[发明专利]面向MQAM调制信号的图域信号识别方法

说明书

本发明公开了一种面向MQAM调制信号的图域信号识别方法，首先收集MQAM调制信号样本，然后根据将要进行识别的MQAM调制方式的最大阶数构建网格模型，然后基于网格模型分别对每个MQAM调制信号样本进行图域映射得到无向加权图，并根据无向加权图得到对应的邻接矩阵，对每个MQAM调制方式对应的邻接矩阵进行平均，基于特征值分析提取出每个MQAM调制方式的特征向量，然后采用相同方法获取待识别MQAM调制信号的特征向量，通过计算特征向量相似度识别得到调制方式。本发明基于图域映射提取出MQAM调制信号的特征，可以实现稳定、有效的MQAM调制信号的类内识别。

技术领域

本发明属于信号处理技术领域，更为具体地讲，涉及一种面向MQAM调制信号的图域信号识别方法。

背景技术

自动调制分类(Automatic Modulation Classification，AMC)可以在很少或没有先验知识的情况下识别接收信号的调制类型，是信号检测和解调之间必不可少的复杂的运算，并广泛应用于军事和民用通信领域，例如认知无线电、自适应调制与编码、频谱监测以及现代信息化战争。而在这些领域中，正交幅度调制(Quadrature Amplitude Modulation，QAM)由于其较高的频谱利用率而被广泛使用，其中又以多进制正交幅度调制(MultipleQuadrature Amplitude Modulation，MQAM)为代表。典型的MQAM信号自动调制识别方法通常可分为两类：(i)基于似然的(Likelihood-based influence，LB)决策理论方法和(ii)基于特征的(feature-based，FB)模式识别(pattern recognition，PR)方法。使用LB方法对不同阶的MQAM信号进行识别虽能得到最优解，但却无法得出封闭解，且LB方法运算复杂度及误判率都偏高，因此LB方法并不适合；由于FB方法拥有优异性能和较高的效率，因此经常运用此方法鉴定MQAM信号的调制类型。典型的FB方法是利用累积量和矩的高阶统计量(HOS)，利用不同阶数MQAM信号高阶统计量的差异可以提升识别精准度，然而，MQAM(尤其是高阶QAM)调制信号的高阶统计量计算复杂度非常高。另一种判定方法是使用星座图，将信号分为I/Q分路，结合聚类、神经网络及深度学习等方法进行特征提取提取及识别，虽然这些基于星座图的方法能够达到较为满意的效果，但是却同时需要精确的载波恢复、精确的定时以及高信噪比等条件，而这在实际应用中难以达到。

近年来又提出一种新的基于图域的自动调制分类(AMCG)方法，第一次将AMC变换到图形域，并且已经实现了比现有LB和PR方法更优的性能。该方法通过对接收信号的二阶循环谱进行处理从而产生图并提取相应的邻接矩阵的特征。然而，MQAM和MPSK信号的二阶循环谱在理论上是相同的，因此该方法对于MQAM信号的识别是无效的。而且随着调制阶数的增加，利用以上方法产生的不同阶MQAM调制信号的特征变得难以区分，导致MQAM信号的识别成为难题。因此迫切需要找到一种有效识别MQAM信号且鲁棒性好的AMC方法。

发明内容

本发明的目的在于克服现有技术的不足，提供一种面向MQAM调制信号的图域信号识别方法，实现稳定、有效的MQAM调制信号的类内识别。

为实现上述发明目的，本发明面向MQAM调制信号的图域信号识别方法包括以下步骤：

S1：根据需要确定将要进行识别的MQAM调制方式，记MQAM调制方式数量为K，为每个MQAM调制方式获取C_k个MQAM调制信号样本，C_k≥1，从而得到MQAM调制信号样本集；

S2：在星座图第一象限中建立一个以原点为左下角、由D×D个边长为2的均匀网格构成的网格模型，D的大小由下式计算：

其中，M_k为第k个MQAM调制方式的阶数，max(·)表示取最大值函数，表示上取整函数；