基于功能的数字调制识别使用压缩采样

文摘

压缩传感理论可以应用于重建信号与测量的数量远远少于通常被认为是必要的,而在很多情况下,如频谱检测和调制识别,我们只希望获得有用的特征,而不是原始的信号,在选择稀疏的特性成为面临的主要挑战。数字调制识别的目的,本文主要构造两个特性,可以直接从压缩样本中恢复过来。这两个功能是接收的数据的光谱及其非线性变换和多个高阶的成分特征的时刻接收到的数据;他们两人从次级样本所需的所需的稀疏重建。识别多个频移键控,多个相移键控,和多个正交调幅被认为是在我们的纸上,实现一个统一的过程。仿真表明两个识别特性可以有效地工作在数字调制识别,即使在相对较低的信噪比。

1。介绍

不断增长的数据量传输通过移动通信网络和用户的需求增加数据速率导致移动通信系统的快速发展。未来的第五代(5克)无线通信往往达到显著的突破数据速率和频谱效率(1]。与大数据需求规模和高数据率,迫切需要丰富的频谱资源。然而,大多数低于2 g频谱资源固定被其他行业,尽管他们还没有被充分的利用。考虑这一点,在移动通信网络中频谱感知的目的是共享频谱资源与其他行业,而不干扰他们的正常操作。此外,频谱感知也可以应用于协调公共资源,这是一个革命性的变化的固定频谱分配系统2]。

频谱感知的重排功能需要和调制识别可以提供可靠的参数,数字调制识别是非常重要的在整个系统3]。数字调制识别的目的是确定一个未知的数字通信信号的调制格式。调制分类、两个一般类的古典方法存在:分别基于可能性和基于特征的方法(4,5]。基于似然函数接收的数字信号,前者方法决定通过比较的似然比阈值。在基于功能特性的方法,一些特性通常选择和共同决定。

然而,在传统的传感过程中,两种方法都是基于Shannon-Nyquist抽样定理和数据处理规模可以用一个非常巨大的宽频带尤其是在合作网络。这些年来,研究人员将压缩感知(CS),它可以解决这个问题引起的高采样率Shannon-Nyquist抽样定理。宣布,如果信号稀疏表示在一个固定的基础上,我们可以重建信号的稀疏域通过求解一个优化算法,利用采样远远少于原始信号的维度,和原始信号可以通过一个简单的矩阵操作(6,7]。

在许多CS条件,我们希望获得一些信号特征而不是恢复原始信号,自重构信号允许许多额外的操作,从而导致更高的时间和空间复杂性。研究人员已经进行了许多相关的有价值的工作在重建信号特征基于CS (8,9]。灵感来自这些研究,我们专门寻找识别特性,可以用于数字调制识别,同时稀疏,这意味着他们可以直接通过压缩重构样本。

在本文中,我们提出一个基于CS数字调制识别的基于功能的方法。我们构造两个识别特性和直接使用压缩样本恢复它们,无需恢复原始信号。一个识别功能是接收的数据的光谱及其非线性变换,基于提出的功能(10),另一个是接收的数据的多个高阶的时刻组成的特点。这两个特性可以用来识别各种调制模式,而且,在这篇文章中,我们只关注多个频移键控(MFSK),多个相移键控(MPSK)和多个正交幅度调制(MQAM)。将进行模拟表明,我们的方法可以有效的性能可靠,较低的复杂度和抗噪声性能比传统的(11,12]。

本文的其余部分组织如下。部分2将整个工作,系统模型采用的信号模型和压缩传感模型。节3,我们构造两个识别特性和分析稀疏。节4,我们构建识别特性和压缩样本之间的线性关系,给经济复苏方法的简要介绍。然后,整个识别流程图将部分所示5。模拟和分析存在于部分6。最后,我们得出结论部分7。

