AWGN

AWGN（通用4篇）

AWGN 篇1

在全球经济一体化的形势下, 我国社会经济高速发展, 越来越重视科学技术的发展, 贯彻落实科学技术是第一生产力的政策。近几年, 互联网技术已经深入人们的生活中, 成为人们获得信息的重要来源。随着人们对网络的应用越来越广泛和频繁, 其对网络技术的发展提出了更高的要求。就目前而言, 无线网络技术的发展已经有所成效, 无论是在蜂窝网或是在网状网等网络中, 都采用了双向中继网络传输模型, 而其编码问题颇受相关技术部门的重视。为保障网络传输的质量, 必须加大对AWGN信道高阶调制网络编码的研究投入。

一、AWGN信道的相关内容

AWGN信道是指仅仅只有一种信号减损的信号传输通道模型。AWGN是一种噪声与干扰模型, 在此模型中无论是否存在着信号, 其都会存在着一定的噪声, 不会因信号的有无而发生变化。因而这种模型也被称之为加性噪声。AWGN信道中所分布的信号范围比较广, 其频带比较宽, 信息传输具有一定的容量。作为一种无线信道的AWGN信道, 所使用的是无线频段, 主要是通过无线信号来进行数据信息的传输。在AWGN信道中信道编码十分重要。信道编码包括了原定的信息码和后又加入的监督码元两个部分。信息码元和监督码元这两个部分之间是一种约束关系, 当期约束关系破裂的时候, 则会导致信息传输出现问题, 因而必须采用有效的网络编码技术来进行改进和完善, 以确保AWGN信道中信息传输的稳定性。当信息通过AWGN信道进行传输时, 会产生一定的噪声和干扰性, 且难以避免, 而信息传输的质量则依靠于AWGN信道的性能。为此, AWGN信道中必须具有信道编译码模块, 要充分发挥信道编码的作用。有效的信道编码能保障信息在传输的过程中尽可能的减少能量的损失, 保障信号的稳定性, 以避免信息在传输过程中出现错误。

二、AWGN信道高阶调制网络编码分析

在对AWGN信道高阶调制网络编码的SER性能进行分析的时候, 假定所采用的高阶调制为8PSK, 我们根据试验可得出两个结论。一个是当AWGN信道处于双向中继物理层网络编码模式下的时候, 其中继节点的SER性能可以根据公式计算出来。虽然在计算和分析的过程中较为复杂, 但是仍然能利用星座图来进一步研究;一个是采用物理层网络编码模式的双向中继网络, 若是取某个源节点发送功率的固定值, 而将另一个源节点的发送功率作为变量, 以探索其在变量增加的过程中, 中继节点SER性能的变化规律, 可发现其不是呈反比, 并未随之而单调递减, 具有一定的复杂性。在对AWGN信道高阶调制网络编码进行分析的时候, 可以采用最近邻近似方法, 以此来计算SER性能, 固定高阶调制方式, 再利用星座图来加以辅助研究。

现阶段, AWGN在物理层网络编码模式下所采用的仍然是低阶调制方式, 而对高阶调制网络编码的分析少之又少, 也未能充分发挥高阶调制技术。当AWGN信道的环境处于良好状态时, 高阶调制方式的传送在传输高速率上要高于低阶调制方式, 而且在频谱效率方面也有所提升, 具有重要的作用。另外, 在分析AWGN信道高阶调制网络编码的时候, 可以通过仿真实验来进行研讨, 充分利用数值实验的结果, 创设系统模型, 并均采用8SPK调制, 将系统模型A的功率设为a, 为系统模型B的r倍, r的取值范围在0至1之间, 将系统模型B的比特性噪比设为b, 分两组进行实验, 通过对r的取值来观察SER的性能变化。通过仿真实验的结果, 可描述出物理层网络模型编码在AWGN信道中应用的SER性能值和其变化规律, 并且可以此来分析其为何值时, 能够保障信息的传输不出现错误。据此, 有利于推广高阶调制网络编码在AWGN信道中的应用, 以提高信息传输的速度, 增加信息传输的容量, 保障AWGN信道的良好环境。

