第8卷第3期 智能系统学报 Vol.8 No.3 2013年6月 CAAI Transactions on Intelligent Systems Jum.2013 D0I:10.3969/j.issn.1673-4785.201207004 网络出版地址：http://www.cnki.net/kcms/detail/23.1538.TP.20130515.0944.012.html 采用ICA的公共信道多干扰源信号的自动识别方法 张鹏伟 (陕西科技大学电气与信息工程学院，陕西西安710021) 摘要：为解决公共信道中多个干扰信号自动识别的问题，提出了采用独立分量分析(ICA)的多干扰源盲信号分离 技术该方法先对混合的干扰信号进行分离，然后对每路信号和干扰在时域、频域和高阶累积域进行特征提取和自动 识别.以4种干扰信号和2种通信信号共信道混合为例进行了仿真实验，仿真结果中该方法迭代5次达到收敛，收敛 时的性能指数为0.21，说明信号分离效果较好.当信噪比高于10B时，正确分离率达到95%以上：当信噪比低于 10B时，分离率变化不大而识别率大大下降，由此表明了该方法的正确性和有效性. 关键词：多干扰源信号：信号识别：盲信号分离：独立分量分析：公共信道 中图分类号：TP391.4:TN911文献标志码：A文章编号：1673-4785(2013)03-0277-06 中文引用格式：张鹏伟采用1CA的公共信道多干扰源信号的自动识别方法[J].智能系统学报，2013,8(3)：277-282 英文引用格式：ZHANG Pengwei.Automatic recognition of multi-interference source signals in the common channel based on inde- pendent component analysis [J.CAAI Transactions on Intelligent Systems,2013,8(3):277-282. Automatic recognition of multi-interference source signals in the common channel based on independent component analysis ZHANG Pengwei (College of Electrical Information Engineering,Shaanxi University of Science Technology,Xi'an 710021,China) Abstract:A new method was presented to solve the problem of automatic recognition of multi-interfering signals in the common channel.Based on the independent component analysis(ICA),the multi-interfering blind signal sepa- ration technology was adopted to separate the interfering signals,which are mixed at the same time.Also the algo- rithm selected the features of each signal and interference in time domain,frequency domain and high-order cumu- lant domain to complete the recognition of the interfering signals.The computer simulation utilizes the automatic rec- ognition method to solve the problem of two types of signals and four interferences mixed in the same channel,and the results show that after five times of iteration the algorithm achieves convergence with a good performance index of 0.21.The results also indicate that when SNR is more than 10 dB,the accurate interference separation rate is a- bove 95%.And when SNR is less than 10 dB,the recognition rate drops greatly while the separation rate is hardly influenced,which proves the correctness and validity of this method. Keywords:multi-interference source signals;signal recognition;blind signal separation;independent component a- nalysis;common channel 通信信号的调制识别，是软件无线电、认知无线 的算法，这些研究都是假设在同一个信道中同时只 电以及电子对抗等领域的关键技术，是通信系统中 存在一个通信信号的前提下进行.文献[7]利用能量 信号检测和信息解调之间的关键环节因此，该技术 算子对单信道的2~3个混合信号进行分离和识别， 具有重要现实意义，研究十分广泛.其中，Nandi)和 该方法具有较好的时频分辨率以及瞬时自适应的特 Azzouz2]的工作最具代表性，他们提出了一类时域 点，但是不能估计信号分量的初相，低信噪比时估计 特征参数，并结合判决理论和神经网络算法，能较好 误差较大。 地识别出通信信号的调制方式在此基础上，先后出 随着无线电技术在军用和民用领域的广泛应用 现了许多利用通信信号高阶谱特征)、小波域特 以及大量干扰源的存在，各种用于无线电频谱监测、 征[4，、循环谱特征以及分形特征[6)进行调制识别 电子侦察的宽带接收机，甚至部分窄带接收机接收 的信号往往呈现频域严重重叠、时域高度密集的特 收稿日期：2012-07-02.网络出版日期：2013-05-15 通信作者：张鹏伟.E-mail:xxdh2011@163.com. 点.同一信道同时存在2个或多个干扰信号的情况
第 ８ 卷第 ３ 期 智 能 系 统 学 报 Ｖｏｌ．８ №．３ ２０１３ 年 ６ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｊｕｎ． ２０１３ ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１２０７００４ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ＴＰ．２０１３０５１５．０９４４．０１２．ｈｔｍｌ 采用 ＩＣＡ 的公共信道多干扰源信号的自动识别方法 张鹏伟 （陕西科技大学 电气与信息工程学院，陕西 西安 ７１００２１） 摘 要：为解决公共信道中多个干扰信号自动识别的问题，提出了采用独立分量分析（ ＩＣＡ）的多干扰源盲信号分离 技术．该方法先对混合的干扰信号进行分离，然后对每路信号和干扰在时域、频域和高阶累积域进行特征提取和自动 识别．以 ４ 种干扰信号和 ２ 种通信信号共信道混合为例进行了仿真实验，仿真结果中该方法迭代 ５ 次达到收敛，收敛 时的性能指数为 ０．２１，说明信号分离效果较好．当信噪比高于 １０ ｄＢ 时，正确分离率达到 ９５％以上；当信噪比低于 １０ ｄＢ时，分离率变化不大而识别率大大下降，由此表明了该方法的正确性和有效性． 