數(shù)字通信中基于Adaboost-SVM分類器的信號(hào)調(diào)制算法研究

鄒鳳嬌

(湖南郵電職業(yè)技術(shù)學(xué)院通信工程系，湖南 長沙 410015)

現(xiàn)代通信中高頻載波的應(yīng)用是實(shí)現(xiàn)遠(yuǎn)距離高清通信的基礎(chǔ)[1-2]，將基帶信號(hào)加載到高頻載波上首先需要對(duì)基帶信號(hào)進(jìn)行調(diào)制處理[3]，高頻信號(hào)到達(dá)接收端后再經(jīng)過解調(diào)處理完成信號(hào)的傳輸[4]。信號(hào)調(diào)制識(shí)別算法最早應(yīng)用于軍事領(lǐng)域，截獲敵方的情報(bào)和密碼主要依靠信號(hào)調(diào)制和解調(diào)技術(shù)[5-6]。隨著通信技術(shù)的發(fā)展和用戶遠(yuǎn)距離通信需求的增加，信號(hào)調(diào)制算法又逐漸被應(yīng)用到了民用領(lǐng)域，具體包括移動(dòng)通信[7]和頻譜監(jiān)測(cè)等[8]。由于通信網(wǎng)絡(luò)密度的增加、大氣環(huán)境污染等干擾源因素的影響，當(dāng)前通信信道的數(shù)據(jù)傳輸環(huán)境日趨復(fù)雜，這對(duì)通信信號(hào)傳輸模式和信號(hào)調(diào)制方式的選擇提出了更高的要求[9-10]。傳統(tǒng)的模擬信號(hào)被多次復(fù)制和調(diào)制后，長距離傳輸更易受到信道隨機(jī)噪聲的干擾[11]，為了獲得更穩(wěn)定的通信效果,基于數(shù)字信號(hào)的數(shù)字通信應(yīng)用場景逐漸增多[12]。但在數(shù)字通信過程中，調(diào)制算法的選擇會(huì)影響信息傳輸效果及通信安全性，因此選用更為科學(xué)、安全的信號(hào)調(diào)制算法至關(guān)重要。現(xiàn)有的信號(hào)調(diào)制算法存在一定問題，如文獻(xiàn)[13]提出一種基于高階循環(huán)累計(jì)量特征識(shí)別的信號(hào)調(diào)制算法，能夠?qū)崿F(xiàn)多信道的信號(hào)調(diào)制分類，但該算法的缺點(diǎn)是只能夠針對(duì)靜態(tài)信道環(huán)境進(jìn)行信號(hào)調(diào)制，適應(yīng)的場景較少，誤碼率較高；文獻(xiàn)[14]提出基于信號(hào)循環(huán)平穩(wěn)機(jī)制的調(diào)制分類算法，針對(duì)信道中的加性白噪聲模擬信號(hào)的調(diào)制類型，但該算法在實(shí)際應(yīng)用中要基于嚴(yán)格的載波估計(jì)，導(dǎo)致算法的實(shí)時(shí)性和實(shí)用性不高，對(duì)于高斯白噪聲的抑制效果較差，分類性能衰減過快，導(dǎo)致信號(hào)的調(diào)制識(shí)別率過低。本文針對(duì)現(xiàn)有數(shù)字通信中信號(hào)調(diào)制分類算法的各種缺點(diǎn)和不足，提出基于Adaboost-SVM分類器的信號(hào)調(diào)制算法，改善動(dòng)態(tài)信道環(huán)境下分類算法的調(diào)制性能。

1 數(shù)字通信信號(hào)的預(yù)處理與特征提取

數(shù)字信號(hào)調(diào)制識(shí)別要經(jīng)過對(duì)原始信號(hào)的預(yù)處理、關(guān)鍵特征參數(shù)提取、基于特定的調(diào)制算法識(shí)別出特征參數(shù)等環(huán)節(jié)輸出最終的調(diào)制結(jié)果。特征識(shí)別是通信信號(hào)調(diào)制的核心步驟，在信號(hào)的調(diào)制識(shí)別處理方面,本文應(yīng)用Adaboost-SVM分類器調(diào)制信號(hào)改善信號(hào)處理的基礎(chǔ)性能。但未經(jīng)過預(yù)處理的原始信號(hào)無法被直接使用和分類，需要對(duì)原始信號(hào)進(jìn)行預(yù)處理并提取其特征參數(shù)，調(diào)制識(shí)別的基本流程如圖1所示。

