史蘊(yùn)豪, 許 華, 單俊杰

(1.空軍工程大學(xué)信息與導(dǎo)航學(xué)院，西安，710077; 2.93656部隊(duì),北京，101114)

通信調(diào)制識(shí)別技術(shù)對(duì)提升通信對(duì)抗效率具有十分重要的意義。通過(guò)調(diào)制識(shí)別技術(shù)可輔助確定敵軍通信源類(lèi)別，進(jìn)而可以對(duì)敵電臺(tái)威脅程度做出評(píng)估。傳統(tǒng)的通信調(diào)制識(shí)別技術(shù)主要是基于通信信號(hào)的時(shí)頻分布、瞬時(shí)幅度、相位、頻率、高階統(tǒng)計(jì)量、循環(huán)譜、信息熵等作為分類(lèi)特征參數(shù)，例如Azzouz[1]等利用信號(hào)瞬時(shí)特征識(shí)別不同的數(shù)字信號(hào)，Swami[2]提出了將信號(hào)四階統(tǒng)計(jì)量作為分類(lèi)特征，文獻(xiàn)[3]使用高階累積量對(duì)8類(lèi)調(diào)制信號(hào)進(jìn)行識(shí)別，文獻(xiàn)[4]混合多種循環(huán)譜與高階累積量特征對(duì)信號(hào)進(jìn)行分類(lèi)，文獻(xiàn)[5～6]使用信號(hào)熵特征對(duì)不同調(diào)制信號(hào)進(jìn)行分類(lèi)。在分類(lèi)器構(gòu)造方面，學(xué)者們也提出了多種分類(lèi)器，Dobre等[7]提出了二元判決樹(shù)分類(lèi)器，龔曉潔等[8]利用支持向量機(jī)對(duì)信號(hào)手工特征進(jìn)行分類(lèi),實(shí)現(xiàn)了多類(lèi)信號(hào)調(diào)制方式識(shí)別。歸根結(jié)底，通信信號(hào)的調(diào)制識(shí)別問(wèn)題可以歸結(jié)為模式分類(lèi)問(wèn)題，即根據(jù)提取的特征參數(shù)結(jié)合分類(lèi)器進(jìn)行的分類(lèi)過(guò)程[9]。

與早期手動(dòng)提取特征識(shí)別信號(hào)類(lèi)別的方法不同，卷積神經(jīng)網(wǎng)絡(luò)可以通過(guò)構(gòu)建多個(gè)卷積層來(lái)自動(dòng)提取信號(hào)深層次的特征并對(duì)信號(hào)分類(lèi)。近些年國(guó)內(nèi)外許多學(xué)者在信號(hào)調(diào)制識(shí)別方面取得了不錯(cuò)的成果,例如Rajendran[10]等人使用深度卷積神經(jīng)網(wǎng)絡(luò)提取信號(hào)時(shí)頻特征并分類(lèi)識(shí)別，在衰落信道下有較高的識(shí)別率，O'Shea[11]等人使用VGG深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)合ResNet殘差網(wǎng)絡(luò)將分類(lèi)的調(diào)制樣式數(shù)目提升到了24種并取得了不錯(cuò)的分類(lèi)效果。Jeong[12]等人利用短時(shí)傅里葉變換生成信號(hào)時(shí)頻圖像，并利用深度卷積神經(jīng)網(wǎng)絡(luò)提取時(shí)頻域圖像特征，最終完成了對(duì)7種調(diào)制識(shí)別方式的識(shí)別，且在信噪比為-4 dB時(shí)仍有90%以上的識(shí)別率。Meng[13]等人提出了深度神經(jīng)網(wǎng)絡(luò)聯(lián)合噪聲估計(jì)的調(diào)制方式識(shí)別算法，該算法設(shè)計(jì)了一種特殊的網(wǎng)絡(luò)結(jié)構(gòu)，將原始信號(hào)數(shù)據(jù)和信噪比同時(shí)作為神經(jīng)網(wǎng)絡(luò)的輸入，仿真結(jié)果顯示該算法識(shí)別率已經(jīng)非常接近理論識(shí)別率的上限。Zufan Zhang[14]等人利用卷積神經(jīng)網(wǎng)絡(luò)提取信號(hào)SPWVD時(shí)頻圖特征和BJD時(shí)頻圖特征并與大量手工特征融合對(duì)8種調(diào)制方式進(jìn)行識(shí)別，在-4 dB時(shí)仍有92.5%的識(shí)別準(zhǔn)確率。

