專利名稱：基于特征級與決策級聯(lián)合融合的分簇調(diào)制識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種多傳感器網(wǎng)絡(luò)中基于特征級與決策級聯(lián)合融合的分簇調(diào)制識別的實現(xiàn)方案，屬于通信技術(shù)領(lǐng)域。
背景技術(shù)：
隨著通信技術(shù)的發(fā)展，無線通信環(huán)境的日益復(fù)雜，更加有效地利用頻帶資源，通信信號的調(diào)制方式更加多種多樣，同時也更加復(fù)雜。調(diào)制的自動識別技術(shù)是對接收到的通信信號進行調(diào)制方式的識別，承擔著威脅評估以及干擾識別的重要任務(wù)，是保證合法通信的關(guān)鍵措施之一，在民用和軍事領(lǐng)域具有重要意義和作用。 目前，調(diào)制方式自動識別的研究方法主要可以分為兩類基于決策論方法和基于統(tǒng)計模式識別方法?；跊Q策論方法是利用假設(shè)檢驗中的葉貝斯理論解決分類問題，根據(jù)信號的統(tǒng)計特性，通過理論分析和推導(dǎo)得到檢驗統(tǒng)計量，與合適的門限值比較，形成判決準貝U，所以門限值的設(shè)置是該方法的核心與重點?；诮y(tǒng)計模式識別方法，無須設(shè)置門限值，包括對調(diào)制信號進行特征提取和根據(jù)分類器對調(diào)制信號進行分類識別這兩部分。特征提取方法常用的有信號瞬時特征量，高階累積量，小波變換等。用于調(diào)制識別的分類器，主要包括人工神經(jīng)網(wǎng)絡(luò)、支持向量機、聚類以及其他一些模式識別方法，但是大部分僅限于單節(jié)點的研究。其中，支持向量機基于統(tǒng)計學(xué)習(xí)理論而發(fā)展起來的一種模式識別方法，它首先通過核函數(shù)定義的非線性變換將輸入向量映射到一個高維空間，將非線性問題轉(zhuǎn)為線性問題，在此高維空間構(gòu)造最優(yōu)線性分類超平面，實現(xiàn)最優(yōu)分類，具備良好的推廣能力。隨著無線通信環(huán)境日益復(fù)雜，多傳感器數(shù)據(jù)融合技術(shù)的發(fā)展，各種數(shù)據(jù)融合算法被應(yīng)用到各方面，包括應(yīng)用在協(xié)作調(diào)制識別中。將數(shù)據(jù)融合技術(shù)應(yīng)用到自動調(diào)制識別技術(shù)中，克服了單節(jié)點單獨完成接收信號的提取以及接收信號調(diào)制類型的判定可能存在的問題，比如無線通信中存在的深衰落、陰影效應(yīng)和隱藏節(jié)點等問題，使得調(diào)制識別性能更加可靠準確，具有穩(wěn)健性。對于調(diào)制識別，較常見的是數(shù)據(jù)融合、特征級融合和決策級融合。數(shù)據(jù)級融合是最低層次的融合，是對最原始的數(shù)據(jù)進行的融合，要求融合中心有較高的糾錯能力，對信道容量要求高。特征級融合是從原始的調(diào)制信號里提取特征參數(shù)，組成特征參數(shù)向量，送融合中心整合處理，融合中心可以是用聚類、支持向量機或是神經(jīng)網(wǎng)絡(luò)等融合技術(shù)進行融合識別。特征級融合大大地壓縮信息量，較數(shù)據(jù)級融合傳輸容量的要求低，較決策級融合信息損失量小，但融合中心的負擔比較重。決策級融合是在融合之前已完成識別任務(wù)，融合中心根據(jù)一定的準則做出決策，得到識別結(jié)果。現(xiàn)有的決策級融合研究算法有表決融合準則，最大后驗概率準則和DS證據(jù)理論等。決策融合各個節(jié)點需單獨判斷調(diào)制方式，計算量較特征級融合大，但是融合中心的計算量較小，對傳輸帶寬要求較低?，F(xiàn)大部分的研究是將單獨的融合方法應(yīng)用到調(diào)制識別中，由于各種方法兩的互補性，考慮將種及兩種以上的方法進行聯(lián)合，可以揚長避短，比單獨采用一種方法有更優(yōu)的識別性能。