关键词：多干扰源信号；信号识别；盲信号分离；独立分量分析；公共信道 中图分类号： ＴＰ３９１．４；ＴＮ９１１ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１３）０３⁃０２７７⁃０６ 中文引用格式：张鹏伟．采用 ＩＣＡ 的公共信道多干扰源信号的自动识别方法［Ｊ］．智能系统学报， ２０１３， ８（３）： ２７７⁃２８２． 英文引用格式：ＺＨＡＮＧ Ｐｅｎｇｗｅｉ． Ａｕｔｏｍａｔｉｃ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｍｕｌｔｉ⁃ｉｎｔｅｒｆｅｒｅｎｃｅ ｓｏｕｒｃｅ ｓｉｇｎａｌｓ ｉｎ ｔｈｅ ｃｏｍｍｏｎ ｃｈａｎｎｅｌ ｂａｓｅｄ ｏｎ ｉｎｄｅ⁃ ｐｅｎｄｅｎｔ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ ［Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１３， ８（３）： ２７７⁃２８２． Ａｕｔｏｍａｔｉｃ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｍｕｌｔｉ⁃ｉｎｔｅｒｆｅｒｅｎｃｅ ｓｏｕｒｃｅ ｓｉｇｎａｌｓ ｉｎ ｔｈｅ ｃｏｍｍｏｎ ｃｈａｎｎｅｌ ｂａｓｅｄ ｏｎ ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ ＺＨＡＮＧ Ｐｅｎｇｗｅｉ （Ｃｏｌｌｅｇｅ ｏｆ Ｅｌｅｃｔｒｉｃａｌ ＆ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｓｈａａｎｘｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ＆ Ｔｅｃｈｎｏｌｏｇｙ， Ｘｉ＇ａｎ ７１００２１， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａ ｎｅｗ ｍｅｔｈｏｄ ｗａｓ ｐｒｅｓｅｎｔｅｄ ｔｏ ｓｏｌｖｅ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ａｕｔｏｍａｔｉｃ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｍｕｌｔｉ⁃ｉｎｔｅｒｆｅｒｉｎｇ ｓｉｇｎａｌｓ ｉｎ ｔｈｅ ｃｏｍｍｏｎ ｃｈａｎｎｅｌ． Ｂａｓｅｄ ｏｎ ｔｈｅ ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ （ＩＣＡ）， ｔｈｅ ｍｕｌｔｉ⁃ｉｎｔｅｒｆｅｒｉｎｇ ｂｌｉｎｄ ｓｉｇｎａｌ ｓｅｐａ⁃ ｒａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｗａｓ ａｄｏｐｔｅｄ ｔｏ ｓｅｐａｒａｔｅ ｔｈｅ ｉｎｔｅｒｆｅｒｉｎｇ ｓｉｇｎａｌｓ， ｗｈｉｃｈ ａｒｅ ｍｉｘｅｄ ａｔ ｔｈｅ ｓａｍｅ ｔｉｍｅ． Ａｌｓｏ ｔｈｅ ａｌｇｏ⁃ ｒｉｔｈｍ ｓｅｌｅｃｔｅｄ ｔｈｅ ｆｅａｔｕｒｅｓ ｏｆ ｅａｃｈ ｓｉｇｎａｌ ａｎｄ ｉｎｔｅｒｆｅｒｅｎｃｅ ｉｎ ｔｉｍｅ ｄｏｍａｉｎ， ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ ａｎｄ ｈｉｇｈ⁃ｏｒｄｅｒ ｃｕｍｕ⁃ ｌａｎｔ ｄｏｍａｉｎ ｔｏ ｃｏｍｐｌｅｔｅ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｔｈｅ ｉｎｔｅｒｆｅｒｉｎｇ ｓｉｇｎａｌｓ． Ｔｈｅ ｃｏｍｐｕｔｅｒ ｓｉｍｕｌａｔｉｏｎ ｕｔｉｌｉｚｅｓ ｔｈｅ ａｕｔｏｍａｔｉｃ ｒｅｃ⁃ ｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄ ｔｏ ｓｏｌｖｅ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｔｗｏ ｔｙｐｅｓ ｏｆ ｓｉｇｎａｌｓ ａｎｄ ｆｏｕｒ ｉｎｔｅｒｆｅｒｅｎｃｅｓ ｍｉｘｅｄ ｉｎ ｔｈｅ ｓａｍｅ ｃｈａｎｎｅｌ， ａｎｄ ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ａｆｔｅｒ ｆｉｖｅ ｔｉｍｅｓ ｏｆ ｉｔｅｒａｔｉｏｎ ｔｈｅ ａｌｇｏｒｉｔｈｍ ａｃｈｉｅｖｅｓ ｃｏｎｖｅｒｇｅｎｃｅ ｗｉｔｈ ａ ｇｏｏｄ ｐｅｒｆｏｒｍａｎｃｅ ｉｎｄｅｘ ｏｆ ０．２１． Ｔｈｅ ｒｅｓｕｌｔｓ ａｌｓｏ ｉｎｄｉｃａｔｅ ｔｈａｔ ｗｈｅｎ ＳＮＲ ｉｓ ｍｏｒｅ ｔｈａｎ １０ ｄＢ， ｔｈｅ ａｃｃｕｒａｔｅ ｉｎｔｅｒｆｅｒｅｎｃｅ ｓｅｐａｒａｔｉｏｎ ｒａｔｅ ｉｓ ａ⁃ ｂｏｖｅ ９５％． Ａｎｄ ｗｈｅｎ ＳＮＲ ｉｓ ｌｅｓｓ ｔｈａｎ １０ ｄＢ， ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ ｄｒｏｐｓ ｇｒｅａｔｌｙ ｗｈｉｌｅ ｔｈｅ ｓｅｐａｒａｔｉｏｎ ｒａｔｅ ｉｓ ｈａｒｄｌｙ ｉｎｆｌｕｅｎｃｅｄ， ｗｈｉｃｈ ｐｒｏｖｅｓ ｔｈｅ ｃｏｒｒｅｃｔｎｅｓｓ ａｎｄ ｖａｌｉｄｉｔｙ ｏｆ ｔｈｉｓ ｍｅｔｈｏｄ． Ｋｅｙｗｏｒｄｓ：ｍｕｌｔｉ⁃ｉｎｔｅｒｆｅｒｅｎｃｅ ｓｏｕｒｃｅ ｓｉｇｎａｌｓ； ｓｉｇｎａｌ ｒｅｃｏｇｎｉｔｉｏｎ； ｂｌｉｎｄ ｓｉｇｎａｌ ｓｅｐａｒａｔｉｏｎ； ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｍｐｏｎｅｎｔ ａ⁃ ｎａｌｙｓｉｓ； ｃｏｍｍｏｎ ｃｈａｎｎｅｌ 收稿日期：２０１２⁃０７⁃０２． 网络出版日期：２０１３⁃０５⁃１５． 通信作者：张鹏伟． Ｅ⁃ｍａｉｌ： ｘｘｄｆｂ２０１１＠ １６３．ｃｏｍ． 通信信号的调制识别，是软件无线电、认知无线 电以及电子对抗等领域的关键技术，是通信系统中 信号检测和信息解调之间的关键环节．因此，该技术 具有重要现实意义，研究十分广泛．其中，Ｎａｎｄｉ ［１］ 和 Ａｚｚｏｕｚ ［２］的工作最具代表性，他们提出了一类时域 特征参数，并结合判决理论和神经网络算法，能较好 地识别出通信信号的调制方式．在此基础上，先后出 现了许多利用通信信号高阶谱特征［３］ 、小波域特 征［４］ 、循环谱特征［５］以及分形特征［６］ 进行调制识别 的算法，这些研究都是假设在同一个信道中同时只 存在一个通信信号的前提下进行．文献［７］利用能量 算子对单信道的 ２～３ 个混合信号进行分离和识别， 该方法具有较好的时频分辨率以及瞬时自适应的特 点，但是不能估计信号分量的初相，低信噪比时估计 误差较大． 随着无线电技术在军用和民用领域的广泛应用 以及大量干扰源的存在，各种用于无线电频谱监测、 电子侦察的宽带接收机，甚至部分窄带接收机接收 的信号往往呈现频域严重重叠、时域高度密集的特 点．同一信道同时存在 ２ 个或多个干扰信号的情况
