CN105119862B - 一种信号调制类型识别方法和*** - Google Patents

Abstract

本发明公开了一种信号调制类型识别方法和***，该方法包括：对待识别信号进行预处理，提取出预定数量的特征参量，并使用预定数量的特征参量组成的特征向量表征待识别信号；利用最优投影矩阵对待识别信号进行特征提取，将待识别信号投影到低维特征子空间中；其中，最优投影矩阵通过局部保持投影算法得到；计算低维特征子空间中的待识别信号与信号调制类型已知的训练信号之间的欧式距离，基于欧氏距离的最近邻算法确定出待识别信号的信号调制类型。本发明的技术方案利用最优投影矩阵将待识别信号投影到低维空间中，减少了计算量；利用局部保持投影算法得到的最优投影矩阵，降低了信号在投影过程中的偏差，具有更好的鲁棒性、更高的识别率。

Description

一种信号调制类型识别方法和***

技术领域

本发明涉及信号识别技术领域，具体涉及一种信号调制类型识别方法和***。

背景技术

信号调制类型的识别是信号截获和解调的中间步骤，在军用和民用领域都有重要的研究价值，被广泛应用于信号确认、干扰识别、频谱管理、电子对抗等领域。在复杂的电磁环境下，实现对信号的侦收，形成有价值的通信情报，从而为后续的鉴别、干扰等手段提供依据是一项极具挑战的任务。如果能够识别侦收信号的调制方式，就可以动用较少的资源和代价对特定的信号参数进行干扰，达到事半功倍的效果。传统的信号调制类型识别大多是分析人员借助各种仪器，凭借实践经验做出分析判断，效率较低，识别的信号类型也有限。

近年来，信号调制类型的自动识别引起了国内外研究者的广泛关注，取得了不错的研究成果。目前，调制类型的自动识别主要有基于决策理论的识别方法和统计模式识别方法。基于决策理论的识别方法将信号分类看成是个假设检验问题，该类方法计算量较大，需要设定正确的阈值且对噪声敏感。基于统计模式识别的方法主要分为特征提取和分类识别两个阶段，实现简单而且稳定性好。统计模式识别方法的一种尝试是基于支持向量机SVM(Support Vector Machine)将基于SVM的多类分类器，用于信号调制识别，测试在不同核函数下的识别性能。另一种尝试是分析不同调制方式的谱相关特性，并采用主成分分析PCA方法(Principal Components Analysis)压缩维数，在信噪比理想情况下能够取得不错的效果。

但是，无论基于支持向量机SVM还是基于主成分分析PCA的尝试都只关注训练信号样本间差异性，导致了现有信号调制识别方案在非合作通信***中，低信噪比条件下鲁棒性差、性能不稳定、识别率低。

发明内容

本发明提供了一种调制类型识别方法和***以解决现有的信号调制识别技术在非合作通信***中，低信噪比条件下鲁棒性差、性能不稳定、识别率低的问题。

为了达到上述目的，本发明的技术方案是这样实现的：

根据本发明的一个方面，提供了一种信号调制类型识别方法，方法包括:

对待识别信号进行预处理，提取出预定数量的特征参量，并使用所述预定数量的特征参量组成的特征向量表征所述待识别信号；

利用最优投影矩阵对所述待识别信号进行特征提取，将所述待识别信号投影到低维特征子空间中；其中，所述最优投影矩阵通过局部保持投影算法得到；

计算所述低维特征子空间中的待识别信号与信号调制类型已知的训练信号之间的欧式距离，基于欧氏距离的最近邻算法确定出待识别信号的信号调制类型。

可选地，在对待识别信号进行预处理之前，该方法还包括：训练得到最优投影矩阵；所述训练得到最优投影矩阵包括：

对信号调制类型已知的训练信号进行与所述待识别信号同样的预处理步骤，提取出所述预定数量的特征参量，并使用所述特征参量组成的特征向量表征所述信号调制类型已知的训练信号，得到包含各调制类型训练信号的信号样本矩阵；

利用局部保持投影算法，对所述信号样本矩阵进行处理，计算得到最优投影矩阵。

可选地，所述对信号调制类型已知的训练信号进行与所述待识别信号同样的预处理步骤，提取出所述预定数量的特征参量包括：

步骤31，对接收到的训练信号s(t)进行采样，得到所述训练信号s(t)的瞬时幅度a(i)、瞬时相位φ(i)、瞬时频率f(i)和功率谱S(i)；其中，采样频率为f_s，采样点数为N_s；

