黨月芳，徐啟建，張 杰，陳 曉

(1.國(guó)防信息學(xué)院，武漢 430009;2.中國(guó)電子設(shè)備系統(tǒng)工程公司研究所，北京 100071)

0 引言

通信信號(hào)的調(diào)制方式自動(dòng)識(shí)別具有重要意義，它為接收信號(hào)進(jìn)一步的分析處理提供重要依據(jù)。在民用領(lǐng)域，信號(hào)調(diào)制方式自動(dòng)識(shí)別應(yīng)用于頻譜監(jiān)測(cè)中的信號(hào)身份確認(rèn)和干擾確認(rèn);在軍用領(lǐng)域，信號(hào)調(diào)制方式自動(dòng)識(shí)別應(yīng)用于對(duì)敵方通信信號(hào)的截獲、干擾和破壞。目前的自動(dòng)識(shí)別方法大多是集中式處理，由單個(gè)節(jié)點(diǎn)進(jìn)行信號(hào)的預(yù)處理、特征提取和分類識(shí)別。無(wú)線傳感器網(wǎng)絡(luò)在分布式處理方面具有很大優(yōu)勢(shì)，基于無(wú)線傳感器網(wǎng)絡(luò)的分布式信號(hào)檢測(cè)、估計(jì)、識(shí)別受到越來(lái)越多的關(guān)注。

文獻(xiàn)［1，2］提出了傳感器網(wǎng)絡(luò)中基于似然函數(shù)的調(diào)制識(shí)別方法，文獻(xiàn)［3］提出了基于特征參數(shù)的調(diào)制識(shí)別方法，文獻(xiàn)［4］利用無(wú)線傳感器網(wǎng)絡(luò)中相互協(xié)作的多個(gè)傳感器，在傳感器開銷最小的前提下，依據(jù)五種特征參數(shù)的組合，利用徑向基神經(jīng)網(wǎng)絡(luò)分類器對(duì)數(shù)字通信信號(hào)進(jìn)行識(shí)別。文章從傳感器網(wǎng)絡(luò)自身特點(diǎn)出發(fā)，由傳感器節(jié)點(diǎn)提取能顯著區(qū)分信號(hào)調(diào)制方式的五個(gè)特征，構(gòu)成特征矢量，將特征矢量發(fā)送到中心節(jié)點(diǎn)，利用粒子群優(yōu)化算法(PSO，particle swarm optimizer)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練優(yōu)化，得到識(shí)別結(jié)果［5］。

1 基于無(wú)線傳感器網(wǎng)絡(luò)的調(diào)制識(shí)別系統(tǒng)模型

信號(hào)從發(fā)送機(jī)到接收機(jī)的過(guò)程中，受到地形或障礙物的影響，會(huì)發(fā)生反射、繞射、衍射等現(xiàn)象，接收機(jī)接收到的信號(hào)由不同路徑的來(lái)波組成，由于不同路徑的來(lái)波到達(dá)時(shí)間不同，導(dǎo)致相位不同。不同相位的來(lái)波在接收端因反相疊加而造成幅度衰落，這種由多徑引起的衰落稱為多徑衰落。發(fā)射機(jī)與接收機(jī)之間存在障礙物時(shí)，由于障礙物阻隔而導(dǎo)致信號(hào)幅度大幅衰落，這種衰落稱為陰影衰落。由于多徑和陰影衰落的影響，使得單節(jié)點(diǎn)調(diào)制識(shí)別存在固有的缺陷。

所采用的基于無(wú)線傳感器網(wǎng)絡(luò)的調(diào)制識(shí)別系統(tǒng)模型［2］，如圖1 所示。

圖1 基于無(wú)線傳感器網(wǎng)絡(luò)的調(diào)制識(shí)別系統(tǒng)模型

分布在一定區(qū)域內(nèi)的無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)接收到調(diào)制信號(hào)，經(jīng)過(guò)相應(yīng)的預(yù)處理后，提取信號(hào)的高階累積量特征，發(fā)送到中心節(jié)點(diǎn)，由中心節(jié)點(diǎn)中的神經(jīng)網(wǎng)絡(luò)進(jìn)行信號(hào)的調(diào)制識(shí)別。傳感器節(jié)點(diǎn)接收到的信號(hào)可表示為式中，A為載波幅度;an為發(fā)送碼元序列;g(t)為發(fā)送碼元波形;θc為載波初始相位;n(t)為高斯白噪聲。