發(fā)明內(nèi)容
技術(shù)問題本發(fā)明的目的在于提供一種多傳感器網(wǎng)絡(luò)中基于特征與決策聯(lián)合融合的分簇調(diào)制識別方法，該方法對調(diào)制信號進行特征融合和決策融合的二次融合識別，克服了單獨采用特征融合較高信噪比下識別率低和單獨采用決策融合較低信噪比下識別率低的缺點，使得調(diào)制信號在信噪比從 低到高比單獨采用特征級融合的調(diào)制識別方法和決策級融合的調(diào)制識別方法都有更好的識別性能。技術(shù)方案本發(fā)明提供一種新的基于分簇融合的調(diào)制識別的方法，該方法基于特征級融合和決策級融合的聯(lián)合，對調(diào)制信號進行二次融合識別，有效克服了單獨采用特征融合較高信噪比下識別率低和單獨采用決策融合較低信噪比下識別率低的缺點。該方法選取了 2ASK，BPSK, QASK，4PSK，4FSK，OFDM這幾種典型的調(diào)制方式進行識別。本發(fā)明基于特征級與決策級聯(lián)合融合的分簇調(diào)制識別方法包含以下步驟
步驟I. 將無線傳感器網(wǎng)絡(luò)中的多傳感器節(jié)點分成若干簇，每個
簇內(nèi)有5個傳感器節(jié)點，每個傳感器節(jié)點分別獨立接收到調(diào)制信號并提取特征參數(shù)零中心非弱信號段瞬時相位非線性分量絕對值的標準偏差
、零中心非弱信號段瞬時相位非線性分量的標準偏差%和零中心歸一化瞬時幅度絕對值的標準偏差Gfla ;
步驟2. 對于每個簇的5個傳感器節(jié)點，每個傳感器節(jié)點只提取一個特征參數(shù)，其中有兩個傳感器各提取特征參數(shù) 各一次，有兩個傳感器各提取特征參數(shù)%各一次，有一
個傳感器節(jié)點提取特征參數(shù)O·—次;
步驟3.在簇內(nèi)，各節(jié)點提取相應(yīng)的特征參數(shù)，并且將特征參數(shù)送往簇頭；
步驟4.簇頭將簇內(nèi)各個傳感器節(jié)點分別提取的特征參數(shù)組成特征向量，送到訓(xùn)練好的支持向量機分類器，對調(diào)制信號進行特征級融合識別，得到各個簇頭的調(diào)制類型的識別結(jié)果;
步驟5. M個簇頭分別將簇內(nèi)特征級融合的識別結(jié)果分別送到融合中心；
步驟6.融合中心采用表決融合準則進行決策級融合識別，如果有一個簇頭判決調(diào)制信號的調(diào)制類型為2ASK，那么投2ASK—票，對于其他調(diào)制類型也是采用相同做法，投票結(jié)束后，統(tǒng)計此次投票結(jié)果，若有某一調(diào)制類型票數(shù)超過了M/Z那么融合中心將此調(diào)制類型作為最后的判決結(jié)果。所述支持向量機分類器，其構(gòu)造包括以下步驟
步驟1，基于決策二叉樹的多類支持向量機根據(jù)參數(shù)\構(gòu)造第一級分類器，將調(diào)制方式分為{4PSK}和{2PSK, 2ASK, 4ASK, 4FSK, 0FDM}；
