基于高阶统计量和神经网络FBMC信号的载波调制识别

基于高阶统计量和神经网络fbmc信号的载波调制识别
技术领域
1.本发明涉及多载波通信信号处理，具体为一种基于高阶统计量和神经网络fbmc信号的载波调制识别方法。


背景技术：

2.在非协作通信背景下，在接收端对信号检测和解调的前提条件是对多载波调制方式的成功识别，尤其是自动调制识别分类器(automatic modulation classification,amc)的设计是特别关键的一环。随着amc技术的发展，衍生出了两类方法：基于似然函数的决策树理论法和基于统计特性的特征提取法，相比决策理论法，特征提取在稳定性和复杂度上更具有优势。
3.目前，针对信号的调制方式识别问题，主要集中在单载波信号的调制识别，特征提取的主要方法为高阶统计量和循环谱算法、星座图聚类算法以及小波变换算法等。文献(赵雄文,郭春霞,李景春.基于高阶累积量和循环谱的信号调制方式混合识别算法[j].电子与信息学报,2016,38(03):674-680.)联合高阶循环累积量和循环谱算法构建特征参数，利用反向传播(back-propagation,bp)神经网络对多载波和单载波信号分类。文献(liu g h,xu m t.research on a modulation recognition method for the fbmc-oqam signals in 5g mobile communication system[c]//2018 13th ieee conference on industrial electronics and applications(iciea).wuhan,china:ieee,2018.)对fbmc信号的子载波调制方式进行了识别，该方法将传统的对数似然比判定与功率谱旁瓣衰减特性相结合，该方法复杂度高且在低信噪比下识别率低。高阶qam调制信号具有传输效率高的特性，被广泛应用到移动通信系统中，文献(ahmed k.ali,ergun ercelebi.algorithm for automatic recognition of psk and qam with unique classifier based on features and threshold levels[j].isa transactions,2020,102:173-192.)利用高阶矩算法有效识别出高阶qam信号。因此，利用高阶统计量算法解决fbmc信号的载波调制方式识别与识别率低是可有效的。
[0004]
鉴于此，本发明利用高阶统计量算法和bp神经网络构建amc识别模型，首先将预处理后的mpsk和mqam信号求二阶、四阶和六阶统计量的值，然后构造三个特征参数，最后利用bp神经网络训练后识别出数字调制信号{bpsk,qpsk,16qam,32qam,64qam,128qam,256qam}。


