基于联合特征参数和一维CN...-OFDM系统调制识别算法_汪锐.pdf

第 卷第期 年月系统工程与电子技术 文章编号：（）网址：收稿日期：；修回日期：；网络优先出版日期：。网络优先出版地址：基金 项 目：国 家 自 然 科 学 基 金（，）；信 号 与 信 息 处 理 重 庆 市 市 级 重 点 实 验 室 建 设 项 目（）；重庆市自然基金（）；重庆市教育委员会科研项目（，）资助课题通讯作者引用格式：汪锐，张天骐，安泽亮，等基于联合特征参数和一维 的 系统调制识别算法系统工程与电子技术，（）：，（）：基于联合特征参数和一维 的 系统调制识别算法汪锐，张天骐，安泽亮，王雪怡，方竹（重庆邮电大学通信与信息工程学院，重庆 ）摘要：针对当前非协作通信中多输入多输出正交频分复用（，）系统子载波的调制识别问题，提出了一种基于一维卷积神经网络（，）的调制识别方法。首先，利用特征矩阵的联合近似对角化（，）算法从接收端的混合信号中恢复发送信号；然后，提取恢复信号的循环谱切片和四次方谱作为浅层特征；最后，利用 对特征进行训练，使用测试样本对所提出的调制识别方法进行仿真验证。仿真结果表明，所提方法对 系统中的种信号可以进行有效识别，在信噪比为 时的识别精度即可达到 。关键词：多输入多输出正交频分复用；调制识别；循环谱；四次方谱；一维卷积神经网络中图分类号：文献标志码：，（，）：（），（），（），：（）；（）第期汪锐等：基于联合特征参数和一维 的 系统调制识别算法 引言随着 通 信 系 统 的 发 展，多 输 入 多 输 出（，）与 正 交 频 分 复 用（，）技术的结合已经成为了一个成熟的研究领域，系统的盲处理得到了广泛关注，特别是在下一代 智能认知无线电技术构想中，无线通信和感知一体化研究被提上了日程，而调制方式的识别是 盲 处 理 的 一 个 重 要 组 成 部 分，所 以 其 对 信号的调制识别研究具有重要意义。但是，目前对 系统的调制识别的研究相对较少，现有研究主要为对单载波系统或 系统的调制识别的研究 ，因此 系统下的 信号子载波的调制识别具有重要研究价值。目前，对数字通信信号调制识别的研究分为基于似然和基于特征的两大类方法。其中，基于似然的方法由于依赖先验信息，不符合实际中的盲处理需要且计算量较大，所以基于特征的方法得到了广泛应用。利用信号的特征进行调制识别分为两部分：特征提取和分类判决。特征提取指从信号中提取浅层特征，如高阶累积量、星座图、小波变换、循环谱，等，利用这些浅层特征可以实现对信号的调制识别的较好的分类精度。分类判决是指利用支持向量机、反向传播（，）神经网络等基于所提取的特征对信号进行调制识别。随着人工智能的发展，用于图像识别的深度神经网络逐渐被应用于调制识别领域并成为当今研究方向的主流。年，等提出了一种基于端到端卷积神经网络（，）的调制识别算法，将时域同向正交分量（，）采样输入到 中，完成了对信号调制方式的识别。但仅利用基本的 或者信号本身波形信息进行调制识别的效果并不理想，所以改进 ，利用残差网络（，）、和深度神经网络（，）联合，或者将信号的循环谱图、矢量图、时频图 等输入到 中的算法应运而生，并取得了较为理想的识别效果。以上算法均针对单载波信号，对 系统子载波的调制识别还需进行进一步的研究。此外，直接将循环谱图像作为浅层特征输入到神经网络中，复杂度过高且存在信息冗余等问题，所以可以考虑只选取有用的信息，比如循环谱的某个切面，这样不仅可以获得较好的识别效果，也可以提高运算速度。本文提出了一种基于信号的循环谱和四次方谱联合特征，并利用一维 （，）对 系统子载波的调制方式进行识别的算法。首先，在接收端利用最小描述长度（，）准则估计出发射天线数并对信号作白化处理，再利用特征矩阵的联合近似对角化（，）算法 恢复发送信号；然后，求出恢复信号的循环谱和四次方谱，再取循环谱的切面特征与四次方谱特征，将两个特征一起构建一个维输入矢量；最后搭建 ，从输入的浅层特征中提取高维特征，实现 系统子载波调制识别二进制相移键控（，）、正交相移键控（，）、移相键控（，）、正交幅度调制（，）、种信号。