摘要：基于高階累積量的數(shù)字調(diào)制信號(hào)識(shí)別算法在低信噪比環(huán)境下識(shí)別率較低,。針對(duì)這一問(wèn)題，提出了高階累積量的改進(jìn)算法,，通過(guò)調(diào)整特征參數(shù)的判別順序先識(shí)別出MASK信號(hào)的方式,，取得了較好的效果。討論了該算法的FPGA設(shè)計(jì),，并利用Virtex-4開(kāi)發(fā)板對(duì)該設(shè)計(jì)進(jìn)行硬件協(xié)同仿真測(cè)試,。測(cè)試結(jié)果表明，該算法在低信噪比環(huán)境下對(duì)2ASK,，4ASK,，4PSK，16QAM信號(hào)的識(shí)別率有顯著提高,。在信噪比為4dB時(shí),，對(duì)2ASK，4A-SK信號(hào)的識(shí)別率分別為93．4％,，100％,。在信噪比為2 dB時(shí)，對(duì)4PSK,，16QAM信號(hào)的識(shí)別率最高,，達(dá)到了99．7％。
關(guān)鍵詞：System Generator,；FPGA,；調(diào)制識(shí)別,；高階累積量

0 引言
    由于數(shù)字調(diào)制信號(hào)越來(lái)越多地應(yīng)用于通信信號(hào)處理領(lǐng)域，因此對(duì)數(shù)字信號(hào)調(diào)制識(shí)別的研究也越來(lái)越多,。傳統(tǒng)的調(diào)制識(shí)別的判決方法有：決策判決法,、高階累積量算法和人工神經(jīng)網(wǎng)絡(luò)算法等。但是決策判決法在低信噪比環(huán)境中識(shí)別率不高,，而基于人工神經(jīng)網(wǎng)絡(luò)的識(shí)別方法計(jì)算復(fù)雜度較高,。信號(hào)的高階累積量算法具有很好的抗噪性能，故對(duì)基于高階累積量的通信信號(hào)調(diào)制識(shí)別算法的研究受到了廣泛重視,。文獻(xiàn)利用高階累積量實(shí)現(xiàn)了對(duì) 2ASK／BPSK,，4ASK，4PSK,，2FSK,，4FSK信號(hào)的分類(lèi)。文獻(xiàn)利用四階和六階累積量實(shí)現(xiàn)了對(duì) 2ASK,，4ASK,，8ASK，QPSK,，8P-SK,，16QAM信號(hào)的分類(lèi)。文獻(xiàn)利用二,、四,、六階累積量實(shí)現(xiàn)了對(duì) 2ASK／BPSK，4ASK,，QPSK,，2FSK，4FSK,，8FSK,，16QAM信號(hào)的分類(lèi)。文獻(xiàn)對(duì)高階累積量的四階,、五階累積量進(jìn)行了優(yōu)化和仿真,，但是在低信噪比的環(huán)境下，對(duì)信號(hào)的識(shí)別率都不高,。
    在尋找更優(yōu)識(shí)別算法的過(guò)程中,，以往的研究更多的把注意力放在了識(shí)別算法上，而沒(méi)注重算法的硬件設(shè)計(jì)與實(shí)現(xiàn),。System Generator for DSP是Xilinx公司開(kāi)發(fā)的一款理想的DSP開(kāi)發(fā)軟件,，它對(duì)數(shù)字信號(hào)處理單元進(jìn)行系統(tǒng)建模，并將模型轉(zhuǎn)換成可靠的硬件實(shí)現(xiàn)，是連接數(shù)字信號(hào)處理高層系統(tǒng)設(shè)計(jì)與Xilinx FPGA實(shí)現(xiàn)的橋梁,。針對(duì)上述問(wèn)題,，本文提出了高階累積量的改進(jìn)算法，并在System Generator中實(shí)現(xiàn)了算法的FPGA設(shè)計(jì),。

