信号参数论文（共7篇）
信号参数论文 篇1
1 引言
在语音识别的发展过程中使用了大量的语音信号特征参数。特征参数的提取是关系到语音识别系统性能好坏的一个关键技术, 其基本思想是将预处理过的信号通过一次变换, 去掉冗余部分, 而把代表语音本质的特征参数抽出来。接下去所要作的识别处理都是建立在特征参数之上的, 如果特征参数不能很好地反映语音信号的本质, 识别就不能成功。
语音信号特征参数是分帧提取的, 每帧特征参数一般构成一个矢量, 所以语音信号特征是一个矢量序列。我们将语音信号切成一帧一帧, 每帧大小大约是20~30ms。帧太大就不能得到语音信号随时间变化的特性, 帧太小就不能提取出语音信号的特征, 每帧语音信号中包含数个语音信号的基本周期。有时希望相邻帧之间的变化不是太大, 帧之间就要有重叠, 帧叠往往是帧长的1/2或1/3。帧叠大, 相应的计算量也大。
常用的语音特征参数有平均能量、平价跨零数或跨零率、共振峰、LPC参数、倒谱参数、临界带倒谱等。下一节介绍一些常用的语音特征。
2 语音信号特征参数介绍
(1) 基音周期 (Pitch)
人的语音基本上由两类构成, 一类是浊音 (voice) , 另一类是清音 (unvoice) 。浊音的语音信号具有较强的周期性, 不同的浊音波形是不同的。浊音的这种周期叫基音周期, 其倒数叫做基音频率, 它主要和声带的特性有关。一般来说, 成年男性的语音的基音频率在60Hz~200Hz, 而成年女性和儿童语音的基音频率在200Hz~450Hz。清音的语音信号具有随机噪声的特点, 一般来说清音的幅度小于浊音的幅度。基音周期 (Pitch) 是指发浊音时声带震动所引起的周期运动时间间隔, 代表声带震动的快慢, 震动越快音高会越高, 基音周期是声带振动频率F0的倒数, 它是语音信号分析的一个重要参数。
(2) 短时频谱
语音信号特征在较短的时间间隔中保持基本不变, 即语音信号具有时变特性, 因而可以将语音信号看作是一个短时平稳过程。语音信号具有一些重要的短时特征。短时频谱是语音信号的一个重要的短时特性。可以用下列公式计算:
也即sw (n) 的离散傅立叶变换。|Sw (k) |2称为s (n) 的短时功率谱。
(3) 短时自相关函数
sw (n) 的自相关函数Rw (τ) 称为s (n) 的短时自相关函数。可用公式 (4) 计算:
(4) 短时能量
s (n) 的短时能量计算公式如下:
短时能量代表声音的尺寸, 可由声音信号的震幅来类比。
(5) 短时平均幅度
s (n) 的短时平均幅度计算公式如下:
短时能量和短时平均幅度都是表示一段语音信号能量大小的参数。
(6) 短时过零率
信号按段分割就称为短时, 段可是帧大小。过零就是信号的幅度值从正值到负值、负值到正值要经过零点, 统计信号在一秒钟内有几次过零就是过零率。s (n) 的短时过零率表示一段语音信号中语音信号波形与横轴相交的次数。可以用式 (5) 计算:
其中sgn (x) 是符号函数:
以短时能量为主, 短时过零率为辅, 可对语音信号中的清音进行较精密的检测。
(7) 倒谱
倒谱是一段语音信号的一组重要参数。要计算信号sw (n) 的倒谱, 首先要计算sw (n) 的离散傅立叶变换:
然后对离散傅立叶变换的模取对数:
最后再做傅立叶反变换:
这样得到的c (n) 被称做是“倒频谱”或“倒谱”。
(8) 线性预测编码 (LPC) 参数
考虑语音信号序列s (n) 。假设某时刻n之前的P个语音信号值s (n-1) , s (n-2) , …, s (n-P) 已知, 但时刻n的语音信号值s (n) 未知。如果用前P个已知的信号值的某种线性组合预测s (n) 的值, 则预测值s! (n) 可以表示为:
其中αi都是实数, 称作预测系数。预测值s! (n) 与真值s (n) 之间的预测误差ε (n) 可以用下式计算:
由于s (n) 是一个随机序列, 所以ε (n) 也是一个随机序列。可以用ε (n) 的均方差来衡量线性预测的准确性。δε2越小, 预测的准确性在均方误差最小意义下越好。
还有以下几类特征参数:线谱对 (LSP) 参数、线性预测倒谱参数 (Linear Prediction Cepstrum Coefficient, LPCC) 、美尔频标倒谱系数 (Mel Frequency Cepstrum Coefficient, MFCC) 、感觉加权线性预测特征 (Perceptual Linear Predictive, PLP) (PLP参数、RASTA-PLP参数) 、动态差分参数、高阶信号谱类特征等[3]。
3 语音信号特征选择
短时自相关分析可用来区分清音和浊音, 浊音信号是准周期性的, 用短时自相关函数求出语音波形序列的基音周期。对语音信号进行线性预测分析时也要用到短时自相关函数。
短时能量序列反映了语音振幅或能量随着时间缓慢变化的规律, 清音段的幅度一般比浊音段的幅度小很多, 根据语音信号短时能量值的变化, 可大致判定浊音变为清音或清音变为浊音的时刻。短时能量在高信噪比的语音信号中, 可以用来区分静音, 静音的噪声能量很小, 而有语音信号时短时能量值显著地增大到某一数值, 通过这一点也可以区分语音信号的起点和终点 (也即端点) 。
可以根据平均过零数来粗略区分清音和浊音, 发清音时具有较高的平均过零数, 发浊音时具有较低的平均过零数。短时平均过零数还可以用于识别语音信号的起点和终点。
具体应用领域对语音信号特征有不同的要求, 特征的选择很重要, 它强烈地影响应用系统的效率。我们要对具体的应用选择合适的特征, 在一个说话人识别系统中倒谱特征、倒谱与差值倒谱特征组合以及倒谱、差值倒谱、基音、差值基音组合有更好的识别准确率[2]。由此可见多特征组合有更高的识别准确率。
4 语音信号特征提取实验
我们对采样频率 (fs) 为16k HZ的sunday.wav来提取上一节中介绍的特征参数:短时能量、短时平均幅度。其中每帧大小为256 (即每帧包含256个取样点) , 帧叠为0。
我们可用公式 (3) 计算得到图2所示的短时能量图。我们希望短时能量图平滑一些, 采用减去每帧中的中位值后再进行绝对值求和的方法, 如公式 (12) 所示, 公式 (12) 中的median为每帧帧向量的中位值, 所得的短时能量图如图3所示。但这短时能量图没变化多少, 且短时能量对于高电平信号非常敏感, 我们采用对数短时能量计算方式来得到短时能量, 如公式 (13) 所示, 公式 (13) 中的δ为一个无穷小量, 是为防止对0取对数而加入的, 计算后所得的短时能量图如图4所示。根据公式 (6) 所得的短时平均幅度为图5所示。它与图3很接近。
5 结束语
语音信号具有很大的信息冗余, 我们提取出最能表征语音信号的特征能极大地提高语音识别准确率, 也能极大的压缩语音信号。在本文第2节中介绍了大量语音信号特征;在第3节中介绍了语音信号特征的选择;第4节中对部分语音信号特征进行了提取, 并用可视化的方法展示了部分语音信号特征。提取出语音信号特征后, 接下来就可以对语音信号进行语音识别, 这就是我们接下来的工作。在语音信号特征提取之前可先对语音信号进行端点检测, 准确标记出语音信号的起止点, 这样也能提高语音识别的准确率, 这也是我们接下来想进行的工作。以及有关语音信号特征的线性、非线性组合以提高语音识别的准确率也是我们接下来想进行的工作。
参考文献
[1]张智星.音讯处理与辨识[EB/OL].网上在线课程.[2008-01-23].]http://www.cs.nthu.edu.tw/￣jang.
