CN102869064A - 基于特征级与决策级联合融合的分簇调制识别方法 - Google Patents

Abstract

本发明的目的在于提出一种基于特征与决策联合融合的分簇调制识别方法。该方法对调制信号进行特征级和决策级二次融合识别，克服了低信噪比下识别率低的缺点，提供了调制识别的鲁棒性。该方法首先将无线传感器网络中的多个传感器节点分成若干簇；然后在每个簇内的每个用户分别分配提取各自的特征参数，并将特征参数送往汇聚节点簇头，簇头将簇内其他各个用户分别提取的特征参数组成特征向量送已训练好的SVM分类器，对接收到的调制信号进行特征级融合，得到该簇的识别结果；最后簇头将每个簇的识别结果送往融合中心进行决策级融合，融合中心根据表决融合准则对各个簇送来的识别结果进行投票判决，得到调制信号的调制类型的最终识别结果。

Description

基于特征级与决策级联合融合的分簇调制识别方法

技术领域

本发明涉及一种多传感器网络中基于特征级与决策级联合融合的分簇调制识别的实现方案，属于通信技术领域。

背景技术

  随着通信技术的发展，无线通信环境的日益复杂，更加有效地利用频带资源，通信信号的调制方式更加多种多样，同时也更加复杂。调制的自动识别技术是对接收到的通信信号进行调制方式的识别，承担着威胁评估以及干扰识别的重要任务，是保证合法通信的关键措施之一，在民用和军事领域具有重要意义和作用。

目前，调制方式自动识别的研究方法主要可以分为两类：基于决策论方法和基于统计模式识别方法。基于决策论方法是利用假设检验中的叶贝斯理论解决分类问题，根据信号的统计特性，通过理论分析和推导得到检验统计量，与合适的门限值比较，形成判决准则，所以门限值的设置是该方法的核心与重点。基于统计模式识别方法，无须设置门限值，包括对调制信号进行特征提取和根据分类器对调制信号进行分类识别这两部分。特征提取方法常用的有信号瞬时特征量，高阶累积量，小波变换等。用于调制识别的分类器，主要包括人工神经网络、支持向量机、聚类以及其他一些模式识别方法，但是大部分仅限于单节点的研究。

其中，支持向量机基于统计学***面，实现最优分类，具备良好的推广能力。

随着无线通信环境日益复杂，多传感器数据融合技术的发展，各种数据融合算法被应用到各方面，包括应用在协作调制识别中。将数据融合技术应用到自动调制识别技术中，克服了单节点单独完成接收信号的提取以及接收信号调制类型的判定可能存在的问题，比如无线通信中存在的深衰落、阴影效应和隐藏节点等问题，使得调制识别性能更加可靠准确，具有稳健性。对于调制识别，较常见的是数据融合、特征级融合和决策级融合。数据级融合是最低层次的融合，是对最原始的数据进行的融合，要求融合中心有较高的纠错能力，对信道容量要求高。特征级融合是从原始的调制信号里提取特征参数，组成特征参数向量，送融合中心整合处理，融合中心可以是用聚类、支持向量机或是神经网络等融合技术进行融合识别。特征级融合大大地压缩信息量，较数据级融合传输容量的要求低，较决策级融合信息损失量小，但融合中心的负担比较重。决策级融合是在融合之前已完成识别任务，融合中心根据一定的准则做出决策，得到识别结果。现有的决策级融合研究算法有表决融合准则，最大后验概率准则和DS证据理论等。决策融合各个节点需单独判断调制方式，计算量较特征级融合大，但是融合中心的计算量较小，对传输带宽要求较低。现大部分的研究是将单独的融合方法应用到调制识别中，由于各种方法两的互补性，考虑将种及两种以上的方法进行联合，可以扬长避短，比单独采用一种方法有更优的识别性能。

发明内容

技术问题：本发明的目的在于提供一种多传感器网络中基于特征与决策联合融合的分簇调制识别方法，该方法对调制信号进行特征融合和决策融合的二次融合识别，克服了单独采用特征融合较高信噪比下识别率低和单独采用决策融合较低信噪比下识别率低的缺点，使得调制信号在信噪比从低到高比单独采用特征级融合的调制识别方法和决策级融合的调制识别方法都有更好的识别性能。

技术方案：本发明提供一种新的基于分簇融合的调制识别的方法，该方法基于特征级融合和决策级融合的联合，对调制信号进行二次融合识别，有效克服了单独采用特征融合较高信噪比下识别率低和单独采用决策融合较低信噪比下识别率低的缺点。该方法选取了2ASK,BPSK，QASK，4PSK，4FSK，OFDM这几种典型的调制方式进行识别。

