Dalgacık zarfı farkına dayalı dijital modülasyon tanıma teknolojisi
Wang Lanxun, Guo Kapatma, Jia Cengjuan
(Elektronik Bilgi Mühendisliği Okulu, Hebei Üniversitesi, Baoding, Hebei 071002)
Normalizasyon öncesi ve sonrası dalgacık dönüşüm zarfının farkına göre, sayısal sinyal modülasyon yönteminin iletişim sisteminde doğru bir şekilde tanımlanmasının zor olması sorununa yönelik olarak, dalgacık değişim katsayısı (CV) ve benzerlik özelliklerine dayalı bir tanımlama algoritması önerilmiştir. Algoritma, MASK, MFSK, MPSK ve MQAM'ın 4 dijital modülasyon sinyalini sınıflandırır ve tanır. Teorik analiz ve simülasyon deneyleri, algoritmanın basit ve uygulanmasının kolay olduğunu, geniş bir uygulama yelpazesine sahip olduğunu ve sinyal-gürültü oranı 2 dB'den büyük olduğunda dijital modülasyon sinyallerinin tanıma oranının% 92.39'un üzerinde olduğunu göstermektedir.
Modülasyon tanıma; dalgacık dönüşümü; varyasyon katsayısı farkı; benzerlik ölçüm fonksiyonu
Çin Kütüphanesi Sınıflandırma Numarası: TN911.3
Belge tanımlama kodu: Bir
DOI: 10.16157 / j.issn.0258-7998.2017.02.023
Çince alıntı biçimi: Wang Lanxun, Guo Shuting, Jia Cengjuan Dalgacık zarfının farkına dayalı dijital modülasyon tanıma teknolojisi Elektronik Teknoloji Uygulaması, 2017, 43 (2): 95-98.
İngilizce alıntı biçimi: Wang Lanxun, Guo Shuting, Jia Cengjuan Dalgacık zarf farkına dayalı dijital modülasyon tanıma tekniği Elektronik Tekniğin Uygulanması, 2017, 43 (2): 95-98.
0 Önsöz
Çağdaş kablosuz iletişim alanındaki ortam giderek daha karmaşık hale geliyor.Kimlik sinyallerinin nasıl işleneceği ve modülasyon yöntemlerinin nasıl doğru bir şekilde elde edileceği askeri ve sivil kablosuz iletişim için zor bir sorun haline geldi. Son yıllarda, sinyal modülasyonu tanıma sorunu iki tür çözüme bölünmüştür: karar temelli tanıma yöntemleri ve özellik temelli tanıma yöntemleri. Dalgacık dönüşümü güçlü gerçek zamanlı performansa sahiptir ve yeni dalgacık özelliklerinin analizi şu anki araştırma etkin noktasıdır. OFDM sinyal dalgacık paketi ayrışma katsayılarının özelliklerine göre, literatür, yeniden yapılandırılmış sinyalin ikinci normunu tanımlama parametresi olarak önermektedir. Literatür, dalgacık enerji spektrum entropisine ve bitişik sivri uçlar arasındaki minimum mesafenin dalgacık zamanı entropisine dayanan bir sembol oranı tahmin algoritması önermektedir. Literatür, sayısal modülasyon yöntemlerinin sınıflar arası tanınmasını gerçekleştirmek için dalgacık katsayılarının seyrekliğini kullanır. Literatür, Haar dalgacık çıkıntısı uydurma fonksiyonunun aşamasını analiz ederek girişim ortamında MPSK sınıfı içindeki tanıma sorununu çözmektedir. Literatür, dijital sinyal modülasyon yöntemlerini, normalizasyondan önce ve sonra dalgacık dönüşüm modülü değerine göre çok seviyeli bir fonksiyon veya tek bir değer fonksiyonu olarak sınıflandırır.
Yukarıdaki yöntem, dalgacık alanının yeni özellikleriyle ilgili derinlemesine araştırma yapmıştır, ancak yukarıdaki algoritma ya yüksek bir sinyal-gürültü oranı altında tanıma etkisini elde edebilir ya da büyük miktarda hesaplama gerektirir. Bu amaçla, bu makale, varyasyon katsayısı formülüne ve istatistikteki benzerlik ölçüm fonksiyonu formülüne dayalı yeni bir tanıma algoritması önermektedir. Simülasyon sonuçları, algoritmanın dijital sinyalin modülasyon modunun tanınmasını etkili bir şekilde gerçekleştirebileceğini göstermektedir.
