王 鵬，張君毅，趙國(guó)慶

(1.中國(guó)電子科技集團(tuán)公司第五十四研究所，河北 石家莊 050081；2.西安電子科技大學(xué) 電子工程學(xué)院，陜西 西安 710071)

0 引言

通信信號(hào)調(diào)制識(shí)別的主要任務(wù)是通過(guò)對(duì)截獲到的通信信號(hào)樣本進(jìn)行信號(hào)分析和判別進(jìn)而確定通信信號(hào)調(diào)制方式、調(diào)制采用的參數(shù)以及其他所需的信號(hào)參數(shù)，為進(jìn)一步的通信信號(hào)處理分析提供依據(jù)，在頻譜監(jiān)測(cè)管理、通信偵察、電子對(duì)抗和無(wú)線(xiàn)電監(jiān)測(cè)等領(lǐng)域具有廣泛的應(yīng)用。其中，調(diào)制方式作為區(qū)別不同體制通信信號(hào)的一個(gè)重要特征，對(duì)其進(jìn)行識(shí)別是通信信號(hào)調(diào)制識(shí)別的一項(xiàng)基本任務(wù)，具有重要的研究意義。

針對(duì)通信信號(hào)調(diào)制方式識(shí)別的問(wèn)題，國(guó)內(nèi)外學(xué)者提出了大量的方法，實(shí)現(xiàn)了通信信號(hào)調(diào)制方式識(shí)別由早期的人工方式到基于機(jī)器學(xué)習(xí)的自動(dòng)化識(shí)別的跨越式發(fā)展[1-7]。在實(shí)際實(shí)踐中，現(xiàn)有基于機(jī)器學(xué)習(xí)的通信信號(hào)調(diào)制方式識(shí)別主要由數(shù)據(jù)預(yù)處理、特征提取、特征選擇、分類(lèi)器設(shè)計(jì)、模型訓(xùn)練和模型應(yīng)用等步驟組成。然而，特征提取與選擇需要非常強(qiáng)的專(zhuān)業(yè)知識(shí)背景和極高的技巧，并且需要根據(jù)訓(xùn)練結(jié)果進(jìn)行多次調(diào)整，亟需更具普適性的替代方法[8-9]。針對(duì)這一問(wèn)題，本文利用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)特征的自動(dòng)抽取和表達(dá)，并基于自學(xué)習(xí)的特征設(shè)計(jì)了分類(lèi)器，實(shí)現(xiàn)了通信信號(hào)調(diào)制方式的識(shí)別，最后進(jìn)行了仿真實(shí)驗(yàn)，仿真結(jié)果表明了該方法的有效性。

1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)的研究經(jīng)歷了理論提出階段、模型實(shí)現(xiàn)階段以及廣泛應(yīng)用階段[10-11]，在圖像分類(lèi)[12]、語(yǔ)音識(shí)別[13-14]和文本處理[15-18]等領(lǐng)域取得了較好的應(yīng)用效果，是當(dāng)前學(xué)術(shù)界的關(guān)注焦點(diǎn)之一。經(jīng)典的CNN結(jié)構(gòu)如圖1所示，包含了卷積層、池化層、全連接層和輸出層等。其中，卷積層是利用卷積核提取特征，得到特征圖；而池化層則是對(duì)特征圖按照特定方式進(jìn)行降采樣處理，減小規(guī)模的同時(shí)保留有用信息，使得CNN具備抗畸變能力，提高網(wǎng)絡(luò)的魯棒性；全連接層一般位于網(wǎng)絡(luò)尾端，對(duì)前面逐層變換和映射得到的特征進(jìn)行回歸分類(lèi)等處理，實(shí)現(xiàn)輸出。

圖1 CNN結(jié)構(gòu)

2 基于CNN的調(diào)制方式識(shí)別新方法

為實(shí)現(xiàn)通信信號(hào)調(diào)制方式的識(shí)別，本文建立了如圖2所示的CNN網(wǎng)絡(luò)?？梢园l(fā)現(xiàn)，本文所建網(wǎng)絡(luò)模型由1層輸入層、2層卷積層、2層池化層、1層全連層和1層輸出層組成。