雖然基于深度卷積神經(jīng)網(wǎng)絡(luò)的調(diào)制方式識(shí)別技術(shù)具有較高的識(shí)別率和魯棒性，但是當(dāng)測(cè)試集樣本與訓(xùn)練集樣本存在分布差異時(shí)，利用訓(xùn)練集樣本訓(xùn)練出的網(wǎng)絡(luò)模型對(duì)測(cè)試集樣本的識(shí)別率則會(huì)明顯降低。而在實(shí)際戰(zhàn)場(chǎng)環(huán)境中，接收端收到的信號(hào)總是與訓(xùn)練網(wǎng)絡(luò)模型所用信號(hào)存在一定的分布差異，此時(shí)使用預(yù)先訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)就很難準(zhǔn)確識(shí)別新收到的信號(hào)，因此無(wú)法滿(mǎn)足現(xiàn)代戰(zhàn)爭(zhēng)的作戰(zhàn)需求。

本文假設(shè)網(wǎng)絡(luò)訓(xùn)練過(guò)程中存在帶標(biāo)簽的源域訓(xùn)練樣本和無(wú)標(biāo)簽的目標(biāo)域測(cè)試樣本，且源域樣本與目標(biāo)域樣本存在一定分布差異。本文擬通過(guò)訓(xùn)練改進(jìn)型深度卷積神經(jīng)網(wǎng)絡(luò)，提升無(wú)標(biāo)簽的目標(biāo)域樣本的識(shí)別性能。

1 基于域適應(yīng)網(wǎng)絡(luò)的調(diào)制識(shí)別模型

針對(duì)實(shí)際遇到的待測(cè)樣本與訓(xùn)練樣本存在分布差異的情況，本文解決該問(wèn)題的核心思想是將已有的帶標(biāo)簽信號(hào)樣本結(jié)合沒(méi)有標(biāo)簽的目標(biāo)域信號(hào)樣本，對(duì)域適應(yīng)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過(guò)自編碼器降維技術(shù)結(jié)合域適應(yīng)技術(shù)縮小源域帶標(biāo)簽樣本與目標(biāo)域無(wú)標(biāo)簽樣本的分布差異，從而達(dá)到對(duì)目標(biāo)域無(wú)標(biāo)簽樣本的分類(lèi)識(shí)別。訓(xùn)練、測(cè)試流程見(jiàn)圖1。

圖1 訓(xùn)練、測(cè)試流程圖

1.1 特征提取模塊

在實(shí)際戰(zhàn)場(chǎng)復(fù)雜信道環(huán)境下，通信信號(hào)時(shí)域特征很容易受到敵方和噪聲等的干擾和影響，從而影響信號(hào)本質(zhì)表征和模式類(lèi)別之間的差異，不利于做出正確的判決。時(shí)頻分析在處理信號(hào)方面表現(xiàn)出巨大的優(yōu)勢(shì)，它能清晰地反應(yīng)信號(hào)有意調(diào)制的規(guī)律[15]。目前利用時(shí)頻分析理論分析信號(hào)的方法有很多，比如小波變換，短時(shí)傅里葉變換(STFT)[16]，Wigner-Wile變換[17],Choi-Willams變換[18]等，它們?cè)诜治霾煌盘?hào)時(shí)各自都有自己的優(yōu)勢(shì)。由于本文擬識(shí)別的信號(hào)為相位瞬變信號(hào)，它們的相位隨著數(shù)字信息的不同會(huì)發(fā)生瞬變，而小波變換在捕捉信號(hào)瞬變信息上具有非常好的性能，因此本文采用小波變換對(duì)信號(hào)進(jìn)行時(shí)頻分析。小波變換的數(shù)學(xué)定義表達(dá)式如式(1)所示:

WTf(a,τ)=〈f(t),φa,τ(t)〉=

(1)

信號(hào)經(jīng)過(guò)小波變換后，其系數(shù)絕對(duì)值WTf(a,τ)在一定程度上可以表示信號(hào)的特征，因此本文將信號(hào)小波變換后的系數(shù)絕對(duì)值WTf(a,τ)繪圖并在圖像域進(jìn)行處理。

由于需要在圖像域進(jìn)行分析處理，因此本文選用對(duì)圖像處理能力較強(qiáng)的VGG16[19]網(wǎng)絡(luò)提取圖像特征。VGG16輸入的是多通道圖像，輸入依次通過(guò)一系列的卷積層以提取圖像深層次的特征，每2～3個(gè)連續(xù)的卷積層后會(huì)接1個(gè)池化層，用于減小網(wǎng)絡(luò)參數(shù)規(guī)模防止過(guò)擬合。經(jīng)過(guò)多層堆疊的卷積層和池化層后，會(huì)接入3層全連接層，最后一層全連接層輸出為1 000維特征。VGG16的網(wǎng)絡(luò)模型如圖2所示。在每一塊處理單元中，VGG16卷積層的卷積核大小為3×3，核的滑動(dòng)步長(zhǎng)為1。每一塊處理單元后還要接一個(gè)2×2大小的池化層。VGG16中的每一個(gè)卷積層、全連接層后面均使用ReLU作為激活函數(shù)，在部分全連接層后面還應(yīng)用了dropout技術(shù)用于提高網(wǎng)絡(luò)對(duì)測(cè)試樣本的泛化能力,防止網(wǎng)絡(luò)過(guò)擬合。VGG16相比之前比較先進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)例如AlexNet[20]等，識(shí)別錯(cuò)誤率大幅降低，且其具有很強(qiáng)的泛化性和可拓展性，能夠很便捷地遷移到其他圖片數(shù)據(jù)上[21]。

圖2 VGG16網(wǎng)絡(luò)模型示意圖

1.2 自編碼器

自編碼器是一種無(wú)監(jiān)督的機(jī)器學(xué)習(xí)方法，由編碼器和解碼器構(gòu)成，它可以實(shí)現(xiàn)在對(duì)高維數(shù)據(jù)壓縮的同時(shí)盡可能地保留特征信息，例如Elyor[22]等人利用自編碼器構(gòu)建語(yǔ)義嵌入層實(shí)現(xiàn)零樣本識(shí)別，文獻(xiàn)[23]利用稀疏自編碼器實(shí)現(xiàn)7類(lèi)調(diào)制信號(hào)的識(shí)別。自編碼器可通過(guò)維度小于輸入層的隱藏層表達(dá)輸入層，并在輸出層重構(gòu)輸入層，從而達(dá)到數(shù)據(jù)降維的目的。

本文使用的自編碼器僅包含一層隱藏層，隱藏層的維度小于輸入層。自編碼器的輸入X是VGG16第1個(gè)全連接層后輸出的4 096維特征，隱藏層S設(shè)置有100個(gè)神經(jīng)元，輸入層與隱藏層、隱藏層與輸出層均采取全連接的方式。假設(shè)輸入層到隱藏層的映射矩陣為W，隱藏層到輸出層的映射矩陣為W*,W與W*是對(duì)稱(chēng)矩陣，即W=W*。由于期望輸出層與輸入層的值盡可能的相似，以此作為訓(xùn)練的約束條件，因此自編碼器的目標(biāo)函數(shù)可以表示為：

