桂祥勝，洪居亭，代華建，孫田亮

（四川大學(xué)電子信息學(xué)院，成都 610065）

1 背景介紹

在通信信號(hào)處理領(lǐng)域，特別是在非協(xié)作通信信號(hào)盲解調(diào)研究領(lǐng)域，每時(shí)隙突發(fā)信號(hào)的調(diào)制方式不同，必須進(jìn)行信號(hào)的調(diào)制方式自動(dòng)識(shí)別。信號(hào)的調(diào)制方式識(shí)別效果會(huì)影響整個(gè)盲解調(diào)系統(tǒng)。傳統(tǒng)的專家系統(tǒng)已經(jīng)被研究多年，然而依然存在準(zhǔn)確性低、效率低等問題。近年來，深度學(xué)習(xí)方法廣泛應(yīng)用于圖像處理[1-2]和語音識(shí)別[3-4]領(lǐng)域，取得了不錯(cuò)的效果。信號(hào)星座圖是表征數(shù)字調(diào)制信號(hào)的一種重要方式，它能夠直觀地將信號(hào)以圖片幾何特征的形式展示出來，便于人們觀察和分析。傳統(tǒng)的人眼分辨方法依賴于一定的專業(yè)知識(shí)、耗時(shí)且識(shí)別準(zhǔn)確率較低。我們將深度學(xué)習(xí)方法引用到通信信號(hào)處理領(lǐng)域，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的信號(hào)調(diào)制方式自動(dòng)識(shí)別方法。

2 生成數(shù)據(jù)集

2.1 原始數(shù)據(jù)的生成

實(shí)驗(yàn)需要獲取多種調(diào)制方式、寬信噪比范圍、帶有標(biāo)簽的數(shù)據(jù)，這在短時(shí)間內(nèi)難以通過采集真實(shí)信號(hào)來實(shí)現(xiàn)。本次實(shí)驗(yàn)所需數(shù)據(jù)通過仿真產(chǎn)生，實(shí)驗(yàn)選取部分?jǐn)?shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)，使用另外的數(shù)據(jù)進(jìn)行驗(yàn)證測(cè)試。仿真生成數(shù)據(jù)過程主要有生成隨機(jī)0-M 數(shù)字（M為調(diào)制階數(shù)）、MQAM/MPSK 調(diào)制、成形濾波、載波上變頻、信道仿真（加性高斯白噪聲信道）、IQ 正交解調(diào)、匹配濾波、重構(gòu)信號(hào)星座圖并保存。整個(gè)生成數(shù)據(jù)流程如下所示。

圖1 生成信號(hào)流程圖

本次仿真共生成 7 種調(diào)制方式（BPSK、QPSK、8PSK、QAM8、QAM16、QAM32、QAM64）信號(hào)，每種調(diào)制方式信號(hào)信噪比為-20dB、-18dB、…、+16dB、+18dB。每種調(diào)制方式在某一信噪比下共有1000 條數(shù)據(jù)，生成1000 張星座圖片，每張圖片包含1000 符號(hào)信息（即每張星座圖圖上有1000 個(gè)點(diǎn)）。仿真生成的基帶信號(hào)經(jīng)成形濾波后時(shí)域圖形如下所示。

圖2 經(jīng)成形濾波后的信號(hào)時(shí)域圖

2.2 IIQQ正交解調(diào)和星座圖

在通信系統(tǒng)接收方通常需要將接收到的中頻信號(hào)變成基帶信號(hào)這就需要數(shù)字下變頻操作。數(shù)字下變頻（DDC）通常包括IQ 正交解調(diào)和低通濾波兩部分。IQ 正交解調(diào)需要知道信號(hào)的載波頻率，低通濾波器截止頻率的設(shè)置和信號(hào)帶寬相關(guān)。經(jīng)過低通濾波過后即可得到IQ 兩路信號(hào)，此時(shí)得到的IQ 路信號(hào)還需要經(jīng)過匹配濾波、下采樣符號(hào)同步等過程，才能重構(gòu)信號(hào)星座圖。

圖3 數(shù)字下變頻原理說明圖

圖4 IQ兩路信號(hào)和幅度相位關(guān)系說明圖

IQ 信號(hào)能夠同時(shí)包含信號(hào)的幅度和相位等信息，IQ信號(hào)可以輕松地形成一個(gè)復(fù)信號(hào)。大多數(shù)數(shù)字調(diào)制將數(shù)據(jù)映射到IQ 平面中的許多離散點(diǎn)，稱之為星座圖[5]。

