[发明专利]基于压缩感知高阶累积量的智能调制识别方法

说明书

本发明公开了一种基于压缩感知高阶累积量的智能调制识别方法，属于无线通信领域。首先，接收端以低于奈奎斯特的抽样速率对接收信号x(t)随机抽样和预处理，然后，进行特征提取，通过从原始数据中利用恢复算法‑正交匹配追踪算法对抽样向量z的平方向量z²进行归一化，恢复出对应的稀疏向量，得到高阶矩M₂₁；同理依次得到高阶矩M₂₀，M₄₀，M₄₁和M₄₂；并利用M‑C公式得到高阶累积量C₄₀，C₄₁和C₄₂作为识别特征向量，完成信号的调制识别。最后，确定了调制方式后，进一步估计调制参数，并依据确定的调制方式和调制参数，完成信号的解调。本发明大大降低了接收端需要采集和存储的数据量，减轻了模拟‑数字转换器的压力，降低了算法复杂度，且具有更好的抗噪声性能。

技术领域

本发明属于无线通信领域，具体是一种基于压缩感知高阶累积量的智能调制识别方法。

背景技术

无论在商业通信还是军事领域，调制识别技术(MC)扮演着越来越重要的角色。在检测到信号以后，调制识别技术用来判断信号属于何种调制方式，从而为信号后续的分析和处理做准备；由此，引发各种调制识别技术，如基于小波变换、傅里叶变换和高阶统计量等特征的识别方法先后被提出。然而这些方法需要的采样速率远高于奈奎斯特采样速率，这给模拟-数字转换器(ADC)带来巨大的负担。尤其是，随着无线通信技术的发展，宽带频谱的监测成为必须。而且，在采样得到大量数据之后，为了传输和存储的方便，仍需要进行数据压缩，这样造成了数据的极大浪费。

压缩感知理论(CS)是近年来新兴的研究热点。该理论指出，如果信号在某域(如频域)上存在稀疏性，则可以通过很少的采样值恢复出原始的高维信号。由于压缩感知在采样的同时对信号进行了压缩，所以极大地降低了对采样设备的要求。因此将压缩感知技术引入到调制识别领域具有较高的应用价值。

不同调制方式对应不同的高阶累积量值(HOCs)，在接收端对信号下频偏处理以后，根据其HOCs的值可以识别信号的调制方式。并且高斯噪声的HOCs为0，所以用HOCs作为特征量来识别信号调制方式具有较强的抗噪性。但是理论上信号的HOCs值是在信号各星座点等概率分布并且无噪声接收条件下计算得出的。所以接收端为了计算出准确的HOCs值，需要大量的采样值，尤其是对高阶调制的信号或宽带信号这种需求更加迫切。

发明内容

本发明基于上述无线通信领域中接收信号的调制识别，针对基于高阶累积量识别信号调制方式需要大量采样数据的问题，提出了一种基于压缩感知高阶累积量的智能调制识别方法，引入了压缩感知技术，有效降低了信息提取的抽样速率。

具体步骤如下：

步骤一、针对无线通信领域，接收端以低于奈奎斯特的抽样速率对接收信号x(t)随机抽样，并进行预处理得到压缩抽样向量z，完成压缩抽样过程；

预处理包括带通采样、A/D转换和实现信道隔离。

步骤二、结合与随机抽样有关的随机矩阵A以及哈达玛矩阵H，构造出压缩感知过程中的感知矩阵Θ；

Θ＝AH (1)

A为M×N维的0-1随机矩阵；哈达玛矩阵H是由+1和-1元素构成的N×N维正交方阵；Θ为M×N维的感知矩阵。

步骤三、利用抽样向量z和感知矩阵Θ，构造压缩感知基本方程；

压缩感知基本方程为：z＝Θα；

具体构造过程如下：

步骤301、利用接收端的随机抽样构建压缩抽样向量z；