摘要：在非合作通信领域中通信信号调制方式的自动识别具有重要作用，如何在低信噪比下准确识别接收到的信号是这一领域研究的重点。针对这种情况，利用信号高阶累积量、瞬时幅度谱以及信号N次方非线性变换后的特征提取三个新的特征参数，并采用遗传算法优化的BP神经网络作为分类器，提出一种利用遗传BP神经网络的信号调制识别算法。仿真识别2FSK、BPSK、QPSK、UQPSK、8PSK五种通信中常用的调制信号。BPSK、QPSK信号在0dB时识别率可达到96%以上，其余信号在信噪比大于0dB时识别率均能达到85%以上。实验表明该算法在低信噪比下对上述信号具有良好的识别效果。
近年来，通信领域越来越多地使用OFDM信号，有关OFDM的识别和解调也成为业界的热点问题之一。在对OFDM信号特性进行分析的基础上，设计了用于OFDM信号识别的新型四阶累量特征提取方法；研究和讨论了OFDM子载波间隔、频率及数目自动测量等调制规格分析技术；定义了频带边界虚音的概念，提出了新颖的基于频带边界虚音能量检测的符号速率估计算法；讨论分析了频偏与载波间干扰的关系，提出了基于迭代运算的载波频率精确估计算法。实际应用结果表明了此种OFDM信号自动识别与解调技术的有效性。
丨调制分析
通信信号分析，主要是对通信信号进行调制识别，包含参数估计和调制分类。通信信号主要分为模拟信号和数字信号，常见的模拟调制方式有调幅（AM）、调频（FM）、调相（PM）等；常见的数字调制方式有相位键控（PSK）、频率键控（FSK）以及幅度键控（ASK）等。
通信信号调制方式图
通信信号调制识别主要包含三个部分，①信号预处理（为后续分析提供合适的数据），②特征提取与选择（估计和测向通信信号参数），③分类识别（根据信号的特征参数对信号进行调整分类）。
信号调制识别原理图
丨信号解调
信号解调的主要目的是获取通信信号所携带的信息内容，获取对方的作战情报，了解其作战意图。在通信对抗中，作为非合作通信方，通信信号的参数是未知的，全部依靠调制分析的结果。信号解调主要输出星座图、眼图以及调制码流。
星座图主要展示通信信号的相位信息。星座图是相对于IQ调制而言，将数据信息映射到极坐标中，同时包含了信号的幅度信息和相位信息。对于调制解调误码性能有很直观的判断。
星座图
数字信号的眼图中包含了丰富的信息，可以体现数字信号的整体特征，能够很好的评估数字信号的质量，因而眼图的分析是数字系统信号完整性之一。
眼图
调制码流图
通信信号侦测系统依据自身软硬件优势，能够从复杂的电子环境中搜索和发现通信信号，判别特征，进而能够对信号携带的信息进行提取，从而及时掌握敌方情报信息，为作战指挥决策提供支撑，是一款情报信息捕捉利器。
0引言
为此，利用信号高阶累积量、瞬时幅度谱以及信号N次方非线性变换后的特征提取新的参数并采用遗传算法优化的BP神经网络作为分类器识别信号。实验结果表明在低信噪比下对2FSK、BPSK、QPSK、UQPSK、8PSK等5种通信中常用信号能有效识别。
频谱指纹识别技术卫星的设计由于种种原因，有效载荷存在功能差异大、协议封闭、定制化程度高等特点，这一定程度上给信号的侦收和破译带来技术上的难题。然而恰恰由于该特征，对卫星频谱的指纹识别技术可以有效发挥其作用。频谱指纹技术针对卫星建立频谱特征数据，其中包括等参数，建立卫星频谱大数据，可有效识别目标，形成太空态势感知部分能力。
一、信号识别
越来越多的国家也在寻求利用太空资源增强军事能力和巩固国家安全，并开发太空对抗能力，保护本国的太空系统，欺骗、破坏、拒绝或摧毁敌方的太空系统，确保赢得太空优势。
AM调制信号的瞬时幅度
信号频率：
FM调制信号的瞬时频率
AM信号频谱
模拟集群FM信号的频谱
QAM信号的频谱
图1：内调制AM信号的瞬时幅度与频谱
图2：航空通信电台的瞬时幅度与频谱
图1：内调制FM信号的瞬时频率与频谱
图2：调频广播信号的频谱与瞬时频率
图1-1：4FSK信号频谱
图1-2：4FSK信号的瞬时频率特征
图2-1：数字对讲信号的频谱
图2-2：数字对讲信号的瞬时频率特征
3.4相移键控信号（MPSK）
相移键控信号(MPSK)是用不同的载波相位表示不同的基带码元序列。