[2]边肇祺.张学工.模式识别[M].北京:清华大学出版社, 2005.
[3]王炳锡.实用语音识别基础[M].北京:国防工业出版社, 2005.
语音信号特征参数的提取 篇2
1.1 汉语的音素、音节和音调
我们发现依据人类声音产生的机制, 由于激励方式的不同会形成清音和浊音两种不同的语音。由这两种语音又可以组合成两种不一样音素:元音及辅音。构成语音的最小单位是音素。元音由不相同的口腔形状发声而形成, 辅音的形成由发声的部位以及发声的方法决定。
音节是构成汉语的最小单位。我们所说的音节指的是一个元音加上一或两个辅音所构成的音素的组合。汉语当中包括以下4种音节, 即:元音、元音+辅音、辅音+元音, 辅音+元音+鼻音。一般汉语可以简单划分为声母+韵母两个部分。音节前部分的辅音称之为声母, 元音和元音后面有时候出现的鼻音称之为韵母。汉语可认为是一种声调语言, 根据声调的不同所表达的意思很可能完全不一样, 汉语共有阴平、阳平、上声及去声四种声调。而声调的变化可以看成浊音周期的变化。声调曲线从韵母起始点至韵母的终止点。
1.2 语音信号的数学模型
语音的产生是因为声道激励发生共振, 因为发声过程中声道是振动的, 所以能够用一个时变线性系统来描述。可以用如图1所示描述语音生成模型。
由图1可知一个完整的语音信号模型由激励模型、声道模型、及辐射模型三个子模型串联而成。激励模型由浊音激励与清音激励组成。对清音部分来说, 激励信号等同于白噪声, 而对于浊音部分来说, 因为声带在不断地张开与闭合, 所以会有间隙性的脉冲波产生。共振峰模型是当前广泛使用的一种声道模型。声道的终端是人类口与唇, 速度波通过声道输出, 然而语音信号是一种声压波。
2 语音信号的前端处理
为了得到我们所需要的信号, 须先对模拟语音信号进行数字化, 接着进行预处理与加窗。
2.1 语音信号的数字化
为将模拟语音信号转变为数字信号, 先对信号进行采样与量化。在采样与量化之前, 须进行语音信号的预滤波, 其目的在于:第一, 滤除高频噪声;第二, 防止50Hz的工频干扰。
2.2 语音信号的预处理与加窗
因为语音信号的平均功率受到鼻辐射以及声门激励的很大影响, 因此在语音信号频谱的求取时, 随着频率的增高相应的响应成分越小, 也就是说高频部分频谱比起低频部分来不够精确, 为此我们需要对信号进行预加重。为了平滑频域信号, 使得信号处理的后面阶段对有限长响应不那么敏感, 通常情况下让数字语音信号通过一个低阶的系统。目前广泛使用的是固定的一阶数字滤波器, 即
式中a为预加重系数, 通常取值0.95左右。
因为语音信号的特性是随时间变化的, 而非平稳过程, 但由于人的发音器官的肌肉运动速度比较慢, 因此可以认为语音信号是个局部的短时平稳的信号。因此, 我们对对语音信号进行分帧加窗的处理。通常情况下语音信号帧长取为10ms~30ms, 每秒帧数约为33~100, 分帧可以是连续的, 有可以是交叠分段的, 在语音信号的分析当中常用“短时分析”来表述。我们一般采用窗函数来乘语音信号, 常用的窗函数是Hamming窗。
Hamming窗函数是:
2.3 语音信号的端点检测
端点检测指的是找出语音信号中的各段落的起始点以及终止点的位置。语音信号的时域处理方法包括:短时平均幅度、短时能量、短时过零率以及短时自相关。端点检测一般要用到语音信号的短时能量以及短时平均过零率两中参数。
用En来表示第m帧的短时能量, 其计算式如下:
短时平均幅度Mn的计算式如下:1N-
短时能量En的最主要作用是:区分清音与浊音、区分声母与韵母的分界、无声与有声的分界、连字的分界以及能够用于进行语音识别。
“过零率”指的是在单位时间内信号通过零的次数。短时过零率z (m) 是用来描述频谱的简单有效的方法之一, 计算公式如下:
在短时处理技术中, 描述一个随机信号的其中一个重要特征是自相关函数Rn, 可以用自相关函数区分清音与浊音, 计算公式如下:
短时频域处理作为语音信号处理的基本方法之一。短时频域处理适合缓慢变化的语音信号。第m帧的短时傅立叶变换计算式如下:
3 语音特征参数提取
在完成语音信号的预加重、分帧、及端点检测之后, 下一步关键的是提取特征参数。我们不可能直接识别原始波形, 语音信号需要经过变换, 提取出其特征参数后再进行识别, 特征参数需要满足:反映语音的本质、参数个分量之间耦合尽量小、参数的提取方便等几方面的要求。目前语音识别中线性预测倒普参数LPCC、美尔倒普参数MFCC使两种较为常用的参数。LPCC利用线性预测编码技术求取倒普参数。MFCC则构造人的听觉模型, 以语音信号经过该模型的输出值作为声学特征, 直接利用离散傅里叶变换得到。
3.1 线性预测倒普参数LPCC的提取
线性预测分析是语音特征分析方法之一, 能够有效的解决短时语音信号的模型化问题。LPCC的基本原理:语音信号的每个样值可以通过过去的若干个值的线性组合逼近求得, 也能够用实际语音信号的抽样与线性预测的均方差值最小的方式, 求出一组预测值。
其中a为加权系数, p为线性预测倒普参数的预测阶数。
LPCC系数表示的是语音信号频谱极值点的变化, 用该系数来表征语音信号, 能够获得比较平滑的语音频谱图。
3.2 美尔倒普参数MFCC的提取
MFCC参数与LPCC参数不同, 它考虑了人耳的听觉特性, 先将频谱转变为美尔频标的非线性频谱, 接着再转换到倒普域上。因为MFCC比较地充分考觉特性, 所以MFCC参数有很好的识别性能与抗噪能力。由测试可得, MFCC参数性能在汉语语音识别中要明显优于LPCC参数, 由于人类在对1 000Hz频率以上的声音的感知能力并不遵循通常的线性关系, 它遵循的是对数频率坐标上的线性关系。
首先, 语音信号在经过预处理、分帧加窗后转变为短时信号, 经过FFT变换将x (n) 转化为X (m) , 并计算出其短时能量谱P (f) 。在将P (f) 在频率轴上的频谱转化为在美尔坐标上的P (M) 。接着在美尔频域内将在美尔坐标上加入三角带通滤波器得到滤波器组Hm (K) , 再计算美尔坐标上的能量谱P (M) 通过该滤波器组的输出值。最后在美尔刻度谱上能够采取修改的离散余弦反变换来求取美尔倒普参数:
式中, p为MFCC阶数。
4 结论
本文主要介绍了语音学的基础知识、语音信号的数字化及其特征提取, 为语音模型的训练做了很好的铺垫。在计算机普及的今天能够让计算机识别出人的自然语言是人们一直努力的一个方向, 对计算机直接用语言信息发号施令, 我们的双手才能真正得到解放。
参考文献
[1]胡航.语音信号处理.2版.哈尔滨:哈尔滨工业大学出版社, 2002:256.
