亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于結(jié)合策略的自動調(diào)制識別協(xié)作模型

        2023-05-11 08:58:20馬圣雨宋逸杰陳麗萍
        軟件導刊 2023年4期
        關(guān)鍵詞:信噪比準確率精度

        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。

        猜你喜歡
        信噪比準確率精度
        乳腺超聲檢查診斷乳腺腫瘤的特異度及準確率分析
        健康之家(2021年19期)2021-05-23 11:17:39
        不同序列磁共振成像診斷脊柱損傷的臨床準確率比較探討
        2015—2017 年寧夏各天氣預報參考產(chǎn)品質(zhì)量檢驗分析
        基于深度學習的無人機數(shù)據(jù)鏈信噪比估計算法
        高速公路車牌識別標識站準確率驗證法
        基于DSPIC33F微處理器的采集精度的提高
        電子制作(2018年11期)2018-08-04 03:25:38
        低信噪比下LFMCW信號調(diào)頻參數(shù)估計
        電子測試(2018年11期)2018-06-26 05:56:02
        低信噪比下基于Hough變換的前視陣列SAR稀疏三維成像
        雷達學報(2017年3期)2018-01-19 02:01:27
        GPS/GLONASS/BDS組合PPP精度分析
        保持信噪比的相位分解反褶積方法研究
        美女扒开内裤让我捅的视频| 一本一本久久久久a久久综合激情| 国产精品香蕉网页在线播放| 女人18毛片aa毛片免费| 伊人久久精品无码二区麻豆| 久久久久亚洲av无码专区网站| 真人在线射美女视频在线观看| 91羞射短视频在线观看| 天堂8在线新版官网| 国产精品嫩草影院av| 亚洲三级香港三级久久| 日本在线一区二区三区视频| 久久婷婷五月综合色高清| 亚洲av第一页国产精品| 无码在线观看123| 91久久精品一区二区三区大全| 亚洲精品国精品久久99热| 亚洲欧美日韩中文无线码| 久久丁香花综合狼人| 久久亚洲中文字幕精品二区| 国产成人精品a视频| 国产人成午夜免电影观看| av资源在线播放网站| 综合国产婷婷精品久久99之一 | 24小时免费在线观看av| 狠狠综合久久av一区二区| 国产精品三级一区二区按摩| 精品国产一区二区av麻豆不卡 | 亚洲人成影院在线观看| 亚洲国产99精品国自产拍| 亚洲精品久久麻豆蜜桃| 午夜dy888国产精品影院| 亚洲精品自产拍在线观看| 日本一区二区视频免费观看| 国产熟女盗摄一区二区警花91| 男女爽爽无遮挡午夜视频| 国产精品原创av片国产日韩| 人妻在线有码中文字幕| 国产草草影院ccyycom| 免费毛片视频网站| 81久久免费精品国产色夜|