圖1 信號(hào)調(diào)制的基本流程

原始通信信號(hào)的預(yù)處理過程，主要解決原始信號(hào)的噪聲干擾問題和量綱差異問題?；趯?duì)原始數(shù)據(jù)A/D采樣、標(biāo)準(zhǔn)化及無量綱處理，不僅能夠保留其原始數(shù)據(jù)的細(xì)節(jié)特征，數(shù)值的標(biāo)準(zhǔn)化處理還可以降低系統(tǒng)噪聲和環(huán)境噪聲的干擾。對(duì)原始實(shí)信號(hào)z(t)歸一化處理，過程如下：

(1)

式中：z′(t)為歸一化處理后的信號(hào)值；z(t)min和z(t)max為原始信號(hào)的最小值和最大值。從原始信號(hào)中提取的故障特征包括時(shí)頻的瞬時(shí)特征、統(tǒng)計(jì)量參數(shù)，變換域的功率譜特征、時(shí)頻分布特征等。無量綱化處理后的原始數(shù)字信號(hào)可以用解析信號(hào)η(t)來表示：

(2)

(3)

信號(hào)的頻率特征還可以基于信號(hào)的時(shí)頻分布結(jié)果來表示，信號(hào)的統(tǒng)計(jì)量特征從信號(hào)物理量變化的視角表現(xiàn)出信號(hào)的特點(diǎn)，而利用小波變換的方法能夠從信號(hào)時(shí)頻分布特征出發(fā)，更深層次地揭示出信號(hào)中隱含的細(xì)節(jié)特征，有助于輔助原始信號(hào)的調(diào)制分類和識(shí)別。小波變換在表現(xiàn)信號(hào)的局部特征時(shí)，不會(huì)對(duì)時(shí)間窗的大小和頻率變化產(chǎn)生影響，原始信號(hào)的細(xì)節(jié)特征能夠更好地得到保留。預(yù)處理后的原始信號(hào)z′(t)的小波變換公式表示為：

(4)

2 基于Adaboost-SVM分類器的通信信號(hào)調(diào)制

2.1 優(yōu)化的Adaboost-SVM分類器

(5)

只有當(dāng)弱學(xué)習(xí)機(jī)訓(xùn)練錯(cuò)誤率低于0.5時(shí)，才能保證基本的調(diào)制識(shí)別率，此時(shí)權(quán)重比例關(guān)系ωt為：

(6)

當(dāng)弱學(xué)習(xí)機(jī)的錯(cuò)誤率大于等于0.5時(shí)，重新迭代循環(huán)并更新樣本的權(quán)重：

(7)

利用反復(fù)的迭代訓(xùn)練將弱分類器κ轉(zhuǎn)換成強(qiáng)分類器Κ：

(8)

