非合作通信信号频谱检测与调制方式识别

作     者：徐志达 

作者单位：西安电子科技大学 

学位级别：硕士

导师姓名：周峰;沈宏鑫

授予年度：2022年

学科分类：11[军事学] 080904[工学-电磁场与微波技术] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 110503[军事学-军事通信学] 0810[工学-信息与通信工程] 1105[军事学-军队指挥学] 1104[军事学-战术学] 082601[工学-武器系统与运用工程] 081105[工学-导航、制导与控制] 0826[工学-兵器科学与技术] 081001[工学-通信与信息系统] 081002[工学-信号与信息处理] 0811[工学-控制科学与工程] 

主      题：频谱检测 参数估计 调制方式识别 深度网络 

摘      要：通信侦察是电子对抗领域中的关键技术之一,是进行战场态势感知的重要手段,是作出正确战场决策和争夺作战优势的重要依据。在通信侦察中,通信方式往往是非合作的,截获方不能像合作通信那样获取信号的各种先验信息。因此,开展非合作信号的频谱检测和调制方式识别具有重要的研究意义。由于战场环境复杂多变,辐射源数量众多,频谱覆盖范围广,频谱利用率低,频谱检测易受噪声的干扰,因此,如何在低信噪比下对信号进行有效检测是获取战场辐射源信息的首要任务。另外,对通信信号参数的精确估计是对其调制方式识别的重要前提,也是进行信息精确解调和准确解译的关键步骤。但参数估计往往受噪声影响严重,从而导致估计精度下降。因此,如何在信杂噪比较低的情况下,开展参数精确估计研究是目前通信信号处理和电子对抗领域的研究热点和难点。同时,随着通信技术的飞速发展,通信信号的体制和调制样式变得更加复杂多样,信号环境日趋密集,使得通信信号的调制方式识别面临很多挑战。然而,基于传统统计模式和决策论的方法依赖专家知识,基于机器学习的方法单一网络识别精度不高。因此,如何充分利用深度网络的非线性映射关系,实现对通信信号调试方式的高精度识别将能够提升战场信息与态势感知能力。针对上述问题,本文在科技委创新特区和横向课题的资助下,结合通信侦察中的实际应用需求,开展了非合作通信信号频谱检测和调制方式识别方法的研究,重点研究了基于改进信息熵和K-means的频谱检测、基于M次方谱和2N-DFT的载频精确估计和基于深度融合网络的通信信号调制方式识别。主要研究内容概述如下:1.由于通信信号调制方式具有多样性,不同调制方式对应着信号不同的时域、频域和时频域特性。因此,对不同调制方式信号的特性分析是研究非合作通信信号频谱检测和调制方式识别的重要前提。首先,分别建立了模拟通信信号和数字调制信号模型;其次,推导了信号的瞬时幅度和瞬时相位表达式,并针对不同调制方式信号不同的时频特性,介绍了常见的时频分析方法。最后,对不同调制方式下的时域、频域和时频域特性进行了仿真分析和对比,为后续的非合作通信信号频谱检测、参数估计和调制方式识别研究提供理论基础。2.针对传统频谱检测算法检测范围小、抗噪性差、门限阈值难以自适应确定等难题,结合数字信道化技术,提出了基于改进信息熵和K-means的频谱检测方法,增大了检测范围,提高了检测算法的抗噪性,解决了判决门限难以自适应选择的难题。首先,通过数字信道化技术将宽带信号转化为一系列窄带信号;其次,针对能量检测等传统方法的缺陷,利用改进信息熵进行频谱检测,提高了检测的稳健性;再次,针对门限自适应能力不强的问题,采用K-means聚类法代替手动门限确定进行判别;最后,通过仿真实验,验证了本文所提方法在低信噪比背景下检测性能更优,提高了判别的自适应性。3.针对传统通信信号参数估计方法抗噪性差和估计精度低的难题,提出了基于M次方谱和2N-DFT的载频精估计方法。首先,介绍了传统的通信信号载频估计方法,并在此基础上,提出了基于M次方谱和2N-DFT的载频精估计方法,进一步提高了载频估计的精度;其次,研究了码速率估计的方法,介绍了基于小波变换和基于循环谱的码速率估计方法;最后,通过仿真实验,验证了本文所提方法提高了载频估计的精度。同时,对两种码速率估计的方法进行了对比,证明基于小波变换的码速率估计方法的估计精度更高,抗噪性能更强。4.针对传统调制方式识别方法需手动提取特征、依赖专家知识,单一神经网络识别方法识别精度低的难题,提出了一种深度融合网络的信号调制方式识别方法,设计了一种卷积神经网络(Convolutional Neural Network,CNN)和长短时记忆(Long Short-Term Memory,LSTM)网络的深度融合网络模型,将信号的时频谱图像特征和幅度时序特征进行融合,提高了信号调制方式的识别精度。首先,对不同调制方式的通信信号进行时频变换,获得其时频谱图,并将其输入CNN对二维时频谱图的时域、频域、空间、纹理等特征进行深层挖掘;其次,将不同调制方式的通信信号时序序列输入LSTM,充分提取信号幅值的时序特征;再次,将二维谱图的图像特征与信号的时序特征进行特征层融合,送入分类器进行训练,直至模型收敛;最后,将测试数据送入融合网络模型,获得通信信号调制方式的高精度识别结果,并通过仿真实验对比,证明基于深度融合网络的调制方式识别方法相较于单一网络的识别具备更强的抗噪性和更高的识别准确率。