基于多節(jié)點信息融合和協(xié)作的信號調(diào)制方式識別

楊單，李超鋒，楊健

1.中南民族大學(xué)管理學(xué)院，武漢 430074

2.華中科技大學(xué)計算機(jī)學(xué)院，武漢 430074

基于多節(jié)點信息融合和協(xié)作的信號調(diào)制方式識別

楊單1，2，李超鋒1，楊健1

1.中南民族大學(xué)管理學(xué)院，武漢 430074

2.華中科技大學(xué)計算機(jī)學(xué)院，武漢 430074

針對單節(jié)點在低信噪比環(huán)境下調(diào)制識別率低的難題，提出了基于一種多節(jié)點信息融合和協(xié)作的信號調(diào)制方式識別方法。首先設(shè)計多個傳感器節(jié)點協(xié)作方案，并提取每節(jié)點特征，然后中心節(jié)點將各節(jié)點特征進(jìn)行融合，最后采用最小二乘支持向量機(jī)建立信號調(diào)制分類器。仿真結(jié)果表明，相比于其他信號調(diào)制識別方法，該方法提高了信號調(diào)制識別精度，對信噪比環(huán)境具有更好的自適應(yīng)性。

調(diào)制識別；分布式協(xié)作；最小二乘支持向量機(jī)；無線傳感器網(wǎng)絡(luò)

隨著數(shù)字通信技術(shù)的發(fā)展，信號調(diào)制識別可以正確判斷通信信號的調(diào)制方式，在民用和軍用領(lǐng)域得到了廣泛的應(yīng)用[1]。隨著信號環(huán)境越來越復(fù)雜，信號調(diào)制方式呈多樣化發(fā)展趨勢，如何有效地對信號調(diào)制方式進(jìn)行準(zhǔn)確、有效的識別，成為軟件無線電、通信對抗、頻率管理、非授權(quán)無線接入等研究領(lǐng)域中的重大課題，并引起了人們的廣泛關(guān)注[2]。

針對通信信號調(diào)制方式的識別，國內(nèi)外專家和學(xué)者進(jìn)行了大量深入的研究，目前分為理論決策法和模式識別法兩種自動識別方法[3]。然而，當(dāng)前通信信號調(diào)制研究基本上僅限于單接收節(jié)點，識別性能與信道質(zhì)量和信號強(qiáng)度直接相關(guān)，當(dāng)處于低信噪比和惡劣信道條件下，單接收節(jié)點的信號調(diào)制識別率低[4]。隨著無線傳感網(wǎng)絡(luò)技術(shù)的不斷發(fā)展和成熟，分布式信號檢測、估計和識別算法日益受到關(guān)注。SU等提出了基于分布式的調(diào)制識別方法，其不需要同步接收信號，具有傳輸數(shù)據(jù)量小、穩(wěn)定等優(yōu)點，但存在原始信息丟失嚴(yán)重現(xiàn)象，性能有待進(jìn)一步提高[5]。程漢文等提出了基于信息融合的信號調(diào)制方式識別方法，從多次層次對信息進(jìn)行融合，一定程度上提高了信號調(diào)制方式的識別正確率，但存在融合效率低等不足[6]。劉愛聲等提出了多傳感器節(jié)點分布式協(xié)作調(diào)制識別方法，具有簡單、能耗低、識別性能好等優(yōu)點，但只針對特定的網(wǎng)絡(luò)環(huán)境，存在通用性差的不足[7]。包錫銳提出了基于高階累積量的數(shù)字調(diào)制信號識別方法，較好地抑制高斯白噪聲的不利影響，但是其魯棒性差[8]。隨后，汪偉提出一種新的分布式協(xié)作調(diào)制識別方法，采用支持向量機(jī)作為調(diào)制信號的分類器，較好解決了其他識別算法存在的不足[9]。但是支持向量機(jī)存在訓(xùn)練時間長、效率低等，而最小二乘支持向量機(jī)是一種改進(jìn)支持向量機(jī)，可以加快訓(xùn)練速度，提高信號調(diào)制方式的識別程度[10]。

