基于高阶累积量以及差分后高阶累积量调制信号识别方法技术

本发明专利技术提供了一种基于高阶累积量以及差分后高阶累积量调制信号识别方法，方法包括对采集到的调制信号进行预处理，将处理后的结果进行特征参数提取，将提取的特征参数作为神经网络模型的输入，经过神经网络模型后，输出最终的信号调制种类判别结果。本发明专利技术的方法采用高阶累积量以及差分后的高阶累积量特征作为信号特征进行神经网络训练，将训练好的神经网络模型作为分类识别器用于信号分类识别，能够对2PSK、QPSK、OQPSK、8PSK、16PSK、Pi

【技术实现步骤摘要】
基于高阶累积量以及差分后高阶累积量调制信号识别方法


[0001]本专利技术属于信号调制识别
，尤其是涉及一种基于高阶累积量以及差分后高阶累积量调制信号识别方法。

技术介绍

[0002]通信信号的调制识别是指在未知调制信息内容以及调制参数的前提下，判断出信号所采用的调制方式并估计出某些调制参数，为解调器正确选择解调算法提供参数依据，最终获得有用的信息内容的过程。
[0003]调制方式识别是介于能量检测和解调之间的过程，能量检测只需要粗略的估计信号带宽和中心频率，而解调需要精确的频率信息和信号的调制样式。调制方式识别需要在先验知识较少的情况下完成识别的过程，并得到更加精确的一些参数值。
[0004]调制方式识别的方法主要分为基于特征提取的统计模式识别和基于决策理论的最大似然假设检验，不论是决策论途径还是模式识别途径,通信信号的自动调制识别实际上都是假设检验和统计推断这两个基本数学方法的实现。
[0005]随着MQAM信号调制阶数的增加，信号星座点空间距离变小，由于接收信号受载波频偏、相偏等因素影响，星座点会发生旋转，传统的瞬时特征参量对于高阶QAM信号识别存在很大局限性。

