通信技术

txkaaier

第一章 绪论1.1课题研究背景及意义

随着现代通信技术领域的发展，无线终端设备的迅速普及，传输媒介电磁频谱逐渐成为人类生活中的稀缺资源。为了达到用户的需求，适应日益复杂的通信环境，数字信号的调制方式日趋复杂，调制识别技术也面临着诸多挑战。在民用及军事方面上，调制识别技术都具有着潜在的应用价值，在民用方面通过调制识别技术预防非法用户通过频谱进行干扰，保证用户双方正常通信。在军事双方进行电子对抗中，调制识别技术是截获扰乱敌方通信信号的关键手段，是同敌方进行电子对抗的基础和前提，通过识别技术可对敌方信号进行侦查，获取敌方电子信号情报进行对抗。

数字信号调制识别技术是现代化信息战争和频谱管理等领域的重要部分，是通信领域的关键问题，调制识别技术的功能是在不确定调制方式的条件下，对待识别信号的相关信息提取分析，通过具体的分类参考依据对待识别信号进行分类识别。在现代通信领域中，调制信号正逐渐由模拟向数字转变，模拟通信系统正从通信的相关应用中淡出，而数字通信系统依靠其数字可加密，易集成化，可靠性高等一系列优点，广泛应用在通信技术中。目前，在通信相关领域的发展中，数字信号调制识别技术的研究已成为通信领域研究的热门课题，受到国内外通信学者越来越多的重视，具有重要的研究价值。

1.2调制识别技术研究现状

随着时代的发展，简单的调制识别技术已无法满足人类需求，数字信号调制识别技术日趋复杂，对调制识别技术的研究有待于进一步的研究。近40年来，通信学者Liedtke等人首先提出调制识别技术的相关概念，所使用的调制识别技术在通信系统中实现困难。1992年，Hsue和Soliman提出针对信号进行类内识别的相位变量识别方法，1992年到1998年Azzouz和Nandi连续发布多篇调制识别技术的相关文章，为通信领域的发展做出了巨大的贡献，随后又有大量的通信学者对调制识别技术进行了探索研究，新的调制识别方法不断涌现，使得调制识别方法的研究取得了进一步的发展。

数字信号的调制识别是信息时代下的关键性技术，在调制信号特征参数的基础上，分析出与调制方式相关的信息，根据调制识别方法对应的校验模型进行信号识别，可看成含有若干个未知参数的多元模式识别。目前来讲，调制识别的技术领域正不断有各种创新的研究成果涌现，调制识别技术主要可以分为基于特征提取模式识别的方法和基于判决理论的最大似然比方法[1]。

基于判决理论最大似然比的方法采用假设检验的相关理论，分析待识别对象的统计特性，根据研究对象的各类似然函数获得用于分类的检验统计量，最后根据可靠的统计量设置门限及分类判决准则实现对待识别信号的识别分类。基于特征提取模式识别的方法则是在模式识别的基础理论上，将信号的某种参数作为特征统计量，从信号的不同角度观察获取信号特征，该方法的识别过程通常情况下主要可分为特征提取和模式匹配部分，特征提取部分可看作是从输入信号映射到指定的特征空间，分析待识别信号的参数，获得对于信号识别有用的特征参数。模式匹配的任务是把提取出的特征和已知调制方式的信号特征对比，从而有效完成信号的调制识别。在一般情况下，针对不同的信号分析域，特征参数可取频域谱相关域特征，时频分析域特征，星座图的特征及循环累积量特征等。

1.3调制识别两类方法的比较

由以上分析可知，基于判决理论的最大似然比方法在完成调制分类功能时可看成是复杂的假设检验类问题，其主要的优点是在最小错误概率准则上达到最小错判概率，分类结果实现最优。但该方法的缺点在于，在对最优分类器进行完整的数学描述时，构造似然比函数的表达式较为复杂，往往会带来很大的计算量，过程比较困难，从而实用性不高。此外，在实际通信系统中，该方法对于实验参数的偏差较为敏感，稳健性差。在信道背景噪声环境复杂，信噪比低的恶劣情况下，最大似然比方法的识别性能会下降甚至无法实现对信号的分类。与特征提取的模式识别方法相比来说，需要更多更为可靠的先验参数信息，在获取先验信息的过程中较为困难，因此适用于调制识别信号种类有限的情况。而基于特征提取模式识别的方法可看作是简单的最大似然比假设检验方法，通过在待识别信号的某些参数基础上构造统计参数，将其作为分类的依据并和不同调制方式的统计参数进行判定和比较，从而实现信号调制方式的识别，理论简单容易实现，该方法的关键在于选取合适的特征参数，特征参量及其统计特性，在某些情况下分类性能可达到最优[2]。

