王安義，李立

(西安科技大學(xué)通信與信息工程學(xué)院，西安 710054)

為適應(yīng)復(fù)雜多樣的信道環(huán)境，無線通信中出現(xiàn)了各種各樣的調(diào)制方式[1]。因此在非協(xié)作通信系統(tǒng)中如何準(zhǔn)確自適應(yīng)的識別出接收到信號的調(diào)制類型，將對后續(xù)的解調(diào)譯碼起到重要前提作用[2]。當(dāng)前調(diào)制識別技術(shù)研究主要有：傳統(tǒng)的人工特征構(gòu)造方法和基于深度神經(jīng)網(wǎng)絡(luò)的自適應(yīng)學(xué)習(xí)特征方法。傳統(tǒng)的特征構(gòu)造方法有基于信號瞬時(shí)特征、變換域特征、循環(huán)平穩(wěn)特性和高階統(tǒng)計(jì)特征[3-5]等。以這些特征作為對信號辨別分類的依據(jù)，具有易于分析和實(shí)現(xiàn)的優(yōu)點(diǎn)，因此得到了廣泛應(yīng)用[6]。但是該方法對于信號的信噪比要求較高，識別性能受信號特征的影響較大。因此無法滿足復(fù)雜環(huán)境下的調(diào)制識別任務(wù)[7]。

基于深度學(xué)習(xí)的調(diào)制識別方法避免了人為構(gòu)造特征的缺陷，由海量的數(shù)據(jù)驅(qū)動內(nèi)部隱藏層神經(jīng)網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)信號特征，并將學(xué)習(xí)到的特征映射到易于區(qū)分的特征空間，最后由網(wǎng)絡(luò)的輸出層進(jìn)行分類。O’Shea等[8]將通信接收端原始信號的同相正交(in-phase quadrature,IQ)數(shù)據(jù)作為深度神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)，輸出就是對應(yīng)的信號種類標(biāo)識，該方法采用密集神經(jīng)網(wǎng)絡(luò)(dense neural network,DenseNet)對24種調(diào)制信號進(jìn)行分類，當(dāng)信噪比為10 dB時(shí)，正確識別率可達(dá)95.6%。自此，基于ResNet的卷積結(jié)構(gòu)模型備受青睞。文獻(xiàn)[9]提出了一種改進(jìn)的ResNet框架對9種雷達(dá)時(shí)域IQ信號進(jìn)行識別，在2 dB時(shí)，綜合識別率達(dá)到了90%以上。文獻(xiàn)[10]將信號處理為星座圖，采用ResNet-50和ResNet V2對高斯白噪聲下的振幅鍵控(amplitude shift keying,ASK)、相位鍵控(phase shift keying,PSK)、正交振幅調(diào)制(quadrature amplitude modulation,QAM)不同階數(shù)的調(diào)制信號進(jìn)行識別。文獻(xiàn)[11]針對深度神經(jīng)網(wǎng)絡(luò)規(guī)模大的問題，提出了輕量級的卷積神經(jīng)網(wǎng)絡(luò)降低了模型參數(shù)。文獻(xiàn)[12]采用信號的幅度和相位二維圖像作為神經(jīng)網(wǎng)絡(luò)的輸入，采用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)對8種調(diào)制方式進(jìn)行識別研究，結(jié)果表明在信噪比為0以上時(shí)，比基于IQ數(shù)據(jù)的識別準(zhǔn)確率高2%，這源于信號的幅度和相位信息得到了更直接的表達(dá)。除了基于卷積結(jié)構(gòu)基礎(chǔ)的調(diào)制識別研究外，文獻(xiàn)[13]提出卷積和長短期記憶(long short-term memory,LSTM)的組合改進(jìn)模型，當(dāng)信噪比為8 dB時(shí)，對24種調(diào)制信號平均正確識別率超過95%。文獻(xiàn)[14]采用卷積結(jié)構(gòu)和雙向循環(huán)神經(jīng)網(wǎng)絡(luò)(bidirectional recurrent neural network,BRNN)結(jié)構(gòu)組合，文獻(xiàn)[15]采用卷積結(jié)構(gòu)和基于LSTM的改進(jìn)門控單元(gate recurrent unit,GRU)組合對公共數(shù)據(jù)集RML2016.10a進(jìn)行測試，實(shí)驗(yàn)結(jié)果分析表明：訓(xùn)練時(shí)間過長且在低信噪比下效果較差。

