CN112134818A

CN112134818A - 一种水声信号调制方式自适应类内识别方法

Info

Publication number: CN112134818A
Application number: CN202011007851.0A
Authority: CN
Inventors: 王景景; 闫正强; 董新利; 杨星海; 施威; 刘世萱; 李海涛; 徐凌伟
Original assignee: Qingdao University of Science and Technology
Current assignee: Qingdao University of Science and Technology
Priority date: 2020-09-23
Filing date: 2020-09-23
Publication date: 2020-12-25
Also published as: CN112737992B; CN112737992A

Abstract

本发明公开了一种水声信号调制方式自适应类内识别方法，包括：首先进行水声信号调制方式类间识别：如果类间识别出MFSK调制方式的水声信号，则将水声信号进行希尔伯特变换；再利用模糊评判算法计算出MFSK调制的阶数M；如果类间识别出MPSK或MQAM调制方式的水声信号，将信号进行处理后，得到二维的信号星座图；再使用二次聚类算法处理信号星座图，判断MPSK或MQAM调制的阶数M。本发明能够应用于多种调制方式类内识别，解决了现有技术对于其他调制方式识别性能有限的问题；且自适应特征提取与针对提取特征特点采用不同判别方法，提高了类内识别的准确度，最终实现有针对性、高准确率的水声信号调制方式自适应类内识别。

Description

一种水声信号调制方式自适应类内识别方法

技术领域

本发明属于水声通信技术领域，具体地说，涉及一种水声信号调制方式自适应类内识别方法。

背景技术

水下无线数据传输技术是获取海洋状态信息、实现海洋监测的关键技术，而水声通信传播损耗小、传输距离远，因此获取水下数据的主要途径需要依靠水声通信技术。应用于水声通信***的自适应调制编码(Adaptive modulation coding，AMC)大大提高了数据传输的效率，该技术可根据通信***信道状况的变化，自适应选择最佳调制编码方式，充分提高了水声通信的信息传输效率。然而这种基于多调制方式的通信***，通信双方需要通过握手信号确定当前采用的调制方式，而水下复杂的信道环境会导致握手信号出错，可能导致接收端采用不正确阶数的解调方式。而调制方式识别能够帮助接收端自动识别信号的调制方式。

调制方式识别有类间识别与类内识别两大内容，类间识别是识别信号的调制类型，类内识别是进一步识别出调制阶数。与类间识别相比，类内识别由于识别特征不明显而更加困难。目前在水声信号的调制方式类内识别方面方法有：利用设计的自动调制分类***对调制方式进行识别，在信噪比为-10dB～40dB的情况下，使得MPSK和MFSK信号的类内识别率维持较高水准；在不同数据集上训练的卷积神经网络对信号进行识别，在低信噪比下可有效识别QAM的调制阶数；利用了MPSK信号M次方谱在M倍载频处存在线谱特征的基本原理，针对直接估计高次谱对小信号抑制效应的不足，采用解析信号构造高次谱，以提高处理增益，提高低信噪比下的PSK信号类内识别性能。

上述方法只能用于识别少数甚至一类调制方式，对于其他调制方式的识别性能有限，极大地限制了识别方法的应用。

发明内容

本发明的目的是提供了一种水声信号调制方式自适应类内识别方法，以弥补现有技术的不足。

为实现上述发明目的，本发明采用下述技术方案予以实现：

一种水声信号调制方式自适应类内识别方法，包括以下步骤：

S1：首先进行水声信号调制方式类间识别：

S2：如果类间识别出MFSK调制方式的水声信号，则将水声信号进行希尔伯特变换；再利用模糊评判算法计算出MFSK调制的阶数M；

S3：如果类间识别出MPSK或MQAM调制方式的水声信号，将信号进行处理后，得到二维的信号星座图；再使用二次聚类算法处理信号星座图，判断MPSK或MQAM调制的阶数M。