3 基于CNN的調(diào)制方式識(shí)別工作原理

3.1 卷積網(wǎng)絡(luò)結(jié)構(gòu)

基于CNN 的調(diào)制方式識(shí)別模型網(wǎng)絡(luò)框圖如下所示。輸入層輸入的是150×120 像素尺寸大小的信號(hào)星座圖，經(jīng)過3 個(gè)卷積層、3 個(gè)池化層，扁平層，到最后按照7 種調(diào)制類型輸出。訓(xùn)練集數(shù)據(jù)都是帶有標(biāo)簽的，即事先知道某信號(hào)的調(diào)制方式，不斷學(xué)習(xí)圖片對(duì)應(yīng)調(diào)制類型，整個(gè)系統(tǒng)通過梯度反向傳播機(jī)制，不斷調(diào)節(jié)其中的相關(guān)參數(shù)，使整個(gè)系統(tǒng)的輸出結(jié)果和標(biāo)簽結(jié)果的誤差最小。這就是整個(gè)模型系統(tǒng)的一個(gè)學(xué)習(xí)過程。

圖5 CNN網(wǎng)絡(luò)模型結(jié)構(gòu)圖

圖6 卷積操作池化說明圖

卷積池化操作是CNN 中重要的組成部分，上圖左圖中假設(shè)了4×5 大小的輸入矩陣數(shù)據(jù)，和3×3 的卷積核進(jìn)行卷積運(yùn)算的過程，得到信號(hào)的特征圖。上圖右圖是4×4 的特征層進(jìn)行2×2 最大池化的運(yùn)算過程。

CNN 的功能是從特定模型中提取特征，然后根據(jù)特征進(jìn)行分類識(shí)別、預(yù)測(cè)或做出決策。在此過程中，最重要的一步是特征提取，即如何提取能夠最好地區(qū)分事物的特征。如果提取的特征不能進(jìn)行分類，那么特征提取步驟將毫無意義。網(wǎng)絡(luò)模型中卷積層層數(shù)越多，更容易把握輸入信號(hào)的細(xì)微特征[6]。然而，在深度神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)中，應(yīng)該在每個(gè)階段考慮卷積層數(shù)和核大小，嘗試以最少的計(jì)算量獲得最佳結(jié)果，網(wǎng)絡(luò)設(shè)計(jì)需要平衡網(wǎng)絡(luò)結(jié)構(gòu)的寬度和深度。

對(duì)于相同的CNN 網(wǎng)絡(luò)結(jié)構(gòu)，迭代的次數(shù)，數(shù)據(jù)量的大小和學(xué)習(xí)率都會(huì)影響模型的分類結(jié)果和有效性。這些參數(shù)的設(shè)置都需要在實(shí)踐中不斷嘗試、不斷分析修改。在本實(shí)驗(yàn)中，設(shè)計(jì)的CNN 模型使用3 層卷積網(wǎng)絡(luò)層，卷積核大小為3×3，迭代次數(shù)為40，隨著訓(xùn)練量的變化調(diào)整參數(shù)大小。

3.2 每層輸入和輸出大小

輸入層：150×120 像素大小的信號(hào)星座圖。卷積層1（Conv1）：由 3×3 內(nèi)核生成的 148×118 個(gè)特征圖。池化層第 1 層（Pooling1）：從 2×2 區(qū)域進(jìn)行二次采樣后的74×59 個(gè)像素圖。卷積層 2（Conv2）：由 3×3 內(nèi)核生成的 72×57 個(gè)特征映射。池化層第 2 層（Pooling2）：從 2×2 區(qū)域進(jìn)行二次采樣后的36×28 個(gè)特征映射。卷積層3（Conv3）：由 3×3 內(nèi)核生成的 34×26 個(gè)特征映射。池化第 3 層（Pooling3）：從 2×2 區(qū)域進(jìn)行二次采樣后的17×13 個(gè)特征映射。完全連接層（F1atten）：從 Pooling 3的所有像素轉(zhuǎn)換的 14144 個(gè)節(jié)點(diǎn)，即 17×13×64=14144。Dense1：64，Dense2（輸出層 Output）7 個(gè)結(jié)點(diǎn)，Softmax 分類器分類輸出，輸出7 個(gè)節(jié)點(diǎn)，代表七種不同的調(diào)制方法。

