一种低复杂度的邻区MQAM调制方式盲识别算法

方圆驰， 胡蝶

(复旦大学 信息科学与工程学院，上海 200433)

一种低复杂度的邻区MQAM调制方式盲识别算法

方圆驰， 胡蝶

(复旦大学 信息科学与工程学院，上海 200433)

在多小区场景下，若要实现网络辅助干扰抵消(NAIC)，需要首先获取邻小区信息(例如邻小区使用的调制方式等)。由于通过信令传输的方式会导致较大的系统开销，因此邻区信息的盲识别成为了第三代合作伙伴计划(3GPP)工作组及学术界研究的方向之一。目前调制方式的识别方法大多以高阶累积量作为特征统计量来进行识别。这些方法由于复杂度高、效率不佳且工程上较难实现，因此很少应用于实际系统。考虑到长期演进系统采用了3种正交振幅调制方式(QAM)进行调制，分别是正交相移键控(QPSK)、16QAM和64QAM，提出了一种低复杂度的基于星座图功率阈值的MQAM调制方式盲识别算法。所提算法具有较低的复杂度和较高的识别率。

调制识别正交振幅调制(QAM)； 星座图功率； 长期演进

0 引言

在多小区环境下，获取邻区信息是多小区联合处理的重要步骤，例如获取发送端所使用的调制方式是终端解调接收数据8的前提。在LTE-A系统中，由于采用了链路自适应技术，也即系统会自动根据信道状况调整正交频分复用(OFDM，Orthogonal Frequency Division Multiplexing)符号的调制方式，因此获取发送端所采用的调制方式尤为重要。接收端获取邻小区发送信号调制方式的途径一般有两种，一种是相邻小区之间通过参数信令将使用的调制方式告知对方，另一种则是通过盲识别的方式进行检测。由于长期演进(LTE, Long Term Evolution)系统使用带宽较大而导致信道数数目较多，因此采用信令传输的方式会导致较大的系统开销。目前3GPP[1]和各通信公司都在探索后一种方式，也即调制方式盲识别方法在实际系统中的可行性。

调制方式的盲识别方法总体可以分为两类：基于决策论和基于统计模式的识别法。基于决策论的调制方式识别法[3～5]均能在贝叶斯最小误判代价准则下保证其分类效果最优。这些算法具有完备的理论基础，并且可以通过理论分析得到性能曲线[6]，但因其需要更多的先验知识且计算量过大，实际较少使用。在基于统计模式的调制方式识别法中，常用的分类特征[7]包括直方图特征[8][9]、统计矩特征和高阶累积量[10][11]、功率谱[12]、循环谱[13]、基于小波变换[14]等，使用的方法和工具不一而足。这类方法只需要较少的先验知识，具有识别性能较好、适用性广的优点。

针对MQAM调制方式的识别方法，特别是针对自适应OFDM子载波的MQAM调制方式识别，使用最多的特征参数是高阶累积量，例如文献[15]中利用2阶和4阶累积量计算所得的特征向量对{BPSK, QPSK, 16QAM}进行识别，性能较佳；文献[16]中冯祥等人利用子载波组样本的6阶和8阶累积量在快衰落信道下对五种调制方式进行了识别；文献[17]则利用模长恒定算法(Constant Modulus Algorithm)与高阶累积量相结合进行识别。对于单载波中的MQAM信号识别，方法更多，比如文献[18]提取星座图环带方差作为特征参数进行判决，文献[19]利用神经网络基于树的分类器进行调制方式识别。除此之外，还有基于星座图进行聚类的识别算法[20][21][22]，以聚类中心点数作为判断调制方式的特征，这种算法常用于MQAM调制方式的识别。

在实际应用场景下，由于手机终端的计算能力有限，因此需要使用低复杂度的调制方式识别算法。然而，目前较为常见的以高阶累积量、小波变换为核心的识别算法，都因复杂度过高，在工程上较难实现。受单载波系统调制方式识别中一些低复杂度算法的启发，本文提出一种针对OFDM系统的基于星座图功率阈值的MQAM调制识别算法。所提算法具有低复杂度、识别率高的特点，非常适合于实际应用。

本文内容安排如下：第2节为问题描述，第3节介绍本文所提算法，第4节对本文算法进行仿真，并与已有的基于星座图聚类的MQAM调制识别算法[53]进行比较，第6节为本文小结。