相移键控信号的特征为：幅度无调制，用不同的相位来表示码元信息。需经过载波同步与码元同步才可恢复其相位信息。经同步后的相移信号(MPSK)，星座图上有M个离散点，相位的直方图统计表征了相位的个数。如图所示。
QPSK信号的星座图与相位统计
8PSK信号的星座图与相位统计
16QAM与64QAM的星座图
GSM信号的频谱
满时隙GSM信号的瞬时幅度
非满时隙GSM信号的瞬时幅度
TETRA信号的瞬时频率与频谱
TETRA信号的星座图与相位统计图
模拟电视信号频谱
模拟电视图像信号的频谱
1特征提取
1.1信号瞬时幅度谱
接收端含噪声的数字调制信号经下变频后可表示为[9]:
定义信号的瞬时幅度谱为：
式中，I、Q为信号的同相和正交分量，FT(﹒)表示傅里叶变换。如图1所示，BPSK、QPSK、UQPSK以及8PSK信号经过幅度归一化后的瞬时幅度谱在500kHz（码速率）处各具有一个很强的冲激。而FSK信号则没有，其经过幅度归一化后的瞬时幅度谱如图2所示。本文根据这两个冲激之间的宽度提取特征参数T1以区分2FSK信号与BPSK、QPSK、UQPSK、8PSK信号。
1.2基于信号高阶累积量的非线性变换
信号的调制特点不仅反映在信号幅度谱，也反映在信号时域高阶累积量上，且信号大于二阶的高阶累积量可以抑制高斯噪声的影响[9]。
设复随机过程s(k)的均值为零，其p阶混合矩定义为[9,11]：
则s(k)的高阶累积量定义为[11]：
信号四阶累积量的理论值如表1所示[11-12]，其中E表示信号能量。
在数字信号自动调制识别领域尤其是对MPSK信号的调制识别，信号N次方非线性变换是一种常用的方法[5]。本文根据信号高阶累积量以及信号N次方非线性变换[5]提取特征参数：
以BPSK信号为例对上述特征参数进行理论推导，初相为0的BPSK信号归一化后的星座图只有两个点，（1,0）和（-1,0）且各自占1/2的概率[5]。则BPSK信号T2、T3的理论值计算如下：
各信号特征参数的理论值如表2所示。其中UQPSK信号的非平衡因子[12]选取为0.3。
2分类器设计
本文采用经过Sheffield遗传算法优化的BP神经网络作为调制识别分类器。BP神经网络的初始连接权值和阈值对网络训练的影响很大，但又无法准确获得。在使用BP神经网络时，一般是通过初始化为[-0.5,0.5]区间的随机数作为网络的初始权值和阈值[13-14]。经实验证明这种情况下网络对于相同的样本其输出结果不稳定，因此可以用遗传算法优化BP网络的初始权值和阈值,使网络能更好地进行样本预测。
设输入层神经元个数为n1，隐含层节点数目n2和n1之间有近似关系：
本文对信号提取三个特征参数，因此n1=3=3，=7。网络输出层节点数为5，分别对应五种待识别信号。网络共有3×7+7×5=56个权值，7+5=12个阈值。所以遗传算法优化的参数个数为68个，包含56个权值和12个阈值。
3信号识别流程
信号识别算法流程如下：
（1）对信号进行幅度归一化、中值滤波。
（2）提取特征T1、T2、T3，特征样本采集。
（3）遗传算法优化神经网络。
（4）神经网络识别信号。
信号识别流程如图4所示。
4仿真与结果分析
每个仿真信号长度为7000个样点，码速率为400~600KBaud，采样率为4倍码速率。每种信号在-3～16dB共生成1000个特征样本来训练BP神经网络，然后每种信号再在-3～16dB生成1000个特征样本进行测试。信号识别率如图5所示。
可见采用本文的方法在低信噪比下对信号具有良好的识别效果。其中对于BPSK、QPSK信号在0dB时识别率可达96%以上，其余信号在信噪比大于0dB时信号识别率均能达到85%以上。
在与本文相同的实验条件下，若采用传统二叉树分类器进行信号的识别，其识别率如图6所示。
由图6可以看出，采用传统二叉树分类器单靠设置的固定门限去区分信号在低信噪比下识别效果不理想。这是因为在低信噪比下，提取的信号特征往往区分不明显，而本文采用的经遗传算法优化的BP神经网络分类器不需要设置固定门限，很好的改善了这一问题，其与采用传统二叉树分类器的平均识别率的对比如图7所示。