針對低信噪比時單接收節(jié)點調(diào)制識別率低的問題，提出基于一種多節(jié)點信息融合和協(xié)作的信號調(diào)制方式識別方法。首先設(shè)計多個傳感器節(jié)點協(xié)作方案，并提取每節(jié)點特征，然后中心節(jié)點將各節(jié)點特征進(jìn)行融合，最后采用最小二乘支持向量機(jī)建立信號調(diào)制分類器，并采用仿真實驗測試本文方法的識別性能，給出較其他識別方法的優(yōu)越性。

1 分布式協(xié)作的無線傳感器網(wǎng)絡(luò)系統(tǒng)模型

無線傳感器網(wǎng)絡(luò)由大量隨機(jī)分布在監(jiān)測區(qū)域內(nèi)的體積小、成本低、功耗低的傳感器節(jié)點通過自組形式形成的絡(luò)系統(tǒng)，其不斷地對監(jiān)測區(qū)域內(nèi)目標(biāo)狀態(tài)信息進(jìn)行采集和處理，然后通過中心節(jié)點的對信息融合發(fā)送到觀察者[11]。本文的分布式協(xié)作網(wǎng)絡(luò)系統(tǒng)模型如圖1所示。圖1中S1，S2，…，Sm表示傳感器節(jié)點，隨機(jī)部署于監(jiān)測區(qū)域內(nèi)，對目標(biāo)信息進(jìn)行感知；主節(jié)點內(nèi)含最小二乘支持向量機(jī)分類器對調(diào)制信號類型埋識別。

圖1 系統(tǒng)模型

2 分布式協(xié)作方案

2.1 特征提取與分析

信號特征是區(qū)分信號類型的重要參數(shù)，當(dāng)前有許多種特征用于信號識別[12]。在參考了相關(guān)文獻(xiàn)資料的基礎(chǔ)上，本文選取基于統(tǒng)計信息特征對BPSK、QPSK、8PSK、16QAM等4種調(diào)號進(jìn)行識別研究。對一個零均值的復(fù)隨機(jī)過程X(t)，其P階混合矩計算公式為：

式中，*表示函數(shù)的共軛，高階累積量分別定義如下：

圖2 不同高階累積量與信噪比的變化曲線

通過仿真實驗，對數(shù)字調(diào)制信號的高階累積量進(jìn)行分析，得到結(jié)果如圖2所示。由圖2知，從信號的高階累積量中提取特征參數(shù)，可以實現(xiàn)C40，C63，C42，C4的分類和識別。

2.2 分布式協(xié)作方案

大量研究結(jié)果表明，單節(jié)點的調(diào)制識別方法對信道質(zhì)量和信號強(qiáng)度十分敏感，同時必須提取信號的全部特征值，能量消量較大，而在無線傳感網(wǎng)中，可采用多個傳感器節(jié)點協(xié)作方式提高信號識別性能，更適合周圍變化的信噪比環(huán)境[13-14]。但是由于不同傳感器節(jié)點之間性能具有差異，采用等值加權(quán)方法對每一個特征根據(jù)信噪比進(jìn)行加權(quán)，無法反映傳感器節(jié)點的多樣性，而且能量消耗比較大，導(dǎo)致節(jié)點過早死亡，為此劉愛聲等根據(jù)每節(jié)點信噪比大小提取不同的特征值，這樣節(jié)點的能耗降低，識別性能優(yōu)于單節(jié)點，但該方法忽略了信噪比環(huán)境變化情況，適合性較差，所以需要考慮不同特征值所適用的信噪比區(qū)間。對圖2中的C42與信噪比的變化關(guān)系進(jìn)行分析可知，當(dāng)信噪比達(dá)到2 dB時，各種信號的C42相當(dāng)穩(wěn)定，這樣如果某節(jié)點信噪比大于等于2 dB，那么就認(rèn)為此節(jié)點提取特征C42是可靠的，不然就不可靠，這樣信噪比區(qū)間和相應(yīng)的可靠高階累積量見表1。

