封 晨 紀(jì)騰飛 楊 琳

（天津光電通信技術(shù)有限公司，天津 300211）

0 引言

隨著人工智能與信息技術(shù)的發(fā)展，傳統(tǒng)的數(shù)字調(diào)制識(shí)別技術(shù)遠(yuǎn)不能滿足當(dāng)代5G通信的需求，如何在低信噪比下提高數(shù)字調(diào)制識(shí)別率成為信號(hào)處理領(lǐng)域的一個(gè)研究熱點(diǎn)。

國(guó)內(nèi)專家學(xué)者在非協(xié)作通信的條件下，利用卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)各種數(shù)字調(diào)制信號(hào)的星座圖特征，并對(duì)4-正交振幅調(diào)制（4-Quadrature Amplitude Modulation，4QAM）、16-正交振幅調(diào)制（16-Quadrature Amplitude Modulation，16QAM）和64-正交振幅調(diào)制（64-Quadrature Amplitude Modulation，64QAM）3種典型的數(shù)字調(diào)制方式進(jìn)行仿真試驗(yàn)。王建新等人利用盲均衡技術(shù)克服信道的多徑效應(yīng)與系統(tǒng)同步誤差，對(duì)信號(hào)減法聚類，將提取聚類中心與理想星座圖模型進(jìn)行匹配，實(shí)現(xiàn)識(shí)別多進(jìn)制振幅鍵控（M-Ary Amplitude Shift Keying，MASK）、多進(jìn)制相移鍵控（M-Ary Phase Shift Keying，MPSK）以及多進(jìn)制正交振幅調(diào)制（M-Ary Quadrature Amplitude Modulation，MQAM）等調(diào)制功能。史蘊(yùn)豪等人采用VGG16深度卷積神經(jīng)網(wǎng)絡(luò)提取信號(hào)小波變換后的系數(shù)圖像特征，利用自編碼器對(duì)高維特征進(jìn)行降維處理，引入域適應(yīng)技術(shù)提高待測(cè)信號(hào)識(shí)別的準(zhǔn)確率。徐旭東等人對(duì)VGG16卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行遷移，完成特征提取任務(wù)，改善了網(wǎng)絡(luò)的泛化能力，與后向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)相比，其識(shí)別準(zhǔn)確率有所提高。

雖然以上研究人員改進(jìn)了數(shù)字通信調(diào)制識(shí)別技術(shù)，但是在實(shí)際工程應(yīng)用中，信道電磁環(huán)境極其復(fù)雜，識(shí)別率會(huì)比理想情況低。因此，需要結(jié)合其他領(lǐng)域的相關(guān)技術(shù)來(lái)提高識(shí)別率，以滿足工程應(yīng)用的實(shí)際需求。

1 數(shù)字調(diào)制識(shí)別

數(shù)字調(diào)制識(shí)別一直是信號(hào)截獲處理方面的熱點(diǎn)話題，也是信號(hào)篩選和解調(diào)的基礎(chǔ)，在通信對(duì)抗中具有重要意義。數(shù)字調(diào)制識(shí)別位于數(shù)字通信系統(tǒng)的接收端，在信號(hào)解調(diào)前須對(duì)信號(hào)的調(diào)制類型進(jìn)行識(shí)別。通過(guò)提取接收端信號(hào)的某種特征來(lái)識(shí)別數(shù)字調(diào)制信號(hào)，從而選擇合適的分類器對(duì)信號(hào)分類進(jìn)行識(shí)別，進(jìn)而根據(jù)識(shí)別的調(diào)制方式選擇相應(yīng)的解調(diào)器進(jìn)行解調(diào)，以恢復(fù)原始信號(hào)。

