CN111935044B

CN111935044B - 基于emd分解的psk及qam类信号调制识别方法

Info

Publication number: CN111935044B
Application number: CN202010842848.4A
Authority: CN
Inventors: 胡国兵; 张清; 杨莉; 赵嫔姣; 姜志鹏
Original assignee: Jinling Institute of Technology
Current assignee: Jinling Institute of Technology
Priority date: 2020-08-20
Filing date: 2020-08-20
Publication date: 2021-03-09
Anticipated expiration: 2040-08-20
Also published as: CN111935044A

Abstract

本发明针对MPSK和MQAM两类信号的调制识别问题，提出了一种基于EMD分解的PSK及QAM类信号调制识别方法。首先对待识别信号作经验模态分解，而后提取分解得到的第一阶本征模态分量，对第一阶本征模态分量进行傅里叶变换后取模，并据此确定识别特征量。根据得到的识别特征量，设定相应的门限，将识别特征量和门限相比较，识别PSK和QAM信号。仿真结果表明，在无信号先验信息的条件下可对MPSK和MQAM两类调制信号进行识别。

Description

基于EMD分解的PSK及QAM类信号调制识别方法

技术领域

本发明属于信号识别与处理领域，具体涉及一种基于EMD分解的PSK及QAM类信号调制识别方法。

背景技术

在认知无线电(CR,Cognitive Radio)、通信侦察中，调制方式识别的任务是在噪声干扰环境，且无或缺乏先验信息的条件下，对观测信号的调制方式进行识别，为后续信号分析和情报挖掘等环节提供信息。现有的方法主要可分为似然比识别及特征识别两类，似然比识别的性能最佳但需要信号及信道的先验信息，且易受模型失配的影响，复杂度也较高，而特征识别法主要包括循环平稳频率检测法、四阶矩峰值特征法等，这些方法的复杂度略低，但在低噪比时性能较差。

本发明基于经验模态分解的识别方法，计算信号的第一阶本征模态分量，选择特定的特征量及门限，完成MQAM及MPSK两种调制信号的识别，算法的计算复杂度低，且在低信噪比时识别正确率高。

发明内容

本发明针对现有技术中的不足，提供一种基于EMD分解的PSK及QAM类信号调制识别方法。

为实现上述目的，本发明采用以下技术方案：

基于EMD分解的PSK及QAM类信号调制识别方法，其特征在于，包括如下步骤：

步骤1：对待识别信号进行经验模态分解；

步骤2：提取经验模态分解得到的第一阶本征模态分量；

步骤3：对第一阶本征模态分量傅里叶变换后取模，并据此确定识别特征量；

步骤4：设定相应的门限；

步骤5：将识别特征量和门限相比较，识别PSK和QAM信号。

为优化上述技术方案，采取的具体措施还包括：

进一步地，在步骤1中，设待识别信号为x(t)，对信号进行经验模态分解得到：

其中，c_i(t)为分解的第i阶本征模态分量，r(t)为残差分量，N为分解的自适应阶数。

进一步地，在步骤2中，根据经验模态分解得到的模态分量，提取第一阶本征模态分量：

其中，c₁(t)为第一阶本征模态分量。

进一步地，在步骤3中，对第一阶本征模态分量傅里叶变换后取模，将模值大于半极大值模值的个数作为识别特征量；具体如下：

对第一阶本征模态分量c₁(t)傅里叶变换后取模得到模值：

C(k)＝|FFT(c₁(t))|·2/N,k＝0,...,N-1

其中，N为c₁(t)的长度，FFT为快速傅里叶变换；

取模值大于半极大值模值的个数B₁＝sum{C(k)＞[max(C(k))/2]}，根据得到的个数B₁作为识别特征量，其中，sum(·)为求满足条件C(k)＞[max(C(k))/2]频线的根数。

进一步地，在步骤4中，设定MPSK和MQAM信号的识别门限，th_evt＝80。

进一步地，在步骤5中，当B₁≤th_evt时，则为MQAM调制信号；否则为MPSK调制信号。

进一步地，在步骤3中，对第一阶本征模态分量傅里叶变换后取极大值模，作为识别特征量；具体如下：

对第一阶本征模态分量c₁(t)傅里叶变换后取极大值模得到模值：

A₁＝max(|FFT(c₁(t))|·2/N)

