基于脉冲噪声环境下的调制识别分析

基于脉冲噪声环境下的调制识别分析

谢灵运

贵州航天电子科技有限公司,贵州贵阳550025

摘要：近年来，随着我国科学技术的不断发展，许多高科技设备产品应运而生，这些高功率、高精度、形式多样的设备对信号质量要求很高。若标准电压中有较多噪声干扰时，可能会影响相关设备仪器正常工作，干扰严重时或持续时间较长时，还有可能损坏负载设备。因此，需要做好脉冲噪声环境下的调制识别工作，传统调制识别算法大多适用于加性高斯白噪声信道场景，然而在很多通信场景中除了高斯噪声外，还存在着一些复杂噪声，产生的影响与危害较大。基于此，本文就脉冲噪声环境下的调制识别进行简要探讨。

关键词：脉冲噪声；调制识别；

1研究背景

近年来,学术界对脉冲噪声的去噪方法进行了研究，但是针对存在脉冲噪声时如何有效进行调制识别的研究成果却很少。优化系统设计的关键在于了解脉冲噪声瞬时幅度的统计特性，这是系统性能仿真的重要依据。目前常用的噪声模型可大致分为米德尔顿 A 类(Middle Class A)噪声模型，对称稳定分布（symmetric  stable,S S）噪声模型, 高斯混合模型。其中最典型的是米德尔顿 A 类(Middle Class A)噪声模型，它由脉冲幅度的瑞利分布和脉冲发生的泊松分布组成。米德尔顿 A 类噪声模型在蒙特卡洛(Monte Carlo)模拟中通过电力线通道过滤干扰，非常适合模拟噪声的统计数据。此外，考虑到脉冲噪声的概率密度函数(probability density function, PDF)具无穷的指数项和乘法器，因此，很难通过传统算法在接收端实现调制识别。近些年来，一种称为相关熵的局部相似性测度在非高斯信号处理领域获得了广泛关注。在此基础上，有学者提出了分数低阶循环统计量和循环相关熵，将上述理论推广到循环频率域。MA J T 等采用循环相关熵谱投影作为特征并用简单的 RBF 神经网络进行分类，戴江安等提出了基于平滑循环相关熵谱和浅层残差网络的调制识别方案，赵海全等将广义最大相关熵准则与总体最小二乘估计方法结合，提出了一种鲁棒的广义最大总体相关熵自适应算法。针对脉冲噪声环境下的调制识别，OH H 等提出一种称为最大速率调度器（maximum rate scheduler) 的调度方案，选择最高速率（或最高调制顺序）而不是最高信噪比的用户。上述方法均需要提取噪声，计算复杂度高，且只针对特定单一噪声，而基于神经网络的识别方法有效的避免了这些缺陷。应用卷积神经网络需要的基本前提是输入数据满足局部化和移位不变的特征；而通信信号的采样数据基本符合该假设。在过去几年中，深度学习技术在模式识别任务中发挥了突出作用。

2脉冲噪声模型

在实际工程应用中,本文构建的通信系统模型可以用下式表示：

（1）其中Y是接收的复信号；X是发射的经过调制后得到的复信号；N表示系统噪声。接收端根据接收到的信号Y进行调制识别。

很多通信场景中除了高斯噪声之外还存在着非高斯噪声。非高斯噪声的来源包括：汽车点火噪声、输电线路、带有机电开关的设备（复印机、打印机）、微波炉等。脉冲噪声统计模型有很多种，其中米德尔顿 A 类噪声模型是一种比较典型的电磁干扰信号统计模型，并且与物理现象吻合得很好。因此，本文选用米德尔顿 A 类噪声模型进行模拟。米德尔顿 A 类噪声可以看作是统计独立的脉冲噪声源发射的叠加，其中源服从泊松分布，源的振幅服从高斯分布。因此，米德尔顿 A 类噪声瞬时振幅的概率密度函数（probability density function，PDF）是一系列高斯分布的泊松加权和，可以用下式表示：

（2）

3脉冲噪声环境下的调制识别

3.1 卷积块(Convolution Block)

3.1.1 卷积层(Convolution Layer)

在每个卷积块中，我们首先使用卷积层来处理信号。该层通过卷积运算从输入中提取不同的特征。低层的卷积层只能提取一些低级的特征，例如：线条、角、边缘等层级。更复杂的特征可以通过更高层的卷积层中提取得到。

