汉 430074

2.华中科技大学计算机学院，武汉 430074

基于多节点信息融合和协作的信号调制方式识别

杨单1，2，李超锋1，杨健1

1.中南民族大学管理学院，武汉 430074

2.华中科技大学计算机学院，武汉 430074

针对单节点在低信噪比环境下调制识别率低的难题，提出了基于一种多节点信息融合和协作的信号调制方式识别方法。首先设计多个传感器节点协作方案，并提取每节点特征，然后中心节点将各节点特征进行融合，最后采用最小二乘支持向量机建立信号调制分类器。仿真结果表明，相比于其他信号调制识别方法，该方法提高了信号调制识别精度，对信噪比环境具有更好的自适应性。

调制识别；分布式协作；最小二乘支持向量机；无线传感器网络

随着数字通信技术的发展，信号调制识别可以正确判断通信信号的调制方式，在民用和军用领域得到了广泛的应用[1]。随着信号环境越来越复杂，信号调制方式呈多样化发展趋势，如何有效地对信号调制方式进行准确、有效的识别，成为软件无线电、通信对抗、频率管理、非授权无线接入等研究领域中的重大课题，并引起了人们的广泛关注[2]。

针对通信信号调制方式的识别，国内外专家和学者进行了大量深入的研究，目前分为理论决策法和模式识别法两种自动识别方法[3]。然而，当前通信信号调制研究基本上仅限于单接收节点，识别性能与信道质量和信号强度直接相关，当处于低信噪比和恶劣信道条件下，单接收节点的信号调制识别率低[4]。随着无线传感网络技术的不断发展和成熟，分布式信号检测、估计和识别算法日益受到关注。SU等提出了基于分布式的调制识别方法，其不需要同步接收信号，具有传输数据量小、稳定等优点，但存在原始信息丢失严重现象，性能有待进一步提高[5]。程汉文等提出了基于信息融合的信号调制方式识别方法，从多次层次对信息进行融合，一定程度上提高了信号调制方式的识别正确率，但存在融合效率低等不足[6]。刘爱声等提出了多传感器节点分布式协作调制识别方法，具有简单、能耗低、识别性能好等优点，但只针对特定的网络环境，存在通用性差的不足[7]。包锡锐提出了基于高阶累积量的数字调制信号识别方法，较好地抑制高斯白噪声的不利影响，但是其鲁棒性差[8]。随后，汪伟提出一种新的分布式协作调制识别方法，采用支持向量机作为调制信号的分类器，较好解决了其他识别算法存在的不足[9]。但是支持向量机存在训练时间长、效率低等，而最小二乘支持向量机是一种改进支持向量机，可以加快训练速度，提高信号调制方式的识别程度[10]。

针对低信噪比时单接收节点调制识别率低的问题，提出基于一种多节点信息融合和协作的信号调制方式识别方法。首先设计多个传感器节点协作方案，并提取每节点特征，然后中心节点将各节点特征进行融合，最后采用最小二乘支持向量机建立信号调制分类器，并采用仿真实验测试本文方法的识别性能，给出较其他识别方法的优越性。

1 分布式协作的无线传感器网络系统模型

无线传感器网络由大量随机分布在监测区域内的体积小、成本低、功耗低的传感器节点通过自组形式形成的络系统，其不断地对监测区域内目标状态信息进行采集和处理，然后通过中心节点的对信息融合发送到观察者[11]。本文的分布式协作网络系统模型如图1所示。图1中S1，S2，…，Sm表示传感器节点，随机部署于监测区域内，对目标信息进行感知；主节点内含最小二乘支持向量机分类器对调制信号类型埋识别。

图1 系统模型

2 分布式协作方案

2.1 特征提取与分析

信号特征是区分信号类型的重要参数，当前有许多种特征用于信号识别[12]。在参考了相关文献资料的基础上，本文选取基于统计信息特征对BPSK、QPSK、8PSK、16QAM等4种调号进行识别研究。对一个零均值的复随机过程X(t)，其P阶混合矩计算公式为：

式中，*表示函数的共轭，高阶累积量分别定义如下：

图2 不同高阶累积量与信噪比的变化曲线

通过仿真实验，对数字调制信号的高阶累积量进行分析，得到结果如图2所示。由图2知，从信号的高阶累积量中提取特征参数，可以实现C40，C63，C42，C4的分类和识别。

