基于分数低阶循环谱的图域通信信号调制识别方法技术

本发明专利技术公开了一种基于分数低阶循环谱的图域通信信号调制识别方法。利用接收信号的三维分数低阶循环谱，将被α稳定分布噪声干扰的调制信号转换到图域上，然后可以从图表示的稀疏邻接矩阵中提取有效特征参数行索引序列集合作为调制类型的特征，根据训练信号与接收信号的行索引序列集合汉明距离，来实现α稳定分布噪声干扰下，更稳定的更有效的通信信号调制类型的识别。

【技术实现步骤摘要】
基于分数低阶循环谱的图域通信信号调制识别方法
本专利技术属于信号处理
，更为具体地讲，涉及一种基于分数低阶循环谱的图域通信信号调制识别方法。
技术介绍
自动调制分类(AutomaticModulationClassification，简称AMC)，也称通信信号调制识别可以在很少或没有先验知识的情况下识别接收信号的调制类型，是信号检测和解调之间必不可少的一个重要步骤，并广泛应用于许多军事和民用通信领域。经典自动调制分类(AMC)方法，通常可分为两类：(i)基于似然的(LB)决策理论方法和(ii)基于特征的(FB)模式识别(PR)方法。然而，LB的方法不可避免地会有一些缺点，例如缺乏闭式解，难以忍受的高计算复杂度，概率模型不匹配。FB方法的性能不是最佳的，然而它们能非常有效地实现，因此，许多研究利用不同的特征和不同的分类算法以追求FB方法的鲁棒性能。值得注意的是，LB方法和FB方法都是应用在高斯噪声信道的假设中，然而，各种各样的研究表明，在实际的无线通信中频道，通常是由明显的脉冲引起的多址干扰，低频大气噪声，电磁干扰等。这些物理噪声表现出尖锐的脉冲特性和具有重尾的概率密度分布。根据中心极限定理，这些在无线通信系统中主要误差来源的非高斯分布噪声可以被建模为α稳定分布噪声。在α稳定分布噪声出现的信道中，传统AMC方法性能会出现明显的恶化。基于图域的自动调制分类(AMCG)第一次将AMC技术引入图形域，并且已经实现了比现有PR和基于LB的决策理论算法更优的性能。但是该方法是对接收信号的二阶循环谱进行图域映射提取图域特征。然而在α稳定分布噪声中不存在二阶及更高阶的统计量，所以，现有的AMCG方法在α稳定分布噪声中也失效，因此，新的更稳定的更有效的适用于α稳定分布噪声的AMC技术亟待被发现。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提出一种基于分数低阶循环谱的图域通信信号调制识别方法，以适应α稳定分布噪声，实现更稳定的更有效的通信信号调制类型的识别。为实现上述专利技术目的，本专利技术基于分数低阶循环谱的图域通信信号调制识别方法，其特征在于，包括以下步骤：(1)、调制类型训练信号的特征提取1.1)、基于分数低价循环谱的图域映射对于无噪声的第k类调制类型的训练信号xk(t)，k＝1,2,…,K，K为调制类型的类型数量；将其采样序列划分为L段，每一段进行一次图域映射：采用FAM算法((FastFouriertransform)AccumulationMethod)：FFT累加算法，用于计算循环谱密度)计算出l段训练信号的FLOCS(FractionalLow-OrderCyclicSpectrum，分数低阶循环谱)，得到图域集合：其中，h＝1,2...H，表示第k类调制类型的训练信号的l段保留下来的循环频率εh所对应的时域平滑循环周期图，提取出H个循环频率εh所对应的时域平滑循环周期图的邻接矩阵，得到邻接矩阵集合：其中，时域平滑循环周期图根据以下方式得到：a1)、对计算出的FLOCS即分数低阶循环谱进行归一化和量化处理，得到最大值为1且离散的分数低阶循环谱其中，ε为循环频率，f为频率；在FAM算法中，FLOCS的频率分辨率为Δf＝fs/N′，循环频率分辨率Δα＝1/Δt＝fs/N，其中，fs为采样频率，N′为复解调所用数据的点数，N为Δt时间内输入的数据点数，这样采用FAM算法计算出的FLOCS为(N′+1)×(2N+1)的矩阵；a2)、由于FLOCS具有对称性，基于离散的分数低阶循环的四分之一象限建立相应的图域映射：定义稳定的循环频率εp,p＝1,2...N，εp满足条件：将稳定的循环频率εp,p＝1,2...N相应的频率值作为顶点，得到顶点集合：将两个顶点之间的幅度差值作为边，得到边集合：其中：这样，在每一个稳定的循环频率εp下得到相应的图域映射，即时域平滑循环周期图为：将分数低阶循环谱为0的循环频率删除，得到H个保留下来的循环频率εh所对应的时域平滑循环周期图：1.2)、行索引序列的提取对于每个邻接矩阵l＝1,2,…,L提取主对角线正上方的次对角线的非零条目(元素)，提取这些非零条目(元素)所对应的行索引序列行索引序列提取的原则如下：b1)、检查次对角线的非零值，列出这些非零值所对应的行索引，并根据这些非零值的绝对值对这些行索引进行降序排列，然后，按降序依次提取行索引；b2)、如果两个或多个非零条目具有相同的绝对值，则提取距离之前所提取的行索引距离最近的行索引，其他的丢弃；b3)、如果两个或多个非零条目具有相同的绝对值，且最大，则选择最大的行索引，其他的丢弃；这样得到循环频率εh所对应的得到L个行索引序列，选取在L个行索引序列中出现概率大于95％行索引构成一个稳定的行索引序列对于第k类调制类型的训练信号，提取出H个循环频率εh稳定的行索引序列，构成稳定行索引序列集合：并作为第k类调制类型的特征；(2)、通信信号调制类型的识别对于接收信号，按照步骤(1)的方法获取其调制类型的特征，行索引序列集合其中，V是保留下来的循环频率个数；计算行索引序列集合与第k类调制类型的特征的汉明距离，得到K个汉明距离k＝1,2,…,K，然后在其中找最小的汉明距离，其对应的调制类型即为接收通信信号的调制类型。本专利技术的目的是这样实现的。为应对α稳定分布噪声，本专利技术基于分数低阶循环谱的图域通信信号调制识别方法。利用接收信号的三维分数低阶循环谱，将被α稳定分布噪声干扰的调制信号转换到图域上，然后可以从图表示的稀疏邻接矩阵中提取有效特征参数行索引序列集合作为调制类型的特征，根据训练信号与接收信号的行索引序列集合汉明距离，来实现α稳定分布噪声干扰下，更稳定的更有效的通信信号调制类型的识别。附图说明图1是本专利技术应用的一种具体实施方式原理框图。具体实施方式下面结合附图对本专利技术的具体实施方式进行描述，以便本领域的技术人员更好地理解本专利技术。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本专利技术的主要内容时，这些描述在这里将被忽略。为了方便描述，先对具体实施方式中出现的相关专业术语进行说明：AMC(automaticmodulationclassification)：自动调制分类；FB(feature-based)：基于统计特征PR(patternrecognition)：模式识别LB(Likelihood-basedinfluence)：基于似然函数AMCG(graph-basedautomaticmodulationclassification)：图域自动调制分类；PDF(probabilitydensityfunction)：概率密度函数；CF(characteristicfunction)：特征函数；FLOCS(fractionallow-ordercyclicspectrum)：分数低阶循环谱；FLOC(fractionallow-ordercorrelation)：分数低阶自相关函数；FLOCC(fractionallow-ordercycliccorrelation)：分数低阶循环自相关；FAM(FFT(fastFouriertransform)accumulationmethod)：FFT累加算法，用于计本文档来自技高网...