2。系统模型

2.1。信号模型

在频谱感知的情况下,我们假设一个宽带接收信号的调制模式: 在哪里代表接收信号的振幅,代表符号,代表了脉冲整形低通滤波器的脉冲响应,我们选择矩形脉冲,和代表了加性高斯白噪声(AWGN)。在整个过程中,定时偏移和载波偏移量都是假定为零,和的形式选择如下: 在哪里和分别代表选择调制的载波频率和秩序模式,是载波间距,和是一组离散的水平。值得注意的是,没有必要MFSK的脉冲整形,而为了统一表单(1),我们认为在MFSK 1,也不会影响它的使用。

2.2。压缩采样模型

根据CS理论,压缩采样过程可以建模分析 在哪里是采样向量长度的接收信号速度不低于奈奎斯特采样率。代表了二次抽样测量。是一个真正价值测量矩阵的大小符合限制等容地产(RIP),如高斯矩阵,局部傅里叶变换矩阵,或其他人。为了重建信号的部分4所示。1,我们采用一种特殊的测量矩阵,用“1”的值随机位于每一行和其他元素为零。由于随机选择的行元素,矩阵满足RIP要求以及高斯矩阵。此外,矩阵的两值的属性可以极大地简化矩阵运算,可以建立线性关系的非线性压缩样本重建目标。

对调制信号的基础上进行分类首先,我们将建立之间的线性关系然后重建和识别功能特性直接与压缩样本通过求解一个优化算法,将被用来做数字调制识别。

3所示。识别功能的建设

准确实现的目标分类调制类型,识别特性应该选择与区分每个调制类型首先细节。其次,识别应该期望的稀疏特性,为了被压缩样本构造基于计算机科学的理论。根据这两个需求,我们提出并构造以下两个识别功能。

3.1。功能1:信号的频谱th动力非线性变换

指的是(9),我们计算接收信号的力量;也就是说, 在哪里()。在下面,它将显示特定的光谱功率信号电平的顺序介绍了识别的字符为某些调制类型和订单。是噪音引起的非线性变换的。

然后,我们计算的光谱,表示为,从0到一个更大的数字。我们有以下的关系: 在哪里代表了分传输线矩阵。

对不同类型的调制模式,结果有很大的不同,可以用来做识别,我们称之为功能下面的光谱特性。

显示,MFSK (1)和(2),它的频谱可以计算如下: 在哪里代表脉冲函数。显然,有冲动MFSK的光谱,这些冲动只是对应订单的数量。作为对比,MPSK的光谱可以给出如下: 在哪里代表卷积操作。的光谱MPSK出来是一个正弦函数单调递减,没有冲动。光谱的计算过程MQAM MPSK类似,和他们的后果也相似。图1显示了不同调制类型的结果。从(a)和(b),我们可以看到有明显的MFSK冲动,就像我们在理论上分析,完全不同于,在(c)和(d),分别代表MPSK的结果和MQAM。也就是说,我们可以分辨别人的MFSK信号的频谱,和脉冲的数量表明MFSK的顺序。

对MPSK,当, 的表情,我们可以看到,在这种情况下没有冲动。然而,当, 为,我们选择矩形滤波器。自,变成一个常数,它的傅里叶变换是一种冲动。在此基础上,我们比较的结果,,,,指图2。可以看出,脉冲首先出现在,小到大不同,可用于确定MPSK的顺序。

至于MQAM,由于相似的信号星座、MQAM的性质与正交相移编码类似,如图所示3。它可以很容易地看到,脉冲首先出现在,它与特定的顺序没有关系。

这个功能是成反比的稀疏代表信号以及传输线的长度大小,条件是出现的冲动。

总之,剩下的唯一问题是区分正交相移编码和MQAM。因此,我们构建的另一个特点。

3.2。功能2:信号的多个高阶时刻的组合

数字调制的通信信号混合订单的时刻被定义为(6),在零延迟向量(10]: 的上标表示接合,意味着计算平均值。

在我们的系统模型中,我们打算收购和作为识别参数,我们称之为高阶矩特性。

与载体,符号在数字信号可以被视为点信号星座(13,14]。自点数字信号的线性调节概率相等,当数据规模足够大,我们可以使用点的信号星座来计算的理论价值和,如表1所示。

