秦博偉, 蔣 磊, 許 華, 齊子森

(空軍工程大學(xué)信息與導(dǎo)航學(xué)院, 陜西 西安 710077)

0 引 言

通信信號(hào)的自動(dòng)調(diào)制分類識(shí)別(automatic modulation classification, AMC)是認(rèn)知無線電系統(tǒng)的關(guān)鍵技術(shù)之一,在非協(xié)作通信系統(tǒng)條件下,接收端在信號(hào)調(diào)制信息未知的情況下能否快速準(zhǔn)確地判別接收信號(hào)的調(diào)制樣式,是后續(xù)對信號(hào)進(jìn)行解調(diào)的關(guān)鍵前提。復(fù)雜電磁環(huán)境下,AMC技術(shù)在戰(zhàn)場偵察、信號(hào)參數(shù)估計(jì)和頻譜監(jiān)測等方面都發(fā)揮重要作用。

調(diào)制識(shí)別技術(shù)發(fā)展至今,無論是基于人工設(shè)計(jì)特征的傳統(tǒng)方法還是基于深度學(xué)習(xí)的算法均已取得了豐碩的研究成果。傳統(tǒng)方法方面,文獻(xiàn)[3-5]通過構(gòu)造不同似然函數(shù)來實(shí)現(xiàn)信號(hào)的調(diào)制分類,文獻(xiàn)[6-8]利用信號(hào)的循環(huán)譜特征來區(qū)分不同調(diào)制方式的信號(hào),文獻(xiàn)[9-11]利用信號(hào)的高階累積量實(shí)現(xiàn)信號(hào)的調(diào)制方式識(shí)別。深度學(xué)習(xí)算法方面,文獻(xiàn)[12-14]分別利用卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network, CNN)和殘差網(wǎng)絡(luò)(residual network, Resnet)完成了對11種調(diào)制信號(hào)的分類識(shí)別,并且使用監(jiān)督學(xué)習(xí)思想建立調(diào)制信號(hào)端到端的識(shí)別模型。文獻(xiàn)[15]將自編碼器和CNN結(jié)合,實(shí)現(xiàn)對數(shù)據(jù)的降維處理,一定程度上降低了算法復(fù)雜度。FAN等人提出了一種聯(lián)合噪聲估計(jì)的調(diào)制識(shí)別算法,該算法同時(shí)將原始信號(hào)數(shù)據(jù)和信噪比作為神經(jīng)網(wǎng)絡(luò)的輸入,仿真結(jié)果表明這種算法在不同信噪比、不同頻偏下的識(shí)別準(zhǔn)確率已經(jīng)接近理論識(shí)別準(zhǔn)確率的上限。Qi等人設(shè)計(jì)了一種多模特征匹配殘差網(wǎng)絡(luò),大樣本條件下對調(diào)制信號(hào)的識(shí)別準(zhǔn)確率在10 dB可以達(dá)到94%。文獻(xiàn)[18]從數(shù)據(jù)生成的角度出發(fā),首次將生成式對抗網(wǎng)絡(luò)(generative adversarial networks, GAN)應(yīng)用于數(shù)據(jù)的分類識(shí)別。Bu等人則將GAN引入到遷移學(xué)習(xí)中,利用GAN生成的虛假數(shù)據(jù)來訓(xùn)練網(wǎng)絡(luò),最后遷移到真實(shí)數(shù)據(jù)的調(diào)制樣式識(shí)別。

傳統(tǒng)調(diào)制識(shí)別方法依賴人工設(shè)計(jì)特征、可識(shí)別的信號(hào)種類較少、網(wǎng)絡(luò)泛化能力較弱;而基于深度學(xué)習(xí)的調(diào)制識(shí)別算法往往需要利用大量的標(biāo)簽數(shù)據(jù)來訓(xùn)練網(wǎng)絡(luò)、算法復(fù)雜度較高。針對上述問題,本文提出一種基于殘差GAN(Residual GAN, Res-GAN)的調(diào)制識(shí)別算法,首先生成網(wǎng)絡(luò)學(xué)習(xí)不同分布域數(shù)據(jù)的特征信息,通過噪聲生成高質(zhì)量的虛假數(shù)據(jù)來擴(kuò)充數(shù)據(jù)集;其次設(shè)計(jì)了一種由新殘差單元組成的Resnet作為判別網(wǎng)絡(luò),有效提升了網(wǎng)絡(luò)的特征提取能力,更好地區(qū)分相似信號(hào)。實(shí)驗(yàn)證明,本文提出的算法在小樣本條件下識(shí)別準(zhǔn)確率顯著提升，模型收斂速度加快,算法復(fù)雜度明顯降低。