三、结束语

在无线网络技术的发展过程中, 网络编码技术是其重要的组成部分, 需要予以高度重视。通过对AWGN信道模型的研究, 可以发现其在数据传输过程中所扮演的角色和作用, 充分发挥高阶调制网络编码技术, 能够为信号的传输提供良好的通道环境, 避免所传输的信号受到干扰, 从而保障数据传输的质量和效率。AWGN信道具有较强的抗干扰性, 是一种无线噪声模式。对AWGN信道中高阶调制网络编码的SER性能进行分析, 可进一步的完善AWGN信道的传输功能, 有利于加快信息传输的速度, 避免无线网络通讯受到干扰、衰落的影响, 从而更好地接受信息并解码信息, 确保解码信息的正确率。

摘要：本文主要简单的介绍了AWGN信道的相关内容, 对AWGN信道高阶调制网络编码进行了研究, 以分析AWGN信道高阶调制网络编码中的SER性能。据此, 有利于保证AWGN信道高阶调制网络编码中的误符号率, 促进我国网络通信技术的发展, 保障良好的AWGN信道条件, 提高信息传输速率, 为人们提供更快捷的网络业务服务。

关键词：AWGN信道,高阶调制,网络编码

参考文献

[1]李丹丹, 熊轲, 杜冠瑶等.AWGN信道高阶调制物理层网络编码的SER性能[J].应用科学学报, 2013, (31)

[2]何婵.基于Lattice编码的物理层网络编码[D].西南交通大学, 2013

[3]张海刚.编码与调制-移动通信系统关键技术研究[D].山东大学, 2010

[4]佟宁宁, 赵旦峰, 吴宇平等.联合多元信道编码调制-网络编码方案[J].哈尔滨工程大学学报, 2014, (6)

AWGN 篇2

Turbo由于其具有接近shannon极限的优异性能近年来已经在很多领域得到应用。本文对Turbo码在AWGN信道上进行了仿真,对不同的编码约束度、迭代次数、交织长度、码率等因素对Turbo性能的影响进行了分析比较。

1 Turbo码编译码仿真平台建立

本文用Matlab程序设计语言通过软件编程实现Turbo码编译码仿真平台的建立。设计总流程如图1所示。

图2给出Turbo码编译码的软件设计流程图。

2 性能仿真和分析比较

本文只对在AWGN信道模型下的Turbo码进行性能研究。在 AWGN信道中,信号只受加性高斯白噪声的污染,其均值为0,方差为σ2,单边功率普密度为No。

下面建立AWGN信道模型模拟方法,信道模型如图3所示。

ak是衰落因子,nk是高斯噪声,此模型取ak=1,当ak不为1时,此模型是Rayleigh信道模型,体现了此模型的普遍意义。

(1)编码约束度对Turbo码性能的影响

Turbo码的帧长取L=2048,r=1/2,采用MAP算法译码,经过5次迭代后仿真结果如图4所示。

通过图4可以看出,编码约束长度的增大使得误码率也随之下降,并且下降的趋势也随之快很多,即:约束度越大,Turbo码的性能越好。但约束度的增加会导致Turbo码译码运算复杂度呈指数增长,运算量的增加也会使译码延时增大,因此,设计Turbo码要综合考虑误比特率和运算量两方面的因素来选择约束度。综合考虑的话,一般选择约束度为4的递归卷积码来构造Turbo码更为理想。

(2)迭代次数对Turbo码性能的影响

Turbo码具有良好的译码性能的一个主要的原因就是其循环迭代译码结构。各个译码单元相互之间传递外信息,作为先验概率提供给下一次迭代译码。下面选用帧长L=1024,生成矩阵为[15,17],经并联级联、删余截短后得编码速率为r=1/3的Turbo码,译码器采用LOG-MAP算法,迭代次数分别为1,3,5,10次,则对应于不同迭代次数的Turbo码方针误码率曲线图如图5所示。

从图中可以看出,BER的值随着迭代次数的增加而下降,即:迭代次数的增加会显著改变Turbo码的性能。要使Turbo码取得比较好的纠错译码性能,译码时要有足够的迭代次数。但是也可以看出,当迭代次数增加到一定程度时,次数增加所带来的信噪比增益不明显了,误码率下降并不多,随着外信息与内信息相关性的逐渐增强,迭代译码将趋于收敛,外信息提供的纠错能力逐渐减弱,在一定次数的循环迭代之后,译码性能将不再提高,此现象就是Turbo码译码中存在的地板效应。因此,要得到比较理想的解码性能要综合考虑。

