基于獨立分量分析的共信道多干擾信號的自動識別＊

（中國電子科技集團公司第二十八研究所 南京 210007）

1 引言

通信信號的調制識別，是在非合作通信系統中介于信號檢測和信息解調之間的一個步驟，是無線電頻譜管理、軟件無線電、認知無線電以及電子對抗等領域的關鍵技術。因此，通信信號的調制識別技術得到了廣泛研究，并取得了很多重要成果。其中，Nandi和Azzouz［1～2］的工作最具代表性，他們提出了一類時域特征參數，并結合判決理論和神經網絡算法，能較好地識別出通信信號的調制方式。在此基礎上，先后出現了許多利用通信信號高階譜特征［3］、小波域特征［4］、循環譜特征［5］以及分形特征［6］進行調制識別的算法，也都具有一定的效果。

本文針對6個傳感器同時接收在時域和頻域共信道混疊的4個干擾（包括單音干擾、多音干擾、脈沖干擾和高斯干擾）［10］和2個通信信號（QPSK 信號 和4FSK 信 號）［11］的情況，提出了首先通過盲信號分離技術將混合信號分離，然后針對干擾信號特征，從時域、頻域、高階累積量域和時頻域進行特征提取和自動識別的方法，成功完成對干擾類型及信號調制方式的自動識別，最后的仿真結果證明了理論分析的正確性。

2 信號模型及自動識別系統

2.1 信號模型

接收到的混合信號模型如下式所示：

其中，r（n）＝［r1（n），r2（n），…，rM（n）］T表示M個傳感 器接收到的混合信號矢量；x（n）＝［s1（n），…，sN（n），Ⅰ1（n），…，ⅠJ（n）］T是源信號矢量，包括N個有用信號s1（n），…，sN（n）和J個干擾Ⅰ1（n），…，ⅠJ（n），為了后面分析方便，還假設源信號的個數N＋J與傳感器個數M相同；A是一個M×M的矩陣，表示源信號x（n）如何經過線性混合被傳感器接收的。模型中，混合矩陣A及源信號矢量x（n）都是未知的，只有接收信號r（n）是已知的。

本文主要針對的源信號如下：1）有用信號為QPSK 和4FSK 信號（N＝2），這兩個信號是通信中使用較多，也比較有代表性的兩類信號，因此選用這兩個信號；2）干擾信號有單音干擾、多音干擾、脈沖干擾和高斯干擾（J＝4），其中，單音、多音干擾和高斯干擾是實際中最常見，也最簡單的干擾；而脈沖干擾屬于一種寬帶干擾，對許多通信系統影響較大，因此干擾形式選為這四種。如何對接收到的混合信號進行處理，自動識別出信號的調制類型以及干擾的類型是所要解決的主要問題。

2.2 信道識別

現階段多信號分離方法主要有兩種，第一種是基于時頻分析的各種信號處理方法，包括固定系數濾波器、自適應濾波器、信號的功率譜及譜相關分析以及近幾年提出的經驗模式分解等技術［7～8］。這些方法往往需要對所處理的信號或多或少地知道一定的先驗知識，而且對頻域混疊信號不能有效分離。另一種方法是數字波束形成技術［9］，主要在空域對信號進行分離，然而該方法需要知道信號的來波方向，同時還不能保證一個波束內的信號一定是單一信號。由此可見，這些方法都不能很好地完成共信道多干擾信號的分離，必須找到其它更好的方法，這種方法就是基于ICA［12］（獨立分量分析：Independent Component Analysis）的盲信號分離技術。

ICA 是近20年提出的一種盲信號分離技術，主要思想是在不知道原始信號以及混合矩陣情況下，通過對混合信號（是否在時域或頻域混合均可）的處理，分離出一個個獨立成分，作為原始信號的估計。由于實際中，不同源的信號是獨立的，因此ICA 技術是適用的?；贗CA 的盲信號分離是整個干擾信號自動識別系統的基礎和關鍵。圖1是基于ICA 的多干擾信號自動識別系統框圖。

圖1 基于ICA 的多干擾信號自動識別系統框圖

3 基于ICA 的信號盲分離

盲信號分離也稱為盲源分離，指未知信源和通道的先驗信息情況下，僅通過對多傳感器接收信號處理，恢復原始源信號的一種數字信號處理技術。當從信源到傳感器之間的傳輸很難建立其數學模型、或者關于傳輸的先驗知識無法獲得時（干擾信號識別往往就是這種情況），盲信號分離是一種很自然的選擇。