1 Res-GAN

1.1 網(wǎng)絡(luò)模型設(shè)計(jì)

網(wǎng)絡(luò)深度不僅決定了網(wǎng)絡(luò)提取信號(hào)特征的復(fù)雜性,而且會(huì)影響模型整體性能,網(wǎng)絡(luò)層的數(shù)量堆積可以豐富特征級(jí)別,層堆疊的方式可以獲得信號(hào)高維特征空間的參量,但是由于深層網(wǎng)絡(luò)反向傳播時(shí),層數(shù)堆積的累積效應(yīng)會(huì)造成梯度消失或梯度爆炸,導(dǎo)致深層網(wǎng)絡(luò)性能退化。因此需要合理選擇網(wǎng)絡(luò)深度使模型的整體性能達(dá)到最佳。CNN可以對信息進(jìn)行較為廣泛的特征提取,而Resnet則被證實(shí)在信號(hào)的細(xì)微特征提取和改善網(wǎng)絡(luò)梯度訓(xùn)練方面具有很好的效果,因此本文算法的網(wǎng)絡(luò)模型用CNN作為生成器(generator,G)網(wǎng)絡(luò),用新殘差單元組成的Resnet作為判別器(discriminator,D)網(wǎng)絡(luò)。

為了達(dá)到網(wǎng)絡(luò)生成虛假數(shù)據(jù)并實(shí)現(xiàn)信號(hào)分類的目的,將網(wǎng)絡(luò)輸出層修改為兩部分:判別數(shù)據(jù)的真假屬性和類別屬性。根據(jù)G、D網(wǎng)絡(luò)間的邏輯關(guān)系,Res-GAN結(jié)構(gòu)如圖1所示。

圖1 Res-GAN結(jié)構(gòu)

G輸入為噪聲、輸出為虛假數(shù)據(jù),D輸入為無標(biāo)簽數(shù)據(jù)、有標(biāo)簽數(shù)據(jù)和虛假數(shù)據(jù),輸出為兩部分:真假分類器判定虛假數(shù)據(jù)與無標(biāo)簽數(shù)據(jù)的相似度,類別分類器判定有標(biāo)簽數(shù)據(jù)的類別屬性。通過D的輸出結(jié)果分別訓(xùn)練G和D,當(dāng)訓(xùn)練一方時(shí),固定另一方的參數(shù)和網(wǎng)絡(luò)權(quán)值,從而實(shí)現(xiàn)兩者之間對抗訓(xùn)練、互相提高的目的。

組成D網(wǎng)絡(luò)的新殘差單元結(jié)構(gòu)如圖2所示,利用Leakyrelu作為隱藏層激活函數(shù)并去除池化層,一方面較好地保留了初始信息量,另一方面在執(zhí)行反向傳播過程中對輸入小于零的部分也可以計(jì)算得到梯度(而不是像ReLU一樣值為0),更好地實(shí)現(xiàn)了網(wǎng)絡(luò)參數(shù)和偏置項(xiàng)的最優(yōu)化更新。Leakyrelu表達(dá)式為

圖2 殘差單元的網(wǎng)絡(luò)結(jié)構(gòu)

(1)

式中:表示神經(jīng)網(wǎng)絡(luò)某一層的輸入數(shù)據(jù)；為(0,1)之間的一個(gè)常數(shù)。

(2)

式中:代表神經(jīng)網(wǎng)絡(luò)第層的輸入數(shù)據(jù)；代表第層的輸入數(shù)據(jù)；(·)代表直接映射;(·)代表殘差部分;(·)代表激活函數(shù);代表卷積操作。假設(shè)本文的Resnet存在個(gè)殘差單元,則式(2)變?yōu)?/p>

(3)

式中：=1,2,…,-1。

根據(jù)梯度下降算法中使用導(dǎo)數(shù)的鏈?zhǔn)椒▌t,損失函數(shù)關(guān)于的梯度可以表示為

(4)

從式(4)中可以得出本文Resnet的兩個(gè)屬性:

(2) ??表示層的梯度可以直接傳遞到任何一個(gè)比其淺的層。

1.2 損失函數(shù)

(5)

為了簡化算法復(fù)雜度,將輸出向量擴(kuò)展為+1維向量,第+1維向量用來判定無標(biāo)簽數(shù)據(jù)的訓(xùn)練情況,由于只需要判定數(shù)據(jù)的真假性,因此第+1維向量可以被判定為前個(gè)向量中的任意一個(gè)類別,這樣本文的損失函數(shù)表達(dá)如下所示:

(6)

式中：和分別代表監(jiān)督學(xué)習(xí)下的損失函數(shù)和無監(jiān)督學(xué)習(xí)下的損失函數(shù)；′代表殘差判別器映射的可微函數(shù)；是求期望，表示標(biāo)簽數(shù)據(jù)被判定為第維向量(=1,2,…,)；表示無標(biāo)簽數(shù)據(jù)被判定為第+1維向量；表示生成的虛假數(shù)據(jù)被判定真實(shí)數(shù)據(jù)。目標(biāo)函數(shù)為最小化,假設(shè)輸入數(shù)據(jù)服從～c()分布,則目標(biāo)函數(shù)為

min=
min [exp(())+exp(+1())]=
c()(=,)(?<+1)+c()()

(7)

式中:c()意為信號(hào)總是服從于同一種分布。

2 基于Res-GAN的調(diào)制識(shí)別算法

2.1 網(wǎng)絡(luò)參數(shù)設(shè)置

考慮到本文設(shè)定的小樣本條件,參照文獻(xiàn)[13]對于網(wǎng)絡(luò)層數(shù)的選擇標(biāo)準(zhǔn),本文通過大量對比實(shí)驗(yàn)得出G網(wǎng)絡(luò)選擇3層卷積結(jié)構(gòu),D網(wǎng)絡(luò)選擇4個(gè)殘差單元,殘差單元選擇3層卷積結(jié)構(gòu)時(shí)網(wǎng)絡(luò)的性能最好。圖3和圖4分別為殘差單元和G、D網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)圖。圖4中,zeropadding(·)為零填充。

圖3 殘差單元的結(jié)構(gòu)參數(shù)

圖4 G、D網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)

2.2 算法實(shí)現(xiàn)

基于Res-GAN的調(diào)制識(shí)別算法實(shí)現(xiàn)分為訓(xùn)練和測試兩個(gè)階段,訓(xùn)練階段G和D交替訓(xùn)練,最終網(wǎng)絡(luò)的收斂結(jié)果為G生成的虛假數(shù)據(jù)與真實(shí)數(shù)據(jù)相似度最高,D則可以準(zhǔn)確地分辨出信號(hào)的調(diào)制樣式。測試階段則是為了進(jìn)一步檢驗(yàn)網(wǎng)絡(luò)的性能。Res-GAN算法的具體步驟如下所示。

算法 1 Res-GAN算法輸入 噪聲、調(diào)制信號(hào)數(shù)據(jù)集。輸出 生成數(shù)據(jù)的真假概率、分成各個(gè)類別概率。1. 初始化2. 設(shè)置Adam,epoch,Dropout2.1 利用服從同一分布的噪聲信息生成L個(gè)100維的噪聲向量{z1,z2,…,zm}2.2 將噪聲向量通過G生成L個(gè)無標(biāo)簽虛假樣本{x1,x2,…,xm}2.3 將步驟2.2中L個(gè)無標(biāo)簽虛假樣本分別送入G網(wǎng)絡(luò)和殘差判別網(wǎng)絡(luò)中執(zhí)行梯度下降訓(xùn)練2.4 設(shè)置終止條件2.5 保存訓(xùn)練好的G網(wǎng)絡(luò)和殘差判別網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和網(wǎng)絡(luò)權(quán)重2.6 讀取m個(gè)帶標(biāo)簽真實(shí)數(shù)據(jù),通過G網(wǎng)絡(luò)生成等量的虛假樣本2.7 將2m個(gè)帶標(biāo)簽數(shù)據(jù)送入G網(wǎng)絡(luò)和殘差判別網(wǎng)絡(luò)中,導(dǎo)入步驟2.5中保存的網(wǎng)絡(luò)繼續(xù)執(zhí)行梯度下降訓(xùn)練2.8 設(shè)置終止條件2.9 保存網(wǎng)絡(luò)模型和權(quán)重3. 輸出訓(xùn)練分類結(jié)果4. 讀取q個(gè)帶標(biāo)簽數(shù)據(jù)作為測試數(shù)據(jù)5. 讀取步驟2中保存的網(wǎng)絡(luò)模型,進(jìn)行網(wǎng)絡(luò)測試,輸出測試結(jié)果