综上所述，对两种算法进行比较，基于判决理论的最大似然比方法计算量较复杂难以处理，并且模型失配时会影响分类性能，限制了它在通信环境复杂情况下的应用。而基于特征提取模式识别的方法在实际的通信系统中较为简单易实现，在某些情况下可以获得较好的识别性能，相比最大似然比方法在模型失配时性能稳健，可靠性实用性高[3]。因此，本文将主要针对基于特征提取模式识别的相关方法进行研究。

1.4本章小结

本文第一章针对调制识别技术的相关问题进行了总结回顾，介绍了调制识别技术的研究背景，意义以及现状。目前的调制识别方法主要有基于特征提取模式识别的方法和基于判决理论最大似然方法，本章节指出两种算法的特点和在实际通信系统下存在的问题，并进行比较，在两类调制识别方法的基础上引出本文所要研究的方向。

第二章  调制识别理论基础

数字信号调制识别技术的关键在于调制识别的算法和所要研究的对象。只有具备通信技术基础知识和数学工具，才能够实现方便可行的调制识别方法，通过对待识别的调制信号进行分析，提取出调制方式的相关参数特征，然后根据这些特征参数或其组合达到调制分类识别的目的。本文第二章介绍的主要是调制识别的理论基础包括常见的数字信号和调制识别技术一般流程[4]。

2.1调制在通信系统中的作用

信号调制方式在通信领域是关键的组成部分，调制解调方式直接影响了通信系统中相关性能的好坏，将信源中产生的原始信号调制到某一频段，以便适合在信道中传输，通过原始信号控制正弦载波的某个或几个参数使得正弦载波中的参数随着原始信号的变化进行变化，调制在实际通信中的作用主要有：

1)将数字基带信号的频谱搬移至合适频段，从而达到信道传输要求。

2)通过调制将信号频段调制至较高频率，方便调换天线的尺寸，为通信提供便捷。

3)充分利用紧张的频谱资源，在满足不同用户需要的前提下，使各个不相关的信号在互不干扰的同时进行多路复用，在同一个通信信道中可同时传递多个基带信号，在有限带宽的频段内实现多路并行复用称为(频分复用)，此外，还包括(时分复用)，(波分复用)等。

4)提高实际通信系统下的抗干扰、抗噪声性能。选择合适的调制方式减少背景噪声的干扰，不同的调制方式对应有不同的抗噪性能，同时调制还可以实现信噪比指标与传输带宽的互换，达到可靠性和有效性之间的妥协。

2.2数字通信信号基本调制方式

数字调制信号目前已广泛应用于通信领域，因此对于调制识别技术来讲，对数字调制信号的研究也是十分有必要的。本节主要研究几种普遍的数字信号调制方式和相应特征。

用数据信号控制载波信号的幅度，相位，频率参量变化，通过载波携带信息称为数字调制，在实际通信系统进行数字调制时，可以在模拟调制的某些方法基础上依靠载波来反映数字基带信号。在研究对象为数字信号的实际通信系统中，控制载波瞬时特征参数的数字信号调制方式有三种基本的形式包括频移键控，相移键控和振幅键控调制[5]。

2.2.1振幅键控调制

通过载波幅度参数的离散取值，使载波幅度参数携带基带信号信息的数字信号调制称为。在多进制的幅度调制下，对应载波幅度的离散变化状态有种，其时域下的表达式为：

                         (2-1)

表达式(2-1)中，表示种调制信号的幅度取值，，表示符号码元的波形。

在的情况下数字基带信号为通断键控或二进制的幅度键控。其时域表达式如下：

         (2-2)