[2]刘幺和, 宋庭新.语音识别与控制应用技术.北京:科学出版社, 2008:201.
[3]易克初.语音信号处理.北京:国防工业出版社, 2000, 14:363.
[4]李波, 王成友, 杨聪, 等.基于语音频谱包络抽取的MFCC算法.长沙:国防科技大学学报, 2004.
信号联动修正参数计算方法分析 篇3
1 交叉口延误模型介绍
信号交叉口的延误分析是个相当复杂的问题,它与信号周期、配时、交通量及随机因素等有关。目前,用于直行优先信号控制交叉口进口道延误计算模型主要有英国TRRL的韦伯斯特(Webster)模型和美国HCM延误模型(该模型分为1985年版和2000年版)。本文主要讨论的是HCM2000推荐的延误模型
式中:d为各车道每车平均信控延误, s/pcu;d1为均匀延误,即车辆均匀到达所产生的延误;PF为信号联动修正参数; d2为随机附加延误, 即车辆随机到达并引起超饱和周期所产生的附加延误;d3为初始排队附加延误,即在延误分析期初停有上一时段留下积余车辆的初始排队使后续车辆经受的附加延误。
考虑调查初始时交叉口就存在车辆排队对延误的影响,所以,模型中增加延误d2考虑了交叉口过饱和情况下的增加延误,但假定车道组在分析期起点没有初始排队,如果存在初始排队则需要计算d3,否则d3等于0。
2 均匀延误中的信号联动修正参数
依据前面的分析可知交叉口延误为
均匀延误d1是假设车辆均匀到达,每个周期车辆到达率和服务水平恒定的基础上,并且车辆接受服务的方式为先到达、先离开的原则下得到的。本文主要对应用较为广泛的HCM2000延误计算模型中均匀延误的信号联动修正参数PF进行分析。
已有研究成果表明,由于协调控制的采用,理想的信号联动可以使在绿灯时间内到达的车辆比例大;不理想的信号联动导致在绿灯时间到达的车辆比例小,很大程度影响均匀延误。因此,建议在已有的均匀延误函数的基础上采取协调控制修正参数PF对均匀延误进行修正,按照HCM 2000推荐,PF的值用下式计算
式中:PF为信号联动修正系数,P为所有在绿灯时间内到达的车辆的比例,g/C为有效绿灯时间比率,fPA为绿灯时间内队列到达的追加修正系数。
PF是与每种到达类型相关联的P和fPA默认值的到达类型函数。可通过现场观测计算P值。fPA值与到达类型有关,HCM 2000将到达类型分为6类,其特征及与队列比关系、信号联动修正系数如表1、表2、表3所示,到达类型的确定可通过队列比公式计算值对应于表1来确定,队列比
式中:RP为队列比;P为绿灯时间内到达车辆数占总车数的百分比;C为周期长度,s;g为有效绿灯时间,s。
注:PF=(1-P)fPA/(1-g/C);表格基于PF和RP的默认值;P=RP* g/C(不大于1);到达类型3到6的PF值不大于1。
3 上海市典型干道交叉口联动修正参数分析
HCM2000中PF的计算方法比较繁杂,通过实测数据得到上海市北京西路和北横得到绿灯期间到达车辆比例P值,按照HCM 2000中的计算方法计算各交叉口各进口道分时段的的信号联动修正系数PF值,如表4、表5所示。
续表4
续表5
分析联动修正系数PF值的计算过程后,发现其主要影响因素为绿灯期间车道到达比例P值和绿信比,而这两个参数比较容易得到。笔者对上海的实测数据中的这两个参数及PF值进行二元线性回归分析,如表6、表7所示。
通过对上海实测数据算得的PF值进行二元回
归分析,得到其回归方程为
4 结束语
本文介绍了HCM2000中的延误计算模型,着重论述了其中的信号联动修正参数PF的计算方法,以及笔者根据上海市的实测数据对此计算方法的简化过程,最后提出了PF参数计算的二元线性回归方程。为信号联动修正参数的计算提供了一个简单的计算方法,便于工程人员使用。
摘要：为研究交通信号的自适应控制方法,需要对交叉口延误进行定量的分析与计算,而HCM2000推荐的延误计算模型对于自适应控制的信号交叉口的延误计算有不错的适用性。在此模型中,信号联动修正参数PF能较好的修正由于交叉口进行自适应控制而产生的延误变化。由于HCM2000给出的PF计算方法比较繁杂,计算方法的简化成为一个很好的研究切入点。
关键词：自适应控制,延误计算模型,信号联动修正参数,二元线性回归分析
参考文献
[1]Transportation Research Board.Highway Capacity Man-ual2000.Washington DC:National Research Council,?2000.
[2]王炜,过秀成.交通工程学[M].南京:东南大学出版社,2000.
[3]邵长桥.平面信号交叉口延误分析[D].北京:北京工业大学,2002.
[4]裴玉龙,刘广萍.自适应信号控制下交叉口延误计算方法研究[J].公路交通科技,2005,22(7):110-114.
