一种基于决策层数据融合的协作调制信号识别方法技术

本发明专利技术公开了一种基于决策层数据融合的协作调制信号识别方法，属于无线通信的技术领域。本发明专利技术通过获取多个接收节点所采集样本信号的特征值，利用基于二叉树决策的支持向量机得到各接收节点的判断结果，数据融合中心采用最大后验概率的决策最终确定待识别信号的调制方式。本发明专利技术采用基于二叉决策树的SVM减少了要训练的支持向量机数量，提高了分类效率；通过多用户的协作识别纠正了单用户检测时的错误，特别可以提高在低信噪比情况下的识别率；考虑系统中识别的先验情况以及多个接收节点判断结果的影响，采用最大后验概率的融合决策得到识别结果比传统的投票表决融合决策得到的识别结果可靠性高。

【技术实现步骤摘要】

本专利技术涉及ー种基于决策层数据融合的协作调制信号识别方法，属于无线通信

技术介绍
随着电子技术和通信技术的快速发展，为了更加充分地利用通信资源，通信信号的调制方式更加多祥化、复杂化。通信的环境的不断变化，让同一个空间里的信号越来越密集。在很多领域(例如电子侦察领域、频谱监测领域)，接收机接收到的是ー个或者多个未知信号，对感兴趣的信号除了要监测信号、估计參数以外，还需要判断信号的调制类型，并在这个基础上完成信号解调，威胁评估等干扰识别等 其他通信任务。因此，通信识别是通信应用中的ー个重要课题。数据融合是利用计算机对各种信息源进行处理、控制和决策的一体化过程，数据融合是对信息源做检测、相关、识别和估计的处理。数据融合结构的分类方法有多种，第一种分类方法是根据对原始数据处理方法的不同分为三种处理结构集中式处理结构、分布式处理结构以及混合式处理结构；第二种方法是按照数据抽象的三个层次分为像素级融合，特征级融合和决策级融合。像素级融合(也称为数据级融合)是直接在采集到的原始数据层上进行的融合，在各种传感器的原始的未经预处理之前就进行数据的综合和分析，优点是能够保持尽可能多的现场数据，缺点是对数据传输带宽、数据之间配准的精度要求较高，限制了它的应用。特征级融合是属于中间层次的融合，它的实质是模式识别问题。数据级融合，特征级融合的信息量大大地压缩了，这样有利于实时地处理，并且所提取的特征直接与决策分析有关，因此，融合的结果可以最大限度地给出决策分析所需要的特征信息。决策级融合相对前两级融合而言，是ー种高层次的融合。决策级在融合之前，同一目标不同类型的传感器的信号处理模块能够完成包括特征提取，识别或者判决分类等任务。决策级融合在信息处理方面具有很高的灵活性，系统对信息传送的带宽要求较低，能有效地反映环境或目标各个侧面的不同类型信息，通信量小，抗干扰能力強，融合中心处理代价低。但是，由于这种方法首先要对原传感器信息进行预处理以得到各自的判定结果，所以也就导致了预处理代价高。另外，现有的决策级融合多采用投票表决策略识别调制信号，并且没有考虑系统中识别的先验情况。投票表决策略依赖于各个接收节点独立的判断結果，没有考虑多个接收节点判断结果的相互影响，这降低了调制信号识别的准确度。目前，大多数调制识别研究都仅限于单节点，但是随着通信技术日益的发展，调制方式和信号的体制日益増加，另外无线通信环境的复杂多变，存在着深衰落、阴影衰落和隐藏节点等问题，使得单节点的信号调制识别结果不稳定，尤其是在低信噪比下识别率很低。
技术实现思路
本专利技术所要解决的技术问题是针对上述
技术介绍
的不足，提供了。本专利技术为实现上述专利技术目的采用如下技术方案 ー种基于决策层数据融合的协作调制信号识别方法，通过N个接收节点协作来完成对2服’ 2 ASK r4 FSK APSK A ASK ,OFDM这六种调制方式的识别，包括如下步骤 步骤1，N个接收节点对待识别信号进行采样，每个接收节点分别提取采样点信号的瞬时幅度參数、瞬时相位參数、瞬时频率參数，N为大于I的整数； 步骤2，根据步骤I获取的各接收节点获取的采样信号的瞬时幅度參数、瞬时相位參数、瞬时频率參数计算识别调制方式的特征參数； 其中，所述识别调制方式的特征參数包括零中心归ー化瞬时幅度之谱密度的最大值、零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差、零中心非弱信号段瞬时相位非线性分量的标准偏差、零中心归ー化瞬时幅度绝对值的标准偏差、ニ阶矩阵和四阶矩阵的组合參数； 步骤3，采用基于ニ叉树决策的多类支持向量机构造三层次分类SVM区分各种调制方式； 步骤4，将步骤I中各个接收节点采集的信息作为基于ニ叉树决策的多类支持向量机的训练样本，利用训练样本对基于ニ叉树决策的多类支持向量机进行训练，得到各接收节点的判断结果； 步骤5，根据步骤4中各接收节点的判断結果，计算每种调制方式的后验概率，比较找出最大后验概率，确定最大的后验概率所对应的调制方式为待识别信号的调制方式。