一种基于时频分析和星座图分析的混叠信号调制类型识别方法与流程

一种基于时频分析和星座图分析的混叠信号调制类型识别方法
所属技术领域
1.本发明涉及一种基于时频分析和星座图分析的混叠信号调制类型识别方法，属于无线通信/雷达/电子对抗中的基带信号处理领域。


背景技术：

2.随着现代军事战争中电子对抗领域内的不断进步，在电子对抗中电磁信号的密集程度日益扩大，各种新型雷达持续投入使用并日渐占据主导地位，所以雷达辐射源信号所采用的调制方式会越来越复杂，例如频率调制、相位调制、幅度调制等。雷达辐射源信号的分类识别过程在电子对抗领域中发挥着无可替代的作用，而随着雷达辐射源信号的更加灵活多变，基于传统的常规参数辐射源信号的识别逐渐无法满足日益复杂的电磁信号环境。
3.文献“杨洁,夏卉.基于卷积神经网络的通信信号调制识别研究[j].计算机测量与控制,2020,28(7):220
‑
224.”(参考文献1)中述及一种复基带信号与卷积神经网络自动调制识别相结合的方法，该方法将接收到的信号进行预处理，得到包含同相分量和正交分量的复基带信号，作为输入卷积神经网络模型的数据集，通过多次训练调整模型结构以及卷积核、步长、特征图和激活函数等超参数，利用训练好的模型对通信信号进行特征提取和识别；实现了对2fsk、4fsk、bpsk、8psk、qpsk、qam16和qam64七种数字通信信号类型的识别分类。
[0004]
文献“易云清,吕乐群,卢圆圆,等.基于神经网络的复杂信号样式调制识别技术[j].电子信息对抗技术,2020,35(6):16
‑
21.”(参考文献2)提出一种基于bp神经网络的复杂信号识别技术。通过分析并提取具有高区分度的信号特征,设计三层bp神经网络，重点研究多种、复杂通信调制信号的识别性能，实现基于bp神经网络的识别算法。
[0005]
文献“桂祥胜,洪居亭,代华建,等.一种基于卷积神经网络的信号调制方式识别方法[j].现代计算机,2019(10):18
‑
22,26.”(参考文献3)提出一种基于卷积神经网络(cnn)的调制方式自动识别方法。卷积神经网络具有特征提取和自学习能力，它能从图像处理的角度把握信号细微特征，无需人为干预或数据统计，达到分类识别的效果。数字调制信号的星座图包含信号重要参数信息，是区分不同调制方式的关键特征。
[0006]
文献“熊坤来,罗景青,吴世龙.基于时频图像和神经网络的lpi雷达信号调制识别[j].弹箭与制导学报,2011,31(5):230
‑
233.”(参考文献4)提出一种基于时频分析、图像处理和神经网络的lpi雷达信号识别新方法。该方法先对lpi雷达信号进行时频分析，获得时频分布图像，然后利用图像处理的方法对时频图像作预处理，最后再用rbf神经网络对处理后的图像进行识别分类。
[0007]
综上所述，现有的信号识别分选技术广泛采用神经网络，神经网络的引入对信号处理的硬件模块提出了极高的要求，需要消耗巨大的算力，且速度较慢。其次，上述技术在多种调制信号混叠的电磁环境下所能达到的识别准确率非常有限，难以适应复杂多变的电磁环境。


技术实现要素：

[0008]
有鉴于上述现有技术之缺失，本发明设计的基于时频分析和星座图分析的混叠信号调制类型识别方法，可以在低算力投入的条件下，快速准确地从混叠信号中识别出不同调制方式的信号，并基于参数拟合和小范围方差估计对信道质量给出一个量化衡量指标。
[0009]
为了实现上述目的，本发明的技术方案如下，一种基于时频分析和星座图分析的混叠信号调制类型识别方法，所述方法包括以下步骤：
[0010]
步骤1：使用时频分析结合形态拟合的方法，识别混叠信号中的模拟调制类型；
[0011]
步骤2：使用星座图分析结合边缘检测的方法，识别混叠信号中的数字调制类型。其中，所述步骤1中，对于混叠信号中的模拟调制类型，使用形态拟合方法处理时频分析得到的时频分布图，进而识别出混叠信号中的模拟调制类型。
[0012]
所述步骤2中，对于混叠信号中的数字调制类型，使用边缘检测方法处理星座图分析得到的星座图，进而识别出混叠信号中的数字调制类型。
[0013]
步骤1中的形态拟合算法，具体如下，使用形态拟合算法处理时频分布图分选出模拟调制信号，首先需要对时频分布灰度图做平滑处理，提取出一个灰度向量，接着使用滑动窗口寻找信号峰值，最后使用最小二乘法进行拟合，完成对模拟调制信号的识别。
