1研究背景及现状
1.1研究背景
近年来，通信技术迅猛发展，为了满足用户的不同需求，充分利用通信资源，提高频谱利用率，通信信号的体制、调制方式变得多样化和复杂化，同一空间的信号也变得越来越密集。传统的通信电台或系统调制方式单一，通信双方开机后就可以在预先已知的调制方式上等待接收，无需进行调制方式的识别。在如今的多体制通信系统中，调制方式的识别是对接收信号进行处理的第一步，所以调制识别技术成为保证有效通信的关键技术。
调制识别技术广泛地应用于民用与军事领域。在民用领域，调制识别技术主要应用于为无线频谱管理进行信号身份确认以及干扰确认等方面。无线电管理部门为了防止不法分子对无线频谱的非法利用和干扰，需要对通信频谱进行监视和管理，以保证合法通信的正常进行。在频谱监视设备中采用调制识别技术，能帮助管理人员区分不同性质的用户，确定未知干扰信号的性质。在军事领域，主要应用于电子战和军用软件无线电技术中。在电子战通信情报截获接收机的设计中，获得接收的通信信号的调制方式，为解调器选择解调算法提供参考依据，有助于电子战中最佳干扰样式或干扰抵消算法的选择，以保证友方通信，同时破坏和抑制敌方通信，实现通信对抗的目的。又如在电子侦察与信号情报（SIGINT）中，利用信号调制类型
和其他测量参数识别敌（对）方雷达的类型，以便完成威胁程度分析，及时进行机动规避，施放干扰或欺骗信号。最后就是在军用软件无线电技术中，为设计一种通信“网桥”，实现不同传输体制通信设备间的相互通信功能和资源的最佳利用，解决方案之一就是先识别出发射方的调制样式和调制参数，对其发送的信息进行解调，然后，按照接收方采用的调制方式，把有用信息调制并转发至接收方。这里，正确识别收发双方的调制样式，是保证信息无误转发的基本条件。此外，调制识别技术在计算机网络自动路由分配中也有重要的应用价值。这意味着调制识别这一无线电技术，在新兴的网络领域中也有一席之地。
早期的调制识别是通过训练有素的操作人员观测接收机中频输出信号的时域波形和频谱分布形状来判断信号的调制方式，然后选择相应的解调器进行解调，依据解调后信号质量来确认或重新选择调制样式，直到选择到最好的解调效果。显然，在信号调制方式日益复杂的今天，上述依赖个人主观经验的方式是行不通的。为实现准确高效的调制识别，自动调制识别技术应运而生。
近几十年来，特别是海湾战争之后，人们更加认识到通信对抗在电子战中的国防科学技术大学研究生院工程硕士学位论文重要性。调制识别技术作为通信对抗中的核心技术之一，受到了国内外学者、院校和研究机构的密切关注和高度重视。随着计算机技术、通信技术、数字信号处理技术和高速专用器件的快速发展，以及相关理论的不断完善，调制识别技术得到了更好地实现。但是，这一技术的研究远未成熟。一是因为通信环境的不断变化，通信技术的快速发展，通信信号的调制方式不断更新，而现有的调
制识别技术只是针对特定的通信环境和调制类型设计的，具有很大的局限性。二是因为面对的随机因素很多，加上实际无线信道的很多不可确定的影响，调制识别可以看做一种复杂的具有多个未知参数的多元模式识别问题，而现今模式识别的基础理论还尚不完善。综上所述，调制识别技术在不断发展，仍有许多研究工作有待深入。
1.2研究现状
1969 年 4 月，C.S.Weaver 等在斯坦福大学技术报告上发表了第一篇研究调制方式自动识别的论文“采用模式识别技术实现调制类型的自动分类”。此后，国内外学者发表了大量关于调制识别的研究成果，每一个成果由于基于不同的背景，不同的要求，不同的应用环境，不同的分析角度等等方面，形成了调制识别领域百花争艳的局面。这些成果中提出了很多各不相同的算法，但一般认为可归纳为两类：决策论方法和统计模式识别方法。不管是决策论方法还是模式识别方法，通信信号的自动调制识别实际上都是假设检验和统计推断这两个基本数学方法实现。由于本文采用的识别算法是一种统计模式识别方法，所以在后文侧重介绍统计模式识别方法。
1.2.1决策论方法
