呂 熒

（駐廣州第二軍事代表室，廣東 廣州 510000）

0 引 言

在現(xiàn)代無線通信中，信號調(diào)制盲識別具有重要的作用。隨著電磁環(huán)境的日益復(fù)雜，正確識別出通信信號的調(diào)制類型是實現(xiàn)后續(xù)解調(diào)和譯碼的前提。因此，對于認(rèn)知無線電[1]與非合作通信系統(tǒng)，調(diào)制盲識別作為一項關(guān)鍵技術(shù)有著很高的研究價值。信號調(diào)制識別技術(shù)在軍事和民用通信領(lǐng)域的應(yīng)用十分廣泛，如無線電監(jiān)測、干擾源辨別分析、智能信號傳輸和網(wǎng)絡(luò)電磁對抗等方面。美軍聯(lián)合戰(zhàn)術(shù)無線電系統(tǒng)JTRS中運用調(diào)制識別算法對信號樣式進行識別，從而提供給各類電臺之間相互通信的重要波形類別參數(shù)。在2016年自適應(yīng)認(rèn)知電子戰(zhàn)行為學(xué)習(xí)（Behavior of Learning and Adaptive Detection in Electronic-war，BLADE）項目中，其裝備將實時分析調(diào)制類型等，能夠快速識別并描述威脅信號。在民用監(jiān)測接收機方面，德國R&S公司的ESMD、美國Keysight公司的E3238S分析儀等，都通過調(diào)制盲識別技術(shù)獲取采集數(shù)據(jù)的調(diào)制類型，有助于開展頻譜管理任務(wù)。調(diào)制盲識別方法也可用于電子對抗中對雷達(dá)脈內(nèi)識別的實現(xiàn)，為判別雷達(dá)個體目標(biāo)屬性（Specific Emitter Identification，SEI）等工作打下了基礎(chǔ)。開展調(diào)制盲識別技術(shù)研究，已受到了許多國內(nèi)外研究學(xué)者與機構(gòu)的高度重視和關(guān)注。

傳統(tǒng)的調(diào)制盲識別技術(shù)包括基于統(tǒng)計特征的方法和基于最大似然準(zhǔn)則的方法[2]。一般來說，基于統(tǒng)計特征的方法的思路是依靠接收數(shù)據(jù)的統(tǒng)計模型，使用概率論等得出信號的特征參數(shù)。一些新思路則可以通過基于機器學(xué)習(xí)等良好的人工智能分類決策方法實現(xiàn)識別。這類算法能夠在缺乏先驗知識的情況下，利用數(shù)據(jù)學(xué)習(xí)模型進行訓(xùn)練，可以獲得較好的分類性能。信號的調(diào)制盲識別在本質(zhì)上可分成兩個步驟：特征提取與分類。其中，過去常用的分類器有決策樹、支持向量機（Support Vector Machine，SVM）等，但是在實際環(huán)境中識別性能并不理想。以前的一些算法多集中在高斯白噪聲信道情況下的分析，而在衰落信道中識別率將明顯降低。因此，本文提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的改進識別思路。該算法首先通過對實際復(fù)雜信道中的信號多種統(tǒng)計特征進行分析，合理選取出與調(diào)制信號具有強相關(guān)性的特征，然后將挖掘的統(tǒng)計特征數(shù)據(jù)輸入深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）分類器，利用其高維尺度適于對復(fù)雜數(shù)據(jù)結(jié)構(gòu)分類的優(yōu)勢，可以得到在衰落信道中的更好識別效果。新方法在低信噪比條件下正確識別率較優(yōu)，可識別BPSK、QPSK、8PSK、16QAM和64QAM等多種調(diào)制信號，在處理過程中還進行了優(yōu)化，減少了運算開銷，具有工程實用性。

1 信號模型分析

數(shù)字基帶信號r(t)的計算模型通?？杀硎緸椋?/p>

其中Ts表示數(shù)字信號的符號周期，ak表示調(diào)制的信息符號，n(t)表示噪聲信號。s(t)為信號總的脈沖響應(yīng)，包括脈沖成型濾波器、匹配濾波器和信道沖激響應(yīng)等。在衰落信道中，s(t)的幅度是時變的，且變化量由多普勒頻偏fc確定。接收端信號的離散樣本點可由對信號r(t)在t=nT時刻進行采樣得到，其中T表示采樣周期，Ts/T表示過采樣因子。

圖1為流程框圖。首先把系統(tǒng)接收端的通信信號進行濾波、正交變頻等預(yù)處理操作，然后通過從信號樣本中提取有用的參數(shù)特征，包含時頻域特征和其他各種變換域特征。對于復(fù)雜的電磁環(huán)境，預(yù)處理模塊能夠在一定程度上實現(xiàn)去噪、去干擾等，保證特征參數(shù)提取模塊輸入合適的信號數(shù)據(jù)。在調(diào)制分類部分，需精確區(qū)別判斷信號樣式，因此設(shè)計合適的分類思路十分關(guān)鍵，會影響調(diào)制樣式識別正確率。通常有統(tǒng)計模式結(jié)構(gòu)分類思路、神經(jīng)網(wǎng)絡(luò)型結(jié)構(gòu)分類思路以及決策型結(jié)構(gòu)分類思路等，其中決策型結(jié)構(gòu)分類思路實現(xiàn)比較簡單，更符合工程實際應(yīng)用。

