CN102571230A - 基于高阶统计量与信噪比盲估计的分布式协同信号识别方法 - Google Patents

Abstract

一种基于高阶统计量和信噪比盲估计的分布式信号识别方法，其步骤为：特征空间的建立；针对特殊类型的调制信号将提取的特征和估计的信噪比作为SVM的输入，建立调制信号识别分类器；第三步，各传感器节点对接收信号进行信噪比盲估计，并将特征参数一起传送给融合中心，融合中心利用信噪比为各传感器节点的分配权值，得到融合后的特征参数，从而进行调制类型识别。本发明与现有技术相比，对于单传感器节点，算法能在低信噪比条件下保持较高的识别概率；识别的信号种类多；利用对对信噪比的盲估计，在特征层进行融合，从而可使得在多数传感器节点信道条件极其恶劣的情况下，仍能保持对目标信号的识别准确率。

Description

基于高阶统计量与信噪比盲估计的分布式协同信号识别方法

技术领域

本发明涉及一种用于电磁频谱监测***的分布式信号识别方法，特别是一种基于高阶统计量与信噪比盲估计的分布式协同信号识别方法。

背景技术

目前，无线传感器网络具有监测精度高、***容错性好以及可远程监控等特点，使得其在频谱监测领域具有广阔的应用前景。在信息战领域，截获接收机需对威胁进行识别，为决策***选择有效地抗干扰策略提供依据，其中对信号调制方式的识别，是截获接收机的重要功能之一，也是电子支援***的重要内容之一。在认知无线电***中，认知用户不仅要探测到授权用户的存在与否，还应该提供尽可能多的环境信息和用户信息，其中对信号调制方式的识别可为频谱共享提供重要依据。

目前多数调制识别技术是基于单节点完成的，主要是基于假设检验和统计模式识别的两类方法。但是单节点受环境变化的影响，容错性能较差，从而导致其信号识别率较低，此外，随着作战地域或通信范围不断扩大，单节点的监测能力以及对信息的实时处理能力都将受到极大限制。而基于无线传感网的分布式信号识别技术，能够利用数据融合，可极大程度消除对未知信号判断模糊性，提高识别准确率。

发明内容

本发明的目的是针对目前调制识别技术是基于单节点完成时所存在的单节点受环境变化的影响，容错性能较差，导致其信号识别率较低的问题，提出一种提高识别准确率、可信度以及容错性能的分布式协同信号识别方法。

本发明的技术方案是：

一种基于高阶统计量与信噪比盲估计的分布式信号识别方法，它包括以下步骤：第一步，对于电磁信号进行频谱监测时，各传感器节点对接收信号恢复得到复基带信号 $r\left(t\right)=\sqrt{E}\underset{k=-\∞}{\overset{\∞}{\mathrm{\Σ}}}{a}_{k}p(t-{\mathrm{nT}}_s)\exp \left[j({\mathrm{\ω}}_{c}t+{\mathrm{\θ}}_c)\right]+n\left(t\right),$ 其中，E是接收信号的平均功率，a_k为发送码元序列，p(·)是发送码元波形，T_s为码元带宽，ω_c为载波频率，θ_c为载波相位，所有n_i(t)均为零均值的复高斯白噪声，且方差为N₀，采用各类数字调制信号的高阶累积量值C_mn，构建特征参数T₁、T₂，其中T₁＝|C₄₀|/|C₄₂|，T₂＝|C₄₁|/|C₄₂|；

第二步，根据T₁、T₂将待识别的接收信号调制种类分为三大类，第一类{2ASK/BPSK、4ASK}、第二类{QPSK、16QAM}、第三类{2FSK、4FSK、8PSK、MSK}；

第二类QPSK、16QAM的具体识别方法为：

(a)建立特征T₃＝|C₄₂|/|C₂₁|²作为识别QPSK、16QAM的参数；

(b)构建分类样本，将QPSK、16QAM在不同信噪比下的T₃值及其对应的信噪比作为分类样本；

(c)样本训练，将上述构建的分类样本分别通过支持向量机SVM进行训练得到最优分类参数α_i和b，从而得到用于识别QPSK、16QAM的最优分类函数

(d)盲信噪比估计，采用基于协方差矩阵和奇异值分解的方法对传感器节点接收到的信号进行盲估计，得到信噪比的估计量。

(e)信号识别，计算接收信号的T₃值，结合步骤(d)中的信噪比估计量，得到待识别样本，将其作为支持向量机(SVM)的输入，结合(c)中已建立的判别函数，得到识别结果。

