【5G新型多載波信號識別分析綜述報告3300字】

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(shù)研究現(xiàn)狀 13088二、基于特征提取的信號調(diào)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(xué)習(xí)的調(diào)制識別算法 3在認(rèn)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(diào)之間的中介環(huán)節(jié)，同時也為后續(xù)的解調(diào)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(xué)理論與新興的機器學(xué)習(xí)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(luò)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(guān)鍵字：無線電；信號；算法近年來，隨著5G多載波技術(shù)的發(fā)展，多載波技術(shù)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(guān)學(xué)者的注意。下面就與多載波信號識別相關(guān)的多載波技術(shù)發(fā)展、信號識別等相關(guān)問題進行綜述。一、多載波技術(shù)研究現(xiàn)狀濾波器組多載波調(diào)制于1967年由B.Saltzberg提出，但由于當(dāng)時并沒有該調(diào)制方法的相關(guān)理論，所以也沒有人認(rèn)為應(yīng)該稱此調(diào)制方法為濾波器組多載波調(diào)制。除此之外，當(dāng)時沒有成熟的數(shù)字信號處理技術(shù)來使該調(diào)制方法得以實現(xiàn)，因而該調(diào)制方法沒有引起人們的足夠重視。一直到上世紀(jì)80年代，隨著數(shù)字信號處理技術(shù)的不斷豐富與成熟，廣大研究人員才開始重點研究該調(diào)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(chǔ)。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(shù)被多種有線和無線接入標(biāo)準(zhǔn)所采納[1]。但是隨著第五代移動通信技術(shù)的到來，面對5G更加多樣化的業(yè)務(wù)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(shè)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(xué)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(shù)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(rèn)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(xué)者都對FBMC技術(shù)做了大量的研究，文獻[4]研究了FBMC系統(tǒng)中原型濾波器設(shè)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(fù)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(shù)進行了性能分析，仿真結(jié)果表明，與其他技術(shù)相比，F(xiàn)BMC技術(shù)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(dǎo)致實時處理能力不強[7]。二、基于特征提取的信號調(diào)制識別方法研究該方法首先對調(diào)制信號進行特征提取，再選取適當(dāng)?shù)姆诸惼鬟M行調(diào)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(shè)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(diào)制和識別[8]。第二種是基于機器學(xué)習(xí)的調(diào)制識別算法，它可以分成兩大類，一種是在進行信號調(diào)制時，先進行人工抽取，然后再用BP神經(jīng)網(wǎng)絡(luò)等分類器進行信號的調(diào)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(diào)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(diào)制類型的特征參數(shù)，構(gòu)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(yīng)用中實現(xiàn)復(fù)雜度較低，在先驗知識不足的情況仍能識別多種信號調(diào)制方式，更能適合當(dāng)前各種通信場景下的需求。因此得到國內(nèi)外許多學(xué)者的關(guān)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(jì)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(diào)制識別領(lǐng)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(jié)合盲均衡技術(shù)，利用減法聚類思想構(gòu)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(diào)制分類問題上，且識別效果出乎意料[13]。四、基于機器學(xué)習(xí)的調(diào)制識別算法基于機器學(xué)習(xí)的調(diào)制識別算法，該方法可以分為2類，一類為傳統(tǒng)的機器學(xué)習(xí)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(luò)等分類器來完成信號的調(diào)制識別，還有一類為基于深度學(xué)習(xí)的調(diào)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(luò)結(jié)構(gòu)的分類器來完成對信號的自動調(diào)制識別，基于深度學(xué)習(xí)的自動調(diào)制識別，就充分發(fā)揮了自組織、自學(xué)習(xí)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(zhǔn)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(luò)等作為分類器，分別識別MASK、MFSK、MPSK和MQAM等調(diào)制信號，取得了較好調(diào)制識別性能[15]。HuiWang等[16]提出一種基于深度學(xué)習(xí)的識別算法，通過提取淺層特征，再借助深度置信網(wǎng)絡(luò)（DeepBeliefNetworks，DBN），對BPSK、QPSK、16QAM等多種信號進行仿真分析，結(jié)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(xué)習(xí)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(xué)習(xí)實現(xiàn)了譜圖特征自動提取，實現(xiàn)對MFSK、MPSK和MQAM等多種調(diào)制信號的仿真分析。結(jié)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(diào)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(luò)（DeepNeuralNetwork，DNN）、卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNN）等各種深度神經(jīng)網(wǎng)絡(luò)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(diào)制識別性能之間的關(guān)系影響展開了針對性探討與研究。結(jié)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(diào)制信號數(shù)據(jù)集，以分層深度神經(jīng)網(wǎng)絡(luò)為分類器實現(xiàn)信號的自動調(diào)制識別，取得了較好的調(diào)制識別性能。SinjinJeong等[20]提出一種改進的深度CNN網(wǎng)絡(luò)識別算法，通過對傳統(tǒng)CNN網(wǎng)絡(luò)結(jié)構(gòu)添加Droupout層和輔助信息等方法，實現(xiàn)了對MPSK、MQAM等11種調(diào)制信號的分類識別，結(jié)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(guān)鍵技術(shù)研究[D].北京交通大學(xué),2018.[3]徐穎群.面向5G的新型多載波調(diào)制技術(shù)研究及硬件實現(xiàn)[D].東南大學(xué).[4]姜皓月.面向5G的兩種新型多載波傳輸技術(shù)研究[J].中外企業(yè)家,2020(15):2.[5]李新.5G新型多載波技術(shù)分析[J].信息通信,2018(4):2.[6]周韻.5G新型多載波UF-OFDM技術(shù)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(shù)比較[J].通信技術(shù),2016(5):519-523.[8]劉金玲,陸海翔.面向5G的新型多載波技術(shù)分析[J].電信技術(shù),2017(8):3.[9]唐鈺茹.我國5G移動通信技術(shù)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(guān)鍵技術(shù)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(shù)比較分析[J].科學(xué)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(xué),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(diào)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