基于聯(lián)合特征參數(shù)的衛(wèi)星單-混信號調(diào)制識別研究

楊洪娟 時統(tǒng)志 李 博* 趙 楠 王 鋼

①(哈爾濱工業(yè)大學(威海)信息科學與工程學院 威海 264209)

②(大連理工大學電子信息與電氣工程學部 大連 116024)

③(哈爾濱工業(yè)大學電子與信息工程學院 哈爾濱 150001)

1 引言

調(diào)制識別技術自電子偵察成為現(xiàn)代化戰(zhàn)爭中軍事對抗的重要手段便引起了學者廣泛而深入地研究。當關鍵情報信息被捕獲后，作為非協(xié)作通信的第三方，調(diào)制類型的識別在一定程度上就決定了后續(xù)信號處理的信息質(zhì)量[1,2]。因此，正確識別信號常用調(diào)制方式具有重要的應用價值。1998年，成對載波多址(Paired Carrier Multiple Access, PCMA)被首次提出[3]。在PCMA系統(tǒng)中，通信雙方在同一頻帶上發(fā)送兩路數(shù)字調(diào)制類型相同的上行信號，經(jīng)衛(wèi)星混合轉發(fā)后，協(xié)作雙方接收到相同的PCMA信號，從而節(jié)約了系統(tǒng)帶寬，增強了信號的抗干擾截獲能力和系統(tǒng)吞吐量[4]。

目前，單載波信號調(diào)制識別算法已經(jīng)比較成熟，但基于PCMA的信號前端處理-調(diào)制識別卻鮮有人研究。文獻[5]提出了一種基于最大似然準則和高階累積量的PCMA信號調(diào)制識別算法，充分考慮了混合信號的頻偏影響，識別率良好但識別類型較少，局限性強。文獻[6]在原有累積量的基礎上引入信號瞬時特征統(tǒng)計量完成了對衛(wèi)星單-混信號的調(diào)制識別，算法的運算時間得到了降低，但對個別信號識別處理的參數(shù)選取不當，識別率不佳。文獻[7]在文獻[5]的基礎之上優(yōu)化了特征參數(shù)并結合4次方譜線對混疊信號進行調(diào)制識別，拓寬了算法的應用范圍，提高了識別率但選取參數(shù)仍然較多，識別要求很高。此外，近年來將深度學習模型引入調(diào)制識別的研究也逐步開展，相關模型有：卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network, CNN)[8]、循環(huán)神經(jīng)網(wǎng)絡(Recurrent Neural Network, RNN)[9]以及一些混合模型[10]，整體算法的識別性能有所提高，但所需數(shù)據(jù)量及計算復雜度都相對較高。

針對目前識別算法存在的不足，本文利用高階累積量和星座圖聚類特性設計了一套簡單可行的PCMA調(diào)制識別算法，單載波調(diào)制類型主要包括二進制相移鍵控(Binary Phase Shift Keying,BPSK)、正交相移鍵控(Quadrature Phase Shift Keying, QPSK)、8移相鍵控(8 Phase Shift Keying, 8PSK)、16正交幅度調(diào)制(16 Quadrature Amplitude Modulation, 16QAM)、64正交幅度調(diào)制(64 Quadrature Amplitude Modulation,64QAM)，PCMA信號由單載波調(diào)制混合而來。具體而言，通過構造4 個聯(lián)合特征參數(shù)可以對{BPSK、BPSK混、QPSK、QPSK混、8PSK、8 P S K 混、1 6 Q A M、1 6 Q A M 混、6 4 Q A M、64QAM混}共10種調(diào)制信號進行較為準確地識別，仿真實驗結果表明，調(diào)制方式為多進制相移鍵控(Multiple Phase Shift Keying, MPSK)、多進制正交幅度調(diào)制(Multiple Quadrature Amplitude Modulation, MQAM)的衛(wèi)星單混信號在正常通信所需的信噪比(Signal-to-Noise Ratio, SNR)下能夠維持高識別率。

2 信號模型

根據(jù)發(fā)射功率的不同，PCMA系統(tǒng)可分為對稱模式(P1=P2)和非對稱模式(P1?=P2)[11]。通常PCMA系統(tǒng)工作在對稱模式下，每一個通信終端發(fā)送一個功率相同的上行信號，經(jīng)衛(wèi)星中繼進行混疊后轉發(fā)給各個地面基站。其傳輸機制如圖1所示。