·278· 智能系统学报 第8卷 也很普遍，特别在战时的热点地区因此，共信道多 的信号或多或少需要知道一定的先验知识，而且对 个干扰信号的自动识别是一个亟需解决的实际问 频域混叠信号不能有效分离：2)数字波束形成技 题.本文针对6个传感器同时接收在时域和频域共 术[]，主要在空域对信号进行分离，然而该方法需 信道混叠的4个干扰（包括单音干扰、多音干扰、脉 要知道信号的来波方向，同时还不能保证一个波束 冲干扰和高斯干扰)和2个通信信号(QPSK信号和 内的信号一定是单一信号.由此本文采用一种基于 4FSK信号)的情况，提出了首先通过盲信号分离技 ICA[2]的盲信号分离技术，更好地完成共信道多干 术将混合信号分离，然后针对干扰信号特征，从时 扰信号的分离.图1就是基于ICA的多干扰信号自 域、频域、高阶累积量域和时频域进行特征提取和自 动识别系统框图。 动识别的方法，该方法简单、收敛速度快，具有较好 r(n) 的时频特性和瞬时自适应的特点。 信号 特征 ICA 提取 分 信号模型及自动识别系统 识 接收到的混合信号模型如式(1)所示： 特征 r(n)=Ax(n). 提取 结男 式中：r(n)=[r(n),r2(n),…,rw(n)]T表示M个 传感器接收到的混合信号矢量；x(n)=[s1(n), 图1 基于ICA的多干扰信号自动识别系统 s2(n),…,sw(n),I1(n),12(n),…,I(n)]I是源信 Fig.1 The automatic recognition system of multi-inter- ference source signals based on ICA 号矢量，包括N个有用信号s1(n),s2(n),…,sw(n) 和J个干扰信号l(n),l2(n),…,l,(n),为了方便后 目前使用最多的ICA算法是FastICA算法.Fas- 面的分析，还假设源信号的个数N+J与传感器个数 tCA算法本质上是一种最小化估计分量互信息的 M相同：A是一个MxM的矩阵，表示源信号x(n)如 神经网络方法，它利用最大熵原理来近似负嫡，通过 何经过线性混合被传感器接收.混合矩阵A及源信 使用一个非线性函数g便能直接找出任何非高斯分 号矢量x(n)都是未知的，只有接收信号x(n)是已 布的独立分量].该算法具有以下优点：1)无需像 知的，假设最多只能有一个非高斯源信号，每个源信 自适应算法那样引入调节步长参数，使用简单方便： 号都具有统计独立性.由已知的r(n)在A未知时求 2)算法稳健性好，能对多种不同类型信号进行分 x(n)就是一个信号盲分离问题. 离，适用范围广：3)收敛速度非常快.因此本文也采 本文主要针对的源信号为：1)有用信号为 用FastICA算法进行盲信号分离.需要指出的是，在 QPSK和4FSK信号(N=2),这2个信号是通信中使 使用ICA算法之前，一般还需要进行白化预处 用较多、较有代表性的2类信号：2)干扰信号有单 理3]，以简化后面的分离处理，并对数据进行降维。 音干扰、多音干扰、脉冲干扰和高斯干扰(J=4),其 2干扰信号分离后的特征提取及识别 中单音、多音干扰和高斯干扰是实际中最常见、最简 单的干扰，而脉冲干扰属于一种宽带干扰，对许多通 目前信号的调制识别研究很多，并且已经取得 信系统影响较大.这些源信号经过不同的混合被6 了很好的效果，但是对干扰识别的研究还很少根据 个(M=6)传感器同时接收，每个传感器接收到的信 信号调制识别的相关思想，可以类似得到干扰识别 号在时域和频域完全混合在一起这些混合信号相 方法的一般思路，即提取干扰信号的特征量，根据不 互影响，相互叠加，造成识别时的2点困难：1)信号 同的特征量识别出不同的干扰信号.针对论文中单 数目很难确定，无法从混合信号中判断出到底是几 音干扰、多音干扰、脉冲干扰和高斯干扰4种不同干 个干扰信号的叠加：2)即使知道干扰信号的个数， 扰以及QPSK和4FSK2个信号，分别从时域、频域 也无法提取原始信号的特征： 高阶累积量域以及时频域来提取干扰信号特征，以 为了在这种比较复杂的情况下利用已有的单信 完成干扰信号自动识别 号识别方法，需要对多干扰信号进行分离.现阶段多 2.1脉冲干扰时域特征提取及识别 信号分离方法主要有2种：1)基于时频分析的各种 分析6个干扰信号的时域波形发现，脉冲干扰 信号处理方法，包括固定系数滤波器、自适应滤波 的取值只有2种，这是最明显的一个特征实际使用 器、信号的功率谱及谱相关分析以及近几年提出的 时，考虑到分离性能不理想会造成分离后的干扰信 经验模式分解等技术[s],这些方法往往对所处理 号的幅度会有一些细微波动，所以实际分离后的脉
也很普遍，特别在战时的热点地区．因此，共信道多 个干扰信号的自动识别是一个亟需解决的实际问 题．本文针对 ６ 个传感器同时接收在时域和频域共 信道混叠的 ４ 个干扰（包括单音干扰、多音干扰、脉 冲干扰和高斯干扰）和 ２ 个通信信号（ＱＰＳＫ 信号和 ４ＦＳＫ 信号）的情况，提出了首先通过盲信号分离技 术将混合信号分离，然后针对干扰信号特征，从时 域、频域、高阶累积量域和时频域进行特征提取和自 动识别的方法，该方法简单、收敛速度快，具有较好 的时频特性和瞬时自适应的特点． １ 信号模型及自动识别系统 接收到的混合信号模型如式（１）所示： ｒ（ｎ） ＝ Ａｘ（ｎ）． 式中：ｒ（ｎ）＝ ［ｒ１（ｎ），ｒ２（ｎ），…，ｒＭ（ｎ）］ Ｔ 表示 Ｍ 个 传感器接收到的混合信号矢量； ｘ （ ｎ） ＝ ［ ｓ１ （ ｎ）， ｓ２（ｎ），…，ｓＮ（ ｎ），Ｉ１（ ｎ），Ｉ２（ ｎ），…，ＩＪ（ ｎ）］ Ｔ 是源信 号矢量，包括 Ｎ 个有用信号 ｓ１（ ｎ），ｓ２（ ｎ），…，ｓＮ（ ｎ） 和 Ｊ 个干扰信号Ｉ１（ｎ），Ｉ２（ｎ），…，ＩＪ（ｎ），为了方便后 面的分析，还假设源信号的个数 Ｎ＋Ｊ 与传感器个数 Ｍ 相同；Ａ 是一个Ｍ×Ｍ 的矩阵，表示源信号 ｘ（ｎ）如 何经过线性混合被传感器接收．混合矩阵 Ａ 及源信 号矢量 ｘ（ｎ）都是未知的，只有接收信号 ｘ（ ｎ）是已 知的，假设最多只能有一个非高斯源信号，每个源信 号都具有统计独立性．由已知的 ｒ（ｎ）在 Ａ 未知时求 ｘ（ｎ）就是一个信号盲分离问题． 本文主 要 针 对 的 源 信 号 为： １） 有 用 信 号 为 ＱＰＳＫ 和 ４ＦＳＫ 信号（Ｎ＝ ２），这 ２ 个信号是通信中使 用较多、较有代表性的 ２ 类信号；２） 干扰信号有单 音干扰、多音干扰、脉冲干扰和高斯干扰（ Ｊ ＝ ４），其 中单音、多音干扰和高斯干扰是实际中最常见、最简 单的干扰，而脉冲干扰属于一种宽带干扰，对许多通 信系统影响较大．这些源信号经过不同的混合被 ６ 个（Ｍ＝ ６）传感器同时接收，每个传感器接收到的信 号在时域和频域完全混合在一起．这些混合信号相 互影响，相互叠加，造成识别时的 ２ 点困难：１）信号 数目很难确定，无法从混合信号中判断出到底是几 个干扰信号的叠加；２） 即使知道干扰信号的个数， 也无法提取原始信号的特征． 为了在这种比较复杂的情况下利用已有的单信 号识别方法，需要对多干扰信号进行分离．现阶段多 信号分离方法主要有 ２ 种：１）基于时频分析的各种 信号处理方法，包括固定系数滤波器、自适应滤波 器、信号的功率谱及谱相关分析以及近几年提出的 经验模式分解等技术［８⁃１０］ ，这些方法往往对所处理 的信号或多或少需要知道一定的先验知识，而且对 频域混叠信号不能有效分离；２） 数字波束形成技 术［１１］ ，主要在空域对信号进行分离，然而该方法需 要知道信号的来波方向，同时还不能保证一个波束 内的信号一定是单一信号．由此本文采用一种基于 ＩＣＡ ［１２］的盲信号分离技术，更好地完成共信道多干 扰信号的分离．图 １ 就是基于 ＩＣＡ 的多干扰信号自 动识别系统框图． 图 １ 基于 ＩＣＡ 的多干扰信号自动识别系统 Ｆｉｇ．１ Ｔｈｅ ａｕｔｏｍａｔｉｃ ｒｅｃｏｇｎｉｔｉｏｎ ｓｙｓｔｅｍ ｏｆ ｍｕｌｔｉ⁃ｉｎｔｅｒ⁃ ｆｅｒｅｎｃｅ ｓｏｕｒｃｅ ｓｉｇｎａｌｓ ｂａｓｅｄ ｏｎ ＩＣＡ 目前使用最多的 ＩＣＡ 算法是 ＦａｓｔＩＣＡ 算法．Ｆａｓ⁃ ｔＩＣＡ 算法本质上是一种最小化估计分量互信息的 神经网络方法，它利用最大熵原理来近似负熵，通过 使用一个非线性函数 ｇ 便能直接找出任何非高斯分 布的独立分量［１２］ ．该算法具有以下优点：１） 无需像 自适应算法那样引入调节步长参数，使用简单方便； ２）算法稳健性好，能对多种不同类型信号进行分 离，适用范围广；３）收敛速度非常快．因此本文也采 用 ＦａｓｔＩＣＡ 算法进行盲信号分离．需要指出的是，在 使用 ＩＣＡ 算法之前， 一般还需要进行白 化 预 处 理［１３］ ，以简化后面的分离处理，并对数据进行降维． ２ 干扰信号分离后的特征提取及识别 目前信号的调制识别研究很多，并且已经取得 了很好的效果，但是对干扰识别的研究还很少．根据 信号调制识别的相关思想，可以类似得到干扰识别 方法的一般思路，即提取干扰信号的特征量，根据不 同的特征量识别出不同的干扰信号．针对论文中单 音干扰、多音干扰、脉冲干扰和高斯干扰 ４ 种不同干 扰以及 ＱＰＳＫ 和 ４ＦＳＫ ２ 个信号，分别从时域、频域、 高阶累积量域以及时频域来提取干扰信号特征，以 完成干扰信号自动识别． ２．１ 脉冲干扰时域特征提取及识别 分析 ６ 个干扰信号的时域波形发现，脉冲干扰 的取值只有 ２ 种，这是最明显的一个特征．实际使用 时，考虑到分离性能不理想会造成分离后的干扰信 号的幅度会有一些细微波动，所以实际分离后的脉 ·２７８· 智 能 系 统 学 报 第 ８ 卷
