CN106452673B - 多传感器接收中基于特征向量的最大似然调制识别方法 - Google Patents

多传感器接收中基于特征向量的最大似然调制识别方法 Download PDF

Info

Publication number
CN106452673B
CN106452673B CN201610867683.XA CN201610867683A CN106452673B CN 106452673 B CN106452673 B CN 106452673B CN 201610867683 A CN201610867683 A CN 201610867683A CN 106452673 B CN106452673 B CN 106452673B
Authority
CN
China
Prior art keywords
signal
modulation
identification
feature vector
noise ratio
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610867683.XA
Other languages
English (en)
Other versions
CN106452673A (zh
Inventor
王彬
岳强
彭华
汪洋
孙亮
黄焱
马金全
邱钊洋
姚祺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
PLA Information Engineering University
Original Assignee
PLA Information Engineering University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by PLA Information Engineering University filed Critical PLA Information Engineering University
Priority to CN201610867683.XA priority Critical patent/CN106452673B/zh
Publication of CN106452673A publication Critical patent/CN106452673A/zh
Application granted granted Critical
Publication of CN106452673B publication Critical patent/CN106452673B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0041—Arrangements at the transmitter end
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0045—Arrangements at the receiver end
    • H04L1/0046—Code rate detection or code type detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0045—Arrangements at the receiver end
    • H04L1/0054—Maximum-likelihood or sequential decoding, e.g. Viterbi, Fano, ZJ algorithms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于多传感器非合作接收环境中通信信号调制方式识别技术领域，具体涉及一种多传感器接收中基于特征向量的最大似然调制识别方法。该方法包括以下步骤：步骤一、各传感器子节点根据各自接收信号估计信噪比、提取调制识别特征、构造识别特征向量；步骤二、在主节点构造基于调制识别特征向量的似然函数；步骤三、在主节点根据构造的似然函数，在待识别信号调制类型集合中进行最大似然判决，获得识别结果。本发明采用多传感器接收信号，提取识别特征向量，设计分类器，很好地解决了移动通信、短波通信或者水声通信过程中信道条件恶劣时通信信号调制方式识别正确率和可靠性的问题。

