时变信道下非合作OFDM系统的双向倒角距离自动调制分类方法

《Electronics》：Automatic Modulation Classification in Non-Cooperative OFDM Systems Under Time-Varying Channels

　　

非合作正交频分复用（OFDM）系统在时变信道下面临载波间干扰（ICI）、深衰落、载波频率偏移（CFO）和相位偏移（PO）的影响，这些因素严重降低了传统自动调制分类（AMC）的性能。针对这一问题，研究人员提出了一种基于双向倒角距离的AMC方法（RCD-AMC）。首先，引入了一种正则化子带平滑递归差分相除（RAM-SCDD）预处理方法。该方法利用信噪比（SNR）相关的正则化因子和局部子带平滑机制来消除CFO/PO效应，并抑制由信道变化引起的噪声尖峰，从而生成稳定的非负谱商（NNSQ）序列。其次，开发了一种RCD特征提取器，利用双向匹配误差和中值聚合来抑制传统误差矢量幅度（EVM）在低信噪比下容易出现的降阶误分类问题。再次，构建了一种由特征置信度驱动的模糊支持向量机（FSVM），将匹配残差映射到样本隶属度，并通过差分惩罚方案自适应地抑制低质量样本对决策边界的影响。仿真结果表明，RCD-AMC在同构和异构时变信道场景下均能获得优异的分类精度和跨信道泛化能力，同时保持较低的计算复杂度，有效克服了传统基于特征的AMC在动态变化信道条件下的性能退化。

非合作正交频分复用（OFDM）系统在时变信道下面临载波间干扰（ICI）、深衰落、载波频率偏移（CFO）和相位偏移（PO）等多重损伤，这些因素使接收信号星座图发生动态扩展和塌缩，导致传统自动调制分类（AMC）方法的特征分布严重漂移。现有基于似然的AMC方法依赖精确信道状态信息且计算复杂；基于深度学习的特征方法在训练与测试信道分布不一致时泛化能力急剧下降。为此，研究人员提出了一种基于双向倒角距离的AMC方法（RCD-AMC），以实现无需先验信道信息、对时变信道具有鲁棒性的盲调制分类。该方法首先通过正则化子带平滑递归差分相除（RAM-SCDD）预处理生成稳定的非负谱商（NNSQ）序列，其次利用反向倒角距离（RCD）特征提取器揭示星座点云拓扑塌缩，最后采用特征置信度驱动的模糊支持向量机（FSVM）抑制低质量样本对决策边界的影响。仿真实验表明，RCD-AMC在同构和异构时变信道场景下均具有较高的分类精度和跨信道泛化能力，同时计算复杂度低于深度学习方法，适合部署于资源受限的非合作通信系统。

研究人员基于OFDM仿真生成非合作接收信号，采用简单和复杂两组调制候选集，在AWGN、时变莱斯（Rician）和时变瑞利（Rayleigh）多径信道下叠加归一化CFO、PO与AWGN。关键方法包括：(1) RAM-SCDD预处理：引入SNR相关正则化因子限制深衰落子载波上除法的动态范围，并用局部子带平滑抑制ICI；(2) RCD特征提取：构造理想NNSQCS掩码集，计算前向/反向匹配误差，经百分比离群点滤波和中值聚合生成RCD特征；(3) 特征置信度FSVM：将RCD匹配残差映射为模糊隶属度，构建差分惩罚决策。仿真数据按4:1:1划分；异构任务使用独立随机种子生成跨信道数据集。

**RAM-SCDD在时变信道中的抗干扰性能评估**。在时变瑞利信道下，以NNSQ序列的均方误差（MSE）为指标，将RAM-SCDD与传统误差矢量幅度（EVM）算法对比。常规EVM在高移动性下平均MSE约为35%且波动剧烈，而RAM-SCDD在相同条件下将平均MSE降至约10%，且曲线平稳。正则化因子在[0.5,2.0]范围内变化时MSE保持稳定，说明该方法对正则化参数不敏感，能够同时抑制深衰落导致的数值爆炸和时变信道引入的ICI。

**多普勒频移变化对算法性能的影响趋势分析**。将最大多普勒频移f_d从10 Hz扩展到500 Hz，并配置更大的多径时延扩展以模拟更严重的频率选择性衰落。SaIF和HOC2在低多普勒场景尚可，但当多普勒超过阈值后，其平均准确率（MAA）迅速降至50%以下且置信区间显著变宽；1D-ResNet也随f_d增大而出现明显下降；RCD-AMC在整个范围内保持MAA高于93%，且置信区间明显更窄，验证了其对时变信道强度变化的强鲁棒性。

**消融实验与模块贡献分析**。在AWGN训练、时变瑞利测试的异构场景下，采用留一法分别替换RAM-SCDD、RCD和FSVM。在20 dB时，去掉RAM-SCDD后MAA仅为52.6%，而完整模型为96.0%；用单向EVM替换RCD后MAA为77.0%；用标准SVM替换FSVM后MAA为85.9%。这表明RAM-SCDD主要消除数值失真，RCD主要克服星座拓扑塌缩导致的降阶误分类，FSVM主要抵抗异构分布漂移对决策边界的干扰，三个模块协同提升整体性能。

**同构时变信道下分类性能评估**。在训练、验证和测试集使用相同信道条件的同构任务中，对于简单调制集，RCD-AMC在AWGN信道下MAA为0.9291，在时变莱斯和时变瑞利信道下分别为0.8956和0.9025，均优于HOC2、SaIF和1D-ResNet；对于复杂调制集，RCD-AMC在时变莱斯和时变瑞利信道下MAA分别为0.8408和0.8489，在10 dB时识别精度仍高于95%。相比之下，HOC2和SaIF在多径时变信道下性能急剧恶化，难以直接用于复杂动态场景。

**异构时变信道下分类性能评估**。在训练与测试信道不同的异构任务中，简单调制集下RCD-AMC在三个异构场景的MAA分别为0.8966、0.8996和0.9028，显著优于1D-ResNet的0.5714以及HOC2和SaIF的0.2左右。复杂调制集下，以AWGN为训练集时RCD-AMC的MAA为0.7821，最终识别精度约0.97；以时变莱斯和时变瑞利为训练集时MAA分别提升至0.8277和0.8329。而1D-ResNet在复杂异构场景下MAA仅约0.23至0.28，说明标准深度学习模型对信道分布漂移极为敏感。RCD-AMC在简单和复杂调制集中均表现出良好的跨信道泛化能力。

**总结讨论与结论**。研究人员针对时变多径信道下非合作OFDM系统中由ICI、深衰落和低信噪比引起的特征漂移和分类性能退化问题，提出了RCD-AMC方法。该方法通过RAM-SCDD预处理消除CFO和PO影响，抑制ICI和深衰落噪声尖峰，生成统计稳定的NNSQ序列；通过RCD特征提取器抵抗残差异常尖峰，克服单向EVM在低信噪比下的星座塌缩降阶误分类；通过特征置信度FSVM将匹配残差映射为模糊隶属度，建立差分惩罚机制，抑制低质量样本对分类边界的干扰。同构和异构时变信道实验均表明，RCD-AMC在简单低阶和复杂高阶调制集合上都能保持高分类精度和跨信道泛化能力，克服了传统特征提取方法在未知信道分布下的性能下降。计算复杂度分析显示，RCD-AMC在保持高性能的同时计算开销较低，相比基于深度学习的AMC方法更适合部署在实际资源受限的通信系统中。未来将进一步探索在更低信噪比和更复杂信道条件下提高高阶调制OFDM系统分类性能的方法。