安澤亮，張?zhí)祢U，馬寶澤，鄧盼，徐雨晴

（1.重慶郵電大學(xué)通信與信息工程學(xué)院，重慶 400065；2.重慶郵電大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院，重慶 400065）

1 引言

正交空時分組碼（OSTBC,orthogonal spacetime block code）[1-2]因分集增益高和接收端解碼簡便，在多入多出（MIMO,multiple-input multipleoutput）系統(tǒng)中得到廣泛應(yīng)用，能顯著提升通信傳輸?shù)目煽啃浴＝陙?，非合作通信場景下OSTBC信號盲處理研究受到廣泛關(guān)注，但只有正確識別調(diào)制樣式，才能準(zhǔn)確解碼得到傳輸信息，所以調(diào)制識別研究是OSTBC 信號盲處理中的一個重要研究方向。但現(xiàn)有調(diào)制識別研究主要針對單入單出系統(tǒng)，而對MIMO 系統(tǒng)調(diào)制識別的研究較少，且受空時編碼和MIMO 信道影響，OSTBC 信號的調(diào)制識別變得更加棘手[3-7]，因此，非合作通信場景下OSTBC信號的調(diào)制識別具有重要的研究價值。

當(dāng)前，針對OSTBC 信號調(diào)制識別算法主要分為2 類：基于似然函數(shù)和基于特征工程。其中，基于似然函數(shù)的算法[3-4]具有較優(yōu)的識別精度，但其過高的計算復(fù)雜度和過多的先驗信息需求，使其不適用于非協(xié)作MIMO-OSTBC 系統(tǒng)。基于特征工程的算法包含特征提取和分類判決2 個環(huán)節(jié)。1) 特征提取是指從截獲的OSTBC 信號中提取深層特征，如高階累積量[5-6]、高階矩[5]和瞬時統(tǒng)計特征[6-7]，這些特征具有較好的調(diào)制特征表達(dá)能力，但都是基于人工專家經(jīng)驗設(shè)計的，特征選取的理論指導(dǎo)不足且缺乏通用性，在多類別OSTBC 信號識別中存在特征冗余和判決閾值設(shè)定困難的問題。2) 分類判決是指設(shè)計有效的分類器來完成OSTBC 信號識別任務(wù)?，F(xiàn)有分類器大多基于機(jī)器學(xué)習(xí)算法，如K 最近鄰（KNN,k-nearest neighbor）[5]、支持向量機(jī)（SVM,support vector machine）[5]以及決策樹[6]。然而，特征工程方法的非線性擬合能力有限，識別精度存在提升的空間，且特征提取步驟煩瑣，不利于實際工程應(yīng)用。針對上述問題，應(yīng)用驅(qū)動人工智能蓬勃發(fā)展的深度學(xué)習(xí)技術(shù)，能自動提取信號特征，簡化任務(wù)復(fù)雜度，且其非線性擬合能力更強(qiáng)，可進(jìn)一步逼近識別精度上限。例如，基于堆疊自編碼器的深層神經(jīng)網(wǎng)絡(luò)（SAE-DNN,stacked auto encoder-deep neural network）[7]，學(xué)習(xí)信號高階累積量和瞬時特征，相比機(jī)器學(xué)習(xí)算法有一定性能提升，但特征轉(zhuǎn)換中存在信息損失，識別精度有待提升，且該算法假設(shè)信道狀態(tài)信息已知，不適用于非合作通信場景。