從以上研究工作中可以看出，算法模型的復(fù)雜度逐漸變高。以時(shí)域IQ信號或二維圖像為數(shù)據(jù)源，存在一定的特征提取受限。而平臺則是以軟件仿真為主以及選用高斯白噪聲信道背景下進(jìn)行調(diào)制識別研究，未考慮真實(shí)的無線信號傳輸環(huán)境。針對此問題，現(xiàn)通過GNU Radio 軟件無線電開發(fā)平臺生成仿真數(shù)據(jù)集，利用兩臺軟件無線電硬件外設(shè)HackRF完成實(shí)際電磁環(huán)境下的通信數(shù)據(jù)發(fā)送接收過程，構(gòu)建實(shí)測數(shù)據(jù)集進(jìn)行研究。對于深層神經(jīng)網(wǎng)絡(luò)梯度容易消失且模型訓(xùn)練復(fù)雜等問題，采用殘差塊和DenseNet結(jié)構(gòu)對信號特征進(jìn)行自主學(xué)習(xí)，進(jìn)而實(shí)現(xiàn)無線調(diào)制信號的自動識別分類。此外，還通過數(shù)據(jù)預(yù)處理構(gòu)建新的IQ數(shù)據(jù)維數(shù)以提高識別精度，達(dá)到對通信中常見的調(diào)制信號識別的目的。

1 無線通信模型

1.1 基帶IQ數(shù)據(jù)

在實(shí)際的無線通信系統(tǒng)中，會根據(jù)對無線信道預(yù)測的結(jié)果動態(tài)調(diào)整調(diào)制編碼方案。這些系統(tǒng)所使用到的調(diào)制方式有GMSK、BPSK、QPSK、8PSK、16QPSK、16QAM、64QAM、256QAM、4PAM。以上調(diào)制信號的數(shù)學(xué)表達(dá)式這里不在此給出，只考慮基帶調(diào)制信號的時(shí)域復(fù)包絡(luò)信息數(shù)據(jù)。

對于IQ信號數(shù)據(jù)而言就是數(shù)據(jù)分為兩路，用相互正交的載波分別進(jìn)行調(diào)制(調(diào)制原理見圖1)，然后進(jìn)行疊加得到輸出信號，表達(dá)式為

圖1 I/Q信號調(diào)制原理圖Fig.1 Schematic diagram of I/Q signal modulation

s(t)=rI(n)+jrQ(n)=acosω0t-bsinω0t

(1)

式(1)中：rI(n)和rQ(n)分別代表采樣點(diǎn)n的同相分量和正交分量；a和b為兩路信號數(shù)據(jù)；cosω0t和sinω0t分別為兩路載波。在調(diào)制識別的研究中通常將基帶數(shù)據(jù)的IQ向量作為神經(jīng)網(wǎng)絡(luò)的輸入。

設(shè)n0為采樣起點(diǎn)，采樣點(diǎn)數(shù)為N，則IQ數(shù)據(jù)向量組可記為式(2)，如圖2所示為QPSK信號的星座圖。

圖2 QPSK調(diào)制星座圖Fig.2 QPSK modulation constellation

(2)

通過對比文獻(xiàn)[8-15]的仿真結(jié)果，可以看出單一且未經(jīng)處理的IQ數(shù)據(jù)對QAM調(diào)制方式的類內(nèi)調(diào)制識別效果較差。這是因?yàn)楦唠A的QAM調(diào)制其IQ數(shù)據(jù)所對應(yīng)的星座圖中也包含有低階的QAM調(diào)制信息特征[10]。此外IQ數(shù)據(jù)雖然有著豐富的頻域和時(shí)域信息且所包含信息量最大，但是IQ沒能直接表示出信號的幅度以及相位信息(amplitude/phase，A/θ)。然而基帶IQ信號星座圖中的A/θ卻是信號調(diào)制的重要特征之一。因此將IQ數(shù)與其計(jì)算出的A/θ數(shù)據(jù)聯(lián)立組成4×N的向量數(shù)據(jù)，讓神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)信號向量數(shù)據(jù)信息從中獲得更加完備的高層特征進(jìn)行識別。因此選擇將IQ與其幅度相位聯(lián)合作為深度神經(jīng)網(wǎng)絡(luò)的輸入，其向量矩陣可以表示為

