基于神經(jīng)網(wǎng)絡(luò)集成結(jié)構(gòu)的數(shù)字調(diào)制信號(hào)識(shí)別

基于神經(jīng)網(wǎng)絡(luò)集成結(jié)構(gòu)的數(shù)字調(diào)制信號(hào)識(shí)別

1信號(hào)功率譜特征參數(shù)的特征參數(shù)識(shí)別方法隨著通信系統(tǒng)的多樣性和復(fù)雜性的增加，信號(hào)自動(dòng)識(shí)別作為智能信號(hào)分析和處理的核心技術(shù)，已成為通信及其相關(guān)領(lǐng)域的研究和應(yīng)用熱點(diǎn)。在許多調(diào)用識(shí)別方法中，基于消息抑制分析的特征參數(shù)和識(shí)別方法，例如，基于信號(hào)實(shí)時(shí)測(cè)量參數(shù)和功率譜特征的識(shí)別方法。生成信號(hào)的序列特征。然而，即使采用最小復(fù)雜噪聲估算算法的ssca估計(jì)算法，序列光譜估計(jì)所需的運(yùn)算量也遠(yuǎn)遠(yuǎn)超過(guò)了相同頻率分辨率的頻率譜估算，這極大地限制了這種分布式識(shí)別方法的應(yīng)用。在以信號(hào)的相位、頻率、幅度等時(shí)域參數(shù)為特征參數(shù)的調(diào)制識(shí)別方法中,Nandi等的研究工作最具代表性,并被廣泛引用,但僅采用時(shí)域統(tǒng)計(jì)參量的方法受噪聲影響較大,通常結(jié)合譜特征等應(yīng)用.Dubuc等提出了一組實(shí)用的信號(hào)功率譜特征參數(shù),較時(shí)域統(tǒng)計(jì)參量具有更好的抗噪聲性能,但是文獻(xiàn)中并沒(méi)有給出明確的定義.文獻(xiàn)對(duì)文獻(xiàn)中的部分特征參數(shù)的定義進(jìn)行了描述,但該描述的可操作性不強(qiáng),且不利于量化分析.就調(diào)制分類器而言,神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的自學(xué)習(xí)能力和潛在的容錯(cuò)性,克服了判決樹(shù)分類器自適應(yīng)能力的不足,神經(jīng)網(wǎng)絡(luò)集成(NNE,NeuralNetworkEnsemble)系統(tǒng)的泛化能力更比單個(gè)網(wǎng)絡(luò)有了顯著提高,被視為一種有效的工程化神經(jīng)計(jì)算方法.本文在對(duì)信號(hào)功率譜和高次方譜(信號(hào)非線性變換后的功率譜)研究的基礎(chǔ)上,提出了兩個(gè)新的譜特征參數(shù),改進(jìn)了兩個(gè)相關(guān)特征的描述.這些參數(shù)具有運(yùn)算復(fù)雜度低,抗噪聲能力強(qiáng),對(duì)調(diào)制參數(shù)穩(wěn)健性好的特點(diǎn).本文將上述參數(shù)構(gòu)成識(shí)別特征,提出了一種采用神經(jīng)網(wǎng)絡(luò)集成結(jié)構(gòu)分類器的常用數(shù)字調(diào)制信號(hào)識(shí)別新方法,信噪比較低時(shí)比單個(gè)神經(jīng)網(wǎng)絡(luò)分類器的識(shí)別率提高了5%.2基于功率譜的調(diào)制特征參數(shù)本文主要討論AWGN信道下常用數(shù)字調(diào)制方式的識(shí)別,包括2FSK、4FSK、BPSK、QPSK、8PSK、16QAM和MSK信號(hào).調(diào)制信號(hào)的功率譜及其高次方譜可以較好地反映多種調(diào)制方式的特性,有效地提取這些特性可以作為調(diào)制識(shí)別的特征參數(shù).