步骤32，计算归一化瞬时幅度的标准差σ_a、归一化瞬时幅度的标准差与均值之比R_a以及归一化瞬时幅度的发散度μ^a；

步骤33，计算归一化瞬时频率的标准差σ_f、归一化瞬时频率的发散度μ^f以及归一化非线性瞬时相位的标准差σ_φ；

步骤34，计算功率谱的对称性P；

所述预定数量的特征参量包括步骤32、步骤33和步骤34计算出的共7个特征参量。

可选地，所述步骤32，计算归一化瞬时幅度的标准差σ_a、归一化瞬时幅度的标准差与均值之比R_a以及归一化瞬时幅度的发散度μ^a包括：

利用如下公式计算归一化瞬时幅度的标准差σ_a：

其中，

利用如下公式计算归一化瞬时幅度的标准差与均值之比R_a：

其中，

利用如下公式计算归一化瞬时幅度的发散度μ^a：

可选地，所述步骤33，计算归一化瞬时频率的标准差σ_f、归一化瞬时频率的发散度μ^f以及归一化非线性瞬时相位的标准差σ_φ包括：

利用如下公式计算归一化瞬时频率的标准差σ_f：

其中，f_n＝f(i)/f_max，f_max＝max{f(i)}；

利用如下公式计算归一化瞬时频率的发散度μ^f：

利用如下公式计算归一化非线性瞬时相位的标准差σ_φ：

其中，φ(i)为瞬时相位的非线性部分。

可选地，所述步骤34，计算功率谱的对称性P包括：

利用如下公式计算功率谱的对称性P：

其中，S(i)＝DFT[s(i)]，N_fc＝f_cN_s/(f_s-1)。

可选地，所述利用局部保持投影算法，对所述信号样本矩阵进行处理，计算得到最优投影矩阵包括：

设信号样本矩阵X＝[x₁,x₂,…,x_N]，N表示训练信号样本的个数，x_i∈R^7×1(i＝1,2,…,N)表示第i个训练信号样本；

构建相似邻接图G＝{Z,B}，其中，顶点集Z＝{x₁,x₂…x_N}，权重矩阵B∈R^N×N；

构造目标函数如下：

其中，权重矩阵B是一个对称矩阵，它的第i行第j列元素定义如下：

y_i是训练信号样本x_i的低维描述，α代表投影方向，令y＝α^Tx带入目标函数，得到：

其中，L＝D-B是拉普拉斯矩阵；

D是一个对角矩阵，或

XLX^T代表训练信号样本的局部离散度矩阵。

给所述目标函数增加一个约束条件令α^TXDX^Tα＝1，结合所述约束条件，所述目标函数可以写成：

求解以下特征方程：

αXLX^Tα＝λXDX^Tα

设A＝XLX^T,B＝XDX^T，则λ为B^-1A对应于特征向量α的特征值；

最优投影矩阵α＝[α₁α₂…α_l]，α的列向量由B^-1A的前l个最大特征值对应的特征向量组成，其中，l代表投影方向的数量。

可选地，所述计算所述低维特征子空间中的待识别信号与信号调制类型已知训练信号之间的欧式距离，基于欧氏距离的最近邻算法确定出待识别信号的信号调制类型包括：

利用最优投影矩阵α将待识别信号x^*投影到所述低维特征子空间中，得到所述待识别信号x^*在低维特征子空间中的低维描述y^*；

利用所述最优投影矩阵对所述信号样本矩阵中的每个训练信号进行特征提取，将所述训练信号投影到低维特征子空间中；

计算待识别信号x^*与信号调制类型已知的训练信号x_k之间的欧式距离；

若所述欧式距离满足如下公式，则确定待识别信号x^*与调制类型已知的训练信号x_k属于同一类；

其中，d(y^*,y_i)＝||y^*-y_i||²，(i＝1,2,…,k)。

与上述信号调制类型识别方法相对应的，本发明还提供了一种信号调制类型识别***，所述***包括：

预处理单元，用于对待识别信号进行预处理，提取出预定数量的特征参量，并使用所述预定数量的特征参量组成的特征向量表征所述待识别信号；

特征提取单元，用于利用最优投影矩阵对所述待识别信号进行特征提取，将所述待识别信号投影到低维特征子空间中；其中，所述最优投影矩阵通过局部保持投影算法得到；

判决输出单元，用于计算所述低维特征子空间中的待识别信号与信号调制类型已知的训练信号之间的欧式距离，基于欧氏距离的最近邻算法确定出待识别信号的信号调制类型。

可选地，所述***还包括：

最优投影矩阵训练单元，用于对信号调制类型已知的训练信号进行预处理，提取出所述预定数量的特征参量，并使用所述特征参量组成的特征向量表征所述训练信号，得到包含各调制类型训练信号的信号样本矩阵；利用局部保持投影算法，对所述信号样本矩阵进行处理，计算得到最优投影矩阵。