在不考慮特殊信道的情況下，通信終端及偵聽方接收的信號復基帶一般模型為

3 特征參數(shù)選取

3.1 高階累積量

高階累積量具有表征含噪基帶信號的星座點分布、抑制高階高斯噪聲的特性，因此被廣泛應用于調(diào)制識別領域[12]。由于PCMA混合信號的高階累積量與單載波信號相比有明顯的差異，所以選取累積量作為識別的特征之一。

對于具有0均值的復平穩(wěn)隨機過程{X(t)}，其P階混合矩為

其中，E表示數(shù)學期望，X*(t)為X(t)的共軛函數(shù)。

隨機信號的高階累積量與混合矩之間存在如式(6)的關系

對于特征參數(shù)F1,F2,F3，選取實驗數(shù)據(jù)長度為5000個符號，信噪比SNR范圍為[–5, 20]，對每一個信噪比進行1500次蒙特卡洛實驗。特征參數(shù)F1對各參數(shù)的分離效果如圖2所示。在圖2(a)中，信噪比變化對高階累積量的影響很小，各個參數(shù)的6階累積量相對穩(wěn)定并且相對差異較大，為了突出圖2(a)中下半部分差異及確定劃分閾值，特將其放大，如圖2(b)所示。由于MQAM(混)高階累積量比較接近，這里劃為一類。分類閾值的選擇方案是各調(diào)制方式理論推導值的算數(shù)平均值，綜合圖2可以準確地區(qū)分BPSK, {QPSK, 8PSK、BPSK混}、{16QAM, 64QAM}、{QPSK混、8PSK混}、{16QAM混、64QAM混}，其閾值分別為20, 6, 3, 1.5。

圖3給出了特征參數(shù)F2對BPSK混與{QPSK,8PSK}兩類信號的分離效果曲線圖，從圖3中可以看出，在較低信噪比下F2也能保持良好的分離性，通過F2可以非常容易區(qū)分兩類調(diào)制方式。圖4給出了特征參數(shù)F3對剩余調(diào)制類型的識別分離特性，特征參數(shù)F3可以將F1,F2識別過后未分離的{QPSK,8PSK}、{QPSK混、8PSK混}逐一識別，各分類閾值為2, 2, 1。

表1 單-混信號高階累積量理論值

3.2 星座圖聚類特性

對于MQAM調(diào)制信號，其星座圖特性反映了信號的矢量端點的空間分布狀態(tài)信息，圖5、圖6分別給出了方形16QAM(單-混)、64QAM(單-混)信號在理想狀態(tài)下的星座圖，由圖可知，MQAM不同調(diào)制階數(shù)之間的星座圖差異明顯，其中信號端點個數(shù)和端點間的距離等差異完全可以用于調(diào)制分類，需要特別注意的是，當隨機數(shù)據(jù)量變化時，星座圖會呈現(xiàn)簇狀聚集。因此，MQAM信號進行聚類分析以及聯(lián)合距離函數(shù)進行多參數(shù)判決對調(diào)制識別具有重要價值。

3.2.1 減法聚類算法

3.2.2 參數(shù)聯(lián)合的聚類算法

根據(jù)理論計算可以得到標準R參數(shù)的值，對于方形MQAM單混信號，標準半徑rmax,rmin以及Rs如表3所示。

表3 MQAM信號的rmax, rmin, Rs理論值

信號的數(shù)據(jù)長度決定了聚類算法的識別效果，為有效利用原有數(shù)據(jù)量，本文根據(jù)星座圖的對稱性，將星座圖中的坐標點投影到原點所在的橫坐標軸上，將星座圖聚類分析轉變成投影點聚類算法。以16QAM為例，投影后的示意圖如圖7所示，假設原有每時隙數(shù)據(jù)點為160，則投影后每處聚點數(shù)據(jù)量為160/4=40，為原有聚點160/16=10的4倍之多，隨著MQAM調(diào)制階數(shù)增大，數(shù)據(jù)量擴大成正比關系。同時考慮到投影帶來的距離半徑的變化，因最小半徑和最大半徑成比例變化，標準半徑Rs未發(fā)生改變。綜上，MQAM(混)信號的各理論值調(diào)整總結如表4所示。

表4 MQAM信號的rmin, Rs, Ns 理論值

表2 MQAM單混調(diào)制信號聚類中心及相關系數(shù)

4 識別流程

使用隨機產(chǎn)生的調(diào)制信號作為信號源，對接收到的信號進行必要的預處理，主要包括載波同步、相位同步、定時同步、信號過采樣、下變頻等。根據(jù)所設計的特征參數(shù)通過仿真來確定合適的分類閾值。具體分類實現(xiàn)步驟如下所示：