决策论方法又称最大似然假设检验方法，是采用概率论和假设检验理论来解决信号的调制识别问题。通常是根据信号的统计特性，通过理论分析与推导，得到统计检验量，然后与一个合适的门限进行比较，
从而形成判决准则来实现调制信号自动识别。在决策论方法中，通常把信号分类看成是一个多元假设检验问题，对应m 种调制方式有m 种假设检验H，i=1,2…...m
在已发表的有关调制识别的文中，应用决策论方法主要有：
1988-1990 年，Polydoros 和 Kim 介绍了一种区别 2PSK 和 4PSK 的决策论方法。其思想是采用高斯白噪声干扰下的数字调相信号的近似似然比函数，通过优化得到新的判决准则。该方法在信噪比大于 0dB 时，有较好的识别效果，但方法局限于对 BPSK 与 QPSK 信号的识别，且信噪比小于 0dB 时识别性能较差。1994年，Long，Chugg 和 Polydoros 将应用于低信噪比环境下的算法推广到高信噪比的环境，并用来识别加入幅度因素的 QAM 信；1995-2000 年，Wei 和 Mendel提出了一种应用于数字幅度－相位调制信号的最大似然比方法。该方法应用于在加性高斯白噪声信道下，是基于星座图的调制分类方法。作者得到了基于理想环境下的最大似然比分类器的理论性能，可以作为其它分类器的理论上限。1996年，Yang 和 Liu 提出了一种对于 MPSK 信号的渐进优化算法的分类器。算法应用接收到 MPSK 信号的精确相位，应用傅立叶级数展开，得到的傅立叶系数与信噪比间有单调关系，由此得到分类准则。1998 年，Boiteau 和 Le Martret 提出了一种一般最大似然比分类器（GMLC）。作者得到了GMLC 的公式，并将其应用于对于 MPSK/M’PSK 信号的分类，其中 M>M’。作者指出这一公式是以前最大似然法讨论的一般性情况。2000 年，Mobasseri 使用模糊聚类算法从接收的有噪码元中重构信号的星座图，把重构的星座图看作多值非均匀分布的空间随机场，然后利用贝叶斯分类规则对 QAM 信号分类。2002 年，T
homas A 等人使用了 QAM信号幅度和相位近似相互独立，利用幅度和相位的联合似然比函数进行分类。2004 年，Zhijin Zhao 和 Tao Lang 推导出一种更常规的 qLLR 统计表达式，理论上在较低信噪比下可以识别任意 M 的 PSK 信号，分类特征明显，但是其仿真结果显示该算法的门限值随参数变化而变化，并且需要假设已知载频和码元速率等先验条件。其它还有一些算法，这里不再一一列举。
决策论方法的优点是它从理论上保证了在最小错误代价下分类准则是最优的，并且对于算法的理论分析是完备的。但是，决策论调制分类算法的不足也是很明显的，首先，它通常需要更多的先验知识，如载波频率、载波相位、码元速率、噪声类型和信噪比，甚至还需要匹
配滤波所需的基带成型脉冲形式。先验知识缺少或不准确严重影响算法的性能，甚至导致算法失效。其次，未知参量的存在导致似然比识别算法的统计量表达式非常复杂，计算量大，难于实时处理。通常需要对其进行简化处理，但简化处理的结果往往导致分类信息的丢失、调制类型的合并和分类性能的下降。
1.2.2模式识别方法
在模式识别方法中，调制识别可以看做是一种具有多个未知参数的多元模式识别问题。和其他模式识别问题一样，调制识别也是按照特征提取和分类识别两个步骤完成的。一个通用的调制方式模式识别系统主要由信号接收、特征提取和判决输出三部分构成，如图所示：
信号接收部分包括带通采样、A/D 转换和实现信道隔离。特征提取部分从原始数据中提取表征信号调制样式的特征向量，完成观测空间到特征空间的转换。类型识别部分的主要功能是在特征空间中用统计方法识别信号调制样式。可以看出，特征提取部分是调制信号模式识别方法的核心部分，特征的提取直接影响后面的类型识别部分的设计和性能。提取调制识别分类特征可以在时域进行，也可以在频域进行，常用的分类特征包括包络特征、相位特征、频率特征，频谱特征，高阶累积量等。