信号参数论文 篇4
1 LFM信号形式
LFM信号的复数形式表示为:
undefined
式中,A(t)为信号包络函数,f0为中心频率,k0=B/T为调频斜率,B为调频带宽,T为信号持续时间。
对于实际需要处理的信号,都是经过采样的离散信号。LFM信号的离散形式为:
undefined
式中,Ts为采样时间间隔,如果信号持续时间为T,那么采样点数N=T/Ts。
2 DMFT基本原理
LFM信号s(t)的匹配傅里叶变换有如下两种形式[7]:
undefined
称式(3)和式(4)分别为二阶匹配傅里叶变换和二步匹配傅里叶变换,对应其离散形式为:
undefined
由式(5)计算得到的谱图可称为离散二阶匹配傅里叶变换谱,其中k不为零,它表示了不同基条件下的匹配傅里叶变换;由式(6)计算得到的谱图可称为离散二步匹配傅里叶变换谱,它表示在不同频率补偿条件下信号的匹配傅里叶变换。
无论对离散二阶匹配傅里叶变换谱还是离散二步匹配傅里叶变换谱,在对应于信号(f0,k0)的位置上,信号能量会发生聚集,在谱上表现为尖峰。在匹配傅里叶变换谱分布图上进行二维搜索,尖峰的坐标(f0,k0)即为该LFM信号的线性频率f0和线性调频斜率k0。
由于离散二阶匹配傅里叶变换和离散二步匹配傅里叶变换具有不同的分辨率,通过文献[8,9,10]表明二步匹配傅里叶变换总是有比二阶匹配傅里叶变换更高的分辨率,因此下面的分析都采用离散二步匹配傅里叶变换进行LFM信号的检测和参数估计。
3 算法改进
对离散匹配傅里叶变换的二维搜索求极大值可以在低信噪比条件下获得较高精度的信号参数。但是当信号带宽增加,采样频率提高时,采样点数增加,运算量增大。下面从减少运算量的角度进行算法改进。对离散之后的信号进行离散匹配傅里叶变换,借助傅里叶变换的快速算法思想,实现离散匹配傅里叶变换的快速算法。对于长度为N的线性调频信号序列x(n),其N点离散匹配傅里叶变换定义如下:
undefined
其实质是将一个输入一维时间序列x(n)变换为关于线性频率和调频斜率的二维序列Xc(f,k),其中f为线性调频信号的初始频率,k为调频斜率。从式(7)可以看出,对于每一个固定的调频斜率k来说,{Xc(f,k)}0≤f,k≤N-1是信号x(n)Wundefined的DFT;当调频斜率k=0时式(7)就转变为DFT。对式(7)进行改进得:
undefined
{Xc(f,k)}0≤f,k≤N-1的计算可以通过x(n)Wundefined的快速傅里叶变换得到。在式(7)中需要N3次复数运算,经过式(8)变换,运算量减小为N2/2log2N,提高了运算速度。为了提高该算法的估计精度,还可以在搜索范围内多次估计,分为粗估计和精估计。即首先在搜索范围内选择大步长,估计出信号参数,然后再在估计值邻近的区域内改变搜索步长重新估计,从而达到需要的精度要求。
4 仿真实验
4.1 单分量LFM信号仿真
先对单分量LFM信号s(t)进行参数估计,s(t)=exp[j2π(f0t+1/2k0t2)],经过下变频的信号线性频率f0=200 MHz,信号时宽T=5 μs,以带宽200 MHz的信号进行仿真,比较在不同信噪比条件下信号参数估计的结果,如图1所示。
表1为B=200 MHz时不同信噪比情况下初始频率和调频斜率的测量值与其对应真值(f0=200 MHz,k0=4.0×1012 Hz/s)的绝对误差。
从以上结果可以看出,该方法对信号参数的估计有较高的精度,在SNR=-15 dB的情况下还能估计信号参数,这是一般的时频分析方法不能比拟的。SNR低于-15 dB时,参数估计绝对误差将逐步增大,信号经过离散匹配傅里叶变换淹没在随机噪声中,无法正确检测信号。
4.2 多分量LFM信号仿真
离散匹配傅里叶变换是一种线性变换,所以在对多分量信号进行分析时不会产生交叉项。但是信号中强分量LFM信号的旁瓣可能大于弱信号的主瓣峰值,影响到多分量LFM信号的分辨和参数估计。为了解决这个问题,借助“Clean”的思想[11,12]:首先计算多分量LFM信号的离散二步匹配傅里叶变换,然后进行二维搜索找极大值。并根据峰值的位置和大小估计最强LFM信号分量的幅度、初始频率和调制斜率,然后由上述参数重构LFM信号并从信号之减去,最后将处理过的信号重复上述过程估计下一个LFM信号的参数。
多信号的参数估计仿真采用如下信号:
undefined
其中,a1=3,a2=2,f1=200 MHz,f2=220 MHz,B1=200 MHz,B2=220 MHz,T=4 μs,SNR=-5 dB。
进行第一次DMFT之后信号频谱如图2所示,只出现强信号分量的一个峰值,弱信号的峰值淹没在强信号分量的旁瓣中。此时,在图2中搜索谱峰最大值,得出强信号的分量:undefined,构造LFM信号第一个分量s1(t),得到剩余信号s2(t),再进行一次二步DMFT,对其余LFM信号分量估计,得到如图3所示结果,估计得到第二个分量的参数:f2=2.197×108,k2=5.53×1013,a2=1.89。
上面的仿真结果表明,离散匹配傅里叶变换结合“clean”思想是一种检测多分量LFM信号的有效的方法。仿真进一步表明,当较小分量的信噪比不小于-15 dB时,LFM信号的参数估计能达到较高的精度。随着信噪比的进一步降低,参数估计精度将下降,无法正确估计信号的参数。
5 结 语
首先介绍了LFM信号的形式以及DMFT的基本原理,然后从减小运算量的角度对DMFT算法进行改进,最后分别对单分量和多分量LFM信号进行Matlab仿真,结果表明,DMFT能够在低SNR情况下估计出LFM信号的参数,不存在多分量信号交叉项问题,而且运用本文改进的算法运算量较小,在对低截获概率雷达信号的处理中将有广阔的应用前景。
摘要：线性调频信号是低截获概率雷达常用的一种信号形式,如何在低信噪比情况下检测线性调频信号一直是人们研究的焦点之一。在离散匹配傅里叶变换的基础上对算法进行改进,并利用改进后的算法分别对单分量和多分量线性调频信号进行仿真,仿真结果表明离散匹配傅里叶变换能够在低信噪比情况下比较准确地估计出线性调频信号的参数,不存在交叉项问题。离散匹配傅里叶变换是一种针对线性调频信号有效的参数估计方法。
关键词：离散匹配傅里叶变换,线性调频,参数估计,低信噪比
参考文献
[1]Guosui L,Hong G Weimin.The Analysis and Design ofModern Low Probability of Intercept Radar[J].IEEE.2001:120-124.
[2]史林,彭燕,张毓峰.一种低截获概率雷达信号及其信号处理[J].现代雷达,2003,25(6):26-28.
[3]孙泓波,顾红.基于互Wigner-Ville分布的SAR运动目标检测[J].电子学报,2002,30(3):347-350.
[4]齐林,陶然,周思永.基于分数阶Fourier变换的多分量LFM信号的检测和参数估计[J].中国科学(E辑),2003,33(8):749-759.
[5]Liu Jiancheng,Zhou Jie,Wang Guoyu.Detection Perfor-mance of Linear Frequency Modulated Signals Based onWigner-Hough Transform[J].Signal Processing,2005,21(4A):546-549.
[6]孙晓昶,皇甫堪.基于Wigner-Hough变换的多分量LFM信号检测及离散计算方法[J].电子学报,2003,31(2):241-244.
[7]刘爱芳,朱晓华,刘中.基于离散匹配傅里叶变换的多分量LFM信号检测和参数估计[J].信号处理,2002,18(6):539-542.
[8]王盛利,李士国,倪晋麟,等.一种新的变换———离散匹配傅里叶变换[J].电子学报,2001,29(3):403-405.
[9]王盛利,倪晋麟,张光义.匹配傅里叶变换的分辨力[J].系统工程与电子技术,2002,24(4):29-32.
