一种微量采样数据数字调制识别方法技术

本发明专利技术属于通信技术领域，具体涉及一种2ASK、4ASK、2PSK、4PSK、2FSK和4FSK共6种调制方式的微量采样数据数字调制识别方法。本发明专利技术包括:对采样信号进行带通滤波处理；使用希尔伯特变换获取信号瞬时信息，包括瞬时幅度、非线性相位和瞬时频率；计算信号幅度中心化参数、相位中心化参数和频率中心化参数；计算信号分类所需的5个特征参数；使用决策树分类器对信号进行分类判决。本发明专利技术提出的新的中心化参数和分类门限自动调整方法能够有效地减少识别算法对采样码元数量的要求，使得识别方法可以在资源较少的硬件平台上得到应用，并且能提高方法对信噪比的自适应性。

【技术实现步骤摘要】
一种微量采样数据数字调制识别方法
本专利技术属于通信
，具体涉及一种2ASK、4ASK、2PSK、4PSK、2FSK和4FSK共6种调制方式的微量采样数据数字调制识别方法。
技术介绍
在信息对抗领域，为了成功对信号进行侦听，首要工作就是识别出信号的调制类型。随着无线通信的快速发展，通信信号的调制方式也变得越发多样，传统基于人工的信号识别方法已经不能满足实际的需要，迫切需要制出能够自动识别通信信号的调制制式和调制参数的设备。A.K.Nandi和E.E.Azzouz在1995年提出了基于信号瞬时参数特征的调制识别方法，该方法先对信号做Hibert变换，然后依次计算信号的瞬时幅度、瞬时相位和瞬时频率，然后选取由这三个参数构成的7个识别特征，对2ASK、4ASK、2PSK、4PSK以及2FSK、4FSK信号进行了识别。这种方法的计算简单，需要的先验信息较少，因而得到了广泛应用。然而上述方法在实际的硬件实现过程中仍然存在一些缺陷：1.对于硬件实现，由于单片机或者DSP的资源相对PC机来说是非常稀少和宝贵的，信号识别所用的采样数据的点数不能太多，导致一组采样数据中的码元个数较少。当采样点较少并且码元随机的情况下，传统的识别方法的中心化参数计算方法会出现较大偏差，导致识别率的下降。2.由于特征参数的值会随着SNR的变化而变化，特别是在采样点少、码元随机。如果选取单一的分类门限，在SNR变化时识别性能会急剧恶化。
技术实现思路
本专利技术的目的在于针对传统的识别方法不适用于采样点较少并且码元随机的情况，提出使用一种新的中心化参数和分类门限自动调整，适用微量采样数据和未知信噪比的调制信号识别方法。本专利技术的目的是这样实现的：(1)对采样信号进行带通滤波处理；(2)使用希尔伯特变换获取信号瞬时信息，包括瞬时幅度、非线性相位和瞬时频率；(3)计算信号幅度中心化参数、相位中心化参数和频率中心化参数；(4)计算信号分类所需的5个特征参数：σda、σaa、σdf、σap和σaf；其中，σda为中心化瞬时幅度的标准偏差，σaa为中心化瞬时幅度绝对值的标准偏差，σdf为非弱信号段瞬时频率的标准偏差，σap为中心化瞬时相位绝对值的标准偏差，σaf为中心化瞬时频率绝对值的标准偏差；中心化瞬时幅度、中心化瞬时相位和中心化频率的具体计算方法为：中心化瞬时幅度aan(i)＝a(i)-moa，其中a(i)为信号的瞬时幅度，moa为幅度中心化参数；中心化瞬时相位其中为信号的非线性相位，mop为相位中心化参数；中心化瞬时频率fcn(i)＝f(i)-mof，其中f(i)为信号的瞬时频率，mof为频率中心化参数；(5)使用决策树分类器对信号进行分类判决：(5.1)如果参数σda＜th1，则信号属于类0{2FSK，4FSK，2PSK,4PSK}，否则信号属于类1{2ASK,4ASK}；其中th1为参数σda的判决门限；(5.2)已判决出信号属于类1，执行SNR粗估计模块1：当σap＜th5，选择th2＝th2高SNR，否则选择th2＝th2低SNR；如果参数σaa＜th2，则信号为2ASK，否则信号为4ASK；其中th5为利用σap进行SNR粗估计的判决门限，th2为参数σaa的判决门限，th2高SNR为在高信噪