馬圣雨，石 堅，宋逸杰，陳麗萍，高 巖

（1.河南理工大學 計算機科學與技術(shù)學院，河南 焦作 454000；2.嘉興南湖學院 圖書館；3.嘉興學院 信息網(wǎng)絡與智能研究院，浙江 嘉興 314000；4.江西理工大學 理學院，江西 贛州 341000）

0 引言

在頻譜監(jiān)測和電子對抗等領(lǐng)域中，自動調(diào)制識別（Automatic Modulation Recognition，AMR）作為信號檢測和解調(diào)之間的關(guān)鍵步驟，無需先驗信息即可在接收端接收并識別出未知信號調(diào)制方式［1-2］。高效精準、穩(wěn)定可靠的調(diào)制識別方法對未來日益復雜的通信環(huán)境具有重大意義。

早期的調(diào)制識別技術(shù)受限于科技水平，因此以人工提取特征的方式為主［3-8］，這類傳統(tǒng)方法需要較多的先驗信息，在使用上限制較大?；谏疃葘W習（Deep Learning，DL）的AMR 方法，采用網(wǎng)絡的非線性處理單元，直接從原始信號中獲取深層次特性。O’Shea 等［9］在2016 年首次將深度學習技術(shù)運用于調(diào)制識別，利用卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）有效區(qū)分出了11 種調(diào)制方式，并在分類性能上取得了優(yōu)于傳統(tǒng)方法的效果。West等［10］對不同的深度神經(jīng)網(wǎng)絡進行對比分析，發(fā)現(xiàn)網(wǎng)絡深度對識別精度影響有限。Zhang 等［11］在多通道神經(jīng)網(wǎng)絡中同時饋入同相正交（In-Phase and Quadrature，IQ）信號數(shù)據(jù)和四階累積量以補充通過網(wǎng)絡學習到的信息特征，有效改善了CNN 和長短期記憶網(wǎng)絡（Long Short-Term Memory，LSTM）的分類能力。Ramjee 等［12］針對各種經(jīng)典神經(jīng)網(wǎng)絡進行分析，并通過子采樣技術(shù)對數(shù)據(jù)特征降維，降低訓練復雜性。Qi 等［13］通過深度殘差網(wǎng)絡（Deep Residual Networks，ResNet）提取多模態(tài)信號中的特征，通過并聯(lián)特征融合方式補充數(shù)據(jù)特征，有效識別出16 種調(diào)制方式，包括高階的正交振幅調(diào)制（Quadrature Amplitude Modulation，QAM），如256QAM 和1 024QAM。Wu 等［14］和Lu 等［15］將CNN 和序列模型的輸出加以拼接，通過并聯(lián)方式融合數(shù)據(jù)特征，以提高模型泛化能力。

鑒于以上研究，當前AMR 模型以CNN、LSTM 及它們的相關(guān)變體為主，通過優(yōu)化網(wǎng)絡結(jié)構(gòu)和加工數(shù)據(jù)特征等方式改善網(wǎng)絡性能，但識別精度方面仍有待提升。

本文受文獻［14］和文獻［15］的啟發(fā)，針對當前AMR方法識別精度低的問題，提出一種基于結(jié)合策略的調(diào)制識別協(xié)同協(xié)作模型（CNN-LSTM Collaboration Model，CLCM）。該識別方法通過加權(quán)投票結(jié)合策略聯(lián)合CNN 和LSTM 共同完成調(diào)制方式分類任務，實現(xiàn)高精度的調(diào)制方式辨識。結(jié)果表明，CLCM 可有效識別24 種被廣泛應用的調(diào)制方式，平均識別精度超過95%；在高信噪比下，對128QAM 和256QAM 等高階調(diào)制方式的識別精度均高于90%，這對于高速數(shù)據(jù)傳輸應用意義重大。