(3)

1.2 接收信號模型

在自然環(huán)境中存在遮擋物、電磁干擾會導(dǎo)致無線通信信號傳輸損耗嚴(yán)重。雖然可以通過增大天線發(fā)射功率，提高接收靈敏度以及天線的增益來緩解此問題，但是較大的發(fā)射功率是不允許的。此外各類無線發(fā)射設(shè)備較多，在這無疑是增加了信號檢測識別的難度。

無線信道可分為大尺度衰落和小尺度衰落。大尺度衰落對信號傳輸質(zhì)量影響較小，并且在一定程度上可以消除。而小尺度衰落在時(shí)域上容易導(dǎo)致碼間串?dāng)_，嚴(yán)重影響信號傳輸質(zhì)量。主要針對小尺度衰落信道為基礎(chǔ)，研究原始基帶信號s(t)經(jīng)過帶有高斯白噪聲的多徑衰落信道后由接收機(jī)捕獲，最后通過下變頻處理得到基帶x(t)可表示為

x(t)=s(t)*h(t)+z(t)

(4)

式(4)中：s(t)為原始基帶信號；*為卷積運(yùn)算；h(t)為復(fù)雜信道下的多徑響應(yīng)函數(shù)；z(t)加性高斯白噪聲。x(t)可更具體地表達(dá)為

h(t-τ+εT)dt+zadd(t)

(5)

式(5)中：a為信號幅度；f0和θ分別為中心頻率偏移和相位偏移；p(·)為脈沖整形；τ為信道響應(yīng)時(shí)間；h(·)為信道相應(yīng)；εT為符號定時(shí)誤差；zadd(t)為加性噪聲。

1.3 通信鏈路

實(shí)際的通信鏈路主要由發(fā)端和收端組成，發(fā)端過程可簡化概括為信源編碼、信道編碼、載波調(diào)制、最后射頻發(fā)送，接收端是其逆過程。相比傳統(tǒng)無線通信系統(tǒng)，當(dāng)前軟件無線電(software defined radio,SDR)技術(shù)被業(yè)界廣泛用來做通信研究，SDR的核心思想是構(gòu)造一個(gè)開放化、標(biāo)準(zhǔn)化、模塊化的通用平臺，盡可能地將模數(shù)轉(zhuǎn)換和數(shù)模轉(zhuǎn)換模塊靠近射頻天線，通過軟件程序?qū)崿F(xiàn)無線信號收發(fā)處理功能，SDR通信系統(tǒng)的基本結(jié)構(gòu)如圖3所示。

圖3 SDR通信系統(tǒng)基本結(jié)構(gòu)Fig.3 Basic structure of SDR communication system

SDR通信系統(tǒng)主要由RF射頻前端、中頻處理部分以及基帶處理部分組成。其中RF射頻前端連接空口天線，可完成濾波和功率放大等操作，還能實(shí)現(xiàn)射頻信號和中頻信號的轉(zhuǎn)換。A/D、D/A模塊是SDR的重要組成部分，用于完成高頻段信號的數(shù)字與模擬之間的轉(zhuǎn)換；高速數(shù)字處理器(digital signal processor,DSP)或?qū)Ｓ每删幊涕T陣列(field programmable gate array,FPGA)通過數(shù)字上/下變頻完成中頻信號和低速基帶數(shù)據(jù)流的轉(zhuǎn)換?；鶐盘栍蒔C端根據(jù)不同任務(wù)進(jìn)行處理，主要完成編碼調(diào)制等操作。