(3)交织长度对Turbo码性能的影响

交织器是Turbo码编码器主要组成部分,也是Turbo码的重要特征之一。交织器实际上决定了 Turbo码的重量分布,在给定了卷积编码器后,Turbo码的性能主要是由交织器决定的。Turbo码的级联结构和交织器的共同作用,等效地增加了码长(对卷积码而言是约束长度)。由信道编码定理知道,误码率随着码长的增大而减小。

仿真选定伪随机交织器,约束长度K=5,编码速率r=1/2,采用MAP算法,迭代次数4,仿真结果如图6所示。

由仿真结果得出:Turbo码的编码性能随着交织长度的增加而有明显的改善。交织长度的增加使得误码率降低,改善了传输质量。交织的长度越大,交织器对码字中各信息比特交织距离就越大,码字的随机性也就越大,相应的,纠错效果就越好。但是也可以看出,随着交织长度的增大,性能提高的幅度特越来越小。交织深度和编译码时延之间还存在着一个兼顾的问题。交织长度越大,时延也越大。因此在实际通信应用中应根据系统对实时性的要求来折衷选择交织长度。

(4)码率对Turbo码性能的影响

Turbo码与传统的编码方式相比,在相同误码率条件下能够获得更高的编码增益。但其编码增效的提高主要是通过降低信息传输速率和频带利用率来获得的。为了提高传输速率和改善频带利用率主要采用删余截短的方法,从编码器本身来提高编码速率,进而提高信息传输速率和频带利用率。

选定编码交织长度为1024,交织方式为随机交织器,采用LOG-MAP译码算法,迭代次数5,生成多项式[7 5]8,码率分别为1/2和1/3,仿真结果如图7所示。

由仿真结果得出:编码速率的降低可以换来较高的编码增益。不同的码率对Turbo码的性能影响是很明显的。采用删余技术后,这种方式必然会导致一部分有用信息的丢失,从而使译码准确度降低,码字的纠错性能下降,但是复杂度和时延都要比未经过删余编码低很多,所以在实际通信信道中,要综合考虑误码率和编码效率。

除了以上四个参数对Turbo码性能的影响之外,还有其他的因素诸如译码算法、编码生成多项式、归零处理、分量码的配置等对Turbo码的性能都会有一定程度的影响,这里只针对性地对主要的四个参数进行了仿真比较,为Turbo码提出了参数选择方向。

3 结束语

本文阐述了Turbo码的计算机设计流程,并用 matlab对不同情况下的Turbo码性能进行了仿真比较,分析总结出 Turbo码的性能特征。

参考文献

[1]刘东华.Turbo码原理与应用技术[M].北京:电子工业出版社,2004.

[2]Proakis J G.数字通信[M].4版.北京:电子工业出版社,2001:518-522.

[3]邱金刚,焦耀斌.Turbo编码中的交织器的设计应用[M].北京:电子工业出版社,2004.

[4]Berrou C.Glavieux A Near optimum error correcting codeing and decoding:Turbo Codes[J].IEEE Trans,one Commun,1996,44:1261-1271.

AWGN 篇3

RS码是一种基于多项式运算的循环线性分组码, 采用了近世代数理论。它将一条长度为K的消息 (即一个可独立编码的拥有K个符号的数据分组) 映射为一个长度为N (N>K) 的码字 (一个拥有N个符号的分组) 。其中的符号是q阶有限域GF (q) 上的元素, 一个符号对应于二进制数据的若干个比特。一个RS (N, K, d) 码的码距为d=N-K+1, 可以纠正 (N-K) /2个符号差错 (error) , 或者纠正N-K个符号删除 (erasure) (在删除信道下) 。在一个码字内纠错位置是任意的且以符号为单位, RS码不但能纠正随机差错而且特别适合纠正突发差错。

二、信道传输与编解码

2.1数据传输模型, 如图1所示

在实数域上,

(δ2为噪声方差, δ2=N0/2, 其中常数N0是单边噪声功率谱密度) 。经过信道传输后的信号在BPSK解调后, 在硬判决下输出二进制比特序列 (当yi>0时输出比特0;当yi<0时输出比特1) , 或在软判决下输出信道对数似然比 (即LLR, Log-Likelihood Ratio) Lch (yi) ,

