论文翻译五：A New Method of Automatic Modulation Recognition Based on Dimension Reduction

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 New Method of Automatic Modulation Recognition Based on Dimension Reduction

一种基于降维的自动调制识别新方法
Hui Wang, LiLi Guo
College of Information and Communication Engineering
Harbin Engineering University
Harbin, China
wanghui@hrbeu.edu.cn

摘要—为了提高低信噪比（SNR）下信号调制识别方法的识别率，提出了一种调制识别方法。 在本文中，我们研究了通过人工神经网络（ANN）进行的自动调制识别。 实施和设计7种数字调制分别是：2FSK，4FSK，8FSK，BPSK，QPSK，MSK和2ASK。 通过主成分分析（PCA）进行降维后的循环频谱被选为基于ANN的数字调制识别器的关键特征。 我们通过加性高斯白噪声（AWGN）破坏了信号，以测试算法。 仿真结果表明，人工神经网络可以对当前发展状态的信号进行分类。

关键词：自动调制识别； 人工神经网络; 循环光谱 主成分分析

1.简介

由于频谱有限，为了满足各种用户的需求，并更充分地利用频率资源，信号以不同的方式进行调制。
多年来，调制识别的重要性日益提高[1]。 在军事和商业应用中已经进行了广泛的工作[2]，它也是智能信号分析和处理中的关键技术[3]。
通常，调制识别方法分为两大类：人工识别方法和自动调制识别方法。 人工识别方法是将信号从高频转换为中频，然后使用调制解调器对信号进行解调，然后使用耳机和频谱分析仪等相关仪器来判断解调结果。 然而，人工识别方法需要丰富的经验和知识，并且当符号率较高时，识别率是不准确的。 自动调制识别方法分为三个主要过程：数据预处理，特征提取和分类决策。 数据预处理是对信号进行下变频后的载波和符号率的估计。
特征提取的用途是转换原始数据，以提取一些可以更容易分类的特征。分类决策是根据提取的特征来判断调制类型。
自动调制识别采用了许多功能，包括小波系数，高阶统计量（HOS）等。同时，还采用了不同的方法来进行分类决策，例如概率密度函数（PDF）匹配方法，无监督聚类技术， 和支持向量机（SVM）。
然而，上述调制识别技术要么在计算上很麻烦，要么导致性能不令人满意，因此仍然需要新的鲁棒的有效调制识别方案。

在本文中，我们提出了一种基于循环频谱特征和人工神经网络的信号调制自动识别方法。 循环频谱作为信号的特性，对噪声不敏感，有利于低信噪比环境下的信号调制识别。 但是，信号的循环频谱是大量数据，如果直接将其识别为特征，则会有很多冗余信息。 一方面，它增加了复杂性，另一方面，它可能会干扰最终的识别。 因此，本文采用PCA降维方法来减小循环频谱特征的维数。 对于分类器，我们选择人工神经网络作为分类器。 神经网络分类器具有很强的模式识别能力，可以很好地解决复杂的非线性问题。 同时，它具有更好的鲁棒性，通常用于调制识别。
本文的其余部分安排如下。
第二部分是系统模型，其中我们介绍了信号表达和研究环境。 第三节将降维后的循环光谱描述为特征。 第四节介绍了基于神经网络的自动调制分类的分类器，并讨论了一些网络参数。 实验在第五部分进行，最后第六部分总结了论文。

2. 系统模型

像许多研究一样，在本文中，我们还将假设完美的频率偏移和时间偏移恢复。 我们还将假设信道是频率非选择性的，具有加性高斯白噪声（AWGN）[5]。 接收信号的一般表达式为 x ( t ) x(t) x(t)，其表达式为：

其中h (t)是无噪声的接收信号，n( t)是高斯噪声。 接收到的信号被送入我们的自动调制分类系统，通过特征提取和分类决策（由于模拟，预处理将被省略），调制类型可以从系统中输出。 系统框图如图1所示。

