信号的调制（精选7篇）
信号的调制 篇1
相位编码 (PC) 和频率步进 (SF) 信号是两种常用的脉冲压缩信号[1]。相位编码信号[1]的模糊函数呈图钉形, 因此具有很高的时延和多普勒分辨力。频率步进信号[2]通过脉冲串中子脉冲载频的跳变来获得大带宽, 通过IFFT处理来获得很高的距离分辨率, 但是它的积累周期相对较长, 因此数据率较低, 存在距离-多普勒耦合的问题。本文研究了一种脉内相位编码, 脉间频率步进[3]的联合调制信号 (PCSF) , 它可以克服频率步进信号的缺点, 具有非常好的应用前景。
1 PCSF信号波形定义及其模糊函数
PCSF信号在步进频率信号的子脉冲内进行相位调制, 使得步进量f随相位编码子脉冲宽度T1变化, 而脉冲宽度T=KT1, 其中K是编码位数。因此, PCSF信号能够获得比SF信号更大的f, 可以在保证雷达系统平均发射功率的前提下, 用较少的脉冲个数实现等同的带宽, 解决作用距离、系统带宽和系统输出数据率之间的矛盾。
PCSF信号的表达式如下:
其中,
N是脉冲个数, Tr是步进子脉冲重复周期, f是频率步进量, T是步进子脉冲宽度, T1是相位编码子脉冲每位的宽度, K是编码长度, 且T=KT1, cm是相位编码序列, 常用巴克码、弗兰克码、P码等编码序列[1]。PCSF信号的波形如图1所示, 其中TP为PCSF信号的帧周期。
信号模糊函数[1]是对信号进行分析和设计的有效工具, 它用来描述发射一定波形, 采用最佳信号处理方式, 该信号所具有的分辨率、测量精度和杂波抑制能力等指标。按照模糊函数的定义:
将 (1) 式代入 (2) 式可得PCSF的模糊函数如 (3) 式。
针对PCSF信号的模糊函数采用如下的仿真参数:载频是f0=94GHz, 频率步进量是f=40MHz, 子脉冲脉宽是T1=0.13us, 频率步进子脉冲是采用K=13位的巴克码序列, 脉冲重复周期是Tr=20us, 脉冲个数是N=13, 结果如图2所示。另外, 在相同的脉冲重复周期、相同的等效时宽、相同的工作带宽等参数下频率步进信号的模糊图见图3。
对比图2和图3可以看出:
(1) PCSF信号和SF信号的模糊图都是刀刃型, 但是PCSF信号副瓣要比SF信号副瓣低很多。可见PCSF的距离多普勒联合旁瓣比SF低很多, 模糊图更近似呈图钉形状, 因此PCSF雷达信号具有更高的距离多普勒分辨率。
(2) 距离分辨率取决于信号等效带宽, 仿真中对两信号采用的有效带宽相同。由于PCSF采用了脉内相位编码调制技术, 因此从模糊图上可以看到它的距离旁瓣衰减明显快于SF信号。另外PCSF采用了相位编码技术, 步进量f得到增加, 因此可以减少步进个数, 同时提高数据率, 以及降低多普勒敏感。从另外一个角度来说, 如果采用相同的步进个数, 那么PCSF信号可以获得更大的有效带宽, 从而可以获得更高的距离分辨率。
(3) 速度分辨率取决于信号的等效时宽, 仿真时对于两信号采用的等效时宽相同。由于PCSF信号采用了脉内相位编码技术, 因此可以更有效地抑制多普勒模糊旁瓣, 而且与一般的步进频脉冲串波形的速度模糊旁瓣相比, PCSF的多普勒模糊旁瓣衰减的速度更快。另外, 相对SF信号, PCSF在保持较大步进的同时, 容易获得大的时宽, 也就更容易提高速度分辨率。
2 结语
本文研究了一种脉内相位编码, 脉间频率步进 (PCSF) 的混合调制信号, 详细介绍了信号波形、参数和模糊函数。PCSF信号采用了脉内和脉间的二级调制形式, 可以获得比普通SF信号更大的频率步进量, 能够用较少的脉冲个数实现相同的等效带宽, 从而解决了频率步进量、脉冲串个数, 以及发射平均功率之间的矛盾。因此, 在保证一定距离分辨率的前提下, PCSF信号既能提高雷达系统的数据率, 又能降低雷达系统的多普勒敏感性, 具有非常好的应用前景。但在需要获得精确距离信息和目标径向速度非常大的情况下, 还需要进一步研究适合的速度补偿算法。
参考文献
[1]Wehner D R.High resolution radar[M].2nd ed.Boston:Ar-tech House, 1995
[2]毛二可等.频率步进雷达信号处理[J].航空学报, 2001, 22 (增) :167-170