本文在總結(jié)前人研究成果的基礎(chǔ)上構(gòu)造了一組基于功率譜和瞬時(shí)統(tǒng)計(jì)特征的參數(shù),其中歸一化峰間距離PD、離散譜線檢測(cè)值LV為文中提出的新參數(shù),峰谷幅值比PV、和離散譜線數(shù)目LN為對(duì)譜平坦度和譜峰數(shù)目的改進(jìn)描述.2.1新參數(shù)pd的定義觀察信號(hào)的功率譜知道,MFSK信號(hào)在各調(diào)制頻率上會(huì)出現(xiàn)明顯的譜線或存在多個(gè)譜峰,這與MSK以及PSK/QAM信號(hào)無(wú)離散譜線的單峰有著明顯的區(qū)別.因此,以信號(hào)功率譜形狀為特征可以識(shí)別出FSK調(diào)制及其調(diào)制階數(shù),如文獻(xiàn)中的平坦度指數(shù)F,但計(jì)算F需要預(yù)先估計(jì)信號(hào)的載波頻率.本文提出新參數(shù)PD,并改進(jìn)F為參數(shù)PV.記信號(hào)功率幅度譜正頻率部分的能量集中頻率范圍為?BB?,中點(diǎn)k0處幅值為X0,以k0為界,左半序列及右半序列的最大幅值分別為XL、XR,對(duì)應(yīng)坐標(biāo)為kL、kR,定義PD、PV如下:歸一化峰間距離PD:ΡD=(kR-kL+1)/?BPD=(kR?kL+1)/B?;峰谷幅值比PV:ΡV=XL+XR2/X0.PV=XL+XR2/X0.由定義式可知,若信號(hào)譜平坦,則PD≈0,PV≈1,或者二者居其一;若信號(hào)存在多個(gè)峰或離散譜中毛刺較多,則PD、PV取值將大大不同,且隨著譜峰數(shù)目或者毛刺增多(功率譜趨向平坦),PV的取值將逐漸減小.參數(shù)PV主要對(duì)FSK的調(diào)制階數(shù)識(shí)別起輔助作用.隨著FSK調(diào)制指數(shù)h減小,其功率譜趨向于單峰,由于非線性變換等效于成倍增大調(diào)制指數(shù),信號(hào)的高次方譜仍可能表現(xiàn)出多個(gè)譜峰.因此,采用高次方譜的PD、PV參數(shù)能對(duì)h較小的FSK取得更好的識(shí)別效果.2.2功率譜的解析確定通過(guò)對(duì)調(diào)制信號(hào)高次方譜分析可知,非連續(xù)相位的FSK調(diào)制的功率譜在各調(diào)制頻率上均為一沖激譜線,離散譜線數(shù)目與調(diào)制階數(shù)相同;MSK在平方或四次方變換后才會(huì)出現(xiàn)兩條沖激譜線;BPSK經(jīng)過(guò)平方變換后或者QPSK和16QAM經(jīng)過(guò)四次方變換后,也在對(duì)應(yīng)2倍或4倍載頻位置上出現(xiàn)一條離散譜線.基于這樣的原理,文獻(xiàn)用單頻檢測(cè)分量C和譜峰數(shù)N對(duì)頻帶信號(hào)功率譜和高次方譜的離散譜線特征進(jìn)行描述,但并沒(méi)有給出明確的表達(dá)式,也沒(méi)有說(shuō)明C與調(diào)制參數(shù)的關(guān)系.本文根據(jù)對(duì)數(shù)字調(diào)制信號(hào)功率譜理論表達(dá)式的分析,推及調(diào)制信號(hào)經(jīng)非線性變換后的功率譜,提出特征參數(shù)LV,并將根據(jù)LV得到的離散譜線數(shù)目記作LN.記解析信號(hào)n次方(n為2的冪次)后的序列為xn(t),其功率譜Φ(n)x(n)x(f)的最大幅值為a(n),信號(hào)總功率為S(n),帶寬為BW(n),采樣頻率為fs,有以下結(jié)論:(1)a(n)與S(n)成正比,且當(dāng)xn(t)功率歸一化后,S(n)近似只與序列長(zhǎng)度N有關(guān).(2)S(n)一定時(shí),Φ(n)x(n)x(f)中存在離散譜線時(shí),a(n)為幅度恒定的沖激;Φ(n)x(n)x(f)中無(wú)離散譜線時(shí),a(n)的大小取決于基帶脈沖的功率譜Φ(n)g(f),與BW(n)/fs成反比.