宋子豪, 程 偉,*, 彭岑昕, 李曉柏

(1.空軍預(yù)警學(xué)院預(yù)警情報(bào)系, 湖北 武漢 430019; 2.中國(guó)人民解放軍95246部隊(duì), 廣西 南寧 530001)

0 引 言

通信輻射源信號(hào)的調(diào)制方式識(shí)別是指在信號(hào)接收端對(duì)獲取到的調(diào)制信號(hào)進(jìn)行處理并識(shí)別其調(diào)制方式的技術(shù),在非合作通信及電子對(duì)抗領(lǐng)域具有重要的研究意義。傳統(tǒng)的調(diào)制方式識(shí)別方法可分為兩類:基于似然比判決理論的識(shí)別方法和基于特征提取的識(shí)別方法[1]?；谒迫槐扰袥Q理論的識(shí)別方法計(jì)算復(fù)雜度及對(duì)先驗(yàn)知識(shí)依賴度較高,基于特征提取的識(shí)別方法存在某些特征提取困難及非高斯信道下所提取特征的準(zhǔn)確性難以保證的問(wèn)題[2]。

近年來(lái),深度學(xué)習(xí)具有的自動(dòng)學(xué)習(xí)樣本深層特征的能力越來(lái)越受到調(diào)制方式識(shí)別領(lǐng)域研究者的關(guān)注,一些典型的深度學(xué)習(xí)方法已經(jīng)被應(yīng)用并取得了良好的效果。文獻(xiàn)[3]首次提出將信號(hào)的同相/正交(in-phase/quadrature,IQ)信號(hào)合并輸入卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)進(jìn)行通信信號(hào)的調(diào)制方式識(shí)別的方法,并建立了基準(zhǔn)數(shù)據(jù)集。文獻(xiàn)[4]將時(shí)域復(fù)信號(hào)分別直接輸入多種類型的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)中,通過(guò)改變網(wǎng)絡(luò)層數(shù)及層內(nèi)參數(shù),研究了各型網(wǎng)絡(luò)的識(shí)別性能。文獻(xiàn)[3-4]采用一維時(shí)域信號(hào)作為特征,信號(hào)受噪聲影響損失了部分有效特征,使得識(shí)別準(zhǔn)確率偏低。為了抑制噪聲等干擾對(duì)識(shí)別性能的影響,提升識(shí)別性能,一些變換域上的統(tǒng)計(jì)特征也被應(yīng)用于基于深度學(xué)習(xí)的調(diào)制方式識(shí)別方法中,如星座圖[5]、時(shí)頻分布矩陣[6-8]、雙譜[9]等。文獻(xiàn)[5]提取了二進(jìn)制相移鍵控(binary phase shift keying,BPSK)、四進(jìn)制振幅鍵控(4-order amplitude shift keying,4ASK)等8種類型調(diào)制信號(hào)的星座圖特征,比較了將星座圖、星座圖灰度圖、星座圖的增強(qiáng)灰度圖、三通道星座圖分別輸入AlexNet中的識(shí)別效果,在高斯信道下,信噪比為2 dB時(shí),對(duì)8種信號(hào)的識(shí)別準(zhǔn)確率達(dá)到了97.3%。文獻(xiàn)[6]利用平滑偽Wigner-Ville分布和Born-Jordan分布得到時(shí)頻圖特征,再將其與瞬時(shí)特征結(jié)合,提出了一種基于CNN和融合特征的自動(dòng)調(diào)制方式識(shí)別方案,在高斯信道下,該方案在-4 dB時(shí)對(duì)2ASK、4ASK等8種信號(hào)的識(shí)別準(zhǔn)確率均超過(guò)88%。文獻(xiàn)[9]將雙譜和深度神經(jīng)網(wǎng)絡(luò)用于高斯信道下信號(hào)的調(diào)制方式識(shí)別中,0 dB時(shí)對(duì)常規(guī)脈沖(normal pulse,NP)、線性調(diào)頻(linear frequency modulation,LFM)、BPSK、頻移鍵控(frequncy shift keying,FSK)這4種信號(hào)的識(shí)別準(zhǔn)確率達(dá)到了97%。文獻(xiàn)[5-6,9]所提出方法在高斯信道下識(shí)別性能均優(yōu)于將時(shí)域信號(hào)作為輸入樣本的深度學(xué)習(xí)方法,但是上述方法未對(duì)萊斯信道下信號(hào)的識(shí)別性能進(jìn)行研究。文獻(xiàn)[7-8]使用短時(shí)傅里葉變換(short time Fourier transform, STFT)將萊斯信道下的一維信號(hào)轉(zhuǎn)換為二維時(shí)頻譜圖像,將其作為樣本送入深度神經(jīng)網(wǎng)絡(luò)中。仿真結(jié)果表明,相對(duì)于時(shí)域信號(hào)作為輸入樣本的深度學(xué)習(xí)方法,上述方法在高信噪比時(shí)性能提升明顯,而低信噪比時(shí)性能有待提高。