1 無線通信系統(tǒng)模型及數(shù)據(jù)預處理

1.1 無線通信系統(tǒng)模型

無線通信系統(tǒng)基本結(jié)構(gòu)如圖1 所示，主要由3 部分組成：發(fā)射機、信道和接收機。信號的調(diào)制處理通常部署在發(fā)射機部分，通過調(diào)制可以擴展信號帶寬，提高信號的抗干擾能力。

調(diào)制識別的處理模塊通常部署在接收機部分。假設(shè)接收機接收到的信號為r(t)，則可以定義為：

其中，s(t)表示由發(fā)射機發(fā)出的傳輸信號，c(t)表示無線通信信道的脈沖響應，n(t)指加性高斯白噪聲。

1.2 數(shù)據(jù)預處理形式

本文在接收端得到的信號數(shù)據(jù)被處理為IQ 信號，這是調(diào)制識別任務中被廣泛使用的輸入數(shù)據(jù)［12-13］。接收端得到符號序列表示為I+jQ，符號序列的I 分量（實部）和Q分量（虛部）分別表示為I=[i1，i2，...，iL]，Q=[q1，q2，...，qL]。L表示序列長度，以此獲得IQ 信號的二維數(shù)據(jù)表達形式，表示為。

Fig.1 Wireless communication system圖1 無線通信系統(tǒng)

利用極坐標的形式可以有效表達出相位和振幅的變化規(guī)律，這是考慮到了序列模型對相位和振幅變化的敏感性，類似的應用可見文獻［15］。極坐標表達式表示為P=(ρ，θ)，其中極半徑表示為，極角表示為θ=atan(Q/I)。

2 CLCM模型

2.1 模型整體概述

為實現(xiàn)高精度的調(diào)制方式智能辨識，本文設(shè)計了一種AMR 協(xié)作模型CLCM。CLCM 的具體框架結(jié)構(gòu)如圖2 所示，它包含CNN 和LSTM 兩種分類模型，通過加權(quán)投票結(jié)合策略聯(lián)合兩種模型，達到提高模型泛化能力的目的。

其中，CNN 模型結(jié)構(gòu)如圖3 所示。CNN 用于接收輸入大小為2×1 024 的IQ 信號，提取信號的空間特征。IQ 信號依次經(jīng)過5 個由卷積層和池化層構(gòu)成的單元結(jié)構(gòu)處理后，得到的特征通過兩個全連接層的非線性變換，輸出CNN 的預測結(jié)果。CNN 中的卷積層用于挖掘數(shù)據(jù)深層次的抽象特征，其前向傳播過程可以表示為：

其中，x表示CNN 的輸入數(shù)據(jù)，濾波器（大小為m×n）的權(quán)重為w，*代表卷積操作，f(·)代表激活函數(shù)，y為該卷積層的輸出。每個卷積層的濾波器大小為1×3，深度為64；池化層通過對數(shù)據(jù)特征進行下取樣，壓縮數(shù)據(jù)維度降低計算復雜度，目前常用的池化方法有最大池化和平均池化。最大池化層的池化窗長寬分別設(shè)置為1 和2，平均池化層的池化窗長寬分別設(shè)置為1 和16。第一個和第二個全連接層的節(jié)點數(shù)分別設(shè)置為128 和24，第二個全連接層使用Softmax 激活函數(shù)，設(shè)置的節(jié)點數(shù)與所需分類的信號調(diào)制方式類別數(shù)一致。Softmax 是一種將多種類別的輸出值映射為介于0和1之間的向量函數(shù)，數(shù)學表達式為：

Fig.2 CLCM model圖 2 CLCM 模型

Fig.3 CNN model structure圖3 CNN模型結(jié)構(gòu)

其中，K表示所需分類的類別數(shù)，xi表示激活函數(shù)所在層對應的第i個節(jié)點輸出的預測值。

LSTM 作為一種循環(huán)神經(jīng)網(wǎng)絡的改進模型，采用門控機制克服了訓練過程中的梯度爆炸和梯度消失問題，在序列數(shù)據(jù)建模上具有長時記憶的優(yōu)勢。LSTM 主要由遺忘門、輸入門、輸出門、臨時單元狀態(tài)4 部分組成，基本原理如下：