第3期 张鹏伟：采用ICA的公共信道多干扰源信号的自动识别方法 ·279· 冲干扰取值不止2种，但总是在最大值或最小值附 用时频分析的方法还可以估计识别信号的频率 近波动因此可以设一个阈值，如果某一个采样点的 2.5识别器的构造 值在最大值或最小值附近的波动小于该阈值，则可 识别器有2种形式：一种是串行结构，如图2所 以认为是与最大值或最小值相同，否则就是另一个 示；另一种是混合结构，如图3所示.串行结构采用 新值通过随机统计多个采样点的情况，如果取值只 分级识别的方式，每次根据某个特征识别出1~2个 有1个或2个，则认为是脉冲干扰，否则就不是.据 干扰信号，然后将识别出的干扰信号从待识别的信 此就可以识别出脉冲干扰. 号集合中去除，使待识别的干扰信号集合越来越小， 2.2单音干扰和多音干扰频域特征提取及识别 这样不仅降低了识别难度和出错概率，而且能大大 分析6个干扰信号的频域特征发现，脉冲干扰、 减少后续处理的运算量.由于脉冲干扰会对多音干 单音干扰和多音干扰的频域特征最为明显，都有明 扰识别造成困难，而且时域识别运算量最小，因此脉 显的谱峰，差别只是谱峰个数的不同.单音干扰只有 冲干扰的识别放在第1级.频域特征识别、四阶累积 1个谱峰，多音干扰有多个谱峰，脉冲干扰谱峰最 量特征识别及时频特征识别的运算量依次递增，因 多.由于脉冲干扰对多音干扰判别有影响，因此在设 此将运算量最大的单元放到最后面，把运算量少的 计分类识别器时，首先要从时域判断出脉冲干扰，并 单元放在前面，这样能尽量减少整个系统的运算量， 将其从要识别的干扰信号中排除这样就可以根据 串行结构的缺点是，下一级识别单元必须等上一级 有无明显谱峰及谱峰个数很容易判断出单音和多音 单元完成识别后才能运算，因此整个系统需要时间 千扰了. 较长，实时性不好 2.3高斯干扰高阶累积量域特征提取及识别 分离 时域 一脉冲干扰 高斯分布大于二阶的累积量为0，根据这个性 后的 特征 信号 识别 域单音干扰 质可以识别高斯干扰.由于对称分布的三阶累积量 特征 ·多音干扰 识别 四阶累 为0，而其他高阶累积量的计算过于复杂，因此现实 积量特 一高斯干扰 脉冲 脉冲 中一般使用四阶累积量.严格的高斯分布在实际中 单音 单音 单音 证识另 时频 特征 OPSK信号 并不多见，其四阶累积量也并不严格为0，但总是一 多 多音 多音 识别 高斯 高斯 高斯 高斯 4FSK信号 个靠近0的值，所以仍能用四阶累积量来识别高斯 OPSK OPSK OPSK OPSK 1OPSK 4FSK 4FSK 4FSK 4FSK 4FSK 干扰 2.4QPSK和4FSK信号时频域特征提取及识别 图2 串行结构识别器 对6个干扰信号作时频分析，发现脉冲干扰、单 Fig.2 The recognition unit of serial structure 音干扰、QPSK信号和FSK信号的特征都比较明显. 脉冲干扰 分离 时域 其中单音干扰基本是在其频率处的直线，只不过有 后的 特征 信号 识别 頫域特征识别 单音干扰 小的波动：脉冲干扰基本是在零频处的一条直线，上 面等间隔地（对应脉冲跳变的时刻）分布着小的尖 脉冲 脉冲 →多音干扰 峰抖动：QPSK信号的时频谱基本也是一条直线，上 单音 单音 四阶累积量 多音 特征识别 +高斯干扰 面不规则地（对应相位跳变时刻）分布着不同的尖 高斯 QPSK信号 OPSK OPSK 峰抖动，这些尖峰大约有4种：FSK信号的时频谱像 FSK 4FSK 时频特征识别 ·4FSK信号 由不同的台阶组成一样，表示不同时段调频频率的 图3混合结构识别器 不同，这些台阶共有4种. Fig.3 The recognition unit of mixed structure 由此可见，脉冲干扰和单音干扰其实完全可以 通过时频谱进行识别，只是由于它们可以用更简单 混合结构能较好克服串行结构的缺点，增强识 的方法识别，因此这里只考虑使用时频谱识别 别系统的实时性，代价是运算量和复杂度增大.与串 QPSK和FSK信号.QPSK信号忽略尖峰抖动的时频 行结构一样，由于脉冲干扰会对多音干扰识别造成 谱基本为直线，这可以用来识别QPSK信号：对于 困难，因此混合结构中仍然需要首先在时域识别出 PSK信号，则可以根据抖动尖峰不同种类的个数识 脉冲干扰，然后才能对剩余的5个信号，同时从频 别.4FSK信号的时频谱由多个频率台阶组成，由此 域、四阶累积量域和时频域进行特征提取和信号识 识别出其信号，相应地根据频率台阶不同种类的个 别，依次识别出相应的干扰信号.这2种结构的识别 数，还可以识别出2SK等其他SK信号.另外，采 器各有优缺点，可根据实际需要选择使用
冲干扰取值不止 ２ 种，但总是在最大值或最小值附 近波动．因此可以设一个阈值，如果某一个采样点的 值在最大值或最小值附近的波动小于该阈值，则可 以认为是与最大值或最小值相同，否则就是另一个 新值．通过随机统计多个采样点的情况，如果取值只 有 １ 个或 ２ 个，则认为是脉冲干扰，否则就不是．据 此就可以识别出脉冲干扰． ２．２ 单音干扰和多音干扰频域特征提取及识别 分析 ６ 个干扰信号的频域特征发现，脉冲干扰、 单音干扰和多音干扰的频域特征最为明显，都有明 显的谱峰，差别只是谱峰个数的不同．单音干扰只有 １ 个谱峰，多音干扰有多个谱峰，脉冲干扰谱峰最 多．由于脉冲干扰对多音干扰判别有影响，因此在设 计分类识别器时，首先要从时域判断出脉冲干扰，并 将其从要识别的干扰信号中排除．这样就可以根据 有无明显谱峰及谱峰个数很容易判断出单音和多音 干扰了． ２．３ 高斯干扰高阶累积量域特征提取及识别 高斯分布大于二阶的累积量为 ０，根据这个性 质可以识别高斯干扰．由于对称分布的三阶累积量 为 ０，而其他高阶累积量的计算过于复杂，因此现实 中一般使用四阶累积量．严格的高斯分布在实际中 并不多见，其四阶累积量也并不严格为 ０，但总是一 个靠近 ０ 的值，所以仍能用四阶累积量来识别高斯 干扰． ２．４ ＱＰＳＫ 和 ４ＦＳＫ 信号时频域特征提取及识别 对 ６ 个干扰信号作时频分析，发现脉冲干扰、单 音干扰、ＱＰＳＫ 信号和 ＦＳＫ 信号的特征都比较明显． 其中单音干扰基本是在其频率处的直线，只不过有 小的波动；脉冲干扰基本是在零频处的一条直线，上 面等间隔地（对应脉冲跳变的时刻）分布着小的尖 峰抖动；ＱＰＳＫ 信号的时频谱基本也是一条直线，上 面不规则地（对应相位跳变时刻）分布着不同的尖 峰抖动，这些尖峰大约有 ４ 种；ＦＳＫ 信号的时频谱像 由不同的台阶组成一样，表示不同时段调频频率的 不同，这些台阶共有 ４ 种． 由此可见，脉冲干扰和单音干扰其实完全可以 通过时频谱进行识别，只是由于它们可以用更简单 的方法 识 别， 因 此 这 里 只 考 虑 使 用 时 频 谱 识 别 ＱＰＳＫ 和 ＦＳＫ 信号．ＱＰＳＫ 信号忽略尖峰抖动的时频 谱基本为直线，这可以用来识别 ＱＰＳＫ 信号；对于 ＰＳＫ 信号，则可以根据抖动尖峰不同种类的个数识 别．４ＦＳＫ 信号的时频谱由多个频率台阶组成，由此 识别出其信号，相应地根据频率台阶不同种类的个 数，还可以识别出 ２ＦＳＫ 等其他 ＦＳＫ 信号．另外，采 用时频分析的方法还可以估计识别信号的频率． ２．５ 识别器的构造 识别器有 ２ 种形式：一种是串行结构，如图 ２ 所 示；另一种是混合结构，如图 ３ 所示．串行结构采用 分级识别的方式，每次根据某个特征识别出 １ ～ ２ 个 干扰信号，然后将识别出的干扰信号从待识别的信 号集合中去除，使待识别的干扰信号集合越来越小， 这样不仅降低了识别难度和出错概率，而且能大大 减少后续处理的运算量．