針對(duì)萊斯信道下傳統(tǒng)識(shí)別方法特征提取準(zhǔn)確性難以保證、深度學(xué)習(xí)方法在低信噪比下識(shí)別率較低的問(wèn)題,本文提出了一種基于Choi-Williams分布(Choi-William distribution, CWD)和深度殘差收縮網(wǎng)絡(luò)(deep residual shrinkage network, DRSN)的通信輻射源信號(hào)調(diào)制方式識(shí)別方法,利用CWD將一維復(fù)信號(hào)變換為二維時(shí)頻分布矩陣,獲取更本質(zhì)特征,通過(guò)殘差網(wǎng)絡(luò)、軟閾值化提升低信噪比下的識(shí)別能力。

1 輻射源信號(hào)及信道模型

本文選用O’Shea于2016年建立的開(kāi)源基準(zhǔn)數(shù)據(jù)集RadioML2016.10a作為實(shí)驗(yàn)數(shù)據(jù)集[3],該數(shù)據(jù)通過(guò)GNUradio軟件無(wú)線電平臺(tái)生成,包含有11種調(diào)制信號(hào);信道環(huán)境為混有高斯白噪聲的萊斯信道;同一信噪比下各調(diào)制方式各有1 000個(gè)樣本,信噪比范圍為-20～18 dB,步進(jìn)2 dB,共有220 000個(gè)樣本;每個(gè)樣本包含同相和正交分量,采樣點(diǎn)數(shù)為128。

數(shù)據(jù)集信道模型為

(1)

2 數(shù)據(jù)預(yù)處理方法及網(wǎng)絡(luò)描述

本文方法運(yùn)用CWD相關(guān)理論對(duì)復(fù)信號(hào)進(jìn)行時(shí)頻變換,得到時(shí)頻分布矩陣。利用Z-Score標(biāo)準(zhǔn)化方法對(duì)時(shí)頻分布矩陣進(jìn)行標(biāo)準(zhǔn)化,保證數(shù)據(jù)的可比性。本文運(yùn)用的深度學(xué)習(xí)網(wǎng)絡(luò)模型為添加軟閾值化的DRSN。

2.1 CWD分布及標(biāo)準(zhǔn)化

傅里葉變換(Fourier transform, FT)是信號(hào)分析領(lǐng)域應(yīng)用廣泛的算法,但是其不能同時(shí)進(jìn)行時(shí)間-頻率局域性分析,也不適用于非平穩(wěn)信號(hào)。短時(shí)FT(short time FT, STFT)可以同時(shí)獲取信號(hào)的時(shí)頻域特征,但是受測(cè)不準(zhǔn)定理約束,時(shí)頻分辨率有一定局限。針對(duì)萊斯信道下信號(hào)存在時(shí)延及多普勒頻移的情況,Cohen類時(shí)頻分析方法因?yàn)榫哂袝r(shí)移不變性和頻移不變性,能在一定程度上規(guī)避二者對(duì)接收信號(hào)特征的影響,更適合對(duì)此類信號(hào)進(jìn)行時(shí)頻分析。

Cohen類時(shí)頻分布可由模糊函數(shù)定義[11],即

Cx(t,Ω)=?Ax(θ,τ)g(θ,τ)e-j(tθ+Ωτ)dτdθ

(2)

rx(t,τ)=x(t+τ/2)x*(t-τ/2)

(3)

(4)

式中：x(t)為某一復(fù)信號(hào)；(·)*表示取共軛；rx(t,τ)、Ax(θ,τ)分別是x(t)的瞬時(shí)自相關(guān)函數(shù)及模糊函數(shù)；g(θ,τ)是(θ,τ)平面上的核函數(shù),其目的是為了抑制交叉項(xiàng)。給定不同的核函數(shù),就可以產(chǎn)生不同的Cohen類時(shí)頻分析方法。CWD的核函數(shù)為e-θ2τ2/σ,表達(dá)式[12]為