在5G-新射頻（New Radio，NR）通信場(chǎng)景中，數(shù)字調(diào)制方式更豐富，主要包括載波的相位改變、幅度不變的二進(jìn)制相移鍵控（π/2-Binary Phase Shift Keying，π/2-BPSK）和四進(jìn)制相移鍵控（Quaternary Phase Shift Keying，QPSK）的PSK調(diào)制方式以及載波相位和幅度均改變的16QAM、64QAM和256QAM等QAM調(diào)制方式。其中，下行鏈路支持的調(diào)制方式主要為QPSK、16QAM、64QAM及256QAM，上行鏈路支持的調(diào)制方式包括2種：對(duì)（正交頻分復(fù)用Orthogonal Frequency Division Multiplexing，OFDM）+循環(huán)前綴（Cycle Prefix，CP）來(lái)說(shuō)，調(diào)制方式主要為QPSK、16QAM、64QAM及256QAM。對(duì)離散傅里葉變換擴(kuò)頻的正交頻分復(fù)用（Orthogonal Frequency Division Multiplexing with Discrete Fourier Transform Spread Spectrum，DFT-S-OFDM）+CP來(lái)說(shuō)，調(diào)制方式主要為π/2-BPSK、QPSK、16QAM、64QAM及256QAM。

2 VGG16卷積神經(jīng)網(wǎng)絡(luò)

2.1 VGG16網(wǎng)絡(luò)結(jié)構(gòu)

根據(jù)卷積核大小和卷積層數(shù)可以將VGG網(wǎng)絡(luò)模型分為A、A-局部有響應(yīng)正則化（A-Local Responsive Regularization，A-LRN）、B、C、D和E共6個(gè)卷積神經(jīng)網(wǎng)絡(luò)配置（Convolutional Net -Configuration，ConvNet- Configuration）。其中，D、E配置較為常用，分別為VGG16和VGG19。由于5G數(shù)字調(diào)制方式僅涉及5種，因此采用結(jié)構(gòu)簡(jiǎn)單、層數(shù)較少的VGG16網(wǎng)絡(luò)進(jìn)行分析。

VGG16卷積神經(jīng)網(wǎng)絡(luò)模型包括13個(gè)卷積層、3個(gè)全連接層及5個(gè)池化層。其中，卷積層和全連接層具有權(quán)重系數(shù)，因此也稱權(quán)重層（池化層不涉及權(quán)重，因此不屬于權(quán)重層，不被計(jì)數(shù)）。

由圖1可知，VGG16網(wǎng)絡(luò)模型由若干卷積層和池化層堆疊而成，并且具有簡(jiǎn)單的模型結(jié)構(gòu)（卷積層均采用相同的卷積核參數(shù)，池化層均采用相同的池化參數(shù)）。

圖1 VGG16卷積神經(jīng)網(wǎng)絡(luò)模型Model_Init

2.2 VGG16調(diào)制識(shí)別算法

基于VGG16卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)5G高噪背景下的調(diào)制識(shí)別，設(shè)計(jì)算法如下。

步驟1，制作5G高噪數(shù)字調(diào)制星座圖數(shù)據(jù)集；步驟2，星座圖數(shù)據(jù)集預(yù)處理；步驟3，基于Tensorflow 2.0平臺(tái)搭建VGG16卷積神經(jīng)網(wǎng)絡(luò)模型Model；步驟4，設(shè)定識(shí)別率閾值；步驟5，設(shè)置迭代次數(shù)，基于Kfolder方法對(duì)星座圖數(shù)據(jù)集進(jìn)行交叉訓(xùn)練；步驟6，訓(xùn)練識(shí)別率滿足閾值時(shí)訓(xùn)練完成，保存訓(xùn)練模型Model并進(jìn)行測(cè)試；步驟7，測(cè)試識(shí)別率滿足閾值時(shí)測(cè)試完成，保存最終模型Model并統(tǒng)計(jì)各調(diào)制方式識(shí)別率。