受上述研究啟發(fā)，本文提出一種基于一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN,one-dimensional convolutional neural network）的多天線協(xié)作OSTBC 信號調(diào)制識別算法。首先，通過迫零（ZF,zero-forcing）盲均衡來減少信道衰落的影響，恢復(fù)源信號的特征表達(dá)能力，并通過最小化基于峭度的損失函數(shù)來盲估計信道矩陣，解決非合作通信場景下信道狀態(tài)信息未知的問題；其次，充分利用深度學(xué)習(xí)在模式識別領(lǐng)域的前沿技術(shù)，并構(gòu)建1D-CNN 來匹配一維輸入信號特性，直接從天然無損同相正交（I/Q,in-phase/quadrature）信號中提取高維特征，避免復(fù)雜的特征轉(zhuǎn)換；最后，為彌補(bǔ)單天線判決的不足，采用投票和置信度決策2 種融合策略，實現(xiàn)接收端多天線協(xié)作調(diào)制識別二進(jìn)制相移鍵控（BPSK,binary phase shift keying）、4 相移鍵控（4PSK,4 phase shift keying）、8 相移鍵控（8PSK,8 phase shift keying）、16 正交振幅調(diào)制（16QAM,16 quadrature amplitude modulation）、4 脈沖振幅調(diào)制（4PAM,4 pulse amplitude modulation）5 種調(diào)制信號。仿真實驗表明，所提算法能實現(xiàn)比現(xiàn)有算法更高的識別精度和更低的測試計算時間，擁有較高的工程應(yīng)用前景。同時，所提算法能自動提取信號波形的高維特征，避免了煩瑣的人工特征提取，提升了OSTBC 信號調(diào)制識別的智能化層級。

2 系統(tǒng)模型和數(shù)據(jù)集構(gòu)造

2.1 系統(tǒng)模型

本文考慮一個MIMO-OSTBC 系統(tǒng)，收發(fā)端天線配置為M×N，系統(tǒng)模型和數(shù)據(jù)集構(gòu)造流程如圖1所示。首先，發(fā)送端通過符號調(diào)制器將二進(jìn)制比特數(shù)據(jù)映射為K個符號流s=[s1,s2,…,sK]T，且s中各調(diào)制符號是獨(dú)立同分布的；然后，通過空時編碼器輸出一個M×L的空時編碼符號復(fù)矩陣X=C(s)=[x1,x2,…,xM]，其中L為發(fā)送時隙長度；進(jìn)一步地，對X進(jìn)行功率歸一化，確保每根天線發(fā)射信號具有相同的單位功率；最后，功率歸一化后的經(jīng)過衰落信道后，接收端N根天線接收信號矩陣Y(s) ∈CN×L為

圖1 系統(tǒng)模型和數(shù)據(jù)集構(gòu)造流程

其中，W∈CN×L是N×L的加性白高斯噪聲矩陣，與發(fā)送信號不相關(guān)；H∈CN×M是N×L的準(zhǔn)靜態(tài)平坦衰落信道矩陣，設(shè)定H為滿秩矩陣（N＞M）；空時編碼矩陣是對s的線性編碼，即在時隙長度L內(nèi)通過M根天線發(fā)送K個符號。

具體地，本文采用3/4 編碼速率的OSTBC(3,3,4)編碼方式，即符號流s在4 個時隙之中，通過3 根天線進(jìn)行信號傳輸，對應(yīng)的編碼傳輸矩陣為

2.2 迫零ZF 盲均衡

由于受MIMO-OSTBC 系統(tǒng)和信道衰落影響，單個接收天線接收來自多個發(fā)送天線的混合信號，導(dǎo)致接收信號存在模糊性，因此，需采用ZF均衡來消除模糊性?，F(xiàn)有MIMO-OSTBC 調(diào)制識別研究中[5,7]，通常預(yù)先用ZF 技術(shù)來預(yù)處理接收信號，提升后續(xù)信號的表征能力和調(diào)制識別準(zhǔn)確率，但都假設(shè)接收端已知完美信道狀態(tài)信息H，直接用ZF 技術(shù)來消除混合信道干擾，但在非合作通信場景下，接收端預(yù)先無法獲得完美H，因此，需采用盲信道估計來獲得信道估計值，本文通過最小化基于峭度的損失函數(shù)[8]來獲得H? 。首先，切分信號的實部和虛部，矢量化后的接收信號矩陣Y(s)為y。