指表1,不同调制格式的不同理论时间相比的平方值。

我们定义识别特征在

我们正交相移编码和16 qam为例。根据(11),理论价值正交相移编码和16 qam,分别是1和0.68。如果我们把识别的特点一个信号,我们可以通过比较识别调制格式用一个合适的阈值决定。

由于高阶矩是一种统计数据,我们需要样品好几次了。然后,获得和,我们构造矩阵如下: 在哪里代表共轭转置,代表转置,栈的一个矩阵的列向量。为矩阵的元素、列,是 ,元素的信号吗。当、意义对角元素的值是相等的基于高阶的定义时刻。然而,当,出来的值为零的uncorrelation符号之间的信号。为,对应于th元素。当的关系对应于th元素。根据(10),是所需的值,所以th对角元素的等于。其他元素为零uncorrelation符号之间的信号。的理论数据和如图所示4。

很明显,和在图4是稀疏的。为,所有对角元素都是零,这意味着稀疏度。为,th元素非零,这意味着的稀疏程度吗。

4所示。复苏的识别特性与压缩样本

在本节中,我们介绍恢复两个识别特征的方法基于CS。我们首先建立线性压缩样本和定义的特性之间的关系,然后给出一个简要介绍重建算法和实际测量矩阵的选择策略。

4.1。线性压缩样本和识别特性之间的关系

以下4.4.1。线性压缩样本和频谱特性之间的关系

这是很明显的信号是一个非线性变换的力量。得到线性压缩样本和信号的频谱之间的关系th动力非线性变换,我们选择的特殊测量矩阵提出了部分2。根据这个特定形式矩阵的性质,我们可以很容易的得到以下关系基础上3): 和是1的测量矩阵特性。然后,指的是(5),我们得到 在哪里是我们需要的传感矩阵。

4.1.2。线性压缩样本和高阶矩特性之间的关系

抽样矩阵识别功能,可以选择任何一个只要满足限制等容财产(RIP):(我) :根据(3)和转置的本质,我们得到以下的关系,代表的测量矩阵: 以双方的平均值: 我们使用代表,同时参考(12),然后得到的 接下来,我们应用属性变换(19)(20.)。值得注意的是,,因为是一个真正的价值矩阵: 在哪里可以被视为传感矩阵,的规模。(2) :自从稀疏度比这更少的测量,信号所需的尺寸和规模也可以很低。我们代表的测量作为的,而唯一的区别是一个维度。类似于(17),有 然后,根据,我们可以将二维关系转换为一维关系: 我们可以获得 以双方的平均值: 基于(13),我们得到的关系: 在哪里表示。然后我们有 在哪里是传感矩阵。

4.2。重建的识别功能

,,由采样值可以计算吗。测量与传感矩阵和向量,稀疏向量的重建可以被看作是信号恢复问题,解决np难度问题如下,作为一个例子: 这可以转化为一个线性规划问题: 被称为标准最小二乘的编程问题,证明了凸,存在唯一的最优解。是一个标量加权平衡解决方案的稀疏引发的吗规范术语和重建误差反映的数据规范LS。

节4所示。1,我们已经提到了利用测量矩阵恢复三个识别特征,,,分别。然而,实际上,只有使用随着压缩测量可能满足要求的所有功能恢复。原因在于,和不同的维度,但都是把房地产的设计约束。从另一个方面,构建的主要需求矩阵也把条件。

5。调制识别的识别功能

收到了MFSK通信信号调制,MPSK、或MQAM,我们首先得到压缩样本使用测量矩阵出现在部分2。在这个过程中,由于不同的稀疏分析部分3,各种功能可以申请各种长度的信号,这可以根据实际情况决定。根据上面提出的方法,可以很容易地获得识别特性。然后,我们可以识别调制格式有效指的流程图如图5在下面列出,具体步骤。