其中，N为c₁(t)的长度，FFT为傅里叶变化；

根据得到的模值A₁作为识别特征量。

进一步地，在步骤4中，设定MPSK和MQAM信号的识别门限，th_evt＝0.01。

进一步地，在步骤5中，当A₁≥th_evt时，则为MQAM调制信号；否则为MPSK调制信号。

本发明的有益效果是：对信号经验模态分解并提取分解的第一次本征模态分量，对第一次的本征模态分量进行傅里叶变换后取模，并据此确定识别特征量，完成对MPSK信号和MQAM信号的识别。相对已有算法而言，该类算法的计算复杂度低，对信号的先验信息依赖较少且不需要训练样本，在低信噪比时识别正确率较高，这在非协作条件下具有更好的应用前景。两种实施例，各有优点：对于第一种实施方式而言，该种方案更适宜于识别MPSK类信号，当信噪比为3～7dB时，识别正确率可达100％；对于第二种实施方式而言，该种方案更适宜于识别MQAM类信号，当3～7dB时信噪比条件下，识别正确率可达100％。

附图说明

图1是本发明的识别方法流程图。

图2是实施例一的识别方法流程图。

图3是实施例二的识别方法流程图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

图1是基于EMD分解的PSK及QAM类信号调制识别方法的流程图，本发明采用两个实施例进行具体说明。

实施例一

如图2所示，在实施例一的识别方法中，首先对待识别信号经验模态分解，而后提取分解得到的第一阶本征模态分量，对第一阶本征模态分量进行傅里叶变换取模，将模值大于半极大值模值的个数作为识别特征量，根据得到识别特征量，设定相应的门限，若特征量小于此门限值，则识别为MQAM信号，反之，则识别为MPSK信号。仿真结果表明，在无信号先验信息的条件下可对MPSK和MQAM两种调制信号进行识别。具体包括以下步骤：

一、对待识别信号经验模态分解

设原信号为x(t)，对信号进行经验模态分解得到本征模态分量：

式中，c_i(t)为分解的第i阶本征模态分量，r(t)为残差分量，N为分解的自适应阶数。

二、提取第一阶本征模态分量

根据经验模态分解得到的模态分量，提取第一阶本征模态分量：

式中，c₁(t)为第一本征阶模态分量。

三、提取模态分量的模值序列

对分量c₁(t)傅里叶变换后取模值：

C(k)＝|FFT(c₁(t))|·2/N,k＝0,...,N-1

其中，N为c₁(t)的长度，FFT为快速傅里叶变换。

四、定义识别特征量

对分量c₁(t)傅里叶变换后取模值：

B₁＝sum{C(k)＞[max(C(k))/2]}

其中，sum(·)为求满足条件C(k)＞[max(C(k))/2]频线的根数。

五、门限设定

设定MPSK和MQAM信号的识别门限，th_evt＝80。

六、调制信号识别

当B₁≤th_evt时，则为MQAM调制信号；否则为MPSK调制信号。

表1说明了实施例一的平均识别正确率，MQAM调试信号为16QAM、64QAM和256QAM，MPSK调制信号为BPSK和QPSK。附加噪声为加性高斯白噪声，信噪比设定范围为5dB至25dB步长为5Db，每种信噪比时，针对不同信号各做1000次仿真。

从表1中可看出实施例一在以上仿真条件下的正确识别概率：当信噪比大于5dB时，两种调制信号的识别正确率均在99％以上。

表1实施例一在不同信噪比条件下的性能

表2为各信噪比下特征参数B₁的值。

表2特征参数B₁在各信噪比下的值

SNR/dB	BPSK	QPSK	16QAM	64QAM	256QAM
						5	197	213	57	60	56
10	207	210	49	55	56
						15	214	214	54	52	53
20	342	260	51	52	52
						25	301	348	51	53	50
30	168	259	52	54	52

实施例二

如图3所示，在实施例二的识别方法中，首先对待识别信号经验模态分解，而后提取分解得到的第一阶本征模态分量，对第一阶本征模态分量进行傅里叶变换取极大值模，根据得到模值作为识别特征量，设定相应的门限，若特征量大于此门限值，则识别为MQAM信号，反之，则识别为MPSK信号。仿真结果表明，在无信号先验信息的条件下可对MPSK和MQAM两种调制信号进行识别。具体包括以下步骤：

一、对待识别信号经验模态分解

设原信号为x(t)，对信号进行经验模态分解得：

二、提取第一阶本征模态分量

式中，c₁(t)为第一本征阶模态分量。

三、定义识别特征量

对分量c₁(t)傅里叶变换后取极大值模得到模值，根据得到的模值A₁作为识别特征量。

A₁＝max(|FFT(c₁(t))|·2/N)