2.3 數(shù)據(jù)集構(gòu)造

本節(jié)介紹數(shù)據(jù)集的構(gòu)造流程。如圖1 所示，當(dāng)發(fā)射信號通過衰落信道后，接收機(jī)端通過ZF 盲均衡來恢復(fù)發(fā)射源信號，并對進(jìn)行I/Q 分解來構(gòu)造本文數(shù)據(jù)庫。本文OSTBC 下的調(diào)制信號數(shù)據(jù)集Ω包含 5 種通信調(diào)制信號{BPSK,4PSK,8PSK,16QAM,4PAM}。為充分利用數(shù)據(jù)集的全面性，這里采用多種信噪比（SNR,signal-noise-ratio）樣式，SNR 在[ ?20 dB,18 dB]以2 dB 為間隔，共計20 種。仿真采用平坦瑞利衰落信道并設(shè)定其參數(shù)均值μ=0和方差σ2=1，ZF 盲均衡先采用最小化基于峭度的損失函數(shù)的方法獲取衰落信道估計值，結(jié)合空時編碼信息從衰落信號中恢復(fù)原始發(fā)送信號，并存儲全部接收天線信號作為數(shù)據(jù)集，每根天線單次收集的信號作為一個有效樣本。由于CNN 僅能處理實數(shù)數(shù)據(jù)，不能處理復(fù)數(shù)數(shù)據(jù)，因此需I/Q 分解一維復(fù)數(shù)數(shù)據(jù)（1×L）為二維數(shù)據(jù)（2×L），如式(14)所示。

其中，I表示信號的實部，Q表示信號的虛部。本文的數(shù)據(jù)集尺寸為[T×2×L]，其中，數(shù)據(jù)集Ω的總樣本數(shù)T=k m×ksnr×ks，km是信號種類數(shù)，ksnr是信噪比種類數(shù)，ks是每類樣本每種信噪比包含的樣本數(shù)。設(shè)km=5，ksnr=20，ks= 2 000。

為更好地理解源信號的恢復(fù)效果，通過星座圖方式來可視化時序信號特點(diǎn)。在SNR=10dB下，MIMO-OSTBC 收發(fā)端天線配置為3×5，數(shù)據(jù)集可視化結(jié)果如圖2 所示。在圖2 中，發(fā)射源信號s通過空時編碼、信道衰落和噪聲影響后，接收信號星座點(diǎn)產(chǎn)生了偏移，具有一定的幅相誤差，使星座圖出現(xiàn)混淆模糊，從而降低了不同調(diào)制方式間的特征區(qū)分度，進(jìn)而限制后續(xù)分類器性能。相比之下，ZF 盲均衡恢復(fù)的源信號的星座點(diǎn)模糊程度較小且聚類更明顯，能有效緩解信道和OSTBC 編碼影響，5 種調(diào)制方式間的區(qū)分度更大，較強(qiáng)的表征能力提升了調(diào)制識別的性能上限，而分類器只能無限逼近這一上限，因此，通過ZF 盲均衡提升信號表征能力是至關(guān)重要的。

圖2 數(shù)據(jù)集可視化（SNR=10dB，MIMO-OSTBC 收發(fā)端天線配置為3×5）

3 MIMO-OSTBC 系統(tǒng)調(diào)制識別算法

本文所設(shè)計的MIMO-OSTBC 系統(tǒng)調(diào)制識別原理如圖3 所示。對于接收機(jī)，通過下變頻、ZF 盲均衡、數(shù)據(jù)標(biāo)準(zhǔn)化以及I/Q 分解等一系列預(yù)處理以后，本文將2×N的數(shù)據(jù)樣本輸入識別網(wǎng)絡(luò)，進(jìn)一步完成特征提取和調(diào)制決策分類。

