利用神经网络实现调制信号的自动识别

姜 莉

（四川信息职业技术学院，628000）

0 前言

自上个世纪末以来，信息科学技术迅猛发展，在社会各个领域得到越来越广泛的应用，而通信是信息产业中发展最为迅速、进步最快的行业。近年来，人们针对不同的调制信号提出了许多调制识别的思想和方法。早期的调制识别由于人工参与，存在很多人为因素，识别结果因人而异，识别种类也非常有限。

1 调制信号的自动识别综述

通信信号自动调制识别(Automatic Modulation Recognition)技术是近年来迅速发展起来的一门高新技术，随着现代通信和信号处理技术的突飞猛进，通信信号体制和调制样式日趋复杂和多样，它是信号分析领域的重要组成部分。

调制识别过程的基本框架包括三部分：信号预处理部分、特征提取部分和分类识别部分。信号预处理部分的主要功能是为后续处理提供合适的数据；特征提取部分是从输入的信号序列中提取对调制识别有用的信息；分类识别部分的主要功能是判断信号调制类型的从属关系。在一些调制识别中只使用模拟调制的方法，只使用数字调制方法，还有其它是数字与模拟方法都用到了。目前，在调制技术方面，模拟信号相对成熟一些，而在通信过程中对数据的处理又大多数要求数字化，数字调制也越来越受关注，出现了越来越多的针对数字调制信号的识别算法。

2 模拟信号

2.1 模拟信号的调制算法

当源信号是模拟信号且被改变的载波信号的参数也是连续变量时，即成为模拟调制。常见的模拟调制技术包括幅度调制（AM）、频率调制（FM）、相位调制（PM），以及将以上调制方法结合的复合调制技术和多级调制技术。

2.2 模拟调制信号的自动识别

信号正交变换,即是对模拟信号做模数转换后,用两个相互正交的载波对信号做下变频处理,然后得到两路信号。两路信号分别经过低通滤波后可以得到同相(I ,In p ha s e)分量和正交(Q, Qu ad rat u re )分量。进而通过相关算法对信号做相应的处理,得到信号的各类参数或者对信号进行解调等。采用人工神经网络可自动设定各种识别门限；对调制信号实现智能化识别,而且识别速度快,正确识别率高。采用多层前馈神经网络,网络的学习算法采用反传算法。假设网络有M 层，第0 层是输入层为理想输出是输入学习模式。网络各节点的净输入为，l=1,2,3....m，输出为，若=1 时为网络输入学习模式，其他情况是各节点输出是网络的实际输出。

图1. 模拟信号的识别流程

仿真结果：几种信号特征参数的值，这些值经过100 次平均。可以看出，P—var 对AM、DSB、CW 等信号的值都很小，接近0，而其它三种信号的值都接近0.2，因此，该新特征参数具有识别效果。

3 数字信号

3.1 数字信号的算法

目前，数字信号因其抗干扰能力强，差错可控，易加密，易于集成化处理等优势，已成为当代通信技术的主流。数字调制，就是把数字基带信号的频谱搬移至高频处，并形成适合在带通信道中传输的频带信号。数字调制信号的自动识别方法有许多种，如判决理论、人工神经网络、统计模式识别、谱检测应用和滤波器等，采用BP 神经网络量化共轭梯度算法，神经网络(ANN)结构简单(单隐层节点数为5，输出节点数为3)，收敛速度大大提高；采用RBF(径向基)神经网络，其收敛速度和分类能力更强，稳定性好；利用小波系数进行神经网络的训练，收敛速度也非常快，泛化性好。

人工神经网络(ANN)主要是利用计算机网络对生物神经网络进行模拟智能计算，发展至今已经有60 多年的历史了。

3.2 数字调制信号的自动识别

调制识别过程包括3 个部分：信号预处理部分，为后续处理提供合适的数据；特征提取部分，从数据中提取信号的时域特征或变换域特征；分类识别部分，判断信号调制类型的从属关系，即选择和确定合适的判决规则和分类器。针对常见数字调制方式识别的问题，经过多方面计算识别正确率达到99%以上，提高了可识别性。

4 多模式调节

4.1 多模式的调制原理

模拟数字混合信号算法使用统一的基于I／Q 正交双路的信号处理架构，如图l 所示，其中，设接收信号为其中，为已调信号；为的高斯白噪声。经过乘法器相乘之后的信号分别为和，经过低通滤波模拟数字混合信号器后的信号分别为和，为基带信号。

图2 基于I／Q 正交双路的信号处理架构

4.2 模拟数字调制信号的联合自动识别

图3 基于判决树的模拟数字混合调翻信号识别流程

调制方式识别的核心是提取和计算特征参数，最大限度上利用不同调制方式信号在时域和频域的区别可实现对信号调制方式的快速自动区分。共提出5 种识别参数来识别CW,FM，PM，FSK，PSK，AM，LSB，USB，ASK 和1 6QAM 信号。

识别流程如图3 所示。

为了验证各组参数的识别效果，对图2 所示的基于判决树的识别流程进行仿真。SNR 取0-20 dB，步进为2 dB，对每组信号做了100 次仿真实验，采样频率为100 MHz，模调制信号(cw 除#19 调制频率为100 kHz，调制指数均为1，数字调制信号的符号率为20 kHz，采样点数均为10 000 点。仿真中ASK 信号以2ASK为例，FSK 信号以2FSK 为例，PSK 信号以QPSK 为例，得到的识别结果如表1 所示。

表1 模拟混合调制信号识别结果

从表1 可以看出，在SNR 不小于6 dB 时，采用文中调制识别算法的平均正确识别率在94%以上。

5 小结

神经网络技术已经广泛应用于图像处理、信号处理、机器人技术、卫生保健、医疗、化工，以及数据挖掘、电力系统、军事、交通、气象、农业等各个方面。神经网络的信息处理和信息存贮能力是有机结合在一起的，将其应用于通信系统调制、解调处理中，可以在提高信息安全性、提高数据恢复率、提高信息处理速度等方面提供新的思路。

[1] 张鸣，数字调制信号的自动识别[J]，通信技术，2008.12

[2] 李伟，基于人工神经网络的数字调制信号的快速识别方法[J]，洛阳理工学院学报,2009.12

[3] 游伟,周先敏,模拟调制信号的自动调制识别[J],信号处理，2009.01