多年来，研究人员提出了很多新的分类特征，调制信号模式识别方法不断推陈出新。下面以分类特征为线索，概述近年来调制信号模式识别方法的主要成果。
早期的模式识别方法是从包络采样或信号频谱中抽取识别特征，如 1985 T.G.Callaghan, J.L. Perry, J.K. Tjho 和 Watkins-Johnson 等人提出了两种信号识别方法：一种是利用快速傅里叶变换，得到输入信号的频谱，再与各类调制信号的频谱作统计比较，从中判断输入信号调制类型。另一种方法是对时域特征抽取，基于模式识别的“相似”概念，利用输入信号的包络采样和过零点采样，建立类似于矢量距离定义的目标函数 DISSQ(·)，按最近原则，即以 DISSQ 为最小对信号进行分类。将上述两种方法结合起来，可识别 CW、AM、FM、SSB、OOK、FSK 等信号，算法简单，识别速度快，但识别效果受噪声影响很大，在 SNR 40dB可
以正确判别，所以实用价值不大。
胡延平P.M. Fabrizi、L.B. Lopes 和 G.B. Lockhart 对上述时域采样识别方法作了改进，利用各调制信号的瞬时包络和频率变量的不同进行识别，简化了判别过程。算法的性能有了较大的改善，硬件的实现也简单了许多，但对输入信号仍有较苛刻的要求，实际可识别信号要求 SNR 30dB。
Y.T.Chan, L.G.Gadibois 和 P.Yansouni 提出了利用包络方差与包络均值平方的比值R 进行调制识别。该方法可识别 FM、AM、SSB 和 DSB 信号，方法简单，易于实现，并且在理论上考虑了噪声的影响，故具有较好的识别性能，可靠识别的信噪比可达 20dB。但该方法所利用的信号特性少，这在很大程度上已限制了算法的识别性能。
1986 年，Hipp, J.E 提出了基于信号各阶统计相关矩变量的识别方法，开创了利用信号的统计特性进行识别分类的先河，促进了自动识别方法研究的发展。
Liedtke 首个提出将调制识别应用于数字调制。他提出了一种用于 2ASK,2FSK, 2PSK, 4PSK, 8PSK 和 CW 等数字调制的调制识别器。这种算法采用的主要特征量有幅度直方图、频率直方图、相位差直方图、幅度方差和频率方差。文章指出，在 SNR 18dB可以识别一个无误差的信号，即所有信号的参数是确切已知的，但这种算法的硬件执行是非常复杂的。在此识别算法中，所有的模拟调制信号都被当作噪声分类。
1995 年，A.K.Nandi 和 E.E.Azzouz 提出了一种基于时域和频域综合的调制识别方法，之后又陆续提出
若干改进方法。算法可识别 AM、SSB、DSB、VSB、FM、AM_FM 等模拟调制信号和 MASK、MPSK、MFSK 数字调制信号（M4）。算法的主要思想是从信号中抽取时域瞬时特征和频域特征，然后通过计算得出可以区分不同调制信号的分类特征量，最后通过门限判决的方式进行调制分类。其中，识别门限通常需要通过大量的统计比较形成。该方法充分利用了信号多方面的有用特性，不仅识别类型多，而且具有良好的识别性能。文献指出，在 SNR 10dB，具有良好的识别效果。
其它统计模式识别方法还有很多，比如 Soliman 和 Hsue 的基于获取信号相位统计矩的调制识别方法、Nagy 多路系统的调制分类方法、Beidas 和 Weber的一种针对 MFSK 信号的调制分类方法、Ta 的小波包分解方法和 Reichert 对基带通信信号复幅度进行非线性变换，利用谱线再生技术分类方法、胡延平等基于参数统计的调制分类方法、胡敏等利用信号的高阶统计量特征进行调制识别的方法等，在此不再一一列举。
统计模式识别方法主要优点有理论分析简单，提取的特征适应性较强，可用于多种类型的调制信号的识别，在高信噪比时，信号特征明显，易于提取，具有较好的识别性能。不足方面主要是特征值容易受到噪声的干扰，判决门限的选择对算法性能影响比较大。此外，相
发布评论