[3]K.L.Sitler, M.A.Temple, R.C.Novack.High range resol-ution profiling using phase-coded, stepped-frequency wave-forms[J].Electronics letters, 3rd January2002, 38 (1) :46-48
[4]Einstein, T.H.Generation of high resolution radar range profiles and range profile auto-correlation function using stepped-frequency pulse trains[R].Lincoln Laboratory Pro-ject Report TT-54, 1984
[5]E.Yadin, A.Strupinsky.Adaptive beam forming on imper-fect phase synchronizing source echoes[A].RADAR-9IEEE International Radar conference[C].1992:454～457
无线电信号的调制识别研究 篇2
一、综述
在通信信号处理这个领域中,通信信号的调制识别占据着非常重要的地位,其在关于电子对抗以及信号信息处理分析等方面有着极其快速的发展。通信信号的调制识别的应用范围十分广泛,其在信号确认、干扰识别、卫星通讯和无线电等都有应用。
通信信号调制识别的基本任务是在有多信号的环境和有噪声的干扰之下将接收信号的调制方式和其他信号参数确定出来,从而进一步对信号进行更深程度地分析和处理。
二、通信信号的调制
2.1调制
通常来说,原始信息不适合直接作为传输信号来使用,因未经加工的源信息与传输信道并不相匹配,因此,调制就是要对这些最初信息进行加工处理并且加载到载波上,使信息的载体信号随调制信号变化。调制的根本目的就是使信源信息与传输信道相适合,从而能够有效顺利地完成信号的传输。调制不仅能够使信息变为有效的传输信号完成传输,还能各种性能,如抗干扰能力。
相反,解调则是要将信号源信息从经过改变的载波提取恢复出来,以便预定的接受者进行理解分析和处理,实际上是调制的逆反过程。
2.2调制的分类
调制的有很多种类,相应的,调制的分类也不尽相同。一般来说,调制常见有正弦波调制和脉冲调制两大类。不同种类的调制方式会有不同的性能和特点。
(1)正弦波调制。正弦波调制就是载波为正弦信号的调制。正弦波调制的主要方式有调幅(AM)、调频(FM)、双边带(DSB)、下边带(LSB)、上边带(USB)、残留边带(VSB)等。(2)脉冲调制。所谓脉冲调制就是被调制的载波为脉冲串的调制。一般来说,有用来改变脉冲载波的参数的是连续的调制信号的调制,这类调制可以用于有线传输系统;也有另一种用连续的调制信号的数字化形式去形成一系列脉冲组的脉冲编码调制(POI、^DP凸I、ΔM等),脉冲编码调制的抗干扰能力很强,这类调制可以用于信源编码。
2.3调制的作用
在无线通信系统中,调制是必不可或缺的关键技术,能够被运用到雷达,遥控,导航等领域中。同时,对于高速率的数字调控的发展也能使通信系统的容量得到不断的扩充,从而适应社会发展的巨大需求。
三、通信信号的调制识别
3.1通信信号的调制识别的发展
早期的通信信号的调制识别基本上都属于人工识别范畴。首先需要多个不同类型的调节器,将接收到的信号经过转变加工后输入到这些调节器中进行调节从而得到需要的便于观察分析的信号后导出,再由专业人员对这些信号进行统一地处理分析最终将调制方式确定下来。由于进行人工处理时,专业要求较高,而且存在主观因素,因此只能确定一些持续时间较长的如ASK以及FSK信号,但是仍然不能确保识别的高度准确性。
随着科学技术的不断发展,通信信号的调制模式的自动识别技术逐渐出现并引起了很多人的关注。1969年,关于自动调制识别的第一篇论文发表,引起了许多学者的关注并且对其进行深入研究发展。信号调制的自动识别弥补了许多人工识别的不足,自动识别技术具有很强的抗干扰能力,能够准确较快地识别出多种调制方式。
近年来,随着相关学者的不断钻研尝试,提出了许多其他新型通信信号调制识别的方案。
3.2通信信号的调制识别的基本理念
