论文翻译三：A Modified Method for Digital Modulation Recognition based on Instantaneous Signal Features

30天挑战翻译100篇论文

坚持不懈，努力改变，在翻译中学习，在学习中改变，在改变中成长…

A Modified Method for Digital Modulation Recognition based on Instantaneous Signal Features

一种基于瞬时信号特征的数字调制识别方法
Yang Yangqiang, Zhang Xueqing
College of Information and Communication, National University of Defense Technology
Wuhan, China

摘要 数字调制识别是信号处理的重要组成部分。 在介绍瞬时特征及其统计量的基础上，分析了基于固定阈值决策理论的经典识别方法，找到了一种在低信噪比下正确识别率低的经典识别方法。 提出了一种基于动态阈值的信噪比识别方法。 特别地，首先增加了SNR估计的过程，然后实现了具有动态阈值的新的调制识别。 与基于固定阈值决策理论的经典识别方法相比，该改进方法对低信噪比信号具有更高的识别率。
关键字 调制识别，瞬时信号特征，SNR估计，动态阈值

1.简介

数字调制识别是进一步信号处理的基础。 特别地，在非合作通信领域中，认识到数字调制的模式非常重要。 其中大量研究都是基于统计理论的方法，例如基于瞬时特征的方法[1]，高阶累积量[2]或小波变换[3]。 基于信号瞬时特征的经典数字调制识别方法的研究起源于1990年代的Nandi和Azzouz [1]，并取得了许多成就。 对于经典方法，首先通过希尔伯特变换将接收信号转换为解析形式，然后提取瞬时幅度，瞬时相位和瞬时频率，构造9个统计特征，实现了模式识别方法的调制识别。 最后。 在这种经典方法的基础上，进一步的研究集中在特征的提取和分析以及分类器的设计和改进上。

关于特征的提取和分析，Tang [4]提出了一种基于高阶累积量和瞬时特征相结合的数字调制识别的优化方法，并利用神经网络对常见的数字信号进行了调制识别。 [5]考虑带宽从1 MHz到7 MHz的信号，并根据ndwidth的变化选择决策阈值，侯[6]发现瞬时特征随着载波频率和采样频率的变化而明显变化 ，因此根据信号的载波频率采用不同的阈值，Liu [7]采用了对SNR不敏感的三个特征，并使用KNN分类器实现了调制识别。 关于分类器的设计和改进，Popoola [8]提出了一种与Conjgrad算法相结合的方法，以浅层结构的人工神经网络为基础实现模拟和数字调制的识别，Niu [10]提出了一种针对模拟和数字的调制识别的方法。 基于改进的BP神经网络的数字混合信号。
具有基于瞬时特征的决策树分类器的方法，原理简单，实现不难，在信噪比较高的情况下，可以得到满意的识别结果。
但是，在低SNR时，此方法的正确识别率较低。 本文分析了基于固定阈值决策理论的经典识别方法，提出了一种基于信噪比的动态阈值改进方法。 仿真表明，与固定阈值的经典识别方法相比，本文提出的方法对于低信噪比信号可以获得更高的正确识别率。
本文的其余部分安排如下：第2节介绍典型的数字调制信号及其瞬时统计特征，第3节分析基于具有固定阈值的瞬时特征的经典方法，并根据SNR提供具有动态阈值的改进方法， 第4节给出了仿真结果，第5节给出了结论。

2. 固定阈值的即时特征和经典决策树分类器

A.瞬时特征

数字调制识别可以通过计算信号瞬时特征并使用各种分类器来实现。 下面列出了五个广泛使用的瞬时功能，它们是 γ m a x , σ a a , σ a p , σ d p 和 σ a f \gamma_{max},\sigma_{aa},\sigma_{ap},\sigma_{dp}和\sigma_{af} γmax​,σaa​,σap​,σdp​和σaf​

1）归一化瞬时振幅密度最大值 γ m a x \gamma_{max} γmax​

2）零中心单一瞬时振幅绝对值的标准偏差 σ a a \sigma_{aa} σaa​

3）零中心非弱线段瞬时相位非线性分量的绝对标准偏差 σ a p \sigma_{ap} σap​

4）零中心非弱段单一瞬时相位的非线性分量的标准偏差 σ d p \sigma_{dp} σdp​

5）零中心归一化非弱信号段的瞬时频率的绝对绝对标准偏差 σ a f \sigma_{af} σaf​

B.具有固定阈值的经典决策树分类器

用于数字调制识别的经典决策树分类器采用固定阈值，决策过程如图1所示。

3.基于SNR的动态阈值的改进决策方法。

A.瞬时特征分析

使用基于瞬时特征的具有固定阈值的决策树分类器的经典方法具有原理简单，易于实现的优点，并且在信号信噪比较高的情况下也可以获得满意的识别结果。 但是，某些特征会随着SNR的增加而缓慢收敛，并且不存在可将任何SNR信号的特征分开的阈值。 因此，具有固定阈值的经典方法不能很好地对信号的所有瞬时特征进行分类，并且将导致正确识别率低，特别是SNR低。