殘差單元和G、D網(wǎng)絡(luò)分別去除了批量歸一化層和池化層,添加零填充層并且采用步幅為1的非對稱遞減小卷積核,這樣選擇的理論依據(jù)如下:

(1)去除批量歸一化層和池化層可以最大限度地保留信號(hào)的原始信息。

(2)添加零填充層可以增大感受野范圍,步幅為1的非對稱卷積有助于提取邊緣特征信息。

(3)遞減小卷積核可以提取信號(hào)的不同層次特征,明顯減少網(wǎng)絡(luò)參數(shù)和降低算法復(fù)雜度。

3 實(shí)驗(yàn)仿真與結(jié)果分析

3.1 仿真環(huán)境及數(shù)據(jù)集

本文的網(wǎng)絡(luò)模型訓(xùn)練均使用Python的Keras環(huán)境,配置為Nvidia GTX 1650 GPU,借助Tensorflow后端進(jìn)行訓(xùn)練,調(diào)制信號(hào)數(shù)據(jù)集采用Deepsig公開調(diào)制識(shí)別數(shù)據(jù)集RML 2016.10b,表1為本文采用的數(shù)據(jù)集信息。調(diào)制樣式選擇10種常見的模擬調(diào)制和數(shù)字調(diào)制樣式，分別為二進(jìn)制相移鍵控(binary phase shift keying, BPSK)、四進(jìn)制相移鍵控(quadrature phase shift keying, QPSK)、八進(jìn)制相移鍵控(8 phase shift keying, 8PSK)、高斯頻移鍵控(Gaussian frequency shift keying, GFSK)、連續(xù)相位頻移鍵控(continuous phase frequency shift keying, CPFSK)、四連續(xù)脈沖振幅調(diào)制(4-level pulse amplitude modulation, PAM4)、16種符號(hào)正交振幅調(diào)制(16 quadrature amplitude modulation, QAM16)、64種符號(hào)正交振幅調(diào)制(64 quadrature amplitude modulation, QAM64),雙邊帶調(diào)幅(amplitude modulation double side band, AM-DSB)和寬帶調(diào)頻(wide band frequency modulation, WBFW)。每種調(diào)制樣式采樣128個(gè)點(diǎn)并選擇I/Q兩路信號(hào)，每2 dB為一個(gè)信噪比區(qū)間。

表1 調(diào)制信號(hào)數(shù)據(jù)集

3.2 實(shí)驗(yàn)一:網(wǎng)絡(luò)初始參數(shù)設(shè)置

根據(jù)3通道原則,將數(shù)據(jù)維度由(2,128)增加為(2,128,1),因?yàn)閿?shù)據(jù)集信號(hào)已經(jīng)進(jìn)行歸一化,所以直接利用服從(0,1)高斯分布噪聲進(jìn)行擬合數(shù)據(jù),訓(xùn)練輪數(shù)設(shè)置為90個(gè)epoch。

本文通過大量實(shí)驗(yàn)對比了網(wǎng)絡(luò)層數(shù)、不同的梯度優(yōu)化算法和隱藏層激活函數(shù)對網(wǎng)絡(luò)性能的影響。網(wǎng)絡(luò)層數(shù)方面,用代表殘差單元的卷積層個(gè)數(shù),用代表D網(wǎng)絡(luò)殘差單元的個(gè)數(shù),分別對比和不同取值下的網(wǎng)絡(luò)性能,實(shí)驗(yàn)結(jié)果如圖5所示。

圖5 不同網(wǎng)絡(luò)層數(shù)結(jié)果對比

從圖5中可以得出殘差單元為3層卷積結(jié)構(gòu)、D網(wǎng)絡(luò)選取4個(gè)殘差單元可以最大限度實(shí)現(xiàn)網(wǎng)絡(luò)模型的最優(yōu)化。

為證明本文選擇的梯度下降算法的優(yōu)勢，對比隨機(jī)梯度下降(stochastic gradient descent，SGD)算法、動(dòng)量梯度下降(momentum gradient descent，Momentum)算法、微分加權(quán)平均(root mean square prop，RMSProp)算法和自適應(yīng)估計(jì)(adaptive moment estimation，Adam)算法。不同梯度優(yōu)化算法結(jié)果對比圖如6所示。

圖6 不同梯度優(yōu)化算法結(jié)果對比

Adam梯度優(yōu)化算法相比較于其他3種算法,低信噪比下收斂速度較快、高信噪比下穩(wěn)定性強(qiáng),算法適應(yīng)性好。具體原因?yàn)锳dam優(yōu)化算法采用一階矩和二階矩分別對加權(quán)后的梯度進(jìn)行誤差校正。同時(shí)由于網(wǎng)絡(luò)測試時(shí)使用的樣本數(shù)量較少,因此曲線會(huì)呈現(xiàn)非單調(diào)的波動(dòng)趨勢。