(2)

通過(guò)最小化目標(biāo)函數(shù)，從而利用100維隱層向量表達(dá)4 096維特征向量，達(dá)到特征降維的目的。

1.3 域適應(yīng)技術(shù)

域適應(yīng)技術(shù)是遷移學(xué)習(xí)中一種常見(jiàn)的方法，可以利用帶標(biāo)簽的源域數(shù)據(jù)來(lái)提升目標(biāo)域模型的分類(lèi)性能[24]。本文所設(shè)計(jì)的網(wǎng)絡(luò)是一個(gè)分類(lèi)識(shí)別的模型，可通過(guò)域適應(yīng)的方法將源域信號(hào)特征知識(shí)遷移到目標(biāo)域信號(hào)特征上，以此實(shí)現(xiàn)目標(biāo)域信號(hào)分類(lèi)性能的提升。圖3為域適應(yīng)過(guò)程示意圖。

圖3 域適應(yīng)過(guò)程示意圖

通過(guò)特征提取模塊結(jié)合自編碼器對(duì)信號(hào)特征提取之后，計(jì)算源域特征與目標(biāo)域特征之間的CORAL損失。CORAL損失是一個(gè)衡量不同域之間分布距離的方法，可用于衡量2個(gè)域之間的相似性。下面描述單個(gè)特征層在2個(gè)域之間的損失定義[25]。

(3)

(4)

(5)

式中：1表示所有元素全為1的d維列向量。

輸入特征的梯度可由以下鏈?zhǔn)椒▌t求得：

(6)

(7)

通過(guò)梯度下降、反向傳播便可不斷優(yōu)化目標(biāo)函數(shù)。

1.4 識(shí)別模型

本文提出的識(shí)別模型以VGG16網(wǎng)絡(luò)為主體，網(wǎng)絡(luò)輸入源域信號(hào)小波變換系數(shù)圖像、源域標(biāo)簽LS和沒(méi)有標(biāo)簽的目標(biāo)域信號(hào)小波變換系數(shù)圖像進(jìn)行訓(xùn)練，從而達(dá)到識(shí)別目標(biāo)域圖像的目的。源域和目標(biāo)域的域適應(yīng)在自編碼器隱層來(lái)實(shí)現(xiàn)，輸入的源域、目標(biāo)域圖像首先通過(guò)VGG16網(wǎng)絡(luò)提取第1個(gè)全連接層的4 096維特征，之后高維特征進(jìn)入自編碼器進(jìn)行特征降維，生成100維的源域隱層特征xT、和目標(biāo)域隱層特征xS，之后計(jì)算這2個(gè)隱層特征之間的CORAL損失，最終將2個(gè)特征間的分布損失和源域圖像產(chǎn)生的分類(lèi)損失組合在一起作為網(wǎng)絡(luò)聯(lián)合優(yōu)化的目標(biāo)。在訓(xùn)練過(guò)程中，帶標(biāo)記的源域樣本用來(lái)計(jì)算分類(lèi)的損失，而計(jì)算CORAL損失則需要所有輸入數(shù)據(jù)參與，其中包括沒(méi)有標(biāo)記的目標(biāo)域樣本。模型的損失函數(shù)定義如下：

L(yi,y)=Lclass(yi,y)+μlCORAL+

(8)

式中：Lclass(yi,y)表示源域信號(hào)產(chǎn)生的分類(lèi)損失，μ為CORAL損失的權(quán)重，用于控制其和分類(lèi)損失的比重。