表达式(2-2)中，二进制幅值信息符取值为1或0；表示载波频率，为持续时间[6]。

信号常见两种产生方法如下(图2-1)：

图2-1

2.2.2频移键控调制

数字调制根据正弦载波的不同频率参数来携带数字基带信号的信息。在多进制的频率调制下，载波离散化频率参数对应有种，的时域表达式为：

   (2-3)

表达式(2-3)中，表示信号的频偏，表示符号码元的波形。

在=2的情况下数字基带信号的0和1可通过载波的离散化的频率参数和来代表，其时域表达式通常为：

                         (2-4)                              

表达式(2-4)中，信息符取0和1，的取值与相反，和是两个独立的相位[6]。

常见的的两种产生方式如下(图2-2)：

图2-2

2.2.3相移键控信号

通过正弦载波的相位参数来反映数字基带信号信息的调制方式称为，此外，还有相对相移键控，信号信息主要反映在两个相位参数之间的相对差值上。在多进制调制中，对应载波离散化相位参数有种，在实际的通信系统下，抗干扰能力强，系统有效性好，因此被广泛使用。其时域表达式如下：

(2-5)

表达式(2-5)中，(=1,2，.......,)是种可能的载波相位取值[6]。

在=2的情况下数字信号为，对应相位有两种不同的相位，反映在载波离散化相位参数中，通常情况下选取相位参数的相对差为，其时域表达式如下：

                     (2-6)

表达式(2-6)中，信息符的可能取值为1，数字基带为双极波。

的常见的两种产生方法如下(图2-3)：

图2-3

2.3调制方式识别流程  

调制识别技术的关键在于提取待识别信号中能够反映调制方式有关信息的特征参数。调制方式不同的情况下其对应的某一特征参数也就不同，通过对研究对象的特征参数进行合理的分类，从而判别研究对象的调制方式。数字信号调制识别的一般流程：首先经过预处理环节对未知的调制信号进行提前的分析计算，然后通过特征提取获得调制方式有关的特征参数，达到对信号分类识别的目的。调制识别流程一般的框架如下(

信号预处理为后两个环节提供可靠的信号参数，从减少参数的方面来看，简化了算法复杂度，满足通信系统的使用需求，主要包括同相和正交分量互相分离，对信号频率进行下变频，载波频率估计等。

特征提取环节的任务是分析待识别信号自身的特征参数，根据参数特征对比和门阀判定等手段对待识别信号进行分类。不同调制方式的特征信息不同，通过对第一环节的信号处理，提取出的特征信息可反映不同的调制方式，从而实现对信号的有效识别。但在选取特征参数时，需要考虑特征参数的稳定性，在信噪比变化或信道环境复杂的情况下，特征参数其分类能力不会发生明显改变，此外，特征向量还应为所能得到特征集合范围内的最小子集[7]。

最后的环节通常情况下用于特征提取下的模式识别，任务主要是根据待识别的研究对象中和调制方式有关的参数信息，将其划分至相应的类别内，通过某一合适判别准则由特征参数到进行决策，完成对信号识别分类的功能。信号调制识别技术中的关键是有合适的判定准则和分类器结构，分类器可以根据使用分类的测度，模式以及使用方式的不同来进行分类。

2.4本章小结

本章首先讲述了调制技术在通信系统下的关键作用，学习了几种针对数字信号幅度，频率，相位三个参数的调制方式(、、)，给出了对应的时域表达式和常见的产生方式，最后介绍了调制识别一般流程的三个主要部分。

相对于其它调制识别技术而言，小波变换能够反映其它算法中忽略的断点等数据信息，小波变换的调制识别算法没有较为复杂的计算量，无需预知信号的调制参数等相关信息。在进行小波理论分析时  可以通过提取待识别信号的瞬态参数变化特征对信号进行有效的识别。

