ad采样信噪比与噪声_认知无线电中非高斯噪声下数字调制信号识别方法

文献信息：刘明骞, 李兵兵, 曹超凤, 等. 认知无线电中非高斯噪声下数字调制信号识别方法[J]. 通信学报, 2014, 35(1): 82-88.

摘要——针对认知无线电系统中传统数字调制识别方法在非高斯Alpha稳定分布噪声下识别性能差、计算复杂度高的问题，提出了一种基于分数低阶循环谱相关系数的数字调制识别新方法。该方法提取分数低阶循环谱截面和频率谱截面以及其投影面的5个相关系数作为识别特征参数，并采用判决树分类器，实现了非高斯噪声下数字调制信号识别。仿真结果表明，在非高斯Alpha稳定分布噪声下，该识别方法不仅具有较高的识别率和良好的稳健性并且计算复杂度更低，更适合于认知无线电系统。

1.引言

A.背景及研究现状

随着通信技术向无线、宽带方向发展，频谱资源日益紧张，认知无线电(CR, cognitive radio)技术成为解决这一问题的关键技术之一[1]。对于认知无线电频谱感知技术来讲，频谱感知不仅要能够精确检测到授权用户信号的出现，还应该可以识别其调制类型[2]，进而确定授权用户的业务种类、业务强度等先验信息，从而利用这些先验信息使 CR 用户更有效地发现和使用空闲频谱，提高频谱利用率。在认知无线电系统中，往往存在一些显著尖峰脉冲状波形和概率密度函数具有较厚拖尾的非高斯分布噪声，比如多用户干扰、低频大气噪声以及其他自然或人为的电磁脉冲噪声。以美国南加州大学尼卡斯(Nikias)教授为代表的研究者在充分研究各种随机过程模型后，发现 Alpha 稳定分布模型是描述这类随机信号的一种更有效的噪声模型[3,4]。因此，研究在认知无线电系统中Alpha 稳定分布噪声背景下的数字调制信号识别方法具有实际的工程意义。

近年来，已有学者对 Alpha 稳定分布噪声模型下的数字调制识别进行了一定的研究，但研究还很少。Wang F G 等人利用Kolmogorov-Smirnov 检验法对MQAM、MPSK 信号在Alpha 稳定分布噪声下进行了识别，但是该方法在低混合信噪比下识别性能较差[5]；文献[6]在 Alpha 稳定分布噪声下，以分形

盒维数作为特征参数对信号进行了识别，但该方法仅能在一定混合信噪比范围内适用且识别性能较差；由于 Alpha 稳定分布噪声下的信号不具有二阶或二阶以上的统计量，文献[7]采用低阶统计量进行了调制识别的研究，但该方法识别性能较差；文献[8,9]分别提出了分数低阶循环谱相干系数和广义二阶循环统计量的方法对数字调制信号进行了识别，但这2种方法计算复杂度较高且识别性能较差。

B.文章的主要工作

针对以上这些问题，本文提出了一种低复杂度的Alpha稳定分布噪声下数字调制信号识别的新方法，该方法提出5个新的识别特征参数，即分数低阶循环谱截面和频率谱截面以及其投影面的5个相关系数，并采用判决树分类器对5种常用的数字调制信号进行识别。仿真结果表明，在Alpha稳定分布噪声的特征指数为1.5，未考虑滚降滤波条件下，混合信噪比大于0dB时，信号的识别率均达到93%以上，并且该方法在考虑滚降滤波以及噪声特征指数变化的情况下也均有较高的识别率。可见，该方法是有效可行的，并且性能更优，计算复杂度更低。

2.模型及原理公式化

A.噪声模型

Alpha 稳定分布是唯一满足广义中心极限定理