3.3 星座圖

由于卷積和池化操作，CNN 可以從圖像細(xì)微差別中檢測(cè)到信號(hào)特征，來分類識(shí)別信號(hào)。我們使用七種最常用的調(diào)制方法（BPSK，QPSK，8PSK,QAM8,QAM16，QAM32，QAM64）作為例子來說明。從下圖可以看出，BPSK 信號(hào)星座圖分布在x=0 軸兩端，成2 個(gè)塊團(tuán)狀；QPSK 信號(hào)分布X 軸Y 軸正負(fù)兩側(cè)。呈現(xiàn)4 個(gè)團(tuán)塊狀；8PSK 分布成8 個(gè)塊團(tuán)，且每個(gè)塊團(tuán)離坐標(biāo)原點(diǎn)的距離相等，8 個(gè)塊團(tuán)形成了一個(gè)圓。QAM16 均勻分布在坐標(biāo)軸四個(gè)象限，每個(gè)現(xiàn)象有四個(gè)團(tuán)塊，共16 個(gè)團(tuán)塊。綜上所述，不同數(shù)字調(diào)制信號(hào)星座圖的幾何形狀不同，在實(shí)際工程中，通信工程師經(jīng)常會(huì)根據(jù)星座圖形狀來判斷信號(hào)的調(diào)制方式。

圖7 在SNR為10dB時(shí)BPSK、QPAK、8PSK、QAM8、QAM16、QAM64調(diào)制信號(hào)的星座圖

4 實(shí)驗(yàn)和結(jié)果

4.1 機(jī)器學(xué)習(xí)模型的選擇

實(shí)驗(yàn)時(shí)選擇了通信系統(tǒng)中常用的七種調(diào)制方式，并在不同數(shù)量的訓(xùn)練集下進(jìn)行訓(xùn)練分類識(shí)別測(cè)試?；谄渌芯咳藛T以前的工作，知道卷積神經(jīng)網(wǎng)絡(luò)具有計(jì)算復(fù)雜度低和識(shí)別準(zhǔn)確率高的優(yōu)點(diǎn)[7-8]。特別是在圖像處理領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)更是具有其他模型結(jié)構(gòu)不可替代的效果，實(shí)驗(yàn)中選擇卷積神經(jīng)網(wǎng)絡(luò)模型來訓(xùn)練星座圖。

4.2 圖片尺寸

當(dāng)執(zhí)行CNN 圖像分類時(shí)，不可避免地要考慮模型輸入圖像的大小，圖像越大，模型計(jì)算量就越大，分類識(shí)別也就越耗時(shí)；圖像太小又會(huì)看不清圖像幾何輪廓，影響模型判斷識(shí)別。經(jīng)過多次反復(fù)嘗試，最終確定輸入的星座圖像大小為150×120 像素。

4.3 圖片類型

為了得到最佳分類識(shí)別效果，選擇信號(hào)不同的特征圖，分別進(jìn)行實(shí)驗(yàn)。選擇相同的信號(hào)，分別生成相同圖像大小的時(shí)域頻域星座圖形，利用相同的模型進(jìn)行訓(xùn)練測(cè)試，信噪比為8 時(shí)的識(shí)別效果如下表1 所示。從表1 可以看出，星座圖具有更好的特征表現(xiàn)效果。

表1 當(dāng)SNR 為8dB 時(shí)，不同的特征圖像分類識(shí)別精度

在某一信噪比下，訓(xùn)練集中包含了7 種調(diào)制方式信號(hào)星座圖，每種調(diào)制方式400 張圖片，共2800 張星座圖片。驗(yàn)證集數(shù)量和訓(xùn)練集一樣，總共也是2800 張圖片。測(cè)試集包含7 種調(diào)制方式信星座圖，每種信號(hào)200 張圖片，總共有1400 張圖片。部分信噪比下，模型的訓(xùn)練表現(xiàn)如圖8 所示。

圖8 不同信噪比下的訓(xùn)練表現(xiàn)

如圖8 所示，不同信噪比下的信號(hào)隨著訓(xùn)練迭代次數(shù)的增加，模型的損失值越來越小，模型驗(yàn)證的準(zhǔn)確率越來越高。信號(hào)信噪比較低時(shí)，損失函數(shù)起始瞬時(shí)值較大，損失值下降較慢。在-20dB 和-6dB 時(shí)，信號(hào)起始損失值均大于1.5。信噪比較低時(shí)，模型的驗(yàn)證準(zhǔn)確率也較低，比如在-20dB 是，模型的準(zhǔn)確率在76%左右。