圖3 MIMO-OSTBC 系統(tǒng)調(diào)制識別原理

3.1 Z-score 標(biāo)準(zhǔn)歸一化預(yù)處理

考慮到發(fā)射信號經(jīng)過衰落信道后，不同接收信號功率受影響程度不同，為統(tǒng)一各數(shù)據(jù)樣本的數(shù)量級和增加可比性，并加快網(wǎng)絡(luò)收斂速度和防止梯度爆炸，本文采用Z-score 標(biāo)準(zhǔn)歸一化，基于輸入樣本的均值μ和標(biāo)準(zhǔn)差σ對進(jìn)行標(biāo)準(zhǔn)化，即

3.2 1D-CNN 一維卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

圖4 給出了本文所設(shè)計的一維卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)。為保證輸入數(shù)據(jù)的信息無損和避免復(fù)雜的統(tǒng)計特征轉(zhuǎn)換，本文模型輸入采用最原始的I/Q 數(shù)據(jù)，其包含天然無損的特征信息，且數(shù)據(jù)預(yù)處理簡易，這和文獻(xiàn)[10-11]的研究思路相同。

圖4 一維卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)

3.2.1 特征提取模塊

對于特征提取模塊，由5 個一維卷積層（Conv 1D）和4 個平均池化層級聯(lián)構(gòu)成。Fil 為濾波器個數(shù)，濾波器可視為特征檢測器，每個濾波器會從數(shù)據(jù)學(xué)習(xí)特征，采用金字塔形式來設(shè)計模型每層濾波器個數(shù)；Ker 為卷積核大小，借鑒主流的InceptionNet 和GoogleNet 中采用的3×3 小卷積核，本文選擇Ker=3。

首先，為更好地適應(yīng)時序數(shù)據(jù)的矢量特性和加快卷積運(yùn)算，本文采用1D 卷積而不是2D 卷積，Conv 1D[12]的輸入和輸出數(shù)據(jù)是二維的，而Conv 2D[13]則對應(yīng)三維輸入輸出，更適用于圖像數(shù)據(jù)。Conv 1D 主要通過輸入數(shù)據(jù)與卷積核的卷積運(yùn)算來提取數(shù)據(jù)高維特征，且卷積核移動方向是單維的，Conv 1D 層輸出為

圖5 一維卷積和平均池化原理

3.2.2 分類器模塊

從特征提取模塊到分類器模塊，需要采用Flatten 層將二維輸出特征圖展平壓縮成一維特征矢量。分類器模塊包含2 個全連接層、Dropout 層和一個輸出層，其中輸出層采用Softmax 激活函數(shù)，Dropout 層能降低模型過擬合風(fēng)險，提升模型穩(wěn)健性，這里選擇置零比例rate=0.2，即20%神經(jīng)元將會被賦值零權(quán)重。2 個全連接層中都采用ReLU 激活函數(shù)，神經(jīng)元節(jié)點(diǎn)數(shù)分別為128 和64，當(dāng)給定全連接層FC-1 的輸出特征矢量，全連接層FC-2的輸出特征矢量為

因此，在輸出概率矢量p基礎(chǔ)上，最后的調(diào)制識別問題就轉(zhuǎn)變?yōu)榛谧畲蠛篁灉?zhǔn)則的閉集分類問題，對于樣本輸入數(shù)據(jù)，判別輸出結(jié)果ξ為

為減小訓(xùn)練復(fù)雜度，本文對所有天線接收信號集中訓(xùn)練，僅訓(xùn)練一個1D-CNN，而不是訓(xùn)練M個網(wǎng)絡(luò)。在測試中，所有天線采用同一個網(wǎng)絡(luò)測試。本文采用隨機(jī)梯度下降策略來更新網(wǎng)絡(luò)權(quán)重矩陣W和偏置b，一個訓(xùn)練batch 對應(yīng)的損失函數(shù)為