[10]Wang Shengli,Zhu Li.Changeable Sampling Processing forChirp Signals in the SAR[A].Fourth International Con-ference on Signal Processing[C].Beijing,China,1998:1 473-1 476.
[11]张贤达,保铮.非平稳信号分析与处理[M].北京:国防工业出版社,1998.
数字电视信号的参数与监测刍议 篇5
经过MPEG-2信源编码和MPEG-2TS传输流复用后生成的MPEG-2传输复用包经过扰码、RS编码及卷积交织后, 进行64QAM调制形成中频调制信号, 中频调制信号经过上变频转为射频信号然后送入HFC网传送到用户。
数字电视和模拟电视的频谱结构及能量分布完全不同。由于QAM中的调幅是平衡调幅, 抑制了载波, 因而从频谱分析仪上看, 一个数字频道的已调信号, 像一个抬高了的噪声平台, 均匀地平铺于整个限定带宽内。伴音信号在MPEG-2编码时, 已经与图像信号以包的形式复用到了一起, 因而, 一个数字电视频道, 不但没有所谓图像载波, 也没有伴音载波。
1、数字电视的信号电平
数字电视信号没有图像载波电平可取, 整个限定的带宽内是平顶的, 无峰值可言。所以, QAM数字频道的电平是用被测频道信号的平均功率来表达的, 称为数字频道平均功率。在用户端电缆信号系统出口处要求:信号电平为47~67d BμV (比模拟电视信号的要求低10d B) , 数字相邻频道间最大电平差为≤3d B, 数字频道与相邻模拟频道间最大电平差为≤13d B。
2、数字电视的噪声电平
测量模拟频道噪声时, 在模拟频道取噪声测试点, 只要偏离图像载频即可。但是数字电视的频谱分布决定了测量数字频道噪声不能使用模拟频道的测量方法。数字频道内有用能量也像噪声, 没有什么特点把它们分开, 所以测量噪声, 要到被测频道的邻频道去取样, 并且这个邻频道应当是空闲的。
3、信噪比
信噪比 (S/N) 指传输信号的平均功率与噪声的平均功率之比。载噪比 (C/N) 指已调制信号的平均功率与噪声的平均功率之比, 载噪比中的已调制信号的功率包括了传输信号的功率和调制载波的功率。在调制传输系统中, 一般采用载噪比指标;而在基带传输系统中, 一般采用信噪比指标。
数字调制信号对网络参数的要求主要反映在载噪比上, 载噪比越大, 信号质量越好, 反之信号质量就差, 模拟电视会出现“雪花干扰”, 数字电视会出现马赛克, 严重时会造成图像不连续甚至不能对图像解码。在有线网中, 用户端电缆信号出口处数字频道载噪比达到31d B以上, 就可传送64QAM信号。
二、数字信号的监测
数字电视平台节目监测系统拟视音频及数字矩阵系统、数字测试仪器及电视墙三个大的部分构成。数字TS码流经过数字ASI矩阵系统切换, 送入解码器解码还原成模拟视音频后, 送入电视墙, 进行主观效果监测, 同时可进行与一般模拟视音频信号相同的测试, 经ASI矩阵切换的数字TS码流也可直接送入数字码流分析仪进行实时分析, 或者经过录制后, 离线分析等。数字码流经QAM调制后输出的RF射频信号经混合器混合, 送入大网播出, 同时分出1路至机顶盒接收, 机顶盒输出电视信号或者音频广播信号至视音频矩阵, 然后送入电视墙。同时也可进行模拟指标测试。从混合器再分出l路射频信号经数字电视测试接收机处理后输出TS流至码流分析仪, 实现对QAM调制后的数字信号的测试。
数字码流监测可以根据其来源分为:编码器输出TS流、数字卫星接收机输出TS流、多协议适配器输出TS流、复用器输出TS流、独立加扰器输出TS流、其它TS流及QAM调制后经解调恢复的TS流。在本监测系统中, QAM调制后经数字电视测试接收机解调后恢复出的TS流可直接送入数字码流分析仪进行数字分析;其余各种来源的TS流须经数字矩阵的切换处理后再进行测试。
对比测试原则采用溯源法, 跟踪对比测试的原则, 主要体现在电视墙的主观效果上。
1、对编码器、接收机的信号根据处理过程分成源AV信
号或直接输出AV信号、初步处理TS流信号 (包括编码输出及数字接收机输出TS信号) 、复用器复用后TS流信号和QAM调制混合后信号四种, 对节目同时段对比跟踪测试。即为源AV信号或直接输出AV信号与后面的信号经过还原的视音频信号进行对比测试, 体现在每一环节信号质量的比较、变化、跟踪监测。
2、对多协议适配器和解密器处理的节目, 则是适配器直
接TS信号解码恢复AV信号、复用后解码恢复AV信号以及机顶盒解码AV信号对比监测。
3、音频广播信号则是源信号与机顶盒接收信号, 通过音箱功放进行监听对比。
此方案具有以下特点:开放式标准化设计, 符合国家和行业的相关标准;可靠的可控性和可管理性, 健全的网管功能, 可对网络、设备进行实时全面的监测和控制;灵活性强, 可根据需要灵活地设置搭配设备;可扩展性高, 可以随着前端节目的增多而扩展系统的容量;具有全面的考虑, 可监测数字平台前端各个环节的节目信号。数字电视系统的运营, 对播出质量和稳定性有更高的要求。本文所述节目监测系统正是以此为目的, 实现对播出节目的全方位监测, 并体现了数字电视整体平移的理念。
摘要：本文主要介绍了有线数字电视系统中的信号参数指标和具体的监测方法。
信号参数论文 篇6
目前为止, 调制信号识别的方法有很多种, 有基于高阶累积量[1]、基于小波变换[2]、基于瞬时幅度特性[3]等方法, 此外还有基于最大似然、混沌理论、支持向量机等不同方向的识别方法。在众多的调制信号识别的方法中, 每种方法各有其利弊, 在实际应用过程中, 应针对具体情况选择某种或者某些种相结合的方法, 才能实现对研究信号的有效识别。
基于高阶累积量的方法, 虽然抗噪性强, 仿真效果好, 但在特征参数提取时计算十分复杂;基于瞬时幅度的方法, 虽然参数提取过程的计算量小, 但是得到的参数抗噪声性能差, 在同信噪比下信号的正确识别率很低。因此, 本文采用高阶累积量和瞬时幅度相结合法提取信号的特征参数。针对2ASK、4ASK、8ASK、2PSK、4PSK、2FSK、4FSK、16QAM八种数字调制信号, 利用联合参数法构造出了几个新的特征参数, 借助粗糙集的快速属性约简理论[4]对信号特征参数进行选择, 然后利用这些特征参数对上述信号进行了理论上的分类识别, 最后利用BP神经网络作为分类器, 对这八种数字调制信号进行仿真识别。由识别结果看出, 本文构造的特征参数对文中数字调制信号的识别十分有效。
1算法的具体步骤
通常调制信号的识别过程包括:信号的预处理, 特征参数的提取, 特征参数的选择, 分类器设计及识别。联合参数算法的具体步骤如下:
步骤一
将信号进行窄带滤波、中心频率估计、去除直流成分以及均方归一化处理, 提取信号的各种瞬时特征信息。
步骤二
利用高阶累积量的知识计算得到各信号的二、四、六阶累积量的理论值, 针对待识别的信号构造参数F1、F2、F3。
步骤三
在信号的瞬时特征基础上, 分析并利用信号的瞬时幅度构造出参数R、γenv。
步骤四
利用粗糙集的属性约简算法对提取到的新参数进行属性约简。
步骤五
利用约简后的参数及文献[5]中的三个参数作为特征属性对本文的数字信号进行识别。
1.1基于联合方法的特征参数的提取
1.1.1高阶累积量的计算及参数的提取
对于一个平稳实随机过程x (n) , n=0, ±1, ±2, ±3, …, 其联合r阶矩和r阶累积量分别定义为[4]
令v1=v2=…=vn=1, 把n阶矩、n阶累积量记为:
对于一个平均值是零, 且随机过程是复平稳过程的信号x (k) , 它的混合矩的p阶矩可表示成为:mpq=E[x (n) p-qx* (n) q]其中的*符号是指函数的共轭。此种信号的高阶累积量有如下定义[4]:
假设发出的信号的速率是相等的, 在信号平均功率归一化后且无噪声的条件下, 根据上面的计算公式, 得出了信号的一些高阶累积量的理论值, 见表1中所示。结合文中的几种信号及其表中的各阶累积量的值构造了参数
1.1.2瞬时幅度的分析及参数的提取
假设待识别的几种信号已经进行了预处理, 通信信号一般可以表示为s (t) =m (t) cos (2πf0t+θ0) , f0是载波频率, 设s (t) 是一个时间函数, 对s (t) 做希尔伯特变换得其正交分量v (t) , 则有
信号的瞬时幅度的的公式可表示为:
在基于信号的瞬时幅度特性上, 针对待识别的几种信号构造出瞬时幅度平均值的立方R, 零中心归一化瞬时幅度绝对值的一阶绝对中心距γenv。
1.2特征参数的选择
特征参数的选择是对得到的参数进行属性约简的过程。提取的新特征参数中存在着冗余的信息特征, 利用粗糙集的属性约简功能, 得到最简化的特征参数的集合, 把最简特征集合作为信号的特征属性对其进行识别。
定义2.1
IS=<U, A, V, f>用来表示一个信息系统, 把集合U={x1, x2, …, xn}称为系统的论域, 其中的A用来代表属性的集合, V用来代表值域。f:U×A→V用来表示系统的信息函数, 它反映的是样本的集合与它的属性取值的相对应的映射关系。条件属性用C来表示, 决策属性用D表示, 如果有A=C∪D, 且有C∩D=φ, 则把<U, A, V, f>称为一个系统的决策表。对于xi∈U, xi的邻域定义为δ (xi) ={xj|xjU, Δ (xi, xj) ≤δ}, 在此式子中δ≥0, 其中xi生成的δ邻域的信息粒子用δ (xi) 来表示, 把其称为xi的邻域粒子[4]。
定义2.2
U={x1, x2, …, xn}, 表示实数的非空有限集合, A用来表示U的特征集合, D用来表示U的决策属性, 如果论域空间中的一族邻域关系用A来生成, 则NDT=<U, A∪D>可以表示为邻域的决策系统[4]。
定义2.3
如果将NDT=<U, A∪D>作为邻域决策系统, 而决策属性D又将论域U划分成为N个等价类:X1, X2, …, XN, BA, 可给出决策属性D关于属性集合B的上、下近似可定义如下[4]:
定义决策边界为:
决策属性D的决策正域, 可称为下近似, 正域的大小能代表在给定的属性空间中分类问题的分离程度如何。如果正域区域越大, 则可表明各类样本的重叠区域面积越大, 即边界样本的数量就越少。由此可依据属性集的这种性质, 可以判断新加入一个属性时正域的区域变化。把决策属性集D对于条件属性子集B的依赖性定义为:
式 (17) 中, 从式 (17) 中看出如果正域越大, 那么决策属性集D对于条件属性子集B的依赖程度就越强。如果样本X已是条件属性R上的正域样本, 那样本X是 (R+r) 上的正域样本, 即区分边界样本只需利用新加入的属性即可。根据粗糙集的性质, 当计算对 (R+r) 的属性依赖度时, 对原来负域样本进行判断就可得知。因此, 可以大大减少样本的比较和判断次数。详细的关于粗糙集的属性约简算法流程请见参考文献[6]。
1.3数字信号的理论识别过程
1.3.1零中心归一化瞬时幅度功率谱密度的最大值γmax[5]
式 (18) 中acn (i) =an (i) -1, acn (i) 是信号经过零中心归一化处理后的瞬时幅度, an (i) =a (i) /m (a) , a (i) 是信号的瞬时振幅, , m (a) 是信号瞬时幅度的平均值, N是信号的取样点数, 此参数能够将信号{2FSK, 4FSK}与文中其他信号进行区分。
1.3.2零中心归一化非弱信号段瞬时频率绝对值的标准偏差σaf[5]
式 (19) 中fN (i) =fm (i) /Rs, Rs表示数字信号的符号速率, fm (i) =f (i) -m (f) , C表示在全部取样点数N中非弱信号的个数, f (i) 是用来表示调制信号的瞬时频率, m (f) 表示信号瞬时频率的平均值, 。at是一个幅度判决门限电平, 主要是用来判断信号是否处于弱信号段, σaf参数是用来参看某种信号中是否含有绝对频率信息, 2FSK只有两个频率值, 所以归一化的瞬时频率值只可能是一个常数;而4FSK这种信号频率信息中含有4个不同的频率值, 通过归一化的处理后仍然还含有频率信息。因此参数σaf能将信号2FSK识别。
1.3.3利用高阶累积量构造参数F1
从表1中可看出在2ASK、4ASK、8ASK、2PSK、4PSK、16QAM信号中只有16QAM的F1的值是0, 因此此参数理论上可将其从中识别出来。
1.3.4瞬时幅度平均值的立方R
在信号{2ASK, 4ASK, 8ASK, 2PSK, 4PSK}的集合中, 可以将这几种信号分为ASK和PSK类信号, PSK类信号是由相位的变化传递信息, 虽然在相位变化过程中有一些时刻幅度也随之变化, 但是2PSK和4PSK信号的瞬时幅度的均值都约等于1;此外2ASK的平均瞬时幅度值是最小的, 所以得到的上述值也是最小的;而8ASK的均值最大, 所以得到的上述值也是最大的。此参数将信号分为{2PSK, 4PSK}和{2ASK, 4ASK, 8ASK}两个子集。
1.3.5零中心归一化瞬时相位非线性分量绝对值的标准偏差σap[5]
式 (22) 中φ (i) 表示去卷叠后信号的瞬时相位, φNL (i) 表示经零中心归一化处理后瞬时相位的非线性分量, C表示在全部取样点数N中非弱信号的数量, σap是用来参看信号是否含有绝对相位信息, 2PSK不包含绝对相位信息, 4PSK本质上是含有绝对相位信息, 因此可以将信号2PSK和4PSK区分开。
1.3.6利用六阶累积量和四阶累积量构造参数F2
由高阶累积量的知识从表1中的数据可以直接计算出2ASK、4ASK、8ASK三种信号的参数F2的值分别为32、27.52和27.11, 从中可以看出2ASK信号的F2的值明显高于其他两个, 但是信号4ASK, 8ASK的值却相差很小不易区分, 因此此参数只能有效的将信号2ASK从中识别出。
1.3.7零中心归一化瞬时幅度绝对值的一阶绝对中心距γenv
在式 (24) 中bcn (i) =|acn (i) |, acn (i) =an (i) -1, an (i) 是信号的瞬时振幅, acn (i) 是信号经过零中心归一化处理后的瞬时幅度, 其中, 8ASK信号的此参数值要大于4ASK信号的值, 因此此参数可以将两信号进行识别。
2分类器设计及其仿真识别结果
