文永康+谭红芳+马勇

摘 要 为了在低信噪比下准确识别战术电台网络通信信号的调制方式，利用多种参数提取方法与支持向量机（SVM）对战术电台网络通信信号的调制方式进行识别。运用瞬时参数分析、循环谱分析与小波包分解重构相融合的方法，提取信号的多种特征值，将其作为SVM分类器的输入，对战术电台网络中常用的AM、FM、2ASK、4ASK、2PSK、4PSK、2FSK、4FSK、16QAM九种信号进行训练与测试，得到识别率。仿真结果表明，在信噪比为0dB时，识别率达到了98.89%，证明了该方法的有效性。

关键词 战术电台网络；调制识别；特征提取；支持向量机

中图分类号 TN91 文献标识码 A 文章编号 1674-6708（2017）199-0163-04

在电子侦察和电子对抗领域，通信信号调制分类占据着重要地位，兵马未动，信息先行，现代战争中对立双方在战争开始时最想争夺的就是信息主动权，电子信息对抗已然可以左右一场战争的胜负[ 1 ]。在电子对抗中，第一步是对捕获的敌军信号进行分析处理，解密裹藏在信号中的重要信息，而信号的调制分类，则是进行这一过程的重要基石。其主要策略是，在缺少先验信息的前提下，对信号进行参数估计和特征提取，判别已捕获信号的调制方式；根据判别结果，进一步处理可得到其调制参数，据此对敌军通信设施采取反制性干扰破坏，或可进一步解调，破译敌方战斗信息，进行针对性战斗部署。战术电台网络中存在不同类型的战斗网络，使用的电台也因网络的不同而存在差异，信号的调制方式也因业务需求和战时环境的不同而变化[2]。在SINCGARS电台中，美军现役的AN/PRC-117F电台和AN/PRC-152电台，前者可用调制方式有AM、FM、ASK、FSK、BPSK、QPSK等，后者可用调制方式有AM、FM、PSK、FSK等。其他美军电台如SPEAKEASY电台的调制方式有AM、FM、MPSK、QAM等。因此，本文主要针对战术电台网络中的AM、FM、2ASK、2FSK、2PSK、4ASK、4FSK、4PSK、16QAM这9种调制模式进行分类识别。

在电子对抗中，由于干扰和噪声的影响，信号比较难以捕捉，因此需要收集一定量的信号进行处理分析，建立特征参数库，以便对后续捕捉的信号进行比对分析，所以本文采用了多种特征参数。而且SVM理论基础扎实，处理多维参数问题相对其他机器学习算法更优秀，且具有良好的泛化推广能力[3-4]，因此本文基于统计模式识别方法，在特征提取环节采用瞬时参数分析、循环谱分析与小波包分解重构相融合的方法，并选择SVM作为分类器进行调制识别。

1 特征提取

1.1 瞬時参数提取

瞬时参数适合高信噪比下的调制识别，在低信噪比下性能非常差，但是从长远来看，电子侦察和对抗是一项大工程，随着信号捕捉预处理技术的发展，去干扰，提升信噪比的能力会逐步加强，当发展到能将捕捉的信号处理到高信噪比，弱干扰的程度时，瞬时参数便能发挥作用。因此本文将瞬时特征参数作为一种参数加入到组建的特征参数组中。

参数一：零中心归一化瞬时幅度功率谱密度最大值Rm[ 5 ]。

Rm可以把ASK信号和FSK、PSK信号分成两类。因为ASK信号的包络是变化的，则其acn（i）是不为零，相应的谱密度值也不为零。而PSK信号和FSK信号的包络保持不变，所以其acn（i）接近零值，则谱密度也接近零值。因此，利用Rm将ASK信号和FSK、PSK信号分成两大类。

参数二：信号幅度的均方差std。这一参数可以将2ASK、4ASK、QAM信号分成三类，其中4ASK信号和QAM信号相比2ASK信号幅度离散程度大很多，4ASK信号与QAM信号幅度离散程度相近但仍能区分。

1.2 循环谱参数提取

在循环频率为零处，由于平稳信号不具有循环平稳特点，噪声作为一种平稳信号只会在此处产生谱峰，在循环频率非零处不会产生谱峰，即此参数可以有效克服平稳噪声的影响，适合低信噪比下的战术电台网络通信信号的调制识别。而且循环谱可以更好地表现出信号的本质属性，由于进行了二次付里叶变换，使其分辨率更高。因此本文将循环谱参数作为一种参数加入到组建的特征参数组中。

参数三：特征循环谱在轴截面上的脉冲个数m[4]。对脉冲的计数方法是：先对截面谱的幅值进行归一化处理，接着对截面谱进行一维搜索，找到大于所设门限值的对应谱线，然后对这些谱线进行第二次搜索整理，搜寻比相邻谱线更加突出的谱线，判决为一个脉冲。

1.3 小波分解重构参数提取

小波交换能将信号的各种细节特征分离解析到各个不同尺度的小波系数上，并且对高频部分进行分析时，时域步距适当减小，可以观察到信号的很多细微细节，在时域同样具有很好的局部化特性，即具备独特的多分辨率分析特点，在分析突变信号和非平稳信号时性能很好。因此本文选用了db2母小波实现小波分解重构，然后提取分解信号各层的均方差，对信号进行3层小波离析分解，将这些均方差值作为特征参数加入到组建的特征参数组中。