Description

多传感器接收中基于特征向量的最大似然调制识别方法
技术领域
本发明属于多传感器非合作接收环境中通信信号调制方式识别技术领域，具体涉及一种多传感器接收中基于特征向量的最大似然调制识别方法。
背景技术
在移动通信、短波通信或者水声通信过程中，由于多径效应使得接收点接收到是多条路径信号的矢量叠加，而且不同接收点接收到的信号质量不同。传统的单传感器接收无法利用不同位置接收点的信号差异，而多传感器接收可以利用不同位置获得不同接收质量的信号，并通过数据融合手段提高接收信号质量。因此，多传感器接收比单传感器接收能够提高信噪比、降低多径衰落。
利用多传感器接收进行通信信号的调制识别方法较多，有基于似然比的识别、基于信号特征的融合识别等。其中，基于似然比的识别方法是对接收信号直接构造似然比函数，然后采用最大似然判决方法进行判决。基于信号特征的融合识别方法需要提取识别特征，对特征设计分类器进行分类判决，识别结果依赖于分类器的设计。现有的似然比算法对接收信号有诸多约束，需要很多先验信息，当先验信息缺失时，往往利用E-M算法对先验信息进行迭代估计，再利用最大似然方法进行调制识别。但是这种迭代过程比较复杂，而且对多径衰落信道效果不佳。如何将两类方法结合起来，充分利用两者优势，是多传感器接收条件下调制识别的热点和难点问题。
近期，有文献提出了先对各传感器接收信号进行调制特征提取，然后采用最大似然方法进行分类识别的新思路，但是这种方法仅能对单一特征进行处理，当调制信号具有多个识别特征时，不能直接利用这种方法，需要对这种方法进行扩展。本发明旨在解决多传感器非合作接收情况下利用特征向量构造似然函数进行最大似然调制识别的问题。
发明内容
本发明针对现有技术在非合作接收环境中通信信号监视等应用领域里信号调制方式识别正确率低和可靠性低等问题，提出一种多传感器接收中基于特征向量的最大似然调制识别方法。
本发明的技术方案是：一种多传感器接收中基于特征向量的最大似然调制识别方法，该识别方法具体包括以下步骤：
步骤一：各传感器子节点根据各自接收信号估计信噪比、提取调制识别特征、构造识别特征向量(F1,F2,…,FN)；
步骤二：在主节点构造基于调制识别特征向量的似然函数；
步骤三：在主节点根据构造的似然函数，在待识别信号调制类型集合中进行最大似然判决，获得识别结果。
所述的多传感器接收中基于特征向量的最大似然调制识别方法，所述步骤一具体包括以下步骤：
步骤101：各传感器分别对接收信号进行功率归一化，即rl(k)表示第l个传感器接收到的第k个采样点，l＝1,2,…,L，L表示传感器个数，Ns表示接收信号采样序列长度，采用子空间法、M2M4方法、最大似然等方法对信噪比进行估计；步骤102：根据归一化后的信号提取识别特征
其中表示第l个传感器节点提取的第n个识别特征。构造识别特征向量(F1,F2,…,FN)，其中
所述的多传感器接收中基于特征向量的最大似然调制识别方法，所述步骤二的具体包括以下步骤：
步骤201：主节点根据步骤一中的识别特征向量(F1,F2,…,FN)构造基于识别特征向量的似然函数，为方便计算，对似然函数取自然对数构造对数似然函数公式：
其中，待识别信号调制类型集合Mmod＝{mod1，mod2，...，modM}，表示各传感器子节点的信噪比估计向量；表示识别特征向量(F1,F2,…,FN)在各节点信噪比估计向量为调制类型为Hi时的对数似然函数；表示第l个传感器子节点下信噪比估计值为调制类型为Hi时识别特征的均值；表示第l个传感器子节点下信噪比估计值为调制类型为Hi时识别特征的方差；各节点通过加权合并进行协作，其中权值系数表示所有子节点中信噪比的最大值；
步骤202：确定信噪比范围和信噪比变化步长，以该步长为间隔，按照公式计算出不同信噪比、不同调制类型下识别特征的均值和方差的理论值。其中snr表示信噪比，Hi表示调制类型，K表示独立重复实验的次数，Fnk表示第k次计算所得的第n个识别特征。
所述的多传感器接收中基于特征向量的最大似然调制识别方法，所述步骤三具体包括以下步骤：
步骤301：对待识别信号调制类型集合中的每种调制类型按照步骤二计算其对数似然函数值；
步骤302：比较上述对数似然函数值的大小，依据公式选取使步骤二中的对数似然函数取得最大值的信号调制类型作为识别结果。
所述的多传感器接收中基于特征向量的最大似然调制识别方法，所述步骤一中信号接收模型为：
rl(k)＝sl(k)+nl(k)
式中，k＝1，…，Ns表示采样信号点数，l＝1，…，L表示第l个传感器子节点，nl(k)表示双边功率谱密度为N0的零均值复高斯加性白噪声,sl(k)为已调信号。
本发明的有益效果是：本发明适用于多传感器非合作接收环境中，进行通信信号的调制方式识别。本发明根据调制信号提取识别特征向量，不仅通过多传感器接收的方法提高了接收增益，而且充分考虑不同传感器节点的差异性，考虑调制信号的识别特征所服从的分布，通过合理假设构造似然函数进行最大似然识别。由于使用多传感器进行接收，利用识别特征在不同条件下的均值和方差信息，采用了最大似然的思想，本发明提出的方法解决了非合作接收环境中通信信号监视等应用领域里信号调制方式识别正确率和可靠性的问题，该问题的解决对分布式调制识别以及后续的解调、信息获取具有重要的指导意义。
