MIMO-OFDM信号子载波盲调制识别

mimo-ofdm信号子载波盲调制识别
技术领域
1.本发明涉及多载波通信信号处理，具体为一种基于ica和神经网络的mimo-ofdm信号子载波盲调制识别方法。


背景技术：

2.多输入输出(multiple-inputmultiple-output,mimo)系统可以通过空间多路复用来增加数据容量，即以并行流传输数据。正交频分多路复用(orthogonal frequency division multiplexing,ofdm)是一种将频带划分为几个正交子带，使每个子带上传输的符号经历频率非选择性衰落的多载波传输技术。mimo-ofdm目前是4g和2020年5g商用后的核心技术，未来也必然是6g的关键技术。随着电磁环境的日益复杂，通信节点间的干扰增加，为了确保5g“万物互联”智能时代的可靠实现，必须实施有效的5g无线电监管，因此对非合作场景下mimo-ofdm信号检测、参数估计和智能识别提出了更高的要求。自动调制分类(automaticmodulationclassification,amc)技术是非合作通信系统中最关键的技术之一，amc可以通过识别未知信号的调制类型来增强通信系统的认知能力，能够用于5g非合作场景下的信号监测。
3.关于单天线(single-inputsingle-output,siso)系统和mimo系统里单载波调制信号的分类算法已有大量的文献对其进行研究。amc方法可以分为基于决策理论的算法和基于模式识别的算法。其中基于决策理论的amc方法依赖于完美的信道状态信息和精确的噪声方差。然而，基于模式识别的amc方法可以摆脱先验信息的限制，它们可以分为特征提取和分类两个部分。在这些方法中，常见提取的特征包括高阶统计量(highorderstatistics,hos)、循环特征等。此外，分类器一般采用支持向量机(supportvectormachine,svm)、决策树(decision tree,dt)和传统的人工神经网络(artificialneuralnetwork,ann)。在文献(liuy,simeone o,haimovich a m,et al.modulation classification for mimo-ofdm signals via approximate bayesian inference[j].ieee transactions on vehicular technology,2017,66(1):268-281.)将mimo-ofdm调制方式的分类问题定义为一个贝叶斯推理任务，并提出了基于吉布斯抽样和平均场变分推理的分类方案，但该方法比较依赖于先验分布的选择且计算复杂度较高。文献(张天骐,范聪聪,葛宛营,张天.基于ica和特征提取的mimo信号调制识别算法[j].电子与信息学报,2020,42(09):2208-2215.)提出了基于ica和特征提取的识别方法，采用jade算法恢复发送信号，接着用六阶累积量，循环谱以及四次方谱算法构造4个特征参数，最后通过bp神经网络分类器完成8种调制方式的识别。文献(司海飞,胡兴柳,史震,李仕勇.基于联合特征参数提取的非合作信号调制识别算法[j].通信学报,2020,41(07):172-185.)研究了以非合作通信为背景的ofdm信号检测与子载波的识别，检测了ofdm信号的存在性，对参数进行了盲估计以获得先验信息，最后再提出了一种非合作ofdm信号模型，完成了对未知信号的调制识别
[0004]
鉴于此，本发明将ica算法应用在mimo-ofdm信号的调制识别上，在证明mimo-ofdm
信号存在和已获得先验信息前提下，通过特征提取和分类器的设计来完成mimo-ofdm信号子载波的调制盲识别。