[0014]
步骤1中，对信号进行时频分析得到的时频图本质上是一个灰度图，为了对此灰度图进行平滑处理，消除图像中的噪声所带来的影响，所采用的方法为在纵向上以每5个像素点为一个单位，将时频图切割成若干横条，然后对横条图像进行计算，将纵向的5个像素灰度值相加，得到一个一维的灰度向量，通过此步处理，可以尽可能减少图像中噪声的影响，并且减少了计算量，
[0015]
原始灰度矩阵如下：
[0016][0017]
经计算提取到灰度向量如下：
[0018][0019]
其中：
[0020]
g
11
＝g
11
g
21
g
31
g
41
g
51
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0021]
g
12
＝g
12
g
22
g
32
g
42
g
52
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0022]
g
13
＝g
13
g
23
g
33
g
43
g
51
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0023][0024][0025]
得到处理后的灰度矩阵后，使用滑动窗口寻找信号峰值，滑动窗设置为7个像素宽的三角窗，将此滑动窗以每次移动一个单位像素的速率与各个灰度向量进行卷积，最终得
到一组新的特征向量；在对所有灰度向量进行此操作后，将各个特征向量的峰值划分到各个组中，每个组对应一个调制方式在时频图中的曲线中点的集合。下式代表一个宽度为7个像素的三角窗：
[0026][0027]
将此滑动窗与之前由灰度图提取的灰度向量依次相卷得到一新的特征向量，以第一行特征向量为例，与上述滑动窗相卷得到如下特征向量
[0028]
[g
′
11 g
′
12 g
′
13
…
g
′
1n
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0029]
其中
[0030][0031][0032]
n＝n
‑
6#(11)
[0033]
在上述过程中已经得到了各个曲线所对应的点的集合，接下来就要通过分析处理各组中的点来判断曲线的类型。
[0034]
步骤1中，为了实现判断曲线类型的目的，首先利用最小二乘法来拟合直线，最小二乘法就是用来将一组符合y＝a bx关系的数据，用计算的方法来求出最佳a和b，
[0035]
首先设直线表达式为：
[0036]
y＝a bx
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0037]
对于满足上述关系的一组数据(x
i
,y
i
)，假设自变量x
i
的误差忽略，则在同一个x
i
下，测量点y
i
和直线上对应点a bx
i
的偏差d
i
之间有如下关系：
[0038][0039]
那么当d1＝d2＝
…
d
n
＝0时所求出的a和b是最理想的，但实际测量得到的数据不可能使d1＝d2＝
…
d
n
＝0,这样只有考虑使d
12
d
22

…
d
n2
对a和b最小时，所得到的a和b为最好的；
[0040]
令
[0041][0042]
d分别对a和b求一阶偏导：
[0043][0044]
[0045]
再求二阶偏导：
[0046][0047][0048]
显然
[0049][0050][0051]
满足最小值条件，令一阶偏导数为零：
[0052][0053][0054]
引入平均值：
[0055][0056][0057][0058][0059]
则：
[0060][0061][0062]
解得：
[0063][0064][0065]
将a和b代入方程y＝a bx，即为由最小二乘法拟合得到的直线方程；
[0066]
将作为拟合效果的评价标准，越小，拟合效果越好。
[0067]
步骤2中，首先通过开操作将图中各个簇进行填充，为后续边缘检测做准备，然后经过sobel边缘检测算法将图中最大的边缘提取出来，根据提取出的边缘的数量与位置可以对星座图的类型进行判断，从而对信号进行识别。
[0068]
步骤2中，先进行腐蚀操作，再进行膨胀操作，将图像中小区域的亮区域替代为暗区域，将各个簇内的空白点替代为黑色，使各个簇看起来更明显，为后续边缘检测做准备。