系统模型与数据集的构造 系统模型本文考虑的是集中式 系统，发送端的接收天线 数 与 接 收 端 的 天 线 数 分 别 为，且 满 足，如 图所 示。首 先，发 送 端 通 过 星 座 映 射 和 编码将二 进 制 数 字 比 特 流 编 码 为 与 发 射 天 线 数个数相同的 信号；然后，经过信道传输到达接收端，得到个接收信号，再经过 解调得到 系统的多路子载波，最后对系统子载波的调制方式进行识别。图 系统框图 系统工程与电子技术第 卷传输信道考虑为一个平坦衰落信道，第根发射天线和第根接收天线间的信道脉冲响应为，（），若不考虑频偏和初始时延，则第个接收天线上的接收信号可表示为（）（）（）（）（）若采用矩阵的形式来表示 系统接收端的信号，则有（）（）（）（）式中：（）（），（），（）表示发送信号；（）（），（），（）表示高斯白噪声，均值为零，方差为；表示信道系数，即：，（）式中：，（，）指第个接收天线与第个发射天线之间的信道系数。那么，接收信号（）具体可表示如下：（），（），（），（）（）（）（）（）发送信号的恢复由于无线信道会破坏发送信号的原有特征，所以不能直接求取接收信号的循环谱和四次方谱，需要对接收端的信号进行恢复，再提取其特征。信号的恢复分为盲估计与半盲估计，在实际应用中，接收端往往是不知道发射天线数的，所以为了切合实际，本文采用盲估计，即在恢复发送信号之前预先估计出发射天线数。具体地，信号的恢复可分为个阶段，首先利用 准则估计出发射天线数，然后对接收信号作白化处理，最后利用 算法恢复子载波。用 准则来估计发射天线数的过程如下：（）计算接收信号（）的自相关矩阵（）（）（）式中：（）表示共轭转置。（）对进行特征值分解，得到个特征值，并将其按降序进行排列。（）利用 准则公式来估计：（）（），（）式中：为第个特征值；表示单根天线上的符号数。在获得发射天线数以后，为了降低后续 算法的复杂度，需先对信号作白化处理，以降低信号维数，白化处理过程如下：（）取特征值的前个特征值构成一个对角矩阵，利用这些特征值所对应的特征向量构成一个特征矩阵；（）取剩余个特征值的均值?，令噪声方差的估计?；（）令?，其中表示大小为的单位矩阵，那么白化矩阵可表示为（）因此经白化处理过的信号可写为（）（）（）白化处理后的信号（）相较于处理前的信号（）的维数由降低为，减小了后续处理的计算量，提高了 算法的估计性能。在获得了发射天线数并对信号进行预处理后，便可使用 算法来恢复发射信号。文献 分析了在 系统下 利 用 独 立 成 分 分 析（，）算法来进行盲源分离的性能，并将几种 算法的性能做了比较。仿真结果表明，算法在数据长度较短时也可以实现较好的分离效果，因此本文使用 算法来克服信道衰落的影响。算法的具体过程如下：（）求出白化信号（）的四阶累积量矩阵，令其为；（）对作奇异值分解，取模最大的前个特征值和其对应的特征矩阵，将其写为矩阵集合，并令，；（）对作联合近似对角化，得到分离矩阵，那么恢复后的发送信号可以写为（）（）。图是 当 系 统 的 子 载 波 调 制 方 式 为 且信噪比为 的情况下发送信号、混合信号和恢复信号个阶段信号的星座图。从星座图可以看出，虽然依然受到噪声的影响，但发送信号被基本恢复出来了，最大程度地恢复了发送信号的原始星座特征。第期汪锐等：基于联合特征参数和一维 的 系统调制识别算法 图 系统个阶段信号星座图 信号的循环谱与四次方谱 循环谱对于平稳随机信号（），先求出它的自相关函数：（，）（）（）（）式中：表示时延。根据周期性可以对自相关函数（，）作傅里叶变换，得到信号（）的循环自相关函数：（）（，）（）式中：为信号的持续时间。再对循环自相关函数作傅里叶变换，便可得到信号的循环谱密度函数（），即：（）（）（）式中：表示循环频率；为信号频率。当考虑加性高斯白噪声时，?（）（）（），那么：（，）（）（）（，）（）故带噪信号的循环谱为?