本发明的有益效果是：本发明实施例的这种信号调制类型识别方法和***利用预先得到的最优投影矩阵，将待识别信号投影到低维特征子空间中，并在该特征子空间中计算确定待识别信号的调制类型。这与在高维空间中直接计算判断待识别信号的调制类型的方案相比，能够大大减少计算量、提高信号调制类型识别的效率和性能稳定性。另外，本发明通过局部保持投影算法得到最优投影矩阵，即利用局部保持投影算法对包含各调制类型的训练信号所在的信号样本矩阵进行局部保持投影计算后得到最优投影矩阵。如此在局部保持投影过程中，不仅保持了信号样本的差异性特征，还保持了样本的局部相似性特征，具有较好地鲁棒性，使得即使在待识别信号调制类型较多、信噪比较低的情况下本发明的信号调制类型识别方法也能取得较高的识别率。

附图说明

图1是本发明一个实施例的一种信号调制类型识别方法的流程示意图；

图2是本发明的一种信号调制类型识别方法的原理示意图；

图3是本发明一个实施例的采用特征向量个数为2时训练信号样本在低维特征子空间的投影效果图；

图4是本发明的信号调制类型识别方法与现有技术PCA方法的识别率对比示意图；

图5是现有技术PCA方法在信噪比为10db的条件下，针对不同信号调制类型所取得的识别率结果示意图；

图6是本发明的信号调制类型识别方法在信噪比为10db的条件下，针对不同信号调制类型所取得的识别率结果示意图；

图7是本发明一个实施例提供的一种信号调制类型识别***的框图。

具体实施方式

本发明的核心思想是：提出一种基于统计模式识别原理信号调制类型识别方案，解决在非合作通信***中信号调制类型识别鲁棒性差，以及低信噪比下识别率低的问题。本发明的技术方案通过对待识别信号进行预处理，提取出7种特征参量来表征待识别信号，并采用局部保持投影算法处理信号调制类型已知的各训练信号样本，得到最优投影矩阵；利用该最优投影矩阵对预处理后的待识别信号以及训练信号进行进一步的特征提取，将待识别信号和训练信号(待识别信号和训练信号都可以看作高维空间中的点)投影到低维的特征子空间中，经过局部保持投影后，训练信号在低维特征子空间中具有较好地同类紧致性，不同类离散性，然后再利用基于欧氏距离的最近邻判别方法对投影后的待识别信号与各调制类型已知的训练信号间的距离进行计算和比较，如果待识别信号与其中某一类信号调制类型已知的训练样本点的欧式距离最小，则将待识别信号的信号调制类型确定为与该训练样本信号调制类型相同，然后对待识别信号的信号调制类型进行判决输出。由此，通过局部保持投影算法计算得到最优投影矩阵时，既考虑了训练信号样本的差异性，又兼顾了训练信号样本的局部相似性，信号识别的鲁棒性更好，从而使得信号类型识别在低信噪比条件下也能取得较高的识别率。

图1是本发明一个实施例的一种信号调制类型识别方法的流程示意图，参见图1，本发明实施例的这种信号调制类型识别方法包括：

步骤S110，对待识别信号进行预处理，提取出预定数量的特征参量，并使用所述预定数量的特征参量组成的特征向量表征所述待识别信号；

步骤S120，利用最优投影矩阵对所述待识别信号进行特征提取，将所述待识别信号投影到低维特征子空间中；其中，所述最优投影矩阵通过局部保持投影算法得到；

步骤S130，计算所述低维特征子空间中的待识别信号与信号调制类型已知的训练信号之间的欧式距离，基于欧氏距离的最近邻算法确定出待识别信号的信号调制类型。

经过图1所示的步骤，本发明一个实施例的信号类型调制方法，在局部保持投影过程中，不仅保持了训练信号样本的差异性特征，还保持了训练信号样本的局部相似性特征，具有较好地鲁棒性，所以即使在待识别信号调制类型较多，信噪比较低的情况下也能取得较高的识别率。

在本发明的一个实施例中，在对待识别信号进行预处理之前，该方法还包括：训练得到最优投影矩阵；训练得到最优投影矩阵包括：对信号调制类型已知的训练信号进行与待识别信号同样的预处理步骤，提取出预定数量的特征参量，并使用特征参量组成的特征向量表征信号调制类型已知的训练信号，得到包含各调制类型训练信号的信号样本矩阵；利用局部保持投影算法，对信号样本矩阵进行处理，计算得到最优投影矩阵。