2.2 分布式协作方案

大量研究结果表明，单节点的调制识别方法对信道质量和信号强度十分敏感，同时必须提取信号的全部特征值，能量消量较大，而在无线传感网中，可采用多个传感器节点协作方式提高信号识别性能，更适合周围变化的信噪比环境[13-14]。但是由于不同传感器节点之间性能具有差异，采用等值加权方法对每一个特征根据信噪比进行加权，无法反映传感器节点的多样性，而且能量消耗比较大，导致节点过早死亡，为此刘爱声等根据每节点信噪比大小提取不同的特征值，这样节点的能耗降低，识别性能优于单节点，但该方法忽略了信噪比环境变化情况，适合性较差，所以需要考虑不同特征值所适用的信噪比区间。对图2中的C42与信噪比的变化关系进行分析可知，当信噪比达到2 dB时，各种信号的C42相当稳定，这样如果某节点信噪比大于等于2 dB，那么就认为此节点提取特征C42是可靠的，不然就不可靠，这样信噪比区间和相应的可靠高阶累积量见表1。

表1 信噪比区间和相应的可靠高阶累积量

从表1可知，信噪比要求由高到底依次为C40、C63、C42、C41。根据表1的结果，本文提出了一种多节点信息融合和协作的信号调制方法，具体流程如图3所示。

图3 分布式协作方案的工作流程图

以4个节点为例，所对应网络的具体分布式协作方案如下：

（1）搜索信噪比位于[6，+∞)的节点，传感点节点个数为num1，如果num1=1，那么该节点提取所有特征值；如果num1≥2，在同一节点求取含有相同高阶矩的高阶累积量。

（2）如果num1=0，查找信噪比位于[4，6)的节点，传感器节点个数为num2；如果num2=1，那么，该节点提取所有特征值；如果num2=2，则是认为到C40不在稳定信噪比区间，用最大信噪比点来求取C40，并采用另一个节点提取位于稳定区间的C41/C42/C63，由表2，信噪比最大点求取C40/C41，次大点提取C42/C63。同理，当num2=3时，最大的信噪比点来求取C40，次大点求取C42/C63，次次大点求取C41。同理，当num2=4时，最大的信噪比点来求取C40，次大点求取C63，次次大点求取C42，最小信噪比点求取C41。

（3）当num2=0时，查找信噪比位于[2，4)的节点，节点个数是num3。当num3=1，此节点提取所有特征值；当num3=2时，考虑到C40/C63已经不处于稳定的信噪比区间，故用最大的信噪比点来求取C40/C63，另外一个节点提取位于稳定区间的C41/C42。同理，当num3=3或4时，最大的信噪比点来求取C40/C63，次大点求取C42，次次大点求取C41。

（4）当num3=0时，查找信噪比位于[1，2)的节点，节点个数是num4。当num4=1，此节点提取所有特征值；当num4=2或3或4时，考虑到C40/C42/C63已经不处于稳定的信噪比区间，故用最大的信噪比点来求取C40/C42/C63，次大点提取位于稳定区间的C41。

当所有节点的信噪比低于1 dB时，每个传感器节点都求取所有高阶累积量值，然后由中心节点根据信噪比进行加权。

表2 计算量最小的高阶累积量组合

2.3 最小二乘支持向量机的分类器设计

分类器可以依据信号特征的观测值将信号分到不同的调制类别中，最小二乘支持向量机是一种改进的支持向量机，其具有强大的模式识别能力，可以处理复杂的非线性问题，而且具有较好的稳健性和潜在的容错性，可获得较高的识别率，因此本文采用最小二乘支持向量机分类器对调制方式进行识别。设训练集为(xi，yi)，i=1，2，…，n，n表示训练样本数，xi∈Rm为样本输入，yi∈{1，-1}为输出，LSSVM在高维特征空间的线性函数为：

式中，w为权值向量，b为偏置量。

根据结构风险最小化原则，综合考虑拟合误差和函数复杂度，式（6）变为：

式中，γ为正则化参数；ei为预测误差。

通过引入Lagrange乘子将式（7）变成无约束对偶优化问题，即

式中，ai拉格朗日乘子。

根据KKT条件，可得到

对非线性分类问题，通过引入核函数转换到高维特征空间求解，相对于其他核函数，径向基核函数（RBF）参数少，且性能更好，因此选择其作为LSSVM的核函数，RBF定义为：