拿 σ a f \sigma_{af} σaf​为例。 σ a f \sigma_{af} σaf​ 价值 随着SNR的增加而收敛。 如果采用固定阈值，为了确保在高SNR时满足识别率，则固定阈值必须在0.26和0.29的范围内，并且中心值0.275是最佳的。 不幸的是，如图3所示，如果采用最佳0.275作为阈值，则当SNR低于5dB时，2FSK信号将被分类为4FSK。

针对固定阈值的经典决策树分类器的瞬时特征收敛过程和低信噪比下正确识别率低的缺点，提出了一种根据信噪比动态阈值的改进方法。 改进后的方法得到了额外的信噪比估计程序，然后根据信噪比估计结果选择阈值。 拿 σ a f \sigma_{af} σaf​ 如前所述，以 σ a f \sigma_{af} σaf​ 为例。 根据SNR采用一系列阈值，并且这些阈值随着瞬时特征α的收敛而收敛。 σ a f \sigma_{af} σaf​ 结果，提出了一种基于SNR的动态阈值的改进方法。

B.基于SNR的动态阈值的改进方法

与经典决策树分类器的决策过程不同，基于SNR的动态阈值的改进方法具有SNR估计的附加过程，并且所有采用的阈值都随SNR Expect γ m a x \gamma_{max} γmax​变化。 当SNR大于1dB时，对MASK和MPSK / MFSK进行分类具有令人满意的效果，与SNR无关。

4. 模拟与分析

下面列出了仿真参数。 信号中心频率为1000 Hz，采样频率为10kHz，FSK的频移为400 Hz，符号率为100 Baud / s。 对于SNR在0dB至20dB之间的情况，经典方法和改进方法分别进行了100次蒙特卡洛仿真。 用于仿真的计算机配置了64位Windows 10家庭版Intel®??? -6500U @ 2.5GHz CPU和8.0GB RAM。

仿真结果表明，当信噪比大于7dB时，经典的固定阈值决策树方法可以正确分类；当信噪比大于5dB时，基于SNR的动态阈值改进方法可以正确分类。 与传统方法相比，改进方法的识别率总体较高。 仿真结果还验证了基于SNR的动态阈值的改进方法优于具有固定阈值的经典方法。

5.结束语

在分析经典阈值固定决策树方法的基础上，通过基于动态阈值的信噪比代替固定阈值对方法进行了改进，仿真结果表明，该方法在低识别率方面优于经典方法。 SNR。 改进方法的成本是SNR估计的附加过程，潜在的SNR估计误差可能导致改进方法的性能下降。 进一步的工作可能集中在解决上述问题上。

R EFERENCES
[1] AZZOUZ E E, NANDI A K, ?Algorithms for automatic recognition of
communication signals[J]?? IEEE Transactions on Communications,
1998, pp. 431-436.
[2] Reichert J, ?Automatic classification of communication signals using
higher order statistics[J]?? IEEE International Conference on Acoustics,
Speech and Signal Processing, 1992, vol. 5, pp. 221-224.
[3] Ho K C, Prokopiw W, Chan Y T, ?Modulation identification of digit
wavelet transform [J]?? IEEE Proceeding of Radar, Sonar, Navigation.
2000, vol. 147, no. 4, pp. 169-176.
[4] Tang Xiao-heng, CHEN Yin???Automatic digital modulation recognition
based on combined feature parameters [J]?? Systems Engineering and
Electronics, 2011, vol. 33, no. 12, pp. 2732-2736.
[5] Shuxia GUO, ???Band adaptive modulation pattern recognition
method research?? 2009 3 rd International Conference on Anti-
Counterfeiting, Security and Identification in Communication, pp. 179-
182.
[6] Ligang Hou, Yangqing Li, Jinhui Wang, ?Grouping Carrier Frequency
Method for Digital and Analogue Modulations Recognition?, 2012 2 nd
International Conference on Consumer Electronics, Communications
and Networks, pp. 2609-2612.
[7] Liu Ning, Guo Shuxia, Liu Bing, Luo Ronghui, ?Investigation on signal
modulation recognition in the low SNR?, 2010 International Conference
on Measuring Technology and Mechatronics Automation, pp. 528-531.
[8] POPOOLA J J, OLST R V, ?Development and comparative study of
effects of training algorithms on performance of artificial neural network
based analog and digital automatic modulation recognition[J]?? Journal
of Engineering Science and Technology Review, 2015, vol. 8 no. 4, pp.
135-144.
[9] Niu Guoqing, Yao Xiujuan, Yan Yi, Wang Chunmei, ?Modulation
recognition algorithm of digital and analog mixed signal based on neural
network [J]???Computer Engineering, 2016, vol. 42, no. 4, pp. 101-104.

标签：based,Features,阈值,af,Modulation,信噪比,瞬时,SNR,方法
来源： https://blog.csdn.net/xuanye2008/article/details/111356131