基於隨機森林的低階數字調製識別演算法研究

最新 04-13

摘要：針對低信噪比條件下一般調製識別演算法識別率低的問題，對2ASK、2FSK等6種典型的低階數字調製信號進行時域特徵分析，提取出一組能夠明顯區分各調製方式的時域特徵參數組成特徵向量，輔助以隨機森林演算法,對6種典型的低階數字調製信號進行自動分類識別。所提演算法克服了決策樹過擬合問題，具有特徵參數提取簡單、計算量小、易於實現、對雜訊具有較好容忍性的優點，在低信噪比環境下有良好的識別效果。實驗驗證表明，在信噪比不小於-5 dB的條件下，所提演算法對2FSK、BPSK、4FSK、QPSK的識別正確率可達78%以上；在信噪比不小於3 dB的條件下，所提演算法的調製識別正確率達到100%。可見，所提演算法對低信噪比條件下的識別性能具有極大的改善。

正文內容：

0 引言

在複雜的無線通信環境中，如何對不同調製參數和不同調製方式的通信信號進行監視和識別，一直是人們關注的焦點。對調製方式的識別，是非協作通信中一項不可或缺的關鍵技術，是認知無線電、軟體無線電等領域研究的基礎，在軍事和民用領域有著廣泛應用，如信號監控、干擾識別、電子對抗及軍事威脅分析等方面。

目前，調製識別演算法大致可分為兩大類：基於似然比判決理論的方法和基於統計模式的方法[1]。基於似然比判決理論的方法在實際應用中存在對先驗知識依賴性大、推導複雜、計算量大的問題。相較於判決理論的方法，統計模式的方法因其簡便易行且設計合理時可接近最優而得到廣泛應用。統計模式的方法因其使用特徵參數的不同，可以分為多種具體演算法。具體地，基於瞬時特徵的演算法是Nandi和Azzouz於1998年利用瞬時幅度、頻率和相位特徵，對低階數字信號進行的識別[2]。文獻[3]提出了一種改進的瞬時特徵識別演算法，提高了低信噪比條件下的識別性能。該演算法雖然易於實現、特徵參數提取簡單、計算量小，但特徵參數易受雜訊影響[4]。基於高階統計量的演算法適合在低信噪比條件下對信號進行識別，且具有運算量小等優點，但對多種信號進行識別時，由於高階統計量的相同或接近性，無法實現完全識別[5-6]。文獻[7]提出了一種基於星座圖的分類方法，具有計算複雜度低、性能穩健等優點，但隨著星座點數的增加性能有所下降，且加大了運算量。

對此，本文通過提取調製信號的5個瞬時特徵——零中心歸一化瞬時幅度的譜密度最大值、歸一化中心頻率的四階矩緊緻性、遞歸歸一化瞬時幅度絕對值的均值、遞歸歸一化瞬時頻率絕對值的均值和遞歸歸一化瞬時相位絕對值的均值，輔助以隨機森林演算法，對6種典型的低階數字調製信號進行調製識別。該演算法克服了決策樹過擬合問題，具有特徵參數提取簡單、計算量小、易於實現、對雜訊有較好容忍性的特點，在低信噪比環境下具有良好的識別效果。實驗模擬表明，在信噪比不小於-5 dB的條件下，所提演算法對2FSK、BPSK、4FSK、QPSK的識別正確率可達78%以上；在信噪比不小於3 dB的條件下，所提演算法的調製識別正確率可達到100%。

1　隨機森林（RF）演算法

隨機森林（Random Forest，RF）是由美國科學家Leo Breiman於2001年提出的一種機器學習演算法。它包含多個由Bagging集成學習技術訓練得到的決策樹[8]，最終分類結果由單個決策樹的分類結果投票決定，克服了決策樹過擬合問題，只需對給定的訓練樣本進行學習訓練分類規則而無需分類的先驗知識，且對雜訊和異常值有較好的容忍性[9]。當前，隨機森林演算法因其良好的性能表現，被廣泛應用於科學研究的眾多領域。

隨機森林決策樹的組合是從訓練樣本集中利用Bootstrap抽樣生成新的訓練集。對每個新的訓練集利用隨機特徵選取方法生成決策樹，而決策樹在生成過程中不進行剪枝[10]。單棵決策樹的訓練過程如圖1所示。

從圖1可以看出，在隨機森林單棵決策樹的生成過程中，首先從原始訓練樣本中隨機抽取一個與原始訓練樣本相同大小的Bootstrap訓練樣本，然後等概率從屬性集合中抽取屬性子集，在屬性子集中選擇最優屬性進行節點分裂，最終生成一棵決策樹。循環上述過程，直至生成棵決策樹，構成隨機森林。

本文基於CART演算法生成隨機森林中的決策樹，而節點分裂時的規則選用指標最小原則。它的計算過程為：

2　特徵參數的提取及分析

2.1　特徵參數提取

為了提取信號的時域特徵參數，需先對信號進行希爾伯特變換。設接收到的調製信號經採樣後的採樣序列為S（n）(n=0,1,2,L,Ns) ，採樣頻率為fs ，則進行希爾伯特變換後得到：

2.2　識別原理

應用上述提取的5個特徵參數進行調製識別，其原理可用圖2簡單表示。

2.3　基於隨機森林的調製識別演算法及實現

本文基於隨機森林演算法的低階數字信號調製識別模型，如圖3所示。

在以上分析的基礎上，提取、A1 、Af1 、Ap1 這5個能明顯區分各調製信號的特徵參數，作為信號的識別特徵。通過在不同信噪比條件下提取各調製信號的上述5個特徵，組成隨機森林的訓練樣本和測試樣本。