其中，N为c₁(t)的长度，FFT为快速傅里叶变换。

四、门限设定

设定MPSK和MQAM信号的识别门限，th_evt＝0.01。

五、调制信号识别

当A₁≥th_evt时，则为MQAM调制信号；否则为MPSK调制信号。

表3说明了实施例二的平均识别正确率，MQAM调试信号为16QAM、64QAM和256QAM，MPSK调制信号为BPSK和QPSK。附加噪声为加性高斯白噪声，信噪比设定范围为3dB至7dB步长为1dB，每种信噪比时，针对不同信号各做1000次仿真。

从表3中可看出本方法在以上仿真条件下的正确识别概率：当信噪比大于5dB时，两种调制信号的识别正确率均在99％以上。

表3实施例二在不同信噪比条件下的性能

表4为各信噪比下特征参数A₁的值。

表4各信噪比下特征参数A₁的值。

SNR/dB	BPSK	QPSK	16QAM	64QAM	256QAM
						5	0.0103	0.0099	0.1451	0.3317	0.6696
10	0.0056	0.0073	0.1704	0.3547	0.6843
						15	0.0046	0.0036	0.1863	0.3534	0.7272
20	0.0028	0.0023	0.1713	0.3436	0.6052
						25	0.0032	0.0018	0.1577	0.2655	0.6678
30	0.0056	0.0017	0.2103	0.3087	0.6458

需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims

1.基于EMD分解的PSK及QAM类信号调制识别方法，其特征在于，包括如下步骤：

步骤1：对待识别信号进行经验模态分解；

步骤2：提取经验模态分解得到的第一阶本征模态分量；

步骤3：对第一阶本征模态分量作傅里叶变换后取模，将模值大于半极大值模值的个数作为识别特征量；具体如下：

对第一阶本征模态分量c₁(t)作傅里叶变换后取模得到模值：

C(k)＝|FFT(c₁(t))|·2/N,k＝0,...,N-1

其中，N为c₁(t)的长度，FFT为快速傅里叶变换；

取模值大于半极大值模值的个数B₁＝sum{C(k)＞[max(C(k))/2]}，

根据得到的个数B₁作为识别特征量，其中，sum(·)为求满足条件C(k)＞[max(C(k))/2]频线的根数；

步骤4：设定MPSK和MQAM信号的识别门限，th_evt＝80；

步骤5：将识别特征量和门限相比较，识别PSK和QAM信号；当B₁≤th_evt时，则为MQAM调制信号；否则为MPSK调制信号。

2.如权利要求1所述的基于EMD分解的PSK及QAM类信号调制识别方法，其特征在于：在步骤1中，设待识别信号为x(t)，对信号进行经验模态分解得到本征模态分量，并利用各本征模态分量表示待识信号如下：

3.如权利要求2所述的基于EMD分解的PSK及QAM类信号调制识别方法，其特征在于：在步骤2中，根据经验模态分解得到的模态分量，提取第一阶本征模态分量：

其中，c₁(t)为第一阶本征模态分量。

4.基于EMD分解的PSK及QAM类信号调制识别方法，其特征在于，包括如下步骤：

步骤1：对待识别信号进行经验模态分解；

步骤2：提取经验模态分解得到的第一阶本征模态分量；

步骤3：对第一阶本征模态分量作傅里叶变换后取极大值模，作为识别特征量；具体如下：

A₁＝max(|FFT(c₁(t))|·2/N)

其中，N为c₁(t)的长度，FFT为快速傅里叶变换；

根据得到的模值A₁作为识别特征量；

步骤4：设定MPSK和MQAM信号的识别门限，th_evt＝0.01；

步骤5：将识别特征量和门限相比较，识别PSK和QAM信号；当A₁≥th_evt时，则为MQAM调制信号；否则为MPSK调制信号。

5.如权利要求4所述的基于EMD分解的PSK及QAM类信号调制识别方法，其特征在于：在步骤1中，设待识别信号为x(t)，对信号进行经验模态分解得到本征模态分量，并利用各本征模态分量表示待识信号如下：

6.如权利要求5所述的基于EMD分解的PSK及QAM类信号调制识别方法，其特征在于：在步骤2中，根据经验模态分解得到的模态分量，提取第一阶本征模态分量：

其中，c₁(t)为第一阶本征模态分量。