学习——信号调制识别（一）
学习——信号调制识别 （一）
看了《通信信号调制识别技术及其发展》这一论文后，将学习到的知识记录在这篇博客里。
1、通信信号调制识别技术
调制识别问题从本质上来说是一种典型的模式识别问题。其基本框架如图所示：
调制识别由三部分组成：信号预处理、提取特征参数和分类识别。信号预处理部分包括载波同步、频率下变频、噪声抑制以及对信噪比、符号周期、载波频率等参数的估计。特征提取部分是从数据中提取事先定义好的表征信号调制类型的特征，即利用信号处理工具如小波、循环平稳、累积量等提取信号的时域或变换域特征参数。分类识别部分是在特征参数提取的基础上，选择和确定合适的判决规则和识别分类器。
2、通信信号的调制识别方法
从信号检测和模式识别的意义
上来说，调制识别的方法大致可以分为两类：基于似然比判决理论的识别方法和基于统计模式的识别方法。
2.1 基于似然比判决理论的识别方法
基本思想：根据信号的统计特性，依据代价函数最小化原则，通过理论分析与推导得到检验统计量，再将它与一个合适的门限进行比较，形成判决准则。最后由判决准则确定输出结果，完成通信信号调制方式的分类识别。
其统计量一般多为 似然比或者平均似然比的最优解或者次优解。
令信号分类集的每种信号对应一个 λk,i=1,2,⋯K. λ k , i = 1 , 2 , ⋯ K . K K 为不同调制方式的信号种类数。然后将接收序列映射到观测空间 R R ，并计算与统计观测样本对应的概率函数，然后根结果判断信号类型。若用于构造似然函数的观测值 rn(n=1,2,⋯,N) r n ( n = 1 , 2 , ⋯ , N ) 之间独立同分布，则观测序列 r={rn}Nn=1 r = { r n } n = 1 N 的似然函数可表示为:
其对数形式为
最大似然分类器根据计算得到的似然函数值的大小判定信号类型，当满足条件
时，则判定信号为第 j j 种调制信号。。识别方法框图如图2所示。
2.2 基于统计模式的识别方法
基于统计模式的识别方法也称为基于特征提取的调制识别方法。整个调制识别系统由两个子系统组成：特征提取子系统和模式分类子系统。算法的基本流程如图3所示。
2.2.1 不同特征提取方法下的模式识别
(1)基于瞬时幅度、频率和相位的调制识别方法
(2)基于星座几何特征的调制识别方法：实质上是将一般的模式识别问题转化为 图形的形状匹配问题
(3)基于时频分析的调制识别方法
(4)基于码元序列的高阶统计量的调制识别方法
(5)基于循环平稳特征的调制识别方法：共信道多信号环境下。
(6)基于分形理论的调制识别方法
(7)基于混沌特征的调制识别方法
2．2．2不同分类准则下的模式识别
常用的分类器结构是决策树(DT)和神经网络(NN)。决策树分类是一种典型的统计分类方法，神经网络分类是一种统计机器学习方法。调制识别中应用最多的神经网络结构是BP网络。
综上所述，基于特征提取的调制识别算法的核心在于提取合适的用于分类的特征量。
3、复杂通信环境下的调制识别技术
3.1 非理想信道下的识别方法
非理想信道包括无线通信的信道传输过程中因受到反射、散射、多径等的影响引起的多径衰落或者由干扰带来的色噪声、脉冲噪声等非高斯噪声。
3.1.1 非高斯噪声下的识别方法
这些噪声具有显著尖峰脉冲状波形和概率密度函数较厚拖尾。Alpha稳定分布模型是描述这类随机信号的一种更有效的噪声模型。
Alpha稳定分布噪声模型下的调制识别方法主要有两种：(1)将色噪声白化，将其转化为高斯白噪声后再进行下一步处理；(2)利用Alpha稳定分布噪声的特性寻找新的特征进行模式识别。
3.1.2 多径衰落信道下的识别方法
多径衰落信道下的调制识别可以分为三类：(1)对观测数据直接提取对衰落信道鲁棒性较强的特征参数，当前普遍使用循环高阶累积量。(2)通过盲均衡来补偿信道衰落，对恢复后的数据提取特征。(3)利用多天线的空间分集能力来克服多径干扰。
3.2 单通道时频混叠多信号的识别方法
(1)基于信号分离的识别方法，主要应用盲源分离的思想，通过盲分离将问题转化为单信号调制识别。
(2)直接从多信号混合波形变换域中提取分类特征，其关键在于寻找信号明显可分的特征域。表2对常用的单通道混合信号调制识别方法进行了比较。
3.3 大动态信噪比下的识别方法
实际应用中信号接收机往往工作在大动态环境下(一般0—20dB)，使得接收机工作时的信噪比难以保持稳定，呈现出实时大范围快速变化的特点。
一般大动态信噪比下的主要识别方法就是寻找
噪声鲁棒性强的分类特征，再按照统计模式识别的基本方法来完成识别。