本发明基于特征级与决策级联合融合的分簇调制识别方法包含以下步骤：

步骤1.  将无线传感器网络中的多传感器节点分成若干簇，每个簇内有5个传感器节点，每个传感器节点分别独立接收到调制信号并提取特征参数：零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差                                                

、零中心非弱信号段瞬时相位非线性分量的标准偏差

和零中心归一化瞬时幅度绝对值的标准偏差

；

步骤2.  对于每个簇的5个传感器节点，每个传感器节点只提取一个特征参数，其中有两个传感器各提取特征参数

各一次，有两个传感器各提取特征参数

各一次，有一个传感器节点提取特征参数

一次；

步骤3.  在簇内，各节点提取相应的特征参数，并且将特征参数送往簇头；

步骤4.  簇头将簇内各个传感器节点分别提取的特征参数组成特征向量，送到训练好的支持向量机分类器，对调制信号进行特征级融合识别，得到各个簇头的调制类型的识别结果；

步骤5.  M个簇头分别将簇内特征级融合的识别结果分别送到融合中心；

步骤6.  融合中心采用表决融合准则进行决策级融合识别，如果有一个簇头判决调制信号的调制类型为2ASK，那么投2ASK一票，对于其他调制类型也是采用相同做法，投票结束后，统计此次投票结果，若有某一调制类型票数超过了

，那么融合中心将此调制类型作为最后的判决结果。

所述支持向量机分类器，其构造包括以下步骤：

步骤1，基于决策二叉树的多类支持向量机根据参数

构造第一级分类器，将调制方式分为{4PSK}和{2PSK,2ASK,4ASK,4FSK,OFDM}；

步骤2，对于{2PSK,2ASK,4ASK,4FSK,OFDM}，仍根据参数构造第二级分类器，将调制方式分为{4FSK,OFDM }和{2PSK,2ASK,4ASK}；

步骤3，对于{4FSK,OFDM }，根据参数

构造第三级分类器，将{4FSK,OFDM }分为{4FSK }和{ OFDM }；

步骤4，对于{2PSK,2ASK,4ASK}，根据参数和构造第四级分类器，将{2PSK,2ASK,4ASK}分为{2PSK }和{2ASK,4ASK }；

步骤5，对于{2ASK,4ASK }，根据参数、

和

，构造第五级分类器，将{2ASK,4ASK }分为{2ASK }和{4ASK }。

有益效果：对于多节点的无线传感器网络，本发明提供了一种新的基于特征与决策联合融合的分簇调制识别方法，具有以下有益效果：

1.本发明结合了特征级融合与决策级融合的优点，克服了单独采用特征融合较高信噪比下识别率低和单独采用决策融合较低信噪比下识别率低的缺点，使得调制信号在信噪比从低到高比单独采用特征级融合的调制识别方法和决策级融合的调制识别方法都有更好的识别性能。

2. 本发明对调制信号只利用3个参数，保证正确可靠地进行调制方式识别，同时参数提取一次就能在分类器中多次使用，减少计算量，节省传感器节点的能耗。

3. SVM分类器设计利用3个参数采用分级方法，克服了支持向量机分类问题中一对多类训练时间长和一对一类分类机数目大的缺点，高分类效率。

附图说明

图1 为多传感器网络进行特征与决策联合融合识别调制信号的示意图，

图2为基于决策二叉树的分级SVM分类器示意图，

图3 为簇内的特征级融合示意图，

图4为簇间的决策级融合示意图。

具体实施方式

数据级融合保留了信号的最原始的信息，但是对融合中心的处理能力要求高，对传输带宽的要求也高，对于多传感器网络来说不易实现；特征级融合对信号提取其特征参数，组合成特征参数向量送往融合中心整合处理，各个传感器节点分担计算量，对融合中心和带宽的要求也相对较低；决策级融合识别要求各个节点单独判决出调制类型，再将识别结果送融合中心判决，对带宽的要求低，各个节点的计算量大。本发明提出的在多传感器网络中将多节点进行分簇，簇内采用特征级融合识别，簇间采用决策级融合识别，结合来了特征级融合与决策级融合的优点。本发明提出的基于特征与决策联合融合的分簇调制识别算法包括三部分：一是提取调制信号的特征参数；二是簇内的特征级融合识别；三是簇间的决策级融合识别。

本发明提出的多传感器网络中基于特征与决策联合融合的分簇调制识别方法的***模型如图1所示，图中，T为发送调制信号，C为融合中心，0,1,2,3，……，N，N+1,N+2,N+3,N+4分别为传感器节点，其中2，……，N+1是汇聚节点簇头。传感器节点被分散在不同的地理位置，并且各个传感器独立接收发送过来的调制信号，每个簇内的传感器包括汇聚节点——簇头，汇聚节点内包含了SVM分类器，用来对调制方式进行识别，具体实现过程如下：（1）调制信号发送到各个传感器网络节点中，传感器网络中的多节点被分成若干簇，每个簇内有若干个节点传感器。传感器网络中各个节点接收到调制信号，并且都具有足够的能量来提取特征参数以及将其送往汇聚节点簇头；（2）簇头传感器将簇内各个其他节点传感器送来的特征参数组合成特征向量，送入已训练好的SVM分类器进行特征级融合，得到调制信号的识别结果；（3）各个簇头将各自识别结果送到融合中心进行决策级融合识别，利用表决融合准则判决，得到调制信号最后的判决结果。