附图说明
图1是本发明的总体步骤图；
图2是本发明中各传感器子节点根据各自接收信号估计信噪比、提取识别特征、构造识别特征向量的步骤图；
图3是本发明中主节点构造基于识别特征向量的似然函数的步骤图；
图4是本发明中主节点根据构造的似然函数，在不同的调制类型假设下进行最大似然判决，获得识别结果的步骤图。
具体实施实例
实施例1：结合图1-图4，本发明针对多传感器非合作接收情况下利用特征向量构造似然函数进行最大似然调制识别的问题。以待识别信号调制类型集合{BPSK、QPSK、8PSK}为例，当传感器个数大于5个，符号个数大于300个，信噪比大于2dB时识别率可以达到100％。
多传感器接收中基于特征向量的最大似然调制识别方法的流程，如图1所示，包括以下步骤：
步骤一：各传感器子节点根据各自接收信号估计信噪比、提取识别特征、构造识别特征向量(F1,F2,…,FN)；步骤二：主节点构造基于识别特征向量的似然函数；步骤三：主节点根据构造的似然函数，在待识别信号调制类型集合中进行最大似然判决，获得识别结果。
本发明涉及的接收信号模型为：
rl(k)＝sl(k)+nl(k)
上式中，k＝1，…，Ns表示采样信号点数，l＝1，…，L表示第l个传感器子节点，nl(k)表示双边功率谱密度为N0的零均值复高斯加性白噪声,sl(k)为已调信号。
以待识别信号调制类型集合{BPSK、QPSK、8PSK}为例，其形式如下：
上式中，E是发射信号功率；T是符号持续时间；u(·)为矩形脉冲成型函数；fc为载波频率；θl是第l个传感器的载波相位偏差；fs表示采样速率；mk＝1，…，M表示基带符号；M＝2,4,8表示调制阶数。
本发明各传感器子节点根据各自接收信号估计信噪比、提取识别特征、构造识别特征向量(F1,F2,…,FN)的流程，如图2所示，具体过程如下：
步骤101：各传感器分别对接收信号进行功率归一化，即rl(k)表示第l个传感器接收到的第k个采样点，l＝1,2,…,L，L表示传感器个数，Ns表示接收信号采样序列长度。采用子空间法、M2M4方法、最大似然等方法对信噪比进行估计；
步骤102：根据归一化后的信号提取识别特征其中表示第l个传感器节点提取的第n个识别特征。构造识别特征向量(F1,F2,…,FN)，其中
以待识别信号调制类型集合{BPSK、QPSK、8PSK}为例，首先根据归一化后的信号序列计算二阶和四阶累积量：
传感器子节点根据二阶和四阶累积量的估计值按照下式进行信噪比粗估计：
根据四阶累积量的估计结果，构造如下的识别特征向量：
其中
本发明主节点构造基于识别特征向量的似然函数的流程，如图3所示，具体过程如下:步骤201：主节点根据步骤一中的识别特征向量(F1,F2,…,FN)构造基于识别特征向量的似然函数，为方便计算，对似然函数取自然对数构造对数似然函数如下式所示：
其中，待识别信号调制类型集合Mmod＝{mod1，mod2，...，modM}，表示各传感器子节点的信噪比估计向量；表示识别特征向量(F1,F2,…,FN)在各节点信噪比估计向量为调制类型为Hi时的对数似然函数；表示第l个传感器子节点下信噪比估计值为调制类型为Hi时识别特征的均值；表示第l个传感器子节点下信噪比估计值为调制类型为Hi时识别特征的方差；各节点通过加权合并进行协作，其中权值系数表示所有子节点中信噪比的最大值。
步骤202：确定信噪比范围和信噪比变化步长，以该步长为间隔，按照下式给出不同信噪比、不同调制类型下识别特征的均值和方差等参数的理论值。
当调制类型为Hi、信噪比为snr时，进行K次独立重复实验，每次计算所得的识别特征记为Fnk,k＝1,2,…K，当K→+∞时，识别特征Fn的均值和方差为：
取与信噪比估计值最临近的信噪比snr所对应的理论值作为该信噪比估计值所对应的理论值。
以待识别信号调制类型集合{BPSK、QPSK、8PSK}为例，根据步骤一中提取的识别特征向量(F1,F2)构造基于特征向量的对数似然函数为：
选取信噪比范围为[-6dB,10B],间隔为2dB，通过仿真计算可得各信噪比条件下BPSK、QPSK、8PSK三种调制类型的识别特征的均值和方差参数和的理论值如下表所示：
表1不同条件下识别特征F1的均值和方差理论值
表2不同条件下识别特征F2的均值和方差理论值
本发明主节点根据构造的似然函数，在待识别信号调制类型集合中进行最大似然判决，获得识别结果的流程如图4所示，具体过程如下：
步骤301：对待识别信号调制类型集合中的每种调制类型按照步骤二计算其对数似然函数值。
步骤302：比较上述对数似然函数值的大小，依据公式选取使步骤二中的对数似然函数取得最大值的信号调制类型作为识别结果。
以待识别信号调制类型集合{BPSK、QPSK、8PSK}为例，选取使步骤二中针对MPSK信号的对数似然函数取得最大值的信号调制类型作为识别结果。