所述ー种基于决策层数据融合的协作调制信号识别方法中，步骤3具体包括如下步骤 步骤A，基于ニ叉树决策的多类支持向量机根据ニ阶矩阵和四阶矩阵的组合參数构造第一层次的二分类SVM，将调制方式分为ノIDM}: 对于{2AUHOTZW}组合采用步骤B所述方法继续区分； 对于(2PSKAPSK,4mq组合采用步骤c所述方法继续区分； 步骤B，基于ニ叉树决策的多类支持向量机构造第二、第三层次的二分类SVM区分各调制方式 步骤B-1，根据零中心归ー化瞬时幅度之谱密度的最大值构造第二层次的二分类SVM，将幅度调制方式组合中的ΟΜ)Μ方式区分开； 步骤Β-2，根据零中心非弱信号段瞬时相位非线性分量的标准偏差、零中心归ー化瞬时幅度绝对值的标准偏差构建第三层次的二分类SW,将2PSKAPSKAMK区分开； 步骤C，根据零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差、零中心非弱信号段瞬时相位非线性分量的标准偏差构造第二层次的三分类SVM,将2PSKAPSK和4FSK区分开。本专利技术采用上述技术方案，具有以下有益效果 I.采用基于ニ叉决策树的SVM具有层次性，減少了要训练的支持向量机数量，同时也消除了在决策时存在同时属于多类或不属于任何ー类的缺陷，提高了分类效率。2.通过多用户的协作识别纠正了单用户检测时的错误，特别可以提高在低信噪比情况下的识别率。3.考虑系统中识别的先验情况以及多个接收节点判断结果的影响，采用最大后验概率的融合决策得到识别结果比传统了投票表决融合决策得到的识别结果可靠性高。附图说明图I为各接收节点协作识别调制信号的示意图。图2为各接受节点利用基于ニ叉树决策的支持向量机区分调制方式的示意图。图3为根据零中心归ー化瞬时幅度之谱密度的最大值区分各调制方式的结果图。、图4为根据零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差区分各调制方式的结果图。图5为根据零中心非弱信号段瞬时相位非线性分量的标准偏差区分各调制方式的结果图。图6为根据零中心归ー化瞬时幅度绝对值的标准偏差区分各调制方式的结果图。图7为根据ニ阶矩和四阶矩的组合系数区分各调制方式的结果图。具体实施例方式下面结合附图对专利技术的技术方案进行详细说明 如图I所示，节点1，节点2…节点N是散落在不同地理位置的调制信号识别节点。每个节点接收到信号后提取信号的特征參数，利用事先训练好的基于ニ叉树决策的支持向量机得到识别結果，然后将判决结果\及接收信噪比^^送往融合中心，融合中心可以收到N个节点的判决结果，然后根据最大后验概率的数据融合准则得到最后的判决結果。基于决策层数据融合的协作调制信号识别方法，通过N个接收节点协作来完成对H 2ASK, 4 FSK,APSK, 4 ASK, OFDM这六种调制方式的识别，包括如下步骤 步骤1，截取一段码元数为1024的信号，然后对信号进行采样，采样频率为Js = YmKHz ,码元速率为=12.SAft3W，这段信号共有98304个采样点(N=98304)，提取采样点信号的瞬时幅度參数、瞬时相位參数、瞬时频率參数。步骤2，根据步骤I获取的各接收节点获取的采样信号的瞬时幅度參数瞬时相位參数、瞬时频率參数计算识别调制方式的特征參数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.· ー种基于决策层数据融合的协作调制信号识别方法，通过N个接收节点协作来完成对2PSK, 2ASK,4FSK,APEK,4ASK,OFDM这六种调制方式的识别，其特征在于包括如下步骤 步骤1，N个接收节点对待识别信号进行采样，每个接收节点分别提取采样点信号的瞬时幅度參数、瞬时相位參数、瞬时频率參数，N为大于I的整数； 步骤2，根据步骤I获取的各接收节点获取的采样信号的瞬时幅度參数、瞬时相位參数、瞬时频率參数计算识别调制方式的特征參数； 其中，所述识别调制方式的特征參数包括零中心归ー化瞬时幅度之谱密度的最大值、零中心非弱信号段瞬时相位非线性分量绝对值的标准偏差、零中心非弱信号段瞬时相位非线性分量的标准偏差、零中心归ー化瞬时幅度绝对值的标准偏差、ニ阶矩阵和四阶矩阵的组合參数； 步骤3，采用基于ニ叉树决策的多类支持向量机构造三层次分类SVM区分各种调制方式； 步骤4，将步骤I中各个接收节点采集的信息作为基于ニ叉树决策的多类支持向量机的训练样本，利用训练样本对基于ニ叉树决策的多类支持向量机进行训练，得到各接收节点的判断结果； 步骤5，根据步骤4中各接收节点的判断結果，计算...

【专利技术属性】
技术研发人员：朱琦，朱冬梅，朱洪波，杨龙祥，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：