一种基于星座图多特征提取算法的调制格式识别方法

1.本发明涉及光通信技术领域，尤其涉及一种基于星座图多特征提取算法的调制格式识别方法。


背景技术：

2.近年来，随着5g、云计算、高清视频、云会议等业务的快速发展，人们对带宽和频谱利用率的需求不断增加，光通信系统中的信道容量呈指数级增长。未来的光纤通信系统预计将是动态的和不同种类的，可以容纳各种不同的信号，具有不同的调制格式，以满足用户的不同需求。此外，光信号容易受到各种传输损伤的影响，这些损伤可以随时间动态变化。这对光接收机提出了新的要求。
3.为了在数字接收器解调传输信号，必须知道调制格式的类型。因此，正确识别调制格式对于高质量的通信相当关键。目前已有的有关调制格式识别的算法，按照算法的识别原理大体上分为两类：基于似然函数的假设检验方法和基于特征的识别方法。
4.在基于似然函数的假设检验方法中，人们使用概率和假设检验参数来阐述调制识别问题，这种方法需要制定正确的假设并精心选取合适的门限值。基于似然函数的假设检验方法使错误识别的概率最小，因此提供贝叶斯意文上的最优解。然而，这种方法包含更高的计算复杂度，不易实现。
5.在基于特征的识别方法中，需要从接收信号中提取显著的特征，之后使用这些特征来进行信号调制格式的识别。虽然基于特征的识别方法相比基于似然函数的假设检验方法更加简便易行，但是其不具有提供最优的识别性能，因此是次优的方法。因此，如何通过合理的设计使基于特征的识别提供近似最优的识别性能是本领域需要解决的一大难题。基于此，本发明提出一种基于星座图多特征提取算法的调制格式识别方法，首先使用加权线性最小二乘算法的分形维数对信号星座图进行划分，并计算每个区域内的分形维数，将此结果作为图像特征之一。然后利用灰度共生矩阵提取图像在不同方向的特征值，计算它们的均值和方差，并将结果作为另一个特征。最后，将两种特征转化成多特征向量输入到支持向量机构造的调制格式分类器中以识别不同信号的调制格式。