图2是是本发明的一种信号调制类型识别方法的原理示意图，参见图2，本发明的信号调制类型识别的方法的原理是：对训练信号样本进行采样、预处理→提取7种信号特征参量表征训练信号样本→利用局部保持投影，训练产生最优投影矩阵，将最优投影矩阵输出给最近邻分类器；这里的训练信号样本的数量为多个，多个训练信号样本组成了信号样本矩阵。接下来可以对待识别信号进行同样的预处理过程即对待识别信号进行信号采样、预处理→提取出7种信号特征参量表征待识别信号→将7种特征参量表征的待识别信号送入最近邻分类器；然后根据训练信号样本训练后得到的最优投影矩阵对待识别信号进行投影，即将待识别信号和训练信号样本都投影到同一个特征子空间中，在该特征子空间中，利用最近邻分类器计算待识别信号与哪个训练信号样本的欧式距离最小，那么就将待识别信号的调制类型确定为与该训练信号样本的信号调制类型相同，然后对待识别信号的信号调制类型进行判决输出。本实施例中，是计算待识别信号与信号调制类型已知的多个训练信号的欧式距离，并将待识别信号确定为与欧式距离最小的那个训练信号属于同一信号调制类型。欧式距离也称欧几里得距离，它是一个通常采用的距离定义，它是表示在m维空间中两个点之间的真实距离。欧氏距离可看作信号的相似程度，距离越近就越相似。在本发明的一个实施例中，对信号调制类型已知的训练信号进行与待识别信号同样的预处理步骤，提取出预定数量的特征参量包括：

步骤31，对接收到的训练信号s(t)进行采样，得到训练信号s(t)的瞬时幅度a(i)、瞬时相位φ(i)、瞬时频率f(i)和功率谱S(i)；其中，采样频率为f_s，采样点数为N_s；

步骤32，计算归一化瞬时幅度的标准差σ_a、归一化瞬时幅度的标准差与均值之比R_a以及归一化瞬时幅度的发散度μ^a；

步骤33，计算归一化瞬时频率的标准差σ_f、归一化瞬时频率的发散度μ^f以及归一化非线性瞬时相位的标准差σ_φ；

步骤34，计算功率谱的对称性P；

预定数量的特征参量包括步骤32、步骤33和步骤34计算出的共7个特征参量，即7个特征参量分别为：归一化瞬时幅度的标准差σ_a，归一化瞬时幅度的标准差与均值之比R_a，归一化瞬时幅度的发散度μ^a，归一化瞬时频率的标准差σ_f，归一化瞬时频率的发散度μ^f，归一化非线性瞬时相位的标准差σ_φ，功率谱的对称性P。

在本发明的一个实施例中，步骤32，计算归一化瞬时幅度的标准差σ_a、归一化瞬时幅度的标准差与均值之比R_a以及归一化瞬时幅度的发散度μ^a包括：

利用如下公式计算归一化瞬时幅度的标准差σ_a：

其中，

利用如下公式计算归一化瞬时幅度的标准差与均值之比R_a：

其中，

利用如下公式计算归一化瞬时幅度的发散度μ^a：

在本发明的一个实施例中，步骤33，计算归一化瞬时频率的标准差σ_f、归一化瞬时频率的发散度μ^f以及归一化非线性瞬时相位的标准差σ_φ包括：

利用如下公式计算归一化瞬时频率的标准差σ_f：

其中，f_n＝f(i)/f_max，f_max＝max{f(i)}；

利用如下公式计算归一化瞬时频率的发散度μ^f：

利用如下公式计算归一化非线性瞬时相位的标准差σ_φ：

其中，φ(i)为瞬时相位的非线性部分。

在本发明的一个实施例中，步骤34，计算功率谱的对称性P包括：

利用如下公式计算功率谱的对称性P：

其中，S(i)＝DFT[s(i)]，N_fc＝f_cN_s/(f_s-1)。

由此，通过上述步骤可以得到每个训练信号样本的7种特征参量，利用该7种特征参量可以表征一个训练信号样本，即将7种特征参量看作是训练信号样本的维度，每个训练信号样本可以看作是7维空间中的一个点，7种特征参量是这个训练信号样本点的坐标值。

需要说明的是，本发明实施例中，对训练信号样本和待识别信号进行同样的预处理过程，即对待识别信号也要进行信号采样、预处理，提取出待识别信号的归一化瞬时幅度的标准差、归一化瞬时幅度的标准差与均值之比、归一化瞬时幅度的发散度、归一化瞬时频率的标准差、归一化瞬时频率的发散度、归一化非线性瞬时相位的标准差、功率谱的对称性共7种特征参量。由于待识别信号的预处理过程是和训练信号样本的预处理步骤相同，因此，对待识别信号的预处理步骤可以参见对训练信号样本的预处理步骤，在此不再赘述。

由上可知，对每个训练信号样本都进行预处理，提取出该训练信号的7种特征参量，用7种特征参量表示对应的训练信号样本后就可以得到由这些训练信号样本组成的信号样本矩阵。

在本发明的一个实施例中，利用局部保持投影算法，对信号样本矩阵进行处理，计算得到最优投影矩阵包括：

设信号样本矩阵X＝[x₁,x₂,…,x_N]，N表示训练信号样本的个数，x_i∈R^7×1(i＝1,2,…,N)表示第i个训练信号样本；

在本实施例中，取N个训练信号作为样本，即得到N个训练信号样本，该N个训练信号组成了一个信号样本矩阵X，其中，X里的每一个训练信号样本矩阵都属于7维的(对应前面计算出的7种原始特征参量)；