其中，Kb是一個batch 包含的樣本數(shù)，log(?)是對數(shù)函數(shù)，和yj分別是真實標(biāo)簽和預(yù)測標(biāo)簽。

3.3 決策融合策略

本節(jié)主要介紹2 種決策融合策略。針對OSTBC(3,3,4)系統(tǒng)，在任一SNR 下，N路接收信號y受到的信道和瞬時噪聲影響程度不同，在通過ZF 盲均衡恢復(fù)后的源信號有M條支路，各支路信號的盲均衡恢復(fù)效果有所差別，所蘊(yùn)含的特征表達(dá)能力也不同，因此1D-CNN 分類器基于每一支路的信號所獲得調(diào)制識別精度存在差別，且傳統(tǒng)方法沒有協(xié)作利用各支路的決策信息，識別精度上還存在提升的空間。為了提升最終的調(diào)制識別精度，本文采用決策融合策略來匯總各支路的判決信息，有助于降低系統(tǒng)誤判的概率，具體如圖3 所示。

3.3.1投票決策融合

投票決策融合是在M條支路的最終判決信息（Argmax 層輸出的ξ）基礎(chǔ)上，使用“少數(shù)服從”多數(shù)的評判方法給出了最終的決策結(jié)果V(x)，即

3.3.2 投票決策融合

不同于投票決策融合，置信度決策融合主要原理是利用M條支路的置信度信息，即Softmax 激活層輸出的p，其中包含了每種調(diào)制類別的預(yù)測概率矢量，通過累加平均所有支路的置信度信息作為最終的判決依據(jù)，選擇最大概率p對應(yīng)的調(diào)制方式作為系統(tǒng)最終的預(yù)測類別P(x)，數(shù)學(xué)上可表示為

3.4 算法識別流程

本文所提出的MIMO-OSTBC 系統(tǒng)調(diào)制識別算法流程如算法1 所示。

算法1MIMO-OSTBC 系統(tǒng)調(diào)制識別算法

輸入

1) 預(yù)處理的訓(xùn)練集Ψ1和未處理的測試信號y。

2) 隨機(jī)初始化的1D-CNN 模型。

網(wǎng)絡(luò)訓(xùn)練

1) 隨機(jī)打亂訓(xùn)練樣本Ψ1，按每128 個樣本對應(yīng)一個batch，將整個數(shù)據(jù)集分為m個batch。

2) 將m個batch 的訓(xùn)練數(shù)據(jù)和樣本輸入初始化的1D-CNN。

3) 采用SGD 方法來更新網(wǎng)絡(luò)權(quán)重W和偏置b，當(dāng)網(wǎng)絡(luò)收斂時，保存訓(xùn)練好的模型參數(shù)。

測試信號ZF 盲均衡

1) 對信號進(jìn)行下變頻、載頻估計等預(yù)處理。

2) 按照第2 節(jié)的ZF 盲均衡策略，將N根天線的接收信號y恢復(fù)為M路估計的源信號。

歸一化預(yù)處理

決策融合輸出

1) 投票決策融合。根據(jù)式(20)和式(23)計算M路信號類型出現(xiàn)個數(shù)，用式(22)匯總M路判決結(jié)果，投票選擇出現(xiàn)最多的類型V(x)。

2) 置信度決策融合。通過式(19)和式(25)計算并統(tǒng)計M路信號上各類型出現(xiàn)置信度，用式(24)匯總M路置信度結(jié)果，選擇最大概率對應(yīng)的調(diào)制類型P(x)。

4 性能測試與分析

本節(jié)對所提算法識別精度進(jìn)行仿真驗證，采用的空時編碼類型為OSTBC(3,3,4)。本文MIMOOSTBC 系統(tǒng)搭建和數(shù)據(jù)集生成在MATLAB 2019a仿真平臺上完成，在TensorFlow2.0 環(huán)境下完成模型的搭建、訓(xùn)練和測試，所用GPU 型號為NVIDIA GeForce GTX 1660 Ti。按照6:2:2 的比例，整個數(shù)據(jù)集被切分為訓(xùn)練集、驗證集和測試集，且每種調(diào)制類型有相同大小的樣本子集，并使用Adam 優(yōu)化器進(jìn)行梯度更新，batch 批大小、輪次epoch 上限和初始學(xué)習(xí)率lr 分別設(shè)定為128、50 和0.001，對應(yīng)損失函數(shù)為交叉熵?fù)p失函數(shù)。針對過擬合問題，這里采用早停策略，當(dāng)驗證損失在5 個epoch 內(nèi)不再下降時停止模型訓(xùn)練。為評價所提識別算法性能，采用調(diào)制識別精度Pcc作為評價指標(biāo)。