本文所提模型的輸入為IQ兩路原始采樣數(shù)據(jù)，卷積層對(duì)IQ兩路數(shù)據(jù)進(jìn)行卷積實(shí)現(xiàn)調(diào)制樣式分類(lèi)特征的自學(xué)習(xí)，池化層對(duì)自學(xué)習(xí)特征進(jìn)行降采樣提高分類(lèi)特征的魯棒性，最后將自學(xué)習(xí)的分類(lèi)特征輸入設(shè)計(jì)的分類(lèi)器，輸出當(dāng)前特征對(duì)應(yīng)調(diào)制樣式的概率，最終實(shí)現(xiàn)調(diào)制樣式的識(shí)別?？梢?jiàn)，上述模型以原始采樣數(shù)據(jù)為輸入，避免了傳統(tǒng)識(shí)別算法中特征的提取、選擇與組合過(guò)程。

第1層卷積層的卷積核大小為1×5 ，特征圖層數(shù)為64，激勵(lì)函數(shù)為如式(1)所示的ReLu函數(shù)；第1層池化層的核大小為2×2，采用最大池化法；第2層卷積層的卷積核大小為1×5，特征圖層數(shù)為32；第2層池化層的核大小為1×2，采用最大池化法；全連層的神經(jīng)元個(gè)數(shù)為128，激勵(lì)函數(shù)為如式(2)所示的Sigmoid函數(shù)；輸出層采用Softmax回歸多分類(lèi)，代價(jià)函數(shù)采用交叉熵函數(shù)，如式(3)、式(5)所示。

ReLu函數(shù)：

f(x)=max(0，x)。

(1)

Sigmoid函數(shù)：

(2)

對(duì)于給定的訓(xùn)練集{(x1，y1)，(x2，y2)，...，(xm，ym)}，yi∈{1，2，...，k}，k表示分類(lèi)的類(lèi)別。對(duì)于給定測(cè)試輸入數(shù)據(jù)xi，利用假設(shè)函數(shù)來(lái)對(duì)每一個(gè)類(lèi)別估算出概率值p(yi=j|xi) ，得到如下輸出向量：

(3)

式中，w表示模型的參數(shù)。為了更加清晰地述代價(jià)函數(shù)，首先定義一個(gè)示性函數(shù)，其取值規(guī)則如下：

(4)

則代價(jià)函數(shù)可以表示為：

(5)

圖2 用于調(diào)制方式識(shí)別的CNN網(wǎng)絡(luò)結(jié)構(gòu)

3 信號(hào)模型與數(shù)據(jù)樣本

3.1 信號(hào)模型

調(diào)制后信號(hào)s(t)的復(fù)包絡(luò)可以統(tǒng)一表示為：

s(t)=A(t)exp(jφ(t))，

(6)

式中，A(t)為信號(hào)的幅度；φ(t)為信號(hào)的相位，其具體方式由調(diào)制方式?jīng)Q定。式(6)給出了信號(hào)的解析形式，稱(chēng)其實(shí)部為同相分量，虛部為正交分量，如式(10)、式(11)所示：

sI(t)=Re{s(t)}=A(t)cos(φ(t))，

(7)

sQ(t)=Im{s(t)}=A(t)sin(φ(t))。

(8)

為了更好地描述真實(shí)世界中各種因素對(duì)信號(hào)的影響，本文采用如下所示的信號(hào)模型：

(9)

式中，n0(t)為由頻率振蕩器特性不一致而引起的載波變化；n1(t)為由時(shí)鐘振蕩器特性不一致而引起采樣變化；h(t)表示時(shí)變的信道沖激響應(yīng)；n(t)表示噪聲。具體的信號(hào)產(chǎn)生方法詳見(jiàn)文獻(xiàn)[19]，根據(jù)該方法產(chǎn)生的公開(kāi)數(shù)據(jù)集詳見(jiàn)www.deepsig.io/datasets。

