调制参数（精选4篇）
调制参数 篇1
前言:随着科学技术的发展,通信技术被应用到各个领域,但在通信技术研究中却发现,经常出现数字信号并不能在通信道中传输,这就需要应用到调制技术。而数字调制技术因便于集成,同时具有加密能力,因此被广泛应用,对于数字调制信号参数估计算法的研究也是在此基础上发展起来的。
一、数字信号处理模块概述
数字信号处理模块的应用主要是为了完成数字变频、调制以及处理等工作,对于其电路而言,构成部分有ARM、FPGA以及必要的接口电路等,在数字信号处理模块中,其基础带有无线电技术的通用数字平台,该平台不仅具有良好的开放性,还具有一定的通用作用,能够很好的吸纳各种软件,以便满足不同用户与环境的需求[1]。而软件无线电的使用则需要以现代通信为基础,其中心则是数字信号处理技术,同时还需要得到微电子技术的支持。由于这一通用数字平台有ARM、FPGA的支持,可以很好控制AGC。总的来说,数字信号处理模块对数字调制信号参数估计具有重要作用。
二、数字调制信号参数估计算法的实现
要研究数字调制信号参数估计算法的实现,具体来讲可以从以下几方面入手:
2.1高阶统计量载波估计
之所以选用高阶统计量载波作为实现数字调制信号参数估计算法,主要是由于这种算法具有很好的抗噪声作用,即便是在信号相对微弱的情况下依然具有良好的识别能力,但值得注意的是,在该算法计算量相对大的情况下,应通过一些措施适当减少计算量,并做好粗估计,确定好估计范围,然后再搜索,然而,在实际搜索中,还要关注搜索步长与计算量之间的关系,当搜索步长变小的情况下,估计精度便会提升,反之估计精度则会降低,这就需要联系实际情况提出一种既能减少计算量,又能确保估计精度且可以变化的搜索方法。
为实现这一目标,应先估计接收机噪声,不让接收机出现热燥声等情况,进而保证了算法性能,可以让信号源在有线方式的作用下完成信号接收,在信号源传输BPSK信号时,就可以从接收机中看到一些高低起伏的信号,在这一过程中要忽略热燥声的影响[2]。在研究中发现,当SNR为5时,信号会受到周围噪声的干扰,产生高低起伏变化,但由于该信号为调制信号,它的频域就会比其他部分高一些,然而,要避免直接估计频域,防止出现误差,只要选择粗估计即可,粗估计只是转移了频谱,还有效防止了信号丢失的发生。
2.2小波变换码元速率估计
对于小波变换来说,能够精准的确定盲信号码元速率,同时,利用小波变换码元速率完成数字调制信号参数估计,可以有效减少不利因素对算法的影响,信号预处理也可以减少频偏的出现,这些都为小波变换码元速率的应用奠定了基础。在利用小波变换码元速率出来前端滤波时,要先完成信号处理,这样不仅可以有效提高信噪比,还能减少外界因素所带来的不良影响[3]。通过研究发现,在SNR为5时,并没有出现信号频偏,且BPSK信号还出现了部分峰值,在既定周期中小波变换系数还存在相对稳定的情况,但有些BPSK信号也会受到一些影响,继而影响到峰值,一般来讲,当信噪比多大或多小的情况下都会影响信号,很可能还会出现算法失效的情况,面对这一现实,就需要通过频偏减少小波变换系数所带来的影响,进而强化算法性能。
2.3循环谱联估计算法
对于循环谱来说,整个计算过程计算量相对较大,这就需要应用FAM算法完成计算,在利用该算法中,应先将数据分成多个小部分,然后为各个数据加窗,同时为各个数据进行傅里叶转换,再完成相关处理,且再次实现傅里叶转换,最后将有价值的数据展示出来。在实际应用中发现,部分信号为摆脱带外辐射的影响,在正式发射前会形成一定的基带信号脉冲,而这些脉冲也会带来不利影响,这就需要应用汉明窗实现加窗,这也是提高算法性能的有效方法。
结束语:通过以上研究得知,数字调制信号的应用是为强化数字信号传输效率,保证传输效果,而数字调制信号的实现也需要得到一些参数估计算法的支持,针对这种情况,本文联系数字信号处理模块基本情况,重点研究了三种参数估计算法,并指出了这些算法在实现中容易出现的问题,同时也提出了合理解决办法,希望能为相关人士带来有效参考,做好数字调制信号设计工作,提高通信能力。
摘要：对于数字调制信号来说,因其质量较好所以在很多领域都有应用,然而在应用中却发现,它很容易受电磁干扰,怎样从电磁环境中获得高效精准参数估计就成为研究重点,因此,本文将数字信号处理模块基本情况入手,从三个角度分别研究数字调制信号参数估计算法的实现。
关键词：数字调制信号,参数,估计算法
参考文献
[1]许华,王爱粉,杨晓宇.常规数字通信信号信噪比估计综述[J].信号处理,2013,06:723-733.