目前盲信號分離主要采用ICA 來完成。實際使用最多的ICA 算法是FastICA 算法［12～13］，這是因為該算法具有以下優點：1）無需像自適應算法那樣引入調節步長參數，因而使用簡單方便；2）算法穩健性好，能對多種不同類型信號進行分離，適用范圍廣；3）收斂速度非?？?，被稱為ICA 中的快速算法（即FastICA）。因此論文也采用FastICA 算法進行盲信號分離。需要注意的是，盲信號分離的結果的振幅和排列順序存在不確定性，但波形保持不變。關于該算法更詳細的細節［13～14］，可以參考有關文獻，這里不再贅述。需要指出的是，在使用ICA 算法之前，一般還需要通過白化預處理，簡化后面的分離處理，并對數據進行降維。白化預處理的細節可以參考文獻［14］。

3.1 干擾信號分離后的特征提取及識別

針對論文中的單音干擾、多音干擾、脈沖干擾和高斯干擾等四個不同干擾以及QPSK 和4FSK 兩個信號，下面分別從時域、頻域、高階累積量域以及時頻域來提取干擾信號特征，以完成干擾信號自動識別。

3.2 干擾信號時域特征提取及脈沖干擾識別

分析6個干擾信號的頻域特征發現，脈沖干擾、單音干擾和多音干擾的頻域特征最為明顯，都有明顯的譜峰，差別只是譜峰個數的不同。單音干擾只有一個譜峰，多音干擾有多個譜峰，脈沖干擾譜峰最多。由于脈沖干擾對多音干擾判別有影響，因此在設計分類識別器時，首先要從時域判斷出脈沖干擾，并將其從要識別的干擾信號中排除。這樣就很容易根據有無明顯譜峰及譜峰個數來判斷出單音和多音干擾了。

3.3 干擾信號高階累積量域特征提取及高斯干擾識別

高斯分布大于二階的累積量為0，根據這個性質可以識別高斯干擾。由于對稱分布的三階累積量為0，而其它高階累積量的計算過于復雜，因此實際中一般使用四階累積量。嚴格的高斯分布在實際中并不多見，其四階累積量也并不嚴格為0，但總是一個靠近0的值，所以仍能用四階累積量來識別高斯干擾。

3.4 干擾信號時頻域特征提取及QPSK和4FSK信號識別

對6個干擾信號作時頻分析，發現脈沖干擾、單音干擾、QPSK 信號及FSK 信號的特征都比較明顯。其中單音干擾基本是在其頻率處的直線，只不過有小的波動；脈沖干擾基本是在零頻處的一條直線，上面等間隔的（對應脈沖跳變的時刻）分布有小的尖峰抖動；QPSK 信號的時頻譜基本也是一條直線，上面不規則的（對應相位跳變時刻）分布有不同的尖峰抖動，這些尖峰大約有四種；FSK 信號的時頻譜像由不同的臺階組成一樣，表示不同時段調頻頻率的不同，這些臺階有四種。

由此可見，脈沖干擾和單音干擾其實完全可以通過時頻譜進行識別，只是由于它們可以用更簡單的方法識別，因此這里只考慮使用時頻譜識別QPSK 和FSK 信號。

3.5 識別器的構造

識別器有兩種形式：一種是串行結構，另一種是混合結構。串行結構采用分級識別的方式，每次根據某個特征識別出一兩個干擾信號，然后將識別出的干擾信號從待識別的信號集合中去除，使待識別的干擾信號集合越來越小。串行結構的缺點是，下一級識別單元必須等上一級單元完成識別后才能運算，因此整個系統需要時間較長，實時性不好?；旌辖Y構能較好克服串行結構的缺點，增強識別系統的實時性，代價是運算量和復雜度增大。這兩種結構的識別器各有優缺點，可根據實際選擇使用。