3.3基于人工神经网络的调制识别

人工神经网络是根据脑部的神经结构网络而提出的模型，它是由许多简单的计算神经元节点相互联结而形成的一种并行分布式的具有存储和应用经验知识的自然特性处理机，各个神经元联结处的处理计算单元影响神经网络的整体性能。近几年来，人工神经网络在通信方面也起着关键作用。人工神经网络技术的一系列优点，包括高速的并行处理，较好的容错性和智能化的组织学习能力，已经逐渐成为模式识别领域的关键组成部分。在通常情况下，神经网络具备自主选择的能力，通过自组织，自学习的能力对神经元联结处的判决门限进行自动选择，实现对待识别信号的智能化分类，能够有效克服判决理论的最大似然比方法在处理过程中的种种弊端。除此之外，人工神经网络的分类器可分析非线性复杂问题，稳定可靠，模式识别的性能较好，使得人工神经网络广泛地应用在通信相关技术。

人工神经网络的算法常使用并行的方式进行处理，运算效率高可实时处理，主要有预处理，训练和测试三个环节，预处理环节的任务是从信号中提取稳定可靠的特征参数，特征参数会影响分类识别的性能。而后两个环节其任务是需要根据从已知的调制信号提取特征参数来对人工神经网络进行训练，训练较好的网络便可识别不同的调制信号，用不同调制方式的信号来对神经网络进行智能化的学习训练，以便用于联结处神经元节点的处理[11]。简单来说，神经网络的算法主要通过对样本进行提取计算，通过样本训练获得网络参数，从而达到准确识别的目的。

神经网络识别系统可以近似看作是基于特征提取模式识别的方法，主要有特征提取和模式识别两个环节，特征提取环节主要是从信号中获得稳定可靠的一些参数，通过特征参数区分待识别对象。而模式识别则是通过利用人工神经网络作为分类器，识别性能较好，运行效率高。相对与其他调制识别技术而言，人工神经网络智能化的高速识别处理等一系列优点决定了其在通信识别领域中的关键地位，该方法不需要提前设置适当的特征参数判决门限，算法的识别步骤主要是通过智能化的方法，根据全局特征来进行全面处理判断的，不会因为单个特征的错误和特征使用顺序的先后对整个系统带来影响，所以基于人工神经网络调制识别方法可有效完成信号的分类，但它同时也存在计算复杂等缺点。

3.4基于高阶累积量的调制识别

信号的高阶累积量是特征提取模式识别方法中稳定可靠的一类参数特征。近年来，基于高阶累积量的识别技术在通信领域中受到越来越多的重视。陈卫东，Swami，吕新正等通信学者对基于高阶累积量的调制识别技术进行大量探索，做出巨大贡献。在研究受到噪声影响的非高斯信号时，根据背景噪声大于二阶的累积量为0，通常可把调制信号转换到累积量域分析，能够忽略复杂信道环境所带来的干扰。所以，累积量域有较好的高信噪比性能，可以通过在累积量域对调制信号进行分析，达到参数的估计和信号的识别。分析不同形式累积量所包含的相关信息，能够反映随机过程中概率密度的分布规律。

高阶累积量可以反映出星座图的某些分布特征，能够对相位和幅度结合的调制方式进行识别。该调制识别方法运算量小，可以有效抑制背景噪声。此外，将特征量选择为适当的累积量组合，具有防止相位和频率偏移等优点。

高阶累积量能够用来反映随机过程中的高阶统计量。因为均值为0的Guass随机过程的高阶累积量恒为零，相对它的变元来说，累积量具有一定的可加性，所以通过对高阶累积量的引入，能够有效解决背景噪声所带来的问题[12]。通常情况下，在平稳随机过程为

因为调制方式不同的信号发送的码元相同分布，且相互之间独立，在某些条件下，可以通过式(3-10)来获取高阶累积量这一特征参数[13]。

高阶累积量这一概念更深刻的显现了随机过程的某些特征，可以用来对研究过程和高斯过程进行有效区分。高阶累积量的阶数不同对应其调制方式的相关信息也就不同，可通过对高阶累积量的分析达到对待识别对象有效分类的目的。

3.5本章小结

在这一章中，主要对于常见的信号调制识别技术进行了简要理论综述，主要包括谱相关函数的定义，高阶累积量和小波变换的相关理论以及人工神经网络的调制特点。