Claims (2)

1.一种多传感器接收中基于特征向量的最大似然调制识别方法，其特征在于：该识别方法具体包括以下步骤：
步骤一：各传感器子节点根据各自接收信号估计信噪比、提取调制识别特征、构造识别特征向量(F1,F2,…,FN)；
所述步骤一具体包括以下步骤：
步骤101：各传感器分别对接收信号进行功率归一化，即rl(k)表示第l个传感器接收到的第k个采样点，l＝1,2,…,L，L表示传感器个数，Ns表示接收信号采样序列长度，采用子空间法、M2M4方法、最大似然等方法对信噪比进行估计；
步骤102：根据归一化后的信号提取识别特征其中表示第l个传感器节点提取的第n个识别特征，构造识别特征向量(F1,F2,…,FN)，其中
步骤二：在主节点构造基于调制识别特征向量的似然函数；
所述步骤二具体包括以下步骤：
步骤201：主节点根据步骤一中的识别特征向量(F1,F2,…,FN)构造基于识别特征向量的似然函数，为方便计算，对似然函数取自然对数构造对数似然函数公式：
其中，待识别信号调制类型集合Mmod＝{mod1，mod2，...，modM}， 表示各传感器子节点的信噪比估计向量；表示识别特征向量(F1,F2,…,FN)在各节点信噪比估计向量为调制类型为Hi时的对数似然函数；表示第l个传感器子节点下信噪比估计值为调制类型为Hi时识别特征的均值；表示第l个传感器子节点下信噪比估计值为调制类型为Hi时识别特征的方差；各节点通过加权合并进行协作，其中权值系数 表示所有子节点中信噪比的最大值；
步骤202：确定信噪比范围和信噪比变化步长，以该步长为间隔，按照公式计算出不同信噪比、不同调制类型下识别特征的均值和方差的理论值，其中snr表示信噪比，Hi表示调制类型，K表示独立重复实验的次数，Fnk表示第k次计算所得的第n个识别特征；
步骤三：在主节点根据构造的似然函数，在待识别信号调制类型集合中进行最大似然判决，获得识别结果。
2.根据权利要求1所述的多传感器接收中基于特征向量的最大似然调制识别方法，其特征在于：所述步骤三具体包括以下步骤：
步骤301：对待识别信号调制类型集合中的每种调制类型按照步骤二计算其对数似然函数值；
步骤302：比较上述对数似然函数值的大小，依据公式选取使步骤二中的对数似然函数取得最大值的信号调制类型作为识别结果。
CN201610867683.XA 2016-09-30 2016-09-30 多传感器接收中基于特征向量的最大似然调制识别方法 Active CN106452673B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610867683.XA CN106452673B (zh) 2016-09-30 2016-09-30 多传感器接收中基于特征向量的最大似然调制识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610867683.XA CN106452673B (zh) 2016-09-30 2016-09-30 多传感器接收中基于特征向量的最大似然调制识别方法

Publications (2)

Publication Number Publication Date
CN106452673A CN106452673A (zh) 2017-02-22
CN106452673B true CN106452673B (zh) 2019-06-28

Family

ID=58172440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610867683.XA Active CN106452673B (zh) 2016-09-30 2016-09-30 多传感器接收中基于特征向量的最大似然调制识别方法

Country Status (1)