通信信号的调制识别从根本上来说就是一种典型的模式识别问题。目前最典型的两种基本识别模式即统计模式和判决理论模式。两个模式都有设计和实现这两个过程组成,其中实现通常包括这几个步骤:信号输入,信号预处理,特征提取和选择分类识别。对于通信信号的调制方法主要有假设检验的最大似然、特征提取的模式识别这两种方式。最大似然是把自动识别当成一种双重叠合的检验方式。其中的中心技术是对于所要识别的信号的似然函数进行一定的分析和判断,使得信号显示出自身的一些明显特征,从而放进适当的分类中。这样的分类和处理是目前最佳的,该方法技术的出错率十分低,实现错误概率最小。但是不得不提出,这种方法对于信号的表征过繁化,只是简单的数字表征,提高的空间很小。如果出现了实践中的信号航道噪声成为非高斯,或者说航道变得多样化,最大似然法的敏感性将急剧降低。这种情况下,特征提取的模式识别方法比最大似然法要稳定很多。
信号的输入中,通常会选择用能够在计算机运算的符号来表示研究的对象;信号预处理是要去掉噪音等影响因素,留下,复原和加强有用信息。一般包括频率下变频、同向和正交分量分解、载波频率估计等;特征提取是以变换原数据从而有效地实现分类和识别,得到最能反映分类差别的特征,是整个过程中非常重要的步骤。对于实践中混合的通信信号的识别主要识别混合信号的高阶累量特征、分类特征、参数高阶累量特征和矢量谱线特征量。如表1是混合信号的详细识别状况(SNR=sdB)。
从上面的表格中可以看出,对16QAM和64QAM的错误识别中,多数将其识别成QAM信号。这些主要可以从高阶累量矢量的数据中得到答案,主要是这2种信号在特征上比较接近。识别信号到了分别QAM类,还是PSK类这一步骤,正确的概率就近似百分百。对于信号的调控,下面介绍一下数字模拟调控中的幅度调制,其主要是通过对于信号的平流层正弦的载体,也就是微波的幅度这一热点来调节其信号。其中过程主要如图1所示:
该图只是一种一般的模拟,其中m(t)代表调制信号,cos(oct)为载波信号,h(0)为滤波器的冲击响应。
对于信号的调试主要集中在对于信号的基础在频率幅度上面的变化,而这种变化只是一种简单的线性移动。故名为线性调制系统,这是调制的全部流程和理论。
四、结束语
随着无线电通信技术的不断发展及被广泛地应用在生活中的许多方面,通信信号的调制识别目前为止已经有了很深远的发展也日渐成熟,调制识别技术在军事和民用领域都起着至关重要的作用,因此对于无线电信号的调制识别技术的研究还要继续下去,将问题更加细化,深化,从不同的新视角来不断研究和发展这项技术。
参考文献
[1]王生兵.无线电信号的调制识别研究[J].东南大学,2006年
[2]张琴,田宝玉.通信信号调制模式的自动识别技术及发展前景[J].电讯技术,2008年
信号的调制 篇3
目前, 通信信号自动调制识别技术广泛应用在民用和军事上并发挥重要作用。在军事上应用到电子对抗、目标捕获与定位、无线电侦听、频谱监测与管理和识别非法的信号传送等领域[1]。在这么多种类的信号调制中, 一方面需要在满足现实环境下精确识别出信号的调制方式; 另一方面, 为了满足某种要求还需识别尽可能多种类的信号。在对特征参数的提取上有信号瞬时的时频域特征、高阶统计量特征、小波变换[2,3]提取的特征和星座图特征等。在统计模式识别中分类器的发展经历了利用决策树判决、基于人工神经网络 ( ANN) 的判决和基于支持向量机 ( SVM) 的调制识别过程[4,5]。ANN[6,7,8]法面临训练时间过长和不充分。它和SVM法的运算量较大, 实时性不高。由于理论的局限性, 在一定实时性的要求下终归比不上基于判决理论的调制识别算法, 早前有A. K. Nandi和E. E. Azzouz[9]等人提出了一种时频域的综合识别方法; 石明明[10]等对常规的模拟调制信号的识别中对基于决策理论下的分类器做了一定的改进。本文基于决策树判决理论方法, 针对多种模拟和数字信号的调制方式, 综合利用各特征参数对前面算法做了一些改进, 一定程度上提高了信号的识别率。
1 特征参数的提取与识别流程
选取以下高阶累积量和时频域瞬时信息[11]等8个特征参数对仿真中用到的不同种类信号进行调制识别, 具体表达式如下:
①零中心归一化瞬时幅度谱密度的最大值γmax为:
②零中心非弱信号段瞬时相位非线性分量绝对值的标准差σap为:
③非弱信号段瞬时相位直接值的零中心非线性分量的标准偏差σdp为 :
④谱对称性P为:
⑤零中心非弱信号段归一化瞬时频率绝对值的标准差σaf为:
⑥零中心非弱信号段归一化瞬时幅度的标准差σda为:
⑦零中心归一化瞬时幅度的紧致性μa42为:
⑧零中心归一化瞬时频率的紧致性μf42:
μf42为基于瞬时频率的统计参数; f ( i) 为信号的瞬时频率[12]。
通过提取上面的特征参数将AM、LSB、DSB、USB、FM、2ASK、4ASK、2FSK、4FSK、2PSK和4PSK等11种模拟和数字调制信号识别出来; 常规识别算法中对2ASK和4ASK信号采用零中心归一化瞬时幅度绝对值的标准差值进行分离, 但随着低信噪比的需要, 该参数的不稳定性导致较低的识别率, 故采用归一化瞬时频率紧致性分离这2个信号。实验在SNR = 8下产生200组2ASK和4ASK信号并求出上述参数值仿真结果, 如图1所示。
另外, 在一定低的不同信噪比下统计出该参数的平均值, 其直方图如图2所示。
图1和图2明显反映出2ASK和4ASK信号零中心归一化瞬时幅度的紧致性值的差别, 只需设置合理的门限便能很好地识别出这2种信号。功率谱: 经典算法里面对于MFSK信号的识别采用零中心非弱信号段归一化瞬时频率绝对值的标准差门限参数, 而在实际中该参数在不同SNR下的不稳定性造成较低的识别率。由于不同进制的频移键控信号的功率谱谱峰数不同, 以此作为2FSK和4FSK的分类特征, 它们的功率谱谱峰分别为2个和4个[13]; SNR变化情况下零中心非弱信号段归一化瞬时频率绝对值的标准差的波动也较大, 为了在SNR不低于8 dB下能得到较高的识别率, 在对2FSK和4FSK的分离中采用信号功率谱谱峰数分离这2类信号, 它们的功率谱如图3所示。
从图中可以看出信号的峰值数可以明显区分2FSK和4FSK, 程序设计在筛选谱峰值的时候注意设定一定的门限值以消除噪声带来的虚假谱峰。
本次实验根据以上所述的特征参数对模拟和数字等11种调制信号进行识别, 各门限参数设置及识别流程如图4所示。
2 仿真实验步骤及结果分析
2. 1 实验步骤
提取上述特征参数后利用参数σdp将信号集分成 { AM、2 ( 4 ) ASK} 和 { DSB、LSB、USB、FM、2 ( 4) FSK、2 ( 4) PSK} 这2类。对于前者, 先用μa42 大于其门限值分离出AM, 再利用μf42参数判决大于门限值判定为4ASK, 另一个则为2ASK。对于后一个信号集, 判决| P |是否 > 0. 6, 分为{ LSB、USB} 和 { DSB、FM、2 ( 4) FSK、2 ( 4) PSK} ; 前者利用P的正负性区分; 后者先利用σap是否 < PI/5. 5分为 { DSB、2PSK} 和{ FM、2 ( 4) FSK、4PSK} ; 利用σda> 0. 18时分离出DSB, 利用γmax> 3. 3分离出FM, 利用σaf> 9分离出4PSK, 最后利用功率谱谱峰数分离2FSK和4FSK信号, 采用功率谱谱峰数判决与传统方法识别率对比如表1所示。
从表中可以看到, 选取功率谱谱峰来区分FSK信号大大地提升了该类信号的正确识别率。
本次仿真在不同SNR下 ( 主要 <10 dB) 提取前面所述特征参数并对AM、DSB、LSB、USB和FM这5种模拟信号以肪2ASK、4ASK、2FSK、4FSK、2PSK和4PSK等6种数字信号共计11种信号调制类型进行识别; 其中, 信号采样率设为90 MHz, 码元长度为45, 载频为20 MHz, AWGN引入高斯白噪声, 分别在不同信噪比下对每类信号进行400次蒙特卡洛实验并统计各类信号的正确识别率。各类型调制信号在不同SNR下的识别率如表2所示。
2. 2 结果分析
从上面正确识别率图表中可以看出, 在经过特征参数适当的选取调整之后, SNR不小于8 dB的情况下调制信号的识别率得到了一定的改善, 尤其是对FSK信号采用功率谱谱峰来判决获得了较高的正确识别率, 从而提升了信号的整体识别率。
3 结束语
信号的调制 篇4
随着激光技术的发展,激光具有的带宽极宽,数据传输量大,分辨率高等优势愈来愈突显出来。但激光在复杂信道中传输时,由于受到衰减和散射,使得光波的强度,相位在时间和空间上都会呈现随机起伏,产生光束弯曲和漂移,扩展以及接收端光斑发生畸变等现象。但是用微波对激光信号进行调制后,激光信号在频域上产生了变化,其传输信号的能力也大大加强。
