艾散·帕合提，吾斯曼·玉山

(新疆工程學(xué)院 信息工程學(xué)院，烏魯木齊 830023)

0 引言

通信信號指的是用于信息傳遞的信號，可以分為模擬通信信號和數(shù)字通信信號兩種類型。在通信系統(tǒng)中，發(fā)送端接收到的原始電信號往往是頻譜成分較低的，因此不適合在信道上直接傳送[1]。因此，一般需要將原始信號轉(zhuǎn)換為頻率范圍適合于通道傳送的高頻信號，即調(diào)制處理通信信號。信號調(diào)制是將一種波形的性質(zhì)改變成其他波形或信號的處理方法，可以說調(diào)制是通信信號傳輸必須經(jīng)歷的流程。為了能夠在不知道接收信號調(diào)制類型的情況下，確定通信信號的調(diào)制類型，提出通信信號調(diào)制識別方法，該方法在民用和軍事通信領(lǐng)域?qū)嶋H應(yīng)用中發(fā)揮著重要作用。

目前發(fā)展較為成熟的通信信號自動調(diào)制識別方法包括：基于多端特征融合模型的MIMO-OFDM系統(tǒng)盲調(diào)制識別[2]、基于GRU-CNN并聯(lián)神經(jīng)網(wǎng)絡(luò)的自動調(diào)制識別[3]、卷積神經(jīng)網(wǎng)絡(luò)衛(wèi)星信號自動調(diào)制識別算法[4]。然而上述現(xiàn)有調(diào)制識別方法在實際運行過程中存在明顯的識別誤差高的問題，為此引入多端CNN算法，提高識別精度，通過驗證，其有效降低了調(diào)制識別誤差3.8%。多端CNN算法是多端卷積神經(jīng)網(wǎng)絡(luò)算法，其是具有表征學(xué)習(xí)能力，能夠?qū)⑵潆A層結(jié)構(gòu)平移不變分類輸入信息。將多端CNN算法應(yīng)用到通信信號自動調(diào)制識別工作中，設(shè)計一種新的識別方法。該方法考慮通信信號調(diào)制識別標準影響識別效果，分析了通信信號的調(diào)制識別原理，以此為基礎(chǔ)，設(shè)置通信信號調(diào)制識別標準，然后構(gòu)建通信信號模型，利用帶通采樣工具采集初始通信信號，由于采集的初始通信信號存在一定的噪聲，導(dǎo)致通信信號不準確，也會影響后續(xù)識別，因此，引入小波消噪、歸一化等步驟，完成初始信號的預(yù)處理，在完成預(yù)處理后，引入多端CNN算法，構(gòu)建通信信號識別器，提取幅值、相位、頻率等通信信號特征參數(shù)，通過特征匹配得出信號調(diào)制類型與強度的識別結(jié)果，實現(xiàn)通信信號自動調(diào)制識別方法設(shè)計。該方法有效提高了通信信號的調(diào)制識別精度，降低了識別誤差。

1 通信信號自動調(diào)制識別方法設(shè)計

通信信號的調(diào)制識別原理是：根據(jù)不同調(diào)制模式下輸出通信信號特征，設(shè)置信號調(diào)制識別標準。采集與分析傳輸環(huán)境中實時通信信號，得出當前通信信號特征，通過提取特征的匹配，得出通信信號調(diào)制類型、調(diào)制強度的識別結(jié)果。此次優(yōu)化設(shè)計方法利用多端CNN算法構(gòu)建調(diào)制識別器，為信號的識別工作提供技術(shù)支持。

1.1 設(shè)置通信信號調(diào)制識別標準

通信信號的調(diào)制方式包括振幅鍵控調(diào)制、頻移鍵控調(diào)制、相移鍵控調(diào)制以及正交幅度調(diào)制等多種類型。振幅鍵控調(diào)制模式作用下，通信信號可以量化表示為：

(1)

式中，AMASK為通信信號的振幅鍵控調(diào)制幅值，φ(t)為單個矩形脈沖，τs為碼元間隔，φ(t)寬度與τs取值相等，fc為通信信號的頻率值[5]。頻移鍵控調(diào)制的工作原理是通過模擬調(diào)頻電路和鍵控法來產(chǎn)生，具體的調(diào)制原理如圖1所示。

圖1 頻移鍵控信號調(diào)制原理圖

利用圖1表示的調(diào)制方式，得出的通信信號調(diào)整結(jié)果可以表示為：

(2)

其中：fi表示的是調(diào)制頻率，AMFSK為頻移鍵控通信信號幅值。另外相移鍵控調(diào)制以及正交幅度調(diào)制模式下得出通信信號的函數(shù)表達式如下：

(3)

其中：AMQAM為正交幅度調(diào)制幅值，φn為通信信號載波在t時刻的相位。根據(jù)不同調(diào)制方式確定通信信號特征，以此作為通信信號調(diào)制識別的參考標準。