當(dāng)改變Adam學(xué)習(xí)率的默認(rèn)設(shè)置時(shí),發(fā)現(xiàn)網(wǎng)絡(luò)無法訓(xùn)練,所以Adam學(xué)習(xí)率設(shè)置為默認(rèn)值0.000 2。結(jié)合Leakyrelu表達(dá)式,分別對比取不同數(shù)值和不同激活函數(shù)下的網(wǎng)絡(luò)性能,實(shí)驗(yàn)結(jié)果如圖7和圖8所示。

圖7 Leakyrelu不同參數(shù)下的結(jié)果

圖8 不同激活函數(shù)結(jié)果對比

結(jié)合圖7和圖8結(jié)果,Leakyrelu中參數(shù)值取0.25時(shí)網(wǎng)絡(luò)性能最好,相比較另外兩種激活函數(shù)收斂更快,識(shí)別準(zhǔn)確率提升2%～4%。除此之外,在基于Adam優(yōu)化算法的前提下還通過大量實(shí)驗(yàn)對比了不同Batch-size、Dropout和Adam參數(shù)設(shè)置下的網(wǎng)絡(luò)性能,部分實(shí)驗(yàn)結(jié)果如表2所示。

表2 不同參數(shù)下的網(wǎng)絡(luò)性能對比

綜合上述實(shí)驗(yàn)結(jié)果,Res-GAN算法選擇Adam梯度優(yōu)化算法(學(xué)習(xí)率設(shè)置為0.000 2,第一指數(shù)衰減率設(shè)置為0.5),激活函數(shù)選擇Leakyrelu(=0.25),Dropout設(shè)置為0.05, Batch-size設(shè)置為64。對比實(shí)驗(yàn)結(jié)果,發(fā)現(xiàn)不同的初始化參數(shù)對模型性能還是有一定影響(準(zhǔn)確率浮動(dòng)范圍為3%～5%)。由此得出通過實(shí)驗(yàn)優(yōu)選網(wǎng)絡(luò)模型的初始化參數(shù)集合是必要的。

3.3 實(shí)驗(yàn)二:調(diào)制信號(hào)分類識(shí)別

按照實(shí)驗(yàn)一的網(wǎng)絡(luò)參數(shù)初始值設(shè)定和表1的具體算法步驟,將(-4～18 dB)信噪比下的每種信號(hào)分別隨機(jī)選取660,1 800,3 600,7 200,15 000,30 000,60 000個(gè)標(biāo)簽數(shù)據(jù)(取值),取86 400,取500,將選取后的數(shù)據(jù)按照8∶1∶1比例劃分為訓(xùn)練集、驗(yàn)證集和測試集進(jìn)行。選取模型最優(yōu)化的結(jié)果,圖9為損失函數(shù)曲線,圖10為網(wǎng)絡(luò)測試后的混淆矩陣結(jié)果。Res-GAN算法訓(xùn)練階段先訓(xùn)練D網(wǎng)絡(luò),從圖9(a)可以看出損失函數(shù)曲線總體保持平穩(wěn)下降趨勢,在60個(gè)epoch以后驗(yàn)證集已經(jīng)達(dá)到收斂狀態(tài)。D網(wǎng)絡(luò)訓(xùn)練結(jié)束后將參數(shù)固定,接著訓(xùn)練G網(wǎng)絡(luò),由圖9(b)的損失函數(shù)曲線看出驗(yàn)證集和訓(xùn)練集擬合程度較高,網(wǎng)絡(luò)訓(xùn)練沒有出現(xiàn)過擬合問題。

圖9 損失函數(shù)曲線

圖10 混淆矩陣結(jié)果

從網(wǎng)絡(luò)測試后的混淆矩陣圖可以看出,Res-GAN算法在信噪比SNR=0 dB時(shí)識(shí)別準(zhǔn)確率可以達(dá)到91%,在SNR=18 dB時(shí)識(shí)別準(zhǔn)確率可以達(dá)到98%。除WBFM和AM-DSB以外的信號(hào)均可以達(dá)到精準(zhǔn)識(shí)別。由于原始數(shù)據(jù)集中兩種信號(hào)的幅值圖相似程度較高,因此會(huì)出現(xiàn)識(shí)別混淆的情況。

