面向低信噪比复杂电磁环境的数字调制信号自动识别方法与流程

摘要: 本发明涉及信号调制与识别领域,具体是涉及一种面向低信噪比复杂电磁环境的数字调制信号自动识别方法。背景技术:1、随着无线通信技术的快速发展,电磁环境日益复杂,多种...
面向低信噪比复杂电磁环境的数字调制信号自动识别方法与流程

本发明涉及信号调制与识别领域,具体是涉及一种面向低信噪比复杂电磁环境的数字调制信号自动识别方法。

背景技术:

1、随着无线通信技术的快速发展,电磁环境日益复杂,多种通信体制、多种调制方式的信号在时域、频域、空域高度交叠,对非合作通信侦察、频谱监测及电子对抗等领域的信号识别能力提出了严峻挑战。尤其在低信噪比条件下,有用信号往往完全淹没于背景噪声和各类干扰之中,传统的调制识别方法面临严重性能退化。

2、现有的数字调制信号自动识别技术主要分为两类:一类是基于特征提取的统计识别方法,如高阶累积量、循环平稳谱等,这类方法在中等信噪比条件下表现良好,但在低信噪比环境下,信号的高阶统计量严重失真,循环谱线被噪声淹没,识别准确率急剧下降;另一类是基于深度学习的端到端识别方法,如卷积神经网络、长短期记忆网络等,这类方法通过大量带标签数据驱动模型学习深层特征,但在实际复杂电磁环境中,由于干扰类型多样、信道畸变严重,离线训练的模型泛化能力受限,难以适应动态变化的干扰环境。

3、上述现有方法中均存在一个共同局限:为了在低信噪比下获得可靠的统计特征或识别结果,往往需要累积较长的信号序列,导致识别延迟大、实时性差。在短突发信号、跳频信号等场景中,信号持续时间极短,传统方法因累积数据量不足而无法有效识别。

技术实现思路

1、为解决上述技术问题,提供一种面向低信噪比复杂电磁环境的数字调制信号自动识别方法,本技术方案解决了上述背景技术中提出的为了在低信噪比下获得可靠的统计特征或识别结果,往往需要累积较长的信号序列,导致识别延迟大、实时性差。在短突发信号、跳频信号等场景中,信号持续时间极短,传统方法因累积数据量不足而无法有效识别的问题。

2、为达到以上目的,本发明采用的技术方案为:

3、一种面向低信噪比复杂电磁环境的数字调制信号自动识别方法,包括:

4、获取待识别目标调制信号在纯净条件下的标准波形模板,提取标准波形模板的时域波形序列和码元速率参数,构建标准信号模板库;

5、采集目标电磁环境中的含噪混合信号,以预设时间窗口对含噪混合信号进行截取和采样,获取接收信号序列;

6、对接收信号序列进行协方差矩阵估计和特征分解,根据特征值分布确定干扰子空间维度,构造干扰子空间的正交补投影矩阵;

7、将标准信号模板库中的标准波形模板向正交补投影矩阵进行投影,获取抗干扰增强模板和初步频偏估计值;

8、基于抗干扰增强模板和接收信号序列,采用滑动相关匹配方法,计算各滑动位置处的相关峰值序列,并根据相关峰值序列中的最大峰值位置,确定有用信号的粗同步位置;

9、根据粗同步位置和初步频偏估计值,从接收信号序列中截取短时同步信号段,对短时同步信号段进行频偏校正和符号同步,获取待识别基带信号;

10、将待识别基带信号输入预先构建的轻量级调制分类器,输出目标调制信号的调制方式识别结果。

11、优选的,所述获取待识别目标调制信号在纯净条件下的标准波形模板,提取标准波形模板的时域波形序列和码元速率参数,构建标准信号模板库包括:

12、获取待识别目标调制信号在无噪声无干扰环境下的纯净基带信号,将其作为标准波形模板;

13、对标准波形模板进行过零点检测,提取相邻过零点之间的时间间隔序列,计算时间间隔序列的众数作为码元周期估计值;

14、根据码元周期估计值,确定码元速率参数,所述码元速率参数为码元周期估计值的倒数;

15、将标准波形模板的时域波形序列和码元速率参数以预设数据格式存储,构建标准信号模板库;

16、其中,所述标准信号模板库中存储至少一种调制方式对应的标准波形模板和码元速率参数。

17、优选的,所述采集目标电磁环境中的含噪混合信号,以预设时间窗口对含噪混合信号进行截取和采样,获取接收信号序列包括:

18、通过天线阵列采集目标电磁环境中的射频信号,经下变频处理后,获取中频信号;

19、对中频信号进行模数转换,以预设采样率采集数字信号;

20、以预设时间窗口长度对数字信号进行截取,获取接收信号序列;

21、其中,所述预设时间窗口长度不小于标准波形模板序列长度的两倍。

22、优选的,所述对接收信号序列进行协方差矩阵估计和特征分解,根据特征值分布确定干扰子空间维度,构造干扰子空间的正交补投影矩阵包括:

23、将接收信号序列按预设分段长度划分为若干信号段,计算各信号段的样本协方差矩阵;

24、计算各信号段的样本协方差矩阵的算术平均值,并将算术平均值作为接收信号的协方差矩阵估计值;

25、对协方差矩阵估计值进行特征分解,获取接收信号序列的特征值序列及对应的特征向量序列;

26、将特征值序列按降序排列,计算相邻特征值的比值序列,选取比值序列中的最大比值对应的序号作为干扰子空间维度的估计值;

27、从特征向量序列中选取前若干个特征向量构成干扰子空间基矩阵,所述前若干个的数量等于干扰子空间维度的估计值;

28、根据干扰子空间基矩阵,计算干扰子空间的正交投影矩阵,并根据干扰子空间的正交投影矩阵,获取干扰子空间的正交补投影矩阵。

29、优选的,所述将标准信号模板库中的标准波形模板向正交补投影矩阵进行投影,获取抗干扰增强模板和初步频偏估计值包括:

30、将标准波形模板序列按周期性进行重复拼接,当拼接总长度达到接收信号序列的长度时截断,获取与接收信号序列等长的延拓模板序列;

31、根据频率偏移搜索范围,对延拓模板序列以不同的频偏补偿量进行频率偏移补偿,生成若干候选频偏模板序列;

32、将各候选频偏模板序列分别与正交补投影矩阵相乘,获取投影后序列;

33、根据每一个投影后序列,以滑动窗方式截取与标准波形模板序列等长的连续子序列;

34、计算各子序列的能量,选取能量最大的子序列作为该频偏假设下的候选抗干扰增强模板;

35、比较所有频偏对应的候选抗干扰增强模板能量,选取能量最大的一个作为最终使用的抗干扰增强模板,并将模板对应的频偏补偿量作为初步频偏估计值。

36、优选的,所述基于抗干扰增强模板和接收信号序列,采用滑动相关匹配方法,计算各滑动位置处的相关峰值序列,并根据相关峰值序列中的最大峰值位置,确定有用信号的粗同步位置包括:

37、将抗干扰增强模板在接收信号序列上逐点滑动,在各滑动位置处,计算抗干扰增强模板与接收信号序列中等长子序列的归一化互相关值;

38、将所有滑动位置的归一化互相关值按照滑动顺序排列,获得相关峰值序列;

39、从相关峰值序列中搜索最大峰值,记录最大峰值对应的滑动位置作为有用信号的粗同步位置。

40、优选的,所述根据粗同步位置和初步频偏估计值,从接收信号序列中截取短时同步信号段,对短时同步信号段进行频偏校正和符号同步,获取待识别基带信号包括:

41、以粗同步位置为中心,从接收信号序列中截取预设长度的信号段,作为短时同步信号段;

42、根据初步频偏估计值,对短时同步信号段进行数字频率校正,获取频偏校正后的信号段;

43、根据码元速率参数,对频偏校正后的信号段进行定时误差估计和插值校正,实现符号同步,获取待识别基带信号。

44、优选的,所述将待识别基带信号输入预先构建的轻量级调制分类器,输出目标调制信号的调制方式识别结果包括:

45、构建轻量级调制分类器,所述轻量级调制分类器采用时序卷积神经网络结构,其输入层接收固定长度的待识别基带信号的同相分量和正交分量数据;

46、时序卷积神经网络包含依次连接的输入层、若干时序卷积块、全局平均池化层、全连接层和softmax输出层,其中,每一时序卷积块包含一维时序卷积层和批归一化层及relu激活函数;

47、获取待识别基带信号的同相分量序列和正交分量序列,组合为双通道输入矩阵,输入时序卷积神经网络;

48、时序卷积神经网络对输入数据进行特征提取和分类,通过softmax输出层输出各调制方式的概率分布;

49、选取概率分布中最大概率值对应的调制方式,作为目标调制信号的调制方式识别结果。

50、与现有技术相比,本发明的有益效果在于:

51、通过预先获取纯净信号模板作为先验信息,避免传统方法盲识别的技术路径。在此基础上,通过对含噪混合信号进行协方差矩阵特征分解,精确估计干扰子空间维度并构造正交投影矩阵,将信号模板投影至干扰正交补空间,有效抑制了复杂电磁环境中的彩色干扰成分,保留有用信号的结构信息。进一步地,采用从投影序列中截取的长度与原始模板相等的抗干扰增强模板进行滑动相关匹配,使得模板能够与接收信号进行覆盖全窗口的搜索,有效提升低信噪比下的信号捕获能力。此外,本方法仅需较短时间窗口内的信号即可完成精准同步,进而仅利用包含数十个符号的短时信号段实现调制方式的可靠识别,大幅降低处理时延,有效解决传统方法累积时间长、实时性差的技术瓶颈,尤其适用于短突发、跳频等快变信号场景。