基于EMD分解的PSK及QAM类信号调制识别方法技术

本发明专利技术针对MPSK和MQAM两类信号的调制识别问题，提出了一种基于EMD分解的PSK及QAM类信号调制识别方法。首先对待识别信号作经验模态分解，而后提取分解得到的第一阶本征模态分量，对第一阶本征模态分量进行傅里叶变换后取模，并据此确定识别特征量。根据得到的识别特征量，设定相应的门限，将识别特征量和门限相比较，识别PSK和QAM信号。仿真结果表明，在无信号先验信息的条件下可对MPSK和MQAM两类调制信号进行识别。

【技术实现步骤摘要】
基于EMD分解的PSK及QAM类信号调制识别方法
本专利技术属于信号识别与处理领域，具体涉及一种基于EMD分解的PSK及QAM类信号调制识别方法。
技术介绍
在认知无线电(CR，CognitiveRadio)、通信侦察中，调制方式识别的任务是在噪声干扰环境，且无或缺乏先验信息的条件下，对观测信号的调制方式进行识别，为后续信号分析和情报挖掘等环节提供信息。现有的方法主要可分为似然比识别及特征识别两类，似然比识别的性能最佳但需要信号及信道的先验信息，且易受模型失配的影响，复杂度也较高，而特征识别法主要包括循环平稳频率检测法、四阶矩峰值特征法等，这些方法的复杂度略低，但在低噪比时性能较差。本专利技术基于经验模态分解的识别方法，计算信号的第一阶本征模态分量，选择特定的特征量及门限，完成MQAM及MPSK两种调制信号的识别，算法的计算复杂度低，且在低信噪比时识别正确率高。
技术实现思路
本专利技术针对现有技术中的不足，提供一种基于EMD分解的PSK及QAM类信号调制识别方法。为实现上述目的，本专利技术采用以下技术方案：基于EMD分解的PSK及QAM类信号调制识别方法，其特征在于，包括如下步骤：步骤1：对待识别信号进行经验模态分解；步骤2：提取经验模态分解得到的第一阶本征模态分量；步骤3：对第一阶本征模态分量傅里叶变换后取模，并据此确定识别特征量；步骤4：设定相应的门限；步骤5：将识别特征量和门限相比较，识别PSK和QAM信号。为优化上述技术方案，采取的具体措施还包括：进一步地，在步骤1中，设待识别信号为x(t)，对信号进行经验模态分解得到：其中，ci(t)为分解的第i阶本征模态分量，r(t)为残差分量，N为分解的自适应阶数。进一步地，在步骤2中，根据经验模态分解得到的模态分量，提取第一阶本征模态分量：其中，c1(t)为第一阶本征模态分量。进一步地，在步骤3中，对第一阶本征模态分量傅里叶变换后取模，将模值大于半极大值模值的个数作为识别特征量；具体如下：对第一阶本征模态分量c1(t)傅里叶变换后取模得到模值：C(k)＝|FFT(c1(t))|·2/N,k＝0,...,N-1其中，N为c1(t)的长度，FFT为快速傅里叶变换；取模值大于半极大值模值的个数B1＝sum{C(k)>[max(C(k))/2]}，根据得到的个数B1作为识别特征量，其中，sum(·)为求满足条件C(k)>[max(C(k))/2]频线的根数。进一步地，在步骤4中，设定MPSK和MQAM信号的识别门限，thevt＝80。进一步地，在步骤5中，当B1≤thgvt时，则为MQAM调制信号；否则为MPSK调制信号。进一步地，在步骤3中，对第一阶本征模态分量傅里叶变换后取极大值模，作为识别特征量；具体如下：对第一阶本征模态分量c1(t)傅里叶变换后取极大值模得到模值：A1＝max(|FFT(c1(t))|·2/N)其中，N为c1(t)的长度，FFT为傅里叶变化；根据得到的模值A1作为识别特征量。进一步地，在步骤4中，设定MPSK和MQAM信号的识别门限，thevt＝0.01。进一步地，在步骤5中，当A1≥thgvt时，则为MQAM调制信号；否则为MPSK调制信号。本专利技术的有益效果是：对信号经验模态分解并提取分解的第一次本征模态分量，对第一次的本征模态分量进行傅里叶变换后取模，并据此确定识别特征量，完成对MPSK信号和MQAM信号的识别。相对已有算法而言，该类算法的计算复杂度低，对信号的先验信息依赖较少且不需要训练样本，在低信噪比时识别正确率较高，这在非协作条件下具有更好的应用前景。两种实施例，各有优点：对于第一种实施方式而言，该种方案更适宜于识别MPSK类信号，当信噪比为3～7dB时，识别正确率可达100％；对于第二种实施方式而言，该种方案更适宜于识别MQAM类信号，当3～7dB时信噪比条件下，识别正确率可达100％。附图说明图1是本专利技术的识别方法流程图。图2是实施例一的识别方法流程图。图3是实施例二的识别方法流程图。具体实施方式现在结合附图对本专利技术作进一步详细的说明。图1是基于EMD分解的PSK及QAM类信号调制识别方法的流程图，本专利技术采用两个实施例进行具体说明。实施例一如图2所示，在实施例一的识别方法中，首先对待识别信号经验模态分解，而后提取分解得到的第一阶本征模态分量，对第一阶本征模态分量进行傅里叶变换取模，将模值大于半极大值模值的个数作为识别特征量，根据得到识别特征量，设定相应的门限，若特征量小于此门限值，则识别为MQAM信号，反之，则识别为MPSK信号。仿真结果表明，在无信号先验信息的条件下可对MPSK和MQAM两种调制信号进行识别。具体包括以下步骤：一、对待识别信号经验模态分解设原信号为x(t)，对信号进行经验模态分解得到本征模态分量：式中，ci(t)为分解的第i阶本征模态分量，r(t)为残差分量，N为分解的自适应阶数。二、提取第一阶本征模态分量根据经验模态分解得到的模态分量，提取第一阶本征模态分量：式中，c1(t)为第一本征阶模态分量。三、提取模态分量的模值序列对分量c1(t)傅里叶变换后取模值：C(k)＝|FFT(c1(t))|·2/N,k＝0,...,N-1其中，N为c1(t)的长度，FFT为快速傅里叶变换。四、定义识别特征量对分量c1(t)傅里叶变换后取模值：B1＝sum{C(k)>[max(C(k))/2]}其中，sum(·)为求满足条件C(k)>[max(C(k))/2]频线的根数。五、门限设定设定MPSK和MQAM信号的识别门限，thevt＝80。六、调制信号识别当B1≤thgvt时，则为MQAM调制信号；否则为MPSK调制信号。表1说明了实施例一的平均识别正确率，MQAM调试信号为16QAM、64QAM和256QAM，MPSK调制信号为BPSK和QPSK。附加噪声为加性高斯白噪声，信噪比设定范围为5dB至25dB步长为5Db，每种信噪比时，针对不同信号各做1000次仿真。从表1中可看出实施例一在以上仿真条件下的正确识别概率：当信噪比大于5dB时，两种调制信号的识别正确率均在99％以上。表1实施例一在不同信噪比条件下的性能表2为各信噪比下特征参数B1的值。表2特征参数B1在各信噪比下的值实施例二如图3所示，在实施例二的识别方法中，首先对待识别信号经验模态分解，而后提取分解得到的第一阶本征模态分量，对第一阶本征模态分量进行傅里叶变换取极大值模，根据得到模值作为识别特征量，设定本文档来自技高网...