3.2 數(shù)據(jù)樣本

為實(shí)現(xiàn)算法性能的驗(yàn)證，本文采用文獻(xiàn)[16]中所公開(kāi)的數(shù)據(jù)集[13]作為樣本數(shù)據(jù)。數(shù)據(jù)樣本集包含3種模擬調(diào)制(WB-FM，AM-SSB，AM-DSB)和8種數(shù)字調(diào)制(BPSK，QPSK，8PSK，16QAM，64QAM，GFSK，CPFSK，PAM4)共11種調(diào)制方式的信號(hào)樣本數(shù)據(jù)。其中，每種調(diào)制方式數(shù)據(jù)的信噪比范圍均為-20～18 dB，信噪比步進(jìn)為2 dB。在不同的信噪比條件下，每種調(diào)試方式的信號(hào)樣本均由IQ兩路組成，每路數(shù)據(jù)的采樣點(diǎn)數(shù)為128，包含8～16個(gè)數(shù)字碼元，每個(gè)碼元的過(guò)采樣率為8。在樣本數(shù)據(jù)集中，所有調(diào)制方式信號(hào)的數(shù)據(jù)共162 060組；此外，樣本數(shù)據(jù)集綜合考慮了式(9)所示的多徑衰落以及頻率選擇性衰落所引起的接收信號(hào)在幅度、頻率、相位及時(shí)間延遲方面的影響，與真實(shí)環(huán)境中各類(lèi)因素對(duì)通信信號(hào)傳輸?shù)挠绊懯仲N近。

4 仿真實(shí)驗(yàn)

為驗(yàn)證本文所提算法的有效性，利用3.2中所述的通信信號(hào)公開(kāi)數(shù)據(jù)集對(duì)本文所提算法和文獻(xiàn)[16]中的算法進(jìn)行了仿真，并從計(jì)算復(fù)雜度和識(shí)別性能兩方面進(jìn)行了對(duì)比。其中，為提高算法的魯棒性和計(jì)算效率，在本文所提算法及文獻(xiàn)[16]算法的訓(xùn)練過(guò)程中均采用Mini-Batch方法，Batch的大小為1 024，即將所有的訓(xùn)練數(shù)據(jù)集以1 024個(gè)數(shù)據(jù)樣本為單位進(jìn)行隨機(jī)組合，對(duì)一組數(shù)據(jù)進(jìn)行訓(xùn)練后對(duì)模型參數(shù)進(jìn)行更新，當(dāng)整個(gè)數(shù)據(jù)集訓(xùn)練完成后稱(chēng)為1次訓(xùn)練。本文所提算法與文獻(xiàn)[16]算法的訓(xùn)練次數(shù)都設(shè)定為100次。本文采用隨機(jī)梯度法對(duì)所提算法中代價(jià)函數(shù)進(jìn)行優(yōu)化，并分析討論了不同學(xué)習(xí)步長(zhǎng)對(duì)算法性能的影響。為實(shí)現(xiàn)算法的性能驗(yàn)證，隨機(jī)抽取數(shù)據(jù)集中70%的樣本作為訓(xùn)練樣本，并隨機(jī)選擇訓(xùn)練樣本中的10%作為驗(yàn)證樣本，剩余的30%作為測(cè)試樣本。

4.1 計(jì)算復(fù)雜度

為體現(xiàn)本文所提算法在計(jì)算復(fù)雜度方面的優(yōu)越性，本文首先從模型網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度方面進(jìn)行了理論分析。為實(shí)現(xiàn)調(diào)制樣式的識(shí)別，文獻(xiàn)[16]所提算法需完成2 830 427個(gè)模型參數(shù)的訓(xùn)練，而本文所提算法僅需完成143 275個(gè)模型參數(shù)的訓(xùn)練，模型參數(shù)訓(xùn)練量?jī)H為前者的5.06%左右，極大地降低了網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜度，可有效提高識(shí)別算法的計(jì)算效率。為進(jìn)一步驗(yàn)證本文所提算法在計(jì)算復(fù)雜度方面的優(yōu)越性，在配置為8G內(nèi)存、i7處理器的計(jì)算機(jī)上對(duì)文獻(xiàn)[16]算法和本文所提算法進(jìn)行了仿真。仿真結(jié)果表明，文獻(xiàn)[16]所提算法完成一次訓(xùn)練所需時(shí)間為410 s左右，而本文所提算法完成一次訓(xùn)練所需時(shí)間僅為30 s左右，是前者的7.31%，與前述理論分析結(jié)果基本一致。這就說(shuō)明，相比文獻(xiàn)[16]所提算法，本文算法可大幅提高調(diào)制樣式的識(shí)別效率。