1 Temel bilgi
1.1 Sürekli dalgacık dönüşümü
Sürekli dalgacık dönüşümü (CWT) şu şekilde tanımlanır:
1.2 Modüle edilmiş sinyalin dalgacık dönüşümü
Dalgacık dönüşümünden sonra MASK, MFSK, MPSK ve MQAM 4 çeşit modülasyon yöntemi şunlardır:
2 Tanımlama yöntemi
2.1 Modülasyon sinyali sınıfları arasında tanıma
Denklemlerden (2) 'ye (5)' e kadar, dalgacık dönüşümü zarfını aldıktan sonra MASK ve MQAM'ın genlik değişikliklerini içerdiği, ancak MFSK ve MPSK'nın içermediği görülebilir.Bu nedenle, sinyal şu şekilde tanımlanan normalleştirilmiş bir fonksiyon tarafından işlenir:
Bu makalede, dalgacık ölçeği 1'den 8'e kadar seçilmiştir ve optimum özelliği elde etmek için optimum ölçek seçilmiştir. Dalgacık zarfı, sayısal modülasyon sinyalinin dalgacık ölçeğinde 3 gürültü paraziti olmaksızın normalleştirilmesinden önce ve sonra Şekil 1'de gösterilmektedir.
MASK ve MQAM'ın dağılım derecesi normalizasyondan önce ve sonra değişir ve benzerliği düşüktür; MFSK ve MPSK'nın dağılım derecesi normalizasyon öncesi ve sonrası genelde değişiklik göstermez ve benzerliği yüksektir. Normalizasyon öncesi ve sonrası dalgacık zarfı farkına göre, bu makale dalgacık değişim katsayı farkı ve dalgacık benzerliği özelliklerini önermektedir.
İstatistikte, varyasyon katsayısı (CV), standart sapmanın ortalamaya oranı olarak tanımlanır. Bu makale, normalizasyondan sonra dalgacık dönüşüm zarfının CV'si ile dalgacık dönüşümü zarfının normalizasyondan önceki CV'si arasındaki farkı, dalgacık değişim katsayısı olarak tanımlar, yani:
İstatistiklerde, belirleme katsayısı, Pearson çarpım moment korelasyonu W1W2'nin karesidir. Bu makale bunu, normalizasyon öncesi ve sonrası dalgacık dönüşümü zarfları arasındaki benzerliği ölçmek için kullanır. W1 ve W2'nin benzerlik ifadeleri şunlardır:
COV (W1, W2), W1 ve W2'nin kovaryansını temsil ettiğinde ve D (W1) ve D (W2), sırasıyla W1 ve W2'nin varyanslarıdır.
2.2 Modüle edilmiş sinyal kategorisi içinde tanıma
MFSK normalize edilmemiş dalgacık dönüşüm zarfının standart sapmasındaki farklılığa göre, sınıf içindeki sıra sınıflandırılabilir; MASK ve MPSK yüksek mertebeli kümülantların öz değerlerindeki fark, sınıf içindeki tanımlamayı şu şekilde gerçekleştirebilir: Sinyalin dördüncü ve altıncı dereceden kümülantlarının tanımı:
2.3 Algoritma adımlarının açıklaması
(1) Sayısal modülasyon sinyali karmaşık bir sinyal elde etmek için Hilbert dönüşümüne tabi tutulur.Sinyal enerjisinin karar üzerindeki etkisini ortadan kaldırmak için güç normalleştirilir. Daha sonra genlik normalizasyonundan önce ve sonra iki sinyal elde etmek için elde edilen sinyal üzerinde genlik normalizasyonu gerçekleştirilir Her iki sinyal de Haar dalgacık dönüşümüne tabi tutulur ve dalgacık katsayılarının zarfları sırasıyla medyan filtreleme için alınır.
(2) Adım (1) 'e dayalı olarak, tanıma özelliği 1 olarak | CV | ölçek 4'ü oluşturun ve {MASK, MQAM} ve {MFSK, MPSK}' yi sınıflandırın.
(3) Adım (1) 'e dayanarak, tanıma özelliği 2 olarak R ölçeği 4'ü oluşturun ve MFSK ve MPSK'yı sınıflandırın.