表1 信噪比區(qū)間和相應(yīng)的可靠高階累積量

從表1可知，信噪比要求由高到底依次為C40、C63、C42、C41。根據(jù)表1的結(jié)果，本文提出了一種多節(jié)點信息融合和協(xié)作的信號調(diào)制方法，具體流程如圖3所示。

圖3 分布式協(xié)作方案的工作流程圖

以4個節(jié)點為例，所對應(yīng)網(wǎng)絡(luò)的具體分布式協(xié)作方案如下：

（1）搜索信噪比位于[6，+∞)的節(jié)點，傳感點節(jié)點個數(shù)為num1，如果num1=1，那么該節(jié)點提取所有特征值；如果num1≥2，在同一節(jié)點求取含有相同高階矩的高階累積量。

（2）如果num1=0，查找信噪比位于[4，6)的節(jié)點，傳感器節(jié)點個數(shù)為num2；如果num2=1，那么，該節(jié)點提取所有特征值；如果num2=2，則是認(rèn)為到C40不在穩(wěn)定信噪比區(qū)間，用最大信噪比點來求取C40，并采用另一個節(jié)點提取位于穩(wěn)定區(qū)間的C41/C42/C63，由表2，信噪比最大點求取C40/C41，次大點提取C42/C63。同理，當(dāng)num2=3時，最大的信噪比點來求取C40，次大點求取C42/C63，次次大點求取C41。同理，當(dāng)num2=4時，最大的信噪比點來求取C40，次大點求取C63，次次大點求取C42，最小信噪比點求取C41。

（3）當(dāng)num2=0時，查找信噪比位于[2，4)的節(jié)點，節(jié)點個數(shù)是num3。當(dāng)num3=1，此節(jié)點提取所有特征值；當(dāng)num3=2時，考慮到C40/C63已經(jīng)不處于穩(wěn)定的信噪比區(qū)間，故用最大的信噪比點來求取C40/C63，另外一個節(jié)點提取位于穩(wěn)定區(qū)間的C41/C42。同理，當(dāng)num3=3或4時，最大的信噪比點來求取C40/C63，次大點求取C42，次次大點求取C41。

（4）當(dāng)num3=0時，查找信噪比位于[1，2)的節(jié)點，節(jié)點個數(shù)是num4。當(dāng)num4=1，此節(jié)點提取所有特征值；當(dāng)num4=2或3或4時，考慮到C40/C42/C63已經(jīng)不處于穩(wěn)定的信噪比區(qū)間，故用最大的信噪比點來求取C40/C42/C63，次大點提取位于穩(wěn)定區(qū)間的C41。

當(dāng)所有節(jié)點的信噪比低于1 dB時，每個傳感器節(jié)點都求取所有高階累積量值，然后由中心節(jié)點根據(jù)信噪比進(jìn)行加權(quán)。

表2 計算量最小的高階累積量組合

2.3 最小二乘支持向量機(jī)的分類器設(shè)計

分類器可以依據(jù)信號特征的觀測值將信號分到不同的調(diào)制類別中，最小二乘支持向量機(jī)是一種改進(jìn)的支持向量機(jī)，其具有強(qiáng)大的模式識別能力，可以處理復(fù)雜的非線性問題，而且具有較好的穩(wěn)健性和潛在的容錯性，可獲得較高的識別率，因此本文采用最小二乘支持向量機(jī)分類器對調(diào)制方式進(jìn)行識別。設(shè)訓(xùn)練集為(xi，yi)，i=1，2，…，n，n表示訓(xùn)練樣本數(shù)，xi∈Rm為樣本輸入，yi∈{1，-1}為輸出，LSSVM在高維特征空間的線性函數(shù)為：