参数五：第三次分解后提取低频系数cwtlo3的均方差。

参数六：分解前提取高频1号系数cwtde1的均方差。

参数七：第一次分解后提取高频2号系数cwtde2的均方差。

参数八：第二次分解后提取高频3号系数cwtde3的均方差。

2 SVM分类器endprint

2.1 SVM原理

SVM是Vapnik和Cortes在1995年提出的，SVM根据VC维理论和结构风险最小原理，以有限的样本信息，在模型的复杂性和预测能力之间追求最佳折衷，即在特定训练样本的学习精度与识别任意样本的能力间折衷，目标是获得最好的泛化推广能力[ 7 ]。其本身具有优秀的泛化能力适合于解决小样本问题；再加上引入了核函数和松弛变量的缘故，造就了SVM处理解决非线性及高维模式问题的了得性能，而且能够将自身的这些优势扩大到函数拟合等其他问题中。

非线性支持向量机数学模型为：

2.2 SVM参数优化

目前结合支持向量机的调制识别文献都没有给出核函数和松弛变量的参数值，没有这两个参数值，则会令人怀疑其泛化推广能力[8-10]。席敏等人在运用SVM进行调制识别时[ 1 1 ]，就出现了硬间隔问题，使其SVM模型失去了泛化推广能力。针对前四个特征参数，对SVM中的核参数g和惩罚因子C进行了遗传算法优化，仿真结果如图4图5，前者C，g参数未优化，手动调参，范围无限制；后者采用遗传算法优化，C设为[0.1-100]，g设为[0.01-1000]。

对比参数优化前后的仿真性能，手动调参得到的惩罚因子C的值大的恐怖，而且识别率几乎不随信噪比的变化而变化，这种情况下就出现了硬间隔（过学习）问题，究其原因是全部样本点与分类平面间的距离都被强制要求大于某个值，其结果就是模型很容易受少数点的掣肘，导致泛化推广能力下降。经过遗传算法优化后，虽然识别率下降，但是参数更健康，识别率随信噪比的走势更健康。

3 实验仿真

3.1 仿真条件

识别信号：AM、FM、2ASK、4ASK、2FSK、4FSK、2PSK、4PSK、QAM；训练序列样本数：180，测试序列样本数：90；载波频率：2kHz，符号速率：500bps，采样速率：12kHz；选取特征：特征提取中的3种特征共8个参数。

3.2 仿真结果

由图7和图8仿真结果可知，运用本文中的三种特征参数，基于SVM仿真实现了2ASK、4ASK、2FSK、4FSK、2PSK、4PSK、QAM、AM、FM九种信号的调制识别，在-10dB信噪比下，仿真识别准确率超过了80%；仿真准确率在信噪比等于0dB时，接近100%。仿真结果证明了本文的方法是高效的。J.An等学者基于SVM，使用固有时间尺度算法提取的参数对2ASK、2PSK、2FSK、4ASK、4PSK、4FSK、16QAM信号进行分类，在信噪比为5dB时，准确率为96.11%[12]。于是本文作者采用本文的特征参数组基于支持向量机对上面7种信号进行分类，测试样本为7x50=350个信号，如图9所示，在信噪比为5dB时，准确率为100%，且在信噪比为0dB时，准确率为97.7143%（342/350），识别结果更好。

4 结论

目前结合SVM的调制识别文献都没有给出核函数和松弛变量的参数值，没有这两个参数值，则会令人怀疑其泛化推广能力，因此本文对核函数和松弛变量进行了参数优化，给出了每个信噪比下优化后的参数值，其值都在健康范围内。而且，基于本文提取的特征参数组，使用SVM进行信号分类，效果良好。与同类型IEEE文献对比，本文的特征参数组取得的效果更好，在信噪比为5dB时，同比识别率上升到100%。

参考文献

[1]阎瑾.美军战术互联网体系架构研究[J].通信技术，2011（9）：105-107.

[2]汤少钰.战术互联网侦察技术研究[D].西安电子科技大学，2009.

[3]S. Hassanpour， A. M. Pezeshk and F. Behnia，“Automatic Digital Modulation Recognition Based on Novel Features and Support Vector Machine，”2016 12th International Conference on Signal-Image Technology & Internet-Based Systems（SITIS），Naples， Italy， 2016， pp. 172-177.

[4]S. Mihandoost and M. ChehelAmirani， “Automatic Modulation Classification using combination of Wavelet Transform and GARCH model，”2016 8th International Symposium on Telecommunications（IST）， Tehran， 2016， pp. 484-488.

[5]Nandi， Azzouz E E.， Automatic AnalogueModulation Recognition[J]. Signal Processing， 1995，46：211-222.

[6]潘瑩，张洪欣.基于支持向量机与谱特征的数字信号识别[J].滨州学院学报，2013（6）：79-83.

[7]Vapnik V N. The Nature of Statistical Learning theory[M].New York： Springer-Verlag，1995.

[8]李娇.支持向量机参数优化研究[D].武汉：华中师范大学，2011.

[9]丁勇，秦晓明，何寒晖.支持向量机的参数优化及其文本分类中的应用[J].计算机仿真，2010（11）：187-190.

[10]陆梓端，高茂庭.基于改进遗传算法的支持向量机参数优化[J].现代计算机（专业版），2014（9）：25-29，34.

[11]席敏，朱国魂，姜茜.基于小波变换与SVM的调制信号识别方法[J].桂林电子科技大学学报，2014（4）：274-278.

[12]An J.， Yi K.， Tian B.， Yu Q.， A Modulation Recognizer With ITD-Based Features[J]， IEEE International Conference On Signal Processing，Communications And Computing （ICSPCC）， Xian，2011， 1-4.endprint