(4) Adım (1) 'e dayanarak, tanıma özelliği 3 olarak R ölçeği 3'ü oluşturun ve MASK ile MQAM'ı sınıflandırın.
(5) (2) ila (4) arasındaki adımları tamamladıktan sonra, MFSK sınıfını tanımlamak için özellik 4 olarak normalize edilmemiş dalgacık dönüşüm zarfının standart sapma ölçeği 4'ü seçin; dördüncü dereceden kümülant değerini seçin | C40 |, MPSK sınıfının iç sırasını tanımlamak için özellik 5 olarak kullanılır; altıncı dereceden kümülant değeri | C60 |, MASK sınıfının iç modülasyon modunu tanımlamak için özellik 6 olarak seçilir. Algoritma akışı Şekil 2'de gösterilmektedir.
3 Deneysel simülasyon ve analiz
3.1 Tanıma özelliklerinin kararlılığı
MATLAB ortamına bağlı olarak, bu makale 2ASK, 4ASK, 8ASK, 2FSK, 4FSK, 8FSK, 2PSK, 4PSK, 8PSK, 16QAM olarak 10 dijital modülasyon sinyali seçer. Simülasyon parametreleri şu şekilde ayarlanır: fc = 20 kHz, fs = 200 kHz, RB = 1 kb / s, sembol sayısı 100, MFSK sinyalinin taşıyıcı frekansı f1 = 5 kHz, f2 = 10 kHz, f3 = 15 kHz olarak ayarlanmıştır. , F4 = 20 kHz, f5 = 25 kHz, f6 = 30 kHz, f7 = 35 kHz, f8 = 40 kHz, ilave beyaz Gauss gürültüsü, her sinyal-gürültü oranı, sinyal-gürültü oranının 0 dB ila 20 dB olması koşuluyla ayrı ayrı gerçekleştirilir 500 deney için, sinyal parametrelerinin karakteristik değişim eğrisi Şekil 3 ila Şekil 8'de gösterilmektedir.
Şekil 3'ten Şekil 5'e kadar, bu yazıda seçilen karakteristik parametrelerin çok kararlı olduğu görülebilir. Th1 eşiği Şekil 3 ile belirlenir, MASK ve MQAM eşikten daha büyüktür, MFSK ve MPSK eşikten daha küçüktür; Şekil 4'teki MFSK benzerliği MPSK'ninkinden daha yüksektir ve dalgacık ölçeği simülasyon yoluyla 4 olduğunda fark maksimize edilir. Mükemmel, th2 eşiği ile karşılaştırmak için özellik 2'nin kullanılması, eğer eşikten büyükse, MFSK sinyali olarak değerlendirilir ve eşikten düşükse, MPSK sinyali olarak değerlendirilir; Şekil 5, dalgacık ölçeği 3 olduğunda MASK'ın dalgacık benzerliğinin MQAM'inkinden daha yüksek olduğunu doğrular. Boşluk optimaldir ve özellik 3, eşik th3 ile karşılaştırılır, eğer eşik değerinden büyükse, bir MASK sinyali olarak belirlenir ve eşik değerinden düşükse, bir MQAM sinyali olarak belirlenir.
Şekil 6'dan Şekil 8'e kadar, bu yazıda seçilen karakteristik parametrelerin sinyal-gürültü oranı aralığında çok kararlı olduğu görülebilir. Yargı eşikleri th4 ve th5'i Şekil 6'ya göre ayarlayın ve th4 eşiğinden küçükse 2FSK, th5 eşiğinden büyükse 8FSK olarak değerlendirilir ve iki eşik arasında 4FSK olarak değerlendirilir; Eşikten daha büyük olan Şekil 7'ye göre th6 ve th7 yargı eşiklerini ayarlayın Th6'nın 2PSK olduğuna karar verilirse, th5 eşiğinin altında 8PSK olarak değerlendirilir ve iki eşik arasında 4PSK olarak değerlendirilir; Th8 ve th9 değerlendirme eşiklerini Şekil 8'e göre ayarlayın ve th8 eşiğinden büyükse 2ASK olarak ve th9 eşiğinden düşükse 8ASK olarak değerlendirilir. , İki eşik arasında 4ASK olarak değerlendirilir.
