通過對現(xiàn)有信號識別算法的研究分析發(fā)現(xiàn)：由于單載波信號的特征比較容易提取，而且所需解調(diào)參數(shù)比較簡單，所以對于單載波信號的調(diào)制類型識別的研究很多[1-3]，但對于OFDM信號而言，由于存在信號特征不易提取、需要估計(jì)的信號參數(shù)較多等問題，因此針對OFDM信號的識別算法很少[4-5]。但OFDM技術(shù)因其可有效對抗窄帶干擾、多徑干擾(ISI)，提高頻譜利用率和系統(tǒng)容量而被廣泛應(yīng)用于非對稱用戶環(huán)路(ADSL)，ETSL標(biāo)準(zhǔn)的數(shù)字音頻廣播(DAB)、數(shù)字視頻廣播(DVB)、高清晰度電視(HDTV)和基于IEEE802.11標(biāo)準(zhǔn)的無線局域網(wǎng)(WLAN)等系統(tǒng)中。

    參考文獻(xiàn)[6]提出一種利用高階矩在多徑信道下識別OFDM信號的盲識別算法，但該方法算法較復(fù)雜。參考文獻(xiàn)[7-8]對Walter-Akmouche算法進(jìn)行改進(jìn)，選擇歸一化四階累積量作為多徑信道中識別OFDM信號和單載波信號的特征量。參考文獻(xiàn)[7]選取參數(shù)|C40|2/|C21|2作為識別特征量，由于BPSK、MFSK和OFDM信號的四階累積量均為零，因此無法區(qū)分這幾種信號和OFDM信號。參考文獻(xiàn)[8]對參考文獻(xiàn)[7]的算法進(jìn)行了改進(jìn)，選用|C42|2/|C21|2作為識別參數(shù)，該特征參數(shù)能在更多的單載波信號中識別出OFDM信號，并且有較好的抗多徑能力。這些方法本質(zhì)上屬于高階統(tǒng)計(jì)量的方法，因而導(dǎo)致運(yùn)算量很大，這是不利于實(shí)際使用的。而利用OFDM信號的漸近高斯性，引入經(jīng)驗(yàn)函數(shù)分布擬合檢驗(yàn)方法來實(shí)現(xiàn)對OFDM信號的快速識別可以大大減少運(yùn)算量。
    高斯性檢測類方法有一個(gè)重大缺陷即無法分清噪聲和OFDM信號，實(shí)際的通信環(huán)境往往是噪聲與信號共存的。這些方法存在把根本不含OFDM信號的純噪聲樣本當(dāng)作OFDM信號的風(fēng)險(xiǎn)，這對接收機(jī)的參數(shù)估計(jì)是極為不利的。針對這一問題，本文引入譜熵這一特征量來區(qū)分含噪OFDM信號和純噪聲信號，然后對信號樣本進(jìn)行KS檢驗(yàn)，識別OFDM信號。
1 譜熵端點(diǎn)檢測
    本文所指的端點(diǎn)檢測類似于語音端點(diǎn)檢測，即從一段含噪信號和純噪聲信號中把含噪信號的起始點(diǎn)和結(jié)束點(diǎn)找出來，進(jìn)而劃分出信號段和純噪聲段。



    (1) 獲得N個(gè)樣本取實(shí)部或者虛部，采用極大似然估計(jì)(MLE),估計(jì)參數(shù)向量?茲=(u,?滓)，得到F(xi,?茲)。
　 (2) 把N個(gè)樣本的實(shí)部或虛部從大到小排列，組成次序統(tǒng)計(jì)量，計(jì)算經(jīng)驗(yàn)分布函數(shù)Fn(xi)。
    (3) 遍歷樣本的實(shí)部，選取步驟(1)和(2)中兩者相減的最大值Dn與臨界值相比，若Dn大于臨界值，則拒絕H0。在檢驗(yàn)過程中，需要比較距離Dn和選擇分布在顯著度水平?琢下的臨界值。本文通過 Monte-Carlo仿真編制不同經(jīng)驗(yàn)分布函數(shù)下的臨界值表。表編制與以上檢驗(yàn)過程類似，以100 000次Monte-Carlo仿真為例，首先生成OFDM信號標(biāo)準(zhǔn)樣本，分別執(zhí)行步驟(1)~步驟(3)檢驗(yàn)，將得到的100 000個(gè)距離Dn從小到大排序,選擇第99 900、99 800、99 500個(gè)距離值Dn作為顯著度水平0.01、0.02、0.05下的臨界值CVs(Critical Values)。對不同的序列長度N重復(fù)上述檢測過程，最終得到表1所示的臨界值表(限篇幅僅列出α=0.05值)。

3 仿真結(jié)果與分析
3.1多帶譜熵檢測法的性能
    仿真條件：OFDM符號寬度4 s，64個(gè)子載波，采樣間隔0.003 9 s，信噪比為2 dB和20 dB，先產(chǎn)生16 s的純噪聲信號，再產(chǎn)生16 s的含噪OFDM信號最后又產(chǎn)生16 s的純噪聲信號作為此次仿真的突發(fā)OFDM信號樣本，目的在于檢驗(yàn)譜熵檢測法能否正確識別OFDM信號端點(diǎn)，以便把純噪聲信號段去掉。在高信噪比條件下(20 dB)，兩種方法譜熵的峰值都很明顯，限于篇幅仿真圖不予列出。重點(diǎn)考察在低信噪比條件下的性能，圖5為信噪比2 dB一般譜熵下的仿真值,圖中顯示OFDM信號譜熵值很不穩(wěn)定，據(jù)此很難確定信號端點(diǎn)。相反，圖6基于多子帶的譜熵檢測法性能更好。