網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。網(wǎng)絡(luò)對(duì)所有的源域和目標(biāo)域圖像進(jìn)行聯(lián)合訓(xùn)練，分類(lèi)損失優(yōu)化全部網(wǎng)絡(luò)參數(shù)，而CORAL損失僅優(yōu)化第1個(gè)全連接層和隱藏層之間的參數(shù)矩陣W。通過(guò)梯度下降優(yōu)化使得總的損失函數(shù)最小，從而得到最優(yōu)模型。訓(xùn)練后的模型可直接對(duì)目標(biāo)域圖像進(jìn)行識(shí)別分類(lèi)。

圖4 網(wǎng)絡(luò)結(jié)構(gòu)示意圖

2 仿真實(shí)驗(yàn)及分析

本文實(shí)驗(yàn)均基于Python下的Tensorflow、Keras深度學(xué)習(xí)框架實(shí)現(xiàn)，硬件平臺(tái)為Intel(R)Core(TM)i7-8700CPU，GPU為NVIDIA GeForce 1060Ti。實(shí)驗(yàn)所用信號(hào)樣本均采用matlabR2016a仿真生成，使用軟件中的CWT(Continous 1-D Wavelet Transform,CWT)函數(shù)對(duì)信號(hào)進(jìn)行小波變換，選擇其中的db4小波，生成其小波系數(shù)圖并保存。

仿真生成{8QAM、16QAM、32QAM、64QAM、128QAM、256QAM、2PSK、4PSK、8PSK、2-FSK、4-FSK、8-FSK}共計(jì)12類(lèi)信號(hào)，每個(gè)類(lèi)別1 000個(gè)樣本，共計(jì)12 000個(gè)樣本。圖5(a)～(c)分別表示8QAM、2PSK、2-FSK在8 dB高斯信道下的小波系數(shù)圖，各圖分別代表信號(hào)序列進(jìn)行離散小波變變換后，其小波系數(shù)的絕對(duì)值與時(shí)延和頻率的關(guān)系。

圖5 信號(hào)小波系數(shù)圖

2.1 不同信號(hào)間域適應(yīng)分類(lèi)

本節(jié)利用6類(lèi)M-QAM調(diào)制方式的信號(hào)進(jìn)行域適應(yīng)，信噪比為8 dB，信道為高斯噪聲信道。選取6種M-QAM信號(hào)中的任意3種作為源域有標(biāo)簽樣本，其余3種作為目標(biāo)域無(wú)標(biāo)簽樣本。在對(duì)網(wǎng)絡(luò)訓(xùn)練的過(guò)程中，每批(batch)將60張圖片送入網(wǎng)絡(luò),其中源域、目標(biāo)域各30張，因此在計(jì)算CORAL損失時(shí)，NS=NT=30。損失函數(shù)中設(shè)置λ=μ=1。在更新優(yōu)化損失函數(shù)時(shí)采用Adam優(yōu)化器進(jìn)行迭代優(yōu)化。對(duì)比不加入域適應(yīng)直接分類(lèi)、通過(guò)域適應(yīng)后再分類(lèi)2種實(shí)驗(yàn)的效果。不加入域適應(yīng)分類(lèi)是用源域帶標(biāo)簽數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)然后直接對(duì)目標(biāo)域進(jìn)行識(shí)別，域適應(yīng)分類(lèi)是指聯(lián)合源域、目標(biāo)域數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)后，再對(duì)目標(biāo)域樣本進(jìn)行分類(lèi)識(shí)別。

圖6為目標(biāo)域樣本識(shí)別正確率曲線(xiàn)，在上述仿真中，各個(gè)實(shí)驗(yàn)包含10次迭代循環(huán)，通過(guò)結(jié)果可以看出，在最開(kāi)始的幾輪迭代中，未加入域適應(yīng)技術(shù)的網(wǎng)絡(luò)識(shí)別率要高于域適應(yīng)網(wǎng)絡(luò)的識(shí)別率，造成這種現(xiàn)象的原因是一開(kāi)始訓(xùn)練時(shí)使用域適應(yīng)技術(shù)的總損失較高，但是隨著迭代次數(shù)的不斷增加，網(wǎng)絡(luò)參數(shù)不斷優(yōu)化，加入域適應(yīng)技術(shù)網(wǎng)絡(luò)的識(shí)別率逐漸高于未加入域適應(yīng)方法的網(wǎng)絡(luò)。