通过图7可见在本文实验中采用遗传算法优化的神经网络分类器比二叉树分类器在低信噪比下识别效果更稳定，且在信噪比大于0dB时平均识别率更高。
5OFDM系统信号模型
设OFDM信号为：
6OFDM信号特征提取
6.1四阶累量分析
观察式（1），根据中心极限定理，可知OFDM信号依概率收敛于高斯分布。为便于分析，这里把OFDM信号表示为：
其中：
现在讨论xr(t)在t0时刻的四阶累量：
由于各子载波符号间相互独立，应用四阶累量的多线性（multi-linearity）特性，四阶累量可写成：
由此，可得出下述结论：
同理可得：
6.2信号特征提取
同理，可得：
6.3OFDM信号自动识别流程
基于信号四阶累量特征的OFDM信号自动识别流程如图2所示。
7OFDM调制规格分析
OFDM调制规格分析的内容包括子载波间隔分析、各子载波频率计算、子载波数目（并行调制路数）计算、调制符号速率估计等。
7.1子载波间隔自动测量算法
7.2子载波频率和子载波数目自动测量算法
子载波频率和子载波数目自动测量均以子载波间隔参数信息为基础，通过自适应滤波和子载波间隔参数匹配，确定各子载波频率[2]；通过自适应滤波和门限判决，确定子载波数目。图5是图3所示OFDM信号子载波频率测量的示意图（横轴为频率，纵轴为能量），清晰显示了各子载波频率所在位置和子载波间隔。在获得子载波频率位置和子载波间隔参数后，以信号原始频谱为基础，通过自适应滤波和门限判决，即可确定子载波数目。
7.3符号速率估计
7.3.1频带边界虚音的定义
7.3.2基于频带边界虚音能量检测的符号速率估计算法
基于频带边界虚音能量检测的符号速率估计算法的基本原理：当所取信号序列位于同一码元内时，不包含有频带边界虚音fx1、fx2及其以外的信号分量；当所取信号序列跨在两个码元之间时，这段信号序列中会包含有频率fx1、fx2的信号分量。因此，将OFDM信号首先进行频带边界虚音fx1（或fx2）信号滤波、零中频变换，按滑动窗计算窗口内信号能量，根据窗口能量的变化规律，获取码元转换点信息，进而求取符号速率（如图7所示）。
这里需要注意，滑动窗宽度W的选择必须满足：
8OFDM信号解调关键技术
OFDM信号解调涉及载频精确估计、定时同步提取等多个环节。对于短波突发信号，还涉及信号检测、调制识别等诸多问题。这里仅讨论载频精确估计算法。
8.1子载波间干扰和频偏关系
当OFDM系统中存在频率偏移时，经模数转换后的接收信号可表示为：
其中，第k个子载波上的数据为：
由：
其中，第一项为有用信号，第二项为其他载波信号的干扰，即ICI，最后一项为高斯白噪声解调的结果。考虑到数据符号均值为零，互不干扰，则信干比为：
8.2基于迭代运算的载波频率精确估计算法
理论分析和实际经验表明，OFDM信号解调时对子载波频率估计精度有很高的要求[4]。为此，研究设计了基于迭代运算的载波频率精确估计算法。算法的基本原理是，以子载波频率估计值（或标称值）为中心频率点，设定一个置信频率区间，根据设定的搜索步长划分置信频率区间，然后分别计算置信频率区间的各划分频点，搜索出最佳频点。图10是一个典型的载波频率（频偏）精确估计结果示意图，图中搜索步长0.02Hz。
9实际应用效果
前述OFDM信号自动识别、子载波间隔、频率与数目自动测量、信号符号速率估计算法和载波频率精确估计算法已在实际工作中得到了充分应用。短波信号测试库样本包括MFSK、GMSK、MPSK、MQAM及OFDM等类型，其中OFDM类型包括16路、18路、20路、36路、39路多种OFDM信号。对于自建的近100个实际信号的短波样本库，OFDM信号识别率大于75%；OFDM子载波频率间隔和子载波频率测量误差不超过10%；子载波路数测量误差不超过5%。以上指标可以满足实际工作的要求。
10结语
本文在对OFDM信号特性进行分析的基础上，对其四阶累量进行了详细分析和讨论，设计了用于OFDM信号识别的四阶累量特征提取方法，研究和讨论了OFDM子载波间隔、频率以及数目自动测量等调制规格分析技术。实际应用结果表明，本文讨论的OFDM信号自动识别与调制规格分析技术具有有效性。
参考文献：
[1]李兆玺.高维调制关键技术研究[D].长春:吉林大学,2017.