3.1.2 归一化层(Batch Normalization Layer)

采用批量归一化(Batch Normalization)来增强稳定性并减少以下层之间的相互作用，实现对特征的归一化。批量归一化实现了在神经网络层的中间进行预处理的操作，即在上一层的输入归一化处理后再进入网络的下一层，这样可有效地防止“梯度弥散”，同时使得网络中每层输入数据的分布相对稳定，加快了模型收敛速度。

3.1.3 激励层(Activating Layer)

通过引入非线性因素，模型可以适用于任意非线性函数，从而获得更为强大的表达能力。常见的神经网络激活函数包括：Sigmoid 函数、Tanh函数、ReLU 函数等等。ReLU 函数与 Sigmoid 和Tanh 函数相比，收敛速度更快，梯度求解更简单，并且不会产生梯度消失和梯度爆炸，因此本文中采用 ReLU 函数作为 CNN 网络的激活函数。

3.1.4 池化层(Pooling Layer)

池化层不会改变三维矩阵的深度，能对矩阵大小进行缩小，减少最终全连接层中节点的个数，从而降低整个神经网络参数。这样就做到了在避免过拟合的前提下加快计算速度。池化层主要有以下三个主要特征：特征不变形、特征降维以及扩大感受野。

3.2 全连接层(Fully Connected Layer)

经过几轮卷积层和池化层的处理之后，可以认为图信号所包含的信息已经被抽象成了信息含量更高的特征。全连接层主要对特征进行重新拟合，减少特征信息的丢失；输出层主要准备作好最后目标结果的输出。

3.3 Softmax 层

该神经网络模块的作用是实现自适应解调，即一个分类问题，因此本文在最后一个环节采用Softmax 层。通过 Softmax 层，可以得到当前样例属于不同种类的概率分布。每个端口的输出在0到1的范围内，且所有端口的输出和等于1。

4仿真分析

4.1模型训练

本文使用Matlab2021b中的深度学习工具箱来搭建并训练CNN。在LFM信号中添加GSNR=-1dB的随机脉冲噪声,噪声的参数为α=1.2,β=0,γ=0.63,δ=0。如无特殊说明,下文所述CNN均为构建的轻量级CNN模型。在GSNR=-1dB下构建训练集和验证集,分别包含54000和10800个样本。

4.2不同噪声识别率

对于不同类型的噪声，所提算法均能快速收敛且达到较高的识别准确率。具体地，在信噪比为 5 dB 时，对于米德尔顿 A 类噪声、Gmm 噪声以及对称稳定分布噪声，算法的识别准确率分别达到 99%、99%和 90%。此外，我们可以看出在米德尔顿 A 类噪声条件下，SNR 为-3dB 时算法的识别率也达到了 77%。可以看出本文所提算法具有较强的实用性。

为了进一步验证本文所提算法的优越性，在使用相同数据集的条件下，将本文算法与以下基线算法进行比较：1）K 近邻算法(K⁃Nearest Neighbors,KNN)：一种通过计算不同样本之间的距离实现分类的方法。其基本思想是通过在训练集中找到最近的 K 个数据点并取这些相邻数据点的多数类或平均值来预测新数据点的类或值。2）支持向量机(Support Vector Machine, SVM)：利用拉格朗日乘子法和对偶性质求解优化目标，通过高斯核函数将非线性问题转化为线性问题。3）DFT + (Original +) SVM 算法[3]： 接收数据先通过 DFT 或者 DFT+Original 预处理后再采用 SVM 得到最终的调制识别结果。

结论

综上所述，本文介绍了脉冲噪声环境下的调制识别，通过多个卷积块提取深层信号特征。实验结果证实所提出的算法可以很快收敛，且所提算法识别准确率高于所对比的其他算法，具备实用价值。关于后续工作，我们会继续研究卷积神经网络在联合自适应调制识别和信道编解码下的性能。

参考文献：

[1]戴江安,栾声扬,赵明龙,等.脉冲噪声下基于平滑循环相关熵谱的调制识别方法[J].通信学报,2021,42(12):121-133.

[2]戴江安,邱天爽,田全,等.脉冲噪声下基于中值离差相关熵的DOA估计方法[J].信号处理,2021，37(10):1914-1922.

[3]李汀，邢怀志，张进标.Alpha稳定分布噪声下基于轻量级网络的自动调制识别技术［J］.信号处理，2023，39（5）：899-909.