解码器对输出数据进行信道解码, 恢复出发送端有效消息。

2.2RS码与多项式运算

一条消息m可以用关于x的多项式表示为m (x) =m0+m1x+…+mixi+…+mK-1xK-1 (mi∈GF (q) ) , 多项式的系数为消息向量的元素。有限域GF (q) ={a0, a1, …, aq-1}共有q个域元素。按照早期观点, RS码字的每个符号可以看成多项式m (x) 在GF (q) 的每个域元素上的值, 即c=[m (a0) , m (a1) , …, m (aq-1) ], 码长N=q。收到的码字为r={r0, r1, …, rq-1}, 把消息元素当作未知数, 可以得到方程

当码字符号的传输差错数小于或等于 (N-K) /2时, 通过选取方程组 (4) 中满秩的K个方程进行求解可以得到消息向量的估计值, 不同的K个方程可能解出不同的估计值, 其中出现次数较多的估计值作为译码输出。

现代观点主要是从生成多项式角度分析。设计码长为N=q-1, 消息长度为K, 码距为dmin=N-K+1。码字多项式为c (x) =m (x) g (x) , 其中

琢是域GF (k) 的本原元 (即α的各次幂通过本原多项式化简可以得到GF (k) 上的所有元素) , gi是生成多项式的系数。用矩阵形式表示为c=m G,

G是一个K×N矩阵, 称为生成矩阵, 它的第一行的前N-K+1个元素为生成多项式的各次项按降幂排列后的系数, 从第二行开始每一行的各元素在前一行的基础上依次向后移动一个元素位置, 其余未标注的元素为0。

2.3LDPC码及软判决译码

LDPC码的基本定义是对于一个 (晕-K) ×N的稀疏矩阵 (即矩阵中非零元素的个数远小于零元素的个数) H=[h0, h1, …, hN-K+1], 码字c满足HcT=0, 即

H称为校验矩阵, 方程组 (7) 中的每一个方程称为一个校验方程。LDPC码的性能直接取决于H的构造。在Tanner图上, 码字中的编码符号用变量节点表示, 校验方程用校验节点表示, 参与某个方程校验的变量节点用边与对应的校验节点相连。如图1所示:

利用H的稀疏特性, 可以实现快速编码。将码字表示为c=[v, m], 其中m表示消息位, v表示校验位。在编码过程中, m是已知的, 只需求出v就可以得到整个码字。具体如下:

把校验矩阵进行划分为H=[A, B], 其中A是 (N-K) × (N-K) 矩阵, B是矩阵 (N-K) ×K。校验关系为[A, B][v, m]T=0, 即AvT+BmT=0。若A非奇异矩阵, 则存在一个下三角矩阵L和一个上三角矩阵U, 使A=LU。计算z=BmT, 解方程Ls=z得到s, 再解方程UvT=s得到v, 即完成编码。采用这种系统码编码方式 (即消息符号是码字符号的一部分) 时, 接收端解码的同时就能得到发送消息。

LDPC码可以使用解调信号的对数似然比进行解码, 称为和积算法。解码器的输入信号Lch (yi) 由公式 (3) 表示, 当它为正数时表示比特0, 当它为负数时表示比特1, 它的绝对值越大所代表的比特值的可信度越高。和积算法的关键是对码字各比特的对数似然比通过迭代运算进行更新, 使得各比特的对数似然比在多次更新后趋向正确值, 最后依次将各比特信息判决输出。步骤如下:

(1) 收到码字的每一位 (对应一个变量节点) 的初始信息为Li=Lch (yi) , 如果满足校验关系, 译码结束;如果不满足校验关系, 将Li发送到与之相连的校验节点。

(2) 对于每一个校验节点hj, 计算与相连的各个变量节点ci的信息Lj (ci) ,

其中l是该校验节点下的变量节点的个数。然后, 将值发送给相应的Lj (ci) 。

(3) 变量节点ci向与之相连的每个校验节点hj发送用作下一次计算Lj (ci) 值的输入信息Li, Li等于来自与ci相连的除hj外的其它校验节点的Lj' (ci) 之和加上Lch (ci) 。

(4) 每一个变量节点ci用收到的来自所有与之相连的校验节点的Lj (ci) 之和加上Lch (ci) 作为判决信息。依次对每个变量节点的判决信息进行判决输出, 译码完成。

