黎仁剛，侯坤元，冷鵬飛，姚 群

（中國船舶重工第723研究所，江蘇揚州225000）

0 引言

雷達信號識別是電子對抗及電子偵察中的重要環(huán)節(jié),在電子戰(zhàn)中具有十分重要的地位和作用。只有充分掌握敵方雷達的信息,才能贏得現(xiàn)代戰(zhàn)爭的主動權(quán),從而占據(jù)電子戰(zhàn)領(lǐng)域的制高點,這就使得雷達和通信信號調(diào)制識別成為現(xiàn)代電子偵察系統(tǒng)中重要的研究方向。國內(nèi)外的信號調(diào)制識別方法分為：基于準優(yōu)化對數(shù)似然比的調(diào)制方式識別算法[1]、基于信號瞬時特征量識別、基于循環(huán)譜分析的識別算法[2]、基于高階累積量識別[3]等。隨著近年來人工智能技術(shù)的快速發(fā)展，深度神經(jīng)網(wǎng)絡(luò)在各個領(lǐng)域大放光彩，包括自然語言處理、圖像分類等。深度學習擅長發(fā)現(xiàn)高維數(shù)據(jù)的潛在結(jié)構(gòu)和模式，而且需要較少的領(lǐng)域知識，省去了大量提取特征的時間。其中卷積神經(jīng)網(wǎng)絡(luò)（CNN）被證明在數(shù)據(jù)的深層次特征提取、表示構(gòu)建方面有很好的效果。

最早在神經(jīng)網(wǎng)絡(luò)信號調(diào)制識別分類器中，特別是在CNN分類器中，一般根據(jù)CNN對圖片識別的原理，對接收到的信號進行預(yù)處理，生成循環(huán)譜圖或者星座圖[4]等，并將生成的圖形作為CNN網(wǎng)絡(luò)的輸入，通過卷積層和子采樣層交替進行對循環(huán)譜圖或星座圖的特征提取并完成自動識別。2016年，Oshea提出了利用CNNs的框架對通信信號中的11種調(diào)制信號進行自動調(diào)制識別[5]，并且是對接收信號的原始采集數(shù)據(jù)進行自動學習分類，相比于傳統(tǒng)的機器學習算法，識別率有了很大的提升。利用信號的循環(huán)譜特征識別方法是早前比較受歡迎的識別方法，因為每一個調(diào)制信號的循環(huán)譜都是不一樣的，所以可以根據(jù)信號的循環(huán)譜中峰值個數(shù)排列方式等特點來對不同的調(diào)制信號進行識別[6-7]。

本文基于一維卷積神經(jīng)網(wǎng)絡(luò)1DCNN(1 Dimension CNN)對電子偵察系統(tǒng)接收到的中頻數(shù)據(jù)進行信號調(diào)制樣式識別。

1 中頻信號及預(yù)處理

本文采用的電子對抗軟件無線電結(jié)構(gòu)如圖1所示，天線接收到的射頻信號經(jīng)過接放大和與本振混頻后下變頻為中頻信號，中頻信號經(jīng)過A/D采樣，采樣后的數(shù)據(jù)進行預(yù)處理送入卷積神經(jīng)網(wǎng)絡(luò)進行調(diào)制樣式的分類識別。

圖1 電子對抗系統(tǒng)結(jié)構(gòu)框圖

1.1 雷達和通信信號

本文采取9種調(diào)制類型分別為：雷達脈內(nèi)調(diào)制BPSK和QPSK、線性調(diào)頻信號、非線性調(diào)頻信號、通信BPSK和QPSK、FSK、ASK、16QAM。雷達信號輻射功率變化范圍大，信號帶寬范圍很大。通信信號發(fā)射功率較小，信號帶寬較窄。

設(shè)定射頻信號載波頻率變化范圍為2～3 GHz，碼元速率為10 kbps～1 Mbps。噪聲環(huán)境是10 dB高斯白噪聲。對于通信信號用升余弦濾波器做基帶脈沖成型，升余弦滾降系數(shù)α=0.5，根據(jù)奈奎斯特準則可知，基帶傳輸中碼元速率最高是信道帶寬的2倍，所以設(shè)定濾波器帶寬為2.5MHz。

