瑞利衰落信道下基于USRP的实测信号识别算法

李 佩，王 伟

（1.中国人民解放军陆军工程大学，江苏 南京 210007；2.江苏华红科教投资集团有限公司，江苏 南京 210007）

0 引 言

调制信号识别是信号正确解调的关键技术之一，在非协作通信应用中发挥了重要作用。近几年，调制信号识别研究主要集中在基于特征提取和深度学习方面。基于特征提取的识别方法简单方便，实时性高，但受信道环境及噪声的影响较大；基于深度学习的识别方法具有区分能力强，识别率高等优点，但需要大量的已标注数据集支撑且计算复杂度高。文献[1]利用八阶累积量特征解决六阶累积量特征参数无法识别16PSK信号的问题，实现了6种调相信号的识别。文献[2]利用信号的瞬时特征参数和高阶累积量特征参数，实现了扩频信号和常规调制信号的识别。文献[3]提出了一种可部署于资源受限边缘设备上的高效智能电磁信号识别模型，该模型在运行时间、模型大小以及识别准确率上具有不同程度的提升。文献[4]将调制信号转换为星座图并经过处理得到灰度图像、增强灰度图像以及三通道图像，使用训练后的卷积神经网络对其进行识别，该方法可以有效对8种调制信号进行分类。

上述研究都是在理想高斯噪声信道环境下进行，对衰落信道下的调制信号识别研究较少。文献[5]提出了一种基于高阶累积量和DNN模型的井下信号识别方法，在Nakagami-m衰落信道下有出色的调制识别性能。文献[6]利用信号的四阶累积量作为特征参量，研究了低信噪比下的调制识别率。文献[7]分析了衰落信道对四阶累积量的影响，并利用支持向量机的方法实现信号识别。文献[8]针对瑞利衰落信道下调制信号识别进行研究，提出基于高阶累积量比值的方法完成3种MQAM信号的识别。文献[9]提出了一种基于高阶累积量组合的调制识别方法，在瑞利信道下能够实现OFDM信号与常见单载波信号类间识别及不同阶数之间的单载波信号类内识别。文献[5-7]使用基于高阶累积量的特征参数需要已知发送信号功率的大小，从而确定其理论值并以此设置阈值进行判决分类。然而在实际非协作通信中，发送信号经过信道和噪声的影响发生了较大的变化。接收端通过信道参数估计处理后得到的信号功率存在一定误差，如果简单利用信号功率归一化后的特征参数理论值进行不同调制信号的分类，必将对识别性能造成较大影响。此外，文献[7-9]针对平坦瑞利衰落信道展开研究，在理论分析和算法设计中均假设监测时间内接收信号经过遍历瑞利信道。这在实际应用中将导致监测时间过长，严重影响调制识别的实时性。

本文针对上述文献中存在的问题，研究了平坦瑞利衰落信道下基于高阶累积量的4QAM、16QAM、32QAM和64QAM四种调制信号的识别分类。首先计算瑞利衰落信道下MQAM信号各阶累积量的理论值，采用各阶累积量比值的方法作为特征参数对信号进行分类，消除了发送功率和信道系数未知带来的影响，并分析不同特征参数和符号数下的信号识别性能。仿真结果表明，联合特征参数可以结合单特征参数的优点，达到提升整体信号识别性能的目的。本文进一步利用软硬件结合的方式，在实际信道环境中对算法进行验证。实验结果表明，当信噪比为10 dB时，信号平均识别率接近90%，故具有一定的实用价值。

1 信号模型和高阶累积量理论

表1 4种MQAM信号的累积量理论值

在非协作通信中，由于接收信号的数据长度有限，因此只能通过有限长的数据来估计出信号的高阶累积量，如式（4）所示：

2 特征提取和决策分类

根据准静态平坦瑞利衰落信道的传输特性，本文中假设接收端在一次信号监测时间内信道系数不变。在表1的基础上，可以计算出平坦瑞利衰落信道下每个接收时间间隔内信号各阶累积量的理论值。以4QAM信号为例，其二阶累积量为：

式中：表示接收信号的二阶累积量；表示接收信号的二阶矩；表示信道系数，服从瑞利分布；表示高斯白噪声的方差；为信号平均功率。

2.1 单特征参数的信号识别分类

为消除信号平均功率、相位偏差Δ和未知信道系数带来的影响，采用各阶累积量比值的方法构造特征参数。根据4QAM、16QAM、32QAM和64QAM信号的各阶累积量理论值，分析后构造出如下3个特征参数：

理论上，特征参数和可以完全消除高斯白噪声的影响。实际信号处理中，由于接收信号的符号数有限，计算信号高阶累积量时会存在一定的误差。当累积量阶数越高或者信噪比越低时，产生的误差就越大。4种MQAM信号的特征参数理论值见表2所列。

