基于压缩采样重构特征的调制模式识别方法

本发明属于信号调制模式识别，特别涉及一种基于压缩传感重构特征的调制模式识别方法。

背景技术：

1、通信信号调制方式的自动识别，是一种不依赖人工干预，从接收到的通信信号波形中自主判断调制方式的智能化信号分析技术，在关系国计民生、国防安全的诸多领域发挥着重大的作用。然而，现有的信号调制识别技术严重依赖于大采样率、大观测窗的信号采集系统。例如传统的奈奎斯特采样定律进行处理时，将会带来大数据量采集、传输、存储与处理等方面的技术需求，对现有的硬件设计制造工艺、元器件性能，以及实际应用的功能实现，形成了巨大的挑战。因此，研究用什么方法来降低采样率还能重构原始信号特征来提升识别效率是一个重要的课题。

技术实现思路

1、针对现有技术的不足，本发明的目的在于提供一种基于压缩采样重构特征的调制模式识别方法，该方法采用“采样压缩二合一”的采样方式同时进行数据采集与压缩过程，能够在远低于奈奎斯特准则的采样率下捕获信号，既可以有效地降低对采样率的要求，并且所需的数据量更小，减少了数据处理时间和计算资源的需求，能提高调制模式识别在军事和民用领域的安全性和管理能力。

2、本发明采用如下技术方案。

3、一种基于压缩采样重构特征的调制模式识别方法，其用于识别来自psk、qam和fsk池的信号的调制类型，具体步骤如下：

4、步骤一：调制信号预处理

5、用快速傅里叶变换基将采集到的调制信号从时域变换到频域，调制信号的非线性次方频谱和高阶矩特征在频域具有稀疏性和区分度，得到稀疏基矩阵φ，再进行压缩抽样，得到抽样向量z；

6、步骤二：构建测量矩阵

7、利用正交复值高斯测量矩阵a将稀疏信号从高维转换到低维，通过对低维空间数据的采样将所需的特征测量值全部保存到正交复值高斯测量矩阵a上；

8、步骤三：重构算法恢复特征

9、基于正交复值高斯测量矩阵a和稀疏基矩阵φ，采用偏最小二乘回归算法来进行原始特征的重构，恢复出稀疏域表示的非线性次方频谱和高阶矩特征；

10、步骤四：调制类型的识别

11、基于不同调制类型的非线性次方频谱在不同阶数出现的冲激信号各不相同和不同高阶矩特征，实现对fsk、psk和qam不同调制类型的区分。

12、本发明中，步骤二中，正交复值高斯测量矩阵的构建方法具体如下：

13、步骤2.1：在信号进行稀疏表示后，先生成两个均值为零、方差为1的高斯测量矩阵m；

14、步骤2.2：应用gram-schmidt(格拉姆-施密特)正交化将每个高斯测量矩阵m正交化，得正交复值高斯测量矩阵a。

15、本发明中，步骤2.2中，将高斯测量矩阵m进行gram-schmidt正交化的具体步骤为：

16、步骤2.2.1：计算当前列向量m(：，i)在前一列a(：，j)上的投影，并减去该投影：

17、

18、步骤2.2.2：将处理后的列向量mtx(：，i)加到mtx_orth(：，i)中：

19、a(：，i)＝a(：，i)+m(：，i)

20、其中n表示m的列数，(：，i)表示矩阵的第i列。

21、本发明中，步骤三中，重构算法恢复特征的具体方法为：

22、步骤3.1：利用压缩抽样向量z和正交复值高斯测量矩阵a得到下式：

23、z＝ay

24、其中y是接收信号y(t)在低于奈奎斯特采样率下得到的采样向量；

25、步骤3.2：结合正交复值高斯测量矩阵a，得到压缩抽样向量z的非线性频谱特征重建方程：

26、zλ＝ayλ

27、其中λ表示频谱λ次方非线性变换，λ＝2k，k＝0,1,2...，yλ表示对接收信号y(t)进行λ次方变换，yλ表示为：yλ＝φhsλ，h表示共轭转置，sλ统一表示每种调制信号经过高次方非线性变换得到频谱在频域中的不同表达式，即高次方非线性频谱特征；

