5G新型多載波信號識別研究綜述報告目錄TOC\o"1-2"\h\u197225G新型多載波信號識別研究綜述報告 120439一、多載波技術研究現(xiàn)狀 13088二、基于特征提取的信號調制識別方法研究 211770三、基于特征提取的傳統(tǒng)模式識別方法 25933四、基于機器學習的調制識別算法 3在認知無線電、通信偵察等非協(xié)作信號處理系統(tǒng)中，信號識別是介于檢測與解調之間的中介環(huán)節(jié)，同時也為后續(xù)的解調及其他處理環(huán)節(jié)的功能實現(xiàn)提供依據(jù)。本文以傳統(tǒng)的統(tǒng)計學理論與新興的機器學習理論為依據(jù)，利用極值分布理論、小波變換及神經(jīng)網(wǎng)絡等模型與方法，研究了若干5G新型多載體波信號的有效識別算法進行綜述。關鍵字：無線電；信號；算法近年來，隨著5G多載波技術的發(fā)展，多載波技術的研究也越來越廣泛。另一方面多載波信號的識別也引起了相關學者的注意。下面就與多載波信號識別相關的多載波技術發(fā)展、信號識別等相關問題進行綜述。一、多載波技術研究現(xiàn)狀濾波器組多載波調制于1967年由B.Saltzberg提出，但由于當時并沒有該調制方法的相關理論，所以也沒有人認為應該稱此調制方法為濾波器組多載波調制。除此之外，當時沒有成熟的數(shù)字信號處理技術來使該調制方法得以實現(xiàn)，因而該調制方法沒有引起人們的足夠重視。一直到上世紀80年代，隨著數(shù)字信號處理技術的不斷豐富與成熟，廣大研究人員才開始重點研究該調制方法。在OFDM的概念引入蜂窩移動通信系統(tǒng)，為無線OFDM系統(tǒng)的發(fā)展奠定了基礎。OFDM因其具有簡單易實現(xiàn)和高效的頻譜利用率等特點一直作為核心技術被多種有線和無線接入標準所采納[1]。但是隨著第五代移動通信技術的到來，面對5G更加多樣化的業(yè)務類型、更高的頻譜效率和更多的連接數(shù)等需求，OFDM的參數(shù)設置統(tǒng)一、需要CP對抗多徑和較高的帶外泄露等特征無法滿足5G的需求[2]。目前許多學者都在積極研究OFDM的替代波形，并有一定的成果。其中FBMC技術以其旁瓣衰減快、有更高的頻譜利用率以及可以對子載波進行靈活的配置、頻譜使用靈活等優(yōu)點被認為是未來無線通信系統(tǒng)中候選方案之一[3]。目前國內(nèi)外的許多學者都對FBMC技術做了大量的研究，文獻[4]研究了FBMC系統(tǒng)中原型濾波器設計的優(yōu)化，并將優(yōu)化后的FBMC系統(tǒng)在誤碼率、功率譜密度、計算復雜度方面與OFDM的性能進行了比較。文獻[5]針對FBMC系統(tǒng)提出兩種不同接收機，并獲得較低符號錯誤率。文獻[6]從誤碼率與信噪比的角度對FBMC、F-OFDM、UFMC等幾種傳輸技術進行了性能分析，仿真結果表明，與其他技術相比，F(xiàn)BMC技術具有良好的性能。UFMC由諾基亞和阿朗提出，其核心思想是采用濾波方式處理一組連續(xù)的子載波，其濾波器長度與循環(huán)前綴的長度相同以便保持時域信號的正交性。UFMC的濾波器易于實現(xiàn)，但其缺點在于對頻譜泄漏的抑制效果不太好，運算量比較大的時域卷積導致實時處理能力不強[7]。二、基于特征提取的信號調制識別方法研究該方法首先對調制信號進行特征提取，再選取適當?shù)姆诸惼鬟M行調制和識別。根據(jù)信號特征的提取和分類的不同，可以將其分成兩大類：一是采用人工設計和抽取高階累積量、星座圖、循壞譜和小波分析等特征，通過對分類和分類的分類，實現(xiàn)對信號的調制和識別[8]。第二種是基于機器學習的調制識別算法，它可以分成兩大類，一種是在進行信號調制時，先進行人工抽取，然后再用BP神經(jīng)網(wǎng)絡等分類器進行信號的調制和識別；三、基于特征提取的傳統(tǒng)模式識別方法傳統(tǒng)模式識別算法的方法實際上是一種盲識別算法。在實際的調制方式識別中，一般采用模式識別的方法。該方法只要通過提取能夠反映信號調制類型的特征參數(shù)，構成不同模式的特征矢量，然后根據(jù)經(jīng)典的模式識別理論進行分類、識別。