調製識別演算法的具體步驟如下：

（1）從訓練樣本集中用Bagging的方法有放回地抽取一個Bootstrap訓練樣本，作為一棵數訓練樣本；

（2）每個Bootstrap訓練樣本生成一棵不剪枝的決策樹；

（3）重複步驟（1）和步驟（2），直至生成ntree 棵決策樹；

（4）由生成的ntree 棵決策樹構成森林，對未知類別的測試樣本進行分類，最終結果由各決策樹多數投票決定。

3　實驗模擬與結果分析

3.1　實驗模擬

為了驗證上述方法的可行性和有效性，選取2ASK、2FSK、BPSK、QPSK、4ASK和4FSK共6種典型的數字調製信號，在Matlab 2012a環境中進行模擬實驗。雜訊為高斯白雜訊，信號的碼元速率為5 kb/s，載頻為15 kHz，採樣頻率為120 kHz，載波幅度為1。在-10～20 dB的信噪比條件下，對各數字調製信號分別提取2 000組特徵樣本，其中1 000組作為訓練樣本，1 000組作為測試樣本。用訓練樣本對隨機森林進行訓練，將測試樣本輸入訓練完成的隨機森林（ntree =100棵決策樹構成，分裂節點的候選特徵mtry =2）得到識別結果，則在不同信噪比條件下的識別正確率如表1所示。

在-10～20 dB的信噪比條件下，步長為1 dB，得到各數字調製信號的調製識別正確率，如圖4所示。

3.2　結果分析

從表1、圖4的結果可以看出，在信噪比不小於-5 dB的條件下，對2FSK、BPSK、4FSK、QPSK的識別正確率可達78%以上；在信噪比不小於3 dB的條件下，調製識別正確率達到100%。

對比文獻[12]採用的BP神經網路方法，所提演算法的識別性能有較大改善，其中文獻[12]的識別結果如表2所示。

文獻[3]中採用傳統分類判決樹演算法，在信噪比不小於5 dB時，識別正確率達到90%以上而在相同信噪比條件下，本文演算法達到了100%的識別正確率。可見，本文所提演算法的識別效果有了較大提高，且在較低信噪比條件下也能取得一定的識別效果。在信噪比0～5 dB時，文獻[13]中演算法對2ASK、4ASK和文獻[14]中演算法對4PSK、4ASK的平均識別正確率與本文所提演算法的平均識別正確率，如圖5所示。可見，在信噪比0～5 dB時，文獻[13]中的演算法對2ASK、4ASK信號的識別效果較差，但在信噪比大於10 dB的情況下，取得了95%以上的識別正確率。本文演算法在1 dB以上時，對2ASK、2FSK、BPSK、QPSK、4ASK和4FSK的識別正確率均在95%以上。相較於文獻[14]的方法，本文演算法對4PSK、4ASK信號的識別正確率也有了提高。

4　結　語

本文採用隨機森林演算法對數字調製信號的自動識別進行研究，通過分析2ASK、2FSK等6種典型低階數字調製信號的時域特徵提取了5個特徵參數，輔助以隨機森林演算法對其進行分類識別。實驗驗證表明，本文演算法具有有效性和可行性，但未對更多不同調製方式的信號進行驗證。用隨機森林對數字調製信號進行自動識別，在較低信噪比條件下能取得良好的識別效果；隨機森林通過引入2個隨機性，使得隨機森林不容易陷入過擬合，具有很好的抗噪能力，且對數字信號的調製識別具有較高的精度和良好的穩健性。

參考文獻：

[1] 何繼愛,張文啟.通信信號調製識別技術及其發展[J].高技術通信,2016,26(02):157-165.

[2] Nandi A K,Azzouz E E.Algorithms for Automatic Modulation Recognition of Communication Signals[J].IEEE Transactions on Communications,1998,46(04):431-436.

[3] 位小記,謝紅,郭慧.基於瞬時特徵參數的數字調製識別演算法[J].感測器與微系統,2011,30(01):127-130.

[4] 郭彩麗,馮春燕,曾志民.認知無線電網路技術及應用[M].北京:電子工業出版社,2010.

[5] BALDINI G,STURMAN T,BISWASi A R,et al.Security Aspects in Software Defined Radio and CognitiveRadio Networks:a Survey and a Way Ahead[J].IEEE Communications Surveys & Tutorials，2012,14(02):355-379.

[6] 張艷秋.基於高階累積量的數字信號調製識別[J].信息通信,2016,158(02):27-29.

[7] 崔旭,熊剛.一種基於星座圖模糊分析的數字調製識別方法[J].通信技術,2016,49(09):1155-1158.

[8] 夏齡.基於循環特徵的調製模式識別[J].科學技術與工程,2012,12(31):8241-8246.

[9] 董師師,黃哲學.隨機森林理論淺析[J].集成技術,2013,2(01):1-7.

[10]方匡南,吳見彬,朱建平.隨機森林方法研究綜述[J].統計與資訊理論壇,2011,26(03):32-37.

[11]Nandi A K,Azzouz E E.Procedure for Automatic Recognition of Ainalogue and Digital Modulations[J].IEEE Proc. Commun,1996,143(05):259-266.

[12]余嘉,陳印.基於BP神經網路的數字調製識別方法[J].感測器與微系統,2012,31(05):16-19.

[13]趙強,楊建波,劉鵬.一種新的聯合特徵調製識別演算法[J].通信技術,2016,46(03):4-9.

[14]張艷秋.基於高階累積量的數字信號調製識別[J].信息通信,2016,158(02):27-30.

作者：譚正驕，施繼紅，胡繼峰

單位：雲南大學信息學院，雲南昆明 650500

作者簡介：譚正驕，男，碩士，主要研究方向為通信信息處理技術、認知無線電；