比情况下th2选取的门限，th2低SNR为在低信噪比情况下th2选取的门限；(5.3)已判决出信号属于类0，且参数σdf＜th3，则信号属于类01{2PSK,4PSK}，否则信号属于类00{2FSK,4FSK}；其中th3为参数σdf的判决门限；(5.4)已判决出信号属于类01，执行SNR粗估计模块2：当σda＜th6，选择th5＝th5高SNR，否则选择th5＝th5低SNR；如果参数σap＜th5，则信号属于2PSK，否则信号为4PSK；其中th6为利用σda进行SNR粗估计的门限，th5为σap的判决门限，th5高SNR为在高信噪比情况下th5选取的门限，th5低SNR为在低信噪比情况下的th5选取的门限；(5)已判决出信号属于类00，执行SNR粗估计模块3：当σda＜th6，选择th4＝th4高SNR，否则选择th4＝th4低SNR；如果参数σaf＜th4，则信号为2FSK，否则信号为4FSK；其中th6为利用σda进行SNR粗估计的门限，th4为σaf的判决门限，th4高SNR为在高信噪比情况下th4选取的门限，th4低SNR为在低信噪比情况下th4选取的门限。幅度中心化参数由moa＝{E[a(i)＞ma]+E[a(i)＜ma]}/2获取，其中a(i)为信号的瞬时幅度，ma为a(i)的平均值，即ma＝E[a(i)]，E[·]为取均值符号。相位中心化参数由mof＝{E[f(i)＞mf]+E[f(i)＜mf]}/2获取，其中f(i)为信号的瞬时频率，mf为f(i)的平均值，即mf＝E[f(i)]。频率中心化参数由获取，其中为信号的非线性相位，mp为的平均值，即使用σap作为特征参数σaa的信噪比粗估计参数，以便于特征参数σaa的门限自动调整；当σap＜th5，选择th2＝th2高SNR，否则选择th2＝th2低SNR。使用σda作为特征参数σaf的信噪比粗估计参数；当σda＜th6，选择th4＝th4高SNR，否则选择th4＝th4低SNR。使用σda作为特征参数σap的信噪比粗估计参数，以便于特征参数σap的门限自动调整；当σda＜th6，选择th5＝th5高SNR，否则选择th5＝th5低SNR。本专利技术的有益效果在于：本专利技术提出的新的中心化参数和分类门限自动调整方法能够有效地减少识别算法对采样码元数量的要求，使得识别方法可以在资源较少的硬件平台上得到应用，并且能提高方法对信噪比的自适应性。附图说明图1：传统的识别方法流程图。图2：本专利技术的识别方法流程图。图3：使用两种中心化方法时，100次实验中参数σaa的值分布对比(16个码元、15dB)。图4：使用两种中心化方法时，100次实验中参数σaf的值分布对比(16个码元、15dB)。图5：使用两种中心化方法时，100次实验中参数σap的值分布对比(16个码元、15dB)。具体实施方式下面结合附图对本专利技术做进一步描述,其中图3-5中，(a)部分为本专利技术的中心化方法，(b)部分为传统的中心化方法本专利技术包括：步骤1：接收到的调制信号的采样序列为x(n),对x(n)进行带通滤波处理。步骤2：使用希尔伯特变换提取信号的瞬时幅度、非线性相位和瞬时频率。步骤3：计算信号频率中心化参数和幅度中心化参数；幅度中心化参数由公式moa＝{E[a(i)＞ma]+E[a(i)＜ma]}/2获取，其中a(i)为信号的瞬时幅度，ma为a(i)的平均值，即ma＝E[a(i)](E[·]为取均值符号)。频率中心化参数由公式mof＝{E[f(i)＞mf]+E[f(i)＜mf]}/2获取，其中f(i)为信号的瞬时频率，mf为f(i)的平均值，即mf＝E[f(i)]。相位中心化参数由公式获取，其中为信号的非线性相位，mp为的平均值，即步骤4：计算信号分类所需的5个特征参数：σda、σaa、σdf、σap和σaf。其中，σda为中心化瞬时幅度的标准偏差，σaa为中心化瞬时幅度绝对值的标准偏差，σdf为非弱信号段瞬时频率的标准本文档来自技高网...

