自动调制分类衰落环境中使用的统计特性

Jaspal Bagga¹Neeta。特里帕西²

副教授,(E&TC),煤斗(IT), SSTC Bhilai、印度¹
教授,电子与电信部门,本金,SSITM Bhilai、印度²

文摘

软件无线电技术将发挥重要作用的发展第四代(4 g)无线通信系统。信号识别过程中,信号拦截和解调,之间的一个中间步骤是一个智能接收器的主要任务。自动调制分类(AMC)是决定的过程中,基于接收信号的观测,使用调制发射机。十个候选人信号2问,4问,2相移键控,4相移键控2移频键控,4移频键控和16 QAM,实现GMSK 64 QAM和256 QAM生成。通过模拟AWGN信道条件模拟和多径瑞利衰落效应。瞬时特性如振幅、相位和频率是第一。随机特性来自瞬时特性。七个关键特性被用来开发分类器。高阶QAM信号64 QAM和256 QAM等分类使用高阶统计参数如时刻和累积量。基于阈值的决策树分类器的开发。 Overall classification result obtained for SNR=3dB was more than 97 %. The success rate was around 99 % (no fading condition) for SNR=5dB. The developed classifier could classify ten modulated signals under varying channel conditions for SNR as low as -5dB.

关键字

数字调制;自动调制分类;信噪比,决策树

介绍

自动调制识别(AMR)是一个程序执行在接收者基于接收信号的解调调制格式时不知道接收方。能够自动选择正确的调制方案中使用一个未知的接收信号在无线网络是一个主要的优势。没有任何知识的传播数据接收器和许多未知参数,盲目的识别是一项艰巨的任务。识别过程更具挑战性在真实世界场景中多径衰落、频率选择性,时变通道。

识别器分为两个子集根据逼近的方法分类问题:决策理论方法,或者基于可能性(磅)的方法。基于统计模式识别或特性(神奇动物)的方法。决策理论和LB方法是基于似然比,这是识别信号的调制样式的最大似然比选择信号和已知的信号。统计模式识别或FB方法分为两个部分。第一种是特征提取部分,其作用是从接收的数据提取预定义的功能。第二个是一个模式识别部分,其功能是将信号的调制类型提取的特征。

的一些早期作品存在于基于特征的分类[1 - 5]。提出了一种统一的视图在调制分类。基本原则类型的特征用于分类和算法结构进行了讨论(6 - 7)。基于特征的详细概述数字调制技术提出了[8]。已经使用在AMC许多类型的特性,例如,瞬时振幅,相位,频率[9 - 11],和小波变换(12 - 13),高阶的时刻和高阶累积量(hoc)(14 - 17)和cyclo-stationarity [18]。几种类型的模式识别(PR)曾AMC方法。[19]公关方法包括人工神经网络、聚类、决策树支持向量机[12],[22]。模拟结果比较分类器使用不同的特性开发[23]。

目前认为分类工作十个数字调制信号的自适应软件定义无线电(SDR)在AWGN和多径衰落效应。混合特性建立决策树分类器基于阈值的了。分类器能够将信号信噪比低至5分贝。

在AMR信号模型

调制分类模型在图1

接收到的信号表示为

ri (t)是接收到的信号,如果(t)是传输信号,n (t)是加性高斯白噪声。接收信号的离散表达式是由瑞利衰落环境

人工智能是一个瑞利随机varisisable,信号序列和噪音吗

该模型显示了三个阶段:

答:预处理

b .特征提取

c .调制分类

一个.Preprocessing

预处理程序的工作是提高分类器的性能。预处理程序删除等信号的干扰从而增加干扰信号(信噪比)。预处理在这个工作任务进行信号去噪使用小波分解和使用恒模盲均衡算法(CMA) [24]。信号去噪的算法