本发明中，第一类调制信号，计算特征参数T₄＝|C₄₀|/|C₂₀|²，如果|T₄-1.64|≤|T₄-1|，则该信号的调制种类为4ASK，否则，判别信号的调制类型为2ASK/BPSK。

本发明中，第三类调制信号，通过搜索调制信号功率谱和平方谱的谱峰数对这类信号进行分类，设功率谱谱峰用P₁表示，平方谱谱峰用P₂表示，若P₁＝4则为4FSK，若P₁≥10则对应的为8PSK，若P₁＝2则对应的是{2FSK、MSK}；当P₂＝2对应的为MSK，若P₂＞2则对应的为2FSK，否则判决出错。

一种基于高阶统计量与信噪比盲估计的分布式协同信号识别方法，基于高阶统计量与信噪比盲估计的分布式信号识别方法，具体过程为：

(a)特征提取；各传感器节点提取用于调制识别的各类特征参数，包括T₁、T₂、T₃、T₄以及P₁、P₂，其中，P₁表示功率谱谱峰，P₂表示平方谱谱峰，得到特征集合

(b)信噪比盲估计；根据接收信号，采用基于协方差矩阵和奇异值分解的方法对信噪比进行盲估计，估计得到估计量

(i＝1，LN)，并与步骤(a)中提取的特征参数集合

传递给融合中心；

(c)权值分配，根据估计信噪比的大小，为各传感器节点分配权值

(d)特征融合；结合步骤(c)中的权值，将各传感器节点提取的特征参数进行融合，

对于特征参数T₁，设第k个传感器提取的T₁特征参数为T_k1，融合后的结果为

同理可到

而对于谱峰特征融合，设第k个传感器搜索到的功率谱谱峰数为M_k，则融合后的谱峰为

(e)类型识别，根据步骤(d)融合后的特征参数，进行数字调制信号的类型识别。

本发明的有益效果：

本发明与现有技术相比，其显著优点是：

1、对于单传感器节点，本发明能在低信噪比条件下保持较高的识别概率，从图3可以看出，在信噪比大于-2dB时，所有信号的识别率均大于90％；

2、识别的信号种类多，由于建立健壮性较强的特征空间，能够对十余种数字信号(4ASK、BPSK/2ASK、QPSK、16QAM、2FSK、4FSK、8PSK、MSK)进行准确的识别；

3、利用对信噪比的盲估计，在特征层进行融合，从而可使得在多数传感器节点信道条件极其恶劣的情况下，仍能保持对目标信号的识别准确率。

附图说明

图1是本发明的QPSK、16QAM的特征参数T₃与信噪比的关系图。

图2是本发明的QPSK、16QAM信号识别基本流程图。

图3是本发明的数字调制信号识别概率图

图4是本发明的基于高阶统计量与信噪比盲估计的分布式信号识别流程图

具体实施方式

下面结合附图和实施例对本发明作进一步的说明。

一种基于高阶统计量与信噪比盲估计的分布式协同信号识别方法，它包括以下步骤：第一步，对于电磁信号进行频谱监测时，各传感器节点对接收信号恢复得到复基带信号 $r\left(t\right)=\sqrt{E}\underset{k=-\∞}{\overset{\∞}{\mathrm{\Σ}}}{a}_{k}p(t-{\mathrm{nT}}_s)\exp \left[j({\mathrm{\ω}}_{c}t+{\mathrm{\θ}}_c)\right]+n\left(t\right),$ 其中，E是接收信号的平均功率，a_k为发送码元序列，p(·)是发送码元波形，T_s为码元带宽，ω_c为载波频率，θ_c为载波相位，假设所有n_i(t)为零均值的复高斯白噪声，且方差为N₀；通过分析各类数字调制信号的高阶累积量值C_mn，并构建特征参数T₁、T₂，其中T₁＝|C₄₀|/|C₄₂|，T₂＝|C₄₁|/|C₄₂|；第二步，根据T₁、T₂将待识别的接收信号调制种类分为三大类，第一类{2ASK/BPSK、4ASK}、第二类{QPSK、16QAM}、第三类{2FSK、4FSK、8PSK、MSK}；

其特征是在第二类QPSK、16QAM的具体识别方法为：

(a)建立新的特征参数T₃＝|C₄₂|/|C₂₁|²用于对QPSK、16QAM的识别，通过理论分析可知，当T₃＝1时对应的是QPSK，T₃＝0.68对应的是16QAM，理论上可以利用T₃来进行QPSK、16QAM的分类。但采样数据长度和高斯白噪声对信号的高阶累量影响较大，同样对特征参数T₃影响也较大，附图1所示的QPSK、16QAM的特征参数T₃与信噪比的关系曲线。