[2]林财永,张国毅.基于AR功率谱和STFT的混合调制信号参数估计算法[J].雷达与对抗,2013,03:31-34+45.
[3]张天骐,何丹娜,陈适,周圣.基于谱相关的BOC调制信号参数估计[J].华中科技大学学报(自然科学版),2013,09:11-16.
调制参数 篇2
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.
调制参数 篇3
关键词：CPM,调制参数,盲识别,循环谱
0 引言
连续相位调制( CPM) 是一种相位连续、包络恒定的调制方式[1],具有很高的频谱利用率和功率利用率,在现代移动通信和卫星通信系统中获得了广泛的应用,目前许多战术跳频电台也采用了这种调制样式[2]。因此,近几年通信侦察中颇为重视针对这种调制方式的信号盲检测和参数的分析识别技术。
在CPM调制参数盲估计方面,文献[3 - 7]中使用一些传统的基于信号循环平稳特性的方法可以实现全响应CPM信号参数盲估计,但对于部分响应CPM信号,过宽的信号过渡带宽会导致这些算法失效。文献[8 - 9]中使用高阶累积量对调制指数进行盲估计,但该算法也同样只适用于全响应CPM信号。本文提出了一种CPM信号的调制参数盲估计方法,能够适用于包括部分响应信号在内的全部类型CPM信号,并通过仿真试验验证了算法的有效性。
1 CPM信号的数学模型
CPM是一种有记忆的恒包络非线性调制方式,在工程应用中,可利用平方谱、四次方谱以及瞬时包络特征有效识别CPM信号。当t∈[ n Ts,( n +1) Ts]时,复基带CPM信号s( t) 可以表示为:
式中,Es为一个符号周期Ts内的信号能量,不失一般性,假设; φ( t) 为承载信息的相位; h为调制指数; ak为M进制的信息符号,具有先验概率Pn= P ( ak= n) ,n∈{ ± 1,± 3,…,± ( M - 1 ) } ,∑nPn= 1; M为CPM信号的调制阶数,通常取M =2l,l = 1,2,…; q( t) 称为CPM调制器的相位成形脉冲或相位响应,通常假设
q( t) 可以表示为频率成形脉冲g( t) 的积分,
g( t) 仅在区间( 0,LTs]内具有非零值,LTs为频率成形脉冲的持续时间,正整数L称为频率成形脉冲相关长度,当L = 1 时,称为全响应CPM信号; 当L > 1时,称为部分响应CPM信号。
2 CPM信号的参数估计
对CPM信号进行参数估计时,需要估计的参数有: 载频fc、符号速率Rs、调制指数h和调制阶数M。文献[10]提出的调制指数/频偏/符号速率联合估计算法,需要的参数先验信息较少,并且具有很好的估计效果。然而该算法中符号周期搜索区间的确定非常困难,尤其对于部分响应CPM信号,带宽受成形波形长度的影响,于是用粗略估计的带宽来确定符号周期搜索区间往往导致联合估计错误。本文对该联合算法进行了改进,即先采用循环谱算法对符号速率进行精确估计,再利用简化后的联合算法进行调制指数和频偏的联合估计。因此,CPM信号参数估计方案如图1 所示。
2. 1 载频粗估计
载频粗估计对精度要求较低,可以使用接收信号瞬时频率的平均值来实现。在实际应用中,对接收的中频信号r( t)按周期Te进行采样得到长度为Nobs的数字信号r[ k]。当Te足够小时,瞬时频率finst(k Te)可以用来近似。则可以得到载频的粗估计结果为:
2. 2 符号速率估计
CPM信号在谱频率为载频的循环截面上,有等间距的离散谱线,且其间距为信号的符号速率[11]。因此可以利用信号循环谱截面特征,直接对接收的中频信号进行符号速率估计。
因此,对接收到的CPM信号,用频域谱平滑法得到其循环谱估计,利用非线性滤波方法提取谱频率为载频的循环截面上的离散谱线,根据该截面上离散谱线的分布距离,得到符号速率的估计。
接收信号s( k)的循环谱估计可表示为:
式中,N' = NP为信号点数; Δt为观察信号的数据长度; Δt = N'Ts; Fs= 1 / (N'Ts)为频率分辨率; M为参加平滑的样本数; Δf = 2MFs为频域平滑间隔; α =2m Fs为选换频率周期; k和m分别为频率f和循环频率 α 基于采样间隔Fs的数字频率。
