数字信号的分类算法研究与仿真开题报告

毕业设计（论文）开题报告

题目：数字信号的分类算法研究与仿真

一、选题的依据及意义：

通信信号的自动识别引起了越来越多的关注，它是近年来迅速发展起来的一门高新技术，是信号分析领域的重要组成部分。随着通信技术的发展，无线通信环境日益复杂，如何有效地识别和监测这些信号，特别是在低信噪比、恶劣信道条件下的调制方式的识别问题，在民用和军事领域都是重要的研究课题。调制识别技术有很高的实用价值：在民用方面，为了实施有效的无线电频谱管理，常常需要监视民用信号传输，以便发现未注册登记的发射机，此时，信号认证、干扰识别等都涉及调制方式的识别；在电子战中，为实施电子对抗、电子反对抗等，都需要通过调制识别技术查清相关通信或电子信号的参数和性质；另外信号调制识别在信号的调制参数估计、调制解调、电子侦察中都具有重要的作用和广泛的应用。以前，识别信号的调制方式是借助相关仪器通过分析信号的波形、频谱来完成的。随着微电子技术的发展，人们开始探索利用以计算机软件为核心的电子设备来识别信号的调制方式。因此，调制识别方法在软件无线电中的应用，是一个值得研究的方向。目前这方面的文章和研究越来越多。如何将调制识别方法与软件无线电的解调方法相结合，同时实现信号的自动接收和解调，是实现软件无线电的关键技术之一，具有重要的前景。

二、国内外研究现状及发展趋势（含文献综述）：

通信信号调制类型的分类识别是模式识别领域的典型问题。由于通信信号和信道噪声的一般建模为随机过程，加上未知的信道衰落、多径传播和干扰的影响，调制分类本质上是一个具有多个未知参量的多元模式分类问题。

通信信号调制识别分为人工识别和自动识别两类。人工识别是最古老、最成熟的一类方法。它仍然是通信信号调制识别所不能放弃的一种方法，尤其是对通带模拟调制信号。然而，随着数字通带调制信号在整个无线电工程中逐渐占据统治地位，使无线电调制识别所面对的信号也逐渐以数字调制为主。对数字调制信号的调制识别而言，人工识别就不再具有优势。因此，目前主要是研究以数字调制信号为识别对象的自动调制识别技术。

目前国内外已发表的有关调制识别的文献中，信号调制识别方法较多，大致上可以分为两大类：（1）基于特征提取的统计模式识别方法，（2）基于决策理论的最大似然假设检验方法。统计模式识别的方法首先要通过特征提取系统从接收的信号中提取出特征参数，然后通过模式识别系统来确定信号的调制类型。模式识别系统通常要先进行训练，这样信号到来时才能做出决策。而最大似然假设检验方法是一种似然多假说的测试问题，其特点是通过观察待识别的信号的波形，假设为某一种侯选的调制方式，然后通过相似性判断来确定其调制方式。实际中应用的最大似然判决方法是属于基于决策理论的识别方法，而基于各阶矩的分类器识别方法、基于模糊判决器的识别方法、基于人工神经网络的识别方法、基于分形与测度理论的识别方法都归属于统计模式识别的方法。

不论是决策理论途径还是模式识别途径，通信信号的自动调制识别实际上都是假设检验和统计推断这两个基本数学方法实现。其中后者的两个步骤包括：一、对信号进行特征统计处理，即构造信号的特征统计量；二、根据某种准则，将求得的信号特征量与门限进行比较，并对其调制种类做出判决。

利用统计模式识别的方法分类调制类型时，所用的分类特征归纳起来大致有三类：

（1）直方图特征

1984年，Liedtke采用统计模式识别的方法对数字调制信号进行了分类，这种识别系统用信号的瞬时幅度、相位和频率的直方图作为分类特征，存在的问题就是特征的维数太大，导致分类算法的计算量大大增加，实现复杂，若降低直方图的分辨率则会影响分类算法的识别能力，而且只有在信噪比大于等于18dB时，才能有效地识别文中所列的调制类型；1990年，Huse等人是用过零点间隔和相位差的直方图来分类等幅信号CW，MPSK和MFSK，当SNR大于等于15dB时，分类器有较好的识别率。