1 问题描述

考虑一个两小区的LTE-A系统下行链路。系统采用OFDM技术并假定一个OFDM符号中所有子载波都使用相同的调制方式。由于LTE-A系统采用的调制方式为QPSK, 16QAM和64QAM，因此本文只考虑这三种调制方式的识别。由于本小区的调制方式已知，因此本文的重点在于识别邻小区所采用的调制方式。假定接收信号中来自本小区的信号可以完全去除，信道的影响已经消除，且接收端信噪比(SNR, Signal Noise Ratio)已知，本文考虑的系统模型如式(1)。

Y(i)(k)=X(i)(k)+w(i)(k)

(1)

其中k=0,1,…,n，表示发送的OFDM符号的第k个子载波，Y(k)和X(k)分别表示发送和接收的频域信号，其中所有子载波均采用QPSK、16QAM或64QAM中的一种方式进行调制，每种调制方式的信号平均功率都归一化为1。w是加性高斯白噪声(AWGN, Additive White Gaussian Noise)，服从均值为0，方差为N0的复高斯分布。i表示接收的是第i个OFDM符号，如果接收3个OFDM符号，则i=1,2,3。在后面的仿真中将看到，接收的符号越多，识别的正确率越高。

2 基于星座图功率阈值的MQAM调制方式盲识别算法

由于QPSK、16QAM和64QAM这三种调制方式的平均功率被归一化为1，则它们功率的最大值分别为1,1.8和2.333。尽管三个最大功率值之间有较大差别，但直接提取功率值为识别算法的特征统计量的性能并不理想。为了提高算法性能，本文将功率大于某个功率阈值的数据点的比例P作为统计特征进行调制识别，即式(2)。

P=Nout/Nentire

(2)

其中Nout表示功率大于功率阈值的数据点个数，Nentire表示所考查的总的数据点个数。

为了能够放大所提取特征之间的差异，本算法将星座图分成不同区域，然后考察所选区域中的数据点，也即合理缩小Nentire，以保证不同调制方式下计算出来的比例值P有较大差别。区域的选取将影响算法的性能。本章在仿真部分对不同区域选取方案作了比较。仿真结果表明，选取的四个阴影部分区域，如图1所示。

图1 所提算法选取的特征区域

若没有噪声，则全部的QPSK星座点，1/4的16QAM星座点1/4的64QAM星座点将落在区域内。若选择合适的功率阈值，比如1.8，则QPSK、16QAM和64QAM对应的比例值P分别为0，1和1/4。由此可以看到，通过计算P值可以区分三种调制方式。在实际中，由于噪声的随机性，所以我们采用蒙特·卡罗法(Monte Carlo method)法仿真获得经验的功率阈值。不同信噪比下，不同功率阈值情况下P的取值，如图2所示。

图2中，x轴选取了1.5到3.5共26种功率阈值，对每个功率阈值都仿真10000次，然后将平均值作为最终结果。给定信噪比，我们选择3种调制方式的P值相差较大的时候对应的功率阈值，并将其作为实际识别时的功率阈值。通过分析图2，最后选定的功率阈值和判定门限，如表1所示。

表1 所提算法选定的功率阈值和判定门限

在实际识别时，所提算法首先计算给定区域内实际的P值，然后与门限值进行比较。当实际的P值小于等于门限1时，判决为QPSK调制；当在门限1与门限2之间时，判决为16QAM调制；当大于门限2时则判决为64QAM调制。

图2 不同信噪比下，超过功率阈值的数据点比例

本文所提算法流程总结如下：

基于星座图功率阈值的MQAM调制方式识别算法 步骤1:接收OFDM符号,其子载波使用MQAM调制。 步骤2:选择星座图中Re(X)>0.6172且lm(X)>0.6172的特征区域。 步骤3:根据信噪比确定功率阈值,并统计超出功率阈值的数据点比例。 步骤4:由表1的判决门限,判决确定信号使用的调制方式。

3 仿真与性能分析

在仿真中，每个OFDM符号有2048个子载波，每个子载波采用同样的调制方式进行调制，调制方式集合为{QPSK, 16QAM, 64QAM}，随机生成平均功率为1的MQAM调制符号；根据信噪比，生成功率为1的复高斯噪声，信噪比在5-20 dB之间。

本文首先利用接收的一个OFDM符号，仿真不同信噪比下所提算法对QPSK、16QAM和64QAM这3种调制方式的识别成功率，如图3所示。

(a) 所提算法识别性能

(b) 基于星座图聚类算法识别性能

仿真结果如图3(a)所示，从图3(a)中可以看到，当信噪比为5dB时，所提算法对16QAM和64QAM的识别率能达到65%，对QPSK调制方式的识别率则已接近99%；当信噪比提高到10 dB，所提算法的识别性能大幅提升，对3种调制方式都能达到85%及以上；当信噪比提高到15 dB以上时，所提算法可以达到接近100%的识别成功率。