考慮到本文所研究的通信信號調(diào)制識別問題僅需要基本的收發(fā)功能即可完成 I/Q 信號的空口數(shù)據(jù)采集，因此選用HackRF作為軟件無線電硬件外設(shè)。HackRF承擔(dān)高頻、中頻信號的處理工作，而基帶信號的調(diào)制解調(diào)、編解碼等操作均由PC端實(shí)現(xiàn)，一定程度上降低了開發(fā)成本。

2 調(diào)制識別網(wǎng)絡(luò)模型

基于深度學(xué)習(xí)的調(diào)制識別研究過程中，深度學(xué)習(xí)作為實(shí)現(xiàn)分類任務(wù)目標(biāo)的算法基礎(chǔ)。主要思想就是利用多層感知機(jī)網(wǎng)絡(luò)完成非線性映射，具體通過多層的感知機(jī)網(wǎng)絡(luò)自主的找到訓(xùn)練數(shù)據(jù)與其標(biāo)簽數(shù)據(jù)的映射關(guān)系。這一過程也可以稱之為特征學(xué)習(xí)或特征表達(dá)過程。和傳統(tǒng)的機(jī)器學(xué)習(xí)以及決策算法相比減少了人為設(shè)計(jì)特征的過程。文獻(xiàn)[9-15]大多都是利用深度學(xué)習(xí)里面的算法模型對普通加性高斯白噪聲環(huán)境下的無線調(diào)制信號進(jìn)行識別研究。因此本章主要研究如何改進(jìn)模型結(jié)構(gòu)提升真實(shí)多徑無線信道環(huán)境下的調(diào)制信號識別率。

2.1 卷積網(wǎng)絡(luò)結(jié)構(gòu)

基于信號IQ數(shù)據(jù)的調(diào)制識別方法中，大多研究者將卷積層作為網(wǎng)絡(luò)模型的基本結(jié)構(gòu)單元[6-15]。這主要源于卷積層能夠較好地提取數(shù)據(jù)的局部特征并且權(quán)重共享，尤其是對無線信號而言卷積層處理對應(yīng)的是頻域特征。

當(dāng)IQ數(shù)據(jù)維數(shù)為2×5，對其進(jìn)行卷積(2×2)、池化(1×2)過程結(jié)果如圖4所示。最大池化過程將最大的特征值保留下來其他的舍棄掉，因此可以有效的給數(shù)據(jù)降維，減少模型參數(shù)。常用于調(diào)制識別的典型CNN結(jié)構(gòu)模型為殘差神經(jīng)網(wǎng)絡(luò)(ResNet)[8-10]。殘差塊的結(jié)構(gòu)如圖5所示。

圖4 信號的卷積和池化操作Fig.4 Convolution and pooling operations on signals

ResNet 結(jié)構(gòu)在訓(xùn)練過程中主要學(xué)習(xí)殘差映射F(x),這種獨(dú)特的快捷連接方式并不會給網(wǎng)絡(luò)模型帶來額外參數(shù)和計(jì)算復(fù)雜度。在實(shí)際應(yīng)用中，常串聯(lián)多個(gè)類似圖5的殘差單元構(gòu)成深層殘差網(wǎng)絡(luò)，其第l層網(wǎng)絡(luò)的梯度表示為

圖5 ResNet結(jié)構(gòu)Fig.5 ResNet structure

(6)

式(6)中ResNet的梯度比單一的CNN多了一個(gè)常數(shù)1。有了這個(gè)恒等映射可理解為無論何時(shí)ResNet都不會發(fā)生梯度消失的現(xiàn)象，有效提高了網(wǎng)絡(luò)模型訓(xùn)練的穩(wěn)定性。

在圖像識別領(lǐng)域中ResNet網(wǎng)絡(luò)模型的層數(shù)最高達(dá)到了152層。本文中選50層的殘差網(wǎng)絡(luò)作為對比網(wǎng)絡(luò)模型，基本結(jié)構(gòu)類型可參考文獻(xiàn)[9-10]。

2.2 密集連接結(jié)構(gòu)