    為確定端點(diǎn)檢測門限，在不同信噪比條件下進(jìn)行仿真，純噪聲的譜熵值不隨信噪比變化，可以通過設(shè)定一個(gè)高于基底噪聲熵的門限作為端點(diǎn)檢測的門限值。
3.2 基于譜熵OFDM信號識別
　仿真條件同上，分別在顯著性水平?琢=0.05條件下仿真直接進(jìn)行OFDM調(diào)制識別和加端點(diǎn)檢測再進(jìn)行調(diào)制識別兩種方法下的性能，如圖7所示，其中加方形標(biāo)記的為先進(jìn)行端點(diǎn)檢測再進(jìn)行調(diào)制識別的平均正確率曲線，許多文章中識別曲線與此類似，表現(xiàn)出不隨信噪比變化的性能。從圖7中還可看出經(jīng)過端點(diǎn)檢測后的識別率反而降低，其根本原因在于加端點(diǎn)檢測后把純噪聲信號排除了，所謂“低信噪比下OFDM信號識別率高”不過是表明基于高斯性檢測的算法無法識別純噪聲信號和OFDM信號，也就是說未經(jīng)端點(diǎn)檢測進(jìn)行OFDM信號識別虛警率必然是較高的。經(jīng)過端點(diǎn)檢測的識別性能仿真表明，基于高斯性檢測的虛警率明顯降低。其對多載波信號的識別能力與單載波一致,也與信噪比有關(guān)，信噪比越高識別性能越好。

    對OFDM信號的識別研究隨著OFDM技術(shù)的廣泛使用意義日見凸顯。目前，調(diào)制識別集中在單載波，OFDM信號識別研究較少，并且大多集中于通過高斯性檢測使用高階矩及其改進(jìn)法進(jìn)行單載波和OFDM信號的識別。但高斯性檢測法無法區(qū)分純噪聲信號和OFDM信號，本文首先利用多帶譜熵法對OFDM信號進(jìn)行端點(diǎn)檢測，排除純噪聲信號，再進(jìn)行基于KS檢驗(yàn)的高斯性檢測識別OFDM信號，最后進(jìn)行了仿真。數(shù)值分析結(jié)果表明，多帶譜熵法比傳統(tǒng)譜熵法能更有效地進(jìn)行OFDM信號端點(diǎn)檢測，先端點(diǎn)檢測后進(jìn)行KS檢驗(yàn)有效地識別OFDM信號，同時(shí)還降低了OFDM信號在低信噪比下的虛警概率。
參考文獻(xiàn)
[1] MARTRET L. Modulation classification by means of different orders statistical moments[C]. MILCOM′97.1997(3):1387-1391
[2] YANG S Q, CHEN W D. Classification of  MPSK signals  using cumulant invariants[J]. Journal of Electronics,2002，19(1):99-103
[3] 陳衛(wèi)東.數(shù)字通信信號調(diào)制識別算法研究[D].西安:西安電子科技大學(xué),2001.
[4] 韓鋼，李建東，張文紅，等.基于多尺度小波分解和支撐矢量機(jī)的調(diào)制識別研究[J]. 西安電子科技大學(xué)學(xué)報(bào)，2003，30(7)：19-23.
[5] Wang Bin, Ge Lindong. A novel algorithm for identification of OFDM signal wireless communication[J]. IEEE Trans.Commun.，2006，53(1):261-264.
[6] Wang Bing, Gc Lindong. A novel algorithm for identification of OFDM Signal[C]. Proc. Of the international Conference on Wireless Communications,Networking and Mobile Computing:IEEE Press,2006.
[7] 劉鵬.OFDM調(diào)制識別和解調(diào)關(guān)鍵技術(shù)研究[D].西安:西安電子科技大學(xué)，2006.
[8] 呂挺岑，李兵兵.一種多徑信道下的OFDM信號盲識別算法[J].現(xiàn)代電子技術(shù)，2007, 30(11):13-16.
[9] 傅祖蕓.信息論——基礎(chǔ)理論與應(yīng)用(第二版)[M].北京:電子工業(yè)出版社，2007.
[10] SHEN J L, HUNG J W, LEE L S. Robust entropy-based endpoint detection for speech recognition in noisy environments[C]. Processing.Sydney ICSLP (S0160-5840),Sydeny,  Australia,Nov-Dec1998.CD2ROM.1998:32-235.
[11] Wu Ginder, Lin Chinteng. Word boundary detection with  mel-scale frequency bank in noisy environment[J]. IEEE  Transactions on Speech and Audio Processing (S1063-6676), 2005,8(5):541-554.
[12] Wu Bingfei, Wang Kunching. Roust endpoint detection algorithm based on the adaptive band-partitioning spectral entropy in adverse environments[J]. IEEE Transactions on Speech and Audio Processing (S1063-6676),2009,13(5)：762-775.