1)小波系数进行了计算。

(二)细节系数来估计噪声标准差

3)全球阈值被选中,这是用于信号去噪。

恒模Algorithm-Fractionally间隔均衡器(CMA-FSE)技术被用来消除通道效应没有通道本身的知识。恒模算法是一种随机梯度算法旨在迫使均衡器权值保持恒定的包络接收信号的相移键控4日CMA-FSE算法测试工作,8相移键控,16 qam, 64 qam和256 qam。仿真结果证明,该方法几乎取消了通道效应2相移键控,四相移键控,8相移键控,也16 qam。是可恢复的也64 QAM星座象征秩序的但不超过64 QAM。4相移键控信号的星座图是图2中给出。图中显示的理想、分散和平衡的信号。观察到噪声和衰落效应是高阶星座情节更严重。

b .特征提取

不同类型的数字信号有不同的特点。因此寻找合适的特征识别的数字信号,特别是在高阶和/或nonsquare各种数字信号是一个严重的问题。关键特性的调制分类必须选择在模式识别方法。这些特性应该健壮的敏感与调制类型的属性,与信噪比的变化不敏感。瞬时特性如振幅、频率和相位,首次推导出完整的信号。随机特性,比如振幅平均值,标准偏差的绝对值的规范化,为中心的瞬时振幅的标准差为中心的非线性分量绝对瞬时相位,标准差为中心的直接(不是绝对)的非线性分量瞬时阶段,规范化的标准偏差的绝对值,集中信号的瞬时频率,作为特征向量,特征向量,特征向量,特征向量,特征向量5分别来自瞬时特性。高阶的时刻和累积量也计算。这些都是用于高阶QAM信号进行分类。七个关键特性被用来开发分类器。

我)随机特性

五个随机特性计算如下:

特征向量1的最大价值是功率谱密度(PSD)的normalized-centered瞬时振幅[3]

Ns是样本的数量,马的样本均值(我)和acn我马(i) =−1

这个特性分类相移键控调制作为一个群体,和移频键控调节为另一组。

特征向量规范化的标准偏差的绝对值,集中瞬时振幅的信号段

捕获调制信号幅度的变化。因此,他们被用于确定问秩序和区分问信号相移键控信号。

特征向量3的标准差为中心绝对瞬时相位的非线性的组成部分

的阈值t非弱在哪里信号和L是不弱的长度值。

特征向量4的标准差为中心的直接(不是绝对)的非线性分量瞬时相位

特征向量5是标准偏差的绝对值的规范化,信号的瞬时频率为中心环节

(二)高阶统计特性

高阶统计参数如时刻和累积量作为特征来识别区分特征的数据。时刻的方法测量结构的一组点和累积量本质上是一种方法,在给定的时刻分布。

一个时刻

概率分布的时刻是期望值的概念的泛化,并可以用来定义一个概率密度函数的特点。k时刻的随机变量是由:

μ是随机变量的均值,定义为有限长离散k时刻是

其中N是数据长度。这里信号假定为零的意思。方程(9)

的auto-moment随机变量可以定义为

在p和q代表非共轭的数量条款和congugated条款,分别和p + q叫做时刻秩序。方程(11)

这是第二个时刻或随机变量的方差。以类似的方式表达对Es、2、1, 4, 4, 8,4派生。规范化momemts, 3, 3, 4, 4被称为偏斜度和峰度职责。偏态的测量是对称的pdf,峰度是巅峰的程度(峰值密度)的pdf。[20]

b)累积量

一个标量零均值随机变量特征函数由:

扩大对数特征函数的泰勒级数获得

常数kr的累积量。前三个累积量前三个完全相同的时刻。

特征向量6 E S8, 8八阶矩

特征向量7 C s 8 8 8阶累积量

第八阶矩和第六阶累积量的计算提出了表1和表2分别地。时刻和累积量作为特征classify16QAM, 64 qam和256 qam信号。

c .调制分类

必须选择的特性用于AMR,敏感调制类型的兴趣。分类器应提取的操作特性和做出决定的调制类型。一些模式匹配技术作为线性分类器,存在树分类器、神经网络分类器的基础上,基于假设检验的分类和基于特定的分类器。这是观察到的大多数类型的分类器实现基于各种特性基于决策树和神经网络和基于支持向量机(SVM)分类器。