圖6 目標(biāo)域QAM信號(hào)識(shí)別率曲線(xiàn)

圖7表示當(dāng)測(cè)試集為8/16/128QAM時(shí)，訓(xùn)練過(guò)程中分類(lèi)損失與CORAL損失的變化趨勢(shì)，可以看出隨著迭代優(yōu)化2類(lèi)損失之和在不斷減小。

圖7 Loss曲線(xiàn)

此外，本節(jié)使用高斯信道下信噪比為8 dB的8-QAM、32-QAM、128-QAM作為源域數(shù)據(jù)集，高斯信道下信噪比為8 dB的2PSK、4PSK、8PSK信號(hào)作為目標(biāo)域數(shù)據(jù)集進(jìn)行分類(lèi)識(shí)別，共計(jì)50次迭代循環(huán)。如圖8所示，通過(guò)M-PSK信號(hào)的分類(lèi)識(shí)別實(shí)驗(yàn)可以看出，在網(wǎng)絡(luò)迭代15次后，加入域適應(yīng)技術(shù)的網(wǎng)絡(luò)識(shí)別率逐漸高于沒(méi)有加入域適應(yīng)技術(shù)的網(wǎng)絡(luò)。圖9表示網(wǎng)絡(luò)迭代過(guò)程中2類(lèi)損失的變化趨勢(shì)，可見(jiàn)隨著網(wǎng)絡(luò)不斷迭代優(yōu)化，CORAL損失、分類(lèi)損失以及二者之和都在不斷減小。

圖8 2/4/8PSK為測(cè)試集

圖9 Loss曲線(xiàn)

最后，對(duì)于不同類(lèi)別信號(hào)類(lèi)別間的域適應(yīng)分析，使用高斯信道下信噪比為8 dB的8-QAM、32-QAM、128-QAM信號(hào)作為源域數(shù)據(jù)集，高斯信道下信噪比為8 dB的2-FSK、4-FSK、8-FSK信號(hào)作為目標(biāo)域數(shù)據(jù)集進(jìn)行測(cè)試，共計(jì)50次迭代。

仿真結(jié)果如圖10所示，通過(guò)M-FSK信號(hào)的分類(lèi)識(shí)別效果可以看出，在網(wǎng)絡(luò)迭代50個(gè)周期后，加入域適應(yīng)技術(shù)的網(wǎng)絡(luò)識(shí)別率與未加入域適應(yīng)技術(shù)的網(wǎng)絡(luò)識(shí)別率相差不大。

圖10 2/4/8FSK為測(cè)試集

2.2 不同信道下域適應(yīng)分類(lèi)

本節(jié)使用6類(lèi)信號(hào){8-QAM、32-QAM、128-QAM、2-FSK、4-FSK、8-FSK}在瑞利噪聲信道下的小波系數(shù)圖像作為目標(biāo)域,利用8 dB高斯噪聲信道下的這6類(lèi)信號(hào)對(duì)其進(jìn)行域適應(yīng)訓(xùn)練，共計(jì)30次迭代，目標(biāo)域信號(hào)識(shí)別率曲線(xiàn)如圖11所示。

圖11 瑞利信道識(shí)別率曲線(xiàn)

通過(guò)圖11的識(shí)別率曲線(xiàn)可以看出，通過(guò)域適應(yīng)后網(wǎng)絡(luò)對(duì)陌生信道的識(shí)別性能有一定提升。

2.3 不同信噪比條件下域適應(yīng)分類(lèi)