作为对比，也仿真了文献[7]中所提的基于星座图聚类的MQAM调制识别算法，仿真结果，如图3(b)所示。由图3(b)可见，在低信噪比情况下，该算法对16QAM和64QAM的识别成功率较低。所提算法与之相比，在信噪比为5 dB时，QPSK调制方式的识别率提高了一倍以上，16QAM和64QAM调制方式的识别率也分别有10%至25%左右的提升；当信噪比达到10 dB时，所提算法相较文献[7]的算法亦有30%的提高。值得一提的是，除了识别率上的提高，所提算法在计算复杂度上也远比文献7的算法低。

本文还考察了不同区域划分方法和区域划分范围对所提算法性能的影响。除了所提算法中的方案，本文还设计了四种不同方案，如图4所示。

(a)

(b)

(c)

(d)

其他仿真参数与之前相同。其中，图4(a)和图4(b)用于测试不同区域划分方案对算法性能的影响，而图4(c)和图4(d)则用于测试区域划分范围大小对性能的影响，选定的区域为实部和虚部的绝对值分别0.9487和0.7715的区域。

图4所示不同区域划分方案下，其仿真得到的识别性能如下，其中图4(a)和图(b)与图3(a)得到的性能表现相比，由于判决门限之间的差距变小，算法在性能上会有5%-10%的下降。即使当信噪比为15 dB时，两种方案也都未达到100%的识别率。而图4(c)中进一步缩小区域范围时，在较低信噪比下与所提方案性能相近，但当信噪比为15 dB时，特定区域选择过小使得区域内QPSK和16QAM数量大幅下降，致使QPSK的识别率出现了下降。可以想见当所选区域进一步缩小，如选择实部和虚部的绝对值均大于1.080 1的区域时，高信噪比下QPSK和16QAM将均没有数据点落在区域内，因此算法将无法识别两者。所以选择区域的过度缩小，将导致算法在高信噪比的情况下性能有所下降。而当所选区域增大，比如图4(d)的情况下，由于落在区域内16QAM和64QAM的数据点比例不同以及判决门限差值缩小，也将导致算法在低信噪比情况下性能的下降，例如对16QAM和64QAM在信噪比为5 dB的情况下，相较图4，图5有10%左右的性能损失，如图5所示。

(a) 图4(a)所示方案下的性能

(b) 图4(b)所示方案下的性能

(c) 图4(c)所示方案下的算法性能

(d) 图4(d)所示方案下的算法性能

最后测试了接收的OFDM符号个数对识别性能的影响。基于两个和3个OFDM符号的识别性能,如图6所示。

(a) 基于2个OFDM符号的识别性能

(b) 基于3个OFDM符号的识别性能

从仿真结果可以看到，随着OFDM符号个数的增加，识别性能也随之提高，例如当基于3个OFDM符号时，信噪比为10 dB下的16QAM和64QAM的识别率均超过95%。事实上，随着符号数的增加，计算出来的比例值将越来越接近由蒙特卡洛仿真得到的结果，因此接收的符号数越多，识别率越高。

4 总结

由于现有的大多数调制方式盲识别算法的计算复杂度太高，实际难以应用，因此本文针对OFDM系统研究了低复杂度的MQAM调制方式盲识别算法。本文提出了一种基于星座图功率阈值的盲识别算法。所提算法首先对星座图进行区域划分，然后统计目标区域中功率超过功率阈值的数据点个数，并计算这些数据所占所选区域数据总数的比例，接着将该计算的比例值与门限值进行对比，实现对调制方式的识别。仿真结果表明，通过合理选择区域和门限，算法可以获得较高的识别率。与已有的基于星座图聚类的算法相比，所提算法具有更低的复杂度和更高的识别率。

[1] 3GPP (TR 36.866 V12.0.1)[S]// Study on Network-Assisted Interference Cancellation and Suppression (NAIC) for LTE. 2014,12.

[2] Wei W, Mendel J M. Maximum-likelihood classification for digital amplitude-phase modulations[J]. IEEE Transactions on Communications, 2000, 48(2):189-193.

[3] Polydoros A, Kim K. On the detection and classification of quadrature digital modulations in broad-band noise[J]. IEEE Transactions on Communications, 1990, 38(3):199-207.

[4] 鲍丹. 非理想条件下的调制分类问题[D]. 西安:西安电子科技大学, 2007:

[5] Fontes A I R, Pasa L A, De Sousa V A, et al. Automatic Modulation Classification Using Information Theoretic Similarity Measures[C]. Vehicular Technology Conference (VTC Fall), 2012 IEEE. IEEE, 2012:1-5.