綜上分析,記xn(t)的歸一化負(fù)對(duì)數(shù)譜為P(n)(f):Ρ(n)(f)=-log10|BW(n)fs?Φ(n)x(f)S(n)|(1)P(n)(f)=?log10∣∣∣BW(n)fs?Φ(n)x(f)S(n)∣∣∣(1)序列長(zhǎng)度N一定時(shí),定義如下LVn、LNn來(lái)描述是否存在離散譜線的譜之間的差異:n次方譜離散譜線檢測(cè)參數(shù)LVn:LVn=minf{Ρ(n)(f)}=-log10(BW(n)fs?a(n)S(n))(2)當(dāng)LVn小于某門限時(shí),認(rèn)為Φ(n)x(f)中存在離散譜線;n次方譜離散譜線數(shù)LNn:P(n)(f)中小于設(shè)定門限的譜線的數(shù)目.從LVn的定義看,fs/BW(n)對(duì)a(n)/S(n)的歸一化削弱了信號(hào)帶寬、采樣速率等調(diào)制參數(shù)的影響,對(duì)于存在離散譜線的譜而言,LVn的值與線性調(diào)制的成形脈沖滾降系數(shù)、FSK調(diào)制的調(diào)制指數(shù)無(wú)關(guān).在這組參數(shù)中,LVn用于離散譜線的檢測(cè),LNn則用于輔助識(shí)別FSK與PSK調(diào)制,以及FSK的調(diào)制階數(shù).2.3常用的調(diào)值參數(shù)頻率調(diào)制信號(hào)為恒包絡(luò)信號(hào),線性調(diào)制信號(hào)的基帶碼元通常都要經(jīng)過(guò)脈沖成形濾波,其瞬時(shí)幅度變化各不相同.因此可以通過(guò)瞬時(shí)幅度統(tǒng)計(jì)參數(shù)進(jìn)行識(shí)別,如歸一化中心瞬時(shí)幅度的標(biāo)準(zhǔn)偏差σa、零中心歸一化瞬時(shí)幅度譜密度的最大值γmax、歸一化包絡(luò)方差R等.本文采用參數(shù)σa代替文獻(xiàn)中的R和γmax兩個(gè)參數(shù)用于識(shí)別:σa=√1Ν∑ia2cn(i)-[1Ν∑iacn(i)]2acn(i)=a(i)/ma-1,ma=∑ia(i)/Ν(3)其中,N為信號(hào)段樣本數(shù),acn(i)為零中心歸一化瞬時(shí)幅度,ma為瞬時(shí)幅度a(i)的均值.以上各參數(shù)對(duì)調(diào)制先驗(yàn)信息依賴少,需要完成的運(yùn)算量主要在n次方變換和譜估計(jì)中.對(duì)N點(diǎn)信號(hào)序列,平均分為K個(gè)子序列,各子序列長(zhǎng)為M,采用Welch譜估計(jì)方法,M點(diǎn)序列的DFT用基-2FFT快速算法完成,則參數(shù)計(jì)算中約共需完成2N+(Nlog2M)/2次復(fù)數(shù)乘法和Nlog2M次復(fù)數(shù)加法,運(yùn)算復(fù)雜度遠(yuǎn)低于循環(huán)相關(guān)特征參數(shù)計(jì)算.3成員分類器的結(jié)構(gòu)由第二節(jié)中對(duì)特征的分析知道,每一組參數(shù)對(duì)文中討論的數(shù)字調(diào)制方式都具有一定的識(shí)別能力.為了達(dá)到特征的有效融合,本文設(shè)計(jì)了如圖1所示的分類器結(jié)構(gòu),基于以上各組特征參數(shù)的識(shí)別都用一個(gè)單獨(dú)的分類器來(lái)實(shí)現(xiàn),各分類器均可選擇使用判決樹(shù)結(jié)構(gòu)或者神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu).判決樹(shù)結(jié)構(gòu)分類器的識(shí)別能力不僅與特征參數(shù)有關(guān),判決流程的設(shè)計(jì)也相當(dāng)關(guān)鍵.