步驟2，對于{2PSK，2ASK, 4ASK, 4FSK, 0FDM}，仍根據(jù)參數(shù) 構(gòu)造第二級分類器，將調(diào)制方式分為{4FSK, OFDM }和{2PSK, 2ASK, 4ASK}；
步驟3，對于{4FSK，OFDM }，根據(jù)參數(shù)構(gòu)造第三級分類器，將{4FSK，OFDM }分為{4FSK }和{ OFDM }；
步驟4，對于{2PSK，2ASK, 4ASK}，根據(jù)參數(shù) 和0 構(gòu)造第四級分類器，將{2PSK, 2ASK, 4ASK}分為{2PSK }和{2ASK, 4ASK }；
步驟5，對于{2ASK, 4ASK }，根據(jù)參數(shù) 、O·和構(gòu)造第五級分類器，將{2ASK, 4ASK }分為{2ASK }和{4ASK }。有益效果對于多節(jié)點的無線傳感器網(wǎng)絡(luò)，本發(fā)明提供了一種新的基于特征與決策聯(lián)合融合的分簇調(diào)制識別方法，具有以下有益效果
I.本發(fā)明結(jié)合了特征級融合與決策級融合的優(yōu)點，克服了單獨采用特征融合較高信噪比下識別率低和單獨采用決策融合較低信噪比下識別率低的缺點，使得調(diào)制信號在信噪比從低到高比單獨采用特征級融合的調(diào)制識別方法和決策級融合的調(diào)制識別方法都有更好的識別性能。2.本發(fā)明對調(diào)制信號只利用3個參數(shù)，保證正確可靠地進行調(diào)制方式識別，同時參數(shù)提取一次就能在分類器中多次使用，減少計算量，節(jié)省傳感器節(jié)點的能耗。 3. SVM分類器設(shè)計利用3個參數(shù)采用分級方法，克服了支持向量機分類問題中一對多類訓(xùn)練時間長和一對一類分類機數(shù)目大的缺點，高分類效率。


圖I為多傳感器網(wǎng)絡(luò)進行特征與決策聯(lián)合融合識別調(diào)制信號的示意圖，
圖2為基于決策二叉樹的分級SVM分類器示意圖，
圖3為簇內(nèi)的特征級融合示意圖，
圖4為簇間的決策級融合示意圖。
具體實施例方式數(shù)據(jù)級融合保留了信號的最原始的信息，但是對融合中心的處理能力要求高，對傳輸帶寬的要求也高，對于多傳感器網(wǎng)絡(luò)來說不易實現(xiàn)；特征級融合對信號提取其特征參數(shù)，組合成特征參數(shù)向量送往融合中心整合處理，各個傳感器節(jié)點分擔計算量，對融合中心和帶寬的要求也相對較低；決策級融合識別要求各個節(jié)點單獨判決出調(diào)制類型，再將識別結(jié)果送融合中心判決，對帶寬的要求低，各個節(jié)點的計算量大。本發(fā)明提出的在多傳感器網(wǎng)絡(luò)中將多節(jié)點進行分簇，簇內(nèi)采用特征級融合識別，簇間采用決策級融合識別，結(jié)合來了特征級融合與決策級融合的優(yōu)點。本發(fā)明提出的基于特征與決策聯(lián)合融合的分簇調(diào)制識別算法包括三部分一是提取調(diào)制信號的特征參數(shù)；二是簇內(nèi)的特征級融合識別；三是簇間的決策級融合識別。本發(fā)明提出的多傳感器網(wǎng)絡(luò)中基于特征與決策聯(lián)合融合的分簇調(diào)制識別方法的系統(tǒng)模型如圖I所示，圖中，T為發(fā)送調(diào)制信號，C為融合中心，0，1，2，3，……，N，N+l, Ν+2, Ν+3, Ν+4分別為傳感器節(jié)點，其中2，……，Ν+1是匯聚節(jié)點簇頭。