一種計算機無線通信信號調(diào)制識別方法*

楊雯迪

（遼寧師范大學 計算機與信息技術學院，遼寧 沈陽 110200）

0 引 言

如今，將計算機技術與無線通信技術結(jié)合的計算機通信技術廣泛應用在軍事、民用等領域，在現(xiàn)代通信中有著重要作用。與傳統(tǒng)的通信技術相比，計算機無線通信技術通信能力較強、包含信息量大且適應時空轉(zhuǎn)換，在實現(xiàn)智能通信、實時檢測等應用方面前景廣闊[1]。在計算機無線通信體系中，結(jié)合計算機技術，對無線通信信號的檢測及其調(diào)制類型的自動識別是當前的研究熱點，而以計算機技術為基礎的無線通信信號自動識別研究意義重大。

為實現(xiàn)無線通信信號迅速、精確的識別，針對信號特征提取，部分研究人員提出了基于信號瞬時相位和頻率、小波變換、希爾伯特黃變換等計算機技術的特征提取方法[2]，而針對計算機分類器的設計，為改善調(diào)制識別的效率和準確率，提出了選擇樹分類器、人工神經(jīng)網(wǎng)絡分類器和支持向量機分類器[3]等。

本文擬基于一種GA-LSSVM的計算機調(diào)制識別技術，構(gòu)造一種新的無線通信信號分類器，以使調(diào)制信號的識別分類更加準確、高效。

1 模式識別

1.1 遺傳算法

遺傳算法（GA）是一種進化算法，基本原理是仿照自然界中“物競天擇、適者生存”原則，將問題參數(shù)進行編碼，采用迭代方式對染色體進行選擇、交叉以及變異等操作，通過交換不同染色體信息，實現(xiàn)對目標參數(shù)的優(yōu)化選擇[4]。

采用遺傳算法對最小支持向量機參數(shù)[5-6]進行優(yōu)化，算法基本步驟如下：

（1）隨機產(chǎn)生搜索空間內(nèi)100個個體s1,s2,…,s100組成初始種群S，置代數(shù)計數(shù)器t=1；

（2）計算S中每一個個體si的適應度fi=f (si)；

（3）計算概率：

根據(jù)上述概率分布公式，依次從S中隨機選取個體并進行染色體復制，復制100次，使用新的染色體群體代替原來群體，得到新群體S2。

（4）根據(jù)交叉率Pc選擇參加交叉的染色體數(shù)C，從S2中隨機選出C個染色體配對進行交叉操作，使用新的染色體代替原染色體群體，得到群體S3。

（5）根據(jù)變異率Pm、變異次數(shù)m，從S3中隨機選出m個染色體進行變異操作，并使用新的染色體代替原染色體群體，得到群體S4。

（6）重復上述步驟，直至得到最優(yōu)解。

圖1為遺傳算法實現(xiàn)流程。

1.2 支持向量機

最小二乘支持向量機（LSSVM）主要針對二分類問題，基本思想是采用結(jié)構(gòu)風險最小化原則，構(gòu)造滿足條件的分類平面，通過將次平面作為決策面，保證分類正確的同時，使得兩類樣本之間的間距最大化。

LSSVM具有以下優(yōu)點：

（1）有效性：是最好的解決實際問題的方法之一；

（2）魯棒性：不需要微調(diào)；

（3）計算簡單：方法實現(xiàn)利用簡單的優(yōu)化技術；

（4）理論完善：基于VC推廣性理論的框架。

圖1 遺傳算法實現(xiàn)流程

在支持向量機x(i)和輸入空間抽取的向量x之間的內(nèi)積核概念是算法的關鍵，其體系機構(gòu)如圖2所示。

圖2 支持向量機架構(gòu)

K為核函數(shù)，向量機的復雜度因核函數(shù)的不同存在差異。經(jīng)常使用的核函數(shù)有以下幾種[7]：

（1）多項式核函數(shù)

（2）徑向基核函數(shù)