其中，σ表示Sigmoid 激活函數(shù)，·表示向量的元素積，X代表LSTM 的輸入數(shù)據(jù)，H代表細胞單元的輸出，W代表連接不同門的權(quán)重矩陣，b代表相應的偏置。分別表示t時刻下的遺忘門、輸入門、輸出門、臨時單元狀態(tài)和新單元狀態(tài)。本文設(shè)置的LSTM 共有3 層，其中前兩層分別包含128 個LSTM 單元結(jié)構(gòu)，LSTM 單元結(jié)構(gòu)如圖4所示。第三層是一個帶有Softmax 的全連接層，節(jié)點數(shù)設(shè)置為24（調(diào)制方式的類別數(shù)）。

Fig.4 LSTM unit structure圖4 LSTM 單元結(jié)構(gòu)

2.2 結(jié)合策略

針對單個分類模型存在數(shù)據(jù)擬合程度不高、泛化能力較弱的問題，本文引入結(jié)合策略關(guān)聯(lián)獨立的CNN 和LSTM，通過加權(quán)投票結(jié)合策略聯(lián)合兩種模型協(xié)同合作，使某一分類模型造成的誤分類錯誤通過其他分類模型進行校正，平衡單一模型在分類性能上的短板。從假設(shè)空間的變化來看，加權(quán)投票結(jié)合策略有利于擴大分類模型的假設(shè)空間［16］，互補特征提取能力的優(yōu)勢，達到提高模型泛化能力的目的。

本文利用加權(quán)投票結(jié)合策略互補CNN 和LSTM 的特征提取優(yōu)勢。加權(quán)投票結(jié)合策略表示如下：

其中，x表示輸入數(shù)據(jù)，m表示所使用的分類模型個數(shù)，j表示當前參與決策的網(wǎng)絡模型序號，wj表示第j個網(wǎng)絡的權(quán)重大?。╳j≥0，），∏(·)表示指示函數(shù)，y表示真實值。C(j)指當前參與決策的網(wǎng)絡模型的預測結(jié)果。通過結(jié)合策略匯總多個神經(jīng)網(wǎng)絡模型對各數(shù)據(jù)標簽的預測結(jié)果，最終選擇概率之和最大的類標簽作為決策結(jié)果。這種方式填補了單個CNN 或LSTM 模型對個別信號數(shù)據(jù)特征表達能力不強的空缺，實現(xiàn)分類模型間的優(yōu)勢互補。

3 實驗環(huán)境與參數(shù)選擇

3.1 實驗環(huán)境

本文基于Python 匯編語言，運用Tensorflow 深度學習開源框架及Keras 高階應用程序接口進行實驗。實驗環(huán)境具體配置如表1所示。

Table 1 Experimental environment表1 實驗環(huán)境

3.2 實驗數(shù)據(jù)集與評價指標

為驗證CLCM 模型有效性，采用開源調(diào)制識別數(shù)據(jù)集RadioML2018.01a 并進行離線實驗。RadioML2018.01a［17］基于GnuRadio 平臺產(chǎn)生，模擬了真實無線通信系統(tǒng)中常見的損傷，涵蓋了24 種廣泛使用的單子載波調(diào)制方式，具體信息如表2所示。

調(diào)制識別可以看作是一項多分類任務，常采用準確率評價模型分類性能，準確率的定義如下：

其中，TP、TN、FP 和FN 分別表示統(tǒng)計得到的真正例、真反例、假正例和假反例的個數(shù)。

4 實驗仿真與分析

4.1 模型性能比較

為驗證CLCM 模型的有效性，與XGBoost［17］、VGG［17］、ResNet［17］和DrCNN［18］等4 種當前先進的調(diào)制識別模型對比，所有模型均在相同條件下進行訓練和測試。各模型準確率曲線如圖5 所示，隨著信噪比的增加，各模型識別精度開始增加。在信噪比超過12 dB 后，大多數(shù)模型的識別精度趨于穩(wěn)定，其中CLCM 的識別精度超過95%，比其他對比模型高20%以上。