由于脉冲干扰会对多音干 扰识别造成困难，而且时域识别运算量最小，因此脉 冲干扰的识别放在第 １ 级．频域特征识别、四阶累积 量特征识别及时频特征识别的运算量依次递增，因 此将运算量最大的单元放到最后面，把运算量少的 单元放在前面，这样能尽量减少整个系统的运算量． 串行结构的缺点是，下一级识别单元必须等上一级 单元完成识别后才能运算，因此整个系统需要时间 较长，实时性不好． 图 ２ 串行结构识别器 Ｆｉｇ．２ Ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｕｎｉｔ ｏｆ ｓｅｒｉａｌ ｓｔｒｕｃｔｕｒｅ 图 ３ 混合结构识别器 Ｆｉｇ．３ Ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｕｎｉｔ ｏｆ ｍｉｘｅｄ ｓｔｒｕｃｔｕｒｅ 混合结构能较好克服串行结构的缺点，增强识 别系统的实时性，代价是运算量和复杂度增大．与串 行结构一样，由于脉冲干扰会对多音干扰识别造成 困难，因此混合结构中仍然需要首先在时域识别出 脉冲干扰，然后才能对剩余的 ５ 个信号，同时从频 域、四阶累积量域和时频域进行特征提取和信号识 别，依次识别出相应的干扰信号．这 ２ 种结构的识别 器各有优缺点，可根据实际需要选择使用． 第 ３ 期 张鹏伟：采用 ＩＣＡ 的公共信道多干扰源信号的自动识别方法 ·２７９·
·280· 智能系统学报 第8卷 3仿真实验及分析 为了进一步验证分离算法的性能，下面用性能 指数PI来说明.PI定义为 仿真实验中有6个干扰信号，其中，单音干扰的 1 PI= 干扰频率为200Hz,多音干扰的3个频率为160Hz 2M(M-1) 300Hz和500Hz.QPSK信号和4FSK信号分别是由 MATLAB的时频工具箱产生.所加噪声为10dB的高 斯白噪声.信号采样频率为2000Hz,仿真中信号的 (1) 长度取为600个采样点.混合矩阵是一个6×6的矩 式中：8为全局传输矩阵G的元素，G=WA,W为分 阵，其元素是由MATLAB随机产生的、均匀分布在 离矩阵，A是混合矩阵.G反映了原始的源信号与分 [-1,1]的随机数.6个源干扰信号通过混合矩阵的 离后信号之间的直接关系. 作用被6个传感器接收到. 由于盲分离算法每迭代一次可以得到一个分离 采用基于负熵的FastICA算法对接收的混合信 矩阵W,从而可以得到相应的G,然后由式(1)计算 号进行分离，其结果如图4所示其中第1列是原始 得到PI值，据此可以画出PI值与迭代次数的曲 的6个干扰信号，依次是单音干扰、多音干扰、脉冲 线[4（即算法性能曲线），如图5所示.从中可以看 千干扰、高斯干扰、QPSK信号及4FSK信号，它们已经 到算法收敛很快，只需要5次迭代就收敛了.收敛时 加了10dB的高斯噪声.第2列是6个传感器分别接 的PI值大约为0.21，说明分离效果较好 收到的混合千扰信号，由于干扰信号混合在一起，从 0.29 图4(b)中很难分辨出原来的源信号，因此传统的信 0.28 号识别方法根本无法使用第3列是经过盲信号分 0.27 离处理后，从混合信号中分离出的信号，这是源信号 蒸0.26 的估计.从图4(c)中可以看到，由于盲信号分离固 0.25 有的信号幅度及排列顺序的不确定性，导致分离后 0.24 0.23 信号的幅度（包括符号）和排列顺序并不与源干扰 0.22 信号相同但是，分离信号的波形与源干扰信号基本 0.2 相同，直观看分离效果良好 1.01.52.02.53.03.54.04.55.05.5 迭代次数 图5分离算法性能曲线 ×10 102 ×10 Fig.5 The performance curve of the segregation algorithm 20246 0246 20246 10r Sr 号40 10 -106246 时10w 10 -50246 0246 cUm wpieatmyownronnitonupimipuk 2 5r 0之468024682610 x10 wpwnhy 颜率/Hz 10-5 10 (a)单音千扰 -20246 0246 0246 号40 国10 5r eh O 0 46 -10%246 10 -5046 10-50246 10 多南0.2在16182ǒ10 频率/Hz 10- idniyvo (b)多音干扰 40r 10-106246 0 10 感 6246 -50246 0 2 46 高02在1682610 频率Hz 10心 1心 (c)脉冲干扰 26246 2024 20246 20r 采样点/离散时间采样点/离散时间采样点离散时间 (b)6个接收 (c)6个分离后 警i02rr竹*W (a)6个源干扰 混合信号 0之本680立序6182610 信号 干扰信号 频率Hz (d)高斯干扰 图4源干扰信号、混合信号及分离后信号的时域波形 Fig.4 The waveform in time domain of source interfer- 20i/wwwpwww-ipwpw.k 0 246 ing signals,mixed signals and separated signals 瓶，立4168茹10 频率/Hz (e)QPSK信号
３ 仿真实验及分析 仿真实验中有 ６ 个干扰信号，其中，单音干扰的 干扰频率为２００ Ｈｚ，多音干扰的 ３ 个频率为１６０ Ｈｚ、 ３００ Ｈｚ和５００ Ｈｚ．ＱＰＳＫ 信号和 ４ＦＳＫ 信号分别是由 ＭＡＴＬＡＢ 的时频工具箱产生．所加噪声为１０ ｄＢ的高 斯白噪声．信号采样频率为２ ０００ Ｈｚ，仿真中信号的 长度取为 ６００ 个采样点．混合矩阵是一个 ６×６ 的矩 阵，其元素是由 ＭＡＴＬＡＢ 随机产生的、均匀分布在 ［－１，１］的随机数．６ 个源干扰信号通过混合矩阵的 作用被 ６ 个传感器接收到． 采用基于负熵的 ＦａｓｔＩＣＡ 算法对接收的混合信 号进行分离，其结果如图 ４ 所示．其中第 １ 列是原始 的 ６ 个干扰信号，依次是单音干扰、多音干扰、脉冲 干扰、高斯干扰、ＱＰＳＫ 信号及 ４ＦＳＫ 信号，它们已经 加了１０ ｄＢ的高斯噪声．第 ２ 列是 ６ 个传感器分别接 收到的混合干扰信号，由于干扰信号混合在一起，从 图 ４（ｂ）中很难分辨出原来的源信号，因此传统的信 号识别方法根本无法使用．第 ３ 列是经过盲信号分 离处理后，从混合信号中分离出的信号，这是源信号 的估计．从图 ４（ ｃ）中可以看到，由于盲信号分离固 有的信号幅度及排列顺序的不确定性，导致分离后 信号的幅度（包括符号）和排列顺序并不与源干扰 信号相同．但是，分离信号的波形与源干扰信号基本 相同，直观看分离效果良好． 图 ４ 源干扰信号、混合信号及分离后信号的时域波形 Ｆｉｇ．４ Ｔｈｅ ｗａｖｅｆｏｒｍ ｉｎ ｔｉｍｅ ｄｏｍａｉｎ ｏｆ ｓｏｕｒｃｅ ｉｎｔｅｒｆｅｒ⁃ ｉｎｇ ｓｉｇｎａｌｓ， ｍｉｘｅｄ ｓｉｇｎａｌｓ ａｎｄ ｓｅｐａｒａｔｅｄ ｓｉｇｎａｌｓ 为了进一步验证分离算法的性能，下面用性能 指数 ＰＩ 来说明．ＰＩ 定义为 ＰＩ ＝ １ ２Ｍ（Ｍ － １） × ∑ Ｍ ｉ ＝１ ∑ Ｍ ｋ ＝１ ｇｉｋ ｍａｘ ｊ ｇｉｊ － １ æ è ç ö ø ÷ ＋ ∑ Ｍ ｋ ＝１ ｇｋｉ ｍａｘ ｊ ｇｊｉ － １ æ è ç ö ø { ÷ } ． （１） 式中：ｇｉｊ为全局传输矩阵 Ｇ 的元素，Ｇ ＝ ＷＡ，Ｗ 为分 离矩阵，Ａ 是混合矩阵．Ｇ 反映了原始的源信号与分 离后信号之间的直接关系． 由于盲分离算法每迭代一次可以得到一个分离 矩阵 Ｗ，从而可以得到相应的 Ｇ，然后由式（１）计算 得到 ＰＩ 值，据此可以画出 ＰＩ 值与迭代次数的曲 线［１４］ （即算法性能曲线），如图 ５ 所示．从中可以看 到算法收敛很快，只需要 ５ 次迭代就收敛了．收敛时 的 ＰＩ 值大约为 ０．２１，说明分离效果较好． 图 ５ 分离算法性能曲线 Ｆｉｇ．５ Ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｃｕｒｖｅ ｏｆ ｔｈｅ ｓｅｇｒｅｇａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ·２８０· 智 能 系 统 学 报 第 ８ 卷