[0069]
步骤2中，使用sobel算子进行边缘检测，
[0070]
sobel算子它可以被用于计算图像亮度函数的灰度近似值，它会产生运算点对应的灰度矢量或法矢量，其包含两组3
×
3的矩阵g
x
‘
和g
y
‘
，其中g
x
‘
为该算子与图像横向作平面卷积的矩阵，g
y
‘
则为该算子与图像纵向作平面卷积的矩阵，通过这两个方向的卷积即可得到图像中横向和纵向的亮度差分近似值，假设a为原始图像，g
x
、g
y
为运算过后的图像灰度值，则公式如下：
[0071][0072][0073]
g
x
＝g
x
‘
*a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(42)
[0074]
g
y
＝g
y
‘
*a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(43)
[0075]
则图中每一点的灰度大小可用下式来表示：
[0076][0077]
当图中一点的g大于某一阈值时，该点就被认为时图中的边缘点，对全图应用这个算子即可得到图像中所有的边缘，在检测出星座图的边缘后，只需要将图中最大的边缘，或者说是最外围的边缘提取出来，计算其数量并根据其坐标位置即可确定星座图中簇的数量，以及排列方式，也就可以确定信号的调制方式。混叠信号包括lfm、sfm两种模拟调制信号和bpsk、qpsk、8psk、16qam、64qam、256qam、1024qam七种数字调制信号。
[0078]
根据前面的工作已经能够得到时频图内各条曲线的直线拟合方程与拟合标准差，下面就可以通过这些结果来对调制方式进行分类。
[0079]
之前最小二乘法做的是直线拟合，所以对于余弦曲线的拟合效果最差，也最大，根据前面算法实际计算得到的值也可以得到拟合余弦曲线时值最大，所以首先通过设定对的阈值来判断是否属于余弦调制信号。对于剩下两类调制方式的判断，则是通过对拟合直线的斜率进行判断。由于实际获取数据的误差，导致第三类曲线的斜率也可能不为零，但绝不会很大，所以通过设定对b的阈值就可以判断是否属于线性调频信号或者相移调制信号和正交振幅调制信号。
[0080]
基于sobel边缘检测的星座图分析，主要分为星座图绘制和sobel边缘检测算法两部分。
[0081]
前文中利用图像处理的方法从时频图中提取特征成功将线性调频、正弦调频信号进行分类，而对于调相和调幅的数字调制信号则不能进行识别分类，现在我们将针对这两种信号采用星座图分析的方法来进行识别分类。
[0082]
一般说来，对于一个已调信号可由下式表示：
[0083][0084]
其中
[0085]
n＝1,2,
…
,n0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(32)
[0086]
m＝1,2,
…
,m0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(33)
[0087]
n＝1,2,
…
,n0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(34)
[0088]
k＝1,2,
…
,k0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(35)
[0089]
在上式中，g(t)为低通脉冲波形，为方便分析，令g(t)＝1,0<t≤t。上式中n0表示消息序列的数量，一般为2的整数次幂。为了对这n0个消息序列进行传输，将其分别映射到已调信号的频率、幅度和相位上，那么有：
[0090]
n0＝m0×
n0×
k0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(36)
[0091]
那么对频率、幅度和相位的不同映射方式就代表着不同的调制方式，本节中需要进行分类的两种方式为：
[0092]
1)相移调制信号：即f
n
和a
m
保持不变，只改变也就是m0＝n0＝1,k0＝n0。
[0093]
2)正交振幅调制信号：即只有f
n
保持不变，改变a
m
和也就是n0＝1,n0＝m0×
k0。
