通信信号自动调制识别的算法英文文献翻译.docx

1、通信信号自动调制识别的算法英文文献翻译通信信号自动调制识别的算法Asoke K. Nandi，Senior Member，IEEE，E. E. Azzouz摘要：这篇文章介绍了数字信号和模拟信号的两种调制识别算法。第一种算法是利用决策论的方法，用一系列的的决定来鉴定不同类型的调制方式。第二种算法是利用人工神经网络（ANN）这种新途径来确定调制识别程序。计算机仿真了加有一系列高斯噪声的不同类型的有限带宽的模拟和数字调制信号，利用先进的算法进行了测量。信号的信噪比为15分贝（SNR）时利用已发现的决策论算法进行测量，总成功率达94，而利用人工神经网络算法，整体成功率达96以上。关键词：模拟和数字调

2、制，人工神经网络，自动调制识别。I导论在一些调制识别中1 - 6只使用模拟调制的方法，711只使用数字调制方法,，还有其它1214是数字与模拟方法都用到了。以下是对最近推出的模拟和数字调制信号运算法则的概述。利特克12利用决策论与模式识别的方法来区分一些模拟和数字信号。这些调制识别被分为AM，2ASK（幅移键控），2PSK（相移键控），4PSK，2FSK（频移键控）。利用硬件来实现这些调制方法是非常复杂的。据称，在信噪比18分贝时才能获得无差错调制识别。在13中容德拉尔提出了利用模式识别的调制识别方法。调制类型可以根据识别方法分为AM，单边带（SSB），2ASK，2PSK，2FSK和4FSK。

3、人们通过了4096个例子对这些方法进行了评估。这些被测试的方法成功率都在90%以上，除了SSB（83%）和FSK4（88%）。在13中对相应信噪比的测量成功率只字不提。14按照模式识别方法，此识别可分为AM，双边带（DSB），SSB，FM，2ASK，4ASK，2PSK，4PSK，2FSK和4FSK。他们声称在信噪比40分贝时测量结果令人满意。但在信噪比为10分贝时除了4FSK的正确率为7%外其它所有数字调制正确率差不多都为0%。在信噪比为15分贝时以下几种调制方法的正确率还是可以的，其中4FSK（56），2FSK（84），4ASK（87）。在12-14中介绍的模式识别的方法是值得注意的，这种识

4、别方法需要持续的提供信号，因此，处理的时间可能会很长；这就导致了模式识别方法在离线分析中的使用。然而，12-14试图来区分数字以及模拟技术。II决策论方法建议在本段中基于调制信号识别的基础上，对模拟和数字调制的全局过程作个概括。首先，把Kfs长的截获信号帧分成M个连续部分，每部分为2048个样本（相当于1.76毫秒），这样便可得出公式M=Kfs/N，这里fs为采样率。A每一部分的分类从不同种类调制需要的主要特征提取和调制分类谈起。1）主要特征提取：在上面提到的所有调制识别中都包括这样三个重要的参数：瞬时幅度，相位和抽样信号的频谱（除射频信号产生的对称谱）。这四个主要特征不仅在模拟调制中用到，在

5、数字调制中也同样用到；它们最大的价值在于测量功率密度谱中心的瞬时幅度，瞬时非线性信号相位上升部分绝对值的标准差，以及射频信号对称频谱的比例。其中的两个关键特征在10的数字调制识别中和这里都谈到了。如10中提到的信号的瞬时振幅绝对价值标准差和瞬时频率的信号绝对价值标准差都是相同的。对于提到的数字与模拟调制识别的全局过程，这里有三个新的关键特征需要介绍下，它们是：对振幅信号归为中心瞬时标准差的上升段，它被定义为：在这里是指在时间时刻的瞬时中心标准值，是速率为1200kHz的采样信号，是在时刻的幅值，是样本数目且必须大于，如果样本数目低于，那么在采集带限2PSK和4PSK的瞬时幅值时就会受到影响。标

6、准化的瞬时幅值被定义为：标准化的瞬时频率被定义为：其中，是归一瞬时频率，定义为，在这里是频率截取的信号。值得注意的是，本文所提到的和比率与6和10中写到的有一点点修改。但这点差别不会影响6和10中的结果。被修改为。比率被修改为，这里，并且是采样速率为150kHz的样本。做出这样的修改只是为了避免人工神经网络（ANN）算法运行时间过长。2）调制分类的步骤：基于决策论上对于调制做出的详细分类步骤，见流程图1。在决策论算法中，每一个关键特征通常是通过和适当的阈值作比较来把一组调制尽可能分开的。我们所关心的所有调制种类最佳阈值的选取在IV-A部分做了详解。图1信号帧的分类为了尽可能把它们分开，在这里采

7、用了多数的逻辑规则，即根据最大重复次数来进行分类。如果两个或两个以上的分类有着最大重复次数，那它们就被认为是最佳决定的候选。在这种情况下，再根据以下来进行判别：1）相应段组对每一个候选的决定；2）由每一段瞬时下降幅度低于阈值的样本数来决定；3）其相应段低于最低阈值的最小数目来评价超过该段样本的总数。由于两者特征的简单提取（只使用传统的信号处理工具）和图1的决策规则，前面提到的决策论算法可用来在线分析。III人工神经网络算法调制识别的人工神经网络法由三大模块构成【见图2（a）】：1）输入在第二节解译了的信号帧的主要特征，进行预处理阶段；2）培训和学习阶段，以调整分类结构；3）测试阶段，确定信号的