(5)

(6)

2.2 DRSN

為了解決多層CNN結(jié)構(gòu)模型退化的問(wèn)題,He提出了跳層連接的深度殘差網(wǎng)絡(luò)(residual networks, ResNets)[13]。DRSN作為ResNets的變體,最早用于故障振動(dòng)信號(hào)的分類識(shí)別。由于在殘差模塊的基礎(chǔ)上引入了軟閾值化,其在含噪信號(hào)的分類識(shí)別上有著更好的效果[14]。

軟閾值化是小波降噪算法中的核心步驟,在小波軟閾值降噪算法中,往往需要經(jīng)過(guò)選擇小波基、分解信號(hào)得到小波系數(shù)和近似系數(shù)、選擇固定閾值、估計(jì)小波系數(shù)等步驟達(dá)到數(shù)據(jù)降噪目的,而選取的固定閾值往往不適應(yīng)于所有樣本[15]。深度神經(jīng)網(wǎng)絡(luò)提供了解決這個(gè)問(wèn)題的新方法,通過(guò)設(shè)置子網(wǎng)絡(luò)獲取當(dāng)前層輸出特征圖各通道的閾值,隨后將閾值輸入至軟閾值函數(shù)中,軟閾值函數(shù)的輸出值即為降噪后的各通道特征圖數(shù)值。深度學(xué)習(xí)和軟閾值的結(jié)合可以自適應(yīng)獲取閾值,消除噪聲相關(guān)信息及重構(gòu)特征,從而有利于分類任務(wù)性能的提升。軟閾值函數(shù)[15]的表達(dá)式為

(7)

式中:din表示輸入特征;y表示輸出特征;τ表示閾值,是一個(gè)恒正數(shù)。深度殘差收縮模塊(deep residual shrinkage module, DRSM)如圖1所示。

圖1 DRSM結(jié)構(gòu)

輸入經(jīng)過(guò)第l卷積層,通過(guò)批標(biāo)準(zhǔn)化(batch normalization, BN)、ReLU函數(shù)得到Al+1,將其作為第l+1卷積層的輸入。在第l+1卷積層構(gòu)造一個(gè)獲取閾值的子網(wǎng)絡(luò),對(duì)第l+1卷積層的輸出X完成取絕對(duì)值操作、全局均值量化得到均值參數(shù)β,β為一個(gè)一維向量。隨后,經(jīng)過(guò)兩層全連接層,通過(guò)Sigmoid函數(shù)輸出一組取值在0和1之間的縮放參數(shù)α,之后將縮放參數(shù)α與β對(duì)應(yīng)項(xiàng)相乘,得到一組閾值τ,其維度為(C,1)。最終,每個(gè)特征圖的通道將擁有獨(dú)立的閾值。各通道閾值獲取的具體過(guò)程表示為

(8)

(9)

τc=αcβc

(10)

(11)

Al+2=As+f(Al)

(12)

本文定義的DRSN結(jié)構(gòu)及參數(shù)如圖2所示。其中,Conv代表卷積層,S代表步進(jìn)數(shù);DRSM代表深度殘差收縮模塊,FCL代表全連接層;(128×128×30)代表上一層輸出特征圖的尺寸為128×128,通道數(shù)為30。輸入樣本經(jīng)過(guò)1層卷積層、8層殘差收縮模塊及BN、ReLu函數(shù)處理后,多通道特征圖最終展開(kāi)為一維向量并輸入到全連接層,隨后通過(guò)Softmax函數(shù)得到調(diào)制方式識(shí)別結(jié)果,其中第一層卷積層的卷積核尺寸為5×5,DRSM塊內(nèi)卷積層尺寸為3×3。卷積層采用文獻(xiàn)[13]提出的正態(tài)分布初始化方法以及l(fā)2正則化。利用添加l2正則化項(xiàng)的交叉熵函數(shù)計(jì)算網(wǎng)絡(luò)損失值,以此作為網(wǎng)絡(luò)性能指標(biāo)[16],表達(dá)式為

圖2 DRSN結(jié)構(gòu)及參數(shù)

(13)