式中，w為權(quán)值向量，b為偏置量。

根據(jù)結(jié)構(gòu)風(fēng)險最小化原則，綜合考慮擬合誤差和函數(shù)復(fù)雜度，式（6）變?yōu)椋?/p>

式中，γ為正則化參數(shù)；ei為預(yù)測誤差。

通過引入Lagrange乘子將式（7）變成無約束對偶優(yōu)化問題，即

式中，ai拉格朗日乘子。

根據(jù)KKT條件，可得到

對非線性分類問題，通過引入核函數(shù)轉(zhuǎn)換到高維特征空間求解，相對于其他核函數(shù)，徑向基核函數(shù)（RBF）參數(shù)少，且性能更好，因此選擇其作為LSSVM的核函數(shù)，RBF定義為：

式中，σ為徑向基核函數(shù)的寬度參數(shù)[15]。

最后，LSSVM分類決策函數(shù)為：

3 仿真實驗

3.1 仿真環(huán)境

為了測試本文多節(jié)點信息融合和協(xié)作的信號調(diào)制方法的性能，在M atlab 2012的平臺上編程進(jìn)行仿真實驗。無線傳感器網(wǎng)絡(luò)包括4節(jié)點，信號波特率1 M b/s，采樣率10 M，400個碼元，載頻3 MHz，滾降系數(shù)0.35，蒙特卡洛循環(huán)次數(shù)2 500，最小二乘支持向量機(jī)分類器訓(xùn)練序列200，測試序列2 000，選取高斯核，核參數(shù)10。選擇文獻(xiàn)[9]、加權(quán)方法、單節(jié)點進(jìn)行對比實驗，并通過識別率、計算時間、特征平均個數(shù)和網(wǎng)絡(luò)性能等作為評價標(biāo)準(zhǔn)，比較它們的優(yōu)劣。

3.2 結(jié)果與分析

3.2.1 每個節(jié)點提取的特征個數(shù)平均值

在不同信噪比環(huán)境下，每個節(jié)點平均提取特征的見表3。從表可知，在忽略每個高階累積量特征計算量情況下，所有節(jié)點平均提取特征個數(shù)接近于1，相對于相比加權(quán)法，本文方法的傳感器能耗大幅度減少，有效延長節(jié)點的使用壽命。

表3 每節(jié)點提取的特征平均個數(shù)

3.2.2 總識別率比較

不同方案的信號調(diào)制方式識別率見表4所示。對表4進(jìn)行分析可以得到如下結(jié)論：

（1）在相同信噪比條件下，多節(jié)點聯(lián)合性能明顯優(yōu)于單節(jié)點。

（2）在相同信噪比方差，不同均值條件下，4種方法都是均值越大，識別性能越好。

（3）相同信噪比均值，不同方差條件下，隨著方差的增大，本文方案和文獻(xiàn)[9]識別性能均變好，但是本文方案的識別效果更好。

（4）在相同信噪比條件下，當(dāng)信噪比分布方差較小時，本文方案識別率與加權(quán)法相差無幾，都略高于文獻(xiàn)[9]的方案；當(dāng)信噪比分布方差較大時，本文方案識別率高于加權(quán)法和文獻(xiàn)[9]，這表明本文通過最小二乘支持向量機(jī)代替文獻(xiàn)[9]中的支持向量機(jī)作為分類，可以得到更加理想的信號調(diào)制類型識別結(jié)果。

表4 不同方案的識別率比較（%）

3.2.3 計算時間比較

對于信號調(diào)制識別方法來說，計算時間至關(guān)重要，是衡量其性能的一個重要指示，采用M atlab 2012的Tic 和Toc兩個命令統(tǒng)計在相同信號條件，不同方案的運行總時間，它們的結(jié)果見表5。對表5進(jìn)行分析可以得到如下結(jié)論：

