基于联合频率分析的数字信号自动调制识别

2 特征提取及仿真实现

2.1 特征提取

待分析信号的采样率为16kHz，持续时间为1s，采用平滑伪Wigner－Ville分布计算信号时频分布，平滑窗长度256点，窗移20定，对得到的时频分布矩阵，利用幅度平方处理分别检测每个频带的包络，并使其通过低通滤波器，以滤除一些毛刺，同时，为了避免各频带大直流分量的干扰，利用时频矩阵的平均值，对整个矩阵进行归一化，然后设定循环频率a的分析区间[0，ax]，分别对每个频带计算器a轴谱，最终得到以信号频率m和循环频率n为变量的联合频率矩阵Sx（m，n）。

同其他的二维分析一样，联合频率分析Sx（m，n）所需的处理时间也较长，与传统的一维谱估计方法所提供的数据量相比一般要大得多，即使利用信号带宽范围来选择Sx（m，n）中的分析区间，得到的特征矩阵仍然太大而无法提供分类器使用，由于矩阵的奇异值是矩阵的固有特征，比例不变性，因此，将奇异值分解（SVD）方法应用于联合频率矩阵特征的提取，得到特征矢量：C＝[σ1，…，σp]，这里，p＝min（m，n），σ1，i＝1，…，p为奇异值，同时，Sx（0，n）中包含的谱峰数也将作为一个重要特征用于调制识别。

2.2 识别性能测试

本文在Matlab平台上对三类信号的类间识别进行了仿真实验，在0－20db（步进为5dB）的信噪比范围内，按随机消息序列分别产生MFSK（M＝2，4，8）、MPSK（M＝2，4、8）及M音频分复用（M＝8，12，16）三类信号，每一类信号在每个信噪比下的样本数均为1000，然后按2.1节中的方法随机选择500个分别提取特征组成训练集，剩余500个样本的特征组成测试集，分类器采用径向基（RBF）神经网络，在对分类器训练之前，先根据信噪比的不同，将各组训练集两两交叉组合，分别得到[0dB，5dB]、[5dB，10db]、[10dB，20dB]、[5dB、15db]和[0db、20dB]等多个训练集组合，经不同组合训练出的分类器，对三类信号的平均识别成功率有所不同，其他[5dB，15dB]组合对应的分类器性能最好，相应的识别结果如图4。



本文提出的联合信号频率和循环频率分析方法，将时频分析与谱相关理论有机地结合起来，是描述信号特征的一种有效工具，已成功应用于FSK、PSK和多音FDM三类信号的类间识别，由于联合频率平面包含了信号载频、码速等重要参数信息，也可用于后续的参数估计环节。