3 調(diào)制方式識(shí)別流程

調(diào)制方式識(shí)別的具體步驟如下。

步驟 1隨機(jī)初始化DRSN,抽取訓(xùn)練集規(guī)定個(gè)數(shù)的樣本輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

步驟 2將網(wǎng)絡(luò)最后一層得到的分類結(jié)果和實(shí)際類型比較,利用添加l2正則化項(xiàng)的交叉熵函數(shù)計(jì)算網(wǎng)絡(luò)損失值,通過(guò)優(yōu)化算法反向調(diào)節(jié)網(wǎng)絡(luò)權(quán)值。

步驟 3在每輪訓(xùn)練開(kāi)始之前,調(diào)取測(cè)試集損失值,以此為標(biāo)準(zhǔn)衡量網(wǎng)絡(luò)性能。當(dāng)其5輪之內(nèi)未下降則中止訓(xùn)練。

步驟 4重復(fù)步驟2～步驟4,直到達(dá)到訓(xùn)練次數(shù)上限或滿足提前中止訓(xùn)練條件,訓(xùn)練結(jié)束后保存權(quán)值輸出分類模型。

步驟 5將驗(yàn)證集輸入分類模型,得到分類結(jié)果。

4 仿真實(shí)驗(yàn)與結(jié)果分析

4.1 仿真實(shí)驗(yàn)條件

本文使用RadioML2016.10a數(shù)據(jù)集中八進(jìn)制相移鍵控(8 phase frequency shift keying, 8PSK)、雙邊帶幅度調(diào)制(double-sideband amplitude modulation, AM-DSB)、單邊帶幅度調(diào)制(single-sideband amplitude modulation, AM-SSB)、BPSK、連續(xù)相移鍵控(continuous phase frequency shift keying, CPFSK)、高斯頻移鍵控(Gauss frequency shift keying, GFSK)、四脈沖振幅調(diào)制(4 pulse amplitude modulation, PAM4)、十六進(jìn)制正交振幅調(diào)制(16 quadrature amplitude modulation, 16QAM)、六十四進(jìn)制正交振幅調(diào)制(64 quadrature amplitude modulation, 64QAM)、正交相移鍵控(quadrature phase shift keying，QPSK)、寬帶調(diào)頻(wide band frequency modulation, WBFM)的11種信號(hào)樣本作為研究對(duì)象,信噪比范圍為-20～18 dB,各信噪比下每種調(diào)制方式樣本數(shù)為1 000,按照0.6∶0.2∶0.2的比例劃分訓(xùn)練集、測(cè)試集、驗(yàn)證集。本文采用文獻(xiàn)[7]思路,分信噪比建立識(shí)別網(wǎng)絡(luò),單次訓(xùn)練輸入的樣本數(shù)為100,網(wǎng)絡(luò)優(yōu)化函數(shù)采用Adam算法[17]。迭代次數(shù)上限設(shè)置為200,為避免網(wǎng)絡(luò)過(guò)擬合,在訓(xùn)練過(guò)程中設(shè)立早停機(jī)制,以測(cè)試集損失值為監(jiān)測(cè)指標(biāo),當(dāng)其5輪之內(nèi)未下降則停止訓(xùn)練,輸出分類模型。

本文利用Matlab 2020a軟件進(jìn)行信號(hào)CWD變換,利用Python及相關(guān)庫(kù)進(jìn)行標(biāo)準(zhǔn)化、樣本劃分,依托Tensorflow1.13.1、Keras2.2.4搭建網(wǎng)絡(luò)并完成測(cè)試分析工作。本文實(shí)驗(yàn)硬件平臺(tái)搭載Intel Core i5 10200H型CPU,內(nèi)存為16 GB,顯卡為Nvidia GTX2060 6 G,硬盤(pán)大小為512 GB。

4.2 不同信噪比下的調(diào)制方式識(shí)別性能仿真

設(shè)Nall為樣本總數(shù),Ncorr為分類結(jié)果正確的樣本個(gè)數(shù),定義總體識(shí)別準(zhǔn)確率:

(14)

圖3表示本文方法在不同信噪比下總體識(shí)別準(zhǔn)確率。

圖3 不同信噪比下的總體識(shí)別準(zhǔn)確率

由圖3可知,總體識(shí)別準(zhǔn)確率隨信噪比的提高而提高。得益于軟閾值化和殘差網(wǎng)絡(luò)的優(yōu)良表現(xiàn),本文方法在低信噪比時(shí)表現(xiàn)良好。0 dB時(shí),總體識(shí)別準(zhǔn)確率達(dá)到了89.95%;0 dB以上時(shí),總體識(shí)別準(zhǔn)確率均超過(guò)91%。