[2]傅新强.Filtered-OFDM系统频偏估计算法的研究[D].成都:西南交通大学,2017
[3]刘永军,廖桂生,杨志伟.基于OFDM的雷达通信一体化波形模糊函数分析[J].系统工程与电子技术,2016,38(09):2008-2018.
[4]LeonidU,SerhiiO.OFDMSignalResearchwithVariedSubcarriersNumber[J].TransportandTelecommunicationJournal,2016,17(03):2-3.
[1]李苹苹.基于聚类理论的MQAM信号调制方式识别算法研究[D].郑州：郑州大学,2015.
[2]李苹苹,孙钢灿,申金媛,等.基于改进的半监督聚类的MQAM信号调制识别[J].电视技术,2014,38(11):112-115.
[3]XingZ,ZhouJ,YeJ,etal.AutomaticModulationRecognitionofPSKSignalswithSub-NyquistSamplingBasedonHighOrderStatistics[C]//InternationalSymposiumonSignalProcessingandInformationTechnology.IEEE,2015:45-48.
[4]XingZ,ZhouJ,YeJ,etal.AutomaticModulationRecognitionofPSKSignalsUsingNonuniformCompressiveSamplesBasedonHighOrderStatistics[C]//InternationalConferenceonCommunicationProblem-Solving.IEEE,2015:55-60.
[5]JiangW,HuangX,XingZ,etal.FeaturesExtractionforPSKSignalsRecognitionUsingNonuniformCompressiveSamplesBasedonHighOrderTransformation[C]//ChinaSummitandInternationalConferenceonSignalandInformationProcessing.IEEE,2015:886-890.
[6]刘艳萍,赵洋.基于相位编码统计的数字调相信号调制识别[J].科学技术与工程,2016,16(02):83-87.
[7]陈家佑,白成林,许恒迎,等.基于高阶循环累积量的OFDM-弹性光网络信号调制格式识别[J].光电子:激光,2017(09):965-971.
[8]刘春国,李立忠.基于二次方谱特征的OFDM信号和单载波信号调制识别[J].电信技术研究,2015(01):9-15.
[9]张利,李青.基于高阶累积量的调制识别算法的研究[J].信息工程大学学报,2017,(04):403-408.
[10]张利,谢跃辉,张一闻等.基于峰度和小波变换的超短波信号调制识别[J].现代电子技术,2016,39(23):9-12.
[11]ZHAOY,XUYT,JiangH,etal.Recognitionofdigitalmodulationsignalsbasedonhigh-ordercumulants[C]//InternationalConferenceonWirelessCommunications&SignalProcessing.IEEE,2015:1-5.
[12]于洋,李孝严,张晓春.BPSK,QPSK,UQPSK,64QAM信号自动调制识别[J].电子科技,2015,28(01):49-52.
[13]许同乐,侯蒙蒙,蔡道勇,等.FastICA遗传神经网络算法[J].北京邮电大学学报,2014,37(04):25-28.
[14]李光升,梁靖聪,谢永成,等.基于免疫遗传算法改进的BP神经网络在装甲车辆电路板故障诊断中的应用[J].计算机测量与控制,2017,25(06):9-13.
[15]LIJ,QIL,LINY.ResearchonModulationIdentificationofDigitalSignalsBasedonDeepLearning[C]//InternationalConferenceonElectronicInformationandCommunicationTechnology.IEEE,2017:402-405.
[16]张海燕,胡光锐,张东红.多层前向神经网络的一种改进BP算法[J].通信技术,2003(11):6-7.