二、微波信号调制激光源的调制方法
近年来,关于基于微波信号调制激光雷达的激光发射器的研究工作已经有不少报道,国内外提出了多种的微波调制技术方案。大致上可以分成两种类型:一是内调制技术,即直接在激光发射器内部实现对输出激光脉冲信号的微波调制。二是外调制技术,即利用外部光学调制器实现对输出激光脉冲信号的微波调制。
1、内调制方式
内调制适用于半导体激光器,它是利用微波信号对激光二极管工作点控变的直接调制,将信号注入到半导体激光器,从而获得相应的光信号,属于电源调制方法。调制频率受激光二极管响应速率所限,其极限频率可达25GHz,调制带宽也不平坦,需附加补偿网络。
内调制方式是在激光器内部实现调制过程,直接输出调制后的激光脉冲信号,这种调制方式适合短距离、低调制频率的激光信号传输。
内调制技术存在两个缺点:由于固有弛豫频率的限制无法实现高速激光器调制(>10 GHz);激光器的调制是通过改变注入电流而实现的,这样会产生啁啾,将限制系统的传输距离进一步提高。所以激光的内调制方式只适合做短距离、低调制频率的激光信号传输。调制带宽也不平坦,需附加补偿网络。
2、外调制方式
外调制是在激光信号形成以后,把微波信号输入光调制器,调制到一个由激光器产生的激光载波信号上,并控制这个激光载波信号的某个参数(振幅、相位等),使它按微波信号的规律变化。于是,激光载波信号就运载着这些微波信息(此时的激光被称作已调制激光信号),经过信息处理以后由激光雷达发射天线发射出去。
激光的外调制具有的优点是高速率、大消光比、大光功率和消除半导体激光器内调制产生的光频率跳变的“啁啾”现象。使用外调制技术可提高信号的传输速率,实现光信号的远距离传输,中继距离可延长到至少300km以上,可省掉昂贵的光放大器,降低光通讯的成本,是光通信技术发展方向之一。
缺点是调制损耗较大,且调制线性范围较小。
三、微波信号调制激光雷达进行水下探测的技术研究
通常情况下,激光雷达发射的是未经过调制的激光脉冲信号,其单个脉冲的数学形式可表示为:
其中,P0表示激光脉冲信号的峰值功率;u(t)为单位阶跃函数;tp为激光脉冲的宽度。
为了将微波信号加载到激光脉冲信号上,在这里我们可以用一个激光器产生一个载波激光脉冲信号,再用一个微波发生器产生一个编码了的有用微波信号,再由一个调制器进一步将有用微波信号调制到载波激光脉冲信号上,从而可以产生调制后的激光脉冲信号。当调制器用调制频率为fm,调制深度为m的余弦调制微波信号来调制激光脉冲信号时,可以得到经过调制了的激光脉冲信号如下式所示:
其中,P0表示激光脉冲信号的峰值功率;tp为激光脉冲的宽度;fm调制频率为;调制深度m为调制器对激光脉冲峰值的调制能力,m的大小通常在0～100%之间。
未调制的激光脉冲信号和调制后的激光脉冲信号如下图所示:
四、小结
由于相干探测技术的出现,使得微波雷达技术在探测目标、测距等方面拥有很多的优点,而激光雷达采用蓝绿光波却可以使信号穿透水体,这在探测水下目标的领域具有很大的优势,同时激光雷达具有探测距离远、分辨率高等优点。载波调制激光雷达实现了将微波雷达和激光雷达相结合,激光雷达在水介质中有一段频率窗口,可以进行对潜目标的探测。但是激光雷达在水下传输过程中会受到介质影响而产生严重的散射,这样散射光以噪声的形式被接收,从而严重影响目标探测的灵敏度。采用载波调制方法,实现了将激光雷达穿透水体的特性以及光信号空间分辨率高的优点和微波雷达信号处理的优势相结合,从而达到抑制散射,大大提高对潜目标探测灵敏度的目的。
综合了微波雷达技术和激光雷达技术优点的基于微波信号调制激光雷达技术,越来越广泛地被应用到地面、空中、海面和水下目标探测领域,特别是水下目标探测领域更具有独特的优势,是一种具有十分广阔应用前景的雷达新技术。
参考文献
[1]王齐春、何建国:《微波光子研究动态》.光电子技术.Vol.22 No.4 Dec. 2002
[2]周波、张汉一、郑小平等:《微波光子学动态.激光与红外》.Vol.36,No. 2Feb.2006
[3]方祖捷、叶青、刘峰等:《毫米波副载波光纤通讯技术的研究发展》Vol.33,No.4May,2006
信号的调制 篇5
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.