相對于最大似然方法，模式識別方法雖然在理論上是次優(yōu)的。但是實際應用中實現(xiàn)復雜度較低，在先驗知識不足的情況仍能識別多種信號調制方式，更能適合當前各種通信場景下的需求。因此得到國內(nèi)外許多學者的關注，從目前的所發(fā)表的文獻來看，模式方法中的特征主要選擇的特征有時域特征和變換域特征，主要包括基于信號瞬時信息特征、基于信號高階累積量特征、基于時頻分析特征、基于星座圖特征、以及基于譜分析特征等。在二十世紀九十年代，提出基于瞬時信息的9個時頻統(tǒng)計特征，在信噪比大于10dB時，實現(xiàn)了對多種模數(shù)信號的有效分類，該方法對以后的信號調制識別領域的研究產(chǎn)生了很大的影響[9]。文獻[10]提出一種基于信號二、四階累積量對2ASK、4ASK、2PSK、QPSK進行分類識別，以及對8PSK和MFSK微分后的四階累積量對其分類識別，在信噪比為8dB時，正確識別率為百分之百。文獻[11]根據(jù)歸一化前后小波變換幅度差異，利用小波變異系數(shù)的不同和相似性特征，對MASK、MFSK、MPSK、MQAM進行識別，仿真顯示在信噪比大于2dB時，識別率高達92.39%以上。在2004年，文獻[12]結合盲均衡技術，利用減法聚類思想構造接收信號星座圖，并與原有信號星座圖匹配對比，完成了對ASK、QPSK、8PSK和16QAM信號的分類。在1987年，首次將循環(huán)平穩(wěn)理論用于信號調制分類問題上，且識別效果出乎意料[13]。四、基于機器學習的調制識別算法基于機器學習的調制識別算法，該方法可以分為2類，一類為傳統(tǒng)的機器學習算法，改算法需要事先人工提取特征，再選擇BP（BackPropagation）神經(jīng)網(wǎng)絡等分類器來完成信號的調制識別，還有一類為基于深度學習的調制識別算法，該算法的特征是自動提取，并且通過具有深度神經(jīng)網(wǎng)絡結構的分類器來完成對信號的自動調制識別，基于深度學習的自動調制識別，就充分發(fā)揮了自組織、自學習機制的優(yōu)勢特征，在不需要先驗信息的前提下，利用非線性函數(shù)便可提取出有效特征，最后利用相匹配的分類器實現(xiàn)準確識別[14]。GardnerW在開展的研究中先提取淺層特征，再通過主成分分析（PrincipalComponentAnalysis，PCA）算法、Fisherface算法等方法，并將KNN、Softmax、深度自編碼網(wǎng)絡等作為分類器，分別識別MASK、MFSK、MPSK和MQAM等調制信號，取得了較好調制識別性能[15]。HuiWang等[16]提出一種基于深度學習的識別算法，通過提取淺層特征，再借助深度置信網(wǎng)絡（DeepBeliefNetworks，DBN），對BPSK、QPSK、16QAM等多種信號進行仿真分析，結果顯示，在信噪比0dB的情況下，其識別正確率超過91%；在信噪比5dB的情況下，其識別正確率則超過98%。XiaoleiZhu等[17]通過提出一種基于光譜圖與深度學習的識別算法，利用短時傅里葉變換（ShortTimeFourierTransform，STFT）算法提取信號的光譜圖，并通過深度學習實現(xiàn)了譜圖特征自動提取，實現(xiàn)對MFSK、MPSK和MQAM等多種調制信號的仿真分析。結果顯示，在信噪比-4dB的情況下，其識別正確率為90%。JiachenLi等[18]基于GNURadio生成可滿足各種情況下的調制信號數(shù)據(jù)集，然后再利用這些數(shù)據(jù)集在深度神經(jīng)網(wǎng)絡（DeepNeuralNetwork，DNN）、卷積神經(jīng)網(wǎng)絡（ConvolutionalNeuralNetworks，CNN）等各種深度神經(jīng)網(wǎng)絡上實現(xiàn)分類識別，并圍繞卷積層數(shù)、卷積核尺寸、神經(jīng)元數(shù)量與調制識別性能之間的關系影響展開了針對性探討與研究。結果表明，如果信噪比為0，其識別正確率會超過90%。