（1）相對于加權(quán)方案，文獻(xiàn)[9]的計算時間相應(yīng)減少，這主要是由于文獻(xiàn)[9]只提取四個特征，減少了分類器的輸入向量數(shù)，大幅度降低了計算量，提高了信號調(diào)制的識別效率。

表5 不同方案的計算時間比較s

（2）相對于文獻(xiàn)[9]的方案，本文方案的計算時間進(jìn)一步降低，這主要是最小二乘支持向量機(jī)在優(yōu)化階段只需要解決一個線性方程式而不是像支持向量機(jī)需要求解二次規(guī)劃問題，簡化求解流程，加快了求解速度，運行時間減少，可以更好地滿足信號調(diào)制類型識別的實時性和在線性要求。

3.2.4 無線傳感網(wǎng)節(jié)點個數(shù)變化

（1）節(jié)點個數(shù)增加，以信噪比環(huán)境為N（3，5）為例，節(jié)點個數(shù)與網(wǎng)絡(luò)性能變化見表6。從表6可知，隨著節(jié)點個數(shù)增加，信號調(diào)制類型的識別率逐步提高，當(dāng)節(jié)點個數(shù)達(dá)到一定數(shù)量時，新增的節(jié)點對性能提升沒多大影響，這主要是由于為本文方案一個特征僅提取一次，并且只會選取其中4個節(jié)點來提取特征，因此可以通過添加新特征，充分利用新增節(jié)點以進(jìn)一步提高系統(tǒng)性能。當(dāng)傳感器節(jié)點個數(shù)增加時，總時間上升，而單節(jié)點的平均時間下降，這主要由于特征值求取更加分散在多節(jié)點上導(dǎo)致該種情況出現(xiàn)。

表6 節(jié)點個數(shù)增加時網(wǎng)絡(luò)性能的變化

（2）節(jié)點個數(shù)減少，以信噪比環(huán)境為N（3，5）為例，表中單節(jié)點的信噪比是正態(tài)分布均值3 dB，節(jié)點個數(shù)減少時網(wǎng)絡(luò)性能的變化，由表7知當(dāng)傳感網(wǎng)中若干傳感器出現(xiàn)故障，即工作節(jié)點減少時，總識別率會下降，但是依然優(yōu)于單節(jié)點。

表7 節(jié)點個數(shù)減少時網(wǎng)絡(luò)性能的變化

4 結(jié)束語

為了提高低信噪比環(huán)境下的調(diào)制識別率，提出了基于一種多節(jié)點信息融合和協(xié)作的信號調(diào)制方式識別方法。首先設(shè)計多個傳感器節(jié)點協(xié)作方案，并提取每節(jié)點特征，然后中心節(jié)點將各節(jié)點特征進(jìn)行融合，最后采用最小二乘支持向量機(jī)建立信號調(diào)制分類器。仿真結(jié)果表明，相對于其他信號調(diào)制識別方法，本文方法提高了信號調(diào)制識精度，對信噪比環(huán)境具有更好的自適應(yīng)性，具有更加廣泛的應(yīng)用前景。

[1]Dobre O，Abdi A，Bar-Ness Y，et al.Survey of automatic modulation classification techniques：classical approaches and new trends[J].IET Communieations，2007，1（2）：137-156.

[2]張宇，馮春燕，郭彩麗，等.認(rèn)知無線電網(wǎng)絡(luò)頻譜檢測研究[J].吉林大學(xué)學(xué)報：信息科學(xué)版，2008，26（2）：126-135.

[3]Xu J L，Su W，Zhou M C.likelihood function-based modulation classification in bandwidth constrained sensor networks[C]//Networking，Sensing and Control，2010：530-533.

[4]Xu J L，Su W，Zhou M C.Distributed automatic modulation classification with multiple sensors[J].IEEE Sensors Journal，2010，10（11）：1779-1785.