信号的调制 篇6
传统调制方式的信号波形是通过幅度, 相位或频率, 或者两个或多个信号参数的组合的差异来携带一定量的数字信息。目前在BPSK调制方面研究主要有:参考文献[1]分析了相关解调、匹配滤波和相关接收3种方法的性能;参考文献[2]提出了一种BPSK直接序列扩频接收机设计方案;参考文献[3]提出了一种新型的基于自适应滤波算法的解调BPSK信号的方法。
本文引入一种新的波形差别方式—功率差异, 其核心思想是发射端往BPSK调制方式生成的能量信号波形中的不同位置按照一定映射关系插入零信号, 而接收端通过对该区间位置的定位来获得部分信息。该方法在不影响频谱利用率的前提下, 进一步降低了信息传输错误率。
一、传统型的BPSK调制方式
BPSK信号的数学公式可以表示为:
其中, , 为+1或-1的概率分别为p, 1-p;g (t) 为单个矩形脉冲, 脉宽为TS;wC为载波频率。由公式 (1) 可知, 在一个码元持续时间TS内观察,
二、改进型BPSK的调制方式
该调制方式在传统BPSK调制方式的基础上提供一种改进型调制方式[4,7]。
设进入信道交织器之前的二进制数据流定义为X (n) , X (n) =1, 以8个比特为一组, 进行如下处理:
如果某组的第7、8个位置的数值为-1、1, 则将该组的第1、2位置的值转换到第7、8位置, 再把第1、2位置的值换成0、0, 其它位置的数值保持不变;如果某组的第7、8个位置的数值为-1、-1, 则将该组的第3、4位置的值转换到第7、8位置, 再把第3、4位置的值换成0、0, 其它位置的数值保持不变;如果某组的第7、8位置的数值为1、-1, 则将该组的第5、6位置的值转换到第7、8位置, 再把第5、6位置的值换成0、0, 其它位置的数值保持不变;如果某组的第7、8个位置的数值为1、1, 则将该组的第7、8位置的值换成0、0, 其它位置的数值保持不变。
具体过程见图1:
二元数据流经过上述处理后将变成三元数据流, 且其中有1/4的数据值为0, 剩下的3/4为1或-1。对三元数据流进行信道交织并进行调制时, 如果数值为1或-1, 则采用传统BPSK调制方式进行调制;如果数值为0, 则对应的发射信号为不含任何能量的空信号。
而对于有N (N≥1) 根接收天线的接收端, 经过解交织后每组长度为8的三元数据流对应的解调数据
三、性能分析及仿真结果
在传统波形的信息携带方式的基础上, 该方案进一步把零信号位置的不确定性也当作是一种数字信息的承载方式, 从而提供了一种改进型的BPSK调制方式, 且构造出一些较为特殊的发射波形。
不失一般性, 假定经过充分交织的每组8比特信息对应的发射信号经历了不同的衰落情况。则从基带信号的角度出发, 式 (1) 中矩阵元素可以表示为
其中是BPSK信号区, wt, n为零信号区。ht, n表示第n根接收天线接收第t个比特对应的发射信号时的信道衰落因子, ρ表示发射信号的平均信噪比, wn, t为相互独立, 均值为0, 方差为1的实高斯随机变量。
定义如下变量
则解调算法中对每个长度为8的三元数据组中的两个零元素的定位算法的错误率可以表示为:
从图2的数据处理过程可以看出, 如果定位算法出现错误, 即把两个零元素的位置错误定位于另外两个±1元素的位置, 从平均意义上会导致约3个比特的错误, 但不影响其它两个±1元素的位置上的信息检测。因此本文提出的改进型BPSK调制技术的平均误比特率性能Pe可以表示为
其中Pe (bpsk-1.25) 表示传统BPSK调制方式信噪比提高10×log10 (8/6) ≈1.25d B后的误比特率性能。
图2给出瑞利衰落信道 (衰落因子定义为Δ1和Δ2分别是均值为0, 方差为0.1的实高斯随机变量。) 下, 单接收天线数和双接收天线时, 传统BPSK调制方式 (双接收天线时接收信号采用最大信噪比合并) 的误比特率性能曲线和定位算法的错误率性能曲线。从图2的结果可以看出, 通过利用两个零信号所获得的分集增益, 当接收信号的信噪比达到一定门槛后, 定位算法的错误率下降速率明显高于相同参数下的BPSK调制信号的误比特率。且比例占1/4的发射信号为零信号, 其原本的发射能量可以转移到其它的占3/4的BPSK信号, 从而进一步减少这些信号上所携带信息的解调错误率。利用这两种特性, 在相同频谱效率和平均发射功率情况下, 随着接收信号信噪比的增加, 本发明提供的改进型BPSK调制方式的传输性能将优于传统BPSK调制方式, 最终可以获得约1.6d B左右误比特率性能增益。
相对于传统BPSK调制技术而言, 改进后调制技术具有明显优势:
1) 利用错误率远小于传统BPSK调制方式误比特率的零元素位置定位算法, 可以使得1/4的传输数据获得比其它3/4的传输数据要低的多的传输错误率。这种特性在一些带有不同权重的数据传输场景中十分有用, 把权重高的数据分配在第7和8个比特位, 权重低的数据分配在第1-6个比特位。