1.2 構(gòu)建通信信號模型

通信信號由發(fā)送端發(fā)出經(jīng)通信信道傳輸至接收端，發(fā)出的信源信號經(jīng)過編碼調(diào)制而成，最終接收端得出的通信信號通用模型可以表示為：

g(t)=

(4)

式中，κy為接收通信信號的影響因子，Δf0t和Δφ(t)分別為信號的頻率偏移和相位偏移量，L(t)、q(t)和J(t)分別為通信信號濾波器、信道響應(yīng)函數(shù)和加性噪聲，ε為同步時間差[6]。由此得出通信信號模型的構(gòu)建結(jié)果。

1.3 初始通信信號的自動采集與預(yù)處理

利用帶通采樣工具采集通信系統(tǒng)中的實時通信信號，帶通采樣原理是在固定的頻率范圍內(nèi)將時間連續(xù)的信號根據(jù)其信號帶寬，按照一定的采樣頻率采集通信信號，通信信號的采樣寬度和頻率分別為：

(5)

式中，fupper和flower分別表示通信信號頻率采集范圍的上限截止頻率、下限截止頻率，Nsampling為采樣通信信號數(shù)量。以采樣頻率fsampling采樣通信信號，得到離散時序信號的頻譜，其頻譜是以取樣頻率為周期的延拓。為了在不失真的情況下重構(gòu)出原始信號，需要選取適當?shù)难油刂芷?，以保證不會與延拓成分發(fā)生混淆。以自動采集的初始通信信號為研究對象，以保證通信信號的調(diào)制識別質(zhì)量為目的，需要預(yù)處理初始信息。初始通信信號的預(yù)處理主要包括兩個環(huán)節(jié)，分別為小波消噪和信號歸一化[7]。其中小波消噪可以分為3個步驟，首先利用公式(6)對采樣通信信號進行小波變換。

(6)

式中，α和β分別為尺度系數(shù)和時間平移系數(shù)，χ(t)為基本小波。通信信號的歸一化處理過程可以量化表示為：

(7)

其中：min()和max()分別為最小值和最大值的求解函數(shù)[8]。按照上述流程完成通信信號的自動采集與預(yù)處理工作。

1.4 利用多端CNN算法構(gòu)建通信信號識別器

多端CNN算法輸出的數(shù)據(jù)具有局部性和平移不變形特點，復(fù)合通信信號調(diào)制識別的基本假設(shè)，可利用多端CNN算法構(gòu)建通信信號的調(diào)制識別器。多端CNN算法將局部感知、權(quán)值共享、池化降采、非線性映射相結(jié)合，對多端 CNN進行分層抽取，并將其抽象為后續(xù)的工程應(yīng)用[9]。構(gòu)建的多端卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 多端卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

卷積神經(jīng)網(wǎng)絡(luò)的建立主要考慮卷積層的尺寸、卷積層數(shù)目和卷積層中的卷積核數(shù)目、大小、步長、池化層數(shù)目、每一池化層中的池化窗大小和步長，以及針對特定任務(wù)所需的全連接層數(shù)和每一層神經(jīng)元數(shù)目。卷積神經(jīng)網(wǎng)絡(luò)的每個層次都是一個二維的平面，叫做卷積層。在此基礎(chǔ)上，利用加權(quán)分享的方法，減小了網(wǎng)絡(luò)的參數(shù)規(guī)模[10]。因為最初的輸入資料是1 024個通訊訊號取樣數(shù)據(jù)點，而輸出則是待辨識的訊號調(diào)制方式，故輸入為1 024，輸出為7。而且，在接近于輸入端的卷積層中，卷積核的數(shù)量和大小應(yīng)當比離輸出較近的卷積層要大；通常，卷積核的大小可以設(shè)定為卷積核大小的二分之一。池化運算會在多個卷積運算后進行，而且池化窗和步長都不能太大，預(yù)設(shè)值是2。為了確定中間的卷積層和池積層的參數(shù)，需要進行試驗，比較不同結(jié)構(gòu)參數(shù)設(shè)定的卷積神經(jīng)網(wǎng)絡(luò)的識別準確率，以獲得適合的網(wǎng)絡(luò)結(jié)構(gòu)[11]。多端卷積神經(jīng)網(wǎng)絡(luò)通過卷積、池化、全連接等步驟完成識別功能，其中卷積運算原理如圖3所示。

圖3 多端CNN中卷積運算原理圖

卷積運算是基于全連結(jié)網(wǎng)絡(luò)的卷積神經(jīng)網(wǎng)絡(luò)，它最大程度地改善了相似網(wǎng)狀資料的局部性和平移不變特性。其次，在卷積核中引入加權(quán)分享機制，也就是在卷積核中，由后一層的神經(jīng)元分享加權(quán)[12]。在此基礎(chǔ)上，引入了卷積運算，使要學(xué)習(xí)的參數(shù)數(shù)目大為減少，并能有效地降低過擬合的危險。多端卷積神經(jīng)網(wǎng)絡(luò)中卷積運算過程可以表示為：