Country Link
CN (1) CN106452673B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107340517B (zh) * 2017-07-04 2021-02-05 电子科技大学 一种多传感器多帧检测前跟踪方法
CN109547376A (zh) * 2018-12-17 2019-03-29 电子科技大学 一种基于调制特性的高斯混合模型的调制识别方法
CN110191073B (zh) * 2019-06-28 2021-08-31 华侨大学 一种适用于变化场景的基于深度学习的调制方式识别方法
CN111131108B (zh) * 2019-12-30 2022-05-20 哈尔滨工程大学 一种非合作水声ofdm子载波调制方式识别方法
CN111510408B (zh) * 2020-04-14 2021-05-07 北京邮电大学 信号调制方式识别方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102438334A (zh) * 2011-08-17 2012-05-02 南京邮电大学 一种多传感器节点分布式协作进行调制识别的方法
CN104158633A (zh) * 2014-09-09 2014-11-19 电子科技大学 一种基于混合高斯模型的最大似然调制识别方法
CN104852874A (zh) * 2015-01-07 2015-08-19 北京邮电大学 一种时变衰落信道下的自适应调制识别方法与装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102438334A (zh) * 2011-08-17 2012-05-02 南京邮电大学 一种多传感器节点分布式协作进行调制识别的方法
CN104158633A (zh) * 2014-09-09 2014-11-19 电子科技大学 一种基于混合高斯模型的最大似然调制识别方法
CN104852874A (zh) * 2015-01-07 2015-08-19 北京邮电大学 一种时变衰落信道下的自适应调制识别方法与装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Goran B. Marković.Cooperative modulation classification by using multiple sensors in dispersive fading channels.《IEEE 2014 22nd Telecommunications Forum Telfor》.2015,第II节. *
Goran B. Marković.Decision fusion methods for automatic modulation classification with multiple sensors in multipath fading channels.《IEEE EUROCON 2013》.2013,第II节. *

Also Published As

Publication number Publication date
CN106452673A (zh) 2017-02-22

Similar Documents

Publication Publication Date Title
CN106452673B (zh) 多传感器接收中基于特征向量的最大似然调制识别方法
Güner et al. Automatic digital modulation classification using extreme learning machine with local binary pattern histogram features
O'Shea et al. Learning approximate neural estimators for wireless channel state information
CN102144377B (zh) 用于硬限信号的信道估计与均衡
US9647797B2 (en) Collision detection using a multiple symbol noncoherent soft output detector
CN109657604A (zh) 基于循环神经网络的卫星幅相信号识别解调方法及装置
CN109889218A (zh) 一种单通道同频干扰识别与抵消方法
CN104852876A (zh) 一种航空无线突发通信***
CN110191073B (zh) 一种适用于变化场景的基于深度学习的调制方式识别方法
US10972141B2 (en) Method for estimating arrival time based on noise cancellation
CN106998586A (zh) 一种高动态环境中无线通信***的同步捕获方法
CN110138459A (zh) 基于基追踪去噪的稀疏水声正交频分复用信道估计方法及装置
CN101383629B (zh) 非相干能量检测uwb接收机误码率性能优化方法
CN109547376A (zh) 一种基于调制特性的高斯混合模型的调制识别方法
CN106877916B (zh) 一种基于广义空间调制***的星座点分块检测方法
Liu et al. Jamming recognition based on feature fusion and convolutional neural network
CN101764784A (zh) 多径信道下基于图像处理的正交幅度调制类内识别方法
Wang et al. A learning-based signal parameter extraction approach for multi-source frequency-hopping signal sorting
CN107196883B (zh) alpha稳定分布噪声衰落信道数字调制信号识别方法
CN102404044B (zh) 基于tdma技术的数字无线集群通信***中对上行信号的一种帧同步检测方法及帧同步检测装置
CN104702540A (zh) 一种用于小区边缘终端的信号接收优化方法
CN115396270B (zh) 基于数据类型识别的调频信号时频同步***及方法
CN104270328B (zh) 一种信噪比实时估计方法
CN102158254A (zh) 信号接收方法及装置
CN101292485B (zh) 适用于edge***的自适应8psk解调的方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant