[发明专利]一种基于KL散度的通信信号图域特征提取方法

说明书

本发明公开了一种基于KL散度的通信信号图域特征提取方法，利用通信信号的循环谱，在保证算法鲁棒性的前提下实现了特征序列的自动构建；具体讲，本发明首先通过图域映射理论，将通信信号的循环谱转换为一系列邻接矩阵，并提取邻接矩阵中的元素构建特征序列备选集；然后对特征序列备选集中的每一个索引，根据每种调制类型在该索引处元素值的大小确定主调制类型，并计算主调制类型相对其他调制类型的KL散度；最后根据KL散度的大小来建立每种调制类型的特征序列。

技术领域

本发明属于信号处理技术领域，更为具体地讲，涉及一种基于KL散度的通信信号图域特征提取方法。

背景技术

自动调制分类(AMC)可以在很少或没有先验知识的情况下识别接收信号的调制类型，广泛应用于军事和民用通信。典型的自动调制识别方法通常分为两类：基于最大似然的方法(ML)和基于特征提取的方法(FB)。基于最大似然的方法是一种基于假设检验的理论，通过接收信号的似然函数，将似然比与一个门限值做比较做出判决，这种方法可以得到贝叶斯意义上的最优解，但是也存在诸多弊端；基于特征识别的方法包括特征提取(FE)和模式识别(PR)两个阶段，特征提取阶段从接收到的未知信号中提取若干参考特征，然后在模式识别阶段根据提取的特征判断信号的调制类型，这种方法虽然不是最优的但实施效率相比前者较高。但两种方法都需要系统提供较高的运算能力，难以用于一些实时性要求较高而系统资源受限的特殊应用场合；现有识别方法在处理实际无线通信信号时性能严重恶化，实际工程应用中鲁棒性差。

基于图域的自动调制分类(AMC_G)第一次将AMC变换到图形域，并且已经实现了比现有PR和基于LB的决策理论算法更优的性能。该方法利用调制信号的循环谱，依据循环频率将循环谱映射到图域，构建为加权有向环，手动记录邻接矩阵次对角线上的非零项，这些非零项被构建为有效特征参数。然而在AMC_G中的整个图域特征构建是通过人工进行的，计算十分繁琐，工作量大，如果不适当地选择特征序列，容易造成较大的误差，通常会影响识别效果。这就需要一种科学地选择特征的方法，用于AMC_G特征的自动构建。

KL散度用来表示两个随机分布的差异，通过计算某种调制类型相对于其他调制类型的KL散度并根据其大小进行排序，可以实现信号图域特征的自动构建，提取较少数量的特征达到更优化的性能，在避免人工参与特征构建的同时保证AMC_G的鲁棒性。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于KL散度的通信信号图域特征提取方法，在保证算法鲁棒性的前提下实现无人工参与的特征序列自动构建。

为实现上述发明目的，本发明一种基于KL散度的通信信号图域特征提取方法，其特征在于，包括以下步骤：

(1)、通信信号图域映射

(1.1)、设置调制类型候选集M^def，M^def＝{M₁,M₂,...,M_K}，其中，M_k表示第k种调制类型，k＝1,2,...,K，K表示调制类型总数；

(1.2)、利用FAM算法计算通信信号x(n)的循环谱其中，α为循环频率，α的取值为[α₁,α₂,…,α_p]，p为循环频率的取值个数，f为x(n)的频率，再对循环谱进行归一化和量化处理得到谱

(1.3)、在谱中，根据的对称性，在每种调制类型下取α和f均为正的四分之一谱映射到图域，得到一个图集其中，表示第k种调制类型下循环频率为α_τ时的一个图，τ＜p；将图集中的每一个图转换为一个邻接矩阵，建立起相应的邻接矩阵集由图转换成的邻接矩阵；

同理，建立其余调制类型下的邻接矩阵集；

(2)、构建特征序列备选集