(8)

式中，K和L分別為卷積神經(jīng)網(wǎng)絡(luò)的長度和寬度，bconvolution為卷積核對應(yīng)的偏置量，另外fconvolution表示的是多端CNN的激活函數(shù)，其函數(shù)表達式為：

(9)

將公式(9)表示的激活函數(shù)代入到公式(8)中，即可完成多端CNN中的卷積運算工作[13]。其次，執(zhí)行池化運算，進一步縮小了網(wǎng)絡(luò)規(guī)模，減少了參數(shù)集，而池化層的主要功能是在卷積層特征的基礎(chǔ)上，再次提取輸入的數(shù)據(jù)。在多層CNN上，全連接層就是隱藏層的一部分[14]。每個神經(jīng)元節(jié)點之間的傳遞是由兩個神經(jīng)元之間的連接線的權(quán)值傳遞，然后經(jīng)過加權(quán)合并，就可以獲得后面的神經(jīng)元節(jié)點。池化層與全連接層的運行原理如下：

(10)

從式(5)中可以看出，多端CNN算法的池化層使用最大池化的方式，ffull()、?full和bfull分別表示全連接層的激活函數(shù)、權(quán)重和偏置量。經(jīng)過卷積、池化和全連接層進行運算，并通過輸出層輸出結(jié)果，完成多端CNN算法的前向傳播。在算法前向傳播中，每次迭代時，需要比較網(wǎng)絡(luò)正向傳輸?shù)慕Y(jié)果和真正的標記值，并將其稱為損耗函數(shù)[15]。每一次迭代完成后，需要在梯度最小的方向上進行逆向傳輸，并校正前向擴散計算公式中的權(quán)值，從而引導(dǎo)下一步的訓(xùn)練。損耗函數(shù)是用來測量預(yù)測輸出與實際標記之間的差別，而網(wǎng)絡(luò)訓(xùn)練的目標是使損失函數(shù)最小，其函數(shù)表達式如下：

(11)

其中：{y(i)=j}表示多端CNN中第i層的輸出值，M為多端CNN中的層級數(shù)量。在實際的通信信道識別過程中，除前向傳播外還要執(zhí)行反向傳播指令，具體過程就是將誤差返回到上層，由上層的各神經(jīng)元根據(jù)反饋的錯誤修正權(quán)重[16]。反向傳播原理可以量化表示為：

(12)

其中：χk和yk分別為k層的標簽和輸出，?0為初始權(quán)重，計算結(jié)果εCNN和?new分別為傳播誤差和權(quán)重更新結(jié)果[17]。在構(gòu)建的多端CNN通信信號識別器中設(shè)置終止條件，當多端CNN算法的運行參數(shù)滿足設(shè)置的終止條件時，輸出的結(jié)果即為通信信號的識別結(jié)果，由此為信號調(diào)制的自動識別工作提供支持。

1.5 提取通信信號特征參數(shù)

利用構(gòu)建的多端CNN通信信號識別器，提取幅度、相位、載波頻率等特征參數(shù)。其中幅值是通信信號在一段時間內(nèi)瞬間發(fā)生的最大絕對值，其是從峰值到峰值的二分之一；相位是描述信號波形變化的度量。假設(shè)初始采集并預(yù)處理完成通信信號的解析結(jié)果為：

xanalysis=x(t)+κz(t)

(13)

其中：κ為解析強度系數(shù)，z(t)為初始通信調(diào)制信號的希爾伯特變換結(jié)果[18]。以公式(12)表示的通信信號為處理對象，利用公式(14)得出信號幅度、相位以及載波頻率特征的提取結(jié)果。

(14)

其中：變量P(k)為第k個通信信號的頻譜，Nc為信號的傅里葉變換的采樣點數(shù)。另外，為了保證通信信號調(diào)制識別質(zhì)量，盡量增加信號特征的提取數(shù)量，因此除上述特征外，設(shè)置了信號頻譜密度作為提取特征，該特征的提取結(jié)果如下：

(15)

式(15)中，F(xiàn)FT[]為傅里葉變換函數(shù)。信號頻譜密度特征的提取結(jié)果反映了信號在幅度的變化程度，區(qū)分恒定包絡(luò)調(diào)制信號和非恒定包絡(luò)調(diào)制信號[19]。最終采用加權(quán)融合的方式融合處理通信調(diào)制信號的所有特征，得出的信號融合特征標記為λcon。