步驟1的詳細(xì)描述如下。

基于種數(shù)字通信調(diào)制原理，每種數(shù)字調(diào)制方式制作個(gè)無(wú)噪星座圖數(shù)據(jù)集，如公式（1）所示。

式中：Δ為第種調(diào)制方式的第個(gè)星座圖。

確定低信噪比種類，如公式（2）所示。

為數(shù)據(jù)集添加種信噪比，得到最終的帶噪星座圖數(shù)據(jù)集，如公式（3）所示。

式中：λΔ為給第種調(diào)制方式的第個(gè)星座圖添加第種信噪比。

步驟2的詳細(xì)描述如下。

為提高星座圖的識(shí)別率，將帶噪星座圖數(shù)據(jù)集預(yù)處理為背景黑色，星座點(diǎn)綠色的新星座圖數(shù)據(jù)集為。由步驟1中的公式（3）可知，中的星座圖數(shù)量共計(jì)張，按照信噪比分類均勻提出80%的作為訓(xùn)練驗(yàn)證集α，20%的作為測(cè)試集。

步驟5的詳細(xì)描述如下。

設(shè)置迭代次數(shù)，如公式（4）所示。

式中：為設(shè)置的最高迭代次數(shù)。

基于Kfolder交叉驗(yàn)證法，將訓(xùn)練驗(yàn)證集打亂后平均分成份，如公式（5）所示。

每次從中拿出β（1≤≤）用于驗(yàn)證，其他數(shù)據(jù)集用于訓(xùn)練。

3 仿真及驗(yàn)證

制作5G高噪背景下數(shù)字調(diào)制星座圖數(shù)據(jù)集。

基于π/2-BPSK、QPSK、16QAM、64QAM及256QAM等5種數(shù)字通信調(diào)制原理，每種數(shù)字調(diào)制方式制作1 000個(gè)無(wú)噪星座圖數(shù)據(jù)集，如公式（6）所示。

確定低信噪比種類，如公式（7）所示。

式中：-6dB: 3dB: 12dB為初始信噪比為-6 dB，以3 dB為步長(zhǎng)遞增，最大信噪比為12 dB。為數(shù)據(jù)集添加7種信噪比得到最終的帶噪星座圖數(shù)據(jù)集，如公式（8）所示。

如圖2所示，為提高星座圖的識(shí)別率，將帶噪星座圖數(shù)據(jù)集預(yù)處理為背景黑色，星座點(diǎn)綠色的新星座圖數(shù)據(jù)集為。

圖2 添加0 dB高斯白噪聲預(yù)處理后的星座圖

中的星座圖數(shù)量共計(jì)510007=35000張，按照信噪比分類均勻提出80%的（共計(jì)350000.8=28000張）作為訓(xùn)練驗(yàn)證集，20%的α_new（共計(jì)350000.2=7000張）作為測(cè)試集；設(shè)定識(shí)別率閾值=90%，設(shè)置迭代次數(shù)，如公式（9）所示。

基于Kfolder交叉驗(yàn)證法，將訓(xùn)練驗(yàn)證集打亂后平均分成5份，如公式（10）所示。

每次從中拿出β（1≤≤5）用于驗(yàn)證，其他數(shù)據(jù)集用于訓(xùn)練。

由于預(yù)處理星座圖數(shù)據(jù)為圖像數(shù)據(jù)集，計(jì)算機(jī)在仿真推理時(shí)的耗時(shí)將會(huì)增加，因此，為了更高效地測(cè)試算法模型VGG16的有效性，制定少量的數(shù)據(jù)集進(jìn)行模擬訓(xùn)練。為避免出現(xiàn)欠擬合情況，根據(jù)工程經(jīng)驗(yàn)，將訓(xùn)練驗(yàn)證集數(shù)據(jù)分為5份，每次讓模型在其他4份數(shù)據(jù)上訓(xùn)練，剩下1份進(jìn)行驗(yàn)證。最后取5次驗(yàn)證分?jǐn)?shù)的平均數(shù)，盡可能客觀地評(píng)價(jià)算法模型的性能，從而充分利用現(xiàn)有的預(yù)處理星座圖數(shù)據(jù)集。采用Kfolder-5次交叉訓(xùn)練驗(yàn)證的模型精確率（包括訓(xùn)練精確率、驗(yàn)證精確率）與損耗（包括訓(xùn)練損耗、驗(yàn)證損耗）曲線如圖3、圖4所示。