【技术保护点】
一种基于分数低阶循环谱的图域通信信号调制识别方法，其特征在于，包括以下步骤：(1)、调制类型训练信号的特征提取1.1)、基于分数低阶循环谱的图域映射对于无噪声的第k类调制类型的训练信号x

【技术特征摘要】
1.一种基于分数低阶循环谱的图域通信信号调制识别方法，其特征在于，包括以下步骤：(1)、调制类型训练信号的特征提取1.1)、基于分数低阶循环谱的图域映射对于无噪声的第k类调制类型的训练信号xk(t)，k＝1,2,…,K，K为调制类型的类型数量；将其采样序列划分为L段，每一段进行一次图域映射：采用FAM算法((FastFouriertransform)AccumulationMethod)：FFT累加算法，用于计算循环谱密度)计算出l段训练信号的FLOCS(FractionalLow-OrderCyclicSpectrum，分数低阶循环谱)，得到图域集合：其中，表示第k类调制类型的训练信号的l段保留下来的循环频率εh所对应的时域平滑循环周期图，提取出H个循环频率εh所对应的时域平滑循环周期图的邻接矩阵，得到邻接矩阵集合：其中，时域平滑循环周期图根据以下方式得到：a1)、对计算出的FLOCS即分数低阶循环谱进行归一化和量化处理，得到最大值为1且离散的分数低阶循环谱在FAM算法中，FLOCS的频率分辨率为Δf＝fs/N′，循环频率分辨率Δα＝1/Δt＝fs/N，其中，fs为采样频率，N′为复解调所用数据的点数，N为Δt时间内输入的数据点数，这样采用FAM算法计算出的FLOCS为(N′+1)×(2N+1)的矩阵；a2)、由于FLOCS具有对称性，基于离散的分数低阶循环的四分之一象限建立相应的图域映射：定义稳定的循环频率εp,p＝1,2...N，εp满足条件：将稳定的循环频率εp,p＝1,2...N相应的频率值作为顶点，得到顶点集合：

【专利技术属性】
技术研发人员：阎啸，刘冠男，吴孝纯，王茜，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51