式中，σ为径向基核函数的宽度参数[15]。

最后，LSSVM分类决策函数为：

3 仿真实验

3.1 仿真环境

为了测试本文多节点信息融合和协作的信号调制方法的性能，在M atlab 2012的平台上编程进行仿真实验。无线传感器网络包括4节点，信号波特率1 M b/s，采样率10 M，400个码元，载频3 MHz，滚降系数0.35，蒙特卡洛循环次数2 500，最小二乘支持向量机分类器训练序列200，测试序列2 000，选取高斯核，核参数10。选择文献[9]、加权方法、单节点进行对比实验，并通过识别率、计算时间、特征平均个数和网络性能等作为评价标准，比较它们的优劣。

3.2 结果与分析

3.2.1 每个节点提取的特征个数平均值

在不同信噪比环境下，每个节点平均提取特征的见表3。从表可知，在忽略每个高阶累积量特征计算量情况下，所有节点平均提取特征个数接近于1，相对于相比加权法，本文方法的传感器能耗大幅度减少，有效延长节点的使用寿命。

表3 每节点提取的特征平均个数

3.2.2 总识别率比较

不同方案的信号调制方式识别率见表4所示。对表4进行分析可以得到如下结论：

（1）在相同信噪比条件下，多节点联合性能明显优于单节点。

（2）在相同信噪比方差，不同均值条件下，4种方法都是均值越大，识别性能越好。

（3）相同信噪比均值，不同方差条件下，随着方差的增大，本文方案和文献[9]识别性能均变好，但是本文方案的识别效果更好。

（4）在相同信噪比条件下，当信噪比分布方差较小时，本文方案识别率与加权法相差无几，都略高于文献[9]的方案；当信噪比分布方差较大时，本文方案识别率高于加权法和文献[9]，这表明本文通过最小二乘支持向量机代替文献[9]中的支持向量机作为分类，可以得到更加理想的信号调制类型识别结果。

表4 不同方案的识别率比较（%）

3.2.3 计算时间比较

对于信号调制识别方法来说，计算时间至关重要，是衡量其性能的一个重要指示，采用M atlab 2012的Tic 和Toc两个命令统计在相同信号条件，不同方案的运行总时间，它们的结果见表5。对表5进行分析可以得到如下结论：

（1）相对于加权方案，文献[9]的计算时间相应减少，这主要是由于文献[9]只提取四个特征，减少了分类器的输入向量数，大幅度降低了计算量，提高了信号调制的识别效率。

表5 不同方案的计算时间比较s

（2）相对于文献[9]的方案，本文方案的计算时间进一步降低，这主要是最小二乘支持向量机在优化阶段只需要解决一个线性方程式而不是像支持向量机需要求解二次规划问题，简化求解流程，加快了求解速度，运行时间减少，可以更好地满足信号调制类型识别的实时性和在线性要求。

3.2.4 无线传感网节点个数变化

（1）节点个数增加，以信噪比环境为N（3，5）为例，节点个数与网络性能变化见表6。从表6可知，随着节点个数增加，信号调制类型的识别率逐步提高，当节点个数达到一定数量时，新增的节点对性能提升没多大影响，这主要是由于为本文方案一个特征仅提取一次，并且只会选取其中4个节点来提取特征，因此可以通过添加新特征，充分利用新增节点以进一步提高系统性能。当传感器节点个数增加时，总时间上升，而单节点的平均时间下降，这主要由于特征值求取更加分散在多节点上导致该种情况出现。

表6 节点个数增加时网络性能的变化

（2）节点个数减少，以信噪比环境为N（3，5）为例，表中单节点的信噪比是正态分布均值3 dB，节点个数减少时网络性能的变化，由表7知当传感网中若干传感器出现故障，即工作节点减少时，总识别率会下降，但是依然优于单节点。

表7 节点个数减少时网络性能的变化

4 结束语

为了提高低信噪比环境下的调制识别率，提出了基于一种多节点信息融合和协作的信号调制方式识别方法。首先设计多个传感器节点协作方案，并提取每节点特征，然后中心节点将各节点特征进行融合，最后采用最小二乘支持向量机建立信号调制分类器。仿真结果表明，相对于其他信号调制识别方法，本文方法提高了信号调制识精度，对信噪比环境具有更好的自适应性，具有更加广泛的应用前景。

[1]Dobre O，Abdi A，Bar-Ness Y，et al.Survey of automatic modulation classification techniques：classical approaches and new trends[J].IET Communieations，2007，1（2）：137-156.