构建相似邻接图G＝{Z,B}，其中，顶点集Z＝{x₁,x₂…x_N}，权重矩阵B∈R^N×N；

相似邻接图用于表示信号样本矩阵中的训练信号样本间的空间结构关系。相似邻接图中的顶点集合Z是信号样本矩阵X中的训练信号样本矩阵组成，即每个训练信号样本可以看作是一个顶点。权重矩阵B度量了相似邻接图中顶点之间的相似性(即系数)，顶点之间的相似性的是指每个顶点与该集合中其他所有顶点之间的权重系数。

然后，构造本发明实施例的目标函数如下：

其中，权重矩阵B是一个对称矩阵，它的第i行第j列元素定义如下：

对称矩阵的特点是：元素以主对角线为对称轴对应相等。在对称矩阵B中，它的第i行第j列元素的取值有两种情况：一种情况是：即当x_i在x_j的k邻域内，或x_j在x_i的k邻域内时，B_ij的取值为计算2*exp(-d²(x_i,x_j)/t)-1的值，将计算结果确定为B_ij的值。另外，2*exp(-d²(x_i,x_j)/t)-1中的d代表距离，即计算x_i和x_j之间的距离，t是一个合适的常数，在实际应用时，可以根据通过选取不同t的值(例如，1、10、100、)来计算B_ij识别率，并取使B_ij的识别率达到最大时对应的t值。这里的k邻域可以理解为k个距离最近的样本点。

第二种情况是：当x_i不在x_j的k邻域内，或x_j不在x_i的k邻域内时，B_ij的值为0。

目标函数中的y_i是训练信号样本x_i的低维描述，α代表投影方向，令y＝α^Tx带入目标函数，得到：

其中，L＝D-B是拉普拉斯矩阵；

D是一个对角矩阵，它的对角线上的元素对应于权重矩阵B每一列或每一行的和，即或

XLX^T代表训练信号样本的局部离散度矩阵。

为了避免尺度的影响，给目标函数增加一个约束条件令α^TXDX^Tα＝1，结合所述约束条件，目标函数可以写成：

求解以下特征方程：

αXLX^Tα＝λXDX^Tα

设A＝XLX^T,B＝XDX^T，则λ为B^-1A对应于特征向量α的特征值；

最优投影矩阵α＝[α₁α₂…α_l]，α的列向量由B^-1A的前l个最大特征值对应的特征向量组成，其中，l代表投影方向的数量。实际应用中，通常需要l(l≥2)个投影方向。

在本发明的一个实施例中，投影方向的数量为2，即设定2个投影方向，取B^-1A的前2个最大特征值组成的特征向量作为本发明一个实施例中的最优投影矩阵α的列向量，从而得到本实施例的最优投影矩阵。得到最优投影矩阵后，利用该最优投影矩阵将训练信号样本投影到低维特征子空间中，由于利用经过局部保持投影计算得到的最优投影矩阵进行特征提取和降维，所以训练信号样本具有更好的类内紧致性和类间离散性。即信号调制类型相同的训练信号样本基本都会投影到一个距离较近的区域内，而信号调制类型不同的训练信号样本之间的距离较远。

在本发明的一个实施例中，计算低维特征子空间中的待识别信号与信号调制类型已知训练信号之间的欧式距离，基于欧氏距离的最近邻算法确定出待识别信号的信号调制类型包括：

利用最优投影矩阵α将待识别信号x^*投影到低维特征子空间中，得到待识别信号x^*在低维特征子空间中的低维描述y^*；

利用最优投影矩阵对信号样本矩阵中的每个训练信号进行特征提取，将训练信号投影到低维特征子空间中；这里，训练信号样本x^k和待识别信号都投影到一个低维特征子空间中，如此能够降低信号维度，相当于将高维空间中的点，投影到一个低维空间中，这样可以大大减少计算量、简化计算过程。

然后，计算待识别信号x^*与信号调制类型已知的训练信号x^k之间的欧式距离；

若欧式距离满足如下公式，则确定待识别信号x^*与调制类型已知的训练信号x_k属于同一类；

其中，d(y^*,y_i)＝||y^*-y_i||²，(i＝1,2,…,k)。

经过上述过程，本发明的这种信号调制识别方法可以快速、方便的确定出一个待识别信号的信号调制类型。需要说明的是，在计算待识别信号与训练信号样本之间的欧式距离时，是将待识别信号x^*以及训练信号样本x^k都投影到低维特征子空间中，然后在该特征子空间中计算待识别信号对应的点y^*与训练信号样本对应的点y_i的欧式距离，从而得到高维空间中的待识别信号x^*的信号调制类型。

为了验证和进一步说明本发明实施例的这种信号调制类型识别方法的有益效果，以下描述利用仿真软件Matlab对本发明的这种信号调制类型识别方法进行仿真实验的过程和结果，并将本发明的信号调制类型识别方法的识别结果与现有技术中的PCA方法的识别结果进行对比示意。