第3期 张鹏伟：采用ICA的公共信道多干扰源信号的自动识别方法 ·281- 表1分离后6个干扰信号的四阶累积量 号40 Table 1 The tetrachord cumulant of the six segregated in- 20wwwhmAywwowwnmmVtMwr, terfering signals 馨0之468市方4682ǒ10 频率/Hz 信号 四阶累积量 (04FSK信号 单音 -0.2493 图6分离后干扰信号的频域波形 多音 -0.3084 Fig.6 The waveform in frequency domain of the segre- -1.6872 gated interfering signals 脉冲 事实上，根据分离后的干扰信号波形，已经基本 高斯 -0.0363 能直接看出干扰信号的类型，因此如果是人工辅助 QPSK -0.7668 识别，这时任务基本已经完成：然而由于是干扰信号 4FSK -0.2004 自动识别，因此还需要通过后续的特征提取进行识 经过l00次Monte-Carlo实验，得到干扰信号正 别图6和7从上至下依次分别表示分离后的单音 确分离率和识别率如表2所示.从表2中可以看到， 干扰、多音干扰、脉冲干扰、高斯干扰、QPSK信号及 正确分离率大于正确识别率，新方法对脉冲干扰的 4FSK信号的频谱图和时频分析图，从中可以看到第 分离效果稍差，对QPSK和4FSK的识别率也稍差， 2节介绍的特征提取及识别方法是可行的， 其他干扰信号的分离和识别效果都比较好.当信噪 比低于10dB时，分离率变化不大，但是识别率严重 0.5 下降 oh-fede 表2干扰信号100次仿真得到的正确分离率及识别率 采样点离散时间 Table 2 The accurate segregation and discrimination rate (a)单音干扰 of the simulation o 0.2 个nea4×10 信号 正确分离率 正确识别率 0 1 2 3 4 56 单音 100 96 采样点/离散时间 (b)多音干扰 多音 100 95 接o.5Ln4 脉冲 的 89 1×10 0 6 高斯 100 95 采样点/离散时间 (c)脉冲干扰 QPSK 96 90 4FSK 98 86 由上面的仿真结果可见，论文提出的对多个共 6 采样点/离散时间 信道干扰信号，通过先分离后特征识别的方法是正 (d)高斯干扰 确和有效的. 4结束语 桑样点离散时间 56 (e)QPSK信号 通过分析一般信号自动识别技术在解决多干 0.4r 扰、信号共信道混合这种复杂情况下进行信号识别 mwyh ×10 的不足，本文提出了利用盲信号分离技术先对混合 34 56 采样点离散时间 信号进行分离，然后针对不同干扰及信号的不同特 (⑤4FSK信号 征进行识别的方法.该方法是解决类似问题的一种 图7分离后信号的时频谱 比较通用和灵活的方法.因为通过盲分离后，信号都 Fig.7 The waveform in time and frequency domain of 变成单路，可以充分利用已有的信号识别的理论和 the segregated interfering signals 方法进行识别.有较好的继承性.虽然本文以4个干 表1是分离后几个干扰信号的四阶累积量，可 扰信号和2个通信信号的自动识别为例进行论述， 以看到高斯干扰的四阶累积量更接近于零，因此可 但事实上，可以通过加上不同的特征提取方法和分 以根据该特征进行识别. 类器识别其他多种干扰和信号类型，因此本文的工
图 ６ 分离后干扰信号的频域波形 Ｆｉｇ．６ Ｔｈｅ ｗａｖｅｆｏｒｍ ｉｎ ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ ｏｆ ｔｈｅ ｓｅｇｒｅ⁃ ｇａｔｅｄ ｉｎｔｅｒｆｅｒｉｎｇ ｓｉｇｎａｌｓ 事实上，根据分离后的干扰信号波形，已经基本 能直接看出干扰信号的类型，因此如果是人工辅助 识别，这时任务基本已经完成；然而由于是干扰信号 自动识别，因此还需要通过后续的特征提取进行识 别．图 ６ 和 ７ 从上至下依次分别表示分离后的单音 干扰、多音干扰、脉冲干扰、高斯干扰、ＱＰＳＫ 信号及 ４ＦＳＫ 信号的频谱图和时频分析图，从中可以看到第 ２ 节介绍的特征提取及识别方法是可行的． 图 ７ 分离后信号的时频谱 Ｆｉｇ．７ Ｔｈｅ ｗａｖｅｆｏｒｍ ｉｎ ｔｉｍｅ ａｎｄ ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ ｏｆ ｔｈｅ ｓｅｇｒｅｇａｔｅｄ ｉｎｔｅｒｆｅｒｉｎｇ ｓｉｇｎａｌｓ 表 １ 是分离后几个干扰信号的四阶累积量，可 以看到高斯干扰的四阶累积量更接近于零，因此可 以根据该特征进行识别． 表 １ 分离后 ６ 个干扰信号的四阶累积量 Ｔａｂｌｅ １ Ｔｈｅ ｔｅｔｒａｃｈｏｒｄ ｃｕｍｕｌａｎｔ ｏｆ ｔｈｅ ｓｉｘ ｓｅｇｒｅｇａｔｅｄ ｉｎ⁃ ｔｅｒｆｅｒｉｎｇ ｓｉｇｎａｌｓ 信号 四阶累积量 单音 －０．２４９ ３ 多音 －０．３０８ ４ 脉冲 －１．６８７ ２ 高斯 －０．０３６ ３ ＱＰＳＫ －０．７６６ ８ ４ＦＳＫ －０．２００ ４ 经过 １００ 次 Ｍｏｎｔｅ⁃Ｃａｒｌｏ 实验，得到干扰信号正 确分离率和识别率如表 ２ 所示．从表 ２ 中可以看到， 正确分离率大于正确识别率，新方法对脉冲干扰的 分离效果稍差，对 ＱＰＳＫ 和 ４ＦＳＫ 的识别率也稍差， 其他干扰信号的分离和识别效果都比较好．当信噪 比低于 １０ ｄＢ 时，分离率变化不大，但是识别率严重 下降． 表 ２ 干扰信号 １００ 次仿真得到的正确分离率及识别率 Ｔａｂｌｅ ２ Ｔｈｅ ａｃｃｕｒａｔｅ ｓｅｇｒｅｇａｔｉｏｎ ａｎｄ ｄｉｓｃｒｉｍｉｎａｔｉｏｎ ｒａｔｅ ｏｆ ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ％ 信号 正确分离率 正确识别率 单音 １００ ９６ 多音 １００ ９５ 脉冲 ９５ ８９ 高斯 １００ ９５ ＱＰＳＫ ９６ ９０ ４ＦＳＫ ９８ ８６ 由上面的仿真结果可见，论文提出的对多个共 信道干扰信号，通过先分离后特征识别的方法是正 确和有效的． ４ 结束语 通过分析一般信号自动识别技术在解决多干 扰、信号共信道混合这种复杂情况下进行信号识别 的不足，本文提出了利用盲信号分离技术先对混合 信号进行分离，然后针对不同干扰及信号的不同特 征进行识别的方法．该方法是解决类似问题的一种 比较通用和灵活的方法．因为通过盲分离后，信号都 变成单路，可以充分利用已有的信号识别的理论和 方法进行识别，有较好的继承性．虽然本文以 ４ 个干 扰信号和 ２ 个通信信号的自动识别为例进行论述， 但事实上，可以通过加上不同的特征提取方法和分 类器识别其他多种干扰和信号类型，因此本文的工 第 ３ 期 张鹏伟：采用 ＩＣＡ 的公共信道多干扰源信号的自动识别方法 ·２８１·