(b)构建分类样本，由附图1可知两种信号的T₃值随信噪比成单调递增关系，且变化趋势较为一致，如果将信噪比及其对应的T₃值作为一个样本，如，QPSK的T₃＝0.45时对应的信噪比为3dB，则可将{3，0.45}作为识别QPSK的一个样本；对于16QAM，当T₃＝0.24时对应的信噪比为1.8dB，则可将{1.8，0.24}作为识别16QAM的一个样本，采用同种方法可建立大量用于识别QPSK、16QAM的分类样本集合，即为{SNR，T₃}，那么识别QPSK、16QAM即可转化判断接收信号属于哪一类的样本集合。由附图1可知当信噪比较小时，两类信号的距离较近，为了提高识别准确率，必须用大量样本描述这个区域，因此，在信噪比小于5dB时，每隔0.1dB取一样本值，而信噪比大于5dB时，将每隔1dB取一样本值。在-8dB～20dB之间为两种信号共建立145个样本，用

表示QPSK的样本集合，用

表示16QAM的样本集合，其中

即表示两种信号信噪比及其对应的T₃值的集合。

(c)样本训练，将上述样本

和

分别通过SVM进行训练得到两种分类参数，QPSK对应的Lagrange系数

以及b_qpsk，16QAM对应的Lagrange系数

以及b_16qam，将其代入分类判别函数：

$f\stackrel{r}{\left(x\right)}=h(\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}^{i}K({\stackrel{r}{x}}^i\·\stackrel{r}{x})+b)$

即可得到两种信号的最优分类函数，其中α_i即代表或

集合中的值，b代表b_qpsk或b_16qam。从而，建立了对两种信号的最优分类参数和分类函数。其中

选用不同的内积函数将得到不同的分类结果，这里采用的是径向基内积函数：

$K({\stackrel{r}{x}}^i\·\stackrel{r}{x})=\exp \{-\frac{{|\stackrel{r}{x}-{\stackrel{r}{x}}^i|}^2}{256{\mathrm{\σ}}^2}\}$

(d)盲信噪比估计，在样本训练时，信噪比是已知的，但在识别过程中，对接收信号的信噪比却是未知的，因此采用基于协方差矩阵和奇异值分解的方法对信噪比进行盲估计得到估计量

(e)信号识别，通过信噪比盲估计和高阶累积量的分析得到用于信号识别的待识别样本

将其作为支持向量机(SVM)的输入，从而得到识别结果。关于QPSK、16QAM信号识别基本流程可参考附图2。

第一类调制信号，计算特征参数T₄＝|C₄₀|/|C₂₀|²，如果|T₄-1.64|≤|T₄-1|，则该信号的调制种类为4ASK，否则，判别信号的调制类型为2ASK/BPSK。

第三类调制信号，通过搜索调制信号功率谱和平方谱的谱峰数对这类信号进行分类，设功率谱谱峰用P₁表示，平方谱谱峰用P₂表示，由分析可知，信号功率谱反映调制信号的功率分布，如，{2FSK、MSK}为单谱峰信号，频谱较为平坦，而4FSK频谱起伏较多，而8PSK的谱形状完全不同于其他类，通过合理设定门限值，若P₁＝4则为4FSK，若P₁≥10则对应的为8PSK，若P₁＝2则对应的是{2FSK、MSK}；当P₂＝2对应的为MSK，若P₂＞2则对应的为2FSK，否则判决出错。

图3描述的即是单传感器节点在采用上述方法是对数字调制信号识别概率曲线，可知在信噪比大于-2dB时，所有信号的识别率均大于90％。

一种基于高阶统计量与信噪比盲估计的分布式协同信号识别方法，以下主要融合识别步骤，具体识别流程参考附图4：

(a)特征提取；各传感器节点提取用于调制识别的各类特征参数，包括T₁、T₂、T₃、T₄以及P₁、P₂，其中，P₁表示功率谱谱峰，P₂表示平方谱谱峰，得到特征集合

(b)信噪比盲估计；根据接收信号，采用基于协方差矩阵和奇异值分解的方法对信噪比进行盲估计，估计得到估计量

(i＝1，LN)，并与步骤(a)中提取的特征参数集合

传递给融合中心。

(c)权值分配，根据估计信噪比的大小，为各传感器节点分配权值

该权值可表示在融合中心对各传感器节点可信度的度量。

(d)特征融合；结合步骤(c)中的权值，将各传感器节点提取的特征参数进行融合，对于特征参数T₁，假设第k个传感器提取的T₁特征参数为T_k1，融合后的结果为

同理可到

而对于谱峰特征融合，可采用如下方法，如，功率谱谱峰的融合，假设第k个传感器搜索到的功率谱谱峰数为M_k，则融合后的谱峰为

即对融合后的结果取整。

(e)类型识别，根据步骤(i)融合后的特征参数，进行数字调制信号的类型识别。本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。