ResNet增加一個(gè)恒等映射，跳過本層或多層運(yùn)算，解決了傳統(tǒng)的網(wǎng)絡(luò)會出現(xiàn)信息丟失、梯度消失、梯度爆炸等問題。但是ResNet增加的恒等映射的增加只是使得加深網(wǎng)絡(luò)深度不會造成梯度消失，不會降低網(wǎng)絡(luò)性能，但是一味地增加網(wǎng)絡(luò)深度帶來的訓(xùn)練時(shí)間開銷是難以避免的。因此基于ResNet 以快捷連接實(shí)現(xiàn)特征傳遞的思想，設(shè)計(jì)一種密集前后連接的結(jié)構(gòu)來保證各層特征的最大流通。

密集連接塊是一個(gè)3層的復(fù)合卷積結(jié)構(gòu)，也可以將密集連接塊理解為一個(gè)復(fù)合的函數(shù)集合，由批量歸一化(batch normalization,BN)、激活函數(shù)、卷積運(yùn)算組成。其密集連接塊結(jié)構(gòu)如圖6所示。

圖6 DenseNet密集連接塊Fig.6 DenseNet connected blocks

由圖6可知，假設(shè)輸入為x0，經(jīng)過l層的神經(jīng)網(wǎng)絡(luò)，DensNet第l層的輸出可記作

xl=Hl(x0,x1,…,xl-1)

(7)

根據(jù)式(7)，對于DensNet而言，l層的輸出是之前所有層的輸出集合。相比ResNet結(jié)構(gòu)l層的輸出是l-1層的輸出加上對l-1層輸出的非線性變換。由此可見Dense Block每個(gè)中間層的輸入都是之前各層輸出向量的通道維合并特征，每一層的輸出協(xié)同前層的輸出一起傳遞給后層，促進(jìn)特征向量的傳遞。這種獨(dú)特的特征重用方式不僅使網(wǎng)絡(luò)能夠?qū)W習(xí)到更豐富的淺層特征信息，同時(shí)避免了網(wǎng)絡(luò)訓(xùn)練時(shí)產(chǎn)生的冗余特征，進(jìn)一步緩解了梯度消失問題。

2.3 基于DenseNet調(diào)制識別模型設(shè)計(jì)

一般基于深度學(xué)習(xí)的調(diào)制識別過程主要由信號數(shù)據(jù)預(yù)處理、自適應(yīng)學(xué)習(xí)特征提取、特征融合和特征分類等過程。本文設(shè)計(jì)DenseNet模型，參考了基于圖像處理的密集塊網(wǎng)絡(luò)結(jié)構(gòu)和ResNet模型的優(yōu)點(diǎn)。并增加調(diào)制信號IQ的數(shù)據(jù)的維度。將基帶的IQ數(shù)據(jù)制作為4×N的向量矩陣，經(jīng)數(shù)據(jù)預(yù)處理過后制作做成為數(shù)據(jù)集。以4×N的維度作為網(wǎng)絡(luò)模型的輸入維度，網(wǎng)絡(luò)模型經(jīng)損失函數(shù)每輪次的計(jì)算和反向調(diào)整得到最優(yōu)的模型權(quán)重參數(shù)，最終達(dá)到調(diào)制識別泛化的性能要求。

本文DenseNet模型設(shè)計(jì)了含有3個(gè)密集塊的DenseNet結(jié)構(gòu)。初始卷積層設(shè)計(jì)為1×3步幅為1卷積，如圖7所示。

圖7 DenseNet網(wǎng)絡(luò)結(jié)構(gòu)模型Fig.7 DenseNet network structure model

(1)信號預(yù)處理。主要對接收到的射頻信號進(jìn)行基帶處理，按1.1節(jié)將IQ數(shù)據(jù)再增加幅度和相位角信息。

(2)特征學(xué)習(xí)提取模塊。將經(jīng)過信號預(yù)處理數(shù)據(jù)輸入網(wǎng)絡(luò)模型，由第一層卷積對數(shù)據(jù)維度進(jìn)行降維處理減小規(guī)模，后續(xù)依次進(jìn)入密集連接塊和卷積池化層，密集連接塊主要對信號的數(shù)據(jù)特征空間進(jìn)行學(xué)習(xí)，將大量的學(xué)習(xí)特征集合通過卷積池化進(jìn)行降維處理以及進(jìn)行融合，以此得到最關(guān)鍵的特征信息。