本文僅對通信BFSK信號的預(yù)處理方法進行闡述，其他調(diào)制信號的預(yù)處理方式類似，不予贅述。BFSK是二進制頻移鍵控（binary frequency shift keying）的簡稱，這種調(diào)制方式通過鍵控正弦載波的頻率傳輸二元符號。

BFSK信號是利用2個頻率f1和f2的正弦載波傳送符號 1、0，表述如下[8]：

式中，T b表示傳送一個比特數(shù)據(jù)的時間，容易看出，BFSK信號是2個頻率的正弦波交錯組合，可以表示為：

式中，A是載波振幅，m(t)是符號序列{an}的單極性NRZ基帶信號是幅度取反信號，這表明BFSK可看作2路互補的OOK信號疊加。

對于通信信號數(shù)字調(diào)制而言，在頻帶調(diào)制前需要經(jīng)進行脈沖成形，為抑制碼間串擾采用升余弦濾波器作脈沖成形處理，基帶脈沖成形如圖2所示。

圖2 基帶成形濾波

對基帶成形后的信號進行載波調(diào)制，選取載波頻率為2.5 GHz，調(diào)制結(jié)果如圖3所示。

圖3 載波調(diào)制

1.2 信號預(yù)處理

接收機處理后的中頻信號含有大量噪聲，應(yīng)采取有效辦法降低噪聲對分類識別結(jié)果的影響。同時中頻信號含有多種載頻參數(shù)，這些參數(shù)并不是調(diào)制識別的有效信息，所以應(yīng)進行預(yù)處理將其消除，提高識別結(jié)果的準確度同時避免訓練樣本數(shù)過大的問題。本文采取小波去噪方法進行軟降噪處理，并對中頻數(shù)據(jù)做共軛差分自相關(guān)和快速傅里葉變換（FFT），將得到的幅頻響應(yīng)和相頻響應(yīng)的數(shù)據(jù)做簡單處理后送入神經(jīng)網(wǎng)絡(luò)模型進行訓練。

1.2.1 信號去噪

本文采取小波變換的方法對信號進行硬閾值小波去噪[9]，小波去噪的流程圖如圖4所示。

圖4 小波去噪流程圖

對含有加性高斯白噪聲的BFSK信號去噪，結(jié)果如圖5所示。

圖5 小波去噪后中頻信號

1.2.2 延遲自相關(guān)處理

由于接收機接收的中頻信號含有載頻分量，對于調(diào)制識別而言，載頻分量是無用信息，若送入神經(jīng)網(wǎng)絡(luò)中訓練會增加網(wǎng)絡(luò)訓練的復雜度且需要大量樣本，因此預(yù)處理過程中要消去載頻參數(shù)。如圖6所示，考慮將復信號與其共軛信號差分相乘，對復信號進行A/D采樣后做共軛差分自相關(guān)，見式（3）：

式中，N表示延遲自相關(guān)的點數(shù)，與信號采樣率有關(guān)。采樣率越高，延遲點數(shù)越對應(yīng)時域信息越多。A、f、θ表示在2ASK、2FSK、BPSK調(diào)制中幅度、相位、頻率 ,A∈(A1,A2)，f∈ (f1,f2)，θ∈ (θ1,θ2)。

共軛相乘即消去載頻參數(shù)，延遲差分運算將后一個碼元信號和前一個碼元信號部分相乘，前后碼元相同時自相關(guān)函數(shù)為常復數(shù)Ae-j(fN+θ),當前后碼元不同時延遲相關(guān)函數(shù)表現(xiàn)調(diào)制信息。對于幅度和相位信號，共軛差分自相關(guān)處理后將不攜帶載頻信息，對于頻率調(diào)制信號共軛差分自相關(guān)處理后表現(xiàn)信號有不同頻率即FSK信號。