2. 3 调制指数和频偏联合估计
对调制指数、码元周期与频偏的联合估计也是基于CPM信号的循环平稳特性,定义g0= 1 / h和2 个区间: Ig (0,2g0)和Iα ( ( - 3 /2Ts) + g0fe,( 3 /( 2Ts) ) + g0fe) ,则由CPM信号s( t) 的循环平稳性易知,对于(g,α) ∈ Ig× Iα,当且仅当g = g0,α = ± (1 / ( 2Ts)) + g0fe时,有
由于本参数估计方案中已经对符号速率进行了精确估计,因此可对文献[10]算法进行简化,定义代价函数为:
根据常用的调制指数可以确定的搜索区间[gmin,gmax],根据载频粗估计算法的估计精度可以确定搜索区间[fmin,fmax],对上述代价函数进行[gmin,gmax]× [fmin,fmax]上的二维搜索,得到的峰值所对应的坐标即为g0和fe。因此调制指数和频偏的估计值分别为和fe。
2. 4 调制阶数估计
根据CPM信号的循环平稳性[12,13],经推导,调制指数h=1的二进制CPM信号在循环频率α=1/Ts处的循环谱仅在频率f=0处出现单根离散谱线。M进制CPM信号的循环谱可以由二进制CPM信号的循环谱递推得到。四进制CPM信号在α=1/Ts处的循环谱可表示为:
因此,四进制CPM信号的循环谱在f = 0 和f =± 1 / Ts处出现3 根离散谱线。同理,八进制CPM信号的循环谱存在7 根离散谱线。可见,对于调制指数h = 1 时不同调制阶数的CPM信号,在循环频率α = 1 / Ts处的循环谱具有不同的离散谱线特征,因此可以根据 α = 1 /Ts处循环谱的谱线结构来对CPM信号的调制阶数进行识别。
对于h≠1 的CPM信号,需要对h进行调整,使得调整后的调制指数h'满足h' = 1。令 μ = 1 /h,对CPM信号进行 μ 次方运算:
s'( k) 即为调整后的CPM信号,对s( k) 的 μ 次方运算仅仅改变其调制指数,对其他的调制参数没有影响,因此调整后的CPM信号也具有以上分析的循环平稳性。
3 算法仿真与性能分析
通过仿真试验验证本文所提算法的有效性。假设四进制CPM信号的符号速率Rs= 200 ksps; 载波频率fc= 400 k Hz; 采样率fs= 2 MHz; 观测码元长度N = 1 024; 成形脉冲为升余弦脉冲,成形波形长度L = 2; 调制指数h = 2 /5。
下面给出了使用本文算法对上述信号进行参数估计的结果。f = fc的循环谱截面如图2 所示,根据离散谱线位置可正确估计符号速率; 调制指数和频偏联合估计的代价函数分布图如图3 所示,根据最高点位置可正确估计调制指数与频偏; α = 1 /Ts的循环谱截面如图4 所示,根据谱线根数与位置可正确估计调制阶数。此外,该算法对于全响应CPM信号同样适用。
随信噪比的变化,使用本文算法对上述仿真条件下的CPM信号进行100 次蒙特卡罗试验的统计结果如表1 所示。可以看出,当信噪比达到10 d B以上时,本算法能够有效估计符号速率、载频、调制指数和调制阶数。
4 结束语
调制参数 篇4
由于受到带宽限制, 实际通信中信号总是以经过调制后的状态在信道中传输, 因此对调制信号的辨识是通信监听的一项关键技术。随着计算机技术的发展, 信号的调制方式辨识技术已由早期的人工识别发展为现在自动识别。本文以数字通信信号调制方式自动辨识技术为研究课题, 提出一种基于信号功率谱分析的特征参数, 可以用于区分ASK与FSK/PSK信号, 以及FSK与PSK信号。
二、对截获信号进行的预处理
一般情况下, 截获到的信号都是非合作的, 由于受到噪声、信道、滤波等影响其包络往往起伏不定。为了消除这种影响, 本文对截获到的信号进行了相应的预处理, 即零中心包络归一化处理和功率谱谱峰归一化处理。
1. 零中心包络归一化
零中心包络归一化处理的过程如下:
式 (1) 中, 是样本信号零中心化后的值, 是的瞬时幅度包络, 它们的表达式分别为:
式 (3) 中hilberti (s z) 表示将sz作Hilbert变换后取其第i个值;