式中：n為樣本數(shù)量。

SVM分類算法在解決和處理信號(hào)分類中具有良好的表現(xiàn)，尤其適用于小樣本的分類。Adaboost算法與SVM算法結(jié)合后，對(duì)強(qiáng)分類器的泛化性能要求增加，為確保實(shí)現(xiàn)bug優(yōu)先級(jí)的分析，需要改進(jìn)Adaboost算法的性能。首先在抽取信號(hào)樣本時(shí)保持正樣本的總數(shù)量與負(fù)樣本的總數(shù)量均衡，計(jì)算正樣本聚類中心與負(fù)樣本聚類中心的歐氏距離d；其次調(diào)整輸入正負(fù)樣本的內(nèi)核參數(shù)與懲罰因子參數(shù)值，使用局部信號(hào)數(shù)據(jù)的訓(xùn)練集區(qū)分于強(qiáng)化分類器，在保證迭代速度優(yōu)勢(shì)的前提下控制錯(cuò)誤率和差異率；最后對(duì)式(6)的權(quán)重比例確定過程做歸一化處理，計(jì)算出分類器之間的差異性并預(yù)測(cè)強(qiáng)分類器標(biāo)簽的變化趨勢(shì)。經(jīng)過改進(jìn)的Adaboost算法提升了經(jīng)典SVM分類器的基礎(chǔ)性能和信號(hào)分類精度，能為改進(jìn)的Adaboost-SVM分類器篩選出最優(yōu)的分類內(nèi)核參數(shù)，從而得到多個(gè)弱分類器，在經(jīng)過迭代、整合與訓(xùn)練錯(cuò)誤率的判斷后即可將弱分類器轉(zhuǎn)換為強(qiáng)分類器。以支持向量機(jī)為底層基礎(chǔ)的弱分類器，保證了每輪篩選和訓(xùn)練的差異性，但在樣本的分類與選擇中要考慮樣本權(quán)重的比例關(guān)系，以提高訓(xùn)練的效率,減少訓(xùn)練的時(shí)間。

2.2 數(shù)字信號(hào)的調(diào)制識(shí)別

Adaboost-SVM模型的每一個(gè)弱分類器都可以對(duì)原始信號(hào)的特征向量值做出判斷，特征值的匹配是一個(gè)反復(fù)迭代尋優(yōu)的過程，其目的是選取到最優(yōu)的通信信號(hào)值再進(jìn)行匹配和篩選，以達(dá)到樣本準(zhǔn)確分類的目的。在調(diào)整算法識(shí)別分類核函數(shù)的選擇方面，本文使用計(jì)算量更小的、性能更穩(wěn)定的高斯徑向基核函數(shù)。優(yōu)化的Adaboost-SVM分類器的基礎(chǔ)性能在很大程度上取決于懲罰因子C與核函數(shù)ζ(z)的選擇方面，懲罰因子值的大小反映出對(duì)信號(hào)調(diào)制分類錯(cuò)誤率的容忍程度。當(dāng)懲罰系數(shù)的值很大時(shí)，分類器對(duì)系統(tǒng)模型錯(cuò)誤率的容忍程度較低；而當(dāng)懲罰系數(shù)的值很小時(shí)，表明調(diào)制算法的分類器對(duì)樣本數(shù)據(jù)錯(cuò)誤率的容忍程度較高，這時(shí)分類的效果也會(huì)更差，因此懲罰系數(shù)的選擇和取值不宜過小。高斯徑向基核函數(shù)自帶映射參數(shù) ，映射到新的特征空間之后函數(shù)的表達(dá)式為：

d(x,y)2)

(9)

映射參數(shù)g與分類標(biāo)準(zhǔn)差σ之間為反比例變化的規(guī)律，如果映射參數(shù)g值設(shè)置過低會(huì)導(dǎo)致原始信號(hào)數(shù)據(jù)的分類精度降低。Adaboost-SVM分類器在結(jié)構(gòu)上由一系列的弱分類器匯總、串聯(lián)成強(qiáng)分類器而成，只有被判決為正的樣本才能繼續(xù)調(diào)制分類，負(fù)樣本直接被系統(tǒng)拒絕，分類器的結(jié)構(gòu)如圖2所示。

圖2 Adaboost-SVM分類器的結(jié)構(gòu)

Adaboost-SVM模型中的每一個(gè)弱分類器結(jié)構(gòu)都是經(jīng)過多次迭代后生成強(qiáng)分類器，多次迭代的優(yōu)勢(shì)在于降低了多次總體上計(jì)算的復(fù)雜度。每一個(gè)層級(jí)的樣本分類篩選中正樣本自動(dòng)進(jìn)入下一層級(jí)，而負(fù)的數(shù)據(jù)樣本直接被剔除，降低了原始樣本的冗余度，也有助于調(diào)制分類算法精度的提高，從整體上看，Adaboost-SVM的信號(hào)分類與調(diào)制算法的流程如圖3所示。