3.4 實(shí)驗(yàn)三:對比實(shí)驗(yàn)

為了充分說明本文設(shè)計(jì)的殘差單元可以更好地提取信號(hào)的多層維度信息，更好地區(qū)分調(diào)制信號(hào)，將Res-GAN算法分別對比文獻(xiàn)[14]設(shè)計(jì)的卷積長短時(shí)全連接網(wǎng)絡(luò)(convolutional long short-term memory fully connected deep neural networks, CLDNN)模型、文獻(xiàn)[15]設(shè)計(jì)的自編碼卷積神經(jīng)網(wǎng)絡(luò)(automatic convolutional neural networks，AUCNN)模型、文獻(xiàn)[17]提出的多模匹配殘差融合神經(jīng)網(wǎng)絡(luò)(residual networks with a waveform-spectrum multimodal fusion, Resnet-WSMF)算法和文獻(xiàn)[18]設(shè)計(jì)的輔助分類GAN(auxiliary classifier GAN, ACGAN)模型，選取5種網(wǎng)絡(luò)的最優(yōu)化結(jié)果，圖11和表3分別為網(wǎng)絡(luò)分類準(zhǔn)確率和網(wǎng)絡(luò)參數(shù)之間的對比。

圖11 分類準(zhǔn)確率結(jié)果對比

表3 不同網(wǎng)絡(luò)參數(shù)對比

運(yùn)行時(shí)間代表一個(gè)epoch時(shí)間,從圖11和表3結(jié)果可以得出,在本文設(shè)定的小樣本條件下。ACGAN的網(wǎng)絡(luò)參數(shù)最少,識(shí)別準(zhǔn)確率最低; CLDNN網(wǎng)絡(luò)參數(shù)較多,識(shí)別性能一般;AUCNN和Resnet-WSMF 網(wǎng)絡(luò)性能穩(wěn)定,但訓(xùn)練時(shí)間較長,相比較于上述4種網(wǎng)絡(luò),Res-GAN算法取得了最高的識(shí)別準(zhǔn)確率,而網(wǎng)絡(luò)參數(shù)和時(shí)間復(fù)雜度僅比ACGAN略高。

為了驗(yàn)證小樣本條件下本文算法的性能,分別選取不同數(shù)量的標(biāo)簽樣本數(shù)量進(jìn)行對比實(shí)驗(yàn),結(jié)果記錄在表4中。對比表4的結(jié)果可以得出,在標(biāo)簽樣本量為660左右時(shí),除了本文算法,其他網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率均較低,隨著標(biāo)簽樣本量的增加,對比網(wǎng)絡(luò)性能均有不同程度的提升。綜合表3和表4結(jié)果,本文算法一方面驗(yàn)證了在小樣本條件下的實(shí)用性,另一方面在降低算法復(fù)雜度上也具有一定優(yōu)勢。網(wǎng)絡(luò)收斂的最小標(biāo)簽樣本量為660左右。

表4 不同標(biāo)簽樣本量對網(wǎng)絡(luò)的性能影響

4 結(jié) 論

針對小樣本條件下信號(hào)識(shí)別準(zhǔn)確率不高、算法復(fù)雜度高的問題,本文提出了一種基于Res-GAN的調(diào)制識(shí)別算法,借助GAN模型用CNN和新殘差單元組成的Resnet作為基本網(wǎng)絡(luò),通過定義新的目標(biāo)函數(shù),將半監(jiān)督學(xué)習(xí)與監(jiān)督學(xué)習(xí)結(jié)合起來,充分利用了無標(biāo)簽數(shù)據(jù)并有效實(shí)現(xiàn)了樣本數(shù)量的擴(kuò)充。仿真實(shí)驗(yàn)結(jié)果證明,新殘差單元不僅可以豐富特征提取的復(fù)雜度,還能更好地實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)的最優(yōu)化更新;相比較于近年來廣泛應(yīng)用的其他算法,本文算法具有識(shí)別準(zhǔn)確率高、實(shí)現(xiàn)過程簡單、穩(wěn)定性較好、復(fù)雜度低的特點(diǎn)。小樣本條件下針對10種調(diào)制信號(hào)識(shí)別準(zhǔn)確率在SNR=18 dB時(shí)可以達(dá)到98%,驗(yàn)證了本文算法的有效性。下一步將針對識(shí)別混淆的信號(hào)進(jìn)行預(yù)處理,通過添加輔助信息來使得網(wǎng)絡(luò)可以更好地區(qū)分相近信號(hào)。