本发明实施例提供的仿真实验过程为：通过Matlab软件产生二进制振幅键控2ASK、四进制振幅键控4ASK、二进制相移键控2PSK、四进制相移键控4PSK、二进制频移键控2FSK、四进制频移键控4FSK、八进制正交振幅调制8QAM、十六进制正交振幅调制16QAM总共8类常用的数字调制信号。其中，信号载波频率f_c＝100KHz，采样频率f_s＝3000KHz，码元速率r_b＝10240bit/s。随机产生200个码元符号作为基带信号，2FSK和4FSK的频偏分别为50KHz和25KHz。在调制信号产生后，加入高斯随机白噪声。为了满足工程需要，对基带信号采用升余弦滚降函数进行成形处理。8类调制信号各随机产生500个样本，总共4000个调制信号样本用于训练和测试，提取上述7个特征参量来表征每个信号样本。每类中，随机选取30个作为训练样本，其余的作为测试样本。

该仿真实验在不同信噪比条件下，例如[-30-20-1001020]db测试了本发明实施例的信号调制识别方法的性能，并与基于主成分分析法PCA的识别方法进行了对比。图3是本发明一个实施例的采用特征向量个数为2时训练信号样本在低维特征子空间的投影效果图；参见图3，在信噪比SNR＝10db的条件下，其中邻域k＝1，取特征矩阵的前2个特征向量作为最优投影矩阵时，训练样本在特征子空间的投影效果。图3中，31表示信号调制类型为2ASK的训练信号样本点的投影效果示意，32表示信号调制类型为4ASK的训练信号样本点的投影效果示意，33表示信号调制类型为16QAM的训练信号样本点的投影效果示意，34表示信号调制类型为4PSK的训练信号样本点的投影效果示意，35表示信号调制类型为2FSK的训练信号样本点的投影效果示意，36表示信号调制类型为4FSK的训练信号样本点的投影效果示意，37表示信号调制类型为2PSK的训练信号样本点的投影效果示意，38表示信号调制类型为8QAM的训练信号样本点的投影效果示意。从图3中可以看出，除了个别2ASK和4ASK两类训练信号样本外，其余信号调制类型的类内紧致性都很好，都能得到明显的区分。通过局部保持投影，在原始空间(即7维空间)中相距较近的样本点(训练信号)投影之后依然保持相近，从而使各类调制信号类内分布更加紧凑。

仿真实验测试了本发明的信号调制类型识别方法在不同信噪比下的识别率，并与基于PCA的调制识别方法进行对比，图4是本发明的信号调制类型识别方法与现有技术PCA方法的识别率对比示意图；参见图4，本发明的信号调制类型识别方法和现有技术PCA方法在总体识别率上的对比。41表示本发明的信号调制类型识别方法的在不同信噪比下的识别率；42表示现有技术的PCA方法在不同信噪比下的识别率；从图4中可以看出，随着信噪比的改善，两种方法的识别率都有很大的提升，但是本发明的信号调制识别方法在低信噪比的情况下取得更好的识别效果，整体性能更好，具有更好的鲁棒性。

图5是现有技术PCA方法在信噪比为10db的条件下，针对不同信号调制类型所取得的识别率结果示意图；图6是本发明一个实施例提供的一种信号调制类型识别方法在信噪比为10db的条件下，针对不同信号调制类型所取得的识别率结果示意图。从图5和图6中可以看出，本发明实施例的这种信号调制识别方法的稳定性更好，特别是很对信号调制类型为2ASK、4ASK的信号能够取得更高的识别率(分别为：96.0和98.3而现有技术中PCA方法对应的识别率只有82.1和91.3)。

综上，经过仿真实验对比发现，在非合作通信***中和低信噪比条件下本发明的方法相比于现有调制识别方法识别率更高，稳定性和鲁棒性更好。

与上述信号调制类型识别方法相对应的，本发明还提供了一种信号调制类型识别***。图7是本发明一个实施例提供的一种信号调制类型识别***的框图，参见图7，本发明一个实施例的这种信号调制类型识别***700包括：

预处理单元710，用于对待识别信号进行预处理，提取出预定数量的特征参量，并使用所述预定数量的特征参量组成的特征向量表征所述待识别信号；

特征提取单元720，用于利用最优投影矩阵对所述待识别信号进行特征提取，将所述待识别信号投影到低维特征子空间中；其中，所述最优投影矩阵通过局部保持投影算法得到；

判决输出单元730，用于计算所述低维特征子空间中的待识别信号与信号调制类型已知的训练信号之间的欧式距离，基于欧氏距离的最近邻算法确定出待识别信号的信号调制类型。

在本发明的一个实施例中，***700还包括：

最优投影矩阵训练单元，用于对信号调制类型已知的训练信号进行预处理，提取出预定数量的特征参量，并使用特征参量组成的特征向量表征训练信号，得到包含各调制类型训练信号的信号样本矩阵；利用局部保持投影算法，对信号样本矩阵进行处理，计算得到最优投影矩阵。