(3)全連接層分類。將特征向量映射至輸出空間。最后使用Softmax激活函數(shù)實(shí)現(xiàn)不同調(diào)制樣式的分類。

3 仿真實(shí)驗(yàn)與結(jié)果分析

3.1 軟件無線平臺搭建

基帶數(shù)據(jù)處理由GNU Radio完成，產(chǎn)生動態(tài)衰落信道模塊包含萊斯多徑衰落和加性高斯白噪聲。具體的數(shù)據(jù)集參數(shù)如表1所示。

表1 數(shù)據(jù)集參數(shù)設(shè)置Table 1 Dataset parameter settings

按照表1中生成數(shù)據(jù)，硬件配置為兩臺HackRF 外設(shè)用于數(shù)據(jù)收發(fā)，兩臺計(jì)算機(jī)，用于數(shù)據(jù)處理。如8所示。

圖8 實(shí)際數(shù)據(jù)采集場景Fig.8 Actual data collection scenario

首先在發(fā)射端通過 GNU Radio完成調(diào)制信號基帶數(shù)據(jù)處理，再將信號通過USB接口傳送至HackRF進(jìn)行數(shù)字上變頻得到中頻信號。中頻信號經(jīng)D/A轉(zhuǎn)變?yōu)槟M信號，完成信號的功率放大和濾波，送入射頻電路將高頻電波通過天線發(fā)出。接收端完成發(fā)射端的逆過程，得到數(shù)字基帶信號。將接收端所處理的基帶信號的IQ信號的實(shí)部和虛部將IQ數(shù)據(jù)轉(zhuǎn)化A/θ數(shù)據(jù)并聯(lián)立組成4D-IQ數(shù)據(jù)。

3.2 實(shí)驗(yàn)仿真分析

本節(jié)實(shí)驗(yàn)仿真平臺：計(jì)算機(jī)配置(CPU為i9-9900k，GPU為雙RTX2080Ti，內(nèi)存為32 G),采用TensorFlow2.0和Keras作為深度學(xué)習(xí)軟件仿真平臺完成訓(xùn)練并測試，最終將測試結(jié)果數(shù)據(jù)由MATLAB2020a進(jìn)行數(shù)據(jù)結(jié)果可視化展示。

3.2.1 基于2D-IQ傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型的對比

如圖9所示，在對比實(shí)驗(yàn)中：CNN模型的框架設(shè)計(jì)源于文獻(xiàn)[11-12]的輕量級卷積模型結(jié)構(gòu)。LSTM模型根據(jù)參考文獻(xiàn)[13]的兩層LSTM結(jié)構(gòu)。CLDNN網(wǎng)絡(luò)模型根據(jù)文獻(xiàn)[14-15]的卷積結(jié)構(gòu)和LSTM的變體結(jié)構(gòu)復(fù)合模型設(shè)計(jì)出的串行3種結(jié)構(gòu)模型(CNN、LSTM、DNN)。由圖9基于2D-IQ的傳統(tǒng)模型識別效果對比可知，LSTM模型的識別率比CNN模型的識別率高，這源于LSTM模型適合更適合處理含有時(shí)間序列相關(guān)和延遲相對較長的通信信號數(shù)據(jù)。將CNN模型和LSTM模型結(jié)合出的CLDNN模型，有著比兩者更好的識別效果，這里采用的LSTM與文獻(xiàn)[15]里面門控循環(huán)單元(GRU)相比更適合處理海量的通信IQ數(shù)據(jù)。圖9反映了傳統(tǒng)深度學(xué)習(xí)網(wǎng)絡(luò)與組合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的調(diào)制識別性能。通常除了改變算法模型的方法來提高識別率，還可以對輸入數(shù)據(jù)預(yù)處理達(dá)到同樣目的。本文通過增加IQ數(shù)據(jù)的維度提高識別率，對比實(shí)驗(yàn)如圖10所示。

圖9 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型的對比Fig.9 Comparison of traditional neural network models