4 仿真實驗及分析

仿真實驗中有6個干擾信號，其中，單音干擾的干擾頻率為200Hz，多音干擾的幾個頻率為：160 Hz、300 Hz和500Hz。QPSK 信號和FSK 信號分別是由Matlab的時頻工具箱產生。所加噪聲為10dB 的高斯白噪聲。信號采樣頻率為2000Hz，仿真中信號的長度取為600個采樣點?；旌暇仃囀且粋€5×5的矩陣，其元素是由Matlab隨機產生的，均勻分布在［-1，1］之間的隨機數。6個源干擾信號通過混合矩陣的作用被6個傳感器接收到。

采用基于負熵的FastICA 算法對接收的混合信號分離，其結果如圖2所示。其中第一列是原始的6個干擾信號，依次是：單音干擾、多音干擾、脈沖干擾、高斯干擾、QPSK 信號及4FSK 信號，它們已經加了10dB 的高斯噪聲。第二列是6個傳感器分別接收到的混合干擾信號，由于干擾信號混合在一起，從中很難分辨出原來的源信號，因此傳統的信號識別方法根本無法使用。第三列是經過盲信號分離處理后，從混合信號中分離出的信號，這是源信號的估計。從中可以看到，由于盲信號分離固有的分離后信號幅度及排列順序的不確定性，導致分離后信號的幅度（包括符號）和排列順序并不與源干擾信號相同。從中也可以看出，分離信號的波形與源干擾信號基本相同，直觀看分離效果也不錯。

圖2 源干擾信號、混合信號及分離后信號的時域波形圖

5 結語

分析了一般信號自動識別技術在解決多干擾、信號共信道混合這種復雜情況下進行信號識別的不足，本文提出了利用盲信號分離技術先對混合信號進行分離，然后針對不同干擾的不同特征及信號的不同特征進行特征識別的方法。該方法是解決類似問題的一種比較通用和靈活的方法。

［1］Azzouz E E，Nandi A K.Procedure for Automatic modulation recognition of analogue and digital modulations［J］.IEEE Proceeding on Communications，1996，143（5）：241-273.

［2］Nandi A K，Azzouz E E.Algorithms for automatic modulation recognition of communication signals［J］.IEEE Trans Commun.，1998，46（4）：431-436.

［3］陸鳳波，黃知濤，易輝榮，等.一種基于高階累積量的數字調相信號識別方法［J］.系統工程與電子技術，2008，30（9）：1611-1615.

［4］Dae Young Kim，Won Jang，Sun-Phil Nah，et al..Automatic Modulation Recognition of Digital Signals using Wavelet Features and SVM［C］／／ICACT 2008，International Conference on Advanced Communication Technology，2008.17-20Feb.，2008：387-390.

［5］Wu Juan-ping，Han Ying-zheng，Zhang Jin-mei，et al..Automatic Modulation Recognition of Digital Communication Signals Using Statistical Parameters Methods［C］／／ICCCAS 2007，International Conference on Communications，Circuits and Systems，2007.11-13July 2007：697-700.

［6］Xiaolong Chen，Jiali Wang，Li Xin.A New Automatic Modulation Recognition Method in Test and Measurement Technology［C］／／ICEMI 07，8th International Conference on Electronic Measurement and Instruments，2007.16-18Aug.2007：622-625.

［7］王磊，陳鵬舉，陳乾.修正平均周期圖法在通信信號分選識別中的應用［J］.電訊技術，2002，42（4）：30-33.

［8］李秋娜，袁嗣杰，劉東華.基于EMD 的混合信號盲分離方法［J］.系統仿真學報，2007，19（6）：1358-1361.

［9］賈朝文，張學帥.基于數字波束合成的空間信號分離研究［J］.中國電子科學研究院學報，2006，1（1）：86-89.

［10］祝強，莫翠瓊，閆中原.徑向速度對匹配模板法識別LFM 信號的影響［J］.指揮信息系統與技術，2010，10（5）：76-81.

［11］徐文雋.大功率跳頻濾波系統及其共享設計［J］.指揮信息系統與技術，2012，4（3）：43-46.

［12］P.Common.Independent component analysis，A new concept［J］.Signal Processing，1994，36：287-314.

［13］Hyvarinen A，Oja E.A Fast Fixed-Point Algorithm for independent Component Analysis［J］.Neural Computation，1997，9（7）：1483-1492.

［14］Hyvarinen A.Fast and robust fixed-point algorithms for independent component analysis［J］.IEEE Transactions on Neural Networks，1999，10（3）：626-634.