張 凱，田 瑤，劉 義

（1.光電對抗測試評估技術(shù)重點實驗室，河南 洛陽 471000；2.中國人民解放軍96862 部隊，河南 洛陽 471000）

0 引 言

通信信號調(diào)制識別技術(shù)的研究已經(jīng)進行了許多年，其常規(guī)處理步驟包括預(yù)處理、特征提取和分類判決，預(yù)處理目的是抑制信道畸變、噪聲和干擾的影響，同時對信號載頻、符號速率、定時參數(shù)等進行估計，特征提取是從數(shù)據(jù)中提取事先定義好的表征信號調(diào)制類型的特征，分類識別則是選擇合適的判決規(guī)則和分類器完成判決。傳統(tǒng)處理技術(shù)依賴于確知的信道模型，抑或基于簡化的便于分析處理的數(shù)學(xué)模型，這就造成其在面對復(fù)雜信道環(huán)境或信道模型未知時遇到困難。

研究人員已將機器學(xué)習(xí)（Machine Learning，ML）方法應(yīng)用于調(diào)制識別領(lǐng)域，與傳統(tǒng)基于專家特征分析方法類似，該類方法仍然保留了傳統(tǒng)手動特征提取的過程，僅使用神經(jīng)網(wǎng)絡(luò)代替?zhèn)鹘y(tǒng)的分類判決步驟，且多基于淺層神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)機器學(xué)習(xí)算法，學(xué)習(xí)能力有限。近年來，深度學(xué)習(xí)（Deep Learning，DL）技術(shù)以其強大的學(xué)習(xí)能力受到廣泛關(guān)注，并被用于信號調(diào)制識別領(lǐng)域中。其將未處理的原始信號波形作為網(wǎng)絡(luò)輸入，利用深度神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練學(xué)習(xí)，網(wǎng)絡(luò)能夠自動完成特征提取和分類判決全過程處理，取得了較好的效果。從現(xiàn)有研究來看，基于深度學(xué)習(xí)的方法已經(jīng)展現(xiàn)出巨大的優(yōu)勢，但現(xiàn)有方案主要針對單天線模型。

隨著多天線組陣接收技術(shù)的廣泛應(yīng)用，尤其是小口徑天線分布式組陣成為重要發(fā)展方向，低成本硬件設(shè)備（如小口徑天線和低分辨率的模數(shù)轉(zhuǎn)換器等）得到廣泛使用，多天線協(xié)同處理顯得越來越重要。由于接收天線類型、口徑、與信號源間距離等參數(shù)可能不同，加之各獨立接收機特性不一，傳統(tǒng)方法采用分集處理方式，需要首先解決不同陣元接收信號間的同步問題，在低信噪比、短數(shù)據(jù)條件下，收斂性無法保證，穩(wěn)健性不足。因此，面對實際更加復(fù)雜的信道環(huán)境、信號微弱、大數(shù)據(jù)量信號處理等不利條件的影響，如何設(shè)計深度學(xué)習(xí)網(wǎng)絡(luò)模型將是一個待研究的重要課題。

本文給出了基于深度神經(jīng)網(wǎng)絡(luò)的多天線組陣聯(lián)合調(diào)制識別方法，與現(xiàn)有方法的差異主要體現(xiàn)在，直接利用存在參數(shù)差異的多路信號時域波形作為網(wǎng)絡(luò)輸入，進行訓(xùn)練學(xué)習(xí)，網(wǎng)絡(luò)能夠有效抑制多路信號間參數(shù)差異的影響，取得了良好的分類判決結(jié)果。

1 基于深度神經(jīng)網(wǎng)絡(luò)的分類方法

1.1 系統(tǒng)模型

多天線組陣接收處理系統(tǒng)模型如圖1所示，采用（≥2）個獨立接收單元對同一目標信號進行接收?？紤]平坦衰落信道，假設(shè)完美載頻同步條件下，第個天線接收等效基帶信號可表示為：

圖1 多天線組陣接收處理系統(tǒng)模型

1.2 網(wǎng)絡(luò)結(jié)構(gòu)

本文基于深度神經(jīng)網(wǎng)絡(luò)的多傳感器協(xié)同調(diào)制識別方法，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，采用在現(xiàn)有調(diào)制識別中性能較好的CLDNN網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)輸入為存在參數(shù)差異的多路復(fù)信號波形。網(wǎng)絡(luò)包含三個卷積（Conv）層、兩個長短期記憶（LSTM）層和兩層全連接（Dense）層，除最后一個全連接層采用Softmax 激活函數(shù)外，其余所有層激活函數(shù)均采用ReLU 激活函數(shù)；此外，網(wǎng)絡(luò)每一層之后也使用Dropout 來防止過擬合。

圖2 網(wǎng)絡(luò)結(jié)構(gòu)

1.3 數(shù)據(jù)集生成

基于廣泛采用的RadioML2016.10a 框架生成多路不同信噪比、不同調(diào)制樣式的數(shù)字信號作為數(shù)據(jù)集，不同路信號間信道復(fù)增益和時延隨機產(chǎn)生，并按照3∶1∶1的比例將整個數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集，具體參數(shù)如表1所示。

表1 數(shù)據(jù)集參數(shù)

2 仿真結(jié)果

本節(jié)使用基于CPU+GPU 架構(gòu)的服務(wù)器對網(wǎng)絡(luò)進行訓(xùn)練和測試，其中CPU 采用Intel Xeon E5-2630 v3，GPU采用NVIDIA Geforce RTX 2080 TI。假設(shè)信號源和個接收單元之間的信道增益是獨立同分布的，各路接收信號時延差異在一個符號周期內(nèi)隨機分布，且相互獨立。訓(xùn)練樣本、測試樣本和驗證樣本數(shù)據(jù)量分別為307 200，102 400 和102 400，樣本在-10～20 dB 的范圍內(nèi)均勻分布，單個樣本大小為2×128×，其中，128 代表每個樣本中信號樣點數(shù)為128，2×128 代表信號的實部和虛部組成的2 個行向量，為組陣接收單元數(shù)目。本文仿真主要考慮2 節(jié)點和4 節(jié)點組陣接收系統(tǒng)。

2.1 網(wǎng)絡(luò)訓(xùn)練

設(shè)置每個卷積層卷積核大小為信號波形的過采樣倍數(shù)8，卷積層過濾器數(shù)量均為50，兩個全連接層神經(jīng)元數(shù)目分別為256 和8，訓(xùn)練批量大小（Batchsize）為200，網(wǎng)絡(luò)各層輸出維度如圖3所示。在上述參數(shù)設(shè)定的基礎(chǔ)上，采用廣泛使用的平方誤差函數(shù)作為代價函數(shù)，在真實值與網(wǎng)絡(luò)預(yù)測值平方誤差最小化準則下，使用Adam 優(yōu)化算法對網(wǎng)絡(luò)進行訓(xùn)練，最終求得穩(wěn)定的神經(jīng)網(wǎng)絡(luò)參數(shù)值。

圖3 網(wǎng)絡(luò)各層輸出尺寸大小示意圖

圖4和圖5 分別表示訓(xùn)練過程中分類準確率和訓(xùn)練損失變化曲線。從圖中可以看出，經(jīng)過訓(xùn)練后，4 天線組陣在訓(xùn)練數(shù)據(jù)集和驗證數(shù)據(jù)集的分類精度分別可以達到88%和80%；而2 天線組陣這兩個值分別為78%和73%。也就是說，增加接收單元數(shù)目，可以得到更優(yōu)的網(wǎng)絡(luò)訓(xùn)練結(jié)果，即網(wǎng)絡(luò)達到穩(wěn)態(tài)后具備更高的分類準確率和更低的損失值。

圖4 訓(xùn)練過程分類準確率變化曲線

圖5 訓(xùn)練過程損失值變化曲線

2.2 網(wǎng)絡(luò)測試

在上述訓(xùn)練基礎(chǔ)上，使用測試數(shù)據(jù)對訓(xùn)練好的網(wǎng)絡(luò)性能進行測試，檢驗其有效性。

圖6 和圖7 分別給出了信噪比為-6 dB 和10 dB 情況下分類混淆矩陣?？梢钥闯觯谳^低信噪比（-6 dB）下，分類誤差較大，隨著信噪比增大，混淆矩陣具備清晰的對角線，證明了分類識別網(wǎng)絡(luò)對參數(shù)差異具有一定的適應(yīng)能力，具備良好的分類識別特性，且隨著接收單元數(shù)目增加，性能更優(yōu)。

圖6 混淆矩陣（SNR=-6 dB）

圖7 混淆矩陣（SNR=10 dB）

圖8為2 天線和4 天線組陣系統(tǒng)下，分類準確率隨信噪比變化曲線。從圖中可以看出，在輸入信號信噪比相同條件下，4 天線組陣系統(tǒng)性能明顯優(yōu)于2 天線組陣系統(tǒng)。該優(yōu)勢在高信噪比下體現(xiàn)得更加明顯，如在分類準確率為50%時，二者信噪比差異為2 dB；而分類準確率為89%時，二者信噪比差異達到6 dB。

圖8 分類準確率隨信噪比變化曲線

3 結(jié) 論

本文重點探討了未同步多天線組陣接收信號的聯(lián)合調(diào)制識別技術(shù)，采用深度學(xué)習(xí)的多路信號直接融合識別方案，直接將存在參數(shù)差異的多路信號輸入網(wǎng)絡(luò)進行學(xué)習(xí)訓(xùn)練。測試結(jié)果表明，訓(xùn)練好的網(wǎng)絡(luò)能夠自動實現(xiàn)多路協(xié)同調(diào)制識別，有效抑制了信號間參數(shù)差異的影響，取得了良好的分類判決結(jié)果。下一步，將對該問題進行更加深入的分析研究，使用更加完備的訓(xùn)練數(shù)據(jù)集，在更加復(fù)雜的信道模型下或利用實采數(shù)據(jù)對網(wǎng)絡(luò)進行重新訓(xùn)練，對網(wǎng)絡(luò)模型進行微調(diào)，以獲得更好的性能，提升方法實用性。