傳感器節(jié)點被分散在不同的地理位置，并且各個傳感器獨立接收發(fā)送過來的調(diào)制信號，每個簇內(nèi)的傳感器包括匯聚節(jié)點——簇頭，匯聚節(jié)點內(nèi)包含了 SVM分類器，用來對調(diào)制方式進行識別，具體實現(xiàn)過程如下(1)調(diào)制信號發(fā)送到各個傳感器網(wǎng)絡(luò)節(jié)點中，傳感器網(wǎng)絡(luò)中的多節(jié)點被分成若干簇，每個簇內(nèi)有若干個節(jié)點傳感器。傳感器網(wǎng)絡(luò)中各個節(jié)點接收到調(diào)制信號，并且都具有足夠的能量來提取特征參數(shù)以及將其送往匯聚節(jié)點簇頭；(2)簇頭傳感器將簇內(nèi)各個其他節(jié)點傳感器送來的特征參數(shù)組合成特征向量，送入已訓(xùn)練好的SVM分類器進行特征級融合，得到調(diào)制信號的識別結(jié)果；(3)各個簇頭將各自識別結(jié)果送到融合中心進行決策級融合識別，利用表決融合準則判決，得到調(diào)制信號最后的判決結(jié)果。本發(fā)明提出的基于特征與決策聯(lián)合融合的分簇調(diào)制識別算法流程的第一部分就是信號的預(yù)處理階段，即在每個簇內(nèi)的每個用戶分別各自提取特征參數(shù)，基于特征提取經(jīng)典的特征量及其構(gòu)造方法主要包括信號瞬時特征量，小波變換，高階累積量等，本發(fā)明選
取了基于瞬時特征量中的3個特征參數(shù)組合,分別為^口4。下面給出其定義及計
算
I)零中心非弱信號段瞬時相位非線性分量絕對值的標準偏差 ，定義式為
σαρ = j〒(Σ ^ME (O) - (ψ X ΦνΙ (O)2⑴
其中，是判斷弱信號段的一個幅度判決門限電平，Γ是在全部取樣數(shù)據(jù)#中屬于非弱
信號值的個數(shù)，4i ￠)是經(jīng)零中心化處理后瞬時相位的非線性分量，可以由Ifif )=_)-4
N
計算得到，其中砵=(2_))/況，W、是瞬時相位。2)零中心非弱信號段瞬時相位非線性分量的標準偏差 ,定義式為
°Φ - %jzr( Σ ^l(O)~(zr Σ⑵
V ax(i)>ati nnii)>at
其中變量的涵義與 中的相同。它與 的不同之處僅在于是相位絕對值的標準偏差，而0 是直接相位的標準偏差。3)零中心歸一化瞬時幅度絕對值的標準偏差Ofli,定義式為
"= Jjj (Σ I Τ；Σ⑶
^In ιΝ ι
其中，表示接收信號序列的樣本點數(shù)，是零中心歸一化瞬時幅度，它可以由
I Ν
/λ八#算得到，中η,而爾a =—y廣ι)為瞬時幅度#i)的平均
值，用平均值來對瞬時幅度進行歸一化的目的是消除信道增益的影響。本發(fā)明仿真了 2ASK，BPSK, QASK，4PSK，4FSK，OFDM這幾種調(diào)制信號中3個特征參數(shù)在不同信噪比下的特征參數(shù)圖，可以發(fā)現(xiàn)，對于不同的調(diào)制信號，各個特征參數(shù)的值有明顯的不同，可以將待識別信號進行不同類別的區(qū)分，根據(jù)不同的特征參數(shù)設(shè)計出不同的SVM分類器，對這六種調(diào)制方式進行識別。在以往的基于特征提取瞬時特征值的文獻中，發(fā)現(xiàn)更
多的分類器是采用了這幾個特征參數(shù)，考慮到在多傳感器網(wǎng)絡(luò)中，
分類器的設(shè)計既要考慮能保證正確可靠地進行調(diào)制方式識別的參數(shù)，同時又要考慮提取一次就能在分類器中多次使用的參數(shù)，減少計算量，節(jié)省傳感器節(jié)點的能耗。本發(fā)明設(shè)計了一
