基于顺序统计量和机器学习的调制识别方法及系统技术方案

本发明专利技术涉及一种基于顺序统计量和机器学习的调制识别方法及系统。该方法包括：获取待识别信号的幅值和相位，获取幅值的顺序统计量和相位的顺序统计量；利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类，以区分QAM信号和不同的PSK信号；获取待识别的QAM信号的实部和虚部，获取待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量；利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和虚部的顺序统计量对待识别的QAM信号进行调制类型的分类，以区分不同的QAM信号。本发明专利技术在计算复杂度较低的情况下保持良好的信号分类性能。

【技术实现步骤摘要】

本专利技术涉及无线通信
，尤其涉及一种基于顺序统计量和机器学习的调制识别方法及系统。
技术介绍
无线通信是我们生活中重要的一种信息传递方式，从早先的电台与电视广播信号到现在的Wi-Fi、手机使用的4G通信技术，无线通信技术由于其便利性正越来越多地影响我们的生活。而通信信号的调制与解调是无线通信中的一个重要领域。由于低频无线信号不适合进行发射和接收，我们需要将传输的信号通过一定的方式加载到高频载波上，使其适合在空中传播，这一过程即为信号的调制。由于无线通信的通信目的、通信环境等条件的不同，无线通信的调制的方式也多种多样。早期的调制信号通常采用的是模拟调制，但随着数字通信技术不断发展，目前通信采用的调制信号大多是数字调制，数字调制相比于模拟调制有抗干扰能力强、传输信息范围广、保密性高等特点。由于无线通信应用在越来越广泛的领域，为满足不同用户的需求，无线信号在传播中通常会采用不同的调制方式。常用的数字调制方式可以分为幅度键控(ASK)，频移键控(FSK)和相移键控(PSK)三种调制类型，分别通过变化信号的幅度、频率和相位信息来传递信息。另外还有一些联合调制的方式，如QAM通过同时改变相位和幅值来传递信息。调制方式是区别不同无线信号的一个重要特征，而调制信号识别技术指的是通过接收到的信号来判断空间中信号的调制类型，它是近年来无线电通信中发展较快的一个研究方向，其应用领域广泛。在>军事方面，由于现代战争中信息主要通过无线电波传递，因此调制识别是对敌方通信进行侦察或干扰的前提；在民用方面，信号的调制方式可以作为无线电频谱管理的依据，即通过调制识别监测无线频段的使用情况，从而可以对无线频谱资源的分配进行指导，或防止无线频谱被干扰或非法利用。另外，在认知无线电中，调制识别配合软件定义无线电可以让认知用户能够在不同调制系统中进行通信，从而增加无线频谱的利用率。目前，调制识别方法可以分成基于似然概率和基于特征的两大类。基于似然概率的方法通过计算信号的似然概率作为分类依据，可以细分为平均似然比检验、总体似然比检验、混合似然比检验等。其中平均似然比检验将未知参数当成一个随机变量，通过对其取期望来去除未知参数的影响；总体似然比检验将未知参数当作一个确定的值以使似然概率最大化；混合似然比检验是将以上两种方法混合，即认为一部分变量是随机的，另一部分变量则是确定的。这三种方法可以去除部分未知信道的影响，并且各有各的优点，但计算复杂度较高。另一方面，基于特征的调制识别方法利用了不同假设下接收信号的特征不同进行分类，这种方法往往需要知道的信息较少，常用基于特征的调制识别方法包括：基于瞬时信息的方法、基于变换域的方法和基于信号统计特性的方法。其中基于瞬时信息的调制识别方法主要使用的信息是信号的瞬时的振幅、相位、频率等。基于变换域的方法通过将信号变换到其它空间之后来区分不同调制类型，其中最常见的是傅里叶变换和小波变换。基于信号统计特性的方法则是将接收信号的统计量作为特征进行分类，其中最常用的统计量是高阶矩和高阶积累量。通常的基于特征的识别方法具有较低的计算复杂度，且只需知道较少的信道信息，但分类性能相对于基于似然函数的方法较差。
技术实现思路
本专利技术所要解决的技术问题是：现有的调制识别方法计算复杂度较低、分类性能较差的问题。为解决上述技术问题，本专利技术一方面提出了一种基于顺序统计量和机器学习的调制识别方法，该方法包括：获取待识别信号的幅值和相位，分别对各个待识别信号的幅值和相位进行排序，获取幅值的顺序统计量和相位的顺序统计量；利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类，以区分QAM信号和不同的PSK信号；获取待识别的QAM信号的实部和虚部，分别对各个待识别的QAM信号的实部和虚部进行排序，获取待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量；利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类，以区分不同的QAM信号。可选地，在所述获取待识别信号的幅值和相位之前，还包括：利用已知调制类型的信号的顺序统计量训练所述机器学习模型。可选地，所述机器学习模型为线性支持向量机模型。可选地，在所述获取待识别信号的幅值和相位之前，还包括：获取待识别信号的信道信息。可选地，所述机器学习模型为反向传播神经网络模型。可选地，在所述获取待识别信号的幅值和相位之前，还包括：对所述待识别信号进行能量归一化处理，并消除所述待识别信号的相位偏移和频率偏移。可选地，在所述利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类之前，还包括：分别获取所述幅值的顺序统计量和相位的顺序统计量的部分元素，获取幅值的压缩顺序统计量和相位的压缩顺序统计量；相应地，所述利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类包括：利用反向传播神经网络模型根据幅值的压缩顺序统计量和相位的压缩顺序统计量对待识别信号进行调制类型的分类。可选地，在所述利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类之前，还包括：分别获取所述待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量的部分元素，获取待识别的QAM信号的实部的压缩顺序统计量和虚部的压缩顺序统计量；相应地，所述利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类包括：利用反向传播神经网络模型根据带识别的QAM信号的实部的顺序统计量和虚部的顺序统计量对待识别的QAM信号进行调制类型的分类。本专利技术另一方面提出了一种基于顺序统计量和机器学习的调制识别系统，该系统包括：第一顺序统计量获取单元，用于获取待识别信号的幅值和相位，分别对各个待识别信号的幅值和相位进行排序，获取幅值的顺序统计量和相位的顺序统计量；第一分类单元，用于利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类，以区分QAM信号和不同的PSK信号；第二顺序统计量本文档来自技高网...