3. 特征提取

特征提取起着非常重要的作用，直接关系到CR中信号识别算法的可行性。
这些功能必须对数字调制类型敏感，而对SNR变化不敏感。 [6]在本节中，我们通过提取一些不同的分量来减小循环频谱投影的大小。 这些分量可以表示为d维向量，我们将这些向量视为特征。

• A.循环频谱
  自动调制识别的第一步是估计接收信号的循环频谱。 已经证明，循环频谱检测可以用于许多类型的调制[7]。 我们将信号的自相关表示为 R x R_x Rx​，当信号x(t)是循环平稳信号时，它是周期性的，因此根据上述已知：
  
  其中，T是周期，且 τ \tau τ是滞后的。 x ( t ) x(t) x(t)的循环自相关函数写为 R x α R^{\alpha}_x Rxα​ ：
  
  其中 α = m / T \alpha=m/T α=m/T 。 最后，循环频谱 S x α ( f ) S^{\alpha}_x(f) Sxα​(f)
  可以通过傅立叶变换循环自相关来获得：
  
  其中α和f分别是循环频率和频谱频率。 为了进一步提取特征，我们需要获得循环频域轮廓，该轮廓只是每个α值处循环频谱的最大值。 该公式可以写成如下。 这可以将循环频谱从矩阵反转为向量，并减少后续识别的计算。
  
  图2显示了7种信号的循环频域分布，并且没有噪声。

• B.特征尺寸缩减

在获得循环频域轮廓之后，特征向量仍然具有较大的长度。 主成分分析（PCA）是减小尺寸的好方法。
PCA是一种数学过程，它使用正交变换将一组相关变量的观测值转换为一组称为主成分的不相关变量的值。 PCA将数据绘制到一个新的坐标系中，在该坐标系中具有最大协方差的数据被绘制在一起，被称为第一个主成分。 同样，也有第二和第三主要组成部分，依此类推。 第一主成分具有最大能量浓度.

PCA要分析的数据表包括由J个变量描述的I个观测值，并由 I x J IxJ IxJ矩阵 X X X表示，每个观测值都是循环频域轮廓 I ( α ) I(\alpha) I(α) 。 矩阵 X X X的等级 L L L在 L ≤ m i n { I , J } L\leq min{\{I,J}\} L≤min{I,J} [9]。

通常，数据表将在分析之前进行预处理。 几乎总是X的列将居中，以使每列的平均值等于0。除居中外，当变量以不同单位计量时，习惯上将每个变量标准化为单位范数。 这是通过将每个变量除以其范数[9]而获得的。 在这种情况下，相关矩阵可以写成：

C x C_x Cx​捕获所有可能的观察对之间的协方差。 协方差值反映了我们测量中的噪声和冗余。 接下来，我们需要获得特征值和特征向量[10]。



我们利用PCA算法来减小循环频域轮廓的维数，从上述实验中我们得到的维数为193。我们使用10000个样本获得了PCA的变换矩阵，图3表明，从实验中我们可以看到 因为前40个分量的能量为98％，所以我们将最终特征向量维设置为40。

到此为止,我们得到一个长度为40的特征向量，接下来我们将设计分类器。

4.分类器

人工神经网络现在被用于许多领域。
它们已经被确立为可行的，多功能的，鲁棒的计算方法，并具有扎实的理论支持，并且具有在任何学科中都有效的强大潜力。 [11]神经网络是一种机器学习，具有自学习，自适应和高度稳定的特点，可以提高自身免疫性和识别智能。 神经网络通过改变节点的权重来改善分类性能，就像人们的大脑一样。 在本文中，BP神经网络被用作分类器。

BP神经网络在这里具有三种类型的层，它们是输入层，隐藏层和输出层。
根据降维后特征向量的长度将输入层设置为40。 由于信号类型的数量，输出层设置为7。 在输出层上，每个节点代表一种信号，代表当前信号类型的节点的值为1，其他节点的值为0。用于分类问题的网络仅由一个隐藏层组成，通常， 隐藏层节点数由经验公式设计。

