一种非抑制载波FM信号的识别模型及方法与流程

一种非抑制载波fm信号的识别模型及方法
技术领域
1.本发明涉及通信信号侦察识别技术领域，具体涉及一种非抑制载波fm信号的识别模型及方法。


背景技术：

2.通信信号的调制样式是区分不同通信目标的重要特征，通信信号的调制样式识别是指在未知调制信息内容以及调制参数的前提下，判断出信号所采用的调制方式并估计出某些调制参数，为解调器正确选择解调算法提供参数依据，最终获得有用的信息内容。调制样式识别是介于能量检测和解调之间的流程，能量检测只需要粗略地估计信号的带宽和中心频率，而解调需要精确的频率信息和信号的调制样式。因此，调制样式的识别需要在先验知识较少的情况下完成识别的过程，并得到更加精确的信号参数值。
3.在进行无线通信时，为了提高发射机效率，通信信号需要经过巧妙设计，将能量尽量集中在承载信息的信号分量中，因此通信信号中通常只有am一种信号能够出现明显的载波分量，当检测到信号带内有较强的载波信号或当前信号与单载波有较高的相关性时，将信号直接判别为am信号，该方法目前普遍应用于对am信号的识别。
4.在实际通信中，部分通信设备在设计时，为了进行载波同步，并未进行载波抑制。如图1所示，图1(a)为am信号频谱，图1(b)为非抑制载波fm信号频谱，图1(c)为常规fm信号频谱，可以看出非抑制载波fm信号与am信号有着极高的相似度。此时，上述这种方法将非抑制载波fm(non supress carrier fm，nsc-fm)信号错误识别为am信号。因此，当前调制样式识别算法存在识别非抑制载波fm信号错误率较高的问题。