【技术保护点】
一种微量采样数据数字调制识别方法，其特征在于：(1)对采样信号进行带通滤波处理；(2)使用希尔伯特变换获取信号瞬时信息，包括瞬时幅度、非线性相位和瞬时频率；(3)计算信号幅度中心化参数、相位中心化参数和频率中心化参数；(4)计算信号分类所需的5个特征参数：σda、σaa、σdf、σap和σaf；其中，σda为中心化瞬时幅度的标准偏差，σaa为中心化瞬时幅度绝对值的标准偏差，σdf为非弱信号段瞬时频率的标准偏差，σap为中心化瞬时相位绝对值的标准偏差，σaf为中心化瞬时频率绝对值的标准偏差；中心化瞬时幅度、中心化瞬时相位和中心化频率的具体计算方法为：中心化瞬时幅度aan(i)＝a(i)‑moa，其中a(i)为信号的瞬时幅度，moa为幅度中心化参数；中心化瞬时相位其中为信号的非线性相位，mop为相位中心化参数；中心化瞬时频率fcn(i)＝f(i)‑mof，其中f(i)为信号的瞬时频率，mof为频率中心化参数；(5)使用决策树分类器对信号进行分类判决：(5.1)如果参数σda＜th1，则信号属于类0{2FSK，4FSK，2PSK,4PSK}，否则信号属于类1{2ASK,4ASK}；其中th1为参数σda的判决门限；(5.2)已判决出信号属于类1，执行SNR粗估计模块1：当σap＜th5，选择th2＝th2高SNR，否则选择th2＝th2低SNR；如果参数σaa＜th2，则信号为2ASK，否则信号为4ASK；其中th5为利用σap进行SNR粗估计的判决门限，th2为参数σaa的判决门限，th2高SNR为在高信噪比情况下th2选取的门限，th2低SNR为在低信噪比情况下th2选取的门限；(5.3)已判决出信号属于类0，且参数σdf＜th3，则信号属于类01{2PSK,4PSK}，否则信号属于类00{2FSK,4FSK}；其中th3为参数σdf的判决门限；(5.4)已判决出信号属于类01，执行SNR粗估计模块2：当σda＜th6，选择th5＝th5高SNR，否则选择th5＝th5低SNR；如果参数σap＜th5，则信号属于2PSK，否则信号为4PSK；其中th6为利用σda进行SNR粗估计的门限，th5为σap的判决门限，th5高SNR为在高信噪比情况下th5选取的门限，th5低SNR为在低信噪比情况下的th5选取的门限；(5)已判决出信号属于类00，执行SNR粗估计模块3：当σda＜th6，选择th4＝th4高SNR，否则选择th4＝th4低SNR；如果参数σaf＜th4，则信号为2FSK，否则信号为4FSK；其中th6为利用σda进行SNR粗估计的门限，th4为σaf的判决门限，th4高SNR为在高信噪比情况下th4选取的门限，th4低SNR为在低信噪比情况下th4选取的门限。...

【技术特征摘要】
1.一种微量采样数据数字调制识别方法，其特征在于：(1)对采样信号进行带通滤波处理；(2)使用希尔伯特变换获取信号瞬时信息，包括瞬时幅度、非线性相位和瞬时频率；(3)计算信号幅度中心化参数、相位中心化参数和频率中心化参数；(4)计算信号分类所需的5个特征参数：σda、σaa、σdf、σap和σaf；其中，σda为中心化瞬时幅度的标准偏差，σaa为中心化瞬时幅度绝对值的标准偏差，σdf为非弱信号段瞬时频率的标准偏差，σap为中心化瞬时相位绝对值的标准偏差，σaf为中心化瞬时频率绝对值的标准偏差；中心化瞬时幅度、中心化瞬时相位和中心化频率的具体计算方法为：中心化瞬时幅度aan(i)＝a(i)-moa，其中a(i)为信号的瞬时幅度，moa为幅度中心化参数；中心化瞬时相位其中为信号的非线性相位，mop为相位中心化参数；中心化瞬时频率fcn(i)＝f(i)-mof，其中f(i)为信号的瞬时频率，mof为频率中心化参数；(5)使用决策树分类器对信号进行分类判决：(5.1)如果参数σda＜th1，则信号属于类0{2FSK，4FSK，2PSK,4PSK}，否则信号属于类1{2ASK,4ASK}；其中th1为参数σda的判决门限；(5.2)已判决出信号属于类1，执行SNR粗估计模块1：当σap＜th5，选择th2＝th2高SNR，否则选择th2＝th2低SNR；如果参数σaa＜th2，则信号为2ASK，否则信号为4ASK；其中th5为利用σap进行SNR粗估计的判决门限，th2为参数σaa的判决门限，th2高SNR为在高信噪比情况下th2选取的门限，th2低SNR为在低信噪比情况下th2选取的门限；(5.3)已判决出信号属于类0，且参数σdf＜th3，则信号属于类01{2PSK,4PSK}，否则信号属于类00{2FSK,4FSK}；其中th3为参数σdf的判决门限；(5.4)已判决出信号属于类01，执行SNR粗估计模块2：当σda＜th6，选择th5＝th5高SNR，否则选择th5＝th5低SNR；如果参数σap＜th5，则信号属于2PSK，否则信号为4PSK；其中th6为利用σ...

【专利技术属性】
技术研发人员：张晓林，何林飞，任立群，成佳峰，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23