2 基于無(wú)線傳感器網(wǎng)絡(luò)的信號(hào)調(diào)制識(shí)別流程與算法

首先由傳感器節(jié)點(diǎn)提取信號(hào)的五個(gè)特征參數(shù)，發(fā)送到中心節(jié)點(diǎn)。在中心節(jié)點(diǎn)，用粒子群優(yōu)化算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)，最后利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)樣本信號(hào)進(jìn)行分類識(shí)別?；跓o(wú)線傳感器網(wǎng)絡(luò)的信號(hào)調(diào)制識(shí)別流程，如圖2所示。

圖2 基于無(wú)線傳感器網(wǎng)絡(luò)的信號(hào)調(diào)制識(shí)別流程

2.1 特征參數(shù)的提取

為方便本文提出方法與決策論方法進(jìn)行對(duì)比，采取最常用于決策論方法的參數(shù)，參照文獻(xiàn)［6～8］，提取能顯著區(qū)分信號(hào)調(diào)制方式的五個(gè)經(jīng)典的特征參數(shù)，分別為

(1)零中心歸一化瞬時(shí)幅度之譜密度最大值γmax

式中，Ns為取樣點(diǎn)數(shù);acn(i)為零中心歸一化瞬時(shí)幅度，由下式計(jì)算

(2)零中心非弱信號(hào)段瞬時(shí)相位非線性分量絕對(duì)值的標(biāo)準(zhǔn)偏差σap

式中，at是判斷弱信號(hào)的一個(gè)幅度判決門限電平;c是在全部取樣數(shù)據(jù)Ns中屬于非弱信號(hào)值的個(gè)數(shù);φNL(i)是經(jīng)零中心化處理后瞬時(shí)相位的非線性分量，在載波完全同步時(shí)，有式中為瞬時(shí)相位。

(3)零中心非弱信號(hào)段瞬時(shí)相位非線性分量的標(biāo)準(zhǔn)偏差σdp

(4)零中心歸一化瞬時(shí)幅度絕對(duì)值的標(biāo)準(zhǔn)偏差σaa為

(5)零中心歸一化非弱信號(hào)段瞬時(shí)頻率絕對(duì)值的標(biāo)準(zhǔn)偏差σaf

式中，

式中，Rs為數(shù)字信號(hào)的符號(hào)速率，f(i)為信號(hào)的瞬時(shí)頻率。

2.2 粒子群優(yōu)化算法

基于無(wú)線傳感器網(wǎng)絡(luò)的分布式協(xié)同信號(hào)識(shí)別的分類器設(shè)計(jì)部分采用粒子群算法對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化。在PSO中，粒子以一定的速度在搜索空間運(yùn)動(dòng)。在每一次迭代過(guò)程中，通過(guò)計(jì)算適應(yīng)度函數(shù)，每個(gè)個(gè)體記下它經(jīng)過(guò)的最優(yōu)位置。個(gè)體根據(jù)自己先驗(yàn)知識(shí)和臨域中其他個(gè)體的歷史最優(yōu)位置來(lái)改變自己的位置與速度，從而趨向全局最優(yōu)。PSO的優(yōu)勢(shì)在于簡(jiǎn)單容易實(shí)現(xiàn)，并且沒(méi)有許多參數(shù)需要調(diào)整。

設(shè)群體規(guī)模為N，在D維搜索空間中，第i(i=1，…，N)個(gè)粒子在搜索空間中的位置可以表示為x=(x1，x2，…xD)，其飛行速度可以表示為 v=(v1，v2，…vD)，則在第t+1代時(shí)，第i個(gè)粒子將根據(jù)下面的公式［8］來(lái)更新自己的位置和速度。

式中，d=1，…，D;pid為第i個(gè)粒子曾經(jīng)到過(guò)的最佳位置，稱為個(gè)體極值;pgd表示整個(gè)種群目前搜索到的最佳位置，稱為全局極值;w是慣性權(quán)重;c1和c2為常數(shù)，稱為學(xué)習(xí)因子或加速度系數(shù);r1和r2是(0，1)上的隨機(jī)數(shù)。每個(gè)粒子的個(gè)體極值由下面的公式來(lái)更新

所有粒子的全局極值按如下方式選取。

為使粒子飛行速度不致過(guò)大飛出搜索空間范圍，可設(shè)置最大速度Vmax，當(dāng)速度vi＞Vmax時(shí)，取vi=Vmax;當(dāng) vi＜ － Vmax時(shí)，取 vi= － Vmax。