技术实现要素：

5.有鉴于此，本发明提出了一种非抑制载波fm信号的识别模型及方法，基于信号带内调制信号多维度特征，通过神经网络识别模型实现非抑制载波fm信号的识别，能够解决非抑制载波fm信号误识别为am信号的问题。
6.为实现上述目的，本发明的技术方案为：
7.本发明的一种非抑制载波fm调制信号识别模型，所述识别模型通过将从样本信号中提取的多维特征输入至神经网络进行训练获得，所述神经网络输出为非抑制载波fm调制信号识别结果；其中，所述样本信号包括非抑制载波fm调制信号、常规fm信号和am信号；所述多维特征包括信号的归一化中心瞬时幅度谱峰值特征、瞬时相位的中心非线性分量标准差、瞬时包络及瞬时频率归一标准差比、瞬时幅度归一化平均包络以及瞬时频率归一化平均包络；
8.所述识别模型的输入为待识别信号的多维特征，输出为非抑制载波fm调制信号识别结果。
9.其中，信号的归一化中心瞬时幅度谱峰值特征γ
max
为：
[0010][0011]
其中，dft表示数字傅里叶变换，an(i)为信号中第i个样本点的归一化幅度，i＝1,2,3
…
n，n为信号样本点数量。
[0012]
其中，信号的瞬时相位的中心非线性分量标准差σ为：
[0013][0014]
其中为信号中第i个样本点的瞬时相位非线性分量，i＝1,2,3
…
n，n为信号样本点数量。
[0015]
其中，信号的瞬时包络及瞬时频率归一标准差比θ为：
[0016][0017]
其中，std(
·
)为均方差算子，an(i)为信号中第i个样本点的归一化瞬时幅度，fn(i)为信号中第i个样本点的归一化瞬时频率，i＝1,2,3
…
n，n为信号样本点数量。
[0018]
其中，信号的瞬时幅度归一化平均包络ωa为：
[0019][0020]
其中，为信号瞬时归一化幅度的尺度平均结果，mean表示取平均。
[0021]
其中，信号的瞬时频率归一化平均包络ωf为：
[0022][0023]
其中，为信号瞬时归一化频率的尺度平均结果，mean表示取平均。
[0024]
其中，其中，x(i)为信号中第i个样本点的瞬时幅度，mean(x)为信号平均幅度。
[0025]
其中，所述神经网络层数为2、3、4或5。
[0026]
其中，所述神经网络的分类器为softmax分类器、支持向量机或k近邻行校正模型。
[0027]
本发明的一种非抑制载波fm调制信号识别方法，采用本发明所述的识别模型对待识别信号进行识别，包括如下步骤：
[0028]
提取待识别信号的所述多维特征；
[0029]
将所述多维特征输入至所述识别模型，通过所述识别模型实现非抑制载波fm调制信号识别。
[0030]
有益效果：
[0031]
本发明的非抑制载波调频(fm)信号的识别方法，通过神经网络识别模型实现非抑制载波fm信号的识别。其中，神经网络识别模型为将从样本信号中提取到的五维特征输入至神经网络进行学习获得的模型，将目前识别算法中基于单一特征的二叉树识别方法改进为基于多维特征权值统计识别方法。由于每个调制样式都有多维特征，即使某一维特征发生较大畸变时也能够根据其他维度信息进行校正，提高了调试样式识别正确率，在低信噪比(10db)下仍有较高的识别正确率。
[0032]
本发明使用的浅层(2、3、4或5层)神经网络易于训练，特征参数提取算法表征能力
强，进一步提高非抑制载波fm信号识别正确率。
附图说明
[0033]
图1(a)为常规am信号频谱图；图1(b)为非载波抑制fm信号频谱图；图1(c)常规fm信号频谱图。
[0034]
图2为本发明神经网络softmax分类器连接示意图。
[0035]
图3为本发明试验验证提取的不同信噪比条件下γ
max
参数值曲线图。
[0036]
图4为本发明试验验证提取的不同信噪比条件下σ参数值曲线图。
[0037]
图5为本发明试验验证提取的不同信噪比条件下θ参数值曲线图。
[0038]
图6为本发明试验验证提取的不同信噪比条件下ωa参数值曲线图。
[0039]
图7为本发明试验验证提取的不同信噪比条件下ωf参数值曲线图。
[0040]
图8为本发明试验验证时的验证数据集识别结果模糊矩阵示意图。
具体实施方式
[0041]
下面结合附图并举实施例，对本发明进行详细描述。
[0042]
本发明针对当前调制样式识别流程检测带内信号存在单载波时直接判别为am信号，无法正确识别非载波抑制fm信号的问题，提出了一种基于信号带内调制信号多维度统计特征的非抑制载波fm调制信号识别模型和方法，实现了对非抑制载波fm信号的正确识别。
[0043]
本发明的非抑制载波fm调制信号识别模型通过将从样本信号中提取的多维特征输入至神经网络进行训练获得，所述神经网络输出为非抑制载波fm调制信号识别结果；
[0044]
其中，所述非抑制载波fm调制信号识别结果形式具体为：
[0045]
是否为非抑制载波fm调制信号，或fm调制信号、常规fm信号或am信号中的一种。
[0046]
其中，所述样本信号包括非抑制载波fm调制信号、常规fm信号和am信号；所述多维特征包括归一化中心瞬时幅度谱峰值特征、瞬时相位的中心非线性分量标准差、瞬时包络及瞬时频率归一标准差比、瞬时幅度归一化平均包络以及瞬时频率归一化平均包络。
[0047]
其中，信号的归一化中心瞬时幅度谱峰值特征γ
max
为：
[0048][0049]
其中，an(i)为信号中第i个样本点的归一化幅度，i＝1,2,3
…
n，n为信号样本点数量。an(i)＝x(i)/mean(x)-1；其中，x(i)为信号中第i个样本点的瞬时幅度，mean(x)为信号平均幅度。