3.2.2 2D-IQ和4D-IQ實(shí)驗(yàn)對比

如圖10所示，根據(jù)4D-IQ和2D-IQ識別效果對比可知，在引入A/θ信息后ResNet和DenseNet模型的識別率在整個(gè)信噪比區(qū)間都有提升，使用4D-IQ數(shù)據(jù)的模型識別率提升了10%。在5 dB時(shí)，本文中設(shè)計(jì)的DenseNet對9種調(diào)制信號的平均識別率可以達(dá)到90%以上。進(jìn)一步結(jié)合本文輸入數(shù)據(jù)維度設(shè)計(jì)文獻(xiàn)[9-15]中的深度學(xué)習(xí)調(diào)制識別模型，其中文獻(xiàn)[10]是以信號的星座圖像作為神經(jīng)網(wǎng)絡(luò)的輸入，文獻(xiàn)[12]是以幅-相域的二維圖像作為輸入，這兩個(gè)文獻(xiàn)中的模型無法直接作為本文的數(shù)據(jù)的實(shí)驗(yàn)對象，因此通過改變模型輸入層配置參數(shù)，進(jìn)而完成文獻(xiàn)中的模型與本文所提模型的對比。表2～表4分別為3種信噪比下的對比結(jié)果。

圖10 4D-IQ和2D-IQ識別效果對比Fig.10 4D-IQ and 2D-IQ recognition effect comparison

由表2～表4可知在同一模型下4D-IQ數(shù)據(jù)的識別效果要好于2D-IQ的識別效果。在同一數(shù)據(jù)集下本文所提出的DenseNet模型識別效果最優(yōu)。進(jìn)一步對比算法模型的時(shí)間開銷，統(tǒng)計(jì)模型的參數(shù)數(shù)量P和迭代一次的時(shí)間t，如表5所示。

表2 信噪比為-10 dB下的識別率Table 2 Recognition rate when the signal-to-noise ratio is -10 dB

表3 信噪比為0時(shí)的識別率Table 3 Recognition rate when the signal-to-noise ratio is 0

表4 信噪比為10 dB下的識別率Table 4 Recognition rate when the signal-to-noise ratio is 10 dB

表5 模型性能參數(shù)表Table 5 Model performance parameter table

根據(jù)表5可以看出ResNet模型參數(shù)最多，達(dá)到了23萬，迭代一次的訓(xùn)練時(shí)間為951 s，通過結(jié)合對比各類模型的識別效果，本文所提出的DenseNet模型具有一定優(yōu)勢。

3.2.3 基于4D-IQ的模型性能實(shí)驗(yàn)對比

根據(jù)圖11可知，采用改進(jìn)的4D-IQ作為訓(xùn)練數(shù)據(jù)，本文所提的DenseNet算法模型對多徑信道下的九種調(diào)制信號整體平均識別率要遠(yuǎn)高于ResNet、CLDNN和CNN模型。在-10 dB到0的信噪比下DenseNet網(wǎng)絡(luò)模型的識別性能整體效果要比CNN和CLDNN模型的識別率高10%左右。尤其在-10 dB到0低信噪比下DenseNet模型的識別率有較大的提升。

圖11 基于改進(jìn)IQ算法不同深度學(xué)習(xí)網(wǎng)絡(luò)模型性能Fig.11 Improved algorithm recognition rate

4 結(jié)論

基于軟件無線電硬件平臺HackRF和GNU Radio對所設(shè)計(jì)的DenseNet調(diào)制識別模型進(jìn)行了分析，得到如下結(jié)論。

(1)基于4D-IQ數(shù)據(jù)下的CNN、ResNet、CLDNN和DenseNet調(diào)制識別模型對多徑信道低信噪比下的九種調(diào)制信號平均正確識別率都比2D-IQ數(shù)據(jù)下的識別率高。

(2)改進(jìn)后的DenseNet模型進(jìn)一步提高了對通信IQ數(shù)據(jù)特征提取的能力，能夠從多徑無線信道低信噪比下的噪聲中學(xué)習(xí)到信號特征，從而提高了在低信噪比下的識別率。