matlab编程仿真4fsk调制和非相干解调系统_基于图的分数低阶循环谱分析的α稳定噪声鲁棒调制分类...

文献信息：X. Yan, G. Liu, H. Wu, G. Zhang, Q. Wang and Y. Wu, "Robust Modulation Classification Over alpha-Stable Noise Using Graph-Based Fractional Lower-Order Cyclic Spectrum Analysis," in IEEE Transactions on Vehicular Technology, vol. 69, no. 3, pp. 2836-2849, March 2020.

摘要

本文介绍了一种新颖的自动调制分类(AMC)方法，使用基于分数低阶循环谱分析α-stable噪声环境。噪声在实际通信场景在统计意义上通常展现脉冲特性，可以建模为α-stable分布。这将使接收信号的二阶或二阶以上统计信息失效，因此，当直接应用于α稳定噪声时，传统的高斯噪声AMC算法的性能明显恶化。在我们提出的框架中，首先调用分数阶下循环谱(FLOCS)分析来获取被α稳定噪声破坏的信号的功率谱。然后，在FLOCS的图表示上系统地建立了基于图的AMC机制，根据训练和测试数据导出的图特征之间的差异来识别调制类型。从理论上分析了该算法的性能，并对调制候选集上正确的分类概率PCC进行了解析。我们提出的方法具有显著的可伸缩性和效率 对于调制候选集的变化，理论上也是如此详细调查。蒙特卡罗仿真结果证明了所提出的AMC方案的有效性和优越性。

1. 引言

调制分类(AMC)被认为是智能接收机中信号检测和解调之间必不可少的复杂操作，可以自主识别未知接收信号的调制类型，该信号会被噪声和衰落所破坏 渠道。 AMC成为一个快速发展的区域，变化无常 民用和军事应用，如认知无线电， 自适应调制，智能交通系统，监视和电子战[1]-[3]。 它被认为 作为一种很有前途和不可或缺的技术来增强 智能车载通信频谱感知能力 在ITSS中的阳离子，如车辆到车辆(V2V)和车辆到基础设施(V2I)无线通信。

传统的AMC技术一般可分为两类：（1）基于似然(LB)的决策理论方法（见[5]、[6])和(2）基于特征的(FB)方法（见[7][11]），几乎都是在高斯假设下进行的[12][14]。然而，各种研究表明，实际无线通信信道中的干扰通常表现为由多路接入、低频大气噪声、电磁干扰等引起的明显的IM脉冲。这些物理噪声（干扰），由于各种自然和人为的来源，表现出尖锐的尖峰和它们的密度函数衰减在尾部比高斯密度函数更快。

在本工作中，基于图的AMC方法系统地建立在被α稳定噪声破坏的调制信号的FLOCS图表示的基础上。首先通过对接收信号的分数阶矩的变换，得到α稳定噪声破坏的接收信号的FLOCS。从对应于FLOCS图形表示的邻接矩阵中迭代提取可区分的特征。根据归一化汉明距离，测量训练和测试数据中特征之间的差异，可以进行调制分类。为了显示我们提出的方法具有很好的可扩展性和效率，建立了一种新的迭代调制特征选择机制，用于调制候选集变化（扩展或减少）。然后，对所提出的AMC方法的性能进行了详细的研究，并对调制候选集上的正确分类概率Pcc进行了解析推导。通过理论分析，我们的算法中基于Kullback-Leibler发散的迭代特征选择方案避免了任何人的参与，并且可以系统地扩展到任何任意调制候选集。当调制候选集被扩展或缩小时，只需要计算添加到原始调制候选集或从原始调制候选集中删除的调制候选集的特征，并且通过对原始正确分类概率的小修正可以得到新的缩放调制候选集的Pcc。由于只需要计算由添加/删除调制候选项产生的校正项，因此计算复杂度大大降低。最后，通过蒙特卡罗模拟证明了我们提出的AMC方法的有效性和优越性。AMC的框架如图1所示。

</