[5]Su W，Kosinski J.Framework of network centric signal sensing for automatic modulation classification[C]//Networking，Sensing and Control（ICNSC），Institute of Electrical and Electronics Engineers，2010：534-539.

[6]程漢文，吳樂南.基于信息融合的信號調(diào)制方式識別[J].信號處理，2009，25（4）：625-629.

[7]劉愛聲，朱琦.多傳感器節(jié)點分布式協(xié)作調(diào)制識別算法[J].信號處理，2011，26（8）：1235-1241.

[8]包錫銳，吳瑛，周欣.基于高階累積量的數(shù)字調(diào)制信號識別算法[J].信息工程大學(xué)學(xué)報，2004，8（4）：463-467.

[9]汪偉，張效義，胡赟鵬.基于無線傳感網(wǎng)的分布式協(xié)作調(diào)制識別算法[J].計算機(jī)應(yīng)用研究，2014，30（5）：100-106.

[10]Headley W C，Reed J D，Silva C D.Distributed cyclic spectrum feature-based modulation classification[C]//IEEE Wireless Communication and Networking Conference （WCNC），2008：1200-1204.

[11]Forero P A，Cano A，Giannakis G B.Distributed featurebased modulation classification using wireless sensor networks[C]//IEEE MILCOM，2008：1-7.

[12]Zhang Y，Ansari N，Su W.Multi-sensor signal fusion based modulation classification by using wireless sensor networks[C]//International Conference on Communications（ICC），2011：5-9.

[13]Swam i A，Sadler B M.Hierarchical digital modulation classification using cumulates[J].IEEE Trans on Communications，2000，48（3）：416-429.

[14]Chen M，zhu Q.Cooperative automatic modulation recognition in cognitive radio[J].The Journal of China Universities of Posts and Telecommunictions，2010，17（2）：46-52.

[15]Liao W J.LSSVM network flow prediction based on the self-adaptive genetic algorithm optimization[J].Journal of Networks，2103，8（2）：507-512.

YANG Dan1，2,LI Chaofeng2,YANG Jian3

1.School of Management,South-Central University for Nationalities,Wuhan 430074,China
2.School of Computer,Huazhong University of Science and Technology,Wuhan 430074,China

Aiming at the low recognition rate when SNR is low in single node,a modulation recognition method based on cooperative and information fusion of multi-nodes is proposed in this paper.The cooperative method is designed for wireless sensor networks nodes,and features of each node are extracted,and then feature vector is combined and fused by central node.The classifier of recognizing the signals is established by least squares support vector machine.The simulation results show that the proposed method has improved the recognition rate compared with other methods and has better adaptability to SNR environments.

modulation recognition;distributed cooperative;least squares support vector machine;wireless sensor networks

A

TN929.5

10.3778/j.issn.1002-8331.1401-0019

YANG Dan,LI Chaofeng,YANG Jian.Modulation recognition based on cooperative and in formation fusion of multi-nodes.Computer Engineering and Applications,2014,50（16）：7-11.

湖北省教育廳科學(xué)技術(shù)項目（No.QZY 11009）；中南民族大學(xué)?；鹳Y助項目（No.YZQ10001）。

楊單（1979—），男，博士生，講師，主要研究領(lǐng)域為計算機(jī)網(wǎng)絡(luò)、信息管理；李超鋒（1974—），男，博士，副教授，主要研究領(lǐng)域為數(shù)據(jù)挖掘、計算機(jī)網(wǎng)絡(luò)；楊?。?975—），男，博士，講師，主要研究領(lǐng)域為網(wǎng)絡(luò)安全、信息管理。

2014-01-02

2014-02-24

1002-8331（2014）16-0007-05

CNKI網(wǎng)絡(luò)優(yōu)先出版：2014-03-03,http://www.cnki.net/kcms/doi/10.3778/j.issn.1002-8331.1401-0019.htm l