步骤1。当重建光谱特性与压缩样本。如果有脉冲的频谱恢复,可以确定为MFSK调制模式,和冲动的数量显示的顺序。然而,如果没有脉冲的特性,通信信号被MPSK调制MQAM,然后一步2应该进行的。

步骤2。当重建光谱特性与压缩样本,观察的价值当脉冲首先出现。如果当脉冲出现时,可以被视为正交相移编码或MQAM调制模式,然后我们去一步3。然而,如果脉冲出现的时候,由MPSK信号调制和这个值的顺序。

步骤3。重建和信号的压缩样本,得到对角线的平均值和然后分别计算基于(11)。比较计算边界值见表1并确定调制类型。

6。数值结果

本节介绍了基于特征识别方法的仿真结果。我们首先生成一个流由MPSK信号的调制,MFSK或MQAM。所有的信号共享相同的比特率kbit / s和载波频率kHz和MFSK的载波间距kHz。两个提议特性,观察时间不同,因为数据量所需的两个特征都是不同的。重建的性能密切相关的信噪比(信噪比),这是在我们的仿真设置为一个变量,和模拟在每一个信噪比进行了500次。

正如上面提到的,我们需要获取的信息特性1是是否有冲动和他们的数量,而不是准确的数值。因此,我们应用正确检出率脉冲的性能评估重建的频谱特性,如图所示6。我们决定阈值等于最大三分之二的重建价值,如果没有其他值大于阈值,最大的价值将被视为冲动。在这种情况下,压缩比是设置为0.3,这意味着。我们计算MFSK信号的检出率,BPSK,正交相移编码和MQAM在,8相移键控,分别。很明显,检出率差别很大。原因在于,th的信号是非线性变换,即均匀分布噪声放大,放大延伸的程度的增加。因此,冲动的检出率是最差的一个。

图7显示了均方误差(MSE) 2对理论的重构特性。也就是说,

我们给重建的MSE和分别与压缩比选为0.3和0.45。从图7,我们可以看到重建的性能压缩率密切相关,而重建的性能相对完美的即使在低压缩比。此外,我们可以很容易地得出这样一个结论,当压缩比例是合适的,特征2的精度足够高,只要信噪比高于10 dB。

图8显示了不同调制模式的正确分类率相对较低的信噪比。正确分类的差异来自于重建的各种性能特性,如图6和7。MFSK具有较高的识别率,比即使在信噪比=−6 dB。MPSK的正确识别率下降增加。然而,对于QPSK和MQAM,性能有很大的不同,我们给出以下分析。

根据(14),这一事实的信号和噪声和信号是相同的值,所以错误的主要原因来自。

至于,我们有以下证据说明在嘈杂的条件和噪声值的变化情况。来描述这很明显,,,分别是用于替换吗而在以下条件的信号,噪声,噪声和信号的混合:

是零均值随机测量噪声和高斯分布,这是独立于。根据期望的性质,我们知道

因此,我们可以获得以下关系: 意义是信号功率和噪声功率的总和。

从(11)和(27),我们可以获得的理论之间的关系和实际: 在哪里表示噪声能力和表示信号功率。

综上所述,添加噪声的权力,因此,识别参数变得越来越小;因此,正交相移编码可能被视为16 qam。因此,16 qam的正确识别率远高于正交相移编码时信噪比低于10 dB,如图8。