以此為指標(biāo)評(píng)判對(duì)不同調(diào)制方式的分類能力。圖4為不同信噪比下各調(diào)制方式的召回率。

圖4 各調(diào)制方式在不同信噪比下的召回率

由圖3和圖4可知,除AM-DSB、WBFM信號(hào)外,各調(diào)制方式召回率隨信噪比的提高而提高。得益于軟閾值化和殘差網(wǎng)絡(luò)的優(yōu)良表現(xiàn),本文方法在低信噪比時(shí)表現(xiàn)良好。0 dB時(shí),對(duì)除AM-DSB、WB-FM信號(hào)外的其他類型調(diào)制信號(hào)召回率超過(guò)89%,總體識(shí)別準(zhǔn)確率達(dá)到89.95%;0 dB以上時(shí),對(duì)除AM-DSB、WBFM信號(hào)外的其他類型調(diào)制信號(hào)召回率均超過(guò)88%,總體識(shí)別準(zhǔn)確率均超過(guò)91%。

不同信噪比條件下分類混淆矩陣如圖5所示。由圖4及圖5可知,本文方法在區(qū)分WBFM和AM-DSB信號(hào)時(shí)出現(xiàn)困難,這是由于原始數(shù)據(jù)集中這兩種調(diào)制方式的樣本是由實(shí)際音頻流生成,在這個(gè)過(guò)程中有一段音頻流的中斷期,導(dǎo)致這兩種調(diào)制方式存在許多相似的樣本,影響了識(shí)別的準(zhǔn)確率。此外,圖5結(jié)果顯示,QAM類信號(hào)發(fā)生了少量樣本的類內(nèi)錯(cuò)判,這是由于QAM類信號(hào)相位模式差異細(xì)微,載波相位變換在每個(gè)周期內(nèi)僅出現(xiàn)一次,使得雙線性變換后部分時(shí)頻圖的相似度較高,區(qū)分度受到影響,但召回率仍保持在88%以上。

圖5 不同信噪比條件下分類混淆矩陣

4.3 不同時(shí)頻方法下的識(shí)別性能仿真

選取Cohen類時(shí)頻分析方法中常用的Wigner-Ville分布(Wigner-Ville distribution, WVD)[18]、CWD、Zhao-Atlas-Mark分布(Zhao-Atlas-Marks distribution, ZAMD)[19]、譜圖分布(spectrogram, SP)[11]作為時(shí)頻變換方法,窗口大小均設(shè)置為21,分別得到維度為128×128的分布矩陣。將4種方法所得時(shí)頻矩陣以及原始信號(hào)分別輸入網(wǎng)絡(luò)中進(jìn)行訓(xùn)練,訓(xùn)練結(jié)束后利用驗(yàn)證集對(duì)比不同方法下的識(shí)別性能,如圖6所示。

圖6 不同時(shí)頻方法下的總體識(shí)別準(zhǔn)確率

由圖6可知,在絕大多數(shù)信噪比下,時(shí)頻分布矩陣作為輸入的方法性能要優(yōu)于將原始信號(hào)作為輸入的方法。使用CWD作為時(shí)頻分析方法得到的矩陣作為樣本時(shí),識(shí)別性能表現(xiàn)最優(yōu),而使用WVD獲取的總體識(shí)別準(zhǔn)確率最低。WVD雖然不受測(cè)不準(zhǔn)原理限制,時(shí)頻分辨率較高,但是其引入了交叉項(xiàng)干擾,從而對(duì)識(shí)別性能造成了嚴(yán)重影響。SP沒(méi)有引入交叉項(xiàng)影響,但是其較低的時(shí)頻分辨率對(duì)識(shí)別性能造成了負(fù)面影響。ZAMD可消弱交叉項(xiàng)干擾,使得低信噪比下的識(shí)別性能得以提升。但是當(dāng)信噪比大于6 dB時(shí),識(shí)別性能出現(xiàn)下滑。綜合來(lái)看,CWD時(shí)頻聚集度高,抑制交叉項(xiàng)表現(xiàn)好,相同條件下識(shí)別性能最優(yōu)。