3個參數(shù)的分類器，如圖2，既保證了識別性能又節(jié)省了各節(jié)點提取特
征參數(shù)的能耗；同時，支持向量機識別多類問題時，常用的一對多類及一對一類兩種算法。在本發(fā)明中，分類器的設(shè)計采用的是基于二叉樹的分級方法，克服了一對多類訓(xùn)練時間長和一對一類分類機數(shù)目大的缺點。由圖2，可以看到，利用 、^1這三個特征參數(shù)組合設(shè)計的SVM分類器用到了 5個分類機，其中參數(shù) 被用到四次，所以特征參數(shù) 在簇內(nèi)不同的傳感器要重復(fù)提取。由O·的參數(shù)圖可知，4FSK和OFDM這兩種調(diào)制方式的區(qū)分十分明顯，兩者特征曲線相隔較遠。但是σ 的參數(shù)圖中2ASK和4ASK這兩種調(diào)試方式的區(qū)分并不明顯，兩者的特征曲
線相對接近，由仿真結(jié)果可知，識別率較低的調(diào)試方式是2ASK和4ASK，所以特征參數(shù) 在
簇內(nèi)不同的傳感器要重復(fù)提取。因此，在本發(fā)明提出的基于特征與決策聯(lián)合融合的分簇調(diào)制識別方法中，將多傳感器分成6簇，每個簇內(nèi)有5個傳感器節(jié)點，對于這5個傳感器節(jié)點參數(shù)提取的分配方案是5個傳感器節(jié)點中，每個傳感器節(jié)點只提取一個特征參數(shù)，其中有
兩個傳感器各提取特征參數(shù) 一次，有兩個傳感器各提取特征參數(shù)—次，有一個傳感器節(jié)點提取特征參數(shù)O·—次。本發(fā)明提出的基于特征與決策聯(lián)合融合的分簇調(diào)制識別算法流程的第二部分就是簇內(nèi)的特征級融合，在多傳感器網(wǎng)絡(luò)中將多傳感器分成若干簇，在每個簇內(nèi)進行特征級
融合識別，如圖3，每個簇內(nèi)有若干傳感器節(jié)點1，2，……，N，if表示每個傳感器接收到的第
i個調(diào)制信號，雖然接收的是同一個發(fā)送端發(fā)送的調(diào)制信號，但是各個傳感器處在不同的地理位置，經(jīng)過的信道不同，最后的接收信號也是不同的。本發(fā)明假設(shè)信道為陰影衰落，并且各傳感器接收到的信號信噪比服從對數(shù)正態(tài)分布。傳感器節(jié)點1，2，……，N提取的特征參
數(shù)分別為丨奮同時送往簇頭，簇頭將其組合成特征向量[H”，:1,]’送SVM分
類器識別。SVM將輸入向量映射到一個高維的特征空間，將輸入空間線性不可分的問題在高維空間中可以轉(zhuǎn)化為線性可分問題來解決，在高維特征空間中構(gòu)造一個最優(yōu)的分類面。要求分類平面不但能將兩類樣本無錯誤的分開，而且要使兩類之間的距離最大。可求得最優(yōu)
分類超平面的決策函數(shù)為
權(quán)利要求
1.一種基于特征級與決策級聯(lián)合融合的分簇調(diào)制識別方法，其特征在于該方法包含以下步驟 步驟I. 將無線傳感器網(wǎng)絡(luò)中的多傳感器節(jié)點分成若干簇，每個簇內(nèi)有5個傳感器節(jié)點，每個傳感器節(jié)點分別獨立接收到調(diào)制信號并提取特征參數(shù)零中心非弱信號段瞬時相位非線性分量絕對值的標準偏差σαρ、零中心非弱信號段瞬時相位非線性分量的標準偏差和零中心歸一化瞬時幅度絕對值的標準偏差Cii 步驟2. 