GihanJ.Mendis等[19]則在開展的研究中利用TimothyJ.O'Shea等人建立的調制信號數(shù)據(jù)集，以分層深度神經(jīng)網(wǎng)絡為分類器實現(xiàn)信號的自動調制識別，取得了較好的調制識別性能。SinjinJeong等[20]提出一種改進的深度CNN網(wǎng)絡識別算法，通過對傳統(tǒng)CNN網(wǎng)絡結構添加Droupout層和輔助信息等方法，實現(xiàn)了對MPSK、MQAM等11種調制信號的分類識別，結果顯示，在信噪比為-2dB情況下，平均識別正確率超過90%。參考文獻[1]胡國兵,韓磊,楊莉,等.5G新型多載波信號識別方法[J].信息化研究,2020,46(6):9.[2]寧勇強.5G新型多載波FBMC關鍵技術研究[D].北京交通大學,2018.[3]徐穎群.面向5G的新型多載波調制技術研究及硬件實現(xiàn)[D].東南大學.[4]姜皓月.面向5G的兩種新型多載波傳輸技術研究[J].中外企業(yè)家,2020(15):2.[5]李新.5G新型多載波技術分析[J].信息通信,2018(4):2.[6]周韻.5G新型多載波UF-OFDM技術及測試[J].數(shù)字化用戶,2018,24(021):133,143.[7]李寧,周圍.面向5G的新型多載波傳輸技術比較[J].通信技術,2016(5):519-523.[8]劉金玲,陸海翔.面向5G的新型多載波技術分析[J].電信技術,2017(8):3.[9]唐鈺茹.我國5G移動通信技術研究文獻研究綜述[J].計算機產(chǎn)品與流通,2018(2):1.[10]陳樂,王雙鎖,孫永超.5G移動通信組網(wǎng)關鍵技術研究綜述[J].中國科技投資,2020.[11]江敏.面向5G的新型多載波傳輸技術比較分析[J].科學與信息化,2018(20):2.[12]朱坤娜,張秀龍.一種用于5G基站的多載波功率放大器:,CN212305966U[P].2021.[13]黃旭.5G通信系統(tǒng)中載波同步幀同步系統(tǒng)的研究[D].南京郵電大學,2020.[14]DaChen,GuochaoSong,JunLi,等.濾波器組多載波:面向5G及未來移動通信的新型調制.2017.[15]GardnerW.A.,SpoonerC.M.Cumulanttheoryofcyclostationarytime-series.I.Foundation[J].IEEETransactionsonSignalProcessing,1994,42(12):3387-3408.[16]HuiWang,LiLiGuo.ANewMethodofAutomaticModulationRecognitionBasedonDimensionReduction[C].2017ForumonCooperativePositioningandService(CPGPS).2017:316-320.[17]XiaoleiZhu,YunLin,ZhengDou.Automaticrecognitionofcommunicationsignalmodulationbasedonneuralnetwork[C].IEEEInternationalConferenceonElectronicInformationandCommunicationTechnology(ICEICT).2016:223-226.[18]JiachenLi,LinQi,YunLin.Researchonmodulationidentificationofdigitalsignalsbasedondeeplearning[C].IEEEInternationalConferenceonElectronicInformationandCommunicationTechnology(ICEICT).2016:402-405.[19]GihanJ.Mendis,JinWei,etc.Deeplearning-basedautomatedmodulationclassificationforcognitiveradio[C].IEEEInternationalConferenceonCommu