基于模糊聚类与BP神经网络的无线光副载波调制识别 下载: 1177次
1 引言
无线光通信具有带宽大、体积小、保密性好、造价低及施工方便灵活等优点。无线光通信普遍采用强度调制/直接检测系统,强度调制可分为脉冲调制和连续波调制两种。副载波调制属于频带调制,与脉冲调制方法相比,副载波调制不需要自适应阈值,可以有效抑制大气湍流影响[1-4]。同时多路副载波系统可以抑制多径传输下的码间干扰,还对不同载波分配不同用户数据以增加系统通信容量。
大气信道是一种有记忆的时变信道,大气散射和大气湍流等严重影响通信链路中的副载波信号质量,造成激光光束衰减和展宽,系统接收端信号的相位模糊、偏移以及大气运动介质引起的多普勒频移给星座图检测带来巨大困难[5]。调制识别技术在技术侦察及通信对抗等领域占有重要地位,星座图提供了信号结构以及各种不同调制状态的关系,为接收端解调器提供参数,从而选择相应的解调算法[6]。因此,将星座图检测应用于调制识别具有重要意义。文献[ 7]分别研究了4种模糊C均值(FCM)聚类方法,对比分析了4种算法效率和敏感性问题,但并没有应用于具体识别实验中。文献[ 8-9]均是针对在加性高斯白噪声影响下的调制识别方法的研究,文献[ 8]将FCM聚类算法应用于雷达信号的识别,获得了较高的识别率。文献[ 9]研究了FCM和支持向量机相结合的数字调制识别方法。文献[ 5]采用了近邻聚类法,给出了距离的阈值选取,该方法在光强对数振幅起伏方差小于0.15时具有较高的识别率,虽然方法简单易行,但随着起伏方差以及调制阶数的增大,该方法已不能获得满意的识别率。不同于文献[ 7-9],本文把模糊聚类与反向传播(BP)神经网络相结合应用于无线激光通信中,研究了大气湍流信道光强对数振幅起伏方差对星座图识别的影响。在大气弱湍流对数正态分布信道和不同的光强对数振幅起伏方差下,基于FCM聚类算法对副载波多进制相移键控(MPSK)调制信号星座图进行聚类,提取聚类硬趋势均值,再利用改进的BP神经网络进行分类识别。
2 大气湍流对数正态分布模型
大气湍流是一种具有强烈涡旋性的不规则运动,它的形成机理是太阳辐射和各种气象因素引起大气温度随机变化,从而导致大气折射率随机变化。根据湍流程度及其运动状态的不同,大气信道可分为弱湍流和强湍流信道。在20世纪50年代后期,Tarskii在Rytov近似理论基础上发展了Rytov方法,光波振幅起伏在弱湍流下服从对数正态分布[10]。
光波对数振幅起伏
式中:
若已知光波振幅为
式中:<·>为取均值。
平面波水平均匀路径下,光强对数振幅起伏方差为
式中:
采用变量代换,可以得到光波强度的概率密度函数
将(4)式代入(1)式中,得到
式中:
3 基于FCM聚类算法的星座图调制识别
3.1 FCM聚类算法
FCM聚类算法是基于划分的一种聚类算法,其对普通C均值算法进行了改进,属于无监督学习方法,FCM聚类算法不需要提供系统的输出序列,被广泛应用于模式识别中[11]。该算法使被划分到同一簇对象之间的相似度最大化,不同簇对象之间的相似度最小化。FCM算法把
式中:
当选择欧几里德距离作为非相似性指标时,FCM的价值函数(或目标函数)定义为
式中:
由上述两个必要条件可知,FCM算法是一个简单的迭代过程,通过反复修改隶属度矩阵和聚类中心,使
3.2 FCM算法的硬趋势均值
取
1) 根据星座图样本点隶属度的最大值,把每个样本点
式中:
2) 计算每个样本点
3) 当聚类中心数为
式中:
4) 硬趋势的平均为所有聚类中心下的均值
该均值既作所提取的调制类型的特征,也是改进BP神经网络的输入参数。
4 基于FCM的星座图调制识别仿真
4.1 星座图聚类
基于大气湍流对数正态分布信道模型,当
图 1. 大气湍流信道下副载波MPSK信号聚类星座图。(a) BPSK,σχ2=0.1;(b) BPSK,σχ2=0.2;(c) QPSK,σχ2=0.1;(d) QPSK,σχ2=0.2;(e) 8PSK,σχ2=0.1;(f) 8PSK,σχ2=0.2;(g) 16PSK,σχ2=0.1; (h) 16PSK,σχ2=0.2
Fig. 1. Clustering constellation of subcarrier MPSK signal in atmospheric turbulence channel. (a) BPSK, σχ2=0.1; (b) BPSK, σχ2=0.2; (c) QPSK, σχ2=0.1; (d) QPSK, σχ2=0.2; (e) 8PSK, σχ2=0.1; (f) 8PSK, σχ2=0.2; (g) 16PSK, σχ2=0.1; (h) 16PSK, σχ2=0.2
4.2 基于FCM的特征提取
当接收端信噪比
图 2. 4种调制方式对应的模糊聚类硬趋势均值。(a) T2;(b) T4;(c) T8;(d) T16
Fig. 2. Hard tendency mean of fuzzy clustering corresponding to four kinds of modulation modes. (a) T2; (b) T4; (c) T8; (d) T16
4.3 基于改进BP神经网络的调制识别实验
BP神经网络是一种采用误差BP算法进行有监督学习的前馈多层神经元网络。因为BP算法训练过程的不确定性严重影响了BP神经网络学习的收敛速度和识别的准确率。本研究采用附加动量法和自适应学习速率相结合的方法改进了BP算法。
本研究采用3层的改进BP神经网络作为调制识别的分类器。将基于FCM提取的硬趋势均值作为网络的输入特征参数。该网络神经元个数输入层为4,隐含层为15,输出层为2,网络误差函数
图 3. 改进BP神经网络均方误差曲线。(a) σχ2=0.1;(b) σχ2=0.2
Fig. 3. Mean square error curve of improved BP neural network. (a) σχ2=0.1; (b) σχ2=0.2
表 1. σχ2=0.1,RSN=20 dB时调制信号星座图识别结果
Table 1. Constellation recognition results of modulated signal when σχ2=0.1, RSN=20 dB
|
表 2. σχ2=0.2,RSN=20 dB时调制信号星座图识别结果
Table 2. Constellation recognition results of modulated signal when σχ2=0.2, RSN=20 dB
|