其中，Ncorrect表示測試集樣本總數(shù)，Ntotal表示測試集中正確分類的樣本個數(shù)。

4.1 模型整體識別精度

本節(jié)從3 個方面測試模型整體識別精度，包括ZF 盲均衡效果、不同OSTBC 碼率以及不同調(diào)制類型。ZF 盲均衡預(yù)處理和不同OSTBC 碼率對識別精度的影響如圖6 所示，不管是OSTBC(3,3,4)還是OSTBC(3,4,8)，在整個SNR 范圍內(nèi)采用ZF 盲均衡的識別精度明顯高于無均衡的情況，從圖2 數(shù)據(jù)集可視化中也能看出，ZF 盲均衡能有效補(bǔ)償信道衰落影響，恢復(fù)信號的星座點(diǎn)更集中且特征區(qū)分度更明顯。在圖6 中，不同碼率的OSTBC 對識別精度影響較小，當(dāng)SNR≥?4 dB時，采用ZF 盲均衡的OSTBC(3,3,4)和OSTBC(3,4,8)的識別精度都大于95% 。其中，OSTBC(3,3,4) 碼率為3/4，而OSTBC(3,4,8)碼率為1/2，對應(yīng)空時編碼矩陣為

圖6 ZF 盲均衡預(yù)處理和不同OSTBC 碼率對識別精度的影響

為對比不同盲均衡方法的預(yù)處理效果，表1從先驗信息需求和平均識別精度兩方面進(jìn)行了驗證。其中，ML（maximum likelihood）盲均衡表示最大似然盲均衡方法[2]，MUK（multiuser kurtosis maximization）盲均衡表示基于多用戶峰態(tài)最大化的盲均衡方法[14]。首先，對于先驗信息需求，MUK方法僅要求發(fā)射天線數(shù)，ZF 方法需要考慮空時碼類型和盲信道估計值，ML 方法在ZF 方法基礎(chǔ)上還要求已知調(diào)制類型，這與本文調(diào)制識別任務(wù)相矛盾，因此不能將ML 方法應(yīng)用于本文中。其次，對于平均識別精度，相比ZF 方法和ML 方法，雖然MUK 方法的先驗需求最低，但MUK 方法在整個SNR 范圍內(nèi)平均識別精度最低。綜合考慮上述內(nèi)容，本文選擇ZF 方法來補(bǔ)償信道和空時編碼對調(diào)制信號的影響。

表1 不同盲均衡預(yù)處理方法的性能對比

不同SNR 下不同調(diào)制類型的識別度對比如圖7所示。當(dāng)SNR ≥ 0時，所有調(diào)制類型的識別精度都能達(dá)到100%，而SNR＜ 0時，調(diào)制識別精度有所下降。對于Mod-PSK 類間信號，隨著調(diào)制階數(shù)Mod的不斷增加，識別精度不斷下降，這是因為BPSK、QPSK 和8PSK 同屬于圓形Mod-PSK 類調(diào)制，存在較多重疊區(qū)域。相比低階BPSK、QPSK，高階8PSK由于重疊度大，其特征更為模糊，這在圖2 具象化的星座圖上也可看出。此外，在低SNR 下，4PAM和16QAM 的識別精度要高于Mod-PSK 類信號。