圖6 碼元序列延遲

對于雷達LFM和NLFM信號，它們的頻率一直在變化。延遲自相關(guān)信號如式（7）～（8）所示，其中f0表示初始頻率，k表示調(diào)頻斜率。

以BFSK信號為例，首先對BFSK信號進行希爾伯特變換得到復信號，即：

式中Hirbert(·)表示希爾伯特變換。

不同調(diào)制方式本質(zhì)的區(qū)別體現(xiàn)在載波的幅度、相位、頻率信息上。本文采用3 GHz采樣率，自相關(guān)延遲128點后結(jié)果如圖7所示，只在不同碼元變換處產(chǎn)生形狀畸變，體現(xiàn)不同碼元間頻率、幅度、相位的不同，所以差分自相關(guān)后的復信號包含調(diào)制的相位、幅度、頻率參數(shù),且自相關(guān)數(shù)據(jù)攜帶的調(diào)制信息表現(xiàn)為局部特征。

圖7 復信號共軛差分自相關(guān)

1.2.3 快速傅里葉變換

由于傳送信息序列是不確定隨機信號，共軛差分自相關(guān)后時域波形形狀太多，若直接把時域數(shù)據(jù)送入CNN網(wǎng)絡(luò)會增加計算量且需要大量樣本，泛化效果并不好。為消除時域信息隨機性帶來的泛化性能差的影響，本文將對共軛差分自相關(guān)后得到的復信號作快速傅里葉變換（FFT）得到頻域信息，從而消除了時域上的較大差異性，圖8、圖9是BFSK信號的不同碼元序列自相關(guān)時域和頻域圖。可以看到頻域上變化很小，但是時域波形差異較大。

圖8 不同碼元序列自相關(guān)頻域圖

圖9 碼元序列自相關(guān)時域圖

圖10 ～14為2ASK、2FSK和BPSK信號和雷達NLFM信號的幅頻和相頻特性?？芍鼈兊姆l和相頻特性差異明顯，頻譜圖可知數(shù)據(jù)集中在中間區(qū)域，考慮卷積神經(jīng)網(wǎng)絡(luò)運用卷積核進行局部特征提取，因而對中間部分數(shù)據(jù)進行卷積處理就可以得到最主要特征。

圖10 2ASK延遲自相關(guān)函數(shù)頻域圖

圖11 BFSK延遲自相關(guān)函數(shù)頻域圖

圖12 BPSK延遲自相關(guān)函數(shù)頻域圖

圖13 雷達NLFM延遲自相關(guān)函數(shù)頻域圖

圖14 雷達BPSK延遲自相關(guān)函數(shù)頻域圖

2 基于CNN的通信和雷達信號調(diào)制方式識別工作原理

2.1 卷積神經(jīng)網(wǎng)絡(luò)(CNN)

CNN是一種帶有前向反饋的多層神經(jīng)網(wǎng)絡(luò)，屬于深度學習框架的一種，能夠通過多層非線性變換，從數(shù)據(jù)中自動學習提取特征，具有很強的學習能力和表達能力，并降低了數(shù)據(jù)預(yù)處理的要求，非常適合用于模式識別領(lǐng)域[4,10]。卷積神經(jīng)網(wǎng)絡(luò)一般由卷積層、下采樣層、全連接層等組成。卷積層使用卷積核對輸入數(shù)據(jù)進行濾波后輸出特征圖，特征圖的每個神經(jīng)元與前一層的局部感受野相連，獲得前一層的局部連接特征。卷積核是一個權(quán)值矩陣，多個卷積核可以提取多個不同的特征[11]。卷積神經(jīng)網(wǎng)絡(luò)具有局部連接、權(quán)值共享的特點，可以極大地減少網(wǎng)絡(luò)的訓練參數(shù)，簡化神經(jīng)網(wǎng)絡(luò)。下采樣層也稱為池化層，對輸入的采樣，可縮減數(shù)據(jù)規(guī)模，避免過擬合，對平移、縮放、傾斜或其他形式的變形具有高度不變性[12]，最后一個下采樣層或卷積層連到一個或多個全連接層，全連接層在整個卷積神經(jīng)網(wǎng)絡(luò)中起到分類器的作用，將學到的特征映射到樣本標記空間。