技术实现要素：

[0005]
本发明所要解决的技术问题，在低信噪比下，对fbmc信号的调制方式识别存在研究缺陷，为弥补这一缺陷，本文提出一种基于高阶统计量和神经网络fbmc信号的载波调制识别方法。该方法复杂度简单，在低信噪比下，提高了调制方式的识别率。
[0006]
本发明解决上述技术问题而提出的技术方案的实施办法为：该方法首先将预处理后的mpsk和mqam信号求二阶、四阶和六阶统计量的值，然后构造三个特征参数，最后利用bp
神经网络训练后识别出数字调制信号{bpsk,qpsk,16qam,32qam,64qam,128qam,256qam}。
[0007]
对于fbmc技术下的数字调制方式qam，传统的qam调制会导致相邻载波间存在混叠干扰，由此提出oqam的调制方式，其原理是将qam调制的i/q路信息偏移半个码元周期传输来抑制混叠干扰。
[0008]
假设接收端经过理想的高斯白噪声信道，其信号模型表达为
[0009][0010]
其中:i表示fbmc符号变量；n表示子载波变量；n为载波数；s
n,i
表示第i个符号的第n个载波实值信号；h(t)表示原型滤波器的时域表达式；t为fbmc符号周期；ω(t)表示均值为0，方差为σ2的窄带高斯白噪声。
[0011]
数字调制映射mpsk其幅度不传递信息，主要通过相位传递码元信息，其时域表达式为：
[0012]smpsk
(t)＝a{i(t)cos[2π(fc+nδf)t]-q(t)sin[2π(fc+nδf)t]} 0≤t≤tsꢀꢀꢀ
(2)
[0013]
其中：a为信号幅度，fc为初始载波频率，δf为相邻载波间隔，基带同相分量i(t)＝cosφmg(t-nts)，正交分量q(t)＝sinφmg(t-nts)，φm∈{2π(m-1)/m,m＝1,2,
…
m}为调制相位，m为调制阶数，g(t)为码元矩形波形，其宽度为ts。
[0014]
mqam利用幅度和相位联合传输码元信息，是一种高速调制技术，mqam调制方式的星座图分为方形qam(m＝16、64、256)和十字形qam(m＝32、128)，其时域表达式为：
[0015][0016][0017]
其中：am和θm分别表示mqam信号的幅度及相位；偏移的相位信息满足qam调制的符号分为实部和虚部分两路调制，且虚实交替映射，在奇偶载波虚实间隔传输，该方法增加传输的数据量，抑制了载波间的干扰。
[0018]
首先发送端的bit流串并变换后，在调制集合{bpsk、qpsk、16qam、32qam、64qam、128qam、256qam}中选择载波的调制方式，mqam经过相位偏移，再通过ifft与多相网络完成时域加窗。通过理想的白噪声信道，对接收端信号经过amc模型处理，以实现快速高效的解调恢复出有效信息。
[0019]
amc模型的设计是调制识别中关键技术，其预处理过程主要包括对信号的同步、信道估计、参数估计等过程；然后经过特征算法求不同调制方式下的载波信号的特征值；最后通过不同类型的特征值设计分类器识别载波信号的调制方式，恢复发送端的码元信息，提取有效信息。
[0020]
在低信噪比下利用星座图聚类算法识别mqam信号的识别率低，因为mqam信号的幅度和相位间隔很小，相邻星座点干扰严重。高阶统计量算法在阶数大于二阶时，能有效抑制高斯白噪声，且根据调制方式的不同，各阶统计量存在差异，根据差异构造特征参数，识别其调制方式。
[0021]
假设r(k)表示随机接收信号，其r
*
(k)为复共轭，即对应的信号各阶混合矩定义为：
[0022]mp,q
＝e[r(k)
p-qr*
(k)q]
ꢀꢀꢀ
(5)
[0023]
则：
[0024]c21
＝cum[r(k),r
*
(k)]＝m
21
ꢀꢀꢀ
(6)
[0025][0026][0027][0028]
将式(2)带入式(1)，得到接收端mpsk-fbmc信号为：
[0029][0030]
将式(3)带入式(1)，得到接收端oqam-fbmc信号为：
[0031][0032]
其中：h表示原型滤波器的时域系数；k表示滤波器重叠因子；表示滤波器时域系数通过多相网络实现时域加窗；l为采样点变量；a
n,l
表示归一化oqam调制的实部和虚部数据。不同调制阶数a
n,l
数据存在幅度差异，经过相位偏移调制后分别为0,π/2,π,3π/2。
[0033]
假设在理想条件下，qam星座图等概率分布，幅度归一化后求得，16oqam的幅值分别为0.7071、0.2357；64oqam的幅值分别为0.7071、0.5051、0.303、0.101；256oqam的幅值分别为0.7071、0.6128、0.5185、0.4243、0.33、0.2357、0.1414、0.047。由于方形qam星座点等概率出现，各点幅值出现的概率均相等，相位概率均为0.25。32oqam的幅值分别为0.8575、0.5145、0.1715，出现的概率分别为0.25、0.375、0.375，相位概率为0.25，128oqam的幅度分别为0.8437、0.6903、0.5369、0.3835、0.2301、0.077，出现的概率分别为0.125、0.125、0.1875、0.1875、0.1875、0.1875，相位概率为0.25。
[0034]
经过以上分析，由此可得出fbmc系统中调制方式为bpsk、qpsk、16oqam、32oqam、64oqam、128oqam、256oqam信号的各阶统计量的理论值如表1所示。设原型滤波器重叠因子k＝4，子载波数为n＝128，载波频率fc＝6khz，载波间隔δf＝100hz。
[0035]
表1各调制信号的高阶统计量
[0036][0037]