（3）多層神經(jīng)網(wǎng)絡正切雙曲線核函數(shù)

式（1）、式（2）和式（3）中：

式（3）中，q、δ、v、c都是核函數(shù)參數(shù)。

核函數(shù)廣泛應用于目標預測等眾多領域，其優(yōu)勢表現(xiàn)如下[8]：

（1）在進行非線性變換時，φ(x)參數(shù)值、形式可未知；

（2）空間樣本數(shù)據(jù)映射至高維特征空間的方式取決于核函數(shù)，不同類型的核函數(shù)和對應參數(shù)，對分類性能有不同的影響；

（3）核函數(shù)矩陣不受空間維數(shù)限制，可用于解決高維數(shù)據(jù)輸入問題，有效解決維數(shù)災難問題，降低計算復雜度；

（4）核函數(shù)方式兼容性較好，可與不同方法進行融合生成混合方法。

本文設D={(xk, yk)|k=1,2,…,N}。其中，xk∈R為不同位置任務選取最優(yōu)半徑時對應的競爭度取值，yk∈R是最優(yōu)半徑對應的最低定價。在權值ω空間中，最小二乘支持向量機解目標函數(shù)如下：

約束條件為：

定義拉格朗日函數(shù)為：

式中，拉格朗日乘子αk∈R。對式（8）進行優(yōu)化，即對w、b、ek、αk求偏導，令結(jié)果等于0，則最終可得到矩陣方程如下：

式中：

將Mercer條件帶入Ω=ZZT中，有：

進而可實現(xiàn)對式（7）和式（8）的求解。此外，本文選取最小二乘支持向量機的決策函數(shù)：

2 數(shù)字信號調(diào)制識別模型

2.1 特征參數(shù)提取

在對通信信號進行識別時，通過對待識別樣本信號進行特征參數(shù)提取，可有效降低數(shù)據(jù)量對信號識別的影響，通過將高維樣本數(shù)據(jù)轉(zhuǎn)換至低維空間，可有效降低數(shù)據(jù)的空間維數(shù)[9]。特性參數(shù)的選擇方法不同、估計方法不同，分類算法性能也不同。

對不同特征參數(shù)的評價可從以下方面進行：特征參數(shù)是否對調(diào)制信號的特點進行顯著表征，特征參數(shù)可否對噪聲干擾進行有效抑制。本文從待識別信號的頻譜、信號復雜度以及瞬時信息等中選擇不同特征參數(shù)，構(gòu)成樣本信號的特征集。

（1）零中心歸一化順勢幅度譜密度最大值γmax：

式中，Ns表示信號采樣點數(shù)目，a(i)為信號瞬時幅度，ma為瞬時幅度取平均值，an(i)表示采用歸一化處理之后的瞬時幅度，acn(i)表示采用中心歸一化處理后的瞬時幅度。通過對瞬時幅度進行歸一化處理，可消除信道增益對特征參數(shù)的干擾。信號的特征參數(shù)γmax表征幅度變化信息，可用來區(qū)分（FSK、4PSK）和（ASK、2PSK、16QAM）。

（2）零中心歸一化瞬時幅度絕對值標準差：

2PSK信號調(diào)制過程中，振幅并非完全對稱。特征參數(shù)δaa表征信號幅值絕對值的變化程度，可區(qū)分2ASK和2PSK信號。

（3）振幅包絡的標準差E：

4PSK、16QAM載波幅度有較多的取值，與2ASK和2PSK信號相比，擁有較大的瞬時幅度波動和幅度包絡方差。采用特征參數(shù)E對信號瞬時幅度的波動程度進行說明，可有效識別2ASK、4ASK、2PSK和16QAM。

