一种基于KL散度的通信信号图域特征提取方法技术

本发明专利技术公开了一种基于KL散度的通信信号图域特征提取方法，利用通信信号的循环谱，在保证算法鲁棒性的前提下实现了特征序列的自动构建；具体讲，本发明专利技术首先通过图域映射理论，将通信信号的循环谱转换为一系列邻接矩阵，并提取邻接矩阵中的元素构建特征序列备选集；然后对特征序列备选集中的每一个索引，根据每种调制类型在该索引处元素值的大小确定主调制类型，并计算主调制类型相对其他调制类型的KL散度；最后根据KL散度的大小来建立每种调制类型的特征序列。

A feature extraction method for communication signal domain based on KL divergence

The invention discloses a method for extracting the characteristics of communication signal graph domain based on KL divergence, and realizes the automatic construction of feature sequence on the premise of guaranteeing the robustness of the algorithm by utilizing the cyclic spectrum of communication signal; in particular, the method first converts the cyclic spectrum of communication signal into a series of adjacency matrices by the graph domain mapping theory. Then the main modulation type is determined according to the value of each modulation type at the index, and the KL divergence of the main modulation type relative to other modulation types is calculated. Finally, the KL divergence is constructed according to the size of the KL divergence. The characteristic sequence of each modulation type is set up.

【技术实现步骤摘要】
一种基于KL散度的通信信号图域特征提取方法
本专利技术属于信号处理
，更为具体地讲，涉及一种基于KL散度的通信信号图域特征提取方法。
技术介绍
自动调制分类(AMC)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，广泛应用于军事和民用通信。典型的自动调制识别方法通常分为两类：基于最大似然的方法(ML)和基于特征提取的方法(FB)。基于最大似然的方法是一种基于假设检验的理论，通过接收信号的似然函数，将似然比与一个门限值做比较做出判决，这种方法可以得到贝叶斯意义上的最优解，但是也存在诸多弊端；基于特征识别的方法包括特征提取(FE)和模式识别(PR)两个阶段，特征提取阶段从接收到的未知信号中提取若干参考特征，然后在模式识别阶段根据提取的特征判断信号的调制类型，这种方法虽然不是最优的但实施效率相比前者较高。但两种方法都需要系统提供较高的运算能力，难以用于一些实时性要求较高而系统资源受限的特殊应用场合；现有识别方法在处理实际无线通信信号时性能严重恶化，实际工程应用中鲁棒性差。基于图域的自动调制分类(AMCG)第一次将AMC变换到图形域，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。该方法利用调制信号的循环谱，依据循环频率将循环谱映射到图域，构建为加权有向环，手动记录邻接矩阵次对角线上的非零项，这些非零项被构建为有效特征参数。然而在AMCG中的整个图域特征构建是通过人工进行的，计算十分繁琐，工作量大，如果不适当地选择特征序列，容易造成较大的误差，通常会影响识别效果。这就需要一种科学地选择特征的方法，用于AMCG特征的自动构建。KL散度用来表示两个随机分布的差异，通过计算某种调制类型相对于其他调制类型的KL散度并根据其大小进行排序，可以实现信号图域特征的自动构建，提取较少数量的特征达到更优化的性能，在避免人工参与特征构建的同时保证AMCG的鲁棒性。
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，提供一种基于KL散度的通信信号图域特征提取方法，在保证算法鲁棒性的前提下实现无人工参与的特征序列自动构建。为实现上述专利技术目的，本专利技术一种基于KL散度的通信信号图域特征提取方法，其特征在于，包括以下步骤：(1)、通信信号图域映射(1.1)、设置调制类型候选集Mdef，Mdef＝{M1,M2,...,MK}，其中，Mk表示第k种调制类型，k＝1,2,...,K，K表示调制类型总数；(1.2)、利用FAM算法计算通信信号x(n)的循环谱其中，α为循环频率，α的取值为[α1,α2,…,αp]，p为循环频率的取值个数，f为x(n)的频率，再对循环谱进行归一化和量化处理得到谱(1.3)、在谱中，根据的对称性，在每种调制类型下取α和f均为正的四分之一谱映射到图域，得到一个图集其中，表示第k种调制类型下循环频率为ατ时的一个图，τ＜p；将图集中的每一个图转换为一个邻接矩阵，建立起相应的邻接矩阵集由图转换成的邻接矩阵；同理，建立其余调制类型下的邻接矩阵集；(2)、构建特征序列备选集在所有邻接矩阵集中，取所有邻接矩阵的元素加入到特征序列备选集Idef中；Idef＝{β1,β2,…,βi,…,βI}其中，βi表示第i个元素，i＝1,2,...,I，I表示元素的最大数量；(3)、自动构建特征序列(3.1)、确定主调制类型重复计算次数为M；在第k种调制类型下第m次计算时，m＝1,2,…,M，根据Idef中索引i找到到对应邻接矩阵中的一个元素，其值记为重复计算M次，得到第k种调制类型下的M个值同理，分别得到其余调制类型下的M个值；对每种调制类型下的M个值求绝对累和，再选出绝对累和最大的一组对应的调制类型作为主调制类型，其索引为Kdef，即(3.2)、计算主调制类型在每个索引处的KL散度在第i个索引处，统计M次计算时第k种调制类型下的的概率分布：其中，其中，xk,i是每次计算时的随机变量；再对xk,i取绝对值|xk,i|，得：同理，计算出第i个索引处M次计算时，其余调制类型下的概率分布并将主调制类型的概率分布记为然后计算第i个索引处的主调制类型的联合KL散度Ψi；同理，按照上述方法可以求得每一个索引i＝1,2...,I处主调制类型的联合KL散度；(3.3)、根据KL散度构建特征序列设K种调制类型总共需要提取N个特征；在I个索引处的KL散度中选出最大的前N个KL散度，并将对应的索引处的元素作为需要提取N个特征；然后找到这N个索引分别对应的主调制类型，将每个索引处对应的元素加入主调制类型的特征序列，构建K个特征序列。本专利技术的专利技术目的是这样实现的：本专利技术一种基于KL散度的通信信号图域特征提取方法，利用通信信号的循环谱，在保证算法鲁棒性的前提下实现了特征序列的自动构建；具体讲，本专利技术首先通过图域映射理论，将通信信号的循环谱转换为一系列邻接矩阵，并提取邻接矩阵中的元素构建特征序列备选集；然后对特征序列备选集中的每一个索引，根据每种调制类型在该索引处元素值的大小确定主调制类型，并计算主调制类型相对其他调制类型的KL散度；最后根据KL散度的大小来建立每种调制类型的特征序列。同时，本专利技术一种基于KL散度的通信信号图域特征提取方法还具有以下有益效果：(1)、避免人工参与构建特征序列，不会因为人为地选择到不适当的特征而影响识别效果；(2)、构建的特征序列在基于AMCG算法的整个分类过程中可以保持不变，并且可以忽略因训练信号传输符号随机性而导致的多种调制类型的调制特征序列的不一致性；(3)、相比人工记录的方法，自动构建的特征序列包含较少的特征，不会导致任何的计算复杂性，但是达到更优的性能。附图说明图1是本专利技术基于KL散度的通信信号图域特征提取方法流程图；图2是BPSK调制类型下的图域映射示意图。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。实施例为了方便描述，先对具体实施方式中出现的相关专业术语进行说明：BPSK(binaryphase-shiftkeying)：二进制相移键控；QPSK(quadraturephase-shiftkeying)：正交相移键控；OQPSK(offsetquadraturephase-shiftkeying)：偏移四相相移键控；2FSK(binaryfrequency-shiftkeying)：二进制频移键控；4FSK(quadraturefrequency-shiftkeying)：四进制频移键控；MSK(minimumshiftkeying)：最小频移键控；LB(Likelihood-basedinfluence)：基于最大似然FB(feature-based)：基于特征FE(feature-extraction)：特征提取PR(patternrecognition)：模式识别AMCG(graph-basedautomaticmodulationclassification)：基于图域的自动调制分类；KL散度(Kullback-Leiblerdivergence)：KL散度，又称相对熵；图1是本专利技术基于KL散度的通信信号图域特征提取方法流程图本文档来自技高网...