2.3 神經(jīng)網(wǎng)絡(luò)分類器的設(shè)計(jì)

為了避免反向傳播網(wǎng)絡(luò)(BP，back propagation)神經(jīng)網(wǎng)絡(luò)(又叫多層前饋網(wǎng)絡(luò))的收斂速度慢和局部極小值的局限性，采用徑向基神經(jīng)網(wǎng)絡(luò)(RBF，radial basis functions)，來(lái)提高其收斂速度和分類能力。假定輸入樣本為x，則隱含層第i個(gè)單元的輸出為

式中，K為隱含層單元的個(gè)數(shù);μi為基函數(shù)的中心;σi為第i個(gè)隱含層單元的高斯函數(shù)的寬度，輸出層節(jié)點(diǎn)的輸出為

式中，Wij為第i個(gè)隱含層節(jié)點(diǎn)到第j個(gè)輸出層節(jié)點(diǎn)的權(quán)值。N 為輸出節(jié)點(diǎn)個(gè)數(shù)。μi，σi，Wij三個(gè)參數(shù)通過(guò)粒子群算法進(jìn)行優(yōu)化獲得。神經(jīng)網(wǎng)絡(luò)的一組參數(shù)構(gòu)成一個(gè)粒子的多維位置信息，把樣本數(shù)據(jù)送入神經(jīng)網(wǎng)絡(luò)，記錄目標(biāo)輸出與實(shí)際輸出之間的誤差和作為那個(gè)粒子的適應(yīng)度值。算法步驟如下。

Step 1:對(duì)種群中粒子的位置和速度進(jìn)行隨機(jī)初始化;

Step 2:計(jì)算每個(gè)粒子的適應(yīng)度;

Step 3:根據(jù)式(11)更新粒子的個(gè)體最優(yōu);

Step 4:根據(jù)式(12)更新全局最優(yōu)位置;

Step 5:根據(jù)式(9)和(10)對(duì)粒子的速度和位置進(jìn)行更新;

Step 6:如果沒(méi)有達(dá)到終止條件(一般為預(yù)設(shè)最大迭代數(shù)或預(yù)設(shè)適應(yīng)度值)，則返回Step 2。否則轉(zhuǎn)向Step 7。

Step 7:將測(cè)試數(shù)據(jù)送入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，得到識(shí)別結(jié)果。

3 仿真結(jié)果

按照上述識(shí)別流程和算法對(duì) 2ASK，4ASK，2FSK，4FSK，BPSK，QPSK六種典型信號(hào)調(diào)制方式用MATLAB7.0進(jìn)行了仿真。信噪比變化范圍為0～5 dB，采樣速率40 000，載波速率20 000，符號(hào)速率200，碼元個(gè)數(shù)150。傳感器數(shù)目選擇50，各采樣兩次，分別作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和測(cè)試樣本。選用3層RBP神經(jīng)網(wǎng)絡(luò)，每組數(shù)據(jù)含五個(gè)特征參數(shù)，網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)為5，輸出為六種調(diào)制方式的判斷結(jié)果，輸出節(jié)點(diǎn)數(shù)為6，設(shè)定隱含層節(jié)點(diǎn)數(shù)為5，每一種調(diào)制信號(hào)仿真100次。粒子群算法優(yōu)化過(guò)程中，迭代次數(shù)250，粒子維數(shù)60，種群規(guī)模20，粒子數(shù)，粒子的范圍:σi∈ [0.1，3]，Wij∈ [ －1，1]。在信噪比為5 dB時(shí)系統(tǒng)輸出最小誤差進(jìn)化過(guò)程，如圖3所示。

圖3 粒子群算法優(yōu)化RBF網(wǎng)絡(luò)權(quán)值中最小誤差進(jìn)化過(guò)程

由圖3可以看出，當(dāng)粒子進(jìn)化次數(shù)少于50次時(shí)，隨著進(jìn)化次數(shù)的增加，系統(tǒng)輸出誤差急劇降低;進(jìn)化超過(guò)100次以后，系統(tǒng)輸出誤差變化較緩慢，接近于0。

傳統(tǒng)的決策論方法調(diào)制識(shí)別率統(tǒng)計(jì)見表1。

表1 基于傳統(tǒng)決策論方法的調(diào)制識(shí)別率統(tǒng)計(jì)