（）（），（），其他（）可见，噪声只在循环谱的剖面出现，故循环谱对盲信号处理具有较强的抗噪性。目前，在实际应用中，对信号的循环谱的估计常采用时域平滑算法，故本文采用快速傅里叶变换累积（，）算法对信号的循环谱进行估计，算法表达式为（，），（），（）（）（）式中：为采样时间，为样本数；（）为平滑窗；（，）表 示 信 号（）加 窗 后 的 短 时 傅 里 叶 变 换（，），其表达式为（，）（）（）（）（）式中：（）为数据衰减窗；为傅里叶变换长度；为复解调所需 点离散傅里叶变换数据时间。图和 图给 出 了 信 噪 比 为 、子 载 波 分 别 为 （，）、的三维循环谱图和的切片图。从图可以看出，除了 ，其他信号的循环谱均有个谱峰，由于循环谱的谱峰特征为其重要特征之一，故选取频率分量上包含两个谱峰的切片。从图可以看出，各信号的谱峰特征在该信噪比下差异明显，故利用所提取的循环谱切片特征对信号进行调制识别，不仅可以降低后续神经网络的计算量，也可以充分利用信号的循环谱特征。四次方谱四次方谱的定义为（）（）（）图给出了 时各种调制信号的四次方谱图，各图也有较大的差异，信号的四次方谱图只含有单个高冲击分量，而 、信号的四次方谱图的高冲击分量更多，且 不仅在倍载频处存在高冲击分量，在零频附近也存在高冲击分量，而高斯白噪声的四次方谱图则在整个频率范围存在高冲击分量，因此利用信号的四次方谱特征可以对信号的调制方式进行识别。系统工程与电子技术第 卷图各调制信号的三维循环谱图 第期汪锐等：基于联合特征参数和一维 的 系统调制识别算法 图各调制信号的循环谱切片图 图各调制信号的四次方谱图 数据集的构造本节介绍数据集的构造流程。当发送信号通过天线到达传输端后，由于信道的影响，接收信号的特征不同于发送信号，所以利用 算法估计出发送信号，再求解估计信号的循环谱和四次方谱。本文采用的 系统下的数据 集 共 包 含种 调 制 信 号 ，和噪声 。为使数据集更加充分，这里采用多信噪比形式。同时，由于 准则的局限性，即只有在信噪比大于等于 时才能正确估计天线数，故信噪比选取 ，间隔为，共 种信噪比。仿真信道选取为平坦衰落信道且信道系数的均值为，方差为。为了将循环谱和四次方谱数据同时送入 中进行训练，需保持二者的数据维度相同，考虑到 信号循环谱的结构特点，即噪声只在循环谱的剖面出现且循环谱以进行切片，这里选取循环谱的切片特征，结合四次方谱构成二维数据（），作为 的输入。基于 的调制识别图给出了本文所采用的 架构。为了得到更好的识别效果，本文采用了由循环谱和四次方谱构成的二维数据（）作为神经网络的输入，结合了循环谱与四次方谱在不同调制方式下的差异，使得该算法具有更优的识别性能。系统工程与电子技术第 卷图 架构 特征提取模块本文采用的 中的特征提取模块共包含个一维卷积层和个平均池化层。采用 处理二维矢量可以获得更好的提取效果和更快的运算速度。其中，表示卷积核个数，表示卷积核大小。在卷积阶段，卷积核与输入信号进行卷积运算，对输入数据提取高维特征，本文采用的卷积核大小为 ，卷积核个数随着层数的增加而增加。假定有个训练样本（，）（），输入为（，），期望输出为（，），那么卷积层的计算为（）（）式中：表示第层的第个输入面的偏置矩阵；（）表示线性整流激活函数；表示卷积运算。在下采样阶段，运用平均池化的方法来计算输入特征矢量的平均值，下采样的主要目的是降低下一层输入数据的长度。具体地，平均池化的计算公式为 （）（）（）（）分类器模块经过特征提取模块后，数据进入展平层，该层的目的是将二维输出压缩为一维特征矢量。分类器模块共包含个全连接层和个随机失活层，还有一个输出层。全连接层的主要作用是分类，个全连接层均采用 激活，其函数形式为 ，其他（）当第个全连接层的输出为 时，第个全连接层的输出为（）（）式中：和 表示权重矩阵和偏置。随机失活层的主要作用是防止过拟合，这里选择置零比例为 ，即 被 赋 零 权 重 的 神 经 元 的 个 数 占 比为。输出层采用 激活函数