1.6 實現(xiàn)通信信號自動調(diào)制識別

在通信系統(tǒng)中，存在著一定頻率或隨機離散頻率的干擾源，從而產(chǎn)生頻率抖動或碼錯，從而提高通訊的誤碼率，嚴重時會導(dǎo)致信息誤差。深度學(xué)習(xí)算法在提取通信信號的隱含特征后，找出并消除干擾的頻次，從而達到恢復(fù)信息的目的。在保證通信信號質(zhì)量的情況下，利用構(gòu)建的多端CNN識別器，得出包含信號調(diào)制類別、調(diào)制強度等內(nèi)容的識別結(jié)果[20]。采用特征匹配的方式確定當前通信信號的調(diào)制類型，特征匹配過程如下：

(16)

其中：λstandard(i)為設(shè)置的i類調(diào)制信號的標準特征，將特征提取與融合結(jié)果代入公式(16)，可得出特征匹配的度量結(jié)果。若計算得出特征匹配值低于閾值σ0，則證明當前通信信號的調(diào)整類型為λstandard(i)對應(yīng)的調(diào)制方式，否則需要進行下一類型的度量，直至得出調(diào)制類型識別結(jié)果為止。若出現(xiàn)多個特征匹配值高于閾值的情況，則選擇匹配最大值作為識別結(jié)果。根據(jù)調(diào)制類型的識別結(jié)果，結(jié)合該類型信號調(diào)制的作用原理，得出調(diào)制強度的識別結(jié)果。

2 實驗分析

通過性能測試實現(xiàn)實驗分析，測試過程是通過自動化測試工具模擬通信信號調(diào)制識別方法運行的多種運行條件，測試其識別性能指標。根據(jù)優(yōu)化設(shè)計方法的運行內(nèi)容，在考慮多種通信工況的情況下，針對優(yōu)化設(shè)計方法的調(diào)制識別性能進行測試，并通過與傳統(tǒng)方法的對比，體現(xiàn)出優(yōu)化設(shè)計方法在識別性能方面的優(yōu)勢。

2.1 通信信道背景

實驗分別選擇智能小區(qū)、智能工廠以及智能城市的通信系統(tǒng)作為研究背景，通信系統(tǒng)均由一個服務(wù)器和多個通信終端組成，通信終端可以作為發(fā)送端，也可以作為接收端，由此形成多個通信信道，為通信信號的產(chǎn)生提供基礎(chǔ)。針對不同背景對通信系統(tǒng)的要求，確定通信網(wǎng)絡(luò)各信道帶寬、長度以及傳輸速率，3個通信網(wǎng)絡(luò)的信道帶寬分別為40 bps、80 bps和150 bps，通信長度分別為10 km、30 km和100 km，而傳輸速率分別為1 220 b/s、1 550 b/s和1 880 b/s。為保證實驗的可操作性，需要確保選擇的通信信道環(huán)境始終處于正常運行狀態(tài)，因此選擇SPX協(xié)議作為通信系統(tǒng)的傳輸協(xié)議。忽略通信系統(tǒng)的內(nèi)部干擾，設(shè)置初始運行的通信信道為無干擾信道，在此基礎(chǔ)上在通信系統(tǒng)中加設(shè)一個干擾器，設(shè)置干擾強度為5 dB，形成有干擾通信環(huán)境，由此實現(xiàn)通信信道的選擇與調(diào)配。

2.2 配置方法運行與測試環(huán)境

通信信號調(diào)制識別方法運行的硬件部分是PC機，配備了6核心酷睿i7-8750處理器，8 GB的內(nèi)存，并配備了NvidiaGTX1050Ti4G的顯存顯卡。選擇kylinTOP工具作為通信信號調(diào)制識別方法的測試環(huán)境，該工具能夠完全還原瀏覽器行為，支持通信協(xié)議，能夠滿足通信信號調(diào)制識別方法的運行需求。

2.3 生成待識別通信信號樣本

在選擇的通信信道背景下，設(shè)定通信信號調(diào)制方式，并通過指定的通信終端和信道進行傳輸，得出多個通信信號樣本。圖4表示的是振幅鍵控調(diào)制方式下得出的通信信號樣本。

圖4 振幅鍵控調(diào)制方式下的通信信號樣本波形圖

準備的每個通信信號樣本均由1 024個樣本點組成，且通信信號的連續(xù)采樣時間均為30 s，信號樣本標簽采用one-hot編碼格式。按照上述方式得出不同調(diào)制方式下的通信信號樣本，對其逐一編號，并以數(shù)據(jù)集合的方式存儲。

2.4 輸入多端CNN算法運行參數(shù)

優(yōu)化設(shè)計的通信信號調(diào)制識別方法應(yīng)用了多端CNN算法，因此此次實驗在Linux環(huán)境下，利用Tensorflow2.0的深度學(xué)習(xí)框架，實現(xiàn)了多端CNN網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建。構(gòu)建的多端卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)參數(shù)的設