对特征参数进行属性约简后, 将BP神经网络作为分类器对文中的几种数字信号进行分类识别。本文BP神经网络的构建采用了三层网络结构, 包括输入层、隐含层、输出层。输出层和隐含层的传递函数分别为purelin和tansig型激发函数, 网络分类器采用的是trainlm函数, 输入层神经元个数是由经过属性约简后特征参数个数决定的, 输出层神经元个数定为1, 隐含层神经元数目的选取将影响到网络的性能和最终的识别效率。当隐含层神经元数目太少时信号的识别率很低, 不能将信号全部有效的识别;数目太多时会大大增加网络训练难度, 降低网络的性能。根据文献[6]并依据实验结果分析, 将本文的隐含层最佳神经元数目选取为16, 训练参数取默认值, 神经网络训练的详细过程请见参考文献[5, 6]在matlab平台上, 针对文中待识别的2ASK、4ASK、8ASK、2PSK、4PSK、2FSK、4FSK、16QAM的八种信号, 设置了仿真参数, 载波频率12 k Hz, 采样频率16 k Hz, 码元速率1 000 bps, 根据文献[4]及实验数据分析将粗糙集邻域δ大小设定为0.5, 对每种信号每隔5 d B在5~30 d B信噪比范围内抽取150个信号样本, 即一共7 200个信号样本, 作为研究的对象, 将其中的4 800个样本信号用作训练集来训练网络, 剩余的2 400个样本作为测试集对信号进行最终的仿真识别。下文给出了信噪比在0 d B、5 d B、10 d B、20 d B的仿真识别图。如图1~图4所示。每幅图中从左至右信号种类依次为2ASK、2PSK、2FSK、4ASK、4PSK、4FSK、8ASK、16QAM。纵轴1~8表示样本信号的实际类别, 每个样本点的分类结果标识在相应位置, 若二者重合表示分类正确。
3算法的性能评估与分析
从上述识别图中可看出, 在信噪比0 db时信号的识别效果不是特别好。从各图对比来看, 随着信噪比的增大, 各信号的识别率以及所有信号的平均识别率整体都在增大。为了能更直观看出此算法优于其他算法的性能, 我们给出了在不同信噪比下, 单个信号识别率和所有信号平均识别率的结果, 如表2所示。
由表2中的数据看出, 16QAM信号尽管在5 d B时识别率不是很高, 但是在15 d B时识别率在97%以上;各信噪比下2ASK信号的识别率都在99%以上, 8ASK信号的识别率都在95%以上;且在大于等于15 d B时8ASK信号识别率达到100%, 由此证明了此算法提取到的参数F1、F2、γenv的有效性。
本算法能够对多种调制方式种类的信号进行识别, 而文献[1, 4, 5]中的算法不能够对8ASK信号识别, 文献[3]中的算法不能够识别8ASK和16QAM类信号。此外由实验结果可看出, 当信噪比大于等于10 d B时, 本算法对信号的平均识别率大于95%;而文献[3]中信噪比大于等于10 d B时信号平均识别率大于87%。与其他文献中的同类算法相比较, 本文算法计算量小, 能在更低的信噪比下识别不同种类的信号, 且在相同信噪比下信号平均识别率都相对较高。
4总结
本文对数字信号识别的算法进行了研究。基于联合参数法提取信号的特征参数, 之后利用粗糙集约简特征参数, 最终在matlab平台上, 使用BP神经网络作为分类器对数字信号进行仿真识别。仿真结果表明, 本文方法不仅计算量小, 抗噪性强, 易于实现, 且相较于同类其他算法, 在相同信噪比下, 不仅提高了单个信号的识别率, 也提高了信号的平均识别率, 验证了算法的有效性。
摘要：数字信号在敌情监测与侦查、卫星通信、非法电台监测等领域的使用极为广泛, 因此对数字信号进行高效地识别、分析和利用具有重要的意义。为了改善信号的抗噪声性能和减小特征参数提取时的计算量, 提出了一种利用联合参数对数字信号进行特征参数提取的方法。该方法先利用高阶累积量知识构造出三个参数, 再利用信号瞬时幅度构造另外两个参数。最后基于联合参数法, 利用神经网络对数字信号进行分类识别。实验结果表明, 获取到的参数不仅能有效识别信号, 而且当信噪比为10 dB时, 识别的正确率可达95%以上, 远远优于已有算法。
关键词：数字信号,高阶累积量,瞬时幅度,粗糙集,反向传播神经网络
参考文献
[1] 高永强, 陈建安.基于高阶累量的数字调制方式识别.无线通信技术, 2006; (1) :26—29Gao Y Q, Chen J A.Higher order cumulant-based recognition of the digital modulation styles.Wireless Communication Technology, 2006; (1) :26—29
[2] 赵文华.基于小波变换的数字调制信号识别研究.西安:西安电子科技大学.2011Zhao W H.Wavelet transform-based recognition of the digital modulated signals.Xi'an:Xi'an University of Electronic Science and Technology, 2011
[3] 谭方.利用幅度特性对数字信号调制方式进行识别.电子测试, 2011; (11) :21—24Tan F.Amplitude characteristics-based recognition of the digital modulation styles.Electronic Test, 2011; (11) :21—24
[4] 梁晓芳.基于邻域粗集快速属性约简神经网络的调制信号识别研究.太原:太原理工大学, 2012Liang X F.A research of modulation recognition based on efficient attribute reduction with neighborhood rough set and neural network.Taiyuan:Taiyuan University of Technology, 2012
[5] Nandi A K, Azzouz E E.Automatic analogue modulation recognition.Signal Processing, 1995;46 (2) :211—222
[6] 吴效威.基于邻域粗集神经网络的通信信号调制识别研究.太原:太原理工大学, 2011Wu X W.The Research of communication signals modulation recognition based on neighborhood rough set.Taiyuan:Taiyuan University of Technology, 2011
[7] 韩虎, 党建武, 任恩恩.基于邻域粗糙集的支持向量机分类方法研究.计算计学, 2010;37 (2) :229—231Han H, Dang J W, Ren E E.Neighborhood rough set-based research on SVM classification method.Calculation of Accountancy, 2010;37 (2) :229—231
信号参数论文 篇7
1 分形盒维数和归一化峰度
假设接收信号x (t) 是调制信号s (t) 和高斯白噪声n (t) 的叠加, 即x (t) =s (t) +n (t) 。其中, n (t) ~N (0, σ2) 。在仿真中, s (t) 属于以下6种调制类型:ASK, 4FSK, 8PSK, 16QAM, 4PAM和OFDM。其中OFDM信号子载波采用BPSK调制, 子载波数为64。信号调制类型识别的目标是对于给定的s (t) 的N个信号采样点, 在集合ASK, 4FSK, 8PSK, 16QAM, 4PAM和OFDM中识别分类。
1.1 分形盒维数
分形维数是分形理论中定量描述分形集复杂性的主要参数。分形维数能有效度量通信信号。Hausdorff维数是分形理论中最基本的一种分形维数, 但其计算复杂, 因此, 一般使用分形盒维数描述信号的分形信息。文献[1]提出了一种基于分形盒维数的调制类型识别的方法。