[0094]
将已调信号的一般式进行展开：
[0095][0096]
由空间理论选取如下的一组基向量：
[0097][0098]
上式中那么已调信号可以以上述向量为基底，用信号空间中的下述向量来进行表示。
[0099][0100]
下面利用sobel边缘检测算法对星座图进行分析。
[0101]
星座图识别的关键在于明确图中簇的个数及其排列方式，就可以判断出属于某一种调相调幅的数字调制方式。而这可以通过检测星座图中簇的边缘来达到该目的。具体来说，首先通过开操作将图中各个簇进行填充，为后续边缘检测做准备，然后经过sobel边缘检测算法将图中最大的边缘提取出来，根据提取出的边缘的数量与位置可以对星座图的类型进行判断，从而对信号进行识别。
[0102]
首先引入开操作，其是一种形态学上的重要操作，是膨胀与腐蚀操作的组合。所谓膨胀就是连接图像中相邻的元素，而腐蚀则是分割图像中独立的元素。开操作就是先进行腐蚀操作，然后再进行膨胀操作，这样做的效果就是可以将图像中小区域的亮区域替代为
暗区域，可以明显的看到此操作的效果就是将各个簇内的空白点替代为黑色，使各个簇看起来更明显，为后续边缘检测做准备。
[0103]
sobel算子是边缘检测技术中十分常用的一种算子，它可以运算图像亮度函数的灰度近似值，它会产生运算点对应的灰度矢量或法矢量。
[0104]
在检测出星座图的边缘后，只需要将图中最大的边缘，或者说是最外围的边缘提取出来，计算其数量并根据其坐标位置即可确定星座图中簇的数量，以及排列方式，也就可以确定信号的调制方式。
[0105]
相对于现有技术，本发明优点如下：
[0106]
(1)相对于当下常见的，利用神经网络进行信号类型识别的算法而言，本方法绕开了使用大量数据进行网络训练过程，使用图像处理技术直接进行调制信号类型识别，进而具有简单、轻量化、对算力要求小的优点；
[0107]
(2)本方法面向包括lfm、sfm、qpsk、bpsk、8psk、16qam、64qam、256qam、1024qam在内多种调制类型相互混叠的信号，在不借助神经网络基础上，形成对周围复杂频谱环境的快速认知，
[0108]
(3)本方法可以快速分选包括雷达、通讯信号在内的各种类型信号，在宽带可重构抗干扰、智能电磁态势感知等特殊场景方面有较强的实用价值。
附图说明
[0109]
图1是基于时频分析和星座图分析的混叠信号调制类型识别方法流程图。
[0110]
图2是时频分析流程。
[0111]
图3是形态拟合算法流程。
[0112]
图4是星座图分析和边缘检测算法流程。
[0113]
图5是信噪比25db下16qam星座图处理前后对比。
[0114]
图6是混叠信号时频分布图。
[0115]
图7是平滑去噪后的时频灰度图。
[0116]
图8是信噪比25db下的各种信号调制方式的星座图。
[0117]
图9是边缘检测后的星座图。
具体实施方式
[0118]
下面结合具体实施例子，进一步阐述本发明，注意实施例仅用于说明本发明而不用于限制本发明的范围，在完全了解本发明之后，领域相关技术人员对本发明的各种等价形式的修改均落于本技术所附权利要求项要求所限定的范围。
[0119]
实施例1：参见图1
‑
图9，一种基于时频分析和星座图分析的混叠信号调制类型识别方法，所述方法包括以下步骤：
[0120]
步骤1：使用时频分析结合形态拟合的方法，识别混叠信号中的模拟调制类型；
[0121]
步骤2：使用星座图分析结合边缘检测的方法，识别混叠信号中的数字调制类型。
[0122]
如图1所示，使用时频分析方法(包括短时傅里叶变换、morlet小波变换等方法)，绘制时频分布图，使用形态拟合算法，识别出时频分布图中的模拟调制信号。对于混叠信号中的数字调制类型，使用星座图分析的方法绘制信号的星座图，使用边缘检测算法识别星
座图的中数字调制信号。
[0123]
时频分析流程如图2所示，首先，将混叠信号离散化作为输入，根据采样点数n在时域上放置一个长度为n的滑动窗口，滑动窗口沿时轴滑动，并对窗口中的信号绘制频谱，最终将所有频谱拼接形成时频分布图像。
[0124]
形态拟合算法流程如图3所示，使用形态拟合算法处理时频分布图分选出模拟调制信号，首先需要对时频分布灰度图做平滑处理，提取出一个灰度向量，接着使用滑动窗口寻找信号峰值，最后使用最小二乘法进行拟合，完成对模拟调制信号的识别。