（2）统计矩特征

鉴于直方图分类特征的维数太大，目前常用的分类特征是信号瞬时幅度、相位和频率函数的各阶统计矩特征。Eimicke等人选择幅度、相位和频率的标准差、峰态作为分类特征；Louis采用瞬时频率、相位和幅度的均值、2阶、3阶和4阶矩识别2/4/8FSK、2/4/8PSK、16/64QAM和QPSK/MSK信号；Hill则使用幅度和频率的均值和2/3/4阶中心矩分类调制类型；1995-1998年间，A.K.Nandi和Azzouz等人在Signal Processing、IEETrans.On Communication期刊上发表论文，利用中频通信信号的瞬时包络、相位和频率的不同定义的2阶矩等七个关键特征，分别采用决策理论、神经网络和神经网络级联的方法对模拟和数字调制信号进行分类识别，所有分类器能识别的SNR都在10dB以上，对整个调制识别领域产生了深远的影响。

（3）变换域特征

Weaver等人利用信号的频谱形状识别USB、LSB、CW、FSK、MFSK等短波通信信号，实际上是利用信号的傅立叶变换域特征；Ghan利用周期图和高阶谱作为分类特征，来识别AM、FM、ASK、QPSK和SSBUSB信号，使用的是高阶傅立叶域特征；Marinovic等人对基带带通信号进行过采样，以半个码元为一行构造特征矩阵，利用特征值分解来识别

MSK/QPSK，但需要知道码元的定时信息；另有一些研究人员用信号幅度的概率函数的傅氏变换谱、相位直方图的FFT变换系数、基带信号复包络的归一化相关函数等特征来分类QAM、MPSK和FSK等信号[1]；Ta则首先对中频信号进行小波包分解，求出每层精细部分和逼近部分分解向量的平均能量，然后将这些平均能量按一定顺序排列构造出分类特征；另外由于数字通信信号在本质上具有循环稳定性，利用循环谱、循环平稳建模、分析通信信号，理论上能更多地得到关于信号结构特征的分类信息。2004年,清华大学的范海波、杨志俊等人提出了一种基于谱特征的通信信号调制方式自动识别新方案，该方案直接从信号功率谱、平方谱和四次方谱中提取一组顽健性强的特征参数，在不需要先验知识的情况下对卫星信道中常用调制方式的信号进行自动识别，在信噪比大于5dB时其总体识别率达98%以上[2,3]。

与分类特征选取的多样性相比，用于调制识别的分类器或分类规则的种类就相对较少一些。从已发表的文献中可以看到，Azzouz等人利用数值仿真得到不同调制类型假设下分类特征的均值、方差参数，在假定估计的分类特征服从高斯分布的前提下，使用贝叶斯最小错误代价准则来确定分类器的门限，完成了分类器的设计；Jondral利用了最小均方误差准则，省去了贝叶斯分类准则最优门限的计算问题；除欧氏距离测度外，还有Hellinger距离测度、盲信息论测度等其他的距离测度。常用到的分类器还包括Fisher线性判决分类器、最邻近模式识别分类器、二分树形分类器、神经网络分类器、模糊逻辑分类器等等。

三、本课题研究内容

本课题主要研究基于瞬时特征提取的统计模式识别的调制盲识别方法，针对3种最简单的调制方式(ASK、PSK、FSK)，分析了它们的主要特点和不足，引入了小波分析的概念，并详述了它在调制类型识别方面的特点和优势。因为小波变换具有良好的时间，频率局域化特征和多分辨率分析的特性，所以小波变换是一种能有效地从不同调制类型的信号中提取瞬时特征的技术，而且不需要已调信号任何的先验知识。不同类型信号的小波变换系数的明显不同非常适合对数字调制信号的调制类型进行识别。在理论上对四种数字通信信号运用小波进行分析后得到了不同的变换结果，在此基础上建立了同时对这四种典型数字通信信号进行类间和类内识别的调制识别器模型。这种调制识别器主要利用输入信号小波变换量的不同来进行调制类型的识别。识别器通过将小波变换幅度的方差与判决门限比较来对类间信号进行调制识别，利用信号的小波变换的幅度层数和峰值大小种数来进行类内调制类型的识别。

四、本课题研究方案

本课题结合采用基于特征提取的统计模式识别方法和小波变换分析进行对数字调制系统调制方式的识别。首先通过减小幅度影响对信号进行归一化处理，然后对ASK，FSK和PSK三种典型的通信信号进行小波分析，推导它们的变换过程，详细地分析每类信号进行变换后产生的不同特征量，指出它们之间的共同点和差异。最后，本课题在MATLAB7.0仿