[2]张宇，冯春燕，郭彩丽，等.认知无线电网络频谱检测研究[J].吉林大学学报：信息科学版，2008，26（2）：126-135.

[3]Xu J L，Su W，Zhou M C.likelihood function-based modulation classification in bandwidth constrained sensor networks[C]//Networking，Sensing and Control，2010：530-533.

[4]Xu J L，Su W，Zhou M C.Distributed automatic modulation classification with multiple sensors[J].IEEE Sensors Journal，2010，10（11）：1779-1785.

[5]Su W，Kosinski J.Framework of network centric signal sensing for automatic modulation classification[C]//Networking，Sensing and Control（ICNSC），Institute of Electrical and Electronics Engineers，2010：534-539.

[6]程汉文，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.

[7]刘爱声，朱琦.多传感器节点分布式协作调制识别算法[J].信号处理，2011，26（8）：1235-1241.

[8]包锡锐，吴瑛，周欣.基于高阶累积量的数字调制信号识别算法[J].信息工程大学学报，2004，8（4）：463-467.

[9]汪伟，张效义，胡赟鹏.基于无线传感网的分布式协作调制识别算法[J].计算机应用研究，2014，30（5）：100-106.

[10]Headley W C，Reed J D，Silva C D.Distributed cyclic spectrum feature-based modulation classification[C]//IEEE Wireless Communication and Networking Conference （WCNC），2008：1200-1204.

[11]Forero P A，Cano A，Giannakis G B.Distributed featurebased modulation classification using wireless sensor networks[C]//IEEE MILCOM，2008：1-7.

[12]Zhang Y，Ansari N，Su W.Multi-sensor signal fusion based modulation classification by using wireless sensor networks[C]//International Conference on Communications（ICC），2011：5-9.

[13]Swam i A，Sadler B M.Hierarchical digital modulation classification using cumulates[J].IEEE Trans on Communications，2000，48（3）：416-429.

[14]Chen M，zhu Q.Cooperative automatic modulation recognition in cognitive radio[J].The Journal of China Universities of Posts and Telecommunictions，2010，17（2）：46-52.

[15]Liao W J.LSSVM network flow prediction based on the self-adaptive genetic algorithm optimization[J].Journal of Networks，2103，8（2）：507-512.

YANG Dan1，2,LI Chaofeng2,YANG Jian3

1.School of Management,South-Central University for Nationalities,Wuhan 430074,China
2.School of Computer,Huazhong University of Science and Technology,Wuhan 430074,China

Aiming at the low recognition rate when SNR is low in single node,a modulation recognition method based on cooperative and information fusion of multi-nodes is proposed in this paper.The cooperative method is designed for wireless sensor networks nodes,and features of each node are extracted,and then feature vector is combined and fused by central node.The classifier of recognizing the signals is established by least squares support vector machine.The simulation results show that the proposed method has improved the recognition rate compared with other methods and has better adaptability to SNR environments.

modulation recognition;distributed cooperative;least squares support vector machine;wireless sensor networks

A

TN929.5

10.3778/j.issn.1002-8331.1401-0019

YANG Dan,LI Chaofeng,YANG Jian.Modulation recognition based on cooperative and in formation fusion of multi-nodes.Computer Engineering and Applications,2014,50（16）：7-11.

湖北省教育厅科学技术项目（No.QZY 11009）；中南民族大学校基金资助项目（No.YZQ10001）。

杨单（1979—），男，博士生，讲师，主要研究领域为计算机网络、信息管理；李超锋（1974—），男，博士，副教授，主要研究领域为数据挖掘、计算机网络；杨健（1975—），男，博士，讲师，主要研究领域为网络安全、信息管理。

2014-01-02

2014-02-24

1002-8331（2014）16-0007-05

CNKI网络优先出版：2014-03-03,http://www.cnki.net/kcms/doi/10.3778/j.issn.1002-8331.1401-0019.htm l