技术实现要素：

6.本发明针对现有技术的不足，提出一种基于星座图多特征提取算法的调制格式识别方法，该方法所需特征参数少、步骤简洁、复杂度低、识别率高且能弥补单一特征的局限，适用于多种不同类型的调制信号识别。
7.为了实现上述目的，本发明的技术方案如下：
8.本发明提出一种基于星座图多特征提取算法的调制格式识别方法，首先使用加权线性最小二乘算法的分形维数对信号星座图进行划分，并计算每个区域内的分形维数，将此结果作为图像特征之一；然后利用灰度共生矩阵提取图像在不同方向的特征值，计算它们的均值和方差，并将结果作为另一个特征；最后，将两种特征转化成多特征向量输入到支
持向量机构造的调制格式分类器中以识别不同信号的调制格式。
9.进一步地，上述基于星座图多特征提取算法的调制格式识别方法，包括以下步骤：
10.s1、信号预处理，将生成的星座图保存为图像，对图像进行二值化处理与分析，得到二值化图像；
11.s2、首先加权线性最小二乘算法的分形维数对信号星座图进行划分，并计算每个区域内的分形维数，将此结果作为图像特征之一。然后利用灰度共生矩阵提取图像在不同方向的特征值，计算它们的均值和方差，并将结果作为另一个特征。最后，将两种特征转化成多特征向量；
12.s3、结合支持向量机构造调制格式分类器；
13.s4、将步骤s2多特征向量输入到步骤s3建立的调制格式分类器中，判别出待测信号的调制格式。
14.进一步地，所述步骤s1将星座图保存为像素大小为512*512的png格式的图像。
15.进一步地，所述步骤s2的加权线性最小二乘算法的分形维数算法为：
16.将二维星座图表示为三维表面，其中(x,y)表示图像平面上的像素位置，第三个坐标z由像素灰度值表示；
17.把像素大小为m*m的星座图分成大小为s*s个小块，其中s为整数，网格的比例为r，由获得，每个小块都有一列s*s*h的盒子，其中g是灰度图像的灰度级总数，通过公式(1)计算获得：
[0018][0019]
位置在第(i,j)处图形的最大和最小灰度级分别落在第g个和第l个盒子中，nr为大小s*s*h的盒子的数量，通过公式(2)计算获得：
[0020]
nr(i,j)＝g-l 1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0021]
网格比例r下的盒子总数nr通过公式(3)计算获得：
[0022]
nr＝∑
i,j
nr(i,j)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0023]
拟合直线每个点(xd,yd)对应一个不同的网格大小s，其中yd＝lognr，利用梯形隶属函数为每个网格尺寸分配权重w(s)，以表示对应点(xd,yd)的权重，如公式(4)所示：
[0024][0025]
其中，a
t
、b
t
、c
t
和d
t
的值用公式(5)来估算：
[0026][0027]
在获得点(xd,yd)的权重后，使用加权最小二乘算法将这些点拟合到回归线y＝ax b中，最后使用公式(6)计算得到图像的分形维数：
[0028][0029]
进一步地，所述步骤s2中灰度共生矩阵算法为：
[0030]
该灰度共生矩阵矩阵为n*n的方形矩阵，其中n是图像中灰度等级类别的数量，矩阵中的(i,j)元素代表像素对的数量，计算0
°
、45
°
、90
°
和135
°
四个方向的灰度共生矩阵，将p(i,j)按照公式(7)进行归一化处理：
[0031][0032]
其中r为归一化常数；
[0033]
使用角二阶矩m1、熵m2、对比度m3和相关性m4四个特征来进行图像块的检索，通过公式(8)来计算获得：
[0034][0035]
其中：μ
x
＝∑i∑ji*p(i,j)，μy＝∑i∑jj*p(i,j)，δ
x
＝∑i∑j(i-μ
x
)2*p(i,j)，δy＝∑i∑j(j-μy)2*p(i,j)；
[0036]
将m1、m2、m3和m4的均值和方差作为纹理特征。
[0037]
进一步地，所述步骤s3利用支持向量机对特征数据进行二值分类处理，通过构造一个超平面来分隔两类数据。
[0038]
进一步地，所述步骤s3利用支持向量机构造调制格式分类器的训练过程为：
[0039]
给出一组包含m个样例的训练数据集d＝{(x1,y1),(x2,y2),
…
,(xm,ym)}。样例的特征向量和标签分别为xi和yi，其中特征向量满足，其中特征向量满足共有m个特征，标签满足yi∈{-1, 1}，用以解决以下优化问题，以训练具有参数w∈r和b∈r的最大边界模型：
[0040][0041]
调制格式分类器的分类精度用公式(10)表示为：
[0042][0043]
其中ⅱ表示示性函数，当里面括号内的条件成立时为1，反之为0，λi是非负拉格朗日乘子向量。
[0044]
进一步地，所述步骤s3将特征数据变为一维的数据，按照7：3的比例随机多次抽取特征集得到训练特征数据和测试特征数据。
[0045]
进一步地，步骤s4中待测信号包括光通信中多种调制格式。
[0046]
与现有技术相比，本发明的有益效果为：
[0047]
本发明提出了一种基于星座图多特征提取算法的调制格式识别方法，首先使用加权线性最小二乘算法的分形维数对信号星座图进行划分，并计算每个区域内的分形维数，将此结果作为图像特征之一。然后利用灰度共生矩阵提取图像在不同方向的特征值，计算它们的均值和方差，并将结果作为另一个特征。最后，将两种特征输入到支持向量机构造的调制格式分类器中，实现对光通信系统中调制格式识别。本方法调制格式平均识别率超过98％。此方法改进了传统单一的基于特征提取的调制识别方法，原理简单，计算复杂度低，对常用调制格式的识别准确度高，且与机器学习算法进行融合，易于从现有系统升级。
附图说明
[0048]
为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0049]
图1为本发明实施例提供的基于星座图多特征提取算法的调制格式识别方法流程示意图。
[0050]
图2为本发明实施例提供的所需星座图样本示意图。
[0051]
图3为本发明实施例提供的加权线性最小二乘算法的分形维数算法处理示意图；
[0052]
图4为本发明实施例提供的灰度共生矩阵算法处理示意图；
[0053]
图5为本发明实施例提供的支持向量机构造调制格式分类器流程示意图；
[0054]
图6为本发明实施例提供的现有技术的光通信系统；
[0055]
图7为本发明实施例提供的平均识别率示意图；
具体实施方式
[0056]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0057]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0058]
