郝立鑫，崔永俊

（中北大學(xué)儀器科學(xué)與動(dòng)態(tài)測(cè)試教育部重點(diǎn)實(shí)驗(yàn)室，山西太原 030051）

信號(hào)進(jìn)行調(diào)制之后，在無(wú)線信道中可以進(jìn)行更加穩(wěn)定高效地傳輸，而接收到信號(hào)之后，解調(diào)信號(hào)的前提條件就是確定信號(hào)的調(diào)制方式。調(diào)制識(shí)別[1]方法基本分為三類，第一類是早期的人工識(shí)別，現(xiàn)已經(jīng)基本被淘汰；第二類是基于決策理論[2]的最大似然法識(shí)別，該種方法運(yùn)用概率學(xué)等相關(guān)數(shù)學(xué)知識(shí)進(jìn)行信號(hào)識(shí)別，該方法較為復(fù)雜；第三類是基于特征提取的統(tǒng)計(jì)模式識(shí)別，根據(jù)信號(hào)的不同特征進(jìn)行識(shí)別。

調(diào)制信號(hào)識(shí)別技術(shù)在不斷發(fā)展，文獻(xiàn)[3]中將卷積雙向長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)應(yīng)用于信號(hào)識(shí)別領(lǐng)域，沒(méi)有先驗(yàn)信息干擾時(shí)提高了識(shí)別性能，文獻(xiàn)[4]中將高階統(tǒng)計(jì)量與決策樹相結(jié)合，以此進(jìn)行信號(hào)識(shí)別，模型魯棒性較強(qiáng)，文獻(xiàn)[5]中將時(shí)頻特征信號(hào)特征作識(shí)別信號(hào)，信號(hào)的時(shí)頻分析更能反應(yīng)信號(hào)在時(shí)間與頻率上的變化，且具有普適性。

近年來(lái)，深度學(xué)習(xí)在眾多領(lǐng)域都取得了不錯(cuò)的進(jìn)展，其中卷積神經(jīng)網(wǎng)絡(luò)[6]可以自動(dòng)化地提取特征，在分類問(wèn)題上有著卓越的性能，該文將其與調(diào)制信號(hào)識(shí)別相結(jié)合，并在模型的結(jié)構(gòu)上做出了一定的改進(jìn),將信號(hào)的頻譜圖作為信號(hào)識(shí)別的重要特征。文中進(jìn)行設(shè)計(jì)并實(shí)驗(yàn)，證明了該文方法在普適性與準(zhǔn)確率上均優(yōu)于現(xiàn)有方法，在信號(hào)識(shí)別領(lǐng)域有一定意義。

1 信號(hào)頻譜表示

簡(jiǎn)單的通信系統(tǒng)如圖1 所示。其中s(t)表示要從發(fā)射機(jī)發(fā)送到接收器的傳輸符號(hào)，調(diào)制函數(shù)F將s(t)轉(zhuǎn)換為發(fā)送信號(hào)，信號(hào)經(jīng)過(guò)h(t)到達(dá)接收機(jī)。y(t)為接收機(jī)接收到的信號(hào)，且表達(dá)式如下所示：

圖1 通信系統(tǒng)

式中，s(t)、h(t)、n(t)分別表示傳輸符號(hào)、脈沖響應(yīng)和加性高斯白噪聲，F(xiàn)是對(duì)信號(hào)進(jìn)行調(diào)制的函數(shù)。該文的主要工作就是識(shí)別F的調(diào)制類型。

調(diào)制信號(hào)的調(diào)制類型不同，時(shí)頻變化也不同，因此可以將信號(hào)的時(shí)頻變化作為判斷調(diào)制類型的依據(jù)。頻譜圖可以表示豐富的信號(hào)時(shí)頻，所以將頻譜圖作為觀察信號(hào)時(shí)頻變化的視覺(jué)表示。信號(hào)轉(zhuǎn)換為頻譜圖[7]的方式，該文選用的是STFT（短時(shí)離散傅里葉變換），將y(t)表示成采樣頻率fs的離散時(shí)間信號(hào)y(n)，通過(guò)STFT 對(duì)其進(jìn)行加窗變?yōu)轭l域，即：

式中，m和k分別表示時(shí)間框架跟頻率單元指數(shù)，w(n)表示窗口函數(shù)，L和K分別表示幀長(zhǎng)度和移幀，頻譜圖Y=|Y(m,k)|2，其中，每個(gè)像素對(duì)應(yīng)于頻率和時(shí)間點(diǎn)。