图1是ASK, 4FSK, 8PSK, 16QAM, 4PAM, OFDM六种调制信号的分形盒维数随信噪比变化的曲线图。横轴SNR代表信噪比, 纵轴DIM代表信号分形盒维数。从图1中可以看出, ASK, 4PAM, 8PSK, 16QAM调制信号归一化峰度随着SNR有明显变化, 当SNR变高时, 逐步趋于稳定。4FSK和OFDM信号不随SNR变化而变化, 两者分形盒维数特征类似。从图1可以看出在SNR未知时, 分形盒维数很难区分信号类型。在SNR已知时, 4FSK信号和OFDM信号也不能依赖分形盒维数区分。
1.2 归一化峰度
归一化峰度等于3的实信号是高斯信号, 小于3的实信号是亚高斯信号, 大于3的实信号为超高斯信号[8]。无线通信中的数字调制信号多为亚高斯信号。图2是ASK, 4FSK, 8PSK, 16QAM, 4PAM, OFDM六种调制信号的归一化峰度随SNR变化的曲线图。横轴SNR代表信噪比, 纵轴K代表信号归一化峰度。从图2中可以看出, 4PAM、16QAM调制信号归一化峰度在不同SNR下的变化。ASK和OFDM信号不随SNR变化而变化, 两者信号特征类似。4FSK和8PSK信号特征类似, 且随着SNR变化而变化。由图2可以看出, 信号归一化峰度用于区分信号调制类型时, 在SNR未知时不能有效区分。在SNR已知时, 也不能区分4FSK和8PSK信号, 以及ASK和OFDM信号。
2 Dimension Peak算法
从图1和图2可以看出, 分形盒维数和归一化峰度都在SNR未知时不能有效区分信号调制类型。DP算法将分形盒维数和信号归一化峰度作为二维信号特征向量, 使用径向基神经网络进行分类识别。
分形盒维数在文献[9]中定义为
式中:是覆盖G的最小半径为的最小闭球数目。文献[10]将其简化, 对于数字化离散空间信号点集的分形维数有如下计算公式。设信号采样序列为f (ti) , (i=1, 2, …, N+1) , 其中N为偶数。令
则分形盒维数可以表示为
实信号的归一化峰度为
式中:E[x]为x的期望。
图3和图4分别是是信号信噪比大于-5 d B和0 d B时, ASK, 4FSK, 8PSK, 16QAM, 4PAM, OFDM六种调制信号的二维特征图。图中实验信号SNR分别是在-5~+20 d B和0~+20 d B均匀分布的。由图3和图4可以看出, 相对于一维的分形盒维数特征或归一化峰度特征, 二维特征具有更明显的信号调制类型区分能力。由图3和图4对比可以看出, 信号在SNR较高时, 信号具有更明显的分类特征。当SNR接近-5 d B时, 信号特征出现聚集现象, 不利于区分。然而, 相对于前面两种一维特征, 新算法在区分信号调制类型时不需要已知SNR。
3 仿真验证
待测信号为ASK, 4FSK, 8PSK, 16QAM, 4PAM, OFDM六种数字调制信号。实验中, 待测信号信噪比为在20 d B>SNR>-5 d B和20 d B>SNR>0 d B范围内进行测试。由于SNR很高时, 信号特征明显, 容易区分, 所以实验时SNR取值上限为20 d B。SNR>-5 d B时每种信号测试2 600次, SNR>0 d B时每种信号测试2 100次。两种测试的径向基神经网络分别由SNR在-5~+20 d B和0~20 d B的6种随机数据调制信号训练。表1和表2分别是SNR>-5 d B和SNR>0 d B时调制信号分类结果。其中No.1, No.2, No.3, No.4, No.5和No.6分别代表检测结果为ASK, 4FSK, 8PSK, 16QAM, 4PAM和OFDM信号。表中的数据代表相应的检测次数。由表1和表2知, 在SNR>-5 d B时, 6种信号的分类正确率分别是95.46%, 94.31%, 97.42%, 100.00%, 99.85%, 98.96%。在SNR>0 d B时, 6种信号的分类正确率都超过99.90%。可见, 新算法在SNR未知时检测性能也很高。但该算法的缺点是在SNR很低时, 性能会下降。
4 结论
分形盒维数和信号归一化峰度作为信号特征, 它随着SNR变化而变化。DP算法使用分形盒维数和归一化峰度作为二维分类特征, 并使用神经网络作为分类器进行信号调制类型识别。该算法具有计算简单、实现容易的特点。仿真结果表明, 在SNR>-5 d B时, DP算法在SNR未知的情况下, 可以取得很高的检测性能。
参考文献
[1]DOBRE O A, ABDI A, BARNESS Y, et al.A survey of automatic modulation classification techniques:classical approaches and new developments[J].IET Commun., 2007, 1 (2) :137-156.
[2]RAMKUMAR B.Automatic modulation classification for cognitive radios using cyclic feature detection[J].Circuits and Systems Magazine, 2009, 9 (2) :27-45.
[3]DOBRE O A, ABDI A, BAR-NESS Y, et al.Cyclostationarity-based modulation classification of linear digital modulations in flat fading channels[J].Kluwer Wireless Personal Commun, 2010, 54 (4) :699-720.
[4]SHEN L, LI S, SONG C, et al.Automatic modulation classification of mpsk signals using high order cumulants[C]//Proc.8th International Conference on Signal Processing.[S.l.]:IEEE Press, 2006:4.
[5]MENG Lingling, SI Xiujie.An improved algorithm of modulation classification for digital communication signals based on wavelet transform[C]//Proc.International Conference on Wavelet Analysis and Pattern Recognition.[S.l.]:IEEE Press, 2007:1226-1231.
[6]VADIVELU R.Implementation of modified time-smoothing algorithms and its comparative analysis in spectrum sensing[J].European Journal of Scientific Research, 2012, 80 (2) :237-243.
[7]陈纬, 张旭东, 邢志强.基于综合检测的多调制格式信号频谱感知[J].电声技术, 2013, 37 (3) :63-38.
[8]张贤达.现代信号处理[M].2版.北京:清华大学出版社, 2002.
[9]赵春晖, 马爽, 杨伟超.基于分形盒维数的频谱感知技术研究[J].电子与信息学报, 2011, 33 (2) :475-478.