（4）特征參數(shù)R：

其中，μ表示信號振幅包絡平均值，δ表示信號振幅包絡平方標準差。特征參數(shù)體現(xiàn)了信號振幅包絡的波動情況，區(qū)分16QAM和4ASK。

（5）非弱信號段中心歸一化瞬時頻率絕對值標準差 σaf：

式中，at表示信號幅度的閾值，常用來對非弱信號段進行判別，取值1；C為采用點中處于非弱信號段的樣本數(shù)目；fN(i)表示非弱信號段歸一化處理后的瞬時頻率。特征參數(shù)σaf表征信號中的絕對頻率信息狀態(tài)，可用于判別2FSK和4FSK。

（6）信號盒維數(shù)DB：

盒維數(shù)起源于分形理論，可對信號的不規(guī)則程度、復雜度以及幾何尺寸作出準確描述。數(shù)字調(diào)制信號是一個隨時間依次變化的規(guī)則序列，特征參數(shù)可用來區(qū)分4PSK與2FSK、4FSK。

2.2 基于GA-LSSVM調(diào)制識別

利用GA-LSSVM分類器對調(diào)制識別的樣本信號特征集合進行識別分類，具體顯示步驟如下。

步驟1：按照特征提取公式，分別提取7種數(shù)字調(diào)制信號的相關特征參數(shù)，選擇調(diào)制識別樣本信號特征集合為LSSVM分類器輸入數(shù)據(jù)。

步驟2：選擇合適的核函數(shù)。

步驟3：采用遺傳算法對SVM分類器參數(shù)C和σ進行尋優(yōu)，找到最優(yōu)解后帶入SVM模型，構(gòu)成GA-LSSVM分類器。

步驟4：將訓練樣本數(shù)據(jù)輸入GA-LSSVM分類器，實現(xiàn)分類器訓練過程，定位最優(yōu)分類超平面，構(gòu)建GA-LSSVM分類模型；將樣本數(shù)據(jù)集帶入訓練完成的分類模型，輸出結(jié)果是各調(diào)制信號的類型。

3 仿真結(jié)果與分析

在分布高斯噪聲的信號中，選擇2ASK、4ASK、2FSK、4FSK、2PSK、4PSK和 16QAM等 待識別信號，提取對應的特征參數(shù)構(gòu)建樣本集，利用GA-LSSVM分類模型對不同數(shù)字信號進行識別分類。

調(diào)制信號參數(shù)設置如下：符號速率ra=1，采樣頻率fs=200 kHz，載波頻率fc=20 kHz，F(xiàn)SK信號的頻偏df=10 kHz，在信噪比-5～10 dB內(nèi)，每隔5 dB取樣一次，每次取樣數(shù)目為400，每個樣本包含50個碼元。

設置GA算法的參數(shù)如下：搜索空間范圍[0.001，1 000]，種群規(guī)模100，迭代次數(shù)為100，交叉概率為0.4，變異概率為0.2。為進一步驗證本文算法識別性能，不同算法測試相關結(jié)果如圖3所示。

圖3 不同算法準確度對比

可見，在核函數(shù)相同的條件下，將本文測試結(jié)果與粒子群優(yōu)化算法（PSO-LSSVM）、擴展蜂群優(yōu)化算法（EPSAB-LSSVM）以及最小二乘支持向量機（LSSVM）對比，發(fā)現(xiàn)在方正的各信噪比點上，基于遺傳算法的最小二乘支持向量機分類誤差均小于10%，分類準確性達到90%以上，分類優(yōu)勢明顯。

4 結(jié) 語

構(gòu)建新型的計算機無線通信分類器，為無線電數(shù)字信號調(diào)制識別提供了新的方法。首先通過GALSSVM算法優(yōu)化選取了SVM分類懲罰因子和核函數(shù)參數(shù)，提升分類器效率，在不同信噪條件下，評估GA-LSSVM識別分類器的性能。對七種數(shù)字調(diào)制信號進行計算機識別仿真結(jié)果顯示，噪聲環(huán)境不同時，與其它識別分類器相比，GA-LSSVM分類器性能更優(yōu)，且當信噪比大于0 dB時，分類器的分類誤差可控制在10%以下。