·282· 智能系统学报 第8卷 作还可以进一步深入并应用到多种场合 communication signals[J].Telecommunication Engineering, 2002,42(4):30-33. 参考文献： [9]李秋娜，袁嗣杰，刘东华.基于EMD的混合信号盲分离方 [1]NANDI A K,AZZOUZ EE.Algorithms for automatic modu- 法[J].系统仿真学报，2007,19(6)：1358-1361. lation recognition of communication signals [J].IEEE LI Qiuna,YUAN Sijie,LIU Donghua.Method of blind sep- Transactions on Communications,1998,46(4):431-436. aration for mixed signals based on empirical mode decompo- [2]AZZOUZ EE,NANDI A K.Procedure for automatic modu- sition[J].Journal of System Simulation,2007,19(6): lation recognition of analogue and digital modulations[]. 1358-1361. IEE Proceedings Communications,1996,143 (5):241- [10]梁国龙，董蛛敏.相干源盲分离及方位估计的算法研究 273. [J].哈尔滨工程大学学报，2010,31(11)：1478-1484. 「31陆凤波，黄知涛，易辉荣，等.一种基于高阶累积量的数字 LIANG Guolong,DONG Shumin.Study on algorithms of 调相信号识别方法[J].系统工程与电子技术，2008,30 blind separation and DOA estimation about coherent (9):1611-1615 sources [J].Journal of Harbin Engineering University, LU Fengbo,HUANG Zhitao,YI Huirong,et al.Recogni- 2010,31(11):1478-1484. tion algorithm of phase shift keying signals by higher-order [11]贾朝文，张学帅.基于数字波束合成的空间信号分离研 cumulants[J].Systems Engineering and Electronics,2008, 究[J].中国电子科学研究院学报，2006,1(1)：86-89. 30(9):1611-1615. JIA Chaowen,ZHANG Xueshuai.Spatial signal separation [4]PARK C S,CHOI J H,NAH S P,et al.Automatic modula- based on DBF technique[J].Journal of China Academy of tion recognition of digital signals using wavelet features and Electronics and Information Technology,2006,1(1):86- SVM [C]//10th International Conference on Advanced 89. Communication Technology.Gangwon-do,Korea,2008,1: [12]贾银洁，许鹏飞.基于FastICA的混合音频信号盲分离 387-390. [J].信息与电子工程，2009,7(4)：321-325. [5]WU Juanping,HAN Yingzheng,ZHANG Jinmei,et al.Au- JIA Yinjie,XU Pengfei.Blind separation of mixed audio tomatic modulation recognition of digital communication sig- signal based on FastICA[J].Information and Electronic nals using statistical parameters methods[C]//Proceedings Engineering,2009,7(4):321-325. of 2007 IEEE International Conference on Communications, [13]REN Xiaotian,XU Hui.Fast-ICA based blind estimation Circuits and Systems.Kokura,Japan,2007:697-700. of the spreading sequences for down-link multi-rate DS/ [6]CHEN Xiaolong,WANG Jiali,XIN Li.A new automatic CDMA signals[J].Intelligent Computation Technology and modulation recognition method in test and measurement Automation,2012,5(1):501-504. technology[C]//8th International Conference on Electronic [14]周治宇，陈豪空间同频电子侦察信号的盲分离[J].中 Measurement and Instruments.Xi'an,China,2007:622- 国空间科学技术，2009,12(3)：10-15. 625. ZHOU Zhiyu,CHEN Hao.Blind separation of space radio [7]蔡权伟，魏平，肖先赐.单信道多信号分量分离[J].通信 reconnaissance signals with same frequency[J].Chinese 学报，2006,27(6)：49-56. Space Science and Technology,2009,12(3):10-15. CAI Quanwei,WEI Ping,XIAO Xianci.Single channel 作者简介： multicomponents separating J].Journal on Communica- 张鹏伟，男，1977年生，讲师，主要研 tions,2006,27(6):49-56. 究方向为智能信息处理、模式识别.发表 [8]王磊，陈鹏举，陈乾.修正平均周期图法在通信信号分选 学术论文5篇，其中被I检索3篇 识别中的应用[J].电讯技术，2002,42(4)：30-33. WANG Lei,CHEN Pengju,CHENG Qian.Application of modified periodogram algorithm in classifying and identifying
作还可以进一步深入并应用到多种场合． 参考文献： ［ １］ＮＡＮＤＩ Ａ Ｋ， ＡＺＺＯＵＺ Ｅ Ｅ． Ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ａｕｔｏｍａｔｉｃ ｍｏｄｕ⁃ ｌａｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｓｉｇｎａｌｓ ［ Ｊ ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ， １９９８， ４６（４）： ４３１⁃４３６． ［２］ＡＺＺＯＵＺ Ｅ Ｅ， ＮＡＮＤＩ Ａ Ｋ． Ｐｒｏｃｅｄｕｒｅ ｆｏｒ ａｕｔｏｍａｔｉｃ ｍｏｄｕ⁃ ｌａｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ａｎａｌｏｇｕｅ ａｎｄ ｄｉｇｉｔａｌ ｍｏｄｕｌａｔｉｏｎｓ ［ Ｊ］． ＩＥＥ Ｐｒｏｃｅｅｄｉｎｇｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ， １９９６， １４３ （ ５）： ２４１⁃ ２７３． ［３］陆凤波，黄知涛，易辉荣，等．一种基于高阶累积量的数字 调相信号识别方法［Ｊ］．