本发明提出的基于特征与决策联合融合的分簇调制识别算法流程的第一部分就是信号的预处理阶段，即在每个簇内的每个用户分别各自提取特征参数，基于特征提取经典的特征量及其构造方法主要包括：信号瞬时特征量，小波变换，高阶累积量等，本发明选取了基于瞬时特征量中的3个特征参数组合，分别为

，和。下面给出其定义及计算：

1） 零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差

，定义式为：

                       （1）

其中，

是判断弱信号段的一个幅度判决门限电平，T是在全部取样数据N中属于非弱信号值的个数，

是经零中心化处理后瞬时相位的非线性分量，可以由

计算得到 ，其中,

是瞬时相位。

2） 零中心非弱信号段瞬时相位非线性分量的标准偏差

，定义式为：

                        （2）

其中变量的涵义与中的相同。它与

的不同之处仅在于：

是相位绝对值的标准偏差，而

是直接相位的标准偏差。

3）零中心归一化瞬时幅度绝对值的标准偏差，定义式为：

                            （3）

其中，N表示接收信号序列的样本点数，

是零中心归一化瞬时幅度，它可以由

计算得到，中

，而

为瞬时幅度A(i)的平均值，用平均值来对瞬时幅度进行归一化的目的是消除信道增益的影响。

本发明仿真了2ASK,BPSK，QASK，4PSK，4FSK，OFDM这几种调制信号中3个特征参数在不同信噪比下的特征参数图，可以发现，对于不同的调制信号，各个特征参数的值有明显的不同，可以将待识别信号进行不同类别的区分，根据不同的特征参数设计出不同的SVM分类器，对这六种调制方式进行识别。在以往的基于特征提取瞬时特征值的文献中，发现更多的分类器是采用了

，

，，，

这几个特征参数，考虑到在多传感器网络中，分类器的设计既要考虑能保证正确可靠地进行调制方式识别的参数，同时又要考虑提取一次就能在分类器中多次使用的参数，减少计算量，节省传感器节点的能耗。本发明设计了一种只有

，

，3个参数的分类器，如图2，既保证了识别性能又节省了各节点提取特征参数的能耗；同时，支持向量机识别多类问题时，常用的一对多类及一对一类两种算法。在本发明中，分类器的设计采用的是基于二叉树的分级方法，克服了一对多类训练时间长和一对一类分类机数目大的缺点。

由图2，可以看到，利用

、

、

这三个特征参数组合设计的SVM分类器用到了5个分类机，其中参数

被用到四次，所以特征参数在簇内不同的传感器要重复提取。由

的参数图可知，4FSK和OFDM这两种调制方式的区分十分明显，两者特征曲线相隔较远。但是

的参数图中2ASK和4ASK这两种调试方式的区分并不明显，两者的特征曲线相对接近，由仿真结果可知，识别率较低的调试方式是2ASK和4ASK，所以特征参数

在簇内不同的传感器要重复提取。因此，在本发明提出的基于特征与决策联合融合的分簇调制识别方法中，将多传感器分成6簇，每个簇内有5个传感器节点，对于这5个传感器节点参数提取的分配方案是：5个传感器节点中，每个传感器节点只提取一个特征参数，其中有两个传感器各提取特征参数

一次，有两个传感器各提取特征参数

一次，有一个传感器节点提取特征参数

一次。

本发明提出的基于特征与决策联合融合的分簇调制识别算法流程的第二部分就是簇内的特征级融合，在多传感器网络中将多传感器分成若干簇，在每个簇内进行特征级融合识别，如图3，每个簇内有若干传感器节点1,2，……，N，

表示每个传感器接收到的第i个调制信号，虽然接收的是同一个发送端发送的调制信号，但是各个传感器处在不同的地理位置，经过的信道不同，最后的接收信号也是不同的。本发明假设信道为阴影衰落，并且各传感器接收到的信号信噪比服从对数正态分布。传感器节点1,2，……，N提取的特征参数分别为

，同时送往簇头，簇头将其组合成特征向量

，送SVM分类器识别。

SVM将输入向量映射到一个高维的特征空间，将输入空间线性不可分的问题在高维空间中可以转化为线性可分问题来解决，在高维特征空间中构造一个最优的分类面。要求分类平面不但能将两类样本无错误的分开，而且要使两类之间的距离最大。可求得最优分类超平面的决策函数为：