2.2 卷積網(wǎng)絡(luò)結(jié)構(gòu)

CNN的功能是從特定模型中提取特征，然后根據(jù)特征進行分類識別、預(yù)測或做出決策。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。網(wǎng)絡(luò)模型中卷積層層數(shù)越多，越容易把握輸入信號的細微特征。然而在深度神經(jīng)網(wǎng)絡(luò)的設(shè)計中，應(yīng)該考慮卷積層數(shù)和核大小，嘗試以最少的計算量獲得最佳結(jié)果，網(wǎng)絡(luò)設(shè)計需要平衡網(wǎng)絡(luò)結(jié)構(gòu)的寬度和深度[13]。對于相同的CNN網(wǎng)絡(luò)結(jié)構(gòu)，迭代的次數(shù)、訓練數(shù)據(jù)量的大小和學習率等參數(shù)都會影響模型的分類結(jié)果和泛化性。這些參數(shù)的設(shè)置都需要經(jīng)過多次實驗尋優(yōu)得到。一般來說，網(wǎng)絡(luò)層數(shù)越深提取的特征參數(shù)越多。根據(jù)幅頻和相頻圖可以看到特征參數(shù)并不算很多，因此網(wǎng)絡(luò)層數(shù)不需要很深。在本實驗中，設(shè)計的CNN模型使用6層網(wǎng)絡(luò)層。

本文將CNN用于一維數(shù)據(jù)分析，根據(jù)預(yù)處理得到的幅頻和相頻數(shù)據(jù)作為輸入網(wǎng)絡(luò)的兩通道。由頻譜圖可知數(shù)據(jù)集中在中間區(qū)域，在此對幅頻和相頻數(shù)據(jù)進行裁剪，截取FFT變換后各中間200點數(shù)據(jù)，即兩通道各200點一維數(shù)據(jù)作為輸入。CNN網(wǎng)絡(luò)模型如圖15所示。

圖15 本文CNN網(wǎng)絡(luò)結(jié)構(gòu)圖

2.3 參數(shù)選取

將2組長度為200的一維數(shù)據(jù)作為兩通道輸入CNN。卷積層提取特征的過程類似于做濾波，濾波器參數(shù)合適即卷積核大小和步長適合才能提取出足夠多的相關(guān)信息。經(jīng)過多次實驗選定卷積核如圖所示，卷積核大小的設(shè)定比傳統(tǒng)圖像處理中略大。設(shè)定訓練10000次，mini-batch大小為256。

卷積層1（Conv1）：由長度為15的一維卷積核生成的8個特征圖并做最大池化。卷積層2（Conv2）：由長度為15的一維卷積核生成的16個特征圖并做最大池化。卷積層3(Conv3)：由長度為10的一維卷積核生成的16個特征圖。卷積層4(Conv4）：由長度為10的一維卷積核生成的32個特征圖并做最大池化。卷積層5(Conv5）：由長度為5的一維卷積核生成的64個特征圖并做最大池化。Dense1：256，Dense2（softmax輸出）9個結(jié)點，輸出9個節(jié)點，代表9種不同的調(diào)制方法。

3 仿真結(jié)果

實驗選擇了0 d B、5 d B、10 d B高斯白噪聲下雷達和通信常用的9種調(diào)制方式，通信信號載波頻率變化范圍為 2～3 GHz，碼元速率為 10 kbps～1 Mbps，碼元序列隨機生成。雷達信號脈沖寬度為10～100μs，頻帶調(diào)斜頻率系數(shù)為1010～1013。在每種信噪比下每類調(diào)制方式樣本4000組，共36000組樣本，每組樣本數(shù)據(jù)長度為400。