3.2 Tanıma etkisinin simülasyonu
Karar ağacı kararına dayalı modülasyon tanıma yöntemi basit ve hızlıdır. Eşikler, th1 = 0.1, th2 = 0.2589, th3 = 0.0249, th4 = 0.1460, th5 = olan her karakteristik parametrenin simülasyon eğrisi analiz edilerek ayarlanabilir. 0.3065, th6 = 1.5, th7 = 0.5, th8 = 12, th9 = 6, 1 dB aralıklarla, 0 dB 20 dB SNR koşulu altında, her sinyal 500 kez simüle edilir, dijital olarak modüle edilmiş sinyal Sınıflar arası ve sınıf içi tanıma etkileri Şekil 9 ve Şekil 10'da gösterilmektedir.
Şekil 9, sınıflar arasında sınıflandırıldıktan sonra dijital modüle edilmiş sinyallerin tanıma oranının bir diyagramıdır Literatür ile karşılaştırıldığında, sınıflar arasındaki MASK, MFSK, MPSK ve MQAM sinyallerinin tanıma oranı, sinyal-gürültü oranı 10 dB olduğunda% 99,% 100 ve 99'a ulaşır. %,% 98 ve bu makaledeki yöntem 3dB'de sırasıyla% 97,% 98,% 100,% 98'e ulaşabilir ve tanıma etkisi sinyal-gürültü oranı düşük olduğunda daha iyidir.
Şekil 10, sınıf içi sınıflandırmadan sonra dijital modüle edilmiş sinyallerin tanıma oranını göstermektedir Sinyal-gürültü oranı 5 dB'den yüksek olduğunda, modüle edilmiş sinyallerin tanıma oranı% 90'a yakınken, bu yazıda algoritmanın tanıma oranı 3 dB'de% 92.39'un üzerindedir. Etki açıkça daha iyidir, bu da bu makalede önerilen özelliklerin etkinliğini doğrular.
4 özet
Normalizasyon öncesi ve sonrası dalgacık dönüşüm zarfları arasındaki farka dayalı olarak, bu makale, dijital sinyal modülasyon modunun tanınmasını gerçekleştiren dalgacık değişim katsayısı farkı ve dalgacık benzerliği karakteristik parametrelerine dayalı bir algoritma önermektedir. Dahası, bu makalede önerilen yeni özellikler daha fazla araştırma için diğer dalgacık ölçeklerine genişletilebilir ve çok çeşitli uygulama olanaklarına sahip olabilir. Simülasyon sonuçları, algoritmanın basit ve uygulanmasının kolay olduğunu, geniş bir uygulama yelpazesine sahip olduğunu ve sinyal-gürültü oranı 2 dB'den yüksek olduğunda dijital sinyallerin modülasyon modunu etkili bir şekilde tanımlayabildiğini göstermektedir.
Referanslar
Lu Yuanyuan Karmaşık Elektromanyetik Ortamda Dijital Modülasyon Modunun Tanınması Üzerine Araştırma Pekin: Pekin Posta ve Telekomünikasyon Üniversitesi, 2015.
Chen Yiwen, Xu Bin, Hao Jianhua, et al.Güç hattı gürültü kanalında dalgacık paket dönüşümüne dayalı OFDM sinyal algılama.Elektronik Ölçüm Teknolojisi, 2015, 38 (12): 111-115.
Kang Jian, Lin Yun, Du Hao ve diğerleri.Dalga entropisine dayalı BPSK sinyal sembol oranı tahmin algoritması.Harbin University of Commerce (Natural Science Edition), 2015, 31 (2): 228-231.
Zhao Zhijin, Hu Junwei Dalgacık katsayılarının seyrekliğine dayalı dijital modülasyon örüntü tanıma, Hangzhou Dianzi Üniversitesi Dergisi, 2014, 34 (2): 16-19.
Wang Tiezhu.Girişim koşulları altında sinüs benzeri Haar dalgacık MPSK sinyalinin tanınması ve analizi Modern Electronic Technology, 2014, 37 (23): 54-57.
Fan Zhenzhen, Zhu Lizhong, Zhang Xiaoyu ve diğerleri.Dalga dönüşümü tabanlı dijital sinyal modülasyon yöntemi tanımlama yöntemi üzerine araştırma.Shenyang Ligong Üniversitesi Dergisi, 2015, 34 (3): 10-15, 23.
Xue Wei, Qian Ping Dalgacık dönüşümü ve sinir ağı modeline dayalı dijital modülasyon tanıma yöntemi Bilgisayar Uygulamaları ve Yazılım, 2012, 29 (8): 210-213.