4.4 不同數(shù)據(jù)維度下的識(shí)別性能仿真

深度學(xué)習(xí)訓(xùn)練中常常利用降維減少訓(xùn)練時(shí)間,但數(shù)據(jù)降維同樣存在著損失有效信息的風(fēng)險(xiǎn)。本節(jié)利用雙三次插值方法對(duì)時(shí)頻矩陣進(jìn)行抽樣降維,將維度由128×128分別降至64×64、32×32。將不同維度的時(shí)頻分布矩陣輸入至網(wǎng)絡(luò)中進(jìn)行訓(xùn)練,比較數(shù)據(jù)維度對(duì)性能的影響,如圖7所示。

圖7 不同樣本維度下的總體識(shí)別準(zhǔn)確率

圖7表明,信噪比為-6 dB以上時(shí),將未進(jìn)行降維的矩陣輸入網(wǎng)絡(luò)的總體識(shí)別準(zhǔn)確率均顯著優(yōu)于將降維后的矩陣作為樣本的方法。這說(shuō)明,降維導(dǎo)致的有效信息的損失,會(huì)使得模型總體識(shí)別準(zhǔn)確率下滑,直接影響分類性能。

4.5 不同模塊個(gè)數(shù)及模塊內(nèi)卷積核尺寸下的識(shí)別性能仿真

本實(shí)驗(yàn)主要探究殘差模塊個(gè)數(shù)及模塊內(nèi)卷積核尺寸對(duì)于分類性能的影響。首先,將時(shí)頻分布矩陣預(yù)處理后作為輸入樣本,改變殘差收縮模塊的個(gè)數(shù),對(duì)比殘差收縮模塊個(gè)數(shù)對(duì)識(shí)別性能的影響。將殘差模塊數(shù)量NUM分別設(shè)置為2、4、6、8、10。圖8(a)顯示了不同模塊個(gè)數(shù)下的總體識(shí)別率表現(xiàn)。由圖8(a)可知,當(dāng)NUM為8時(shí),識(shí)別性能達(dá)到最優(yōu)。NUM為2或4時(shí),網(wǎng)絡(luò)深度不足,模型提取特征的能力受到限制,在0 dB時(shí),總體識(shí)別準(zhǔn)確率均低于83%。NUM為6時(shí),總體識(shí)別準(zhǔn)確率得到顯著提升,但是識(shí)別性能低于NUM為8的方法。而把NUM提升為10時(shí),網(wǎng)絡(luò)復(fù)雜度過(guò)高,使得其在某些信噪比下出現(xiàn)過(guò)擬合,識(shí)別性能退化。

圖8 不同模塊個(gè)數(shù)及卷積核尺寸下的總體識(shí)別準(zhǔn)確率

將NUM固定為8,改變塊內(nèi)卷積核尺寸KS, 將KS設(shè)為3、5、7,探究改變卷積核尺寸大小對(duì)識(shí)別性能的影響,如圖8(b)所示。KS=3時(shí),網(wǎng)絡(luò)識(shí)別性能達(dá)到最優(yōu)。當(dāng)KS>3時(shí),模型性能未見(jiàn)明顯提升,信噪比大于10 dB時(shí),總體識(shí)別準(zhǔn)確率甚至出現(xiàn)小幅度下滑。這是由于輸入特征圖維度較低時(shí),較大的卷積核不利于局部特征的提取,引起了網(wǎng)絡(luò)退化。

4.6 不同網(wǎng)絡(luò)架構(gòu)下的識(shí)別性能仿真

將時(shí)頻分布矩陣分別輸入至模塊數(shù)相同、塊內(nèi)卷積核尺寸一致的CNN、ResNets、DRSN進(jìn)行訓(xùn)練。圖9為3種不同網(wǎng)絡(luò)結(jié)構(gòu)的性能對(duì)比。表1為3種網(wǎng)絡(luò)結(jié)構(gòu)單批次訓(xùn)練所需時(shí)間及訓(xùn)練參數(shù)個(gè)數(shù)。本文所采用的DRSN相較于另外兩種網(wǎng)絡(luò),訓(xùn)練參數(shù)更多,單批次訓(xùn)練時(shí)間更長(zhǎng),以增加系統(tǒng)復(fù)雜度和訓(xùn)練時(shí)間換取了更優(yōu)的識(shí)別性能。得益于軟閾值的加入,在-2～18 dB時(shí),DRSN識(shí)別表現(xiàn)優(yōu)于另外兩種網(wǎng)絡(luò)。