其中, 步骤2———步骤3可以重复执行, 使比特差错逐渐减少, 直到达到最大迭代次数或节点信息满足校验关系。

三、仿真结果

RS码的码长选取为N=127和N=512, 本原多项式分别为P (x) =x7+x+1和P (x) =x9+x4+1。对这两种码长的RS码分别在4种不同码率下进行仿真, 这4种码率是R1=0.9843、R2=0.9686、R3=0.9038以及R4=0.6703。发送消息长度为107bit。采用硬解码方式, 解码器输入为BPSK解调输出经硬判决后的比特序列。LDPC码采用DVB-S2标准规定的校验矩阵, 码长为N=64800, 码率分别为R1=8/9, R2=4/5, 以及R3=1/2。发送消息长度为107bit。采用软解码方式, 解码器输入为BPSK解调输出的对数似然比 (LLR值) , 和积算法的迭代次数分别为iter=10和iter=20。

仿真图的横坐标为Eb/N0 (d B) (Eb是平均1bit信息的能量, N0是单边噪声功率谱密度) , 纵坐标为消息误比特率pe, 每个样本点为一次完整的107bit消息传输, 样本点横坐标间距为0.4d B。从图3和图4可以看出, RS码的pe随着Eb/N0的增加逐渐降低。在Eb/N0小于0.5d B时呈现缓慢下降, pe甚至高于未编码时的情况。但超过5d B后, pe快速下降, 直到趋近于0 (曲线末端之后未画出的样本点在仿真中pe=0) 。对于同一码长而不同码率的RS码, 码率越大pe在后段部分下降越快。从图5和图6可以看出, LDPC码具有类似的特点, 但pe的快速下降更为提前。在两种迭代次数下, 3种不同码率的LDPC码都在4d B之前pe全部减小到0。当迭代次数iter=20时, 码率LDPC码在略大于1.6d B时就到达0。

四、总结

本文从信源产生的二进制数据开始, 介绍了消息在AWGN信道下的传输方式并分析了两种信道编码———LDPC码和RS码的误码率特性。

参考文献

AWGN 篇4

目前针对单一的调制类型识别其调制阶数的研究已经比较完善,当不同调制制式混合在一起时,调制识别问题就显得更加困难。而且待识别的调制样式种类越多,问题的难度就越大。一方面由于科技的发展使新的调制技术不断出现,已有的一些方法识别的调制种类有限;另一方面,分类器也在不断发展之中,功能更强、识别效率更高的一些分类器也被引入到了调制识别中。单纯采用决策树识别器构成超平面,分类效果不太理想。而神经网络识别器可以同时对多个特征参数进行非线性优化组合,综合考虑空间划分的整体效果,这样得到的超曲面能够对整个特征空间进行较精细的分割,从而提高调制识别的整体性能。

1综合识别算法设计

综合识别算法的基本原理如图1所示,一般待识别的信号分为有幅度调制和无幅度调制两大类,前者包括MASK和MQAM信号,后者包括MPSK和MFSK信号。此两大类可由信号的包络特征进行区分。对MASK信号可以利用累计量和包络特征确定调制阶数。对MPSK和MFSK信号,可以通过对恒包络信号求差分,根据二者的包络特征表现处明显的区别进行区分。对MPSK信号,引用高阶累计不变量识别具体调制阶数的方法,而MFSK的调制阶数可使用谱特征进行判断。针对MQAM信号的识别,可以采用基于对数似然函数的方法。

1.1 区分MASK,MQAM和MPSK/MFSK

在无噪声影响的理想情况下,有幅度调制的信号包络为多台阶函数,而无幅度调制信号的包络为常数[1]。首先利用三个基于信号包络的特征实现MASK、MQAM和MPSK/MFSK的识别。设输入信号的表达式为:

$f(t)=s(t)+n(t)(1)$

式中R,γmax和σa的定义分别为[2]:

$\begin{array}{l}R=\frac{R{}_{\text{s}}}{(1+2\text{Ν}\text{S}\text{R}){}^2}+\frac{8\text{Ν}\text{S}\text{R}+8(\text{Ν}\text{S}\text{R}){}^2}{(1+2\text{Ν}\text{S}\text{R}){}^2}-1(2)\\ \gamma {}_{\max }=\max |\text{D}\text{F}\text{Τ}(A{}_{\text{c}\text{n}}(i))|{}^2(3)\\ \sigma {}_{\text{a}}=\sqrt{\frac{1}{{\rm N}}{\displaystyle \sum _{i=0}^{{\rm N}-1}A}{}^2(i)-\left[\frac{1}{{\rm N}}{\displaystyle \sum _{i=0}^{{\rm N}-1}A}(i)\right]{}^2}(4)\end{array}$

