摘要：针对多径环境下mpsk和mqam信号的调制分类问题给出了一种有效的自动识别算法，利用一组稳健的抗多径的累量不变量和自适应均衡算法的代价函数作为识别特征。当盲均衡器与接收到的码元星座图匹配时其代价函数收敛到最小。仿真表明，该方法可以有效识别多径信道下bpsk、qpsk、8psk、16qam、32qam、64qam信号。

    关键词：调制识别 多径环境 高阶累积量 盲均衡

    多径信道下信号的调制方式识别一直是一个难题。常用的多径信道下信号的调制方式识别一直是一个难题。常用的多径信道下信号的调制方式识别方法主要有两类。第一类方法是利用理想信道下抗多径性能好的分类特征进行识别，陈卫东等人提出一组多径累量近似不变量分类特征，当指数衰减多径信道的衰减参数α<0.7时可以有效地区分bpsk、qpsk、8psk信号，但是该特征不可识别mqam信号。第二类方法是首先利用盲均衡算法消除多径信道对信号的影响，再利用理想信道中的分类特征进行识别，barbarossa利用信号经过常模算法cma（constant modulus algorithm）+字符匹配算法ama（alphabet-matched-algorithms）盲均衡后的高阶累积量作为分类特片，对频率选择性多径衰落信道下的mpsk和mqam信号进行识别，但是该算法计算量较大。

    综合并改进这两种算法，本文首先利用累量不变量识别出mpsk信号，再利用cma+ama盲均衡的代价函数作为mqam信号调制识别的分类特征，当代价函数收敛时，将具有最小代价函数值的均衡器所对应的信号判为识别结果。仿真结果表明，在仿真给出的实际微波多径信道下该方法可以有效识别bpsk、qpsk、8psk、16qam、32qam、64qam信号。

    1 信号模型

    假设接收到的经过多信道的单一通信信号已经精确估计出载频和波特率，则接收端得到的码元同步采样复信号序列表达式为：

    其中ak为发送的码元序列，对mpsk信号ak∈{exp(j2π(m-1)/m)}；对mqam信号只考虑星座图为矩形的情况，ak∈{a1+jbi},aibi∈{2m-1-根号m}，m=1,2,…，根号m（32qam中m为36），ai和bi相互独立。假设ak是独立分布的随机过程，且均值为0。h(i)为第i条路径的冲击响应（包含定时误差和成型脉冲的影响），q为多径数。n(k)是均值为零、方差为σ2的复高斯白噪声，n为观测到的码元个数，rk为接收信号的码元速率采样序列。待识别信号集合为{bpsk,qpsk,8psk,16qam,32qam,64qam}。

    2 cam+ama代价函数收敛性

    2．1 cma+ama盲均衡算法

    常模算法（cma）原本是为了具有常包络的信号设计的，但是它对于状态数较少的幅相信号也可以有效地均衡。cma利用了星座图的统计信息，具有较好的全局收敛特性，但是最终收敛速度和精度不好，尤其是对于高阶qam信号；而字符匹配算法（ama）利用了星座图的形状信息，具有较好的局部收敛特性，精度高收敛快，但是需要适当的初始条件。

    图1为在信道冲击响应h=[1,0,0.5]的多径信道下，当64qam信号主径符号信噪比snr=40db时，仅采用cam均衡的代价函数（上）和can与ama联合均衡的代价函数（下）。图2为仅利用cma均衡后的星座图，图3为利用cma与ama联合均衡后的星座图，迭代次数均为8000点。

    可见，采用ama的均衡算法比仅用cam的均衡算法的代价函数下降快，收敛迅速，星座图也恢复快速，与上述分析结果一致。因此，提出了综合两者特点的双模式均衡策略：即首先采用cma，让数据收敛到全局最小，然后再利用cma的结果去初始化ama，使ama快速准确地收敛。

    2．2 特征提取

    对于mpsk和mqam信号，常模算法（cam）的代价函数为：

    发送的码元序列，y(n)为均衡输出。当待识别的信号集合中有k个信号星座图时，针对每一类待识别信号均有一个与其相匹配的cma均衡器。当cma的代价函数收敛时切换到ama，并行接入k个分别与待识别的信号集合中的星座图相匹配的ama均衡器。其