7所示。结论

解决问题的高采样率的数字调制识别光谱传感,我们提出了一个基于特征的方法来识别数字调制通信信号的调制格式使用压缩样本,基于CS大大降低了采样率。两个特性构造在我们的方法中,其中一个是信号的频谱th动力非线性变换,另一个是组成的多个高阶时刻信号,与期望的稀疏。通过这两个特性,我们应用合适的测量矩阵和建造它们指的是线性关系。该方法成功地避免了重建原始信号,并使用直接对信号进行分类识别功能,有效减少算法复杂度。模拟显示,正确识别利率不同调制类型不同但都是相对理想的即使在嘈杂的场景。在实际情况下,该方法可以分解需求,针对变量,为进一步工作,我们倾向于不断提高整个方法的性能,特别是在正交相移编码的分类和MQAM噪声消除。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了中国国家自然科学基金,资助61271181和61271181下,与中国的合作项目西南研究所的电子和通信技术。

引用

1. h . Bogucka p Kryszkiewicz,公里,“未来5 g通信、动态频谱聚合”IEEE通讯杂志,53卷,不。5,35-43,2015页。视图:出版商的网站|谷歌学术搜索
2. t . Irnich j . Kronander, y Selen“频谱共享场景和由此产生的技术要求5 g系统”IEEE学报》24日个人国际研讨会,室内和移动无线电通信(PIMRC研讨会”13)IEEE,页127 - 132年,伦敦,英国,2013年9月。视图:谷歌学术搜索
3. s . Fengpan压缩传感的调制分类研究认知无线电宁波大学,2013。
4. o . a . Dobre a . Abdi y Bar-Ness,和w·苏”的调查自动调制分类技术:经典方法和新趋势,”专业的沟通,1卷,不。2、137 - 156年,2007页。视图:出版商的网站|谷歌学术搜索
5. f . Wang和x王”,通过Kolmogorov-Smirnov快速、健壮的调制分类测试”,IEEE通信,卷。58岁的没有。8,2324 - 2332年,2010页。视图:出版商的网站|谷歌学术搜索
6. e .萤石,“压缩采样、”国际数学家大会的程序,3卷,第1452 - 1433页,马德里,西班牙,2006年。视图:谷歌学术搜索
7. e . j .萤石和m . b . Wakin介绍压缩采样,”IEEE信号处理杂志,25卷,不。2、21 - 30,2008页。视图:谷歌学术搜索
8. z田、y Tafesse和b·m·萨德勒”循环特征检测与sub-nyquist抽样宽带频谱感知,“IEEE杂志在信号处理所选主题》第六卷,没有。1,58 - 69、2012页。视图:出版商的网站|谷歌学术搜索
9. l .周和h .男人,“分布式自动调制分类基于循环通过压缩传感特性,”《IEEE军事通信会议(亚13)IEEE,页降价,圣地亚哥,加利福尼亚州,美国,2013年11月。视图:出版商的网站|谷歌学术搜索
10. j . Reichert“通信信号自动分类使用高阶统计,”《IEEE国际会议音响、演讲和信号处理(ICASSP ' 92)5卷,第224 - 221页,1992年3月旧金山,加州,美国。视图:出版商的网站|谷歌学术搜索
11. 诉Orlić和m . l . Dukić”自动调制分类算法在多路径通道基于sixth-order累积量,”学报》第九届国际会议在现代卫星通信,有线电视和广播服务(TELSIKS ' 09)IEEE,页423 - 426年,Niš,塞尔维亚,2009年10月。视图:出版商的网站|谷歌学术搜索
12. d . c . Chang和p . k . Shih Cumulants-based调制分类技术在多径衰落信道中,“专业的沟通,9卷,不。6,828 - 835年,2015页。视图:出版商的网站|谷歌学术搜索
13. 王b和l .通用电气,“小说OFDM信号的识别算法,”《无线通信国际会议上,网络和移动计算(WCNM ' 05)2005年9月,页261 - 264。视图:出版商的网站|谷歌学术搜索
14. d·格里马尔迪s Rapuano, g .籍贯”自动数字调制分类器对电信网络测量,”《IEEE Conference-Conference记录仪表和测量技术索伦托,页1711 - 1720年,意大利,2002年。视图:谷歌学术搜索

版权

版权©2016卓太阳等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。