常见调制方式信号的Rs值,如表l所示[3]。图2以2/4ASK,2PSK,2FSK,4QAM为例,描述了不同信噪比条件下,调制信号的R值。除了R特征外,还采用γmax和σa特征以取得更好的识别效果。

采用RBF网络对调制信号进行分类网络的输入为从接收信号提取的R,γmax和σa特征参数。输出为MPSK/MFSK,MQAM和MASK三类。分类器结构如图3所示。

1.2 MPSK/MFSK差分后的包络特征

判断出MPSK/MFSK信号后,可以利用求差分信号后信号的包络方差与均值平方比进一步区分MPSK和MFSK信号。2FSK与2PSK差分后所得信号的包络方差与均值的平方之比值如图4所示。可以看出,二者差别显著。当SNR>5 dB时,完全可以利用该参数将PSK和FSKA信号区分开来。

1.3 基于高阶累计量和包络特征的MASK信号分类

对于一个具有零均值的平稳复随机过程X(k),定义[4]:

${\rm M}{}_{pq}=E[X{}^{p-q}(k)(X{}^{*}(k)){}^q](5)$

及如下的各阶累计量:

$\begin{array}{l}C{}_{20}={\rm M}{}_{20}(6)\\ C{}_{40}={\rm M}{}_{40}-3{\rm M}{}_{20}^2(7)\\ C{}_{60}={\rm M}{}_{60}-15{\rm M}{}_{40}{\rm M}{}_{20}+30{\rm M}{}_{20}^3(8)\\ C{}_{80}={\rm M}{}_{80}-28{\rm M}{}_{60}C{}_{20}-35{\rm M}{}_{40}^2+420{\rm M}{}_{40}{\rm M}{}_{20}^2-630C{}_{20}^4(9)\end{array}$

表2列出了无噪声时MASK信号的理论累计量值[3],与前面介绍的包络参数Rs一起,应用RBF网络可以对4/8ASK信号进行区分。

使用式(4),式(5)和式(6)计算实际采样MASK信号的和Cx,40,Cx,60和Cx,80,并提取信号包络方差与均值的平方之比R,作为RBF神经网络的输入/输出为4/8ASK信号。不同数据长度下,分类效果与信噪比的关系如图5所示。从图中可以看出,联合使用高阶统计量和包络特征,并采用分类性能强的RBF网络,在信噪比为6 dB以上时,正确分类概率达90%以上。

1.4 基于高阶累计不变量的MPSK信号调制识别

MPSK信号的主要特征是相位的不同,利用其相位的二阶及高阶矩可以区分不同的调制阶数M[5]。按${\rm M}{}^{\cdot }=\underset{{\rm M}}{{\displaystyle \text{a}\text{r}\text{g}\text{m}\text{i}\text{n}}}(\widehat{\mathit{F}}{}_{\text{r}}-\mathit{F}{}_{\text{Μ}\text{Ρ}\text{S}\text{Κ}}{}^2)$的准则判断调制所使用的阶数M。其中特征向量FMPSK为:

$\mathit{F}{}_{\text{Μ}\text{Ρ}\text{S}\text{Κ}}=\{\begin{array}{cc}[1,1]‚& {\rm M}=2\\ [1,0]‚& {\rm M}=4\\ [0,0]‚& {\rm M}=8\end{array}(10)$

在没有噪声的理想状况下,经集平均计算得到2PSK,4PSK和8PSK的4阶阶累积量理论值如表3所示。

选取BPSK,QPSK和8PSK信号进行仿真实验,验证基于高阶累计量特征的MPSK调制分类方法性能。采样频率和调制频率分别为码元速率为1 200 kHz和150 kHz。码元速率为12.5 kHz。信噪比范围从5～15 dB每隔2 dB进行100次Monte Carlo仿真实验。在不同数据长度下的分类结果(见图6)。可见当信噪比超过5 dB时,正确识别率达95%以上。