1 高階累積量的改進(jìn)算法
    數(shù)字信號(hào)的調(diào)制識(shí)別通常經(jīng)過(guò)三個(gè)步驟：接收信號(hào)預(yù)處理,、特征參數(shù)提取和調(diào)制方式識(shí)別。然而實(shí)現(xiàn)信號(hào)調(diào)制識(shí)別的關(guān)鍵環(huán)節(jié)是從接收信號(hào)中提取出用于識(shí)別的特征參數(shù),。下面首先介紹高階累積量算法是如何提取用于調(diào)制識(shí)別的特征參數(shù)的,。
1．1 特征參數(shù)的提取
    首先給出高階矩的定義，對(duì)于一個(gè)具有零均值的復(fù)隨機(jī)過(guò)程X(t),，其p階混合矩可表示為：Mpq=E[X(t)p-qX*(t)q],。其中，*表示函數(shù)的共軛,。然后定義高階累積量如下：
  
    設(shè)信號(hào)的能量為E，利用文獻(xiàn)中提出的算術(shù)平均來(lái)代替統(tǒng)計(jì)平均的方法,，計(jì)算各種數(shù)字調(diào)制信號(hào)的高階累積量,，得到高階累積量的理論值，如表1所示,。


    從表1中可以看出,，從信號(hào)的高階累積量中提取特征參數(shù)，可以實(shí)現(xiàn)大部分信號(hào)的分類(lèi),，而由于2ASK和BPSK信號(hào)的各累積量值相同,，故利用高階累積量無(wú)法實(shí)現(xiàn)其分類(lèi)。MFSK的高階累積量也相同,，直接利用累積量無(wú)法實(shí)現(xiàn)其類(lèi)內(nèi)識(shí)別,。
    由文獻(xiàn)知，對(duì)MFSK信號(hào)求導(dǎo),，再經(jīng)中值濾波,，在濾除含有沖激函數(shù)的項(xiàng)后，再計(jì)算所得信號(hào)的高階累積量值,，如表2所示,。


    由以上分析可知，為了實(shí)現(xiàn)數(shù)字調(diào)制信號(hào)的調(diào)制識(shí)別,，利用不同的累積量組合,，從中提取了以下4個(gè)特征參數(shù)，定義如下：
  

  
1．2 信號(hào)的調(diào)制識(shí)別流程
    在低信噪比環(huán)境中,，基于高階累積量的數(shù)字調(diào)制信號(hào)識(shí)別算法對(duì)2ASK和4ASK信號(hào)的識(shí)別率普遍較低,。針對(duì)此問(wèn)題，本文提出了高階累積量的改進(jìn)算法。文中在高階累積量算法的基礎(chǔ)上,，對(duì)四個(gè)特征參數(shù)的判決順序稍作調(diào)整,，將MASK信號(hào)與其他信號(hào)分離，取得了較好的效果,。具體識(shí)別過(guò)程如下：
    (1)用編程工具編程產(chǎn)生各種數(shù)字調(diào)制信號(hào),，并加入信噪比已知的噪聲，作為待識(shí)別的信號(hào),。
    (2)將接收到的待識(shí)別信號(hào)通過(guò)下變頻直接變換到零頻,，然后利用正交下變頻技術(shù)得到復(fù)基帶調(diào)制信號(hào)。
    (3)計(jì)算各種待識(shí)別信號(hào)的二,、四,、六階累積量，并計(jì)算其特征參數(shù)Fe1,，F(xiàn)e2,，T4。
    (4)利用特征參數(shù)T4的識(shí)別,，可以將信號(hào)分為兩組：第一組為MASK信號(hào),，第二組為MPSK，16QAM,，MFSK信號(hào),。利用Fe2的閾值(t1)實(shí)現(xiàn)
第一組組內(nèi)識(shí)別；再利用Fe2的另一個(gè)閾值(t2)和Fe1從第二組中識(shí)別出16QAM,，MPSK信號(hào),。
    (5)將待識(shí)別信號(hào)進(jìn)行微分后再經(jīng)中值濾波器，計(jì)算變換信號(hào)的高階累積量,，并計(jì)算特征參數(shù)Fe3,，利用Fe2實(shí)現(xiàn)MFSK類(lèi)內(nèi)識(shí)別。
    在信號(hào)的調(diào)制識(shí)別過(guò)程中,，主要是根據(jù)決策樹(shù)方法進(jìn)行分類(lèi)和識(shí)別,。本文在提取上述四個(gè)特征參數(shù)的基礎(chǔ)上，根據(jù)不同的決策規(guī)則建立決策樹(shù),。經(jīng)過(guò)多次性能的仿真和比較,，最終得到一種比較好的識(shí)別算法，如圖1所示,。其中t0,，t1，t2,，t3,，t4都是閾值,。