圖3 Kfolder-5次交叉訓(xùn)練驗(yàn)證識(shí)別率η曲線

圖4 Kfolder-5次交叉訓(xùn)練驗(yàn)證損耗Loss曲線

由圖3可知，經(jīng)過(guò)5次交叉訓(xùn)練取平均后發(fā)現(xiàn)，模型精確率在第一輪迭代時(shí)逐漸平緩向上至98.25%，在第二、第三輪迭代訓(xùn)練后，模型精確率出現(xiàn)小幅波動(dòng)±2.5%，而經(jīng)過(guò)最后兩輪的迭代訓(xùn)練，模型精確率逐漸趨向收斂，訓(xùn)練與驗(yàn)證精確率達(dá)到了理想的100%。訓(xùn)練數(shù)據(jù)集多次對(duì)模型進(jìn)行迭代訓(xùn)練，發(fā)現(xiàn)在第三輪迭代時(shí)，驗(yàn)證集的精確率要遠(yuǎn)高于訓(xùn)練精確率，證明VGG16模型在第三輪迭代中期逐漸趨于可靠。由圖4可知，經(jīng)過(guò)一輪迭代，損耗值逐漸平緩衰減到0.01，第二輪迭代后，損耗值收斂至0.000 1。因此，考量模型精確率與損耗值的收斂情況，驗(yàn)證了VGG16算法模型的可靠性。

采用Kfolder方法訓(xùn)練模型，可提高模型的泛化能力，訓(xùn)練識(shí)別率滿足閾值，保存訓(xùn)練模型Model并進(jìn)行測(cè)試；將測(cè)試集中-6 dB~12 dB下經(jīng)π/2-BPSK、QPSK、16QAM、64QAM及256QAM預(yù)處理后的星座圖集送入訓(xùn)練好的模型Model，測(cè)試不同分貝下各調(diào)制方式的識(shí)別率。

當(dāng)測(cè)試識(shí)別率滿足閾值時(shí)測(cè)試完成，保存最終模型Model并統(tǒng)計(jì)各調(diào)制方式識(shí)別率。

如圖5所示，π/2-BPSK、QPSK、16QAM、64QAM及256QAM的識(shí)別率與信噪比成正比，綜合5種調(diào)制方式的識(shí)別率發(fā)現(xiàn)，經(jīng)訓(xùn)練后的VGG16算法模型對(duì)π/2-BPSK調(diào)制方式較為敏感，整體識(shí)別率較高，而對(duì)16QAM調(diào)制方式不太敏感，整體識(shí)別率較低。作為5G高速通信的256QAM調(diào)制方式，模型對(duì)其具有很好的識(shí)別效果。當(dāng)?shù)托旁氡却蠹s為3 dB時(shí)，5G通信各調(diào)制方式均能達(dá)到90%以上。驗(yàn)證了VGG16卷積神經(jīng)網(wǎng)絡(luò)技術(shù)在高噪環(huán)境下提高5G調(diào)制識(shí)別準(zhǔn)確率的可行性。

圖5 5G通信各數(shù)字調(diào)制方式識(shí)別率η

4 結(jié)語(yǔ)

通過(guò)VGG16卷積神經(jīng)網(wǎng)絡(luò)對(duì)模擬的5G高噪調(diào)制數(shù)據(jù)集進(jìn)行分類識(shí)別，當(dāng)信噪比為3 dB時(shí)，5種調(diào)制方式的識(shí)別率均達(dá)到了90%以上。因此，基于深度學(xué)習(xí)技術(shù)可提高5G低信噪比下多種數(shù)字調(diào)制方式的識(shí)別率，有利于對(duì)各種通信信號(hào)進(jìn)行有效識(shí)別。此外，還可以監(jiān)測(cè)低信噪比無(wú)線電，避免非法電臺(tái)占用有效通信頻帶。