28、步骤3.3：结合正交复值高斯测量矩阵a，得到压缩抽样向量z的高阶矩特征重建方程：

29、zh＝ayh

30、h为整数次幂；

31、构建矩阵ry21和ry40来恢复二阶矩特征m21四阶矩特征m40，矩阵由下式给出：

32、ry21＝e(yyh)

33、ry40＝e(vec(yyt)·vect(yyt))

34、其中，(·)h表示共轭转置，(·)t表示转置，vec(·)将矩阵的所有列堆叠成一个向量，e(·)表示计算均值；将正交复值高斯测量矩阵a分别与矩阵ry21和ry21结合得到：

35、

36、其中rz21为e(zzh)，rz40为e(vec{zzt}vect{zzt})，z为采样值，即压缩抽样向量；

37、步骤3.4：先通过采样值z来计算zλ、rz21和rz40；进而根据已知正交复值高斯测量矩阵a和稀疏矩基矩阵φ，利用偏最小二乘回归算法得到非线性频谱特征、矩阵ry21和ry40；再分别用矩阵ry21和ry40来恢复高阶矩特征m21和m40。

38、本发明中，步骤四中，调制类型识别的具体步骤为：

39、步骤4.1：使用压缩采样来重构当λ＝1时的频谱特征，如果在恢复的频谱中有冲激信号，则调制模式识别为fsk，并且冲激信号的数量表示其阶数，如果特征中没有冲激信号，则通信信号是通过psk或qam调制的；

40、步骤4.2：用压缩采样重构当λ＝2，4，8时的频谱特征，并观察冲激信号首次出现时λ的值，当λ≠4时出现冲激信号，则信号是通过psk调制的，并且此值是其阶数；当λ＝4时出现冲激信号，则调制模式为qpsk或qam；

41、步骤4.3：用高阶矩特征m40与m2的平方的比值来最后判断调制模式qpsk和qam。

42、与现有技术相比，本发明的有益效果在于：

43、(1)通过结合正交复值高斯测量矩阵，可以构造出非线性频谱和高阶矩特征的稀疏量，并能实现降维处理，降低了算法的复杂度。最后通过偏最小二乘算法来进行特征的重构，使其能够计算速度快，并且重构特征的精度高。

44、(2)突破了传统调制识别技术中基于奈奎斯特抽样速率的限制，大大降低了接收端需要采集和存储的数据量，并且能够降低调制识别中的抽样速率，减小信息存储空间，且复杂度较低，并具有较好的抗噪性。

技术特征：

1.一种基于压缩采样重构特征的调制模式识别方法，其特征在于，其用于识别来自psk、qam和fsk池的信号的调制类型，具体步骤如下：

2.根据权利要求1所述的调制模式识别方法，其特征在于，步骤二中，正交复值高斯测量矩阵a的构建方法具体如下：

3.根据权利要求2所述的调制模式识别方法，其特征在于，步骤2.2中，将高斯测量矩阵m进行gram–schmidt正交化的具体步骤为：

4.根据权利要求1所述的调制模式识别方法，其特征在于，步骤三中，重构算法恢复特征的具体方法为：

5.根据权利要求4所述的调制模式识别方法，其特征在于，步骤四中，调制类型识别的具体步骤为：

技术总结
本发明公开了一种基于压缩采样重构特征的调制模式识别方法；该方法包括：对调制信号进行稀疏变换，将正交变换基投影到频域下进行稀疏表示；利用正交复值高斯测量矩阵将稀疏信号从高维转换到低维，通过对低维空间数据的采样将所需的特征测量值全部保存到测量矩阵上；利用偏最小二乘回归算法进行原始特征的重构；基于不同调制类型的非线性次方频谱在不同阶数出现的冲激信号各不相同的特征和不同高阶矩特征，实现对FSK、PSK和QAM不同调制类型的区分。本发明能有效地降低对采样率的要求，所需的数据量更小，从而减少了数据处理时间和计算资源的需求，提高了调制模式识别在军事和民用领域的安全性和管理能力。

技术研发人员：左健存,李和威,孙晶国,季张源,王浩威
受保护的技术使用者：上海第二工业大学
技术研发日：
技术公布日：2024/10/31