圖3 優(yōu)化Adaboost-SVM分類器的算法流程

將全部樣本的特征集合輸入Adaboost-SVM分類器并初始化樣本的數(shù)據(jù)權(quán)重值。設(shè)置迭代次數(shù)，如果在運(yùn)輸中發(fā)現(xiàn)正樣本沒有被完全識(shí)別出可臨時(shí)增加迭代次數(shù)。將全部的樣本歸一化處理后按權(quán)重排序，組成訓(xùn)練子集的集合訓(xùn)練SVM分類器，分別計(jì)算系統(tǒng)模型中每一個(gè)Adaboost-SVM弱分類器在樣本訓(xùn)練集上的訓(xùn)練誤差項(xiàng)，如果錯(cuò)誤大于0.5,表明原始的權(quán)重比例不合理，需要重新確定原始數(shù)據(jù)集的權(quán)重比例。組合弱分類器留存正的樣本集合，剔除負(fù)樣本得到的最優(yōu)數(shù)量是M的弱分類器，并最終生成強(qiáng)分類器。在實(shí)際的數(shù)字通信信號(hào)檢測(cè)中，目標(biāo)信號(hào)的特征較少在全部信號(hào)中所占的比例也較小，Adaboost-SVM分類器可以極大地降低運(yùn)算的復(fù)雜度，使用的特征數(shù)也較少。即使后續(xù)層級(jí)的訓(xùn)練樣本中包含較多的冗余數(shù)據(jù)，也可以通過多層級(jí)的結(jié)構(gòu)設(shè)計(jì)濾除干擾數(shù)據(jù)，提高信號(hào)調(diào)制識(shí)別的效率。

3 測(cè)試結(jié)果與分析

3.1 測(cè)試平臺(tái)搭建與調(diào)試

為驗(yàn)證文中提出的信號(hào)調(diào)制算法的性能，搭建的測(cè)試平臺(tái)由DG4563型信號(hào)發(fā)射器、信號(hào)射頻模塊、數(shù)模轉(zhuǎn)換單元、XC7Z058-1CL型信號(hào)處理器等部分構(gòu)成，在軟件層面上測(cè)試平臺(tái)使用Windows10操作系統(tǒng)，平臺(tái)的整體環(huán)境設(shè)置如圖4所示。

圖4 測(cè)試平臺(tái)的整體實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)中測(cè)試2ASK和4PSK兩種信號(hào)，信號(hào)源直接支持信號(hào)的調(diào)制識(shí)別，將原始信號(hào)連接到實(shí)驗(yàn)平臺(tái)的射頻模塊中，射頻模塊與A/D轉(zhuǎn)換接口連接，平臺(tái)的另一端通過千兆的網(wǎng)線與上位機(jī)連接，相關(guān)的信號(hào)參數(shù)設(shè)置及模型參數(shù)的設(shè)置分別見表1和表2。

表1 信號(hào)相關(guān)參數(shù)的設(shè)置

表2 Adaboost-SVM分類算法參數(shù)設(shè)置

實(shí)驗(yàn)前先對(duì)測(cè)試平臺(tái)的軟硬件進(jìn)行測(cè)試，測(cè)試的步驟如下：

Step1，檢測(cè)各硬件模塊的連接情況及測(cè)試平臺(tái)整體的電路系統(tǒng)。

Step 2，測(cè)試DG4563型信號(hào)發(fā)射器、信號(hào)射頻模塊、數(shù)模轉(zhuǎn)換單元及XC7Z058-1CL型信號(hào)處理器的硬件功能及模塊子程序能否正常運(yùn)行。

Step 3，檢測(cè)系統(tǒng)主控程序與操作系統(tǒng)的功能性和流程流暢度，確保主動(dòng)程序及子程序運(yùn)行正常。

3.2 測(cè)試結(jié)果統(tǒng)計(jì)

將采集到的2ASK信號(hào)和4PSK信號(hào)按照信號(hào)的幅值和頻率分成10組分別調(diào)制，信號(hào)調(diào)制前后的幅值和頻率范圍見表3。

