基于聚类实现任意星座图的MQAM信号调制方式识别的方法

摘要

本发明公开了一种基于聚类实现任意星座图的MQAM信号调制方式识别的方法，对于MQAM信号，理论上调制阶数可以很大，调制星座图的样式可以有任意多种，因此，往往很难确定待识别信号调制方式的可能范围，也就是有可能面临未知的调制方式。本发明提出两步聚类算法实现星座图的重构，然后基于重构星座图完成调制方式识别；基于信噪比的自适应减法聚类给出初始聚类结果，也就是完成初步的星座图重构，在此基础上在使用模糊C均值聚类完成最终的调制信号星座点重构；在星座点重构完成后，可根据星座点个数判断信号的调制阶数，对于阶数相同的调制方式集合，可以再使用广义似然比进行调制方式识别；使用本发明的方法可以通过重构星座图实现任意星座图的MQAM信号的调制方式识别。

主权项

基于聚类实现任意星座图的MQAM信号调制方式识别的方法，其特征在于包括如下步骤：步骤一：信号预处理：主要是通过通用解调算法，从中频信号中解调出符号同步的复基带信号；步骤二：自适应减法聚类重构星座图，这是第一步聚类算法，主要目的是给出聚类中心的初始个数和初始位置，符号同步的复基带信号r_k为$r_k=R_k{e}^{{\mathrm{j\theta }}_k}+n_k,k=1,2,L,N.---\left(1\right)$其中，其中代表信号的调制星座点，n_k代表了高斯噪声，N表示采样序列长度；信噪比为SNR，并且这个值已通过盲的信噪比估计得到；由SNR，算出平均噪声功率P_n，进而算出每个采样点的“密度”指标D_k；$D_k=\underset{j=1}{\overset{N}{\Sigma }}\exp (-\frac{\left|\right|r_k-r_j|{|}^2}{K_a*P_n}).---\left(2\right)$其中，K_a是一个调整系数；根据式(2)的结果，选出D_k的最大值D_c,1对应的采样点r_c,1为第一个聚类中心；然后，对上面的“密度”指标修正；$D_k=D_k-D_{c,1}\exp (-\frac{\left|\right|r_k-r_{c,1}|{|}^2}{K_b*P_n}).---\left(3\right)$其中，K_b是一个调整系数；用同样的方法选出第二个聚类中心r_c,2；从第三个聚类中心r_c,3开始，每次选出新聚类中心r_c,l+1后，判断聚类中心是否已全部选出；min{||r_c,k‑r_c,l+1||²}>K_c*P_n,k＝1,2,L,l.    (4)其中，K_c是一个调整系数；如果式(4)成立，则继续进行减法聚类，否则结束；步骤三、使用模糊C均值聚类算法或C均值聚类算法重构星座图，这是第二步聚类算法，主要目的是基于第一步聚类结果完成星座图的重构；{r_k,k＝1,2,L,N}是N个基带复信号样本组成的样本集合，为减法聚类估计出的聚类中心个数，m_i,i＝1,2,L为每个聚类的中心，μ_i(r_k)是第k个样本对于第i个聚类的隶属度函数；根据已知的初始聚类中心，计算样本对所有初始聚类点的隶属度大小，隶属度函数定义如下${\mu }_i\left(r_k\right)=\frac{{\left(1/\left|\right|r_k-m_i|{|}^2\right)}^{1/\left(b-1\right)}}{\underset{l=1}{\overset{\hat{C}}{\Sigma }}{\left(1/\left|\right|r_k-m_l|{|}^2\right)}^{1/\left(b-1\right)}},k=1,2,L,N,i=1,2,L,\hat{C}.---\left(5\right)$隶属度计算完成后，计算在此隶属度下的聚类中心值$m_i=\frac{\underset{k=1}{\overset{N}{\Sigma }}{\left[{\mu }_i\left(r_k\right)\right]}^b{r}_k}{\underset{k=1}{\overset{N}{\Sigma }}{\left[{\mu }_i\left(r_k\right)\right]}^b},i=1,2,L,\hat{C}.---\left(6\right)$在有了聚类中心和隶属度后，计算用隶属度函数定义的聚类代价函数$J_f=\underset{i=1}{\overset{\hat{C}}{\Sigma }}\underset{k=1}{\overset{N}{\Sigma }}{\left[{\mu }_i\left(r_k\right)\right]}^b\left|\right|r_k-m_i|{|}^2.---\left(7\right)$其中，b>1是一个可以控制聚类结果的模糊程度的常数，通过上面的公式(5)(6)(7)反复迭代，使得聚类中心逐渐收敛到聚类代价函数最小的点，此时隶属度值趋于稳定，迭代的结束条件是J_f(k+1)≈J_f(k).   (8)通过以上两步聚类算法可完成星座图重构；步骤四、使用基于重构星座图的广义似然比测试(GLRT)完成调制方式识别：首先根据重构出的星座点个数，判断调制方式阶数；如果待识别调制方式集合中有两种调制方式的阶数是一样的，那么继续使用GLRT分类；通过重构星座点m_i和调制星座点间的欧式距离最近，给出调制星座点的极大似然估计上标c代表了不同的调制类型；然后使用GLRT分类同阶调制类型；表达式如下其中，表示估计出的调制阶数，表示使l_GLR,m取得最小值的调制方式c，通过式(10)完成了最终的调制方式识别。