4.4 驗(yàn)證結(jié)果

在每個(gè)SNR 下，選擇七種調(diào)制方式共1400 張圖片輸入到已經(jīng)訓(xùn)練的模型網(wǎng)絡(luò)中進(jìn)行分類識(shí)別，實(shí)驗(yàn)結(jié)果如圖9。

圖9 不同信噪比下的測(cè)試表現(xiàn)

從實(shí)驗(yàn)結(jié)果來看，利用星座圖特征，基于卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別模型識(shí)別準(zhǔn)確率高。在-20dB 下，識(shí)別效果得到77%，-10dB 及以上，模型的分類識(shí)別準(zhǔn)確率趨近100%。分類效果遠(yuǎn)優(yōu)于傳統(tǒng)分類方法。

5 結(jié)語

在圖像分類領(lǐng)域，CNN 訓(xùn)練模型具有其他機(jī)器學(xué)習(xí)方法所不具備的優(yōu)點(diǎn)。通信信號(hào)星座圖蘊(yùn)藏著調(diào)制特征信息，卷積神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的特征學(xué)習(xí)能力，利用卷積神經(jīng)網(wǎng)絡(luò)模型能夠很好的實(shí)現(xiàn)調(diào)制分類識(shí)別。本文提出的一種基于CNN 的信號(hào)調(diào)制方式識(shí)別方法，選用七種常用的數(shù)字調(diào)制信號(hào)進(jìn)行實(shí)驗(yàn)，結(jié)果表明該方法能夠高效準(zhǔn)確實(shí)現(xiàn)信號(hào)調(diào)制方式自動(dòng)識(shí)別。與其他調(diào)制分類方法相比，CNN 使用少量數(shù)據(jù)集圖片，花費(fèi)較少的訓(xùn)練時(shí)間，即可獲得理想的分類結(jié)果。對(duì)于信噪比大于-10dB 的信號(hào)，模型分類準(zhǔn)確率接近100%。結(jié)果表明，本文提出的分類識(shí)別方法切實(shí)有效。同時(shí)，它還為我們提供了一種新的思維方式，當(dāng)一維數(shù)據(jù)信號(hào)進(jìn)行實(shí)驗(yàn)效果不佳時(shí)，我們可以考慮換種思路，例如增加特征的維度，將一維數(shù)據(jù)轉(zhuǎn)換成二維圖像，可以從二維圖像方面著手開始解決問題，可能效果會(huì)變得更好。

6 未來工作

實(shí)驗(yàn)結(jié)果比傳統(tǒng)專家系統(tǒng)產(chǎn)生了更好的結(jié)果，但對(duì)于新興的機(jī)器學(xué)習(xí)領(lǐng)域（深度學(xué)習(xí)），信號(hào)處理缺乏大量真實(shí)有效帶標(biāo)簽的數(shù)據(jù)。本文在實(shí)驗(yàn)中使用的數(shù)據(jù)采用仿真產(chǎn)生，與實(shí)際接收的通信信號(hào)數(shù)據(jù)之間存在差異，特別是實(shí)際信號(hào)中的頻偏、相偏、多徑干擾等，都會(huì)對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生影響。僅依靠機(jī)器學(xué)習(xí)（深度學(xué)習(xí)）本身并不是有效的解決方案，期待能夠在不久的將來結(jié)合機(jī)器學(xué)習(xí)方法與信號(hào)處理方法，在通信信號(hào)處理領(lǐng)域取得突破。雖然我們也在努力優(yōu)化CNN 的網(wǎng)絡(luò)結(jié)構(gòu)，不斷調(diào)整模型參數(shù)，但仍然有很大的空間來優(yōu)化模型，以期達(dá)到最佳的分類結(jié)果。例如卷積層的層數(shù)增加，卷積核的大小變化，迭代次數(shù)修改等。當(dāng)然，在實(shí)驗(yàn)中將訓(xùn)練數(shù)據(jù)集從一維數(shù)據(jù)轉(zhuǎn)換為二維圖像是一種處理思想上的突破。研究人員[9]已經(jīng)在時(shí)域和頻域進(jìn)行了語音信號(hào)分析，無論數(shù)據(jù)信號(hào)是否可以轉(zhuǎn)換到其他域進(jìn)行訓(xùn)練分析，或者轉(zhuǎn)換為多維域進(jìn)行測(cè)試和分析，還有很多工作需要去做。