技术实现要素：

[0005]
本发明所要解决的技术问题，针对非合作通信场景下，对mimo-ofdm信号子载波调制方式的盲识别问题，在信号盲检测和参数盲估计的基础上，提出了一种联合独立分量分析(ica)和神经网络的盲调制识别算法。该方法不依赖于先验信息，只需应用ica算法重构发送信号，并提取每路发送信号的特征参数送入分类器中进行训练和检测，降低了复杂度，解决了在非合作通信下，多输入多输出信号的调制盲识别问题。
[0006]
本发明解决上述技术问题而提出的技术方案的实施办法为：首先，在时域上利用mimo-ofdm与单载波信号的分布状态的差异性检测出mimo-ofdm信号；同时，根据mimo-ofdm信号的周期平稳特性估计信号的有用符号长度信息；然后用ica分离mimo混合信号并恢复出发射信号，运用高阶累积量构造2个特征参数；最后通过分层结构的bp神经网络分类器对恢复的信号进行调制分类。
[0007]
假设系统的子载波数为n，且信道在一个mimo-ofdm符号周期内保持不变。对其进行ifft运算，得到ofdm时域基带信号为
[0008][0009]
其中，是第n
t
根发送天线上第k个子载波上的第l个频域符号，ts是整个符号持续时间，tu表示有用符号持续时间，tg为循环前缀持续时间。g(t)为矩形脉冲函数。
[0010][0011]
接收端第nr根接收天线收到来自所有发射天线上信号及噪声的累加，去掉cp后，第nr根接收天线上第k个子载波上的时域信号为
[0012][0013]
式中，n
t
为发送天线数，为第n
t
根发射天线上第k个子载波上的信号。为第nr根接收天线上第k个子载波上的复awgn。
[0014]
经过fft运算后，把接收信号变成频域形式可表示为
[0015][0016]
接收信号用矩阵形式表示为
[0017]
y＝hx+z
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0018]
式中h是nr×nt
维的信道频域响应矩阵，
[0019]
信号x(t)的2～6阶累积量表达式为
ofdm信号识别出来。
[0040]
平坦瑞利衰落信道下，第nr根接收天线上接收信号模型如式(3)所示，本文提取接收信号y(t)的特征参数f作为检测量，如式(15)所示
[0041][0042]
其中，|c
21
|＝1，所有子信道的增益是一个确定且有限度的值。对于mimo-ofdm信号有
[0043][0044]
由式(15)和式(16)可得
[0045]
f[y
mimo-ofdm
(t)]
→0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0046]
单载波调制信号是非高斯的，则它们的f值是非零的。本文构造c
42
和c
21
的组合，可以消除在传输过程中产生的频偏和信道对参数的影响。表2为特征参数f的理论值。
[0047]
表2征参数f的理论值
[0048]
特征参数mimo-ofdmbpskqpsk8psk16qam32qamf02110.680.68
[0049]
检测到mimo-ofdm信号存在之后，由ts＝tu+tg知道，对整个mimo-ofdm符号长度和cp长度进行估计，可以得到有用数据持续时间。mimo-ofdm参数的估计有助于分离各子载波信号，对其子载波调制方式识别的准确性有直接的关系。
[0050]
mimo-ofdm系统中第nr根接收天线上的复基带信号也可以表示为
[0051][0052]
定义非对称自相关函数为
[0053]rx
(t,τ)＝e[x(t)x
*
(t+τ)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0054]
由式(18)和式(19)可得y(t)的自相关函数为
[0055][0056]
式中，rz(τ)＝e[z(t)z
*
(t+τ)]。z(t)是平稳随机过程，所以rz(τ)只与τ有关。
[0057]
由于可将式(20)简化为
[0058][0059]
式中，表示求卷积，δ(
·
)表示克罗内克函数。
[0060]
令则式(21)可简化为
[0061][0062]
考察an(τ)，当τ＝ctu(c为任意整数)时，an(τ)≠0，再结合g(t)的定义，|τ|仅在[0ts]内使ry(t,τ)不为零。因为tu＜ts，则当τ＝0,
±
tu时，ry(t,τ)存在非零值。
[0063]ry
(t,τ)是周期为ts的周期函数，所以mimo-ofdm信号存在循环自相关函数。
[0064][0065]
式中，ft[
·
]表示傅里叶变换。对ry(t,τ)进行fft变换，得到mimo-ofdm信号的循环自相关函数。
[0066][0067]
式中，仅在α＝0,τ＝0处不为零。分析可知，当α＝lt
s-1
时，当α为其他值时，
[0068]
由以上分析可以知道，对做以下处理可以对mimo-ofdm信号的ts、tu、tg进行估计：1)取α＝0的切面图，通过检测该切面的峰值间距来估计tu；2)取τ＝tu的切面，在该切面图上，峰值出现的位置在处，ts的估计值为峰值间距的倒数；3)再根据tg＝t
s-tu估计出tg。
[0069]
本发明所提出的mimo-ofdm信号子载波调制识别方案，首先对nr个接收天线上的接收信号进行bss，提取特征参数，再构造一个神经网络分类器进行调制识别。
[0070]
在mimo-ofdm系统里，由于传输信道的影响，不能直接对接收信号进行特征提取，首先要恢复出发送信号。利用jade算法来恢复发送信号。使用jade算法时，需要知道信源数，即发射天线数，本发明利用mdl算法估计n
t
。
[0071]
在估计出n
t
后，还需要对信号进行预白化处理。然后再对白化信号用jade算法进行分离。jade算法过程为：1)计算白化信号的4阶累积量矩阵c；2)对c进行svd分解，计算模最大的n
t
个特征值以及对应的特征向量组成的矩阵3)将矩阵集合联合近似对角化；4)经过运算得到分离矩阵w，则恢复信号可表示为
[0072][0073]
假设每根发射天线上的调制方式是一样的，计算n
t
路信号的特征参数，再做累加
平均作为最终的特征参数，目的是减少噪声和随机性的影响。高阶累积量对噪声不敏感，对调制识别有较好的性能。
[0074]
根bpsk的六阶累积量的理论值和其他调制信号的区别较大，因此，由式(6)和式(9)可得第一个特征参数来对bpsk进行识别。
[0075][0076]
对式(7)取对数函数，可以得到第二个特征参数
[0077]
t2＝log
10
[c
40
|]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(27)
[0078]
基于对数函数的累积量理论值被定义为计算理想无噪声星座的平均值。表3列出了t1，t2的理论值。
[0079]
表3特征参数t1和t2的理论值
[0080]
特征参数bpskqpsk8psk16qam32qamt113.004.004.002.082.08t2‑‑
