高階累積量調(diào)制識(shí)別改進(jìn)算法的FPGA實(shí)現(xiàn)

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。