陳思霸 陳嬌
摘 要 針對(duì)信號(hào)調(diào)制的識(shí)別問題,提出了分層次多任務(wù)網(wǎng)絡(luò)用于提高識(shí)別準(zhǔn)確率,該方法主要是把不同的調(diào)制方式識(shí)別任務(wù)進(jìn)行分組,搭建層次化的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。仿真與分析的結(jié)果表明,使用公開的調(diào)制信號(hào)數(shù)據(jù)集,本文的方案在信噪比大于0dB的情況下識(shí)別準(zhǔn)確率可達(dá)到90%左右。
關(guān)鍵詞 分層次多任務(wù)網(wǎng)絡(luò);信號(hào)調(diào)制;識(shí)別;方法
信號(hào)調(diào)制識(shí)別指的是在接收到未知調(diào)制信號(hào)后,根據(jù)信號(hào)的時(shí)域或者頻域特性判別出它的調(diào)制方式。發(fā)展起來(lái)的調(diào)制識(shí)別方法主要分為三大類,即基于似然比判決理論的方法、基于特征提取的機(jī)器學(xué)習(xí)方法以及最近由OShea等人提出的基于深度學(xué)習(xí)的調(diào)制識(shí)別方法。隨著深度學(xué)習(xí)的發(fā)展,文獻(xiàn)[1-2]首先提出了利用信號(hào)的采樣數(shù)據(jù),采用深度學(xué)習(xí)的方法對(duì)信號(hào)進(jìn)行調(diào)制識(shí)別。接著,文獻(xiàn)[3-4]分別提出了一種基于深度學(xué)習(xí)網(wǎng)絡(luò)的調(diào)制識(shí)別方法,但識(shí)別準(zhǔn)確率不理想,本文利用數(shù)據(jù)特點(diǎn)提出了分層次多任務(wù)網(wǎng)絡(luò)。仿真結(jié)果表明了該方案確實(shí)能在一定程度上提升調(diào)制識(shí)別準(zhǔn)確率的效果。
1分類識(shí)別
1.1 卷積神經(jīng)網(wǎng)絡(luò)
卷積神經(jīng)網(wǎng)絡(luò)一般由輸入層、卷積層、池化層和全連接層等組成。
網(wǎng)絡(luò)中的卷積層和全連接層的權(quán)值和偏置量等參數(shù)需要通過訓(xùn)練來(lái)確定,并通過反向傳播算法,不斷迭代更新網(wǎng)絡(luò)參數(shù),使得損失函數(shù)收斂于全局最小值。訓(xùn)練時(shí)若使用梯度下降法更新第k+1次迭代的網(wǎng)絡(luò)權(quán)重,則:
2網(wǎng)絡(luò)設(shè)計(jì)
所提的深度學(xué)習(xí)方法包含3個(gè)網(wǎng)絡(luò),通過網(wǎng)絡(luò)一初始深度學(xué)習(xí)網(wǎng)絡(luò)用于區(qū)分所有調(diào)制類型但不包括MQAM、AM-DSB和WBFM,MQAM的分類識(shí)別是通過網(wǎng)絡(luò)二(MQAM調(diào)制深度學(xué)習(xí)網(wǎng)絡(luò))實(shí)現(xiàn),AM-DSB和WBFM的進(jìn)一步區(qū)分是需要通過網(wǎng)絡(luò)三(模擬調(diào)制深度學(xué)習(xí)網(wǎng)絡(luò))實(shí)現(xiàn)的。網(wǎng)絡(luò)一使用ResNet和GRU的結(jié)合,網(wǎng)絡(luò)二使用網(wǎng)絡(luò)一,但數(shù)據(jù)集選為文獻(xiàn)[3]中的RadioML 2016.10b,網(wǎng)絡(luò)使用inception和GRU的結(jié)合。
3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)[3]中公開的數(shù)據(jù)集作為樣本數(shù)據(jù),樣本數(shù)據(jù)由GNU Radio這個(gè)開源軟件產(chǎn)生。包含11種調(diào)制方式,使用的噪聲為高斯白噪聲,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。
4仿真結(jié)果與分析
為驗(yàn)證本文所提算法的有效性,利用 3中所述的通信信號(hào)公開數(shù)據(jù)集對(duì)本文所提網(wǎng)絡(luò)模型與文獻(xiàn)中的算法進(jìn)行了仿真比較。
參考文獻(xiàn)
[1] Oshea T,Hoydis J. An Introduction to Deep Learning for the Physical Layer[J]. IEEE Transactions on Cognitive Communications & Networking,2017,3(4):563-575.
[2] 袁冰清,王巖松,鄭柳剛. 深度學(xué)習(xí)在無(wú)線電信號(hào)調(diào)制識(shí)別中的應(yīng)用綜述[J]. 電子技術(shù)應(yīng)用,2019,45(5):7-10.
[3] T. J. OShea and N. West, Radio machine learning dataset generation with GNU radio[C].in Proc. GNU Radio Conf,2016:1-6.
[4] Y. Wu,X. Li and J. Fang, A Deep Learning Approach for Modulation Recognition via Exploiting Temporal Correlations[C].2018 IEEE 19th International Workshop on Signal Processing Advances in Wireless Communications (SPAWC),Kalamata,2018:1-5.