0.00-1.75-0.17-0.72
[0081]
注：
‑‑
表示已识别
[0082]
本发明采用bp神经网络对不同调制类型进行分类。bp网络的识别过程如下：1)训练阶段，把特征参数和设定的目标矩阵对网络进行训练。利用levenberg-marquardt学习规则对网络中的权值和阈值进行不断的更新，使输出误差最小；2)测试识别阶段，把提取的特征参数输入网络中识别其调制类型。该分类器由3个bp神经网络组成，是通过逐层识别来确定最终的调制类型。
附图说明
[0083]
图1表示分层结构的bp神经网络分类器；
[0084]
图2表示调制识别算法原理图；
[0085]
图3表示特征参数f随snr变化曲线；
[0086]
图4表示mimo-ofdm的循环自相关；
[0087]
图5表示ts和tu的估计均方根误差；
[0088]
图6表示不同累加次数下ts和tu估计的性能图；
[0089]
图7表示n
t
＝4,nr＝6时mimo-ofdm信号子载波调制方式的识别率
[0090]
图8表示n
t
＝2,nr＝5时mimo-ofdm信号子载波调制方式的识别率
[0091]
图9表示n
t
＝2,nr＝6时mimo-ofdm信号子载波调制方式的识别率
具体实施方式
[0092]
以下结合附图和具体实例，对本发明的实施作进一步的描述。
[0093]
图1为分层结构的bp神经网络分类器结构图。
[0094]
图2所示为调制识别算法原理图，具体步骤如下：
[0095]
(1)在接收端，把nr个接收信号送入到盲源分离模块，运用jade算法恢复出n
t
个发送信号。
[0096]
(2)再对n
t
流恢复信号根据hoc计算t1特征参数，送入到bp网络里把bpsk识别出来，
将调制方式分为bpsk、{qpsk、8psk}、{16qam、32qam}三个子类。
[0097]
(3)计算t2，把t2送入到bp网络，对调制方式{qpsk、8psk}、{16qam、32qam}进行类内区分。至此，完全识别了5种调制方式。
[0098]
图3为mimo-ofdm信号额单载波信号的特征参数的仿真图，仿真条件：采用的信号有bpsk、qpsk、8psk、16qam、32qam、mimo-ofdm。mimo-ofdm的子载波个数n为64，cp长度为16，这一参数设定与现实无线通信环境中的ieee 802.1标准的参数设定相一致。样本数为12800，信道为平坦瑞利信道，噪声为高斯白噪声。收发端天线数配置为n
t
×
nr＝2
×
6，snr的区间为-10db～20db，每隔2db进行400次monte carlo仿真。
[0099]
图3表明为特征参数f随snr的变化曲线。从图可以知道，当snr≥-10db时，mimo-ofdm的f值与其他信号的f值区别很明显。因此，通过f就可以把mimo-ofdm和单载波信号区分开来。
[0100]
把f数据集分为训练集和测试集，将训练集送入bp神经网络进行数据非线性拟合，并用训练好的模型对测试集进行monte carlo测试。其中训练集在snr为-10～20db内，每隔2db对每种调制类型产生400个特征样本，而测试集对于每种snr和调制类型产生200个特征样本。得到的识别率如下表所示。
[0101]
表4 mimo-ofdm信号的识别率
[0102]
特征参数-10db-8db-6db-4db≥-2dbf0.800.991.001.001.00
[0103]
由表4可知，snr≥-6db时，mimo-ofdm信号的识别率达到了100％。因此，证明了本文所选取的特征参数f会忽略掉信道和噪声对信号带来的影响。对mimo-ofdm有较好的检测性能。
[0104]
图4表示mimo-ofdm的循环自相关三维图，通过取α＝0的切面图，通过检测该切面的峰值间距来估计tu；取τ＝tu的切面，在该切面图上，峰值出现的位置在α＝lt
s-1
处，ts的估计值为峰值间距的倒数；再根据tg＝t
s-tu估计出tg。
[0105]
图5和图6为ts和tu的估计性能图。仿真条件：n
t
×
nr＝2
×
6，采用ieee802.11n标准设置，n为64，循环前缀为n/4，子载波均采用qpsk调制，码元个数为12800，信号带宽为20mhz，采样频率为20mhz，信道环境为平坦瑞利信道，信噪比为10db。由图5可知当snr大于-7db时，tu的估计误差达到了0，然而ts的估计误差只能无限接近于0。从图6可以看出，在同一snr下，累加次数越多，ts和tu的正确识别率就越高。
[0106]
图7、图8和图9为不同收发天线数下mimo-ofdm信号子载波调制识别性能图。收发端天线配置数n
t
×
nr分别取4
×
6、2
×
5和2
×
6。数据集分为训练集和测试集，将训练集送入bp神经网络进行数据非线性拟合，并用训练好的模型对测试集进行蒙特卡洛测试。其中训练集在snr为-4～20db内，每隔2db对每种调制类型产生400个特征样本，不失一般性，本章设定每种调制样式的样本量分布均匀，而测试集对于每种snr和调制类型产生200个特征样本。在n
t
×
nr＝4
×
6的条件下，当snr≥10db时，整体的识别率高于94％；在n
t
×
nr＝2
×
5的条件下，当snr≥4db时，整体的识别率高于94％；在n
t
×
nr＝2
×
6的条件下，当snr≥4db时，整体的识别率高于99％。从结果中可以很容易地得出这样的结论：显然，接收和发射天线的数量是影响算法性能的重要参数，固定n
t
增加nr提高了分类性能。相反，当n
t
增加时，正确分类的概率降低。本文所提算法在不同收发端天线数配置下依然可以保持较高的识别率，这
表明了本文算法在非合作场景下具有良好的泛化能力。
[0107]
在snr＝-4db时，将特征参数t1和t2数据集送入bp神经网络中，分析算法在不同符号数下对mimo-ofdm信号子载波的5种调制类型的识别性能。符号数分别取1280、12800时，得到的结果如下表所示。
[0108]
表5不同符号数下的正确识别率
[0109]
符号数bpskqpsk8psk16qam32qam12800.94500.72940.67590.47210.5948128000.96500.81750.83250.84280.9224
[0110]
由表5可知，识别正确率与符号个数有关。当符号个数越多时，得到的识别正确率是越高的。同时可以发现bpsk的识别率是最高的。
[0111]
本发明通过对平坦衰落信道下的mimo-ofdm符号的建模，首先对接收到的信号检测mimo-ofdm信号的存在性，再利用周期平稳特性估计符号参数，然后用ica分离mimo混合信号并恢复出发射信号，运用高阶累积量构造2个特征参数；最后通过分层结构的bp神经网络分类器对恢复的信号进行调制分类。该方法实现比较简单，减少了对先验信息的依赖，提高了mimo-ofdm信号子载波调制方式的识别率，对多载波信号的调制识别精度提供良好的参考价值。