需要说明的是，本发明的这种信号调制类型识别***是和前述的信号调制类型识别方法相对应的，因而本实施例中信号调制类型识别***的工作过程可以参见前述信号调制类型识别方法部分的具体说明，在此不再赘述。

综上所述，本发明的这种信号调制类型识别方法利用预先得到的最优投影矩阵，将待识别信号投影到低维特征子空间中，并在该特征子空间中计算确定待识别信号的调制类型。这与在高维空间中直接计算、判断待识别信号的调制类型的方案相比，能够大大减少计算量、提高信号调制类型识别的效率和性能稳定性。另外，本发明的通过局部保持投影算法得到最优投影矩阵，即利用局部保持投影算法对包含各调制类型的训练信号所在的信号样本矩阵进行局部保持投影计算，在投影过程中，不仅保持了训练信号样本的差异性特征，还保持了训练信号样本的局部相似性特征，因而具有较好地鲁棒性，使得即使在待识别信号调制类型较多、信噪比较低的情况下也能取得较高的识别率。并且，本发明还提供了一种与该信号调制类型识别方法相对应的信号调制类型识别***，该信号调制类型识别***也具有上述信号调制类型识别方法的识别率高、鲁棒性更好、性能更稳定的优点。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (9)

1.一种信号调制类型识别方法，其特征在于，所述方法包括:

对待识别信号进行预处理，提取出预定数量的特征参量，并使用所述预定数量的特征参量组成的特征向量表征所述待识别信号；

利用最优投影矩阵对所述待识别信号进行特征提取，将所述待识别信号投影到低维特征子空间中；其中，所述最优投影矩阵通过局部保持投影算法得到；

计算所述低维特征子空间中的待识别信号与信号调制类型已知的训练信号之间的欧式距离，基于欧氏距离的最近邻算法确定出待识别信号的信号调制类型；

利用局部保持投影算法，对信号样本矩阵进行处理，计算得到最优投影矩阵包括：信号样本矩阵X＝[x₁,x₂,…,x_N]，N表示训练信号样本的个数，x_i∈R^7×1(i＝1,2,…,N)表示第i个训练信号样本；

构建相似邻接图G＝{Z,B}，其中，顶点集Z＝{x₁,x₂…x_N}，权重矩阵B∈R^N×N；

构造目标函数如下：

其中，权重矩阵B是一个对称矩阵，它的第i行第j列元素定义如下：

x_i在x_j的k邻域内，或x_j在x_i的k邻域内

y_i是训练信号样本x_i的低维描述，α代表投影方向，令y＝α^Tx带入目标函数，得到：

其中，L＝D-B是拉普拉斯矩阵；

D是一个对角矩阵，或

XLX^T代表训练信号样本的局部离散度矩阵；

给所述目标函数增加一个约束条件令α^TXDX^Tα＝1，结合所述约束条件，所述目标函数可以写成：

求解以下特征方程：

αXLX^Tα＝λXDX^Tα

设A＝XLX^T,B＝XDX^T，则λ为B^-1A对应于特征向量α的特征值；

最优投影矩阵α＝[α₁α₂…α_l]，α的列向量由B^-1A的前l个最大特征值对应的特征向量组成，其中，l代表投影方向的数量。

2.如权利要求1所述的信号调制类型识别方法，其特征在于，在对待识别信号进行预处理之前，该方法还包括：训练得到最优投影矩阵；所述训练得到最优投影矩阵包括：

对信号调制类型已知的训练信号进行与所述待识别信号同样的预处理步骤，提取出所述预定数量的特征参量，并使用所述特征参量组成的特征向量表征所述信号调制类型已知的训练信号，得到包含各调制类型训练信号的信号样本矩阵；

利用局部保持投影算法，对所述信号样本矩阵进行处理，计算得到最优投影矩阵。

3.如权利要求2所述的信号调制类型识别方法，其特征在于，所述对信号调制类型已知的训练信号进行与所述待识别信号同样的预处理步骤，提取出所述预定数量的特征参量包括：

步骤31，对接收到的训练信号s(t)进行采样，得到所述训练信号s(t)的瞬时幅度a(i)、瞬时相位φ(i)、瞬时频率f(i)和功率谱S(i)；其中，采样频率为f_s，采样点数为N_s；