表 3. σχ2=0.25,RSN=20 dB时调制信号星座图识别结果
Table 3. Constellation recognition results of modulated signal when σχ2=0.25, RSN=20 dB
|
从
5 结论
采用FCM聚类结合改进BP神经网络对无线光副载波MPSK调制星座图进行了识别研究。对聚类后的聚类中心求取硬趋势均值作为对星座图聚类后提取的特征,然后将其输入到改进BP神经网络分类器进行星座图识别检测。该方法在对数振幅起伏方差较大条件下可以获得87.5%的总正确识别率,16PSK识别率也有明显提高。识别结果表明,所提方法可以有效抑制大气湍流光强对数振幅起伏对无线光副载波调制星座图识别的影响,对于高阶副载波调制星座图的识别具有重要的意义。
[1] LuQ, Liu QC, Mitchell GS. Performance analysis for optical wireless communication systems using subcarrier PSK intensity modulation through turbulent atmospheric channel[C]∥IEEE Global Telecommunications Conference, Dallas, TX. [S. l.]: IEEE, 2004, 3: 1872- 1875.
[2] Hassan MZ, Hossain MJ, Cheng JL. Exact BER analysis of subcarrier QAM and PSK intensity modulations in strong turbulence[C]∥International Conference on Computing, Networking and Communications, Optical and Grid Networking Symposium, Honolulu, HI, USA. [S. l.]: IEEE, 2014: 478- 483.
[3] 陈丹, 柯熙政. 基于Turbo码的无线光通信副载波误码性能分析[J]. 光学学报, 2010, 30(10): 2859-2863.
[5] 陈丹, 柯熙政. 大气弱湍流信道无线光副载波调制识别研究[J]. 激光与光电子学进展, 2012, 49(7): 070601.
[6] 王建新, 宋辉. 基于星座图的数字调制方式识别[J]. 通信学报, 2004, 25(6): 166-173.
Wang J X, Song H. Digital modulation recognition based on constellation diagram[J]. Journal on Communications, 2004, 25(6): 166-173.
[7] AliR, OffiahA, RamlakhanS. Fuzzy C-Means clustering to analyze bone vibration as a method of screening fracture[C]∥International Symposium on Communication Systems, Networks and Digital Signal Processing, Prague, Czech Republic. [S. l.]: IEEE, 2016: 1- 5.
[8] GuoQ, Nan PL, WanJ. Radar signal recognition based on ambiguity function features and cloud model similarity[C]∥International Conference on Ultrawideband and Ultrashort Impulse Signals, Odessa, Ukraine. [S. l.]: IEEE, 2016: 128- 134.
[9] 顾敏剑. 基于模糊C均值聚类和支持向量机的信号识别方法[J]. 计算机与数字工程, 2013, 41(3): 367-369.
Gu M J. Signal recognition method based on fuzzy C-Means and support vector machine[J]. Computer & Digital Engineering, 2013, 41(3): 367-369.
[10] GhassemlooyZ, PopoolaW, RajbhandariS, et al.Optical wireless communication: system and channel modeling with Matlab[M]. Boca Raton: CRC Press, 2013: 131- 137
[11] Wang ZF. Comparison of four kinds of fuzzy C-Means clustering methods[C]∥International Symposium on Information Processing, Qingdao, China. [S. l.]: IEEE, 2010: 563- 566.
[12] Helmy MO, Zaki FW. Identification of linear bi-dimensional digital modulation schemes via clustering algorithms[C]∥International Conference on Computer Engineering & Systems, Cairo, Egypt. [S. l.]: IEEE, 2009: 385- 390.
Article Outline
陈丹, 王晨昊, 姚伯羽. 基于模糊聚类与BP神经网络的无线光副载波调制识别[J]. 激光与光电子学进展, 2018, 55(6): 060602. Dan Chen, Chenhao Wang, Boyu Yao. Modulation Recognition of Wireless Optical Subcarrier Based on Fuzzy Clustering and Back Propagation Neural Net[J]. Laser & Optoelectronics Progress, 2018, 55(6): 060602.