【技术保护点】
1.一种基于KL散度的通信信号图域特征提取方法，其特征在于，包括以下步骤：(1)、通信信号图域映射(1.1)、设置调制类型候选集Mdef，Mdef＝{M1,M2,...,MK}，其中，Mk表示第k种调制类型，k＝1,2,...,K，K表示调制类型总数；(1.2)、利用FAM算法计算通信信号x(n)的循环谱

【技术特征摘要】
1.一种基于KL散度的通信信号图域特征提取方法，其特征在于，包括以下步骤：(1)、通信信号图域映射(1.1)、设置调制类型候选集Mdef，Mdef＝{M1,M2,...,MK}，其中，Mk表示第k种调制类型，k＝1,2,...,K，K表示调制类型总数；(1.2)、利用FAM算法计算通信信号x(n)的循环谱其中，α为循环频率，α的取值为[α1,α2,…,αp]，p为循环频率的取值个数，f为x(n)的频率，再对循环谱进行归一化和量化处理得到谱(1.3)、在谱中，根据的对称性，在每种调制类型下取α和f均为正的四分之一谱映射到图域，得到一个图集其中，表示第k种调制类型下循环频率为ατ时的一个图，τ＜p；将图集中的每一个图转换为一个邻接矩阵，建立起相应的邻接矩阵集由图转换成的邻接矩阵；同理，建立其余调制类型下的邻接矩阵集；(2)、构建特征序列备选集在所有邻接矩阵集中，取所有邻接矩阵的元素加入到特征序列备选集Idef中；Idef＝{β1,β2,…,βi,…,βI}其中，βi表示第i个元素，i＝1,2,...,I，I表示的最大数量；(3)、自动构建特征序列(3.1)、确定主调制类型重复计算次数为M；在第k种调制类型下第m次计算时，m＝...

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