技术特征：
1.一种基于联合独立分量分析(ica)和神经网络的mimo-ofdm信号子载波盲调制识别，具体步骤：首先在时域上利用mimo-ofdm与单载波信号的分布状态的差异性检测出mimo-ofdm信号；同时，根据mimo-ofdm信号的周期平稳特性估计信号的有用符号长度信息；然后用ica分离mimo混合信号并恢复出发射信号，运用高阶累积量构造2个特征参数；最后通过分层结构的bp神经网络分类器对恢复的信号进行调制识别。2.根据权利要求1所述的识别方法，其特征在于：先根据mimo-ofdm与单载波信号的分布状态的差异性检测出mimo-ofdm信号，并且利用周期平稳特性估计mimo-ofdm信号的符号参数，减少对先验信息的依赖。3.根据权利要求1和2所述的方法，其特征在于：在接收端，利用ica分离mimo混合信号并恢复出发射信号，根据高阶累量构造特征参数，把分类特征输入设计好的分类器中进行训练和测试，得到mimo-ofdm信号子载波调制方式的识别。

技术总结
本发明请求保护一种针对非合作通信中MIMO-OFDM信号子载波调制方式的盲识别，属于信号处理技术领域。在信号盲检测和参数盲估计的基础上，提出了一种联合独立分量分析(ICA)和神经网络的盲调制识别算法。首先，在时域上利用MIMO-OFDM与单载波信号的分布状态的差异性检测出MIMO-OFDM信号；同时，根据MIMO-OFDM信号的周期平稳特性估计信号的有用符号长度信息；然后用ICA分离MIMO混合信号并恢复出发射信号，运用高阶累积量构造2个特征参数；最后通过分层结构的BP神经网络分类器对恢复的信号进行调制分类。本方法能准确的检测出MIMO-OFDM信号，并且能对MIMO-OFDM信号子载波中的{BPSK、QPSK、8PSK、16QAM、32QAM}5种调制方式进行识别，且该方法易于操作，具有重要的工程实际意义。际意义。


技术研发人员：张天骐 王晓烨 张刚 陈显露 孟莹
受保护的技术使用者：重庆邮电大学
技术研发日：2022.03.18
技术公布日：2023/9/23