對通信信號而言取載波頻率變化范圍2～2.6 GHz、碼元速率10～700 kbps的28800組樣本作為訓練集，載波頻率變化范圍2.7～3 GHz、700 kbps～1 Mbps的7200組樣本作為測試集。

對雷達信號而言取載波頻率變化范圍2～2.6 GHz、碼元速率 10～700 kbps、脈沖寬度 30～80 μs、頻帶調(diào)斜頻率系數(shù)1011～1013的28800組樣本作為訓練集，2.7～3 GHz，碼元速率 700 kbps～1 Mbps，脈沖寬度 10 μs、20 μs、90 μs、100μs,頻帶調(diào)斜頻率系數(shù)為1010～1011的7200組樣本作為測試集。

3.1 網(wǎng)絡(luò)采取不同卷積核大小條件下的訓練結(jié)果

選取大小如3×1的卷積核，10d B信噪比下的訓練精度如圖16所示。

圖16 不同卷積核大小的訓練精度對比

如圖16所示，可知卷積核較小時，訓練精度不高。對于圖像處理而言，圖片的局部特征感受野范圍較小而對于本文的一維數(shù)據(jù)如圖8～11所示，局部特征感受野范圍較大所以選取的卷積核應(yīng)該大一些，經(jīng)過多次實驗選取圖15所示的卷積核大小。

3.2 不同信噪比下的訓練結(jié)果

在0 dB、5 dB、10 dB的信噪比下分別取28800組樣本進行訓練，結(jié)果如圖17所示，損失如圖18所示。10 dB信噪比下數(shù)據(jù)訓練精度可達94%以上，0 d B信噪比下數(shù)據(jù)訓練精度可達85%。不同信噪比測試集的測試數(shù)據(jù)識別精度為0.9118、0.8674、0.8128。

圖17 不同信噪比下訓練精度對比

圖18 不同信噪比下?lián)p失對比

由實驗結(jié)果可以知道，在信噪比為0 dB、5 dB、10 d B情況下對9種調(diào)制信號進行10000次訓練，經(jīng)過不斷試驗調(diào)整參數(shù)并加入BN（batch normalize）算法等，信噪比為10 dB條件下訓練精確度達到90%以上，測試集精確度也達90%左右。在0 dB情況下訓練精確度和測試精度最差在85%左右?？梢宰C明此方法在信噪比10 d B左右可以達到較好的識別效果，同時避免傳統(tǒng)調(diào)制識別中繁瑣的人工提取特征過程。但在較低信噪比條件下識別效果不理想，因而還需要繼續(xù)研究低信噪比條件下調(diào)制識別方法。

3.3 未進行預(yù)處理的數(shù)據(jù)訓練結(jié)果

對比采取預(yù)處理與不采取預(yù)處理對CNN網(wǎng)絡(luò)訓練結(jié)果的影響，直接將10 dB信噪比下經(jīng)過小波去噪后的時域數(shù)據(jù)輸入CNN網(wǎng)絡(luò)，得到10000次訓練后的精度為0.8125，測試精度0.6642。采取預(yù)處理后精度明顯提升，說明預(yù)處理過程的重要性，在減少數(shù)據(jù)信息維度的同時最大限度保留了調(diào)制信息。

4 結(jié)束語

本文針對通信和雷達中頻信號調(diào)識別問題，提出一種差分自相關(guān)預(yù)處理結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的方法。不進行傳統(tǒng)的相位頻率等參數(shù)估計，而是直接對接收機處理后的中頻信號作小波去噪和共軛差分自相關(guān)處理后得到時域上的相關(guān)函數(shù)，然后進行快速傅里葉變換將幅頻和相頻數(shù)據(jù)送入CNN網(wǎng)絡(luò)訓練。通過仿真實驗，得到10 dB信噪比條件下對9種類型信號識別效果較好，訓練準確度達到94%，測試精度達到90%以上，由此驗證了此方案的可行性。后續(xù)應(yīng)進一步研究提高在低信噪比下的識別率和深度學習調(diào)制識別混合架構(gòu)。