2) 由于有1/4的数据仅使用时域资源, 不使用功率资源, 节省的功率可以分配给其它3/4的数据传输过程, 从而提高这些数据的传输准确性。
四、结束语
本文的思想是在传统BPSK调制技术的基础上进一步提出了一种含零信号的改进型BPSK调制技术。使用该调制技术的发射信号中1/4为不含任何能量的零信号, 剩下的3/4为传统的BPSK能量信号。在平均发射功率相同且接收信号的信噪比达到一定门槛后, 接收端对零信号位置的定位算法的错误率可以远小BPSK信号的误比特率;另外零信号区间的功率可以转移到剩余其它的能量信号, 降低这些信号的信息传输错误率。通过仿真表明比起传统BPSK调制方式, 改进后的调制方式在误比特率上可以获得较大的性能增益。
摘要：在数字无线通信系统中, 在不影响频谱利用率的前提下, 为进一步降低信息传输错误率, 在传统BPSK调制技术的基础上提出了一种含零信号的改进型BP SK调制技术。该调制技术对其还未进行信道交织的二进制数据进行一定的预处理, 使得系统获得一定的误比特率性能增益。
关键词：BPSK,零信号,功率差异
参考文献
[1]李素平, 蒋全胜.BPSK解调方法研究[J].长江大学学报 (自然版) , 2013, 10 (28) .
[2]侯银涛, 罗永健, 王志国.BPSK直接序列扩频接收机设计与仿真[J].电脑与电信, 2010, 9.
[3]李炎新, 胡爱群, 宋宇波.自适应BPSK解调方法研究[J].中国工程科学, 2006, 8 (5) .
[4]史建锋, 王可人.多径条件下BPSK信号的循环平稳特性[J].雷达科学与技术, 2007, 4.
[5]麦晓冬.多阵元天线系统BPSK码元优化聚焦通信[J].科技通报, 2014, 30 (8) .
[6]Yu SW.Hyhrid optimization algorithms based on particleswarm optimization and genetical gorithm[J].Systems Engi-neering, and Electronics, 2011, 33 (7) .
[7]海凛, 张业荣, 潘灿林混合分集多天线系统基于相关性的分析信道建模[J].物理学报, 2013, 62 (23) .
信号的调制 篇7
通信信号的调制方式和其它信号参数是我们分析和处理信号的基础和依据。在军用领域, 如果我们事先知晓敌方信号的调制类型就可以估计调制参数, 进而制定有针对性的侦察或反侦察策略;在民用领域, 通信信号调制方式的识别有助于信号确认、干扰识别、频谱监测等无线电日常工作的顺利进行。
FCM算法虽然具有较好的理论基础并得到了广泛的应用, 可其本身也存在对“噪声”和孤立数据敏感, 算法的结果与初始质心有关, 很大程度上取决于参数初值选取;容易陷入局部极值点而导致得不到最优解等缺点和不足。另外Hamming距离、Euclid距离都可以归结为基于向量p范数的Minkowski距离。 经过研究发现, 当p取不同的数值时, 聚类的效果也会随之发生变化, 即聚类的分析的结果受p值大小的影响。当p=2时, Minkowski 距离退化为Euclid距离, 欧氏距离是最常用的距离计算方法。但是, 欧氏距离的聚类算法大多只能发现低维空间中呈超球状分布的数据, 并且对数据集中的噪声比较敏感。当p→∞时, Minkowski距离演变为Sup距离;当p=1时, Minkowski距离演变为Hamming距离。研究表明, Hamming距离可以有效提高模糊聚类算法对噪声或例外点的鲁棒性, 可是对信号调制方式数据的聚类效果不是太好。
为了使传统FCM算法能够对信号调制方式的识别率达到更高, 我们在本文中对传统的FCM算法作出改进, 提出一种基于距离加权的模糊C均值聚类算法, 通过实验表明了此种方法具有更好的信号识别率。
二、基于OWA的距离加权算子
(一) OWA算子。
有序加权平均 (OWA) 算子是Yager R于1988年提出的, 用于有效地融合多组模糊的和不确定的信息, 其主要描述如下。
假设F:Rn→R, 有一与F相关联的n维加权向量ω= (ω1, ω2, …, ωn) , 其中ωi∈[0, 1]1≤i≤n且∑ωi=ω1+ω2+……ωn=1, 使得
undefined
其中bi是 (a1, a2, …, an) 第i个最大元素, 则称F为n维有序加权平均 (OWA) 算子。
n维有序加权向量ω= (ω1, ω2, …, ωn) 可由下面的公式确定:
undefined
其中Q为模糊量词, 它的定义如下:
undefined