技术实现思路

[0006]有鉴于此，本专利技术提出了一种基于高阶累积量以及差分后高阶累积量调制信号识别方法，采用对高斯白噪声、载波频偏、相偏不敏感的高阶累积量特征参数，实现信号调制识别。
[0007]为达到上述目的，本专利技术的技术方案是这样实现的：
[0008]基于高阶累积量以及差分后高阶累积量调制信号识别方法，包括如下步骤：
[0009]步骤1：通过调制信号采集设备采集不同调制方式的信号数据；
[0010]步骤2：将信号数据进行预处理，获取到接收信号的IQ数据；
[0011]步骤3：对IQ信号数据提取高阶累积量以及差分后的高阶累积量特征，作为分类特征；
[0012]步骤4：将提取的高阶累积量以及差分后的高阶累积量特征进行标记，根据已知调制方式打好标签；
[0013]步骤5：将打好标签的数据集输入神经网络进行训练，获取到训练模型；
[0014]步骤6：采集未知调制信号，对信号进行相关变频、滤波、采样处理后，提取高阶累积量以及差分后的高阶累积量特征特征，输入已训练好的神经网络模型，输出信号的调制方式。
[0015]进一步的，所述步骤2中具体包括，将采集信号进行去直流分量处理；然后对去直流分量后的信号进行FFT变换，获取信号载频、带宽相关信息，依据获取到的信号参数进行
下变频、滤波、重采样与降采样处理，最终获取到IQ信号数据。
[0016]进一步的，所述步骤3中，采用高阶累积量比值形式作为分类特征，包括
[0017]F1＝|C40|/|C42|；
[0018]调制信号特征F1为四阶累积量C40绝对值与四阶累积量C42绝对值的比值；
[0019]F2＝|C63|^2/|C42|^3；
[0020]调制信号特征F2为六阶累积量C63绝对值的平方与四阶累积量C42绝对值三次方的比值；
[0021]F3＝|C80|/|C42|^2；
[0022]调制信号特征F3为八阶累积量C80绝对值与四阶累积量C42绝对值平方的比值；
[0023]对预处理后的信号进行差分处理，然后按照高阶累积量计算公式计算差分后的高阶累积量特征，包括
[0024]F4＝|C'80|/|C'40|^2；
[0025]调制信号特征F4为差分后八阶累积量C'80绝对值与四阶累积量C'40绝对值平方的比值。
[0026]F5＝|C'80|/|C'42|^2。
[0027]调制信号特征F5为差分后八阶累积量C'80绝对值与四阶累积量C'42绝对值平方的比值。
[0028]进一步的，所述方法能够对2PSK、QPSK、OQPSK、8PSK、16PSK、Pi
‑
4QPSK、8QAM、16QAM、32QAM这九种信号实现区分。
[0029]进一步的，所述步骤5中神经网络的搭建流程包括：
[0030](1)指定输入网络的训练集和测试集，包括训练数据与标签，测试数据与标签；
[0031](2)逐层搭建网络结构，根据训练模型信号调制类型识别效果确定网络层级结构；
[0032](3)配置神经网络的训练方法，通过配置不同的训练参数观察训练模型的信号调制类型的识别效果；
[0033](4)执行训练过程与模型性能验证。
[0034]相对于现有技术，本专利技术所述的基于高阶累积量以及差分后高阶累积量调制信号识别方法具有以下优势：
[0035]1、本专利技术对信号特征进行预处理，采用高阶累积量乘方后做比值形式，消除信号能量对参数值影响；
[0036]2、本专利技术采用高阶累积量以及差分后的高阶累积量特征作为信号特征进行神经网络训练，将训练好的神经网络模型作为分类识别器用于信号分类识别，能够对2PSK、QPSK、OQPSK、8PSK、16PSK、Pi
‑
4QPSK、8QAM、16QAM、32QAM这九种信号实现区分；
[0037]3、本专利技术的信号特征支持扩展，可结合其它预处理后的高阶累积量信号特征对更多种类信号实现区分。
附图说明
[0038]构成本专利技术的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0039]图1为本专利技术的方法的流程示意图；
[0040]图2为本专利技术的采集数据的流程图。
具体实施方式
[0041]需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0042]在本专利技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本专利技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0043]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本专利技术中的具体含义。
[0044]本专利技术的方法采用高阶累积量以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于高阶累积量以及差分后高阶累积量调制信号识别方法，其特征在于：包括如下步骤：步骤1：通过调制信号采集设备采集不同调制方式的信号数据；步骤2：将信号数据进行预处理，获取到接收信号的IQ数据；步骤3：对IQ信号数据提取高阶累积量以及差分后的高阶累积量特征，作为分类特征；步骤4：将提取的高阶累积量以及差分后的高阶累积量特征进行标记，根据已知调制方式打好标签；步骤5：将打好标签的数据集输入神经网络进行训练，获取到训练模型；步骤6：采集未知调制信号，对信号进行相关变频、滤波、采样处理后，提取高阶累积量以及差分后的高阶累积量特征，输入已训练好的神经网络模型，输出信号的调制方式。2.根据权利要求1所述的基于高阶累积量以及差分后高阶累积量调制信号识别方法，其特征在于：所述步骤2中具体包括，将采集信号进行去直流分量处理；然后对去直流分量后的信号进行FFT变换，获取信号载频、带宽相关信息，依据获取到的信号参数进行下变频、滤波、重采样与降采样处理，最终获取到IQ信号数据。3.根据权利要求1所述的基于高阶累积量以及差分后高阶累积量调制信号识别方法，其特征在于：所述步骤3中，采用高阶累积量比值形式作为分类特征，包括F1＝|C40|/|C42|；调制信号特征F1为四阶累积量C40绝对值与四阶累积量C42绝对值的比值；F2＝|C63|^2/|C42|^3；调制信号特征F2为六阶累积量...

【专利技术属性】
技术研发人员：褚孝鹏，李培建，龚政，李响，霍宇航，张宇，
申请(专利权)人：天津光电通信技术有限公司，
类型：发明
国别省市：