由表1可知，各阶统计量的值较为接近，直接利用高阶统计量对调制方式进行区分
无法准确的识别，因此需利用各阶统计量的值构造特征参数：
[0038][0039][0040][0041]
通过特征参数t1区分出bpsk、qpsk和{moqam}三大类，由于moqam信号可分为方形qam和十字形qam，可以根据特征参数t2区分出32oqam、128oqam和{16oqam、64oqam、128oqam}，最后利用特征参数t3区分方形oqam信号。特征参数如表2所示。
[0042]
表2特征参数理论值
[0043][0044]
注：-表示已识别成功。
[0045]
相比于决策树分类器，神经网络分类器具有识别速率快、识别率高以及智能的优势，但前提需满足三个条件：感知、学习和推理。当前，神经网络分类器主要包括bp神经网络、卷积神经网络、深度学习应用于调制信号分类中，本文选择结构简单且识别率高的bp神经网络作为分类器。bp神经网络由输入层、隐含层和输出层组成。训练过程：首先将本文特征参数集合[t
1 t
2 t3]
t
输入，输出层的节点为3；然后根据train-lm函数更新权值和阈值，再利用误差反向传播调整网络直到达到设定的误差范围，或者最大训练次数。识别过程：将待识别的特征信号输入到训练的网络中识别出载波调制信号。假设输出的目标节点所对应的调制方式如表3所示。
[0046]
表3特征向量对应的调制信号
[0047][0048]
对于隐含层节点的选择，根据经验公式：
[0049][0050]
其中：i、o、h分别表示输入、输出、隐含层的节点数，t为常量。设置训练参数：训练数据长度300，测试数据长度500，激励函数为tan-sig函数，最大训练次数103，学习速率0.02，最小期望误差10-5
。在信噪比为0db时，单隐含层节点对bp神经网络的识别率如表4所示。
[0051]
表4隐含层节点对识别率影响(％)
[0052][0053]
由表4可知，随着隐含层节点数增加，不同调制信号的识别率均有上升，但不是无限制上升，会趋于稳定识别率，但是继续增加隐含层节点数会导致学习时间延长，综合以上考虑，本文选择隐含层节点个数为10。
附图说明
[0054]
图1表示oqam星座图；
[0055]
图2表示调制识别模型；
[0056]
图3表示特征参数t1仿真曲线；
[0057]
图4表示特征参数t2仿真曲线；
[0058]
图5表示特征参数t3仿真曲线；
具体实施方式
[0059]
以下结合附图和具体实例，对本发明的实施作进一步的描述。
[0060]
图1(a)、(b)、(c)、(d)、(e)为moqam星座图。
[0061]
图2所示为调制识别算法流程框图，具体步骤如下：
[0062]
1)利用matlab仿真产生mpsk、mqam数字调制信号，然后经过多载波调制，原型滤波器与多相网络时域加窗得到发送端信号；
[0063]
2)假设信道为高斯白噪声信道，将接收端的信号经过采样、同步、参数估计等预处理；
[0064]
3)计算信号的各阶统计量，利用特征参数t1区别{bpsk},{qpsk},{moqam}三类；
[0065]
4)计算特征参数t2区别{32oqam},{128oqam},方形oqam三类；
[0066]
5)计算特征参数t3区别{16oqam},{64oqam},{256oqam}三类；
[0067]
图3、图4和图5表明观测数字调制信号特征值随信噪比变化情况。假设该信道为白噪声信道，信噪比为-6～20db,间隔2db进行500次蒙特卡洛仿真。由图3表明随着信噪比的增加，三类信号的特征参数逐渐趋于稳定，bpsk、qpsk信号的实验仿真值与表2的理论值几乎一致，因此，可以有效地识别出{bpsk},{qpsk},{moqam}三类信号。图4为特征参数t2随信噪比变化情况，当snr》-2db时，方形qam和十字形qam信号的特征参数t2趋于稳定，32oqam与128oqam信号被有效识别出来，且t2的实验值略大于表2的理论值，这是由于t2为指数增函数，细微噪声变化对参数的影响。图5为特征参数t3随信噪比变化情况，随着信噪比的增加，特征参数t3逐渐趋于稳定且接近于表2的理论值，可以将方形qam信号分成16、64、256qam信号三类，证明了理论的正确性。
[0068]
原型滤波器重叠因子对bp神经网络正确识别率比较。验证amc在不同重叠因子情
况下对7种不同调制方式下的fbmc信号识别性能。在信噪比为-2db、10db、18db时，分别取重叠因子k＝4、7时的特征参数集合，取300个训练样本集训练bp神经网络，然后在信噪比为-6～20db内，每间隔2db选择200个测试集测试正确识别率。
[0069]
表5重叠因子k＝4的正确识别率
[0070][0071]
表6重叠因子k＝7的正确识别率
[0072][0073][0074]
由表5、表6可知，随着信噪比的增加，7种调制方式下的fbmc信号均能有效的识别，当snr》4db时，k＝4的正确识别率在96.4％以上，k＝7的正确识别率在2db就达96.6％。仿真表明：随着重叠因子的增加，多载波信号的调制方式识别率增加，这是由于原型滤波器时域系数随k增加，信号与多相网络卷积个数增加，导致信号的高阶统计量增加，特征参数的间隔增大，因而提高了正确识别率。
[0075]
本发明在非协作通信背景下，利用高阶统计量抑制噪声的特性，提取不同调制方式下的特征参数集和目标参数集，利用bp神经网络训练权值和阈值以达到目标参数集，来区分fbmc信号的载波调制方式。该方法利用3个特征参数识别出{bpsk、qpsk、16qam、32qam、64qam、128qam、256qam}7种数字调制信号，计算量小以及识别率高，便于工程实现。