1．3 仿真結(jié)果
    文中采用高階累積量的改進(jìn)方法，對(duì)算法識(shí)別性能做蒙特卡洛仿真,。給閾值t0,，t1，t2,，t3,，t4設(shè)置合適的值后，再將1 000次獨(dú)立實(shí)驗(yàn)得到的仿真結(jié)果取平均,。在每次試驗(yàn)中,，設(shè)置信號(hào)的載波頻率為12 kHz，碼元速率為1 200 b／s,，其中4FSK,，8FSK的頻偏分別為1．5 kHz，3．5 kHz,，碼元個(gè)數(shù)為200,。圖2為原算法仿真結(jié)果，圖3為本文算法的仿真結(jié)果,。


    對(duì)圖2和圖3進(jìn)行比較,，可以看出本文算法的識(shí)別效果有了顯著提高。在信噪比為2 dB時(shí),，本文算法對(duì)16QAM信號(hào)和4PSK信號(hào)識(shí)別率達(dá)到100％,，而原算法幾乎不能識(shí)別16QAM信號(hào),；在信噪比為4 dB時(shí),，對(duì)2ASK，4ASK信號(hào)的識(shí)別率分別為93％,，100％,。在信噪比為8 dB時(shí)，所有信號(hào)的識(shí)別率都可以達(dá)到90％以上,，原算法有的信號(hào)識(shí)別率低于90％,。比較后可知，在低信噪比環(huán)境下本文的算法對(duì)2ASK,，4ASK,，4PSK，16QAM信號(hào)的識(shí)別率有了顯著提高,。

2 算法的System Generator設(shè)計(jì)
    目前,，F(xiàn)PGA芯片已成為數(shù)字信號(hào)處理系統(tǒng)的核心器件。由于DSP設(shè)計(jì)者通常對(duì)C語(yǔ)言或Matlab工具很熟悉,，卻不了解硬件描述語(yǔ)言VHDL,，使得FPGA并未在數(shù)字信號(hào)處理領(lǐng)域獲得廣泛應(yīng)用。System Generator在很多方面擴(kuò)展了MathWorks公司的Simulink平臺(tái)，提供了適合硬件設(shè)計(jì)的數(shù)字信號(hào)處理建模環(huán)境,，加速,、簡(jiǎn)化了FPGA的DSP系統(tǒng)級(jí)硬件設(shè)計(jì)。通過(guò)Simulink的設(shè)計(jì),，System Generator即可自動(dòng)完成硬件比特流的產(chǎn)生,，從而高效的實(shí)現(xiàn)FPGA設(shè)計(jì)。
    在FPGA調(diào)試和開(kāi)發(fā)過(guò)程中,，采用Xilinx公司的系統(tǒng)級(jí)建模工具System Generator構(gòu)建信號(hào)調(diào)制識(shí)別的算法模塊,，開(kāi)發(fā)板選用Virtex-4。算法模塊主要由信號(hào)產(chǎn)生模塊,，信號(hào)參數(shù)提取模塊和信號(hào)判決模塊構(gòu)成,。
2．1 調(diào)制信號(hào)的產(chǎn)生
    在System Generator設(shè)計(jì)過(guò)程中，各種調(diào)制信號(hào)是利用Matlab語(yǔ)言編程提供的,，并疊加上已知信噪比的高斯白噪聲,。文中測(cè)試了2ASK，4ASK,，4PSK,，16QAM，4FSK和8FSK信號(hào)的識(shí)別率,。
2．2 微分前參數(shù)提取模塊
    提取特征參數(shù)Fe1,，F(xiàn)e2，T4的模塊,，如圖4所示,。其中，signal是信號(hào)源,，DDS,，F(xiàn)IR，DowSamp共同實(shí)現(xiàn)復(fù)基帶信號(hào)的同向分量和正交分量的提取,，calculatmodule是計(jì)算Fe1,，F(xiàn)e2，T4三個(gè)特征參數(shù)的模塊,，且這三個(gè)特征參數(shù)的結(jié)果分別由三個(gè)示波器輸出,。