圖7 不同調(diào)制類型的識別精度

4.2 不同算法識別精度和復(fù)雜度對比

本節(jié)從識別精度和算法復(fù)雜度2 個角度對比了本文算法和現(xiàn)有算法[5,7]。不同算法的識別精度對比如圖8 所示。不同于基于特征工程的機(jī)器學(xué)習(xí)算法，所提1D-CNN 算法利用信號包含的天然無損的特征信息，并借助卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征自動提取能力，因此所提算法識別精度優(yōu)于現(xiàn)有算法，當(dāng)SNR=?4dB時，所提算法能達(dá)到99.5%的識別精度，而SAE-DNN 算法[7]、SVM 算法[5]和KNN 算法[5]分別達(dá)到 95%、88%和 88%的識別精度。且在SNR ≥2dB時，1D-CNN 算法識別精度比SAE-DNN算法提高了10%，而比SVM 算法和KNN 算法提高了20%。

圖8 不同算法識別精度對比

不同算法復(fù)雜度對比如表2 所示，主要包括2 個指標(biāo)：內(nèi)存消耗和測試時間。從測試時間來看，所提1D-CNN 算法和SAE-DNN 算法比KNN 算法和SVM 算法低了一個量級，處于亞毫秒級，且1D-CNN 具有最低的測試時間。由表2 還能看出，所提算法比KNN 算法和SVM 算法更小，占用更少的內(nèi)存，有利于實際移動端的部署，此外，根據(jù)圖8可知，雖然SAE-DNN 算法的模型內(nèi)存消耗最小，但其識別精度低于1D-CNN 算法。因此，綜合來看，所提1D-CNN算法能滿足實時性要求且識別精度高于現(xiàn)有方法，在工業(yè)應(yīng)用上擁有較高的發(fā)展前景。

表2 不同算法復(fù)雜度對比

4.3 不同決策融合策略下模型識別精度

不同決策融合策略下所提算法識別精度如圖9所示。從圖9 可以看出，不管是置信度決策融合還是投票決策融合，采用多路信號協(xié)作決策融合方法要比單一支路的決策識別方法性能更優(yōu)，在識別精度為95%時，相比單一支路決策方法，置信度決策融合和投票決策融合方法分別存在1 dB 和2 dB 的性能增益。從圖9 還可以看出，基于置信度決策融合策略比基于投票決策融合策略的識別精度更高，在SNR=?8dB時，置信度決策識別精度比投票決策方法存在20%的性能提升，因此，在本文仿真中，所提算法均采用置信度決策融合策略進(jìn)行調(diào)制識別。

圖9 不同決策融合策略下所提算法識別精度

4.4 不同接收天線下模型識別精度

不同接收天線數(shù)對模型識別精度的影響如圖10所示。對于OSTBC3 系統(tǒng)，發(fā)射端天線數(shù)Tx 設(shè)定為3。由圖10 可知，隨著接收端天線數(shù)Tr 的不斷增大，模型識別精度隨之上升，這是因為收發(fā)端天線數(shù)差值 Δ=Tr ? Tx 越大，系統(tǒng)分集增益越大，對應(yīng)的系統(tǒng)SNR 增益越大，可有效降低高斯白噪聲的影響和不同調(diào)制信號間特征間的模糊度，從而提升系統(tǒng)識別效果。從圖10 可以看出，當(dāng)SNR=?8dB時，從Tr=4到Tr=8，系統(tǒng)約有30%的識別精度提升。

圖10 不同接收天線下所提算法識別精度（Tx=3 ）

4.5 不同信道估計誤差 下模型識別精度

為了衡量所提算法對信道估計誤差的穩(wěn)健性，實驗測試了不同信道估計誤差對所提算法識別精度的影響，如圖11 所示。帶有估計誤差的信道矩陣為，其中，E是誤差矩陣，其服從均值為0、方差為的高斯分布；大小決定了估計誤差大小。相比無估計誤差，信號在有下識別精度有所下降，且隨著不斷增大，識別精度也隨之降低。對于SNR=0，當(dāng)≤0.3和≤0.1時，識別精度分別能達(dá)到90%以上和100%。因此，所提算法借助1D-CNN 所具備的強(qiáng)有力的自學(xué)能力，能有效改善一定程度的信道估計誤差影響。