技术特征：
1.一种基于高阶统计量和神经网络fbmc信号的载波调制识别，具体步骤：该方法首先将接收端的信号经过同步、参数估计等预处理；然后利用四阶和六阶统计量构建三个特征参数；最后运用不同信号特征参数的差异性，构造bp神经网络识别出qam(16、32、64、128和256)和psk(2和4)调制信号。2.根据权利要求1所述的估计方法，其特征在于：先构建fbmc符号的模型，利用高阶累积量计算fbmc符号的三个分类特征。3.根据权利要求1和2所述的方法，其特征在于：构造bp神经网络，利用分类特征的差异性，从而识别出fbmc符号的7种调制方式。

技术总结
本发明请求保护一种基于高阶统计量和神经网络FBMC信号的载波调制识别，属于信号处理技术领域。本文利用高阶统计量抑制噪声的特点，同时运用反向传播(back-propagation,BP)神经网络设计自动调制识别分类器(automatic modulation classification,AMC)实现载波信号的分类，该方法首先将接收端的信号经过同步、参数估计等预处理；然后利用四阶和六阶统计量构建三个特征参数；最后运用不同信号特征参数的差异性，构造BP神经网络识别出QAM(16、32、64、128和256)和PSK(2和4)调制信号。在信噪比大于2dB时，该分类器的识别率达96％以上，对比传统算法，该算法实现起来更容易，识别率也更高，在实际工程中更有实际意义。在实际工程中更有实际意义。


技术研发人员：张天骐 王晓烨 张刚 徐伟 陈显露
受保护的技术使用者：重庆邮电大学
技术研发日：2022.03.18
技术公布日：2023/9/22