對(duì)于同一組特征參數(shù),通常存在多種可能的判決流程,有時(shí)很難確定哪一種流程更有效,而且當(dāng)輸入特征的提取環(huán)境改變時(shí),其識(shí)別能力總是受到判決門限設(shè)置的約束.本文采用神經(jīng)網(wǎng)絡(luò)代替判決樹(shù)用作調(diào)制識(shí)別分類器.在圖1中,當(dāng)各成員分類器均采用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)時(shí),就成為一種典型的神經(jīng)網(wǎng)絡(luò)集成(NNE)結(jié)構(gòu),它比單個(gè)網(wǎng)絡(luò)分類器的泛化能力更強(qiáng).在單個(gè)分類器中,應(yīng)用較多的是BP網(wǎng)絡(luò).但BP網(wǎng)絡(luò)存在訓(xùn)練時(shí)間長(zhǎng)、收斂速度慢且存在多個(gè)局部最小點(diǎn)等缺陷.RBF(徑向基函數(shù))網(wǎng)絡(luò)在一定程度上克服了這些問(wèn)題,在逼近能力、分類能力和學(xué)習(xí)速度等方面均優(yōu)于BP網(wǎng)絡(luò).RBF網(wǎng)絡(luò)是一種三層前向網(wǎng)絡(luò),網(wǎng)絡(luò)可識(shí)別的類別數(shù)目由隱含層單元數(shù)決定,隱含單元的傳遞函數(shù)為徑向基函數(shù),一般采用徑向?qū)ΨQ高斯函數(shù):?(x)=exp(-‖x-c‖/2ρ2)(4)其中c為隱含單元的中心矢量,ρ為徑向基函數(shù)的半徑.網(wǎng)絡(luò)學(xué)習(xí)大致分為確定隱含單元參數(shù)和隱含層至輸出層的權(quán)值訓(xùn)練兩個(gè)步驟.本文各分類器均采用RBF網(wǎng)絡(luò)結(jié)構(gòu),成員分類器以輸出層神經(jīng)元響應(yīng)輸出,作為綜合分類器的輸入向量,其識(shí)別結(jié)果以編碼形式給出,如輸出“001”標(biāo)志識(shí)別結(jié)果為2FSK.因此,各成員分類器輸入層神經(jīng)元數(shù)目與輸入特征參數(shù)個(gè)數(shù)相同(如圖1所示),隱含層神經(jīng)元數(shù)目為7,即待識(shí)別調(diào)制方式數(shù),輸出層神經(jīng)元數(shù)目為3;綜合分類器輸入層、隱含層、輸出層神經(jīng)元數(shù)目依次為9、7、3;各RBF分類器均采用模糊C-均值算法確定隱含單元參數(shù),梯度下降法訓(xùn)練網(wǎng)絡(luò)權(quán)值.4信號(hào)預(yù)處理方法仿真中,調(diào)制信號(hào)符號(hào)速率、載波頻率、采樣頻率歸一化后分別為1、2、16;2FSK信號(hào)調(diào)制指數(shù)h從0.6到2,4FSK信號(hào)h從0.6到1.2,步進(jìn)為0.1;PSK、QAM信號(hào)的滾降系數(shù)α從0.3到1.0,步進(jìn)為0.1.信號(hào)預(yù)處理時(shí),首先進(jìn)行限帶濾波,帶寬為調(diào)制信號(hào)帶寬估計(jì)值的2倍;功率譜及高次譜估計(jì)采用Welch方法,且譜估計(jì)前對(duì)序列進(jìn)行功率歸一化,每個(gè)樣本序列4096個(gè)采樣點(diǎn),各調(diào)制方式在同一信噪比下仿真500次.4.1不同調(diào)制階數(shù)的fsk、psk/aam調(diào)制模型圖2(a)所示為新參數(shù)PD隨信噪比的變化曲線,其中FSK調(diào)制h=0.6,曲線顯示PD取值基本不受信噪比影響,該參數(shù)較好地描述了FSK調(diào)制的多峰特性,尤其能夠有效識(shí)別MSK與MFSK.