[0125]
由于对信号进行时频分析得到的时频图本质上是一个灰度图，为了对此灰度图进行平滑处理，消除图像中的噪声所带来的影响，所采用的方法为在纵向上以每5个像素点为一个单位，将时频图切割成若干横条，然后对横条图像进行计算，将纵向的5个像素灰度值相加，得到一个一维的灰度向量。通过此步处理，可以尽可能减少图像中噪声的影响，并且减少了计算量。
[0126]
原始灰度矩阵如下：
[0127][0128]
经计算提取到灰度向量如下：
[0129][0130]
其中：
[0131]
g
11
＝g
11
g
21
g
31
g
41
g
51
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0132]
g
12
＝g
12
g
22
g
32
g
42
g
52
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0133]
g
13
＝g
13
g
23
g
33
g
43
g
51
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0134][0135][0136]
得到处理后的灰度矩阵后，使用滑动窗口寻找信号峰值。滑动窗设置为7个像素宽的三角窗，将此滑动窗以每次移动一个单位像素的速率与各个灰度向量进行卷积，最终得到一组新的特征向量。此操作的目的是将相邻向量元素之间的关联考虑进来，然后寻找这组特征向量的峰值，保留灰度值大于阈值的峰值，即时频图中曲线所出现的点。在对所有灰度向量进行此操作后，将各个特征向量的峰值划分到各个组中，每个组对应一个调制方式在时频图中的曲线中点的集合。下式代表一个宽度为7个像素的三角窗：
[0137][0138]
将此滑动窗与之前由灰度图提取的灰度向量依次相卷得到一新的特征向量，以第一行特征向量为例，与上述滑动窗相卷得到如下特征向量
[0139]
[g
′
11 g
′
12 g
′
13
…
g
′
1n
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0140]
其中
[0141][0142][0143]
n＝n
‑
6#(11)
[0144]
在上述过程中已经得到了各个曲线所对应的点的集合，接下来就要通过分析处理各组中的点来判断曲线的类型。要实现判断曲线类型的目的，首先利用最小二乘法来拟合直线，最小二乘法就是用来将一组符合y＝a bx关系的数据，用计算的方法来求出最佳a和b。
[0145]
首先设直线表达式为：
[0146]
y＝a bx
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0147]
对于满足上述关系的一组数据(x
i
,y
i
)，假设自变量x
i
的误差可以忽略，则在同一个x
i
下，测量点y
i
和直线上对应点a bx
i
的偏差d
i
之间有如下关系：
[0148][0149]
那么当d1＝d2＝
…
d
n
＝0时所求出的a和b是最理想的，但实际测量得到的数据不可能使d1＝d2＝
…
d
n
＝0。这样只有考虑使d
12
d
22

…
d
n2
对a和b最小时，所得到的a和b为最好的。
[0150]
令
[0151][0152]
d分别对a和b求一阶偏导：
[0153][0154][0155]
再求二阶偏导：
[0156][0157][0158]
显然
[0159][0160][0161]
满足最小值条件，令一阶偏导数为零：
[0162][0163][0164]
引入平均值：
[0165][0166][0167][0168][0169]
则：
[0170][0171][0172]
解得：
[0173][0174][0175]
将a和b代入方程y＝a bx，即为由最小二乘法拟合得到的直线方程。
[0176]
将作为拟合效果的评价标准，越小，拟合效果越好。
[0177]
根据前面的工作已经能够得到时频图内各条曲线的直线拟合方程与拟合标准差，下面就可以通过这些结果来对调制方式进行分类。
[0178]