                        （4）

SVM就是利用已训练好的决策函数对特征向量

进行计算，得到

的值，从而解决了分类问题。

在特征级融合识别中，将多传感器网络中的多个传感器节点分成若干簇，比单独采用特征级融合算法，总的传感器节点数不变，但是分簇方法中每簇内一次参与特征级融合的传感器节点数减少，传送的特征参数少，对传输带宽要求降低，同时减少了融合中心的计算量，减轻融合中心分类器的负担，减少了分类器的训练时间。

本发明提出的基于特征与决策联合融合的分簇调制识别算法流程的第三部分就是簇间的决策级融合，在各个簇头在簇内通过特征级融合识别得到识别结果，将其结果送融合中心利用判决准则进行决策级融合识别，如图4，多传感器中的各个簇头1,2，……，M，

表示第M个簇头对第i次调制信号的识别结果，是2ASK,BPSK，4ASK，4PSK，4FSK，OFDM这六种调制方式之一。本发明的表决融合准则的具体做法是:共有M个簇头，如果有一个簇头判决第i次调制信号的调制类型为2ASK，那么投2ASK一票，对于其他调制类型也是采用相同做法。投票结束后，统计此次投票结果，若有某一调制类型票数超过了

，那么融合中心将此调制类型作为最后的判决结果。

单独采用决策级融合识别的方法，是每个传感器节点独立提取接收到的调制信号的特征参数，使用本发明提出的SVM分类器判断本节点的调制信号的调制类型，再将调制类型的识别结果送往融合中心，融合中心利用表决融合准则对各个节点送来的调制信号的识别结果做出最终判决。该方法中各个节点的计算量大，但对传输带宽要求较低。本发明在进行特征级融合识别基础上的决策级融合识别，与单独采用决策级融合识别相比较，并非是每个节点的计算量大，只是进行特征级融合识别的簇头的计算量较大，而采用分簇的融合算法中簇头的计算量相对于全部传感器网络的节点参与特征级融合识别，计算量大大减少。结合了特征级融合识别和决策级融合识别的优点，对调制信号进行二次识别，与单独采用特制级融合识别与决策级融合识别有更优的识别性能。

Claims (2)

1.一种基于特征级与决策级联合融合的分簇调制识别方法，其特征在于该方法包含以下步骤：

步骤1.  将无线传感器网络中的多传感器节点分成若干簇，每个簇内有5个传感器节点，每个传感器节点分别独立接收到调制信号并提取特征参数：零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差                                               

、零中心非弱信号段瞬时相位非线性分量的标准偏差

和零中心归一化瞬时幅度绝对值的标准偏差

；

步骤2.  对于每个簇的5个传感器节点，每个传感器节点只提取一个特征参数，其中有两个传感器各提取特征参数

各一次，有两个传感器各提取特征参数

各一次，有一个传感器节点提取特征参数

一次；

步骤3.  在簇内，各节点提取相应的特征参数，并且将特征参数送往簇头；

步骤4.  簇头将簇内各个传感器节点分别提取的特征参数组成特征向量，送到训练好的支持向量机分类器，对调制信号进行特征级融合识别，得到各个簇头的调制类型的识别结果；

步骤5.  M个簇头分别将簇内特征级融合的识别结果分别送到融合中心；

步骤6.  融合中心采用表决融合准则进行决策级融合识别，如果有一个簇头判决调制信号的调制类型为2ASK，那么投2ASK一票，对于其他调制类型也是采用相同做法，投票结束后，统计此次投票结果，若有某一调制类型票数超过了

，那么融合中心将此调制类型作为最后的判决结果。

2.如权利要求1所述基于特征级与决策级联合融合的分簇调制识别方法，其特征在于所述支持向量机分类器，其构造包括以下步骤：

步骤1，基于决策二叉树的多类支持向量机根据参数

构造第一级分类器，将调制方式分为{4PSK}和{2PSK,2ASK,4ASK,4FSK,OFDM}；

步骤2，对于{2PSK,2ASK,4ASK,4FSK,OFDM}，仍根据参数

构造第二级分类器，将调制方式分为{4FSK,OFDM }和{2PSK,2ASK,4ASK}；

步骤3，对于{4FSK,OFDM }，根据参数

构造第三级分类器，将{4FSK,OFDM }分为{4FSK }和{ OFDM }；

步骤4，对于{2PSK,2ASK,4ASK}，根据参数

和

构造第四级分类器，将{2PSK,2ASK,4ASK}分为{2PSK }和{2ASK,4ASK }；

步骤5，对于{2ASK,4ASK }，根据参数

、

和

，构造第五级分类器，将{2ASK,4ASK }分为{2ASK }和{4ASK }。

Images