基于星座图聚类分析调制识别的改进算法.pdf

《基于星座图聚类分析调制识别的改进算法.pdf》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、信号与信息处理基于星座图聚类分析调制识别的改进算法姜凯，陈卫东(中国电子科技集团公司第五十四研究所，河北石家庄050081)摘要通过分析聚类分析在星座图中的应用，得出星座图聚类分析对高阶QAM短突发信号的类内调制识别不适用的结论，从而提出了星座图聚类调制识别法在短突发信号的改进方法。将星座点在坐标轴上投影，利用投影点进行聚类分析，可以提高星座聚类算法在高阶QAM短突发信号调制识别中的性能。仿真结果表明，在短突发信号的条件下，该方法具有良好的识别效果。关键词突发；高阶QAM信号；调制识别；星座图；聚类分析中图分类号TN911．72文献标识码A文章编号1003—3106(2009)02一O029—

2、03ModifiedModulationRecognitionAlgorithmBasedonConstellationClusteringAnalysisJIANGKai，CHENWei—dong(The54thResearchInstituteof，ShijiazhuangHebei050081，Ch／na)AbstractThepaperpresentstheapplicationofclusteringanalysisinconstellationandconcludesthatitisnotsuitableforintra—classmodulationrecognitionofhi

3、gherorderQAMshortburstsis~d．Thenweproposeanimprovodmethod．Constellationpointsareprojectedontheaxis；andclusteringanalysisofthemcanimprovetheperformanceofmodulationrecognitionofhigherorderQAMshortburst8igrla1．Simulationresultdemonstratestheeficiencyofmodulationrecognitionforshortburstsigna1．Keywordsbu

4、rst；higherorderQAM；mod~ationrecognition；constelation；clusteringanalysis制识别中应用局限性，并在原有方法基础上进行改0引言进，以适应短突发MQAM信号的类内识别。正交幅度调制(QuadratureAmplitudeModulation，1星座图的聚类分析QAM)信号频带利用率较高，在现代通信系统中得到越来越多的应用。在通信侦察应用中，信号调制识本文以方形64QAM为例进行分析，假设待识别别的目的是给出输入信号的调制类型与调制参数，信号已经过信道均衡，载波恢复，且在较大的信噪比为侦收解调器提供解调算法选择和相应参数J。(152

5、3dB信噪比)环境下进行。信号调制方式识别包括2类：不同调制方式的聚类是将一个数据集划分为若干组，使得组内区分，例如将FSK、PSK、QAM等信号的调制方式区相似性大于组间相似性。聚类算法运用于信号星座分开来，称为类间识别；对同类调制方式不同调制阶图，则提取各调制状态的幅度与相位信息来分组。数的确定，例如对一个MQAM信号确定其调制阶数减法聚类方法具有如下特点：计算量与数据点的数M，称为类内识别。本文所研究的方法是针对类内目成简单的线性关系，且与所考虑问题的维数无调制方式的识别J。关J。考虑维空间的17,个数据点(，，2，⋯，信号矢量端点的分布图为星座图，任何一种数)，不失一般性，假定数据点已

6、归一化到一个超立字幅相调制信号都可以用唯一的星座图表示。利用方体中。由于每个数据点都是聚类中心的候选者。这种一一对应关系，基于聚类的星座重构方法可用因此，数据点的密度指标定义为：于QAM信号的调制识别。星座聚类中最常用的聚／l瓤一XiIl、Di类算法是模糊c一均值算法]及其改进算法。J=1expr、(】，．／2)‘J，。(1)本文针对方形MQAM信号星座聚类识别的算式中，常数。定义了该点的一个邻域，半径以外的法，分析现有算法在高阶QAM短突发信号的类内调收稿日期：2008—11-052009年无线电工程第39卷第2期29信号与信息处理数据点对该点的密度指标贡献甚微。在计算每个数2改进方法据点密

7、度指标后，选择具有最高密度指标的数据点为第一个聚类中心，令为选中的点，为其密度原有的星座图聚类方法，对于高阶短突发QAM指标。那么每个数据点的密度指标可用式(2)进信号的处理性能不佳，其主要原因是因为星座点处行修正。的数据点数过少，使在星座点处很难达到较高的聚类密度。若能提高用以识别的聚类点处的数据点数。=。一。exp(一)。(2)量，就能改善聚类性能。式中，常数y定义了一个密度指标显著减小的邻因