集中式與分布式調(diào)制識(shí)別正確識(shí)別率見表2。

表2 集中式與分布式調(diào)制識(shí)別正確識(shí)別率對(duì)比

通過(guò)以上分析，可以得出如下結(jié)論。

(1)粒子群算法對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化過(guò)程中，迭代次數(shù)超過(guò)100次后能得到較低的輸出誤差;

(2)基于無(wú)線傳感器網(wǎng)絡(luò)的分布式調(diào)制識(shí)別在性能上優(yōu)于基于傳統(tǒng)決策論方法的調(diào)制識(shí)別方法;

(3)集中式信號(hào)調(diào)制識(shí)別的正確識(shí)別率與其所在的環(huán)境密不可分，在不確知周圍環(huán)境條件時(shí)，采用基于無(wú)線傳感器網(wǎng)絡(luò)的分布式調(diào)制識(shí)別方法具有明顯優(yōu)勢(shì)，5～25 dB時(shí)平均識(shí)別率達(dá)到90%以上;

(4)基于無(wú)線傳感器網(wǎng)絡(luò)的分布式調(diào)制識(shí)別方法存在的不足是識(shí)別時(shí)間較長(zhǎng)，仿真情況下平均在一分鐘以上。

4 結(jié)語(yǔ)

利用無(wú)線傳感器網(wǎng)絡(luò)提取特征參數(shù)，構(gòu)成訓(xùn)練樣本和測(cè)試樣本，以目標(biāo)輸出與實(shí)際輸出之間的誤差和作為適應(yīng)度函數(shù)，通過(guò)粒子群算法對(duì)徑向基神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行優(yōu)化，選擇最優(yōu)粒子所在位置作為神經(jīng)網(wǎng)絡(luò)的參數(shù)，利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別分類。該方法與傳統(tǒng)的基于決策論的識(shí)別方法相比，不需要預(yù)設(shè)判決門限，避免了判決門限值設(shè)置不合理的影響，且識(shí)別性能不受判決順序的限制。仿真結(jié)果表明，該方法在低信噪比條件下識(shí)別性能明顯優(yōu)于基于決策論的方法和基于單節(jié)點(diǎn)進(jìn)行識(shí)別的方法，平均識(shí)別率在5～25 dB時(shí)達(dá)到90%以上。

［1］XU J L，SU W，ZHOU M C.Likelihood Function-Based Modulation Classification in Bandwidth-Constrained Sensor Networks［C］//Networking，Sensing and Control(ICNSC)，2010 International Conference on Chicago，IL:Institute of Electrical and Electronics Engineers，2010:530-533.

［2］XU J L，SU W，ZHOU M C.Distribute Automatic Modulation Classification with Multiple Sensors［J］.IEEE Sensors Journal，2010，10(11):1 779-1 785.

［3］FORERO P，CANO A，GIANNAKIS G.Distribute Feature-Based Modulation Classification Using Wireless Sensor Networks［C］//Military Communications Conference，2008.San Diego，CA:Institute of Electrical and Electronics Engineers，2008:1-7.

［4］劉愛(ài)聲，朱琦.多傳感器節(jié)點(diǎn)分布式協(xié)作調(diào)制識(shí)別算法［J］.信號(hào)處理，2011，27(8):1 235-1 241.

［5］黨月芳，徐啟建，張杰.無(wú)線傳感器網(wǎng)絡(luò)分布式頻譜檢測(cè)研究［J］.中國(guó)電子科學(xué)研究院學(xué)報(bào)，2012，7(1):21-28.

［6］ZHAO YA-QIN，REN GUANG-HUI，WANG XUE-XIA.Automatic Modulation Recognition Using Artificial Neural Network［C］//Proceedings of the 2003 International Conference on Neural Networks and Signal Processing.2003 International Conference on.Neural Networks and Signal Processing.United States:Institute of Electrical and Electronics Engineers，2003:257-260.

［7］WANG BIN，GE LIN-DONG.A Novel Algorithm for Identification of OFDM Signal［J］.IEEE Transactionson Communication，2005，53(1):261-264.

［8］LIU J，HU Y Q.A New Algorithm for Digital Modulation Recognition Under the Low SNR［J］.Systems Engineering and Electronic，2009，31(6):60-64.

［9］王宇嘉.多目標(biāo)粒子群優(yōu)化算法的全局搜索策略研究［D］.上海:上海交通大學(xué)，2008.