【技术保护点】
1.基于EMD分解的PSK及QAM类信号调制识别方法，其特征在于，包括如下步骤：/n步骤1：对待识别信号进行经验模态分解；/n步骤2：提取经验模态分解得到的第一阶本征模态分量；/n步骤3：对第一阶本征模态分量作傅里叶变换后取模，并据此确定识别特征量；/n步骤4：设定相应的门限；/n步骤5：将识别特征量和门限相比较，识别PSK和QAM信号。/n

【技术特征摘要】
1.基于EMD分解的PSK及QAM类信号调制识别方法，其特征在于，包括如下步骤：
步骤1：对待识别信号进行经验模态分解；
步骤2：提取经验模态分解得到的第一阶本征模态分量；
步骤3：对第一阶本征模态分量作傅里叶变换后取模，并据此确定识别特征量；
步骤4：设定相应的门限；
步骤5：将识别特征量和门限相比较，识别PSK和QAM信号。


2.如权利要求1所述的基于EMD分解的PSK及QAM类信号调制识别方法，其特征在于：在步骤1中，设待识别信号为x(t)，对信号进行经验模态分解得到本征模态分量，并利用各本征模态分量表示待识信号如下：



其中，ci(t)为分解的第i阶本征模态分量，r(t)为残差分量，N为分解的自适应阶数。


3.如权利要求2所述的基于EMD分解的PSK及QAM类信号调制识别方法，其特征在于：在步骤2中，根据经验模态分解得到的模态分量，提取第一阶本征模态分量：



其中，c1(t)为第一阶本征模态分量。


4.如权利要求3所述的基于EMD分解的PSK及QAM类信号调制识别方法，其特征在于：在步骤3中，对第一阶本征模态分量傅里叶变换后取模，将模值大于半极大值模值的个数作为识别特征量；具体如下：
对第一阶本征模态分量c1(t)作傅里叶变换后取模得到模值：
C(k)＝|FFT(c1(t))|·2/N,k＝0,...,N-1
其中，N为c1(t)的长度，FFT为快速傅里叶变换...

【专利技术属性】
技术研发人员：胡国兵，张清，杨莉，赵嫔姣，姜志鹏，
申请(专利权)人：金陵科技学院，
类型：发明
国别省市：江苏;32