其中α, r, β∈[0, 1], 由上式可知 (α, β) 有多种取值, 故Q (r ) 的取值也比较多样, 一般情况下我们基于“大多数”, “至少一半”和“尽可能多”这三个原则来取值, 此时 (α, β) 对应的值分别为 (0.3, 0.8) , (0, 0.5) , (0.5, 1) 。
(二) 距离加权算子。
在求解恰当的模糊分类矩阵R和恰当的聚类中心矩阵V时满足目标函数:
undefined
使它的取值取到最小的过程中, 我们使用了‖uk-Vi‖, 它表示对象uk与第i类聚类中心向量vi的距离, 一般情况下我们使用的是Chebyshev距离、Hamming距离、 Euclid距离、 Minkowski距离, 这四种距离中的欧几里德距离, 鉴于Euclid距离其自身的局限性 (上文已经提到) , 为了使调制识别的结果更加准确, 我们将在该计算过程中基于OWA算子“大多数”的原则下对上述四种距离进行加权运算, 使目标函数取值达到最小。具体步骤如下:
1.分别用四种距离公式计算对象uk与第i类聚类中心向量Vi的距离。
令αki= (αki1, αki2, αki3, αki4) , 其中
undefined
2.基于“大多数”的原则和公式 (1) 计算OWA算子的权重。
由上述知识我们知道, ω= (ω1, ω2, …, ωn并且 (α, β) 的对应值为 (0.3, 0.8) , 故
undefined;
undefined;
undefined;
undefined;
所以ω= (0, 0.4, 0.5, 0.1) 。
3.聚合距离。假设bi是αki= (αki1, αki2, αki3, αki4) 中第i个最大元素, 则加权后聚合得到的距离为dki, 其具体算法如下:
dki=‖uk-Vi‖=ω1b1+ω2b2+ω3b3+ω4b4
4.将dki代入公式 (2) , 使它的值达到最小。
实验结果及分析:在MATLAB仿真环境下, 我们基于所提出的距离加权FCM算法对计算机仿真得到的调制信号进行了测试。本次实验中选取了30组不同的仿真调制信号, 其中SNR1=10db, SNR2=20db, 我们以平均识别率来衡量算法的性能, 与基于Chebyshev, Hamming, Euclid, Minkowski四种距离的FCM算法对比结果如表1所示。
通过表1中对于模拟信号和数字信号的调制方式的识别率我们可以发现本文提出的基于距离加权的FCM算法的识别效果最好, 识别率达到86.37%。同时我们也可以看出四种常用距离函数的FCM算法对于模拟信号和数字信号在SNR=10db和SNR=20db的情况下的识别率没有哪一种能够都获得最高的识别率, 从某种角度上来说, 它们各自适用于一些信号的识别。本文提出的基于距离加权的FCM在对调制方式的识别中具有一定的有效性。
三、结语
本文提出了一种基于四种常用距离函数的距离加权FCM算法, 通过实验表明此方法对于模拟信号的调制方式和数字信号的调制方式的识别都具有较高的识别率, 通过OWA加权算法给四种常用距离函数分配权重, 在一定程度综合了四种距离函数的优点, 从而使得本文提出的算法要略优于单独使用某种距离函数的FCM算法, 通过实验表明本文所提出的算法具有一定的有效性。
摘要：在无线电应用领域, 信号调制方式识别技术无论是在军用还是民用领域均有重大意义。鉴于FCM算法自身的局限性, 本文提出了一种基于距离加权的模糊C均值聚类算法, 通过实验表明改进后的FCM算法对信号调制方式具有更高的识别率。
关键词：调制方式识别,FCM,OWA
参考文献
[1].AZZOUZ E E, Nandi A K.Automatic analogue modulationrecognition[J].Signal Processing, 1995
[2].A.K.Nandi, E.E.Azzouz, Automatic analogue modulationrecognition-1[J].Pergam 1996, PII:S0016-0032 00069-5
[3].A.K.Nandi, E.E.Azzouz, Automatic analogue modulationrecognition-2[J]Pergam 1996, PII:S0016-0032 00070-1
[4].Yager R R.Famiiies of OWA operators[J].Fuzzy Sets andSystems, 1993
[5].Chunfu Wei, Zheng Pei.An induced OWA operator in coalmine safety evaluation[J].Journal of Computer and System Sci-ences 78, 2012
[6].杨霁琳.基于OWA算子与FSVM的邮件过滤[J].计算机工程, 2007