Table 2 RadioML2018.01a parameters表2 RadioML2018.01a參數(shù)

Fig.5 Recognition performance comparison圖5 識別性能比較

4.2 調(diào)制方式分類表現(xiàn)

以準確率作為評價指標，通過準確率曲線和混淆矩陣進一步驗證所提方法的識別性能。圖6 呈現(xiàn)了多種調(diào)制方式的識別精度隨信噪比增加的變化軌跡。

圖6（a）給出了CLCM 對PSK 調(diào)制信號和APSK 調(diào)制信號的識別精度結(jié)果。這些調(diào)制方式在信噪比超過10 dB時，識別精度均達到95%以上。

圖6（b）給出了低階數(shù)字調(diào)制方式和模擬調(diào)制方式的準確率曲線?？梢钥闯?，大多數(shù)數(shù)字調(diào)制方式得到了有效識別。當信噪比超過0 dB 時，各數(shù)字調(diào)制方式的識別精度超過90%；當信噪比大于10 dB 時，模擬調(diào)制方式FM、AM-SSB-SC、AM-SSB-WC、AM-DSB-SC 和AM-DSB-WC的識別精度均超過70%。

Fig.6 Accuracy curve of modulation classification圖6 調(diào)制分類的準確率曲線

圖6（c）給出了ASK 和QAM 調(diào)制方式的識別準確率曲線。CLCM 在信噪比超過14 dB 的情況下，對高階調(diào)制方式的識別精度均超過90%。高階QAM 調(diào)制方式的識別性能受信道影響較大，往往識別難度較高，這是因為QAM 類型的調(diào)制方式在數(shù)字域中的星座點存在重合。

圖7 為CLCM 在高信噪比條件（信噪比=18 dB）下的混淆矩陣。在混淆矩陣中，對角線上的顏色深淺代表著各調(diào)制方式識別精度的高低，顏色越深代表該類調(diào)制方式被正確分類的可能性越高。對角線以外區(qū)域表示某種調(diào)制方式被誤判為另一種調(diào)制方式的概率。可以看出，CLCM能有效識別絕大多數(shù)調(diào)制方式，包括64QAM、128QAM 和256QAM 等高階QAM 調(diào)制方式；對于單邊帶模擬調(diào)制方式（AM-SSB-SC 和AM-SSB-WC）和雙邊帶模擬調(diào)制方式（AM-DSB-SC 和AM-DSB-WC）的識別存在輕微混淆，這是由于模擬調(diào)制方式數(shù)據(jù)經(jīng)由音頻信號采樣獲得，具有靜音周期，相對難以識別。

Fig.7 Confusion matrix at the signal to noise ratio of 18 dB圖7 混淆矩陣（信噪比=18 dB）

5 結(jié)語

為實現(xiàn)高效精準的無線通信信號調(diào)制方式辨識，提出了一種基于加權(quán)投票結(jié)合策略的協(xié)作模型CLCM。仿真實驗表明，CLCM 在高信噪比上的識別精度比當前多數(shù)先進模型（例如XGBoost、VGG 等）高20%以上；能有效識別24種被廣泛應用的調(diào)制方式，平均識別精度超過95%；對64QAM、128QAM 和256QAM 等易混淆的高階調(diào)制方式的識別精度均超過90%，這在高速數(shù)據(jù)傳輸應用中意義重大。

然而，實驗具有一定局限性。深度學習模型由數(shù)據(jù)驅(qū)動，足夠的數(shù)據(jù)量才能保證模型具有良好的魯棒性，而在實際場景中獲取數(shù)據(jù)較為困難。此外，網(wǎng)絡模型能否勝任復雜多變的實際場景有待進一步考究。