系统工程与电子技术， ２００８， ３０ （９）： １６１１⁃１６１５． ＬＵ Ｆｅｎｇｂｏ， ＨＵＡＮＧ Ｚｈｉｔａｏ， ＹＩ Ｈｕｉｒｏｎｇ， ｅｔ ａｌ． Ｒｅｃｏｇｎｉ⁃ ｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｏｆ ｐｈａｓｅ ｓｈｉｆｔ ｋｅｙｉｎｇ ｓｉｇｎａｌｓ ｂｙ ｈｉｇｈｅｒ⁃ｏｒｄｅｒ ｃｕｍｕｌａｎｔｓ［Ｊ］． Ｓｙｓｔｅｍｓ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ， ２００８， ３０（９）： １６１１⁃１６１５． ［４］ＰＡＲＫ Ｃ Ｓ， ＣＨＯＩ Ｊ Ｈ， ＮＡＨ Ｓ Ｐ， ｅｔ ａｌ． Ａｕｔｏｍａｔｉｃ ｍｏｄｕｌａ⁃ ｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｄｉｇｉｔａｌ ｓｉｇｎａｌｓ ｕｓｉｎｇ ｗａｖｅｌｅｔ ｆｅａｔｕｒｅｓ ａｎｄ ＳＶＭ ［ Ｃ ］ ／ ／ １０ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｄｖａｎｃｅｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ． Ｇａｎｇｗｏｎ⁃ｄｏ， Ｋｏｒｅａ， ２００８， １： ３８７⁃３９０． ［５］ＷＵ Ｊｕａｎｐｉｎｇ， ＨＡＮ Ｙｉｎｇｚｈｅｎｇ， ＺＨＡＮＧ Ｊｉｎｍｅｉ， ｅｔ ａｌ． Ａｕ⁃ ｔｏｍａｔｉｃ ｍｏｄｕｌａｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｄｉｇｉｔａｌ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｓｉｇ⁃ ｎａｌｓ ｕｓｉｎｇ ｓｔａｔｉｓｔｉｃａｌ ｐａｒａｍｅｔｅｒｓ ｍｅｔｈｏｄｓ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ２００７ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ， Ｃｉｒｃｕｉｔｓ ａｎｄ Ｓｙｓｔｅｍｓ． Ｋｏｋｕｒａ， Ｊａｐａｎ， ２００７： ６９７⁃７００． ［６］ ＣＨＥＮ Ｘｉａｏｌｏｎｇ， ＷＡＮＧ Ｊｉａｌｉ， ＸＩＮ Ｌｉ． Ａ ｎｅｗ ａｕｔｏｍａｔｉｃ ｍｏｄｕｌａｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄ ｉｎ ｔｅｓｔ ａｎｄ ｍｅａｓｕｒｅｍｅｎｔ ｔｅｃｈｎｏｌｏｇｙ［Ｃ］ ／ ／ ８ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｅｌｅｃｔｒｏｎｉｃ Ｍｅａｓｕｒｅｍｅｎｔ ａｎｄ Ｉｎｓｔｒｕｍｅｎｔｓ． Ｘｉ’ ａｎ， Ｃｈｉｎａ， ２００７： ６２２⁃ ６２５． ［７］蔡权伟，魏平，肖先赐．单信道多信号分量分离［ Ｊ］．通信 学报， ２００６， ２７（６）： ４９⁃５６． ＣＡＩ Ｑｕａｎｗｅｉ， ＷＥＩ Ｐｉｎｇ， ＸＩＡＯ Ｘｉａｎｃｉ． Ｓｉｎｇｌｅ ｃｈａｎｎｅｌ ｍｕｌｔｉｃｏｍｐｏｎｅｎｔｓ ｓｅｐａｒａｔｉｎｇ ［ Ｊ ］． Ｊｏｕｒｎａｌ ｏｎ Ｃｏｍｍｕｎｉｃａ⁃ ｔｉｏｎｓ， ２００６， ２７（６）： ４９⁃５６． ［８］王磊，陈鹏举，陈乾．修正平均周期图法在通信信号分选 识别中的应用［Ｊ］．电讯技术， ２００２， ４２（４）： ３０⁃３３． ＷＡＮＧ Ｌｅｉ， ＣＨＥＮ Ｐｅｎｇｊｕ， ＣＨＥＮＧ Ｑｉａｎ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｍｏｄｉｆｉｅｄ ｐｅｒｉｏｄｏｇｒａｍ ａｌｇｏｒｉｔｈｍ ｉｎ ｃｌａｓｓｉｆｙｉｎｇ ａｎｄ ｉｄｅｎｔｉｆｙｉｎｇ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｓｉｇｎａｌｓ［Ｊ］． Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ， ２００２， ４２（４）： ３０⁃３３． ［９］李秋娜，袁嗣杰，刘东华．基于 ＥＭＤ 的混合信号盲分离方 法［Ｊ］．系统仿真学报， ２００７， １９（６）： １３５８⁃１３６１． ＬＩ Ｑｉｕｎａ， ＹＵＡＮ Ｓｉｊｉｅ， ＬＩＵ Ｄｏｎｇｈｕａ． Ｍｅｔｈｏｄ ｏｆ ｂｌｉｎｄ ｓｅｐ⁃ ａｒａｔｉｏｎ ｆｏｒ ｍｉｘｅｄ ｓｉｇｎａｌｓ ｂａｓｅｄ ｏｎ ｅｍｐｉｒｉｃａｌ ｍｏｄｅ ｄｅｃｏｍｐｏ⁃ ｓｉｔｉｏｎ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｓｙｓｔｅｍ Ｓｉｍｕｌａｔｉｏｎ， ２００７， １９ （ ６）： １３５８⁃１３６１． ［１０］梁国龙，董姝敏．相干源盲分离及方位估计的算法研究 ［Ｊ］．哈尔滨工程大学学报， ２０１０， ３１（１１）： １４７８⁃１４８４． ＬＩＡＮＧ Ｇｕｏｌｏｎｇ， ＤＯＮＧ Ｓｈｕｍｉｎ． Ｓｔｕｄｙ ｏｎ ａｌｇｏｒｉｔｈｍｓ ｏｆ ｂｌｉｎｄ ｓｅｐａｒａｔｉｏｎ ａｎｄ ＤＯＡ ｅｓｔｉｍａｔｉｏｎ ａｂｏｕｔ ｃｏｈｅｒｅｎｔ ｓｏｕｒｃｅｓ ［ Ｊ ］． Ｊｏｕｒｎａｌ ｏｆ Ｈａｒｂｉｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ， ２０１０， ３１（１１）： １４７８⁃１４８４． ［１１］贾朝文，张学帅．基于数字波束合成的空间信号分离研 究［Ｊ］．中国电子科学研究院学报， ２００６， １（１）： ８６⁃８９． ＪＩＡ Ｃｈａｏｗｅｎ， ＺＨＡＮＧ Ｘｕｅｓｈｕａｉ． Ｓｐａｔｉａｌ ｓｉｇｎａｌ ｓｅｐａｒａｔｉｏｎ ｂａｓｅｄ ｏｎ ＤＢＦ ｔｅｃｈｎｉｑｕｅ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｈｉｎａ Ａｃａｄｅｍｙ ｏｆ Ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ， ２００６， １（１）： ８６⁃ ８９． ［１２］贾银洁，许鹏飞．基于 ＦａｓｔＩＣＡ 的混合音频信号盲分离 ［Ｊ］．信息与电子工程， ２００９， ７（４）： ３２１⁃３２５． ＪＩＡ Ｙｉｎｊｉｅ， ＸＵ Ｐｅｎｇｆｅｉ． Ｂｌｉｎｄ ｓｅｐａｒａｔｉｏｎ ｏｆ ｍｉｘｅｄ ａｕｄｉｏ ｓｉｇｎａｌ ｂａｓｅｄ ｏｎ ＦａｓｔＩＣＡ［ Ｊ］． Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ， ２００９， ７（４）： ３２１⁃３２５． ［１３］ＲＥＮ Ｘｉａｏｔｉａｎ， ＸＵ Ｈｕｉ． Ｆａｓｔ⁃ＩＣＡ ｂａｓｅｄ ｂｌｉｎｄ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｔｈｅ ｓｐｒｅａｄｉｎｇ ｓｅｑｕｅｎｃｅｓ ｆｏｒ ｄｏｗｎ⁃ｌｉｎｋ ｍｕｌｔｉ⁃ｒａｔｅ ＤＳ ／ ＣＤＭＡ ｓｉｇｎａｌｓ［Ｊ］． Ｉｎｔｅｌｌｉｇｅｎｔ Ｃｏｍｐｕｔａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ａｕｔｏｍａｔｉｏｎ， ２０１２， ５（１）： ５０１⁃５０４． ［１４］周治宇，陈豪．空间同频电子侦察信号的盲分离［ Ｊ］．中 国空间科学技术， ２００９， １２（３）： １０⁃１５． ＺＨＯＵ Ｚｈｉｙｕ， ＣＨＥＮ Ｈａｏ． Ｂｌｉｎｄ ｓｅｐａｒａｔｉｏｎ ｏｆ ｓｐａｃｅ ｒａｄｉｏ ｒｅｃｏｎｎａｉｓｓａｎｃｅ ｓｉｇｎａｌｓ ｗｉｔｈ ｓａｍｅ ｆｒｅｑｕｅｎｃｙ ［ Ｊ］． Ｃｈｉｎｅｓｅ Ｓｐａｃｅ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， ２００９， １２（３）： １０⁃１５． 作者简介： 张鹏伟，男，１９７７ 年生，讲师，主要研 究方向为智能信息处理、模式识别．发表 学术论文 ５ 篇，其中被 ＥＩ 检索 ３ 篇． ·２８２· 智 能 系 统 学 报 第 ８ 卷