进一步的，所述S1具体为：计算水声信号的谱特征与熵特征；采用主分量分析法对提取的特征进行降维与去噪处理；选取稠密神经网络作为训练模型，去除其池化层，利用现有的真实数据进行预训练，再根据实际的水声信号，调整所述神经网络中全连接层参数，使其适应目标海域，即得到训练好的模型；再将经过降维与去噪处理的特征进行归一化与维度变更处理输入到训练好的模型中，完成类间识别。

当然，如果采取其他现有方式完成类间设别也在本发明技术方案考虑之下。

进一步的，所述S2中希尔伯特变换具体为：计算出信号瞬时频率f(t)；对瞬时频率f(t)取绝对值并进行归一化处理，得到信号归一化瞬时频率f_u(t)；同时，将信号进行小波变换，记为CHWT_MFSK；将小波变换后的信号取绝对值并中值滤波后，得到信号小波变换频率直方图。

更进一步的，所述信号归一化瞬时频率的计算方法为，

其中，f(t)为信号瞬时频率，abs为取绝对值函数，max为取最大值函数，N为f(t)自变量的最大取值；

信号小波变换的计算方法为，

其中，a是缩放尺度，即变换尺度，τ为时间平移，

是振幅信号的功率，ω_i为第i个信号未调载波角频率，ω_c为调制载波角频率，θ_c为载波初始相位。

进一步的，所述S2中模糊评判算法具体为：针对MFSK调制方式的水声信号，将信号归一化瞬时频率f_u(t)进行中值滤波，统计得出信号归一化瞬时频率f_u(t)的阶梯层数

统计得出信号小波变换频率直方图的峰值个数F_M，利用模糊评判算法，将信号的小波变换频率直方图的峰值数F_M及归一化瞬时频率统计阶梯层数

集合A与理论条件下MFSK调制对应水声信号的特征值集合B相比较、判断，计算出MFSK调制的阶数M。

更进一步的，模糊评判算法所基于的欧几里德贴近度定义为，

其中，A(u_i)表示A集合的u_i元素，B(u_i)表示B集合中对应的u_i元素，K为集合A与集合B的元素个数；计算待识别信号与各阶理想FSK调制信号的欧式贴近度，若满足：

(A,B_i)＝Max[N(A,B₁),N(A,B₂),...,N(A,B_n)]

Max为寻找最大值函数；

则认为A最贴近B_i，并将A识别为B_i所属的调制方式。

进一步的，所述S3中将水声信号进行下变频、匹配滤波等处理后，得到的码元复基带信号，将该信号序列进一步处理后，得到二维的信号星座图。

进一步的，所述S3中再使用二次聚类算法处理信号星座图，首先采用基于信噪比的自适应减法聚类获得初始聚类数目S，然后利用C均值聚类法进一步提高聚类性能，最后统计出聚类个数，判断MPSK或MQAM调制的阶数M。

本发明的优点和有益效果是：

本发明针对调制方式对相位和频率特征变化的敏感度不同而采用差异化类内识别方法，根据不同调制方式的特点提取特征，采用模糊评判法识别MFSK调制方式、采用二次聚类算法识别MPSK和MQAM调制方式，以实现水声通信常见多种调制方式的准确类内识别。

本发明能够应用于多种调制方式类内识别，解决了现有技术方法仅对一种调制方式有效，而对于其他调制方式识别性能有限的问题；且自适应特征提取与针对提取特征特点采用不同判别方法，提高了类内识别的准确度，最终实现有针对性、高准确率的水声信号调制方式自适应类内识别。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明中一种实施例技术流程图。

图2是本发明中一种实施例的信号频率直方图。

图3是本发明中一种实施例中信号星座图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合附图和实施例，对本发明作进一步详细说明。

实施例1，在水下通信领域，使用了自适应调制编码技术的通信***中，本发明在调试方式类间识别之后，提出的一种水声信号调制方式自适应类内识别方法包括自适应特征提取步骤与识别步骤。

其中，调制方式类间识别步骤，包括：

S11、用于类间识别的特征提取与处理步骤，包括：

S111、求出调制信号的功率谱、奇异谱、包络谱、平方谱及四次方谱，计算信号的谱特征与熵特征；所述谱特征：Q参数、功率谱谱峰数、R参数、零中心归一化瞬时幅度谱密度的最大值γ_max；所述熵特征：功率谱香农熵、功率谱指数熵、奇异谱香农熵、奇异谱指数熵、频谱幅度香农熵、频谱幅度指数熵、相位谱香农熵、相位谱指数熵。

S112、采用主分量分析法对提取的特征进行降维与去噪处理。

S12、神经网络训练步骤，包括：

S121、使用已有的少量海试数据与仿真数据，利用贪心算法对改进型稠密神经网络进行预训练，该网络模型在原稠密神经网络的基础上，剔除用于精简特征的池化层，避免因池化作用引起的重要特征丢失；

S122、将预训练好的改进型稠密神经网络投入目标海域，根据实际的水声信号，微调神经网络中全连接层参数，使其适应目标海域。

S13、类间识别步骤，包括：

S131、对经过降维与去噪处理的特征进行归一化与维度变更，使特征满足神经网络的输入类型要求；对提取特征进行归一化与维度变更；

特征归一化公式为：

X为原始特征数据，X′是归一化后的数据，Max与Min分别为特征数据的最大值和最小值；

维度变更具体为：

将原始的n×m维的特征数据转化成适合稠密神经网络的n×m×1维的特征数据，特征数据的特征数量不发生变化，但在逻辑上由二维变为三维。

S132、将特征输入到训练好的改进型稠密神经网络中，网络根据特征输出MFSK、MPSK或MQAM调制类型，完成调制方式类间识别。

基于上述类间识别结果，调制方式类内识别步骤，包括：

S21、自适应特征提取步骤，如图1所示，包括，

S211、针对类间识别出的MFSK调制方式的水声信号，将信号进行希尔伯特变换，计算出信号瞬时频率f(t)，f(t)的计算方法如下：

设待识别信号为s(t)，其解析信号表达式为

z(t)＝s(t)+j·y(t)

其中，

其中H表示希尔伯特变换，P表示柯西主值区间，τ为时间平移。定义，

则瞬时频率可表示为：

对瞬时频率f(t)取绝对值并进行归一化处理，得到信号归一化瞬时频率f_u(t)，f_u(t)的计算方法如下：

其中，f(t)为信号瞬时频率，abs为取绝对值函数，max为取最大值函数，N为f(t)自变量的最大取值。

同时，将信号进行小波变换，记为CHWT_MFSK，其计算方法如下：

信号s(t)的小波变换定义如下：

其中，a是缩放尺度，即变换尺度，τ是时间平移，*为复共轭，Ψ(t)为小波母函数，Ψ_a(t)为对母函数进行缩放与平移后得到的子小波函数。

因为缩放尺度a制约了小波变换后的信噪比增益，而信号的信噪比越高，其幅度方差就越大，则小波变换模序列的直方图中的峰值就越加清晰，调制阶数识别的准确度就越高。因此，在对信号进行小波变换之前，需首先确定小波变换的缩放尺度a。假设R和R_WT分别为变换前后的信噪比，则信噪比增益与变换尺度a间的关系可表示为：

其中，f_c与f_s分别为***的中心频率与采样速率。小波变换后如果G_SNR>1，则说明变换后的信噪比增加，调制识别准确率就会提高。本实施例根据式G_SNR所示的关系计算寻找最优变换尺度a。

确定小波变换尺度后，然后进行小波变换。在一个码元周期内，通带MFSK调制的水声信号可表示为：

其中，iT_MFSK≤t≤(i+1)T_MFSK；

是振幅信号的功率；ω_c为调制载波角频率；ω_n＝mΔω，m＝1,2,Λ,M，Δω为码元相对于频率的变化量；θ_c为载波初始相位；g_T为单位振幅的矩形函数，T为符号周期。该信号经小波变换后的表达式为：

其中，a是缩放尺度，

是振幅信号的功率，ω_c为调制载波角频率，θ_c为载波初始相位，ω_i为第i个信号未调载波角频率。

将小波变换后的信号取绝对值并中值滤波后，得到信号小波变换频率直方图，2FSK与4FSK小波变换后的频率直方图如图2所示；

针对类间识别出的MPSK与MQAM调制方式的水声信号，将信号进行下变频、匹配滤波等处理后，得到的码元复基带信号，可表示为：

其中，R_k为信号幅度，n_k为对应的噪声样点，N为序列数。

将该序列进一步处理后，得到二维的信号星座图，MQAM的星座图如图3所示。

S22、识别步骤，包括：

S221、针对MFSK调制方式的水声信号，将信号归一化瞬时频率f_u(t)进行中值滤波，统计得出信号归一化瞬时频率f_u(t)的阶梯层数

统计得出信号小波变换频率直方图的峰值个数F_M。利用模糊评判算法，将信号的小波变换频率直方图的峰值数F_M及归一化瞬时频率统计阶梯层数

进一步的，模糊评判算法所基于的欧几里德贴近度定义为，

其中，A(u_i)表示A集合的u_i元素，B(u_i)表示B集合中对应的u_i元素，K为集合A与集合B的元素个数。

进一步的，计算待识别信号与各阶理想FSK调制信号的欧式贴近度，若满足：

(A,B_i)＝Max[N(A,B₁),N(A,B₂),...,N(A,B_n)]

其中，Max为寻找最大值函数。

则认为A最贴近B_i，并将A识别为B_i所属的调制方式。

S222、使用二次聚类算法处理信号星座图，假设R＝{r_n,k,k＝1,2,Λ,N}是需要识别的码元复信号序列。二次聚类算法首先采用基于信噪比的自适应减法聚类获得初始聚类数目S，然后利用C均值聚类法进一步提高聚类性能。基于信噪比的自适应减法聚类首先计算每个样本点的密度指标值，其密度指标函数如下：

其中，SNR为信噪比值；γ_a(SNR)是基于信噪比的密度指标领域，表征了信号点的聚合程度及聚类半径的大小；K_a为性能调整系数，通过调整该值找到聚类半径与噪声的关系；P_n表示信号的平均噪声功率；N为码元复信号序列长度。

在计算每个样本点密度指标后，选择最大指标值对应的样本点为聚类中心，然后修正每个样本点的密度指标。令该点为r_nc,1，其密度指标为D_nc,1，则密度指标的修正如下：

其中，K_b为常数，表征密度指标显著减小的邻域半径的调整系数，一般大于K_a，以避免出现相距很近的聚类中心。P_n表示信号的平均噪声功率。修正了每个点的密度指标后，选定下一个聚类中心r_nc,2，再次修正所有样本点的密度指标。不断重复该过程，直至所有样本点均被分类。

需要注意的是，从第二次选出聚类中心开始，需要判断选出的聚类中心是否为新类的中心。假设已找到1个聚类中心为r_nc＝{r_nc,1,r_nc,2,Λ,r_nc,l}，然后计算出第l+1个具有最大密度指标的样本点为r_nc,l+1，然后判断该点是否为新类的中心，判断式如下：

min{||r_nc,k-r_nc,l+1||²}＞K_cP_n,k＝1,2,Λ,l

其中，min为取最小值函数，K_c为调整系数，P_n表示信号的平均噪声功率。经过判断后，若该点不是新类中心，则结束重复过程。

上述减法聚类可获得初始聚类数S，然后进行第二次C均值聚类提高性能。设m_i(i＝1,2,Λ,S)为每个聚类的中心，N_i为Γ_i类中的样本数目。则第二次C均值聚类步骤为：

根据距离平方最小原则、平均噪声功率P_n和聚类有效半径K_d，将所有样本点划分到初始聚类中心代表的类中：

Γ_i＝{r_n,j,j＝1,2,Λ,N_i},i＝1,2,Λ,S

其中，r_n,j应满足：

对类中所有样本点取均值，得到新的聚类中心：

r为Γ_i类的样本点，N_i为对应样本点个数。

找出所有聚类中心点间的最小值：

d_min＝||m_a-m_b||²

其中，a,b＝1,2,Λ,i且a≠b。

根据聚类结束半径判断聚类中心间是否过近，判断依据为：

d_min＜K_uP_n

其中，Ku为判定系数，Pn为信号的平均噪声功率。

如果满足上式，则将这两类中聚类中心的平均值作为合并后新的聚类中心，总的聚类数变为S＝S-1。

重复以上步骤，直至上式不成立。求解所有类中各样本与聚类中心的平方和：

其中r为Γ_i类的样本点，m为聚类中心，S是总的聚类数。

代价函数J_e的曲线斜率近似为0时，结束上述循环，并给出最终聚类中心点，最后统计出聚类个数，判断MPSK或MQAM调制的阶数M。

以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。

Claims

1.一种水声信号调制方式自适应类内识别方法，其特征在于，包括以下步骤：

S1：首先进行水声信号调制方式类间识别：

2.如权利要求1所述的类内识别方法，其特征在于，所述S1具体为：计算水声信号的谱特征与熵特征；采用主分量分析法对提取的特征进行降维与去噪处理；选取稠密神经网络作为训练模型，去除其池化层，利用现有的真实数据进行预训练，再根据实际的水声信号，调整所述神经网络中全连接层参数，使其适应目标海域，即得到训练好的模型；再将经过降维与去噪处理的特征进行归一化与维度变更处理输入到训练好的模型中，完成类间识别。

3.如权利要求1所述的类内识别方法，其特征在于，所述S2中希尔伯特变换具体为：计算出信号瞬时频率f(t)；对瞬时频率f(t)取绝对值并进行归一化处理，得到信号归一化瞬时频率f_u(t)；同时，将信号进行小波变换，记为CHWT_MFSK；将小波变换后的信号取绝对值并中值滤波后，得到信号小波变换频率直方图。

4.如权利要求3所述的类内识别方法，其特征在于，所述信号归一化瞬时频率的计算方法为，

信号小波变换的计算方法为，

其中，a是缩放尺度，即变换尺度，τ为时间平移，

5.如权利要求1所述的类内识别方法，其特征在于，所述S2中模糊评判算法具体为：针对MFSK调制方式的水声信号，将信号归一化瞬时频率f_u(t)进行中值滤波，统计得出信号归一化瞬时频率f_u(t)的阶梯层数

6.如权利要求5所述的类内识别方法，其特征在于，模糊评判算法所基于的欧几里德贴近度定义为，

其中，A(u_i)表示A集合的u_i元素，B(u_i)表示B集合中对应的u_i元素，K为集合A与集合B的元素个数；计算待识别信号与各阶理想FSK调制信号的欧式贴近度，若满足：(A,B_i)＝Max[N(A,B₁),N(A,B₂),...,N(A,B_n)]

则认为A最贴近B_i，并将A识别为B_i所属的调制方式。

7.如权利要求1所述的类内识别方法，其特征在于，所述S3中将水声信号进行下变频、匹配滤波等处理后，得到的码元复基带信号，将该信号序列进一步处理后，得到二维的信号星座图。

8.如权利要求1所述的类内识别方法，其特征在于，所述S3中再使用二次聚类算法处理信号星座图，首先采用基于信噪比的自适应减法聚类获得初始聚类数目S，然后利用C均值聚类法进一步提高聚类性能，最后统计出聚类个数，判断MPSK或MQAM调制的阶数M。