为了更好地理解本技术方案，下面结合附图对本发明的方法做详细的说明。
[0059]
参考图1所示，本发明提供的一种基于星座图多特征提取算法的调制格式识别方法，包括：
[0060]
一、预处理
[0061]
将星座图保存为像素大小为512*512的png格式的图像，共计10000张图像，部分样本如图2所示，通过对图像进行二值化处理与分析，得到二值化图像，这样子有利于再对图像做进一步处理时，图像的集合性质只与像素值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小。
[0062]
二、基于星座图的多特征提取算法
[0063]
首先使用加权线性最小二乘算法的分形维数对信号星座图进行划分，并计算每个区域内的分形维数，将此结果作为图像特征之一。然后利用灰度共生矩阵提取图像在不同方向的特征值，计算它们的均值和方差，并将结果作为另一个特征。最后，将两种特征转化成多特征向量。，本方法摒弃了前人所用的单一检测特征，采用了多维特征检测机制，提高了检测精度。
[0064]
加权线性最小二乘算法的分形维数算法如图3所示，当把星座图当作输入图像计算其分形维数时，由于矢量点集中区域处的灰度值普遍高于其他空白区域，由此计算得到的分形维数也必然存在着较大的差异，如图3所示，星座图被分为16
×
16个区域，分别对每个区域进行后续的尺寸判断与分形盒维数的计算。构成分形特征矩阵时，基于加权最小二乘算法将每个小区域计算得到分形盒维数按照其所在区域的位置进行排序，就可以得到一个16
×
16的特征矩阵。
[0065]
计算流程为将二维星座图想象为三维表面，其中(x,y)表示图像平面上的像素位置，第三个坐标z由像素灰度值表示。我们把像素大小为m*m的星座图分成大小为s*s个小块，其中s为整数。网格的比例为r，由获得。每个小块都有一列s*s*h的盒子。其中g是8位灰度图像的灰度级总数，即256，可通过公式(1)计算获得。
[0066][0067]
位置在第(i,j)处图形的最大和最小灰度级分别落在第g个和第l个盒子中，nr为大小s*s*h的盒子的数量，可通过公式(2)计算获得。
[0068]
nr(i,j)＝g-l 1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0069]
网格比例r下的盒子总数nr可通过公式(3)计算获得。
[0070]
nr＝∑
i,j
nr(i,j)
ꢀꢀꢀꢀꢀꢀ
(3)
[0071]
加权线性最小二乘算法的分形维数利用梯形隶属函数的规则来为每个网格尺寸分配权重。拟合直线每个点(xd，yd)对应一个不同的网格大小s，让网格大小s分配一个权重w(s)。其中yd＝lognr，换句话说，w(s)是点(xd,yd)的权重，w(s)和ws可以互换使用，以表示对应点(xd,yd)的权重。梯形隶属函数使用公式(4)为每个数据点分配权重。
[0072][0073]
根据公式(4)，梯形隶属函数首先将所有数据点分为五组，其点必须分别位于区间(-∞,a
t
)、(a
t
,b
t
)、[b
t
,c
t
]、(c
t
,d
t
)和[d
t
, ∞)内。第一组和第五组的所有点的权重都是0，而第三组的所有点的权重都是1。第二组和第四组的点的权重根据它们与相应组的边界点的接近程度被分配在范围(0,1)内。在本研究中，a
t
、b
t
、c
t
和d
t
的值用公式(5)来估算。
[0074][0075]
由于我们使用的所有图像的大小都是512
×
512像素，因此，通过公式(5)计算得到a
t
＝1、b
t
＝8、c
t
＝27和d
t
＝257。在获得点(xd,yd)的权重后，使用加权线性最小二乘算法将这些点拟合到回归线y＝ax b中，最后使用公式(6)计算得到图像的分形维数。
[0076][0077]
如图4所示为图像转换的灰度共生矩阵算法示例，该矩阵是一个n*n的方形矩阵，其中n是图像中灰度等级类别的数量。矩阵中的(i,j)元素代表像素对的数量，通过计算四个方向(0
°
、45
°
、90
°
和135
°
)的灰度共生矩阵。然后将p(i,j)进行归一化处理：
[0078][0079]
其中r为归一化常数。
[0080]
使用角二阶矩m1、熵m2、对比度m3和相关性m4四个特征来进行图像块的检索，通过公式(8)来计算获得：
[0081][0082]
其中：μ
x
＝∑i∑ji*p(i,j)，μy＝∑i∑jj*p(i,j)，δ
x
＝∑i∑j(i-μ
x
)2*p(i,j)，δ
t
＝∑i∑j(j-μy)2*p(i,j)。为了方便计算，将m1、m2、m3和m4的均值和方差作为纹理特征。
[0083]
最终将加权线性最小二乘算法的分形维数与灰度共生矩阵得到的特征融合生成星座图多特征向量。
[0084]
三、支持向量机构造调制格式分类器进行分类识别
[0085]
本方法中利用支持向量机对特征数据进行二值分类处理。通过构造一个超平面来分隔两类数据，从而使边界最大。给出一组包含m个样例的训练数据集d＝{(x1,y1),(x2,y2),
…
,(xm,ym)}。样例的特征向量和标签分别为xi和yi，其中特征向量满足共有m个特征，标签满足yi∈{-1, 1}。它解决了以下优化问题，以训练具有参数w∈r和b∈r的最大边界模型。
[0086][0087]
度量分类器的性能需要将预测结果与yi进行对比，分类精度可以用公式(10)表示为
[0088][0089]
其中ⅱ表示示性函数，当里面括号内的条件成立时为1，反之为0，λi是非负拉格朗日乘子向量。根据公式(10)，将预测样例的标签与原本的标签相同的个数相加后除以样例总数m，即可得到分类器的精度。
[0090]
如图5所示，为了便于支持向量机学习算法对特征数据进行学习，需要将其变为一维的数据，按照7：3的比例随机多次抽取特征集得到训练特征数据和测试特征数据。利用支持向量机构造分类器，采用支持向量机学习算法对训练数据进行学习，构造调制格式识别分类器，实现调制格式识别。
[0091]
本方法采用的七类信号平均识别准确率绘制的混淆矩阵如图7所示，qpsk、8qam、16qam、32qam和256qam四类信号均有很高的识别率，能达到98％以上，特别是qpsk和8qam信号，识别率达到100％。而64qam和128qam两类信号彼此之间存在着识别错误的可能。但是在本文采用的识别算法中，64qam整体识别率达到了95％以上，128qam整体识别率达到了97％以上。
[0092]
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。