经过零中心包络归一化处理后, 调幅 (如ASK) 的包络被规整为1失去本身携带的调制信息, 调频 (如FSK) 和调相信号 (如PSK) 调制信息不变, 但幅度包络的最大值被规整为1
2. 功率谱谱峰归一化
假设信号的功率谱为Xp, 谱峰归一化后的功率谱XPN可以表示为:
其中max (Xp) 表示取序列XP中的最大值。
三、调制识别参数及仿真
1. 调制识别参数
功率谱谱峰集中度参数Fgan, 可以用来区分ASK/CW与FSK/PSK信号也可以用来区分FSK与PSK信号, 其表达式为:
式 (5) 中s (i) 为输入的功率谱序列, 1i和2i分别是当参数p=p1和p=p2时在序列s (i) 中所对应的坐标ip, 其中1>p2>p1>0。
如上所述, 参数Fgan即是对功率谱中至的部分求其平均值, 其中S是功率谱序列的和值。
依据功率谱密度的表达式, 可知, 对于ASK、FSK、PSK三种调制信号的参数Fgan的分布, 应该有:
经大量仿真发现, 参数在信噪比在大于10d B的区间时分布平稳, 但当信噪比继续降低, 尤其是低于5d B的区间时, 参数Fgan的分类效果会加剧变差, 原因是信号噪声影响了参数对谱峰范围的估计。因此, 该参数在信噪比为10d B~+∞的范围区间内, 分类效果是最佳的。
2. 参数仿真
在对参数进行仿真时, 为了达到增加样本的覆盖面的目的, 在信号建模阶段, 使信号的载频、码元以及信噪比达到以下的具体指标:载波fc:19.9MHz~22.9MHz, 码速率fd:500KHz~1.5MHz, 信噪比SNR:5dB~+∞。
在上述模型下仿真, 当参数p1和p2分别为0.45和0.65时, ASK/CW信号的参数Fgan分布在0.8~1.0之间, PSK信号的Fgan分布在0.2~0.45之间, FSK信号的Fgan分布在0~0.15之间。
四、结束语
综上, 本文从理论分析以及仿真分析的角度, 提出了一种基于信号功率谱分析的数字通信信号自动调制识别方法, 从仿真结果可以看出, 当信号载波, 码速率以及信噪比在一定范围内变化时, 该方法可以用于区分ASK与FSK和PSK信号, 以及FSK与PSK信号。
摘要：通信监听技术是现代通信技术研究中的一个重要分支, 其在军事以及民用领域都有较大的应用前景。由于带宽限制, 基带信号总是以经过调制后的状态在信道中传输, 因此, 调制方式辨识是通信监听领域的关键技术之一, 本文以数字通信信号调制方式自动辨识技术为研究课题, 提出一种基于信号功率谱分析的特征参数, 可以用于区分ASK与FSK/PSK信号, 以及FSK与PSK信号。
关键词：功率谱分析,数字信号调制,自动辨识
参考文献
[1]O.A.Dobre, A.Abdi, Y.Bar-Ness, and W.Su, “Survey of automatic modulation classification techniques:Classical approaches and new trends, ”IET Commun., vol.1, no.2, pp.137旻156, Apr.2007.
[2]Barathram, Ramkumar.“Autpmatic Modulation Classification for Cognitive Radios Using Cyclic Feature Detection.”IEEE Circuits and Systems Magazine.Second Quarter2009.
[3]PROAKIS J G.Digital Communication[M].北京:电子工业出版社, 1998:159-202.
[4]E.E.Azzouz, A.K.Nandi.Automatic modulation recognition-I.Franklin Institute.1997, 334 (2) :241~273.
[5]E.E.Azzouz, A.K.Nandi.Automatic modulation recognition-II.Franklin Institute.1997, 334 (2) :275~305.
[6]马承振, 数字通信信号调制方式自动识别方法的设计与实现.西南交通大学.