限于篇幅,文中僅以n=1為代表給出參數(shù)LVn隨信噪比的變化曲線,如圖2(b)所示,其中FSK調(diào)制h=0.6,PSK/QAM調(diào)制α=0.3.曲線表明,LV1對(duì)不同調(diào)制階數(shù)的FSK以及PSK/QAM調(diào)制具有很好的識(shí)別能力.為考察調(diào)制參數(shù)變化對(duì)LV與文獻(xiàn)的單頻檢測(cè)分量C的影響,以2FSK(h=0.6、1.0)和BPSK(α=0.3、1.0)的四次方譜為例,取C4的負(fù)對(duì)數(shù)值與LV4比較,如圖2(c)所示.對(duì)比兩組曲線可見(jiàn),LV4較文獻(xiàn)參數(shù)C4受成形脈沖滾降系數(shù)α的影響更小.C4的曲線還表明,當(dāng)信噪比較高時(shí),根據(jù)C4將無(wú)法正確識(shí)別2FSK和滾降系數(shù)α較小的BPSK.參數(shù)LV4則不會(huì)出現(xiàn)類似的問(wèn)題,相對(duì)更為穩(wěn)健.圖2(d)所示為σa隨信噪比的變化曲線.隨SNR增加,PSK/QAM信號(hào)的σa值增大,FSK/MSK信號(hào)的σa值減小,低信噪比下的分類閾值也同樣適合于高信噪比條件.曲線表明,當(dāng)SNR>5dB時(shí)σa可以用于識(shí)別.4.2神經(jīng)網(wǎng)絡(luò)集成的識(shí)別性能圖3(a)給出了成員分類器2采用判決樹(shù)結(jié)構(gòu)時(shí)對(duì)信噪比0～20dB各信號(hào)的識(shí)別結(jié)果,特征參數(shù)為{LVn,LNn,n=1,2,4}.由于QPSK和16QAM的LV、LN參數(shù)取值相似,僅以QPSK作為代表.曲線顯示SNR=5dB時(shí)各信號(hào)的識(shí)別率均在95%以上,但隨著信噪比的增加BPSK、8PSK、MSK的識(shí)別概率都略有下降,其中以MSK下降較為劇烈.這是由于采用固定門限判決,同時(shí)又只采用了較少的識(shí)別特征的緣故.可見(jiàn),單純依靠一種類型特征參數(shù)的識(shí)別能力是有限的.圖3(b)所示為神經(jīng)網(wǎng)絡(luò)集成分類器對(duì)信噪比0～15dB各信號(hào)的識(shí)別率曲線,表明SNR=5dB時(shí)所有信號(hào)的識(shí)別率均達(dá)到94%以上,隨SNR的增加各信號(hào)識(shí)別率平穩(wěn)增加,最終達(dá)到100%.實(shí)際上,除8PSK和16QAM以外的其它信號(hào)在更低的信噪比條件下就已達(dá)到了較高的正確識(shí)別率.比較圖3(a)、(b)可見(jiàn),神經(jīng)網(wǎng)絡(luò)集成對(duì)各特征的融合效果顯著.最后,對(duì)單個(gè)RBF網(wǎng)絡(luò)與神經(jīng)網(wǎng)絡(luò)集成的識(shí)別率進(jìn)行了比較,如表1所示,其中Ave表示分類器對(duì)各信號(hào)的平均識(shí)別率.仿真中單個(gè)RBF網(wǎng)絡(luò)的輸入特征為全體特征,其各層神經(jīng)元數(shù)目依次為9、7、3,其他網(wǎng)絡(luò)參數(shù)均與集成結(jié)構(gòu)中的成員分類器相同.表中數(shù)據(jù)表明,神經(jīng)網(wǎng)絡(luò)集成的識(shí)別性能明顯優(yōu)于單個(gè)網(wǎng)絡(luò).雖然神經(jīng)網(wǎng)絡(luò)集成的運(yùn)算復(fù)雜度高于單個(gè)網(wǎng)絡(luò),并且隨著成員分類器數(shù)目線性增加,但是識(shí)別性能得到了顯著的改善.5神經(jīng)網(wǎng)絡(luò)集