本節(jié)使用6類(lèi)信號(hào){8-QAM、32-QAM、128-QAM、2-FSK、4-FSK、8-FSK}在0 dB高斯噪聲信道下的小波系數(shù)圖像作為目標(biāo)域，利用這6類(lèi)信號(hào)在8 dB條件下的訓(xùn)練樣本對(duì)0 dB進(jìn)行域適應(yīng)訓(xùn)練，對(duì)比8 dB條件下的信號(hào)識(shí)別率，0 dB條件下不加入域適應(yīng)技術(shù)的識(shí)別率，0 dB條件下加入域適應(yīng)技術(shù)后再的識(shí)別率，實(shí)驗(yàn)共計(jì)30次迭代，識(shí)別率曲線(xiàn)如圖12所示。

圖12 不同信噪比條件識(shí)別準(zhǔn)確率曲線(xiàn)

通過(guò)圖12的識(shí)別率曲線(xiàn)可以看出，通過(guò)域適應(yīng)后可提升模型在低信噪比條件下的識(shí)別性能。

對(duì)照上述實(shí)驗(yàn)可以得出，在本文的識(shí)別模型下，當(dāng)目標(biāo)域信號(hào)與源域信號(hào)特征空間相似，例如2.1中3類(lèi)目標(biāo)域樣本與源域樣本均是M-QAM信號(hào)，僅僅是調(diào)制參數(shù)不同，則通過(guò)域適應(yīng)技術(shù)提升目標(biāo)域信號(hào)的識(shí)別準(zhǔn)確率效果非常明顯，通過(guò)簡(jiǎn)單幾次迭代便可取得不錯(cuò)的結(jié)果；若目標(biāo)域信號(hào)與源域信號(hào)特征空間有一定差距時(shí)，例如目標(biāo)域M-PSK信號(hào)與源域M-QAM信號(hào)，則通過(guò)域適應(yīng)技術(shù)對(duì)目標(biāo)域樣本識(shí)別率的提升不明顯，但隨著迭代次數(shù)的不斷增加，加入域適應(yīng)技術(shù)識(shí)別率逐漸優(yōu)于未加入域適應(yīng)技術(shù)的識(shí)別率；但當(dāng)目標(biāo)域信號(hào)與源域信號(hào)特征空間存在明顯差異，例如目標(biāo)域M-FSK信號(hào)與源域M-QAM信號(hào)，則通過(guò)域適應(yīng)技術(shù)對(duì)目標(biāo)域樣本識(shí)別率幾乎沒(méi)有提升。此外，通過(guò)前文分析可以看出，本文提出的域適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)對(duì)衰落信道下、低信噪比下信號(hào)識(shí)別性能也有一定的提升作用。

3 結(jié)語(yǔ)

本文針對(duì)通信調(diào)制識(shí)別中遇到的目標(biāo)域測(cè)試樣本與源域訓(xùn)練樣本存在分布差異的問(wèn)題，提出運(yùn)用VGG16網(wǎng)絡(luò)結(jié)合自編碼器、域適應(yīng)技術(shù)的識(shí)別方法，此方法利用調(diào)制信號(hào)小波變化系數(shù)圖作為樣本，提取出不同類(lèi)別間的顯著差異，并使用VGG16網(wǎng)絡(luò)提取小波變換所得圖像特征，之后通過(guò)最小化分類(lèi)損失和CORAL損失之和，達(dá)到關(guān)聯(lián)源域和目標(biāo)域的效果。仿真結(jié)果表明，通過(guò)域適應(yīng)技術(shù)確實(shí)可以提升目標(biāo)域測(cè)試樣本的識(shí)別率。但是，本文仍存在許多不足，例如當(dāng)目標(biāo)域信號(hào)與源域信號(hào)特征空間差距較大時(shí)識(shí)別率提升不明顯。在今后的工作中，將嘗試類(lèi)間差異大的樣本做域適應(yīng)處理，并不斷嘗試新的網(wǎng)絡(luò)模型，使網(wǎng)絡(luò)的遷移能力達(dá)到最佳。