[0050]
信号的瞬时相位的中心非线性分量标准差σ为：
[0051][0052]
其中为信号中第i个样本点的瞬时相位非线性分量，i＝1,2,3
…
n，n为信号样本点数量。
[0053]
信号的瞬时包络及瞬时频率归一标准差比θ为：
[0054][0055]
其中，std(
·
)为均方差算子，an(i)为信号中第i个样本点的归一化瞬时幅度，fn(i)为信号中第i个样本点的归一化瞬时频率，i＝1,2,3
…
n，n为信号样本点数量。
[0056]
信号的瞬时幅度归一化平均包络ωa为：
[0057][0058]
其中，为信号瞬时归一化幅度的尺度平均结果。其中，k是一个临时的索引值，和求和公式配套使用时表示把一段数据从左到右遍历后求和，k∈[-n，n]。
[0059]
信号的瞬时频率归一化平均包络ωf为：
[0060][0061]
其中，为信号瞬时归一化频率的尺度平均结果。
[0062]
所述神经网络的分类器为softmax分类器、支持向量机或k近邻行校正模型。本实施例采用softmax分类器，连接示意图如图2。
[0063]
本发明还提供了一种非抑制载波fm调制信号识别方法，具体包括如下步骤：
[0064]
步骤1，提取信号的归一化中心瞬时幅度谱峰值特征γ
max
，计算公式如下：
[0065][0066][0067]
因为fm信号为恒包络信号，因此γ
max
值相对较小，am信号不满足该性质，该参数可增强am信号的可信度。
[0068]
步骤2，提取信号瞬时相位的中心非线性分量标准差σ，计算公式如下：
[0069][0070]
对于cm、fm信号包含较强的载波分量，即σ值非常小。而am、dsb、ssb调制信号包含一定的非线性相位信息，因此σ值相对较大，调制信号幅度波动越强，该参数值越大。该参数可增强fm信号的可信度。
[0071]
步骤3，提取瞬时包络及瞬时频率归一标准差比θ，计算公式如下：
[0072][0073]
θ表征调制信号的幅度波动与相位波动的比值，对于am、dsb、ssb信号θ值相对较大，对于cw、fm信号θ相对较小，通过该参量增加对低调制度am与fm信号的区分度。
[0074]
步骤4，提取瞬时幅度归一化平均包络ωa，ωa表征小尺度幅度相对波动强度，对于am、dsb、ssb信号该值相对较大，对于cw、fm该值相对较小，通过该参量能够增加fm信号的可信度。对数字调制信号而言，该值能够明显识别出ask、qam、apsk类信号。
[0075]
首先对瞬时归一化幅度进行小尺度平均，计算公式如下：
[0076][0077]
再进行包络平均得到瞬时幅度归一化平均包络，计算公式如下：
[0078][0079]
步骤5，提取瞬时频率归一化平均包络ωf，ωf表征小尺度相位相对波动强度，对于am、dsb、ssb信号该值相对较小，对于cw、fm该值相对较大，通过该参量能够增加am信号的可信度。对数字调制信号而言，该值能够明显识别出psk、fsk类信号。
[0080]
首先对瞬时归一化频率进行小尺度平均，计算公式如下：
[0081][0082]
再进行包络平均，得到瞬时频率归一化平均包络，计算公式如下：
[0083][0084]
步骤6，将提取到的多维特征输入至本发明识别模型中，通过所述识别模型实现非抑制载波fm调制信号识别。
[0085]
试验验证：
[0086]
由于特征参数与带宽b和采样率fs的比值相关，本次试验均在b/fs≈0.5(信号带宽25khz，采样率50khz)，iq中频采样条件下实施的，在实际操作过程中，可以根据信号环境以及接收机硬件性能进行灵活处理。由于话音信号存在音符间断且话音信号的强度随语言交互过程动态变化，因此用于分析的信号数据可能落在音符间隔区，因此在实际操作中，应对多次提取特征参数并进行均值处理，使特征参数更加稳定。将各种模拟话音调制信号分类存储，用于特征提取和识别模型的训练，并按照以下步骤进行训练和识别；
[0087]
步骤11，对采集存储的各种调制信号计算γ
max
，提取的多种模拟话音调制信号在不同信噪比条件下的γ
max
参数如图3所示。
[0088]
步骤12，对采集存储的各种调制信号计算σ，提取的多种模拟话音调制信号不同信噪比条件下的σ参数如图4所示。
[0089]
步骤13，对采集存储的各种调制信号计算θ，提取的多种模拟话音调制信号不同信噪比条件下的θ参数如图5所示。
[0090]
步骤14，对采集存储的各种调制信号计算ωa，提取的多种模拟话音调制信号不同信噪比条件下ωa参数的如图6所示。
[0091]
步骤15，对采集存储的各种调制信号计算ωf，提取的多种模拟话音调制信号不同信噪比条件下ωf参数的如图7所示。
[0092]
步骤16，将提取的五个特征参数进行归一和零均值初始化运算，构建一个三层softmax神经网络，利用提取参数对神经网络进行训练，训练样本数为1000。待模型收敛后在10db信噪比条件下利用验证数据集验证识别结果，识别100次，统计识别正确率，结果如图8所示，正确率非常高。
[0093]
本发明所述的五个特征，只适用于非抑制载波fm调制信号的识别，通过调整信号提取特征，本发明所述的信号识别方法也可用于其他模拟调制信号的识别，适用于目前常用的模拟调制信号，对am、dsb、lsb、usb等均有较高的识别正确率。
[0094]
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。