8、种类。从图2（b）中我们可以很清晰的看到人工神经网络算法中包含三个人工神经网络子算法。第一个框图是用来区分所有调制类型的除多进制幅移键控和多进制频移键控外的方法。第二个框图是用来区分二进制幅移键控和四进制幅移键控的。第三个框图则是用来区分二进制频移键控和四进制频移键控的。图2人工神经网络结构的选择在模拟调幅信号的调制识别过程中把调制幅度不同调幅信号统称为调幅信号。不同调制指数的调频信号统称为调频信号。把调制幅度不同调制指数不同的信号归为调幅调频信号。目前来讲发展最完善的人工神经网络结构包括三部分，见图2（b）。第一个框图输出只有两种情况，它还需要二种输出情况来进行补足，这就是多进制幅移键控和多

9、进制频移键控。第二个和第三网络用来估计多进制幅移信号和多进制频移信号的进制数。对于第一层框图来说是发展的最好的，因为它包含三小层，第一隐层用logsigmoid功能触发，第二隐层用线性激活，第三层（输出）用作logsigmoid功能触发。相对来说第二层和第三层框图就比较简单了，它们用于第一结点层和第二结点层的静态触发。1）第一层网络的结构：基于人工神经网络算法在模拟和数字信号调制识别方面的发展，第一层的结构已经越来越完善了。其中包含了7节点的输入，一个11节点的输出和2个隐层。这些结构的唯一区别就是隐层中结点的个数。值得注意的是，在整个本文其余部分，任何使用的网络是由（S1-S2）表示。这意味

10、着，这个网络有7个节点输入层，S1为第一隐层节点，S2为第二隐层节点，还有一个11节点的输出层。网络参数的选择是基于得出了正确结论的最大概率和最佳均方误差（SEE）。依靠图3可以知道在六大结构中learining SEE对应数值。这六大结构的其中四个分别是：（12-12）、（12-15）、（15-15）、（18-18），给予95的整体性能。本文中的（18-18）网络进一步评估了人工神经网络算法的性能。2）第二层网络结构：当第一层网络结构输出的是多进制调幅信号时第二层网络结构起作用。第二层网络结构是非常简单的它由一个输入结点层和二个输出结点层组成（不包括隐层）。这一层输入的是，输出由2ASK或4

11、ASK决定。3）第三个层网络结构：这层网络的使用是当第一层网络输出是MFSK时而决定的。该层网络具有与第二网络相同的结构，其输入是，输出由2FSK或4FSK决定。图3IV性能评价通过12个模拟调制类型，以及六种数字调制类型来对上面提到的算法进行评价。在6和10中分别讨论了计算机仿真模拟与数字调制在高斯噪声带限的情况下的具体细节。A决策论算法主要特点的最佳阈值的选择都是基于图1所示在信噪比为15dB和20dB的情况下进行400次认证而得到的，很显然每一个决定规则都适用于一系列的调制类型，根据把它分成两类（A和B），在此KF是是所选择的主要特点是参考值，相应的最优阈值。为的最小值。PA(x)/A（

12、A的先验概率），PB(x)/B（B的先验概率），PA(x)/B(A的条件概率)，PB(x)/A(B的条件概率) 为条件概率。结果表明，和的最佳阀值分别为2.5，5，0.6，0.13，2.15，2.03，0.25和0.4。这些阈值用于区别模拟和数字调制识别算法。通过每种调制类型的400次认证得到的评估图如图4所示，表格1列出了信噪比为15dB和20dB两种情况下的各种调制的性能。通过表格1我们可以看到2ASK，4ASK，2FSK和4FSK在信噪比为15dB和20dB两种情况下的性能。通过数据我们可以看到除了4ASK的正确率为77.3，其余所有的模拟和数字调制正确率都超过了88，其中还有5种为10

13、0%。信噪比在15dB和20dB之间，除了AM，FM，4ASK和4FSK，其余所有的模拟和数字调制正确率都在92之上。表1B神经网络算法在前面提到的神经网络算法中通过使用第一层网络，使得它在调制类型的分类上最为完善。只有2ASK，4ASK，2FSK和4FSK四个类型需要额外的网络来进行分类。实验结果表明在每种类型的模拟和数字调制中一个信噪比时（15dB和20dB）只需要50帧，两个信噪比时却需要400帧。结果见图4和表1（b）。表1（b）表明2ASK和4ASK信号使用第二个人工神经网络进行性能评估，2FSK和4FSK信号使用第三方神经网络。显然，所有类型的模拟和数字调制的分类正确率都超过88。

14、此外所有的模拟和数字调制在信噪比为15dB时，AM，4ASK和4PSK，成功率为94，。还有在信噪比为15dB时，AM，4ASK和4PSK，成功率为97，。总得来说，神经网络算法比决策论算法得到的结果要好。在两种算法中所使用的数据集是完全相同的。因此，可以对这两种算法的结果进行对比。在信噪比为15dB时，决策论算法总得正确率在94%之上，神经网络算法总得正确率在96%之上。图4V总结本文的目的是通过决策论和神经网络算法自动识别通信信号的调制类型。对于怎么识别的关键几点已在上面作了阐述。在不同的信噪比下对12种模拟信号和6种数字信号的调制进行了大量的仿真。在信噪声比为15dB和20dB情况下的采

15、样结果已经给出。在信噪比为15dB时，决策论算法总得正确率在94%之上，神经网络算法总得正确率在96%之上。大部分的调制类型使用决策论得出的结果都是相当不错的，同时使用神经网络算法得出的数据也是非常令人鼓舞的，而且从15中可知它是很有发展前景的。pattern recognition approachwhich requires long signal duration and, hence, the processingtime may be very long; this leads to the use of the patternrecognition algorithms in the offline analysis. Nonetheless, thework in 1214 attempts to classify digital as well as analogmodulations.II. DECISION-THEORETIC APPROACHIn this section a global procedure for analog and digitallymodulated signals recognition, based on the decision-theoreticapproach, is proposed. First, t