[发明专利]一种基于瞬时特征统计量和BP神经网络的调制识别方法

摘要

本发明公开了一种基于瞬时特征统计量和BP神经网络的调制识别方法。该方法主要是以5个瞬时特征作为已知待识别调制信号的集合的特征参数，以BP神经网络作为识别器，网络输出是一个十行的列向量，每次输出的列向量中只有一个元素为1，其它均为零，从而判定识别的结果。识别的对象为：ASK、FSK、PSK、QAM。每种信号均是经过高斯白噪声。相比于传统的调制信号识别，本技术方案的优点是灵活性大，由于采用神经网络作为识别器，当需要识别不同的已知的信号集合时，只需根据不同信号的差异性，选择能够区分的特征参数；并且，特征参数不仅仅局限于瞬时特征，还可以选择高阶累积量，小波变换特征等，所以特征参数的选择可以根据待识别信号的不同而灵活变换。

主权项

1.一种基于瞬时特征统计量和BP神经网络的调制识别方法，其特征在于，包括以下步骤：步骤1)产生各种标准信号集合，待识别的信号有十种：2ASK、4ASK、8ASK2FSK、4FSK、8FSK、BPSK、4PSK、8PSK、16QAM信号，分别代表三大类：幅度调制、频率调制、相位调制、正交幅度调制；每种调制信号可以通过数字信号调制原理产生，每种调制信号产生的方法已经趋于成熟；步骤2)特征参数，此处主要选择5个瞬时特征参数作为特征参数：(2‑1).零中心归一化瞬时幅度之谱密度的最大值γ_max，其公式为：其中N为采样点数，A(i)_cn为零中心归一化瞬时幅度，A(i)_cn＝A(i)_n‑1；其中而为瞬时幅度A(i)的平均值；零中心归一化瞬时幅度谱的最大值γmax表明了信号瞬时幅度的变化情况，反映调制信号的包络的变化特性，以此区分恒包络和非恒包络的调制方式；所以γ_max主要用于识别FSK信号和ASK、PSK信号；(2‑2).零中心非弱信号段瞬时相位非线性分量的标准偏差б_dp，其公式为其中，C为N个采样数据中属于非弱信号值的个数，非弱信号是指信号幅度大于判决门限电平a的信号；ф(i)_nl是经过零中心化处理后瞬时相位的非线性分量；在载波完全同步时，有：ф(i)_nl＝ф(i)‑ф(0),其中ф(i)为无折叠相位；б_dp表征信号瞬时相位的变化情况，区分ASK信号和2PSK信号；(2‑3).零中心归一化瞬时幅度绝对值得标准偏差б_aa，公式为归一化瞬时幅度绝对值得标准偏差б_aa表征信号的绝对值幅度信息，用来进行ASK的类内区分，区分2ASK和4ASK、8ASK；(2‑4).零中心非弱信号段瞬时相位的非线性分量绝对值的标准差б_ap，公式为一个信号段的若干非微弱信号区内计算得到的瞬时相位的非线性分量的绝对值的标准差，表征信号瞬时绝对相位的变化情况，区分4PSK和2ASK、2PSK；(2‑5).零中心归一化非弱信号段瞬时频率绝对值的标准偏差，其中r_b为信号速率,f(i)为信号的瞬时频率；归一化中心瞬时频率的绝对值标准差б_af表征信号的绝对频率信息，用来类内区分2FSK和4FSK、8FSK；每个特征参数相互区分至少两种不同的信号，这是信号的识别的基础；步骤3)BP神经网络的结构分析和BP算法的推导，中神经网络分为输入层、中间层、输出层；输入层有5个神经元，对应5个输入的特征参数，中间层有15个神经元，输出层有10个神经元，对应于10路输出；BP神经网络是一个前向型神经网络，采用自适应学习速率的梯度下降法作为BP神经网络的算法，需要确定网络参数，首先是输入层与中间层、中间层与输出层之间的连接权值，以及每层每个神经元的阈值；其次选取判别函数，这里选取S型函数，即步骤4)训练网络，采用的载波频率为20000Hz,码元速率为40000Hz,采样率为40000Hz,单位码元周期内的采样点为200个，码元个数为64；每种调制信号采样12800个离散点；每种信号30组由特征参数组成的特征向量作为数据训练网络；使用已进行训练完成的神经网络分类器对剩下50组的信号特征向量组识别。