其中，n是输入节点数，l是输出节点数，a是1到10的整数范围。在本文中，隐藏节点数可以设置为8〜17。

5.实验与分析

该方法对7种信号进行了测试，分别是2FSK，4FSK，8FSK，BPSK，QPSK，MSK和2ASK。 模拟的参数表示为：符号率是1000bps，载波频率是4 kHz，采样率是16 kHz。 我们使用MATLAB R2014a来完成所有这些工作。

为了训练分类器，每种调制类型获得1000个信号，信噪比范围从-10 dB到15dB，因此，在仿真中获得7000个信号，然后根据循环特征提取获得样本数据。 为了识别，应在每个SNR处对要识别的每种信号调制模式进行500次采样，并且与训练相同，SNR的范围也从-10 dB到15 dB。

神经网络参数设置为：学习速率为0.01，最小值的均方误差设置为0.01，通过训练的迭代次数为150。根据实验，如果迭代次数大于 一个值，均方误差将增加，从而导致过度拟合现象。 总训练时间为7秒。

仿真结果表明了7种信号的识别率。 当SNR高于0dB时，所有识别率都高于95％。 当SNR高于-3dB时，2FSK，4FSK，8FSK和2ASK信号的识别率高于98％。 结果表明，该方法在自动调制识别中具有很好的性能。

6.结论

该方法具有在低信噪比下识别率高的优点。 本文中使用的PCA降维方法可以减少系统的实时性，可以减少神经网络的训练时间，使计算量更小。

R EFERENCES
[1] Yin Z. Research of Communication Signal Modulation Scheme
Recognition Based on One-class Svm Bayesian Algorithm[C]
//International Conference on Wireless Communications,
Networking and Mobile Computing, IEEE, 2009: 1-4.
[2] Zhou L,Man H. Distributed Automatic Modulation Classification
Based on Cyclic Feature Via Compressive Sensing[C]//Milcom
2013 - 2013 Ieee Military Communications Conference, IEEE,
2013: 40-45.
[3] Li SP,Chen FC,Wang L. Modulation Recognition Algorithm of
Digital Signal Based on Support Vector Machine[C]//Control and
Decision Conference, IEEE, 2012: 3326-3330.
[4] Yan X,Feng G,Wu H, et al. Innovative Robust Modulation
Classification Using Graph-based Cyclic-spectrum Analysis[J].
Ieee Communications Letters, 2016, 21(1): 16-19.
[5] [Abuella H,Ozdemir MK. Automatic Modulation Classification
Based on Kernel Density Estimation[J]. Canadian Journal of
Electrical & Computer Engineering, 2016, 39(3): 203-209.
[6] El-khoribi RA,Shoman MAI,Mohammed AGA. Automatic Digital
Modulation Recognition Using Artificial Neural Network in
Cognitive Radio[J]. International Journal of Emerging Trends &
Technology in Computer Science, 2014, 3(3): 132-136.
[7] Wagstaff AJ. Logarithmic Cyclic Frequency Domain Profile for
Automatic Modulation Recognition[J]. Iet Communications, 2008,
2(8): 1009-1015.
[8] Yassin NI,Salem NM,Adaway MIE. Block Based Video
Watermarking Scheme Using Wavelet Transform and Principle
Component Analysis[J]. International Journal of Computer Science
Issues, 2012, 9(1): 1-5.
[9] Abdi H,Williams LJ. Principal Component Analysis[J]. Wiley
Interdisciplinary Reviews: Computational Statistics, 2010, 2(4):
433-459.
[10] Shlens J. A Tutorial on Principal Component Analysis[J]. In
Systems Neurobiology Laboratory, Salk Institute for Biological
Studies, 2014, 51(3):219-226.
[11] Dayhoff JE,Deleo JM. Artificial Neural Networks[J]. Cancer, 2001,
91(S8): 1615-1635.

标签：频谱,Based,Modulation,调制,分类器,循环,信号,识别,Dimension
来源： https://blog.csdn.net/xuanye2008/article/details/111460641