Claims (4)

1.一种基于高阶统计量与信噪比盲估计的分布式信号识别方法，它包括以下步骤：

第一步，对于电磁信号进行频谱监测时，各传感器节点对接收信号恢复得到复基带信号

其中，E是接收信号的平均功率，a_k为发送码元序列，p(·)是发送码元波形，T_s为码元带宽，ω_c为载波频率，θ_c为载波相位，所有n_i(t)均为零均值的复高斯白噪声，且方差为N₀，采用各类数字调制信号的高阶累积量值C_mn，构建特征参数T₁、T₂，其中T₁＝|C₄₀|/|C₄₂|，T₂＝|C₄₁|/|C₄₂|；第二步，根据T₁、T₂将待识别的接收信号调制种类分为三大类，第一类{2ASK/BPSK、4ASK}、第二类{QPSK、16QAM}、第三类{2FSK、4FSK、8PSK、MSK}；

其特征是在第二类QPSK、16QAM的具体识别方法为：

(a)建立特征T₃＝|C₄₂|/|C₂₁|²作为识别QPSK、16QAM的参数；

(b)构建分类样本，将QPSK、16QAM在不同信噪比下的T₃值及其对应的信噪比作为分类样本；

(c)样本训练，将上述构建的分类样本分别通过支持向量机SVM进行训练得到最优分类参数α_i和b，从而得到用于识别QPSK、16QAM的最优分类函数

(d)盲信噪比估计，采用基于协方差矩阵和奇异值分解的方法对传感器节点接收到的信号进行盲估计，得到信噪比的估计量。

(e)信号识别，计算接收信号的T₃值，结合步骤(d)中的信噪比估计量，得到待识别样本，将其作为支持向量机(SVM)的输入，结合(c)中已建立的判别函数，得到识别结果。

2.根据权利要求1所述的基于高阶统计量与信噪比盲估计的分布式信号识别方法，其特征是对于第一类调制信号，计算特征参数T₄＝|C₄₀|/|C₂₀|²，如果|T₄-1.64|≤|T₄-1|，则该信号的调制种类为4ASK，否则，判别信号的调制类型为2ASK/BPSK。

3.根据权利要求1或2所述的基于高阶统计量与信噪比盲估计的分布式信号识别方法，其特征是对于第三类调制信号，通过搜索调制信号功率谱和平方谱的谱峰数对这类信号进行分类，设功率谱谱峰用P₁表示，平方谱谱峰用P₂表示，若P₁＝4则为4FSK，若P₁≥10则对应的为8PSK，若P₁＝2则对应的是{2FSK、MSK}；当P₂＝2对应的为MSK，若P₂＞2则对应的为2FSK，否则判决出错。

4.一种基于高阶统计量与信噪比盲估计的分布式协同信号识别方法，基于权利要求1所述的基于高阶统计量与信噪比盲估计的分布式信号识别方法，其特征是具体过程为：

(a)特征提取；各传感器节点提取用于调制识别的各类特征参数，包括T₁、T₂、T₃、T₄以及P₁、P₂，其中，P₁表示功率谱谱峰，P₂表示平方谱谱峰，得到特征集合

(b)信噪比盲估计；根据接收信号，采用基于协方差矩阵和奇异值分解的方法对信噪比进行盲估计，估计得到估计量

(i＝1，L N)，并与步骤(a)中提取的特征参数集合

传递给融合中心；

(c)权值分配，根据估计信噪比的大小，为各传感器节点分配权值

(d)特征融合；结合步骤(c)中的权值，将各传感器节点提取的特征参数进行融合，对于特征参数T₁，设第k个传感器提取的T₁特征参数为T_k1，融合后的结果为

同理可到

而对于谱峰特征融合，设第k个传感器搜索到的功率谱谱峰数为M_k，则融合后的谱峰为

(e)类型识别，根据步骤(d)融合后的特征参数，进行数字调制信号的类型识别。

Images