[6] Shen Y, Luo T, Win M Z. Neighboring Cell Search for LTE Systems[J]. IEEE Transactions on Wireless Communications, 2012, 11(11):0908-919.

[7] 王长宇. 数字信号调制方式盲识别的研究[D]. 哈尔滨:哈尔滨工业大学, 2006:

[8] Nandi A K, Azzouz E E. Algorithms for automatic recognition of communication signals[J]. Biulleten Eksperimental Biologii I Meditsiny, 1954, 37(7):23-35.

[9] Liedtke F F. Computer simulation of an automatic classification procedure for digitally modulated communication signals with unknown parameters[J]. Signal Processing, 1984, 6(4):311-323.

[10] Lopatka J, Pedzisz M. Automatic modulation classification using statistical moments and a fuzzy classifier[C]. Signal Processing Proceedings, 2000. WCCC-ICSP 2000. 5th International Conference on. IEEE, 2000:5841-5847.

[11] Swami A, Sadler B M. Hierarchical Digital Modulation Classification Using Cumulants[J]. IEEE Transactions on Communications, 2000, 48(3):416-429.

[12] Desimio M P, Prescott G E. Adaptive generation of decision functions for classification of digitally modulated signals[C]. Aerospace and Electronics Conference, 1988. NAECON 1988., Proceedings of the IEEE 1988 National. 1988(3):1010-1014.

[13] Gardner W A, Spooner C M. Cyclic spectral analysis for signal detection and modulation recognition[C]. Military Communications Conference, IEEE, 1988(2):419-424.

[14] Maliatsos K, Vassaki S, Constantinou P. Interclass and intraclass modulation recognition using the wavelet transform[C]. IEEE 18th International Symposium on Personal, Indoor and Mobile Radio Communications, IEEE, 2007:1-5.

[15] 韩钢, 李建东, 李长乐. 自适应OFDM中信号盲检测技术[J]. 西安电子科技大学学报:自然科学版, 2006, 33(4):602-606.

[16] 冯祥, 李建东. 自适应OFDM系统中调制识别算法研究[J]. 系统工程与电子技术, 2005, 27(8):1325-1328.

[17] 宋成森. 数字通信信号调制方式识别与参数估计[D]. 杭州:浙江大学, 2006:

[18] Hatzichristos G, Fargues M P. A hierarchical approach to the classification of digital modulation types in multipath environments[C]. Conference 11th Asilomar Conference on Circuits, Systems and Computers, 1977(2):1494-1498.

[19] Stevens B. Classification of digital constellations under unknown multipath propagation conditions[J]. Proceedings of SPIE-The International Society for Optical Engineering, 2000, 75:175-186.

[20] 何江. 数字信号调制方式的识别[D]. 南京:南京邮电大学, 2013:

[21] 袁莹莹. 多径衰落环境下高阶QAM信号调制识别算法研究[D]. 北京:北京理工大学, 2015:

[22] 张宏苏. 通信信号的调制识别技术综述[J]. 科技资讯, 2007(20):3-4.

A Low Complexity Algorithm for Blind Identification of MQAM Modulation from Adjacent Cell

Fang Yuanchi,Hu Die

(School of Information Science and Technology,Fudan University,Shanghai 200433,China)

Under multi-cell scenario, the target cell should obtain the information of the neighbor cells including the modulation classification before the process of network-assisted interference cancellation. Because achieving the neighbor cells’ information through signaling methods would result in a larger system overhead, the blind identification has become one of the most concerning problem to the third generation partnership project (3GPP) and the communication companies. Most of the research in modulation classification based on higher order cumulant as a statistic feature to do the identifying job, while this method is rarely applied to practical system because of its high complexity, inefficiency and difficulty in engineering. Considering the LTE system adopts QPSK, 16QAM and 64QAM as the modulation methods, this paper proposes an MQAM classification algorithm based on the power of the data points in constellation graphic, which is effective even in low SNR scenario through the simulation result.

Modulation classification; Quadrature amplitude modulation(QAM); Constellation graphic; Power; Long term evolution(LTE)

国家自然科学基金(61540026)

方圆驰(1991-)，男，上海人，硕士研究生，研究方向：无线通信技术，上海基地200433

胡 蝶(1979-)，女，副教授，研究方向：通信信号处理、OFDM、大规模MIMO、5G等，上海 200433

1007-757X(2017)02-0014-05

TP311

A

2016.05.18)