决策树方法是一个基本的分类过程中,决定在每个阶段是根据预定义的阈值。在这些方法中,预先定义的阈值的主要参数是影响分类器的性能。此外,DT方法可以提升为容纳更多的调节通过添加额外的决策分支。

上述7个特征作为决策树分类器的输入是明显的调制信号进行分类。发达决策树分类器提出了图3所示。在两类特征向量1把信号阈值可以区分只有2问。进一步使用其他功能的信号进行分类。特征向量3给出了一个阈值,再将信号在两组。一组由4相移键控和M-QAM和另一组有4个问,2相移键控,实现GMSK MFSK。同样的阈值为每个特性派生明确每个类别进行分类。因为无法实现明确的区分M-QAM信号随机特性,时刻并累积量被用来进行分类。

结果与讨论

各种数字调制信号,如2问,4问,2相移键控,四相移键控,2移频键控,4移频键控,16 qam, 64 qam 256 qam和实现GMSK最初生成的。然后通过AWGN信道信号通过模拟多径瑞利衰落信道和损坏。载波频率fc = 1000 hz .Total没有。的样本共10000名。调制的二进制数据流已经获得随机数生成器。

随机二进制信号生成每个调制类型为每个迭代。三种类型的通道条件被认为是。信号模拟26值信噪比(5 db 20 db)为每个通道类型。混淆矩阵为每一个信噪比。演出得到了决策树分类器的混淆矩阵的形式。混淆矩阵是一个矩阵提供信息的输出给定调制类型识别系统。表3给出了混淆矩阵获得5 dB信噪比,不掉色的情况。

可以看出,100年的试验,2问信号正确分类为92试验和错误分类为8试验。4 2相移键控和相移键控信号是100%正确分类。2FSK was correctly classified for 91 trials and misclassified as 4FSK and GMSK for five and four trials resp.

混淆矩阵得到各种信噪比。不同比例的正确分类10调制信号信噪比(5 dB 20 dB)如表4所示。可以观察到的结果与选择功能甚至得到信噪比低至5分贝。

整体开发的决策树分类器的分类结果如表5所示。分类结果观察到各种仿真设置ups。没有衰落条件意味着分类性能只有在AWGN .Low衰落的条件意味着低多普勒频移高衰减条件模拟通过多普勒频移高达100赫兹

结论

从仿真结果观察,这种技术是有效的即使在较低的信噪比。正确分类的总百分比是97% 3 db信噪比没有衰落条件下,即只有在存在的情况下,94%,低衰减91%中衰落为87.2%,然而%下降严重衰落条件正确分类主要是由于高阶QAM信号存在负面影响的消退64 QAM和256 QAM星座的均衡后甚至不能完全康复了。4 2相移键控和相移键控是100%正确分类5 db信噪比。很高比例的正确分类结果信噪比低至0分贝和一些信号甚至低至5分贝

表乍一看


表1	表2	表3	表4	表5

数据乍一看


图1	图2	图3

引用

韦弗c。科尔,c.a,Krumland, R.B. and Miller, M.L., “The automatic classification of modulation types of Pattern Recognition”, 1969 Technical Report 1829 2, Stanford Electronics Laboratories

南帝,A.K.,and Azzouz, E.E., “Modulation Recognition using Artificial Neural Networks”, Signal Processing , 165-175, 1997

Hsue, s . Z。,and Soliman,S. S., “ Automatic modulation recognition of digitally modulated signals”, in Proc. IEEE MILCOM, 645-649, 1989

Hsue, z和苏莱曼,S。,“Automatic modulation classification using zero crossing”, 1990.

凯特,H。,Jondral, F., and Costa, A. H., “ Classification of modulation modes using time-frequency methods”, in Proceedings of the IEEE International Conference on Acoustics, 8 Journal of Computer Systems, Networks, and Communications Speech and Signal Processing (ICASSP ’99), , Phoenix, Ariz, USA . vol. 5. 2471– 2474, 1999.