圖11 不同信道估計誤差 對所提算法識別精度的影響

4.6 不同網(wǎng)絡(luò)參數(shù)下模型識別精度

本節(jié)驗證了網(wǎng)絡(luò)層數(shù)和卷積核大小對模型識別精度的影響。不同網(wǎng)絡(luò)層數(shù)對模型識別精度的影響如圖12 所示。圖12 中1D-CNN-A、1D-CNN-B和1D-CNN-C 分別表示刪除圖4 中網(wǎng)絡(luò)特征提取模塊的最后2 層、4 層和6 層，而1D-CNN-Entire 表示完整的模型。從圖12 可以看出，受限于淺層網(wǎng)絡(luò)的特征提取能力，模型識別精度會因網(wǎng)絡(luò)層數(shù)的遞減而下降，而多個卷積層和平均池化層的級聯(lián)，助推了信號高維特征的提取，可識別不同調(diào)制信號間的細(xì)微區(qū)別。

圖12 不同網(wǎng)絡(luò)層數(shù)下所提算法識別精度

不同卷積核尺寸Ker 對模型識別精度的影響如圖13 所示。從圖13 可以看出，對于完整的模型，Ker=2 到Ker=6 過程中，識別精度先增加后下降，且在Ker=3時識別精度達(dá)到最優(yōu)。這是因為較小的卷積核對應(yīng)感受野較小從而不能提取有效的特征；而較大的卷積核能獲得更大的感受野，但會提取過多無用的特征，且無法堆疊更多的網(wǎng)絡(luò)層，從而限制網(wǎng)絡(luò)的特征提取能力。因此，通過該實驗確定本文所用網(wǎng)絡(luò)的卷積核為Ker=3。

圖13 不同卷積核尺寸下所提算法識別精度

4.7 不同符號長度下模型識別精度

了不同樣本符號長度L下的調(diào)制識別精度如圖14所示。通過對原始數(shù)據(jù)進(jìn)行稀疏化采樣，每隔k個時間點(diǎn)對進(jìn)行采樣得到0 ≤i≤ [(n? 1)/k]。從圖14 可以看出，識別精度隨著L的增加總體呈增長趨勢，但當(dāng)L從128 增加到256 時，兩者識別精度差異較小，且當(dāng)SNR ≥?12 dB時，數(shù)據(jù)長度L=128能獲得最優(yōu)識別精度。此外，L過大會增加網(wǎng)絡(luò)訓(xùn)練和測試復(fù)雜度，因此，本文數(shù)據(jù)集和模型架構(gòu)選擇L=128作為樣本構(gòu)造參數(shù)和模型輸入尺寸。

圖14 不同符號長度下所提算法識別精度

5 結(jié)束語

本文基于ZF 盲均衡后的I/Q 數(shù)據(jù)形式，并結(jié)合前沿的深度神經(jīng)網(wǎng)絡(luò)模型，較好地完成了非合作通信場景下的MIMO-OSTBC 信號識別任務(wù)。所提算法直接使用內(nèi)在無損的I/Q 信號信息，避免了復(fù)雜的特征工程，并使用ZF 盲均衡來消除信道干擾，最后借助多天線決策融合策略來提升系統(tǒng)整體調(diào)制識別率。對比傳統(tǒng)算法，本文所提算法能獲得更高的識別精度，在SNR≥?6dB和SNR≥?2 dB下識別精度分別能達(dá)到95%和100%，這表明本文算法能在低SNR 下很好地工作。此外，本文針對一維時序OSTBC 信號形式，構(gòu)造了1D-CNN 來進(jìn)行調(diào)制識別的設(shè)計思路，這也有助于未來其他類型一維時序通信信號的智能化調(diào)制識別研究。