之前最小二乘法做的是直线拟合，所以对于余弦曲线的拟合效果最差，也最大，根据前面算法实际计算得到的值也可以得到拟合余弦曲线时值最大，所以首先通过设定对的阈值来判断是否属于余弦调制信号。对于剩下两类调制方式的判断，则是通过对拟
合直线的斜率进行判断。由于实际获取数据的误差，导致第三类曲线的斜率也可能不为零，但绝不会很大，所以通过设定对b的阈值就可以判断是否属于线性调频信号或者相移调制信号和正交振幅调制信号。
[0179]
基于sobel边缘检测的星座图分析，如图4所示，主要分为星座图绘制和sobel边缘检测算法两部分。
[0180]
前文中利用图像处理的方法从时频图中提取特征成功将线性调频、正弦调频信号进行分类，而对于调相和调幅的数字调制信号则不能进行识别分类，现在我们将针对这两种信号采用星座图分析的方法来进行识别分类。
[0181]
一般说来，对于一个已调信号可由下式表示：
[0182][0183]
其中
[0184]
n＝1,2,
…
,n0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(32)
[0185]
m＝1,2,
…
,m0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(33)
[0186]
n＝1,2,
…
,n0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(34)
[0187]
k＝1,2,
…
,k0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(35)
[0188]
在上式中，g(t)为低通脉冲波形，为方便分析，令g(t)＝1,0<t≤t。上式中n0表示消息序列的数量，一般为2的整数次幂。为了对这n0个消息序列进行传输，将其分别映射到已调信号的频率、幅度和相位上，那么有：
[0189]
n0＝m0×
n0×
k0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(36)
[0190]
那么对频率、幅度和相位的不同映射方式就代表着不同的调制方式，本节中需要进行分类的两种方式为：
[0191]
1)相移调制信号：即f
n
和a
m
保持不变，只改变也就是m0＝n0＝1,k0＝n0。
[0192]
2)正交振幅调制信号：即只有f
n
保持不变，改变a
m
和也就是n0＝1,n0＝m0×
k0。
[0193]
将已调信号的一般式进行展开：
[0194][0195]
由空间理论选取如下的一组基向量：
[0196][0197]
上式中那么已调信号可以以上述向量为基底，用信号空间中的下述向量来进行表示。
[0198][0199]
下面利用sobel边缘检测算法对星座图进行分析。
[0200]
星座图识别的关键在于明确图中簇的个数及其排列方式，就可以判断出属于某一种调相调幅的数字调制方式。而这可以通过检测星座图中簇的边缘来达到该目的。具体来说，首先通过开操作将图中各个簇进行填充，为后续边缘检测做准备，然后经过sobel边缘
检测算法将图中最大的边缘提取出来，根据提取出的边缘的数量与位置可以对星座图的类型进行判断，从而对信号进行识别。
[0201]
首先引入开操作，其是一种形态学上的重要操作，是膨胀与腐蚀操作的组合。所谓膨胀就是连接图像中相邻的元素，而腐蚀则是分割图像中独立的元素。开操作就是先进行腐蚀操作，然后再进行膨胀操作，这样做的效果就是可以将图像中小区域的亮区域替代为暗区域，如图5所示，其中图a为16qam调制信号的星座图，图b为经过开操作处理后的星座图，可以明显的开到此操作的效果就是将各个簇内的空白点替代为黑色，使各个簇看起来更明显，为后续边缘检测做准备。
[0202]
sobel算子是边缘检测技术中十分常用的一种算子，它可以运算图像亮度函数的灰度近似值，它会产生运算点对应的灰度矢量或法矢量。
[0203]
sobel算子包含两组3
×
3的矩阵g
x
‘
和g
y
‘
，其中g
x
‘
为该算子与图像横向作平面卷积的矩阵，g
y
‘
则为该算子与图像纵向作平面卷积的矩阵，通过这两个方向的卷积即可得到图像中横向和纵向的亮度差分近似值，假设a为原始图像，g
x
、g
y
为运算过后的图像灰度值，则公式如下：
[0204][0205][0206]
g