【技术保护点】
一种基于顺序统计量和机器学习的调制识别方法，其特征在于，包括：获取待识别信号的幅值和相位，分别对各个待识别信号的幅值和相位进行排序，获取幅值的顺序统计量和相位的顺序统计量；利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量对待识别信号进行调制类型的分类，以区分QAM信号和不同的PSK信号；获取待识别的QAM信号的实部和虚部，分别对各个待识别的QAM信号的实部和虚部进行排序，获取待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量；利用机器学习模型根据待识别的QAM信号的实部的顺序统计量和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调制类型的分类，以区分不同的QAM信号。

【技术特征摘要】
1.一种基于顺序统计量和机器学习的调制识别方法，其特征在
于，包括：
获取待识别信号的幅值和相位，分别对各个待识别信号的幅值和
相位进行排序，获取幅值的顺序统计量和相位的顺序统计量；
利用机器学习模型根据幅值的顺序统计量和相位的顺序统计量
对待识别信号进行调制类型的分类，以区分QAM信号和不同的PSK
信号；
获取待识别的QAM信号的实部和虚部，分别对各个待识别的
QAM信号的实部和虚部进行排序，获取待识别的QAM信号的实部的
顺序统计量和待识别QAM信号的虚部的顺序统计量；
利用机器学习模型根据待识别的QAM信号的实部的顺序统计量
和待识别QAM信号的虚部的顺序统计量对待识别的QAM信号进行调
制类型的分类，以区分不同的QAM信号。
2.根据权利要求1所述的基于顺序统计量和机器学习的调制识别
方法，其特征在于，在所述获取待识别信号的幅值和相位之前，还包
括：
利用已知调制类型的信号的顺序统计量训练所述机器学习模型。
3.根据权利要求1所述的基于顺序统计量和机器学习的调制识别
方法，其特征在于，所述机器学习模型为线性支持向量机模型。
4.根据权利要求3所述的基于顺序统计量和机器学习的调制识别
方法，其特征在于，在所述获取待识别信号的幅值和相位之前，还包
括：
获取待识别信号的信道信息。
5.根据权利要求1所述的基于顺序统计量和机器学习的调制识别
方法，其特征在于，所述机器学习模型为反向传播神经网络模型。
6.根据权利要求5所述的基于顺序统计量和机器学习的调制识别

\t方法，其特征在于，在所述获取待识别信号的幅值和相位之前，还包
括：
对所述待识别信号进行能量归一化处理，并消除所述待识别信号
的相位偏移和频率偏移。
7.根据权利要求5所述的基于顺序统计量和机器学习的调制识别
方法，其特征在于，在所述利用机器学习模型根据幅值的顺序统计量
和相位的顺序统计量对待识别信号进行调制类型的分类之前，还包
括：
分别获取所述幅值的顺序统计量和相位的顺序统计量的部分元
素，获取幅值的压缩顺序统计量和相位的压缩顺序统计量；
相应地，所述利用机...

【专利技术属性】
技术研发人员：高飞飞，韩露冰，李赞，
申请(专利权)人：清华大学，西安电子科技大学，
类型：发明
国别省市：北京;11