(1) 選取F1=2|C63|作為分類特征，用于區(qū)分BPSK,{QPSK, 8PSK、BPSK混}、{16QAM,64QAM}、{QPSK混、8PSK混}、{16QAM混、64QAM混}，選定閾值為20, 6, 3, 1.5；

(2) 選取F2=|C60|作為分類特征，用于區(qū)分{QPSK, 8PSK}和BPSK混，選定閾值為2；

(3) 選取F3=4|C40|作為分類特征，用于區(qū)分QPSK與8PSK、QPSK混與8PSK混，選定閾值為2,1；

(4) 選取改進的減法聚類星座圖作為分類特征，用于區(qū)分16QAM與64QAM，16QAM混與64QAM混，判斷依據(jù)為星座圖階數(shù)N以及與標準R 參數(shù)的聯(lián)合評估函數(shù)E。對于{1 6 Q A M,64QAM}，當N ＜6且E1＞0.8時為16QAM；當N ＞6且E2＞0.8時為64QAM；對于{16QAM混、64QAM混}，當N ＜11且E3＞0.8時為16QAM混；當N ＞11且E4＞0.8時為64QAM混；

根據(jù)選取的分類特征和判定的閾值條件，構造的分類決策樹如圖8所示。

5 仿真實驗及分析

根據(jù)由決策樹建立的識別流程進行統(tǒng)一的仿真驗證，設定信號源調(diào)制類型為{BPSK、BPSK混、QPSK、QPSK混、8PSK、8PSK混、16QAM、16QAM混、64QAM、64QAM混}。信源隨機生成0,1序列，不同調(diào)制方式采用不同的串并變換，隨機序列符號長度為5000，信源編碼為格雷碼，碼長100。隨機信號調(diào)制載波頻率f1=f2=10 MHz，采樣頻率fs=60 MHz，過采樣倍數(shù)為10，符號速率fb=2.5 Mbit/s。信道傳輸噪聲為高斯白噪聲，PCMA信號混合幅度比為1∶1，分量信號的歸一化頻偏Δf1=Δf2=1×10-4，相位偏移θ1=θ2=2π×10-4。

針對不同類型信號，信噪比取值范圍[–5, 20]，步長1 dB。在每個SNR處進行1500次蒙特卡洛仿真實驗。對得到的結果取平均值，不同調(diào)制方式的單混信號識別率隨信噪比變化如圖9所示。從圖9可以看出，采用高階累積量對衛(wèi)星單-混信號的調(diào)制識別成功率在2 dB之后就達到95%以上，充分體現(xiàn)了其有效性。

為了驗證改進的減法聚類算法對于MQAM單-混信號的識別效果，表5顯示了本算法在相同初始條件下對PCMA等信號識別率的仿真結果。從表格的識別情況可以明顯看出，采用改進的星座圖聚類算法對MQAM調(diào)制的單-混信號在15 dB處識別率均達到95%以上。

表5 星座圖聚類算法下的MQAM信號識別率(%)

一般情況下，數(shù)據(jù)序列長度越長，信號調(diào)制方式的識別效果越好。我們在原有基礎上限定信號信噪比為20 dB，針對不同調(diào)制信號仿真獲取正確判定信號所需的最少數(shù)據(jù)序列長度，最少序列長度的判定標準是1000次實驗中至少有950次可以正確識別信號類型。實驗結果如圖10所示。

圖11給出了本文算法與已知算法的性能比較，相較于文獻[14]所提出的星座圖特征聚類(Clustering of Constellation Signature, CCS)算法，本文算法在低信噪比下與其識別率相當，但隨著SNR的增加，本文算法普遍優(yōu)于CCS算法；文獻[15]提出的遺傳編程-K最近鄰(Genetic Programming-K Nearest Neighbor, GP-KNN)算法魯棒性相對較好，低信噪比下的識別性能優(yōu)于GP-KNN算法，但高SNR處識別效率遠低于本文算法。此外，高階累積量和聚類特性的結合也拓寬了兩種不同信號的調(diào)制類型，提供了調(diào)制識別的新的實現(xiàn)方法。

6 結束語

本文利用高階累積量和星座圖聚類特性來識別衛(wèi)星通信中單載波和PCMA信號的調(diào)制類型，將MPSK, MQAM類調(diào)制信號的4,6階累積量和改進的星座圖減法聚類結合成統(tǒng)一的識別算法。在未知通信雙方內(nèi)容的情況下，本算法為實現(xiàn)對單-混盲信號的調(diào)制識別提供一種實現(xiàn)方法，并在此基礎上提升了識別效果，降低了復雜度，具有一定的應用價值。但是在本文中，只考慮了高斯信道中的分離效果性能，其他信道對系統(tǒng)的影響還有待繼續(xù)研究。