Nagy, P.A.J.,“Modulation Classification –A Unified View”, National Defense Research Establishment, Sweden, 1997

Bagga, J。,and Tripathi, N., “Modulation Classification: A Survey of Various Techniques”, National Conference AICON CSIT Durg, 6th -8th Feb .2009.

Hazza,。,Shoaib, M., Alshebeili ,S.A. and Fahad ,A. 2013. An Overview of Feature-Based Methods for Digital Modulation Classification, 978-1-4673-2821-0/13

Bagga, J。特里帕西,n”分析使用数字调制信号的瞬时和随机特性,分类”,国际期刊的软计算和工程”,ISSN (IJSCE): 2231 - 2307,第一卷,问题2,2011

p . Cheol-Sun j .赢了,n . Sun-Phil”自动调制识别在软件无线电的应用程序,使用支持向量机”ICACT Proc。9日,韩国,2007年2月,页9 - 12。

a . m . l . d . Wong k .南帝”功效的盲自适应OFDM系统的调制类型检测方法,“EURASIP JASP, ID 656719条,2009年。

Cheol-Sun P Jun-Ho C。Sun-Phil, N。,赢了,J。,“Automatic Modulation Recognition of Digital Signals using Wavelet Features and SVM”, in Proc. 10th ICACT, Phoenix Park, Korea, vol. 1, pp. 387-390, Feb. 2008

Prakasam, P。,and Madheswaran, M., “Digital Modulation Identification Model Using Wavelet Transform and Statistical Parameters,” Journal of Computer Systems, Networks, and Communications, vol. 2008, Article ID 175236, Jan. 2008.

c . Le Martret Boiteaut D。,“Modulation classification by means of different orders statistical moments”, Nov. 2-4, pp. 256-258, IEEE Military Communication ”, Monterey 1997

Lichun, L。,“Comments on signal classification using statistical moments,” IEEE Trans. Commun., vol. 50, pp. 195, 2002

玛珊德,P。,Martret, C. L., and Lacoume, J. L., “Classification of linear modulations by a combination of different orders cyclic cumulants”, Proc. IEEE Workshop on Higherorder Statistics, 47-51, 1997

黄,m . l . D。,and Nandi, A. K., “Automatic Digital Modulation Recognition Using Spectral And Statistical Features With Multi-Layer Perceptions”, Signal Processing and its Applications, Sixth International, Symposium, Vol. 2, 390-393, 2001.

Dobre, o . A。Abdi,。,Bar-Ness, Y., and Sue,W., “ Cyclostationarity-Based Modulation Classification of Linear Digital Modulations in Flat Fading Channels”, Springer Science andBusiness Media, LLC, 2009

得以,A。,Gokhale , A.P., and Kshirsagar, R.V., “Digital Signal Type Identification Using Efficient Identifier And Neural Networks”, Proceedings of SPIT-IEEE Colloquium and International Conference, Mumbai, India, Vol. 1. 27-30, 2007

Hatzichristos G。,and Fargues M.P., “Classification of digital modulation types in Multipath Environments”, Proceedings of the Thirty-Fifth Asilomar Conference on Signals, Systems and Computers, Vol.2, pp. 1494-1498, 2007

张,g P。,“Neural networks for classification: a survey”, IEEE Trans. Syst., Man and Cyber., vol. 30, no. 4, pp. 451-462, 2000.

Chaithanya, V。,and Reddy, V. U., “Blind modulation classification in the presence of carrier frequency offset”, Proc2. 8th International Conf. on Signal Processing and Communications, 1-5, July 2010.

Bagga, J。,and Tripathi, N., “Study and comparison of various Modulation classification Techniques under Noisy channel Conditions”, International journal of Emerging Technology and Advanced Engineering (IJETAE), Volume 2, Issue 3, March 2012

先生,R。,Kumar, T., “Blind Equalization using Constant Modulus Algorithm and Multi-Modulus Algorithm in Wireless Communication Systems”, International Journal of Computer Applications (0975 – 8887) Vol 1. No. 3, 40-45, 2010.