圖1 信號調(diào)制樣式識別總體流程

2 算法分析與改進

2.1 特征提取方法分析

特征提取作為調(diào)制識別中的重要部分，可為后續(xù)待開展的識別分類工作提供正確的參數(shù)特征基礎(chǔ)[3-4]。

為了提供豐富的調(diào)制類型信息，本文分析選取了多種統(tǒng)計特征，包括高階累積量特征、互熵特征和偏斜度特征等。

2.1.1 高階累積量特征

設(shè)Cnm表示m個共軛變量的n階累積量，則n個變量x1,…,xn的聯(lián)合累積量可表示為：

其中，π在集合{1,…,n}的所有分區(qū)列表中運行，B遍歷π的分區(qū)中所有塊的列表，E(·)代表數(shù)學(xué)期望運算符。

對2階累積量進行計算的表達(dá)式為：

對4階累積量進行計算的表達(dá)式為：

對6階累積量進行計算的表達(dá)式為：

2.1.2 偏斜度特征

這兩種特征都可由標(biāo)準(zhǔn)差計算推導(dǎo)得出。偏斜度變換量σv可表示為：

其中，var(.)代表數(shù)學(xué)方差運算符，r(nT)表示信號在t=nT時刻的離散樣本。

2.1.3 互熵特征

調(diào)制類型的互相關(guān)性可用特征和類標(biāo)簽之間的互熵信息進行計算，第i個特征xi與類標(biāo)簽c之間的互熵特征計算式可表示為：

上述3種特征，在缺少聯(lián)合分布P(xi,c)先驗信息的情況下，可通過Pazen加窗方法實現(xiàn)對互熵的定量估計。調(diào)制類型的相關(guān)性越強，互熵的值越大。設(shè)衰落信道中的多普勒頻偏為100 Hz，表1給出了高斯信道和衰落信道環(huán)境中28個特征互熵信息計算值的遞減順序。

表1 兩種信道中的互熵秩

2.2 神經(jīng)網(wǎng)絡(luò)分類器分析

深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，DNN）是一種典型的機器學(xué)習(xí)算法，常用于對數(shù)據(jù)進行分類，利用其高維尺度適于對復(fù)雜數(shù)據(jù)結(jié)構(gòu)分類的優(yōu)勢，得到優(yōu)良的識別效果?；谏疃壬窠?jīng)網(wǎng)絡(luò)的信號樣本訓(xùn)練器，通常采用基于反向傳播類型的神經(jīng)網(wǎng)絡(luò)進行數(shù)據(jù)信號樣本的訓(xùn)練，且用負(fù)對數(shù)似然函數(shù)作為代價函數(shù)，因此可在衰落信道中得到優(yōu)化訓(xùn)練的樣本數(shù)據(jù)。一般可選擇20%的數(shù)據(jù)用于評估檢驗。當(dāng)檢驗誤差在迭代過程中減少時，學(xué)習(xí)速率也將降低。實際處理時，使用16 000個信號特征向量訓(xùn)練神經(jīng)網(wǎng)絡(luò)，其中20%用于驗證，從而可用10 000個測試樣本評價分類精度，初始學(xué)習(xí)率設(shè)為0.01，訓(xùn)練單元包含的樣本數(shù)量設(shè)為50。

圖2為一種對BPSK、QPSK、8PSK、16QAM和64QAM調(diào)制信號的深度神經(jīng)網(wǎng)絡(luò)分類器結(jié)構(gòu)圖。

圖2 使用神經(jīng)網(wǎng)絡(luò)的分類結(jié)構(gòu)

圖2 的神經(jīng)網(wǎng)絡(luò)分類器具有4層隱層的全連接前饋結(jié)構(gòu)，可使用校正線性單位函數(shù)作為非線性函數(shù)。輸入到輸出各層的隱含節(jié)點數(shù)分別設(shè)為500、200、40和5。在輸出層，可選用歸一化指數(shù)函數(shù)（softmax）生成與前述待識別的5種調(diào)制樣式的相關(guān)概率統(tǒng)計數(shù)。處理時應(yīng)將輸入到神經(jīng)網(wǎng)絡(luò)中的各個信號特征向量元素進行歸一化，能夠得到以最大概率輸出的調(diào)制識別結(jié)果。不同于其他類型的分類識別思路，DNN分類器在特征空間維數(shù)較高的情況下也能很好地從大量特征中提取有用信息，并提供良好的識別性能。

3 仿真結(jié)果及性能分析

仿真參數(shù)如下：采樣率200 MHz，頻率70 MHz，碼速率1 Mb/s，樣本點數(shù)8 192，仿真次數(shù)2 000次，噪聲為高斯白噪聲。采用本文方法進行信號調(diào)制樣式識別，得出正確識別率，仿真結(jié)果如圖3所示。

從圖3可以看出，本文方法是一種有效的信號調(diào)制樣式識別方法。在SNR＞5 dB時，對各調(diào)制種類的識別正確概率可達(dá)到90%以上。

圖3 此處方法對各調(diào)制樣式的正確識別率曲線

對過去的傳統(tǒng)基于最大似然判決方法和本文的方法進行性能仿真比較，橫軸表示信噪比，縱軸表示調(diào)制樣式的平均識別率，結(jié)果如圖4所示。

圖4 本文中方法與過去傳統(tǒng)方法的性能比較

可以得出，新方法比起過去一些調(diào)制樣式識別方法，性能表現(xiàn)更優(yōu)。

4 結(jié) 語

隨著通信技術(shù)的不斷發(fā)展，信號的調(diào)制類型變得復(fù)雜多樣，并需要考慮實際信道環(huán)境，從而對調(diào)制類型盲識別研究提出了更高要求。本文提出了一種基于多種特征提取結(jié)合深度神經(jīng)網(wǎng)絡(luò)（DNN）分類器的融合改進方法。仿真表明，該方法相對于傳統(tǒng)的識別算法能夠改善調(diào)制盲識別的分析性能。今后將進一步優(yōu)化，為解決信號調(diào)制盲識別問題提供一種更有效的手段，并且為網(wǎng)電對抗領(lǐng)域的研究貢獻(xiàn)力量。