步骤32，计算归一化瞬时幅度的标准差σ_a、归一化瞬时幅度的标准差与均值之比R_a以及归一化瞬时幅度的发散度μ^a；

步骤33，计算归一化瞬时频率的标准差σ_f、归一化瞬时频率的发散度μ^f以及归一化非线性瞬时相位的标准差σ_φ；

步骤34，计算功率谱的对称性P；

所述预定数量的特征参量包括步骤32、步骤33和步骤34计算出的共7个特征参量。

4.如权利要求3所述的信号调制类型识别方法，其特征在于，所述步骤32，计算归一化瞬时幅度的标准差σ_a、归一化瞬时幅度的标准差与均值之比R_a以及归一化瞬时幅度的发散度μ^a包括：

利用如下公式计算归一化瞬时幅度的标准差σ_a：

其中，

利用如下公式计算归一化瞬时幅度的标准差与均值之比R_a：

其中，

利用如下公式计算归一化瞬时幅度的发散度μ^a：

5.如权利要求3所述的信号调制类型识别方法，其特征在于，所述步骤33，计算归一化瞬时频率的标准差σ_f、归一化瞬时频率的发散度μ^f以及归一化非线性瞬时相位的标准差σ_φ包括：

利用如下公式计算归一化瞬时频率的标准差σ_f：

其中，f_n＝f(i)/f_max，f_max＝max{f(i)}；

利用如下公式计算归一化瞬时频率的发散度μ^f：

利用如下公式计算归一化非线性瞬时相位的标准差σ_φ：

其中，φ(i)为瞬时相位的非线性部分。

6.如权利要求3所述的信号调制类型识别方法，其特征在于，所述步骤34，计算功率谱的对称性P包括：

利用如下公式计算功率谱的对称性P：

其中，S(i)＝DFT[s(i)]，N_fc＝f_cN_s/(f_s-1)。

7.如权利要求1所述的信号调制类型识别方法，其特征在于，所述计算所述低维特征子空间中的待识别信号与信号调制类型已知训练信号之间的欧式距离，基于欧氏距离的最近邻算法确定出待识别信号的信号调制类型包括：

利用最优投影矩阵α将待识别信号x^*投影到所述低维特征子空间中，得到所述待识别信号x^*在低维特征子空间中的低维描述y^*；

利用所述最优投影矩阵对所述信号样本矩阵中的每个训练信号进行特征提取，将所述训练信号投影到低维特征子空间中；

计算待识别信号x^*与信号调制类型已知的训练信号x_k之间的欧式距离；

若所述欧式距离满足如下公式，则确定待识别信号x^*与调制类型已知的训练信号x_k属于同一类；

其中，d(y^*,y_i)＝||y^*-y_i||²，(i＝1,2,…,k)。

8.一种信号调制类型识别***，其特征在于，所述***包括：

预处理单元，用于对待识别信号进行预处理，提取出预定数量的特征参量，并使用所述预定数量的特征参量组成的特征向量表征所述待识别信号；

特征提取单元，用于利用最优投影矩阵对所述待识别信号进行特征提取，将所述待识别信号投影到低维特征子空间中；其中，所述最优投影矩阵通过局部保持投影算法得到；

判决输出单元，用于计算所述低维特征子空间中的待识别信号与信号调制类型已知的训练信号之间的欧式距离，基于欧氏距离的最近邻算法确定出待识别信号的信号调制类型；

所述***还包括：最优投影矩阵训练单元，用于利用局部保持投影算法，对信号样本矩阵进行处理，计算得到最优投影矩阵包括：信号样本矩阵X＝[x₁,x₂,…,x_N]，N表示训练信号样本的个数，x_i∈R^7×1(i＝1,2,…,N)表示第i个训练信号样本；

构建相似邻接图G＝{Z,B}，其中，顶点集Z＝{x₁,x₂…x_N}，权重矩阵B∈R^N×N；

构造目标函数如下：

其中，权重矩阵B是一个对称矩阵，它的第i行第j列元素定义如下：

x_i在x_j的k邻域内，或x_j在x_i的k邻域内

y_i是训练信号样本x_i的低维描述，α代表投影方向，令y＝α^Tx带入目标函数，得到：

其中，L＝D-B是拉普拉斯矩阵；

D是一个对角矩阵，或

XLX^T代表训练信号样本的局部离散度矩阵；

给所述目标函数增加一个约束条件令α^TXDX^Tα＝1，结合所述约束条件，所述目标函数可以写成：

求解以下特征方程：

αXLX^Tα＝λXDX^Tα

设A＝XLX^T,B＝XDX^T，则λ为B^-1A对应于特征向量α的特征值；

最优投影矩阵α＝[α₁α₂…α_l]，α的列向量由B^-1A的前l个最大特征值对应的特征向量组成，其中，l代表投影方向的数量。

9.如权利要求8所述的信号调制类型识别***，其特征在于，所述最优投影矩阵训练单元，用于对信号调制类型已知的训练信号进行预处理，提取出所述预定数量的特征参量，并使用所述特征参量组成的特征向量表征所述训练信号，得到包含各调制类型训练信号的信号样本矩阵。