對于每個簇的5個傳感器節(jié)點，每個傳感器節(jié)點只提取一個特征參數(shù)，其中有兩個傳感器各提取特征參數(shù)f④各一次，有兩個傳感器各提取特征參數(shù)°^各一次，有一個傳感器節(jié)點提取特征參數(shù)CiKi一次； 步驟3.在簇內(nèi)，各節(jié)點提取相應(yīng)的特征參數(shù)，并且將特征參數(shù)送往簇頭； 步驟4.簇頭將簇內(nèi)各個傳感器節(jié)點分別提取的特征參數(shù)組成特征向量，送到訓(xùn)練好的支持向量機分類器，對調(diào)制信號進行特征級融合識別，得到各個簇頭的調(diào)制類型的識別結(jié)果; 步驟5. M個簇頭分別將簇內(nèi)特征級融合的識別結(jié)果分別送到融合中心； 步驟6.融合中心采用表決融合準則進行決策級融合識別，如果有一個簇頭判決調(diào)制信號的調(diào)制類型為2ASK，那么投2ASK—票，對于其他調(diào)制類型也是采用相同做法，投票結(jié)束后，統(tǒng)計此次投票結(jié)果，若有某一調(diào)制類型票數(shù)超過了那么融合中心將此調(diào)制類型作為最后的判決結(jié)果。
2.如權(quán)利要求I所述基于特征級與決策級聯(lián)合融合的分簇調(diào)制識別方法，其特征在于所述支持向量機分類器，其構(gòu)造包括以下步驟 步驟1，基于決策二叉樹的多類支持向量機根據(jù)參數(shù)構(gòu)造第一級分類器，將調(diào)制方式分為{4PSK}和{2PSK, 2ASK, 4ASK, 4FSK, OFDM}； 步驟2，對于{2PSK，2ASK, 4ASK, 4FSK, OFDM}，仍根據(jù)參數(shù)σ ^構(gòu)造第二級分類器，將調(diào)制方式分為{4FSK, OFDM }和{2PSK, 2ASK, 4ASK}； 步驟3，對于{4FSK，OFDM }，根據(jù)參數(shù)^^構(gòu)造第三級分類器，將{4FSK，OFDM }分為{4FSK }和{ OFDM }； 步驟4，對于{2PSK，2ASK, 4ASK}，根據(jù)參數(shù)和構(gòu)造第四級分類器，將{2PSK, 2ASK, 4ASK}分為{2PSK }和{2ASK, 4ASK }； 步驟5，對于{2ASK，4ASK }，根據(jù)參數(shù)和σ構(gòu)造第五級分類器，將{2ASK，4ASK}分為{2ASK }和{4ASK }。
全文摘要
本發(fā)明的目的在于提出一種基于特征與決策聯(lián)合融合的分簇調(diào)制識別方法。該方法對調(diào)制信號進行特征級和決策級二次融合識別，克服了低信噪比下識別率低的缺點，提供了調(diào)制識別的魯棒性。該方法首先將無線傳感器網(wǎng)絡(luò)中的多個傳感器節(jié)點分成若干簇；然后在每個簇內(nèi)的每個用戶分別分配提取各自的特征參數(shù)，并將特征參數(shù)送往匯聚節(jié)點簇頭，簇頭將簇內(nèi)其他各個用戶分別提取的特征參數(shù)組成特征向量送已訓(xùn)練好的SVM分類器，對接收到的調(diào)制信號進行特征級融合，得到該簇的識別結(jié)果；最后簇頭將每個簇的識別結(jié)果送往融合中心進行決策級融合，融合中心根據(jù)表決融合準則對各個簇送來的識別結(jié)果進行投票判決，得到調(diào)制信號的調(diào)制類型的最終識別結(jié)果。
文檔編號H04W40/10GK102869064SQ20121026267
公開日2013年1月9日 申請日期2012年7月27日 優(yōu)先權(quán)日2012年7月27日
發(fā)明者朱琦, 魏淑芝 申請人:南京郵電大學(xué)