对于通信系统来说，调制方式是一个重要特征，采用不同调制方式传输的信号往往体现出不同的信号特性。调制识别在军事应用中历来都占据着重要的地位。调制识别也是按照特征提取和分类决策这样一个步骤来完成的。给定待分类的调制样式集合，选择并提取用于分类的特征参数。用这些已知调制类型的特征参数训练分类器，直到分类输出满足给定的误差要求，或通过对特征参数的统计分析设置分类器的判决门限，完成分类器的训练。从待识别的信号中提取识别特征，输入分类器，完成调制识别过程。本文按照这一流程综述了每一步骤上常用的算法。
对于通信系统来说，调制方式是一个重要特征，采用不同调制方式传输的信号往往体现出不同的信号特性。接收方如果要获取通信信号的信息内容，就必须知道信号的调制方式和调制参数。所谓调制识别，就是在接收方未知信号调制方式的前提下(可能己知其它调制参数信息)，通过己接收到的通信信号，判断出通信信号的调制方式，并给出相应的调制参数。
调制识别在军事应用中历来都占据着重要的地位。通信电子战或信息战经常需要设计截获接收机来监视战场的电磁频谱活动，进行威胁识别，帮助选择电子干扰策略，直至截获敌方的有用军事情报。在截获接收机的设计中，获得接收通信信号的调制方式，是截获接收机的重要功能之一。它为解调器正确选择解调算法提供参数依据，最终获得有用的情报信息。此外，调制识别技术还有助于电子战最佳干扰样式或干扰抵消算法的选择，以保证友方通信，同时抑制和破坏敌方通信，实现电子战对抗的目的。
从统计模式观点出发，调制识别可以看成是一个具有多个未知参数的多元模式识别问题。虽然由于通信信号体制和调制样式的复杂多样而使调制识别有其特殊性，但和其他的模式识别问题一样[1]，调制识别也是按照特征提取和分类决策这样一个步骤来完成的。给定待分类的调制样式集合，选择并提取用于分类的特征参数。用这些已知调制类型的特征参数训练分类器，直到分类输出满足给定的误差要求，或通过对特征参数的统计分析设置分类器的判决门限，完成分类器的训练。从待识别的信号中提取识别特征，输入分类器，完成调制识别过程。
基于统计模式识别理论的调制识别方法流程如图1所示：
1、分类特征的提取
特征提取可以视为一种映射关系，即从信号空间到观察空间再到特征空间的映射，如图2所示(虚线左边部分)。
从信号空间到观察空间的映射属于统计模式中的预处理部分，在基带或中频上计算接收信号的瞬时幅度、相位和频率等参数，为后面的特征提取部分做准备。从观察空间到特征空间的映射是统计模式识别的核心。特征的选择直接影响分类器的设计及性能。特征提取的主要目的是尽可能集中表征显著类别差异的模式信息。另一个目的则是为了降低计算复杂度，需要把高维的观察空间映射到维数尽可能低的低维空间。
常用的调制识别分类特征主要有以下几种：
(1)信号包络、频率、相位特征
通信信号的调制信息包含在信号的瞬时包络、相位和频率之中。利用这三个参数的统计特性，理论上就可以识别信号的调制方式。信号的瞬时特性获取由信号预处理模块完成。除了单独获取这些特性的研究报告外，在调制识别中的许多文献将预处理和调制识别算法结合在一起。
(2)谱特征及高阶统计量特征
除了直接利用信号时变参数的统计特征外，信号的谱特征也可以用于调制识别，包括信号的频谱、功率谱等[2]。 Weaver等人最早就是利用信号的频谱形状识别USB， LSB， CW， FSK， MFSK和OOK等短波信号的。功率谱特征包括信号功率谱单频分量检测值、信号平方谱谱峰数目及平坦指数、FSK频率间隔等。Ghani利用周期图估计信号功率谱，并用于AM， FM， ASK， QPSK和SSB-USB信号的识别。Desimio在中使用信号幅度的谱函数、幅度二次方和四次方的谱函数完成2ASK， BPSK， QPSK和2FSK信号的调制识别。
信号的二阶统计描述无法提供理解信号的非高斯特性所需的足够信息，而高于二阶的高阶统计量能提取信号可能存在的相位信息和偏态信息，而且高阶统计量和高阶谱的另一个重要特性是能够有效地抑制高斯噪声，并能够检测和确定时间序列的非线性[3]。
此外，数字通信信号在本质上具有循环平稳性，即其值和相关函数等统计量表现出周期性，而常规功率谱并不能反映这一点。利用不同频带之间的相关特性一谱相关可以揭示这些周期特性以及诸如调制等物理过程给信号带来的变化规律的内部机理，从而区别不同的调制方式。不同调制信号的谱相关函数及谱相关平面图区别明显，主要表现在谱相关平面图的a轴和f轴以及它们各自的谱相干系数上。
(3)时频联合特征
时频分析通过设计时间和频率的联合函数，同时描述信号在不同时间和频率的能量密度或强度。不仅能了解信号的整个频率组成，而且能了解信号的频率分量在时间上的变化情况，从而准确地了解信号的全部特征。常见的时频分析包括短时傅氏变换(STFT)、维格纳一威利分布(WVD)、小波变换(WT)等[4]。
2、分类器
和分类特征的选取一样，分类器的选择在调制识别中同样具有重要的意义，它的基本任务是根据某一准则把一个给定的由特征向量表示的输入模式归入到一个适当的模式类别，即完成从特征空间到判决空间的映射并最终给出识别结果。因此，分类器的模式分类能力是决定一个模式识别方法性能的又一个重要因素[5]。事实上，研究各种高性能的分类算法一直是统计模式识别及其相关领域的一个重要课题，也是通信信号识别研究的一个主要内容。
按不同的标准可将调制识别分类器分成不同类型：
(1)按分类器使用的分类测度可分为欧氏距离测度、马氏距离测度，Hellinger距离测度、和盲信息论测度分类器等;
(2)按照分类器对待特征空间的划分形成的决策区域不同，分类器可分成：
概率分类器，根据分类特征的均值、方差等统计参数，使用贝叶斯最小错误代价准则确定分类器门限。
超平面分类器：多层感知器(MLP)神经网络分类器、玻尔兹曼机、二元树分类器、高阶网络、支撑矢量机等。
核分类器：Parzen窗((PVC分类器、决策函数分类器、模糊分类器、基于势函数及RBF神经网络分类器。
模板分类器：k近邻(k-NN)， ART分类器。
(3)按分类器使用方式分为单一分类器和组合分类器。
由于使用的原理方法不同，不同分类器的识别范围和性能有所差异，它们往往提供了关于被分类对象的互补和冗余信息。因此，在单个分类器的性能难以达到要求时，可以使用组合分类器以提高识别结果的准确性和抗干扰性。目前，文献报道的常用组合分类器有投票分类器、聚类分类器、证据组合分类器、滤波池以及模糊积分组合分类器等。如运用决策层信息融合技术，联合使用了“超盒”分类器、最近邻分类器、马氏距离分类器，以提高识别结果的可靠程度。
3、统计模式识别的特点
基于统计模式理论的调制识别方法理论分析简单，提取的特征适应性较强，可用于多种类型的调制信号的识别。在高信噪比时，信号特征明显，易于提取，具有较好的识别性能。但由于此方法通常基于一定的信号样本得到特征参数及其判决门限，因此识别效率易受噪声的干扰，表现为在低信噪比时特征模糊难于提取，识别效率下降。此外，相对于决策理论方法，模式识别方法需要一定的训练样本。
作者：柳颖 来源：科学与财富 2016年10期