1.5 基于谱特征的MFSK信号分类

信号的谱特征,包括频谱、功率谱及其高次方谱等,用于描述信号频域特征的参数主要有:归一化中心瞬时频率的绝对值的标准差[6]σaf 、单谱峰检测值D、谱峰数目、信号n次方的n倍频处频谱分量[7]等。

MFSK信号的调制指数较大,利用信号功率谱谱峰数目可区分2FSK和4FSK;当调制指数较小时,信号平方功率谱的谱峰数目可区分2FSK和4FSK。对于小调制指数的2FSK和MSK信号的区分,可以利用信号平方功率谱的单谱峰检测值完成。

1.6 MQAM信号的识别

MQAM信号幅度概率密度函数只与M有关[8]。也即是说,对于MQAM信号,不同M值对应不同的幅度分布。因此,可以通过求取信号的幅度分布来识别不同调制阶数的MQAM信号。表4为使用概率密度方法的MQAM信号识别率。

2算法流程

综合前面介绍的算法原理,得到图8所示的调制信号制式自动识别算法。

算法的实现步骤为:

(1) 经预处理后,完成载波频率、数据速率、相位等参数的估计,且观测数据中只含有一个待识别的信号;

(2) 计算信号包络特征R,γmax和σa;

(3) 使用RBF网络l,将信号分为MFSK/MPSK,MASK和MQAM三大类;

(4) 对MFSK/MPSK信号,利用差分信号的包络特征将其分为MFSK(含MSK)和MPSK两类。利用谱特征区分2FSK/4FSK/MSK信号,利用累计量特征区2/4/8PSK信号;

(5) 对MASK信号,使用累量和包络特征作为RBF网络2的输入,区别2ASK和4ASK信号;

(6) 对MQAM类,使用基于对数似然函数的方法区别4/16/64QAM信号。

3仿真结果

仿真条件:所有信号的波特率均归一化为1.0,归一化载波频率为10,所使用的信噪比变化范围为5～20 dB。成形滤波均为矩形脉冲,2FSK/4FSK调制指数分别为0.5和1.5。

每一种信号在每一个调制参数(包括载波频率、调制指数和信噪比)下均仿真100次,最后统计总的识别率,最终的识别结果如表6所示。

从仿真结果表明,对备择调制方式较多,且包含不同种类的调制类型的复杂调制类型识别问题,使用综合调制识别方案,在SNR>11 dB时,所有信号的正确识别率超过90%。在不考虑噪声影响的情况下,针对某种调制方式判别调制阶数时不同分类器的调制识别效果如表7所示。可以看出,使用贝耶斯和神经网络都能很好地完成识别任务。

4结语

采用决策树和RBF网络相结合的综合调制识别方法,能对AWGN信道下常见的调制方式2ASK,4ASK,ZFSK,4FSK,MSK,BPSK,QPSK,SPSK,4QAM,16QAM和64QAM信号进行准确识别。仿真结果表明,在信噪比不低于11 dB时,所关注信号的准确识别率均超过90%。该方法具有一定的实用性,为复杂调制识别提供了新的思路和方法。

参考文献

[1]陈健,阔永红,李建东,等.通信信号自动识别方法[J].电路与系统学报,2005,10(5):102-108.

[2]DOBRE O A,ABDI A,BAR-NESS Y,et al.Survey of au-tomatic modulation classification teelmiques:classieal ap-proaehes and new trends[J].Conmmunications IET,2007,l(2):137-156.

[3]李杨,李国通,杨根庆.通信信号数字调制方式自动识别算法研究[J].电子与信息学报,2005,27(2):197-201.

[4]XI Song-nan,WU H C.Robust automatic modulation clas-sifieation using cumulant features in the presence of fadingchannels[J].Wireless Communications and NetworkingConference,2006,4:2094-2099.

[5]胡敏,易波,王世练.基于滑动平均和高阶统计量的数字调制识别[J].电子信息对抗技术,2006(4):15-18.

[6]姜园,张朝阳,罗智勇.小波变换与模式识别用于自动识别调制模式[J].电路与系统学报,2006,11(4):125-130.

[7]HOSSEN A,AI F,JERVASE J A.Classification of modu-lation signals using statistical signal characterization andarficial Neural networks[J].Engineering Applications ofArtificial Intelligence,2007,20(4):463-472.