表2 4种MQAM信号的特征参数理论值

根据计算得到的特征参数理论值，阈值的确定采取相邻特征参数求平均的方法。例如特征参数的3个阈值分别为：th=(1+0.68)/2≈0.84，th=(0.68+0.619)/2≈0.65和th=(0.619+0.19)/2≈0.41，同理可得特征参数的阈值th=332.5，th=14.9和th=13.7以及特征参数的阈值th=44.5，th=32.1和th=30.1。

2.2 联合特征参数的信号识别分类

由于单个特征参数在识别性能上存在局限性，提出联合特征参数的方法进行信号识别。利用特征参数和形成联合特征参数，记为+。结合不同特征参数的优点，期望整体识别性能有所提高。联合特征参数的阈值沿用各单特征参数确定的阈值，具体信号识别流程如图1所示。

图1 联合特征参数f1+f3的信号识别流程

2.3 算法仿真与性能分析

采用MATLAB软件进行仿真，随机产生长度为的符号序列，噪声为零均值高斯白噪声。在平坦瑞利衰落信道下分别利用3个单特征参数和联合特征参数+识别4种MQAM信号，分析不同特征参数的识别性能以及符号数对信号识别性能的影响。

2.4 不同特征参数的信号识别性能对比

图2是利用不同特征参数下4种MQAM信号的平均识别性能对比图。实验中假设接收符号数=5 000，对各特征参数分别进行1 000次蒙特卡洛实验。从图中可以看出，随着信噪比的提高，不同特征参数的信号识别性能也在提升并逐渐收敛。高信噪比条件下，特征参数以及联合特征参数+的信号识别率超95%，明显优于特征参数和的信号识别性能。低信噪比条件下，联合特征参数+的信号识别性能十分接近特征参数的信号识别性能，远优于特征参数的信号识别性能。

图2 不同特征参数下4种MQAM信号的平均识别性能对比

通过分析得出结论：联合特征参数能够结合不同单特征参数的优点，较好地弥补单特征参数在识别性能上存在的局限性，达到提升MQAM信号平均识别性能的目的。

2.5 不同符号数下的信号识别性能对比

图3比较了联合特征参数+在不同符号数下的识别性能。实验中假设接收符号数=500, 1 000, 5 000和10 000，分别进行1 000次蒙特卡洛实验。从图中可以看出，在相同正确识别率前提下，符号数越大，算法的信噪比适应能力越强。当符号数=5 000、信噪比大小为11 dB时，4种信号的平均识别率达90%。因此在实际应用中，可以通过增加接收符号数的方法弥补接收信号信噪比较低带来的不足。

图3 不同符号数下4种MQAM信号的平均识别性能对比

3 基于USRP的数字调制信号自动识别方案实现及性能分析

为了在真实信道环境中验证上述方案的可行性，本文进一步利用LabVIEW平台和软件无线电设备NI USRP-2920搭建调制信号识别系统，实测基于高阶累积量的数字调制自动识别方案的性能。识别系统实物如图4所示。

图4 调制信号识别系统实物

调制信号识别系统由信号源子系统、射频信号收发子系统及特征参数提取和分类器识别子系统构成。以16QAM信号的生成为例，如图5所示。利用Random Number.vi模块随机生成符号序列，设置Filter Coefficients.vi模块中调制类型、脉冲成型滤波器以及每个符号的采样数等参数。将符号序列、系统参数和符号速率等参数输入Modulate QAM.vi模块，将输出的复基带信号（IQ数据）上变频到带通信号。

图5 16QAM信号生成示意图

利用LabVIEW自带的调制工具包产生调制信号，通过两台USRP对生成的调制信号进行发送和接收。本实验设置IQ速率为1 MHz，载波频率为900 MHz，天线增益为15 dB，噪声为加性高斯白噪声和设备自身产生的底噪。发送端主要用到的内置函数库有Open Tx Session.vi、Configure Signal.vi、Write Tx Data（poly）.vi和 Close Session.vi。接收端天线接收到发送端传来的信号后，经过模数转换、下变频等处理得到IQ数据。接收端主要用到的内置函数库有Open Rx Session.vi、Configure Signal.vi、Initiate.vi、Fetch Rx Data.vi和Close Session.vi，这里不再展示。

将接收到的信号数据利用本文算法进行识别，识别结果见表3所列。从表3中可以看出，基于USRP的实测信号识别性能与基于MATLAB的仿真信号识别性能非常接近。当信噪比为10 dB时，信号平均识别率接近90%，表明本算法对实际信道环境下的信号识别具有较好的适用性。

表3 基于USRP实测信号数据的识别性能

4 结 语

本文首先阐述和分析了平坦瑞利衰落信道下基于高阶累积量进行调制识别的原理，利用各阶累积量比值的方法构造出3个单特征参数和1个联合特征参数，实现了4种MQAM信号的识别，并分析了不同条件下算法的识别性能。利用软硬件结合的方式，在实际信道环境中对本文算法进行验证。实验结果表明，本文算法对实际信道环境下的信号识别具有较好的适用性。