圖9 不同網(wǎng)絡(luò)架構(gòu)下的總體識(shí)別準(zhǔn)確率

表1 不同網(wǎng)絡(luò)架構(gòu)下單批次訓(xùn)練時(shí)間及訓(xùn)練參數(shù)個(gè)數(shù)

4.7 本文方法與其他文獻(xiàn)識(shí)別性能對(duì)比

為了評(píng)估本文方法的性能，將本文所提出的方法與將IQ信號(hào)作為輸入特征的方法進(jìn)行對(duì)比。文獻(xiàn)[4]運(yùn)用CNN、密集卷積網(wǎng)絡(luò)(dense convolutional network, DenseNet)、ResNets、卷積長(zhǎng)短期記憶全連接深度神經(jīng)網(wǎng)絡(luò)(convolutional, long short-term memory, fully connected deep neural networks, CLDNN)等深度神經(jīng)網(wǎng)絡(luò)，提出了IQ-CNN、IQ-DenseNet、IQ-ResNets、IQ-CLDNN等多種方法。文獻(xiàn)[20]將IQ信號(hào)輸入至長(zhǎng)短期記憶網(wǎng)絡(luò)(long short-term memory, LSTM)、添加注意力機(jī)制的長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM-attention)中，提出了IQ-LSTM及IQ-LSTM-Attention方法。本文方法與復(fù)時(shí)域信號(hào)直接輸入方法的總體識(shí)別準(zhǔn)確率如圖10(a)所示?？芍?相較于將復(fù)時(shí)域信號(hào)直接輸入的深度學(xué)習(xí)方法,本文方法的識(shí)別性能有較大提升,信噪比在-6～18 dB下總體識(shí)別準(zhǔn)確率均高于其他文獻(xiàn)方法。信噪比為-2 dB時(shí),本文方法的總體識(shí)別準(zhǔn)確率較其他方法提升了約7%,信噪比為18 dB時(shí),本文方法的總體識(shí)別準(zhǔn)確率較其他方法提升了約3%。

圖10 本文方法與其他文獻(xiàn)方法的總體識(shí)別準(zhǔn)確率對(duì)比

將本文所提出的方法與將時(shí)頻圖等二維特征圖作為輸入特征的方法進(jìn)行對(duì)比。文獻(xiàn)[6]利用STFT、高斯濾波(Gaussian filter, GF)、模糊函數(shù)(ambiguity function，AF)及譜密度函數(shù)(spectral density function, SCF)等方法提取二維特征，提出了STFT-CNN、STFT-GF-CNN、AF-CNN、SCF-CNN等方法。文獻(xiàn)[8]將利用STFT得到的時(shí)頻特征作為特征向量，提出了基于復(fù)數(shù)CNN(complex CNN, CCNN)、雙向LSTM(bi-directional LSTM, BiLSTM)的STFT-CCNN-LSTM方法。將本文所提出的方法與上述方法對(duì)比，如圖10(b)所示。由10(b)可知,在信噪比大于-6 dB時(shí),本文方法識(shí)別性能優(yōu)于其他方法。在0 dB時(shí),總體識(shí)別準(zhǔn)確率較其他方法高約10%,在18 dB時(shí),總體識(shí)別準(zhǔn)確率較其他方法高3%以上。

5 結(jié) 論

本文提出了一種萊斯信道下基于CWD及DRSN的通信輻射源信號(hào)調(diào)制方式識(shí)別方法,該方法整合CWD、軟閾值化、ResNets,分信噪比建立識(shí)別網(wǎng)絡(luò),實(shí)現(xiàn)了對(duì)基準(zhǔn)數(shù)據(jù)集RadioML2016.10a中信號(hào)的有效識(shí)別。在0 dB時(shí),對(duì)11類信號(hào)的總體識(shí)別準(zhǔn)確率達(dá)到了89.95%;在2 dB及以上時(shí),總體識(shí)別準(zhǔn)確率均超過(guò)91%,優(yōu)于其他同類深度學(xué)習(xí)算法。如何進(jìn)一步建立考慮多載波信號(hào)在內(nèi)的調(diào)制識(shí)別方法以及結(jié)合實(shí)測(cè)數(shù)據(jù)的應(yīng)用將成為下一步的研究方向。