2．3 微分后參數(shù)提取模塊
    提取特征參數(shù)Fe3的模塊，如圖5所示,。其中,，dmfilt是微分中值濾波模塊，兩個(gè)Black Box是計(jì)算特征參數(shù)Fe3的模塊,。待識(shí)別調(diào)制信號(hào)經(jīng)過(guò)dmfilt模塊后,，然后由DDS,，F(xiàn)IR，DowSamp等提取同向分量和正交分量,，再通過(guò)計(jì)算Fe3的模塊計(jì)算參數(shù),，最后結(jié)果由Scope輸出。


    圖6是當(dāng)信號(hào)為4FSK時(shí),，計(jì)算得到的Fe3值,。其中，O．03～O．1 s是模塊計(jì)算參數(shù)的過(guò)程,，O．1 s時(shí)對(duì)應(yīng)的數(shù)據(jù)是計(jì)算的最終結(jié)果,。將結(jié)果輸出到Matlab變量空間workspace中，可以得到在0．1 s時(shí)計(jì)算的Fe3值為12．4,。



3 實(shí)驗(yàn)結(jié)果
    為了驗(yàn)證調(diào)制識(shí)別系統(tǒng)的可行性,，分別在Simulink和目標(biāo)開(kāi)發(fā)板上運(yùn)行該設(shè)計(jì)。在產(chǎn)生硬件協(xié)同仿真模塊之前,，先調(diào)用Resource Esti-mator模塊對(duì)本系統(tǒng)所需資源進(jìn)行估測(cè),。估測(cè)結(jié)果見(jiàn)表3。


    由于所需芯片內(nèi)部資源較多,，所以選用Virtex4-xc4vlx200芯片,。然后在System Generator模塊中點(diǎn)擊Generate產(chǎn)生硬件協(xié)仿真模塊，并將它拖入到設(shè)計(jì)文件當(dāng)中,。給Virtex-4目標(biāo)板上電,，連接好JTAG口，啟動(dòng)硬件協(xié)同仿真,。當(dāng)信號(hào)分別為2ASK,，4ASK，4PSK等調(diào)制信號(hào)時(shí),，測(cè)試整個(gè)設(shè)計(jì)系統(tǒng)判決的結(jié)果,，并將1 000次獨(dú)立試驗(yàn)得到的仿真結(jié)果取平均,，得到各種調(diào)制信號(hào)的識(shí)別率,，如表4所示。從試驗(yàn)結(jié)果來(lái)看,，調(diào)制識(shí)別系統(tǒng)設(shè)計(jì)的FPGA硬件協(xié)同實(shí)現(xiàn)與Simulink仿真的結(jié)果基本一致,，達(dá)到了設(shè)計(jì)的要求，從而也說(shuō)明了System Generator有很高的精度,。



4 結(jié)語(yǔ)
    本文采用高階累積量改進(jìn)算法對(duì)各種數(shù)字信號(hào)進(jìn)行調(diào)制識(shí)別,，大大提高了低信噪比環(huán)境下2ASK，4ASK,，4PSK和16QAM信號(hào)的識(shí)別率,，并在 System Generator中實(shí)現(xiàn)了高階累積量改進(jìn)算法的FPGA設(shè)計(jì),，從模型的建立到FPGA的實(shí)現(xiàn)都是在圖形化設(shè)計(jì)環(huán)境下完成的，避開(kāi)了編寫(xiě)復(fù)雜VHDL語(yǔ)言的環(huán)節(jié),，且轉(zhuǎn)化到FPGA上實(shí)現(xiàn)的性能好,，設(shè)計(jì)過(guò)程簡(jiǎn)便靈活，從而為調(diào)制方式識(shí)別算法的設(shè)計(jì)提供了一種新的方案,。利用System Generator提供的圖形化建模環(huán)境和自動(dòng)轉(zhuǎn)換成VHDL代碼的能力,，設(shè)計(jì)者可以將更多的時(shí)間和精力放在算法的優(yōu)化上，同時(shí)又能顯著縮短設(shè)計(jì)開(kāi)發(fā)周期,。