4.2 識(shí)別性能

圖3給出了不同算法在不同信噪比條件下對(duì)不同調(diào)制方式的識(shí)別結(jié)果。其中，CNN1表示本文所提模型中隨機(jī)梯度學(xué)習(xí)算法的學(xué)習(xí)步長(zhǎng)為0.1，CNN2表示本文所提模型中隨機(jī)梯度學(xué)習(xí)算法的學(xué)習(xí)步長(zhǎng)為0.01。

從圖3中結(jié)果可以看出，不同的學(xué)習(xí)步長(zhǎng)對(duì)本文所提算法的識(shí)別效果具有一定的影響?？傮w來(lái)說(shuō)，CNN2的調(diào)制識(shí)別效果比CNN1的調(diào)制識(shí)別效果略有提高(見(jiàn)圖3(a))，在BPSK的識(shí)別上體現(xiàn)的尤為明顯。

同時(shí)，從圖3中可以看出，本文所提算法對(duì)不同調(diào)制方式的識(shí)別結(jié)果存在著較大的差異。具體來(lái)說(shuō)，對(duì)11種調(diào)制方式中的AM-SSB、BPSK、GFSK、PAM4、16QAM、64QAM識(shí)別效果較好，在0 dB左右即可達(dá)到90%甚至接近100%的正確識(shí)別率；而對(duì)AM-DSB、8PSK、WBFM等調(diào)試方式的識(shí)別效果較差，在高信噪比條件下也只有70%左右的正確識(shí)別率，且算法性能不穩(wěn)定。

此外，從圖3中還可以看出，與文獻(xiàn)[16]所提算法識(shí)別性能相比，本文算法除在8PSK、BPSK、CPFSK等調(diào)制方式的識(shí)別正確率上存在明顯差異且互有高低外，在其它調(diào)制方式識(shí)別上基本相當(dāng)，對(duì)11種調(diào)制方式的平均正確識(shí)別率也基本相當(dāng)。

因此，結(jié)合4.1節(jié)中算法計(jì)算復(fù)雜度的分析，本文所提算法在與文獻(xiàn)[16]所提算法在保持識(shí)別性能相當(dāng)?shù)耐瑫r(shí)，大幅降低了算法的計(jì)算復(fù)雜度與運(yùn)行時(shí)間，更加有利于基于深度學(xué)習(xí)的調(diào)制方式識(shí)別算法的工程化。

(a) 8PSK

(b) AM-DSB

(c) AM-SSB

(d) BPSK

(e) CPFSK

(f) GFSK

(g) PAM4

(h) 16QAM

(i) 64QAM

(j) QPSK

(k) WBFM

(l) 平均正確率

5 結(jié)束語(yǔ)

調(diào)制方式作為區(qū)別不同體制通信信號(hào)的一個(gè)重要特征，是通信信號(hào)調(diào)制識(shí)別的一項(xiàng)基本任務(wù)，具有重要的研究意義。為了避免傳統(tǒng)算法中對(duì)特征的提取與選擇問(wèn)題，本文構(gòu)建了一種基于卷積神經(jīng)網(wǎng)絡(luò)的調(diào)制方式模型，實(shí)現(xiàn)了分類(lèi)特征的自學(xué)習(xí)與調(diào)制樣式的識(shí)別。仿真結(jié)果表明了本文所提算法的有效性和可行性，同時(shí)也表明本文算法在性能穩(wěn)定性、不同調(diào)制方式識(shí)別能力差異等方面尚存在一定的問(wèn)題，這也是下一步工作的研究重點(diǎn)。