表3 輸入信號(hào)與調(diào)制信號(hào)的頻率與幅值

對(duì)于調(diào)制后的輸出信號(hào)，首先驗(yàn)證信號(hào)調(diào)制識(shí)別算法的基礎(chǔ)性能，設(shè)定雙向輸入時(shí)間序列的映射特征數(shù)為100，允許信號(hào)數(shù)據(jù)進(jìn)行50次的有效傳遞，引入傳統(tǒng)基于高階循環(huán)統(tǒng)計(jì)量調(diào)制算法及信號(hào)循環(huán)平穩(wěn)機(jī)制調(diào)制算法參與對(duì)比，信號(hào)的調(diào)制結(jié)果對(duì)比見表4。

表4 調(diào)制模式算法的基礎(chǔ)性能對(duì)比

與傳統(tǒng)兩種調(diào)制算法相比，首先Adaboost-SVM調(diào)制算法的查準(zhǔn)率與查全率指標(biāo)更高，且同等條件下的訓(xùn)練耗時(shí)更短。頻域?qū)ΨQ處理的同時(shí)，也應(yīng)對(duì)信號(hào)的加性白噪聲同步處理，調(diào)制處理前加性白噪聲與正交噪聲均服從正態(tài)分布；其次，驗(yàn)證各調(diào)制算法的噪聲抑制性能，如果調(diào)制算法抑制高斯白噪聲的性能較好，那么對(duì)稱誤碼率的水平就會(huì)越低，在有效信噪比區(qū)間[-10,60]，不同信號(hào)調(diào)制算法下的對(duì)稱誤碼率表現(xiàn)如圖5所示。

圖5中各種調(diào)制算法曲線的變化趨勢(shì)顯示，本文提出的Adaboost-SVM調(diào)制算法的收斂速度最快，且通信信號(hào)的對(duì)稱誤碼率取值最低。在確定信噪比參數(shù)為20 dB的條件下，原始通信信號(hào)及消噪處理后信號(hào)的星座圖如圖6所示。

圖5 各調(diào)制算法下的對(duì)稱誤碼率曲線

圖6 算法降噪后的星座圖對(duì)比

從噪聲抑制的效果來看，傳統(tǒng)算法盡管能在一定程度上抑制噪聲的分布，但本文算法的性能要更具優(yōu)勢(shì)。

最后驗(yàn)證算法的分類性能，有效信噪比區(qū)間為[-10,60]，驗(yàn)證結(jié)果如圖7所示。

圖7 算法的分類識(shí)別準(zhǔn)確率對(duì)比

在信噪比為-10 dB時(shí)傳統(tǒng)調(diào)制算法的準(zhǔn)確率均低于80%，而本文基于Adaboost-SVM的調(diào)制算法的分類識(shí)別準(zhǔn)確率高于85%；隨著信噪比值的增加,各算法的信號(hào)調(diào)制分類準(zhǔn)確率都出現(xiàn)了快速增長的趨勢(shì)，但本文算法的迭代收斂速度更快，在信噪比為20 dB的條件下完成收斂，調(diào)制識(shí)別的準(zhǔn)確率達(dá)到100%；而兩種傳統(tǒng)調(diào)制算法在信噪比達(dá)到60 dB時(shí)才完成收斂，算法的調(diào)制性能要明顯弱于本文算法。

4 結(jié)束語

無論是在軍用領(lǐng)域還是民用領(lǐng)域，數(shù)字通信信號(hào)的調(diào)制分類，都是通信傳輸中一種極為重要的技術(shù)手段。本文基于改進(jìn)的Adaboost算法對(duì)經(jīng)典的SVM算法進(jìn)行優(yōu)化，改善了數(shù)字通信中信號(hào)調(diào)制分類的性能，提高了數(shù)字通信的質(zhì)量。從測(cè)試實(shí)驗(yàn)的結(jié)果來看，本文提出的調(diào)制算法在誤碼率控制、噪聲抑制等方面效果良好，可以滿足數(shù)字信號(hào)調(diào)制處理的基本要求。