x
＝g
x
‘
*a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(42)
[0207]
g
y
＝g
y
‘
*a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(43)
[0208]
则图中每一点的灰度大小可用下式来表示
[0209][0210]
那么当图中一点的g大于某一阈值时，该点就被认为时图中的边缘点，对全图应用这个算子即可得到图像中所有的边缘。
[0211]
在检测出星座图的边缘后，只需要将图中最大的边缘，或者说是最外围的边缘提取出来，计算其数量并根据其坐标位置即可确定星座图中簇的数量，以及排列方式，也就可以确定信号的调制方式。
[0212]
有鉴于大部分信号识别算法在完成识别任务后，没有给出对于信号本身质量的评价指标，无法反馈前端，使得前端调整自身参数，进而达到可重构、自适应的目的，提高信号接收的准确度，降低噪声。我们给出了一个基于参数拟合和小范围方差估计的信号质量检测方法，可以给出一个关于信号质量的量化参数，从而指导射频接收前端进行自适应调节，提升信号质量。
[0213]
具体实施例：
[0214]
本发明的第一示例性实施例：
[0215]
本发明的一种基于时频分析和星座图分析的混叠信号调制类型识别方法的一实施方式：
[0216]
输入信号由线性调频lfm、正弦调频sfm及bpsk、qpsk、8psk、16qam等数字调制方式
中的一种构成。在信噪比25db的情况下对输入信号使用短时傅里叶变换(dft)绘制出时频分布图如图6所示：
[0217]
容易看出，信号在时频域上被分割成了三个部分，可以通过形态拟合方法将对三个部分进行区分，将两种模拟调制类型分开，并将模拟调制类型和数字调制类型分开。
[0218]
首先对信号进行平滑去噪处理，在纵向上取5个像素为一个单位，切割时频图为若干横条，并将纵向的五个像素值叠加为一个一维的灰度值向量。经过处理后的图像如图7所示。
[0219]
使用七个像素的三角滑动窗口，将此滑动窗口以每次移动一个像素的速率与各个灰度向量进行卷积得到一组新的特征向量。寻找这组特征向量的峰值，保留大于阈值的峰值以达到抓取时频分布图中曲线上亮点的目的。对所有的灰度向量做相同处理后将各个特征向量的峰值划分到各个组中，每个组对应一个调制方式在时频图中的曲线中点的集合。
[0220]
使用最小二乘法进行直线拟合。得到结果如图7所示。
[0221]
下述表达式对应图7中信号顺序由左到右：
[0222]
y1＝0.270193x1 13.7078
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(45)
[0223][0224]
y2＝65
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(47)
[0225][0226]
y3＝
‑
0.132145x3 115.846
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(49)
[0227][0228]
根据设定的阈值，可判断左侧信号为线性调频lfm，右侧信号为正弦调频，居中的信号为几种数字调制方式中的一种。下面结合星座图分析的方法给出相关信号的识别方法。
[0229]
针对数字调制中的bpsk、qpsk、8psk、16qam调制信号，我们采用星座图分析结合sobel边缘检测的方法进行识别。对于上述信号，在信噪比25db情况下画出的星座图如图8所示。
[0230]
为了自动从星座图中自动识别上述信号，利用sobel边缘检测算法分析星座图。首先通过开操作将图中各个簇进行填充，然后经过sobel边缘检测算法将图中最大边缘提取出来，根据提取出边缘的数量与位置可以对星座图的类型进行判断。画出边缘检测后的星座图如图9所示。
[0231]
可以计算出图中簇的数量为16，排列方式符合16qam特征，确定信号为16qam调制方式。对于其他的调制方式，同理可得。
[0232]
需要说明的是上述实施例仅仅是本发明的较佳实施例，并没有用来限定本发明的保护范围，在上述技术方案的基础上做出的等同替换或者替代，均属于本发明的保护范围。