2 數(shù)據(jù)預(yù)處理

該文采用了RadioML2016.10a 數(shù)據(jù)集[8]，該數(shù)據(jù)集中有八種數(shù)字調(diào)制方式[9]，分別是CPFSK,GFSK,PAM4,16QAM,64QAM,BPSK,QPSK，8PSK；有三種模擬調(diào)制方式，分別是WBFM，AM-SSB,AM-DSB；共有11 種信號(hào)調(diào)制方式，每種調(diào)制方式都有20 000 個(gè)調(diào)制信號(hào)，共有220 000 個(gè)調(diào)制信號(hào)。調(diào)制信號(hào)共有20種信噪比，分別是-20 dB、-18 dB、…、16 dB、18 dB。每一種信噪比都有1 000 個(gè)調(diào)制信號(hào)。將一維信號(hào)轉(zhuǎn)換為二維頻譜圖，需要使用低通濾波器對(duì)信號(hào)進(jìn)行降噪[10]處理，然后通過(guò)Matlab 2018b 中的spectrogram函數(shù)將調(diào)制信號(hào)轉(zhuǎn)換為頻譜圖，圖片大小設(shè)置為100×100×3。

所有調(diào)制信號(hào)在相同的調(diào)制類型不同的信噪比下按照7∶1∶2 的比例劃分為a 組、b 組、c 組，所有的a組數(shù)據(jù)組合起來(lái)作為訓(xùn)練數(shù)據(jù)集，同理，b 組、c 組分別作為驗(yàn)證數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。

3 模型設(shè)計(jì)

3.1 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)[11-12]的結(jié)構(gòu)及參數(shù)如圖2 所示。

圖2 卷積神經(jīng)網(wǎng)絡(luò)

CNN(Convolutional Neural Networks)中有四層卷積層、三層池化層。卷積核尺寸為3×3，卷積工作過(guò)程如圖3 所示。

圖3 卷積核工作過(guò)程

卷積層的二維卷積計(jì)算公式如式（3）所示：

式中，?代表二維互相關(guān)算子，N代表batch size，即每次輸入圖片集合的大小，C代表圖片的通道，H與W分別代表圖片的高與寬。經(jīng)過(guò)卷積之后，圖片的輸出尺寸如公式（4）、（5）所示：

式中，padding 代表對(duì)輸入圖片四邊邊緣的填充，kernel 代表卷積核的大小，stride 代表卷積的步長(zhǎng)。

在卷積層之后引入了一層注意機(jī)制，以便更快、更好地進(jìn)行模型分類，注意機(jī)制之后是池化層，池化層的主要作用是簡(jiǎn)化特征，在一定尺寸的濾波器內(nèi)取特征向量的最大值或者平均值，池化層中選擇的是最大池化，取值過(guò)程如圖4 所示。

圖4 最大池化取值過(guò)程

使用SoftMax 函數(shù)進(jìn)行分類[13]。模型訓(xùn)練時(shí)的優(yōu)化器采用Adam 優(yōu)化器，網(wǎng)絡(luò)層的激活函數(shù)均采用ReLU 激活函數(shù)，函數(shù)公式如公式（6）所示：

3.2 注意機(jī)制

模型中引入注意機(jī)制[14]，可以賦予模型分類過(guò)程中重要特征更高的權(quán)重，以此實(shí)現(xiàn)更快、更好地進(jìn)行分類。綜合了Senet、CBAM、AA-Net 等注意力模型，該文選擇將CBAM[15](Convolutional Block Attention Module)添加到CNN 網(wǎng)絡(luò)中，CBAM 的結(jié)構(gòu)示意圖如圖5 所示。

圖5 CBAM結(jié)構(gòu)示意圖

其中，通道注意力模塊的結(jié)構(gòu)如圖6 所示。

圖6 通道注意力模塊

將大小為C×W×H的特征圖F并行進(jìn)行最大池化與平均池化，大小變?yōu)镃×1×1，經(jīng)過(guò)一個(gè)共享MLP(Multi-Layer Perception)，對(duì)輸出的特征進(jìn)行加和，最后經(jīng)過(guò)一個(gè)Sigmoid[16]激活函數(shù)得到M1，M1與F相乘得到大小為C×W×H的F1，計(jì)算公式如下：

式中，⊙表示矩陣元素積，將對(duì)應(yīng)元素進(jìn)行點(diǎn)乘?？臻g注意力模塊結(jié)構(gòu)如圖7 所示。

圖7 空間注意力模塊

對(duì)F1分別進(jìn)行兩種池化操作，然后將得到的張量組合在一起再進(jìn)行卷積，最后經(jīng)過(guò)一個(gè)Sigmoid 激活函數(shù)得到M2，M2與F相乘得到大小為C×W×H的F2。用新的特征圖F2代替原先的特征圖進(jìn)入模型中的下一層網(wǎng)絡(luò)。

3.3 模型訓(xùn)練測(cè)試流程

模型的訓(xùn)練測(cè)試流程如圖8 所示，用訓(xùn)練數(shù)據(jù)集訓(xùn)練CNN，如果訓(xùn)練結(jié)果理想，保存模型；如果不理想，則調(diào)整參數(shù)或者模型結(jié)構(gòu)，然后重新訓(xùn)練直到理想為止，保存模型。最后輸入測(cè)試數(shù)據(jù)集，記錄結(jié)果，完成測(cè)試。

圖8 模型訓(xùn)練測(cè)試流程

4 實(shí) 驗(yàn)

4.1 實(shí)驗(yàn)設(shè)計(jì)

該文設(shè)計(jì)了三個(gè)實(shí)驗(yàn)進(jìn)行對(duì)比，以便更好地評(píng)估該文模型的性能：

1）將信號(hào)的IQ 兩路采樣信息直接作為模型的輸入，識(shí)別模型為沒(méi)有注意機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)，為了更好地進(jìn)行對(duì)比實(shí)驗(yàn)，識(shí)別模型的其余結(jié)構(gòu)與參數(shù)均與該文所提出的一樣，設(shè)該識(shí)別模型為CNN1；

2）將信號(hào)轉(zhuǎn)換而來(lái)的頻譜圖作為模型的輸入，識(shí)別模型的結(jié)構(gòu)與1）中相同，設(shè)該識(shí)別模型為CNN2；

3）將信號(hào)轉(zhuǎn)換而來(lái)的頻譜圖作為模型的輸入，識(shí)別模型為該文提出的模型，設(shè)該模型為CNN3。

所有實(shí)驗(yàn)都使用相同的數(shù)據(jù)集，模型都基于TensorFlow 框架進(jìn)行搭建，所有實(shí)驗(yàn)都在Nvidia RTX 2060 GPU 中實(shí)現(xiàn)，在訓(xùn)練趨于穩(wěn)定時(shí)結(jié)束訓(xùn)練并進(jìn)行驗(yàn)證與測(cè)試。

根據(jù)控制變量法對(duì)CNN1 與CNN2 的識(shí)別結(jié)果進(jìn)行對(duì)比，可以得到信號(hào)的頻譜圖作為輸入時(shí)對(duì)識(shí)別模型性能的影響。

將CNN2 與CNN3 的識(shí)別結(jié)果進(jìn)行對(duì)比，可以得到增加注意機(jī)制對(duì)識(shí)別模型的影響。

4.2 實(shí)驗(yàn)結(jié)果

根據(jù)實(shí)驗(yàn)設(shè)置進(jìn)行實(shí)驗(yàn)，得到三種情況下的識(shí)別結(jié)果，由于篇幅有限，該文只給出部分?jǐn)?shù)據(jù)，如表1所示。

表1 準(zhǔn)確率識(shí)別結(jié)果

將實(shí)驗(yàn)得到的準(zhǔn)確率結(jié)果繪制為曲線圖，將三種實(shí)驗(yàn)結(jié)果都畫到一張曲線圖中，并用不同的曲線進(jìn)行標(biāo)注，有利于進(jìn)行對(duì)比觀察，實(shí)驗(yàn)結(jié)果如圖9所示。

圖9 實(shí)驗(yàn)結(jié)果

從圖9 中可以看出，在信噪比為-16～-6 dB 時(shí)CNN2 的準(zhǔn)確率相較于CNN1 提高了0%～3%，在信噪比為0～18 dB 時(shí)CNN2 的準(zhǔn)確率相較于CNN1 提高了0%～20%，因此，將信號(hào)轉(zhuǎn)換為頻譜圖更有利于模型的識(shí)別。在信噪比為-10～14 dB 時(shí)，CNN3 的準(zhǔn)確率相較于CNN2 的提高了0%～10%，在0 dB 時(shí)，CNN2的準(zhǔn)確率相較于CNN1 提高的最多，提高了10%。其在低信噪比情況下準(zhǔn)確率沒(méi)有明顯差別，這是因?yàn)楫?dāng)信號(hào)失真比較嚴(yán)重時(shí)，降噪算法改善信噪比的能力有限。因此CNN3 的性能優(yōu)越于CNN2。

因CNN1 與CNN2 在結(jié)構(gòu)上沒(méi)有差別，所以不作比較。CNN2 與CNN3 均在訓(xùn)練30 輪左右區(qū)域穩(wěn)定，訓(xùn)練準(zhǔn)確率如圖10 所示。在訓(xùn)練時(shí)間上，CNN2 每輪訓(xùn)練時(shí)間為105 min，CNN3每輪訓(xùn)練時(shí)間為122 min，訓(xùn)練時(shí)間如表2 所示。

圖10 訓(xùn)練準(zhǔn)確率

表2 訓(xùn)練時(shí)間

CNN3 的訓(xùn)練效率相比于CNN2 降低了16%，CNN3 訓(xùn)練所需時(shí)間更多是因?yàn)镃NN3 中引入了注意力機(jī)制，在結(jié)構(gòu)上更為復(fù)雜?？傮w來(lái)說(shuō)，訓(xùn)練效率在可接受范圍之內(nèi)。

5 結(jié)論

該文提出了一種基于CNN 的自動(dòng)調(diào)制識(shí)別模型，并在CNN 中加入了CBAM，該模型與現(xiàn)有方法相比，在信噪比為-10～14 dB時(shí)，準(zhǔn)確率提高了0%～10%，且在0 dB 時(shí)，準(zhǔn)確率提高最多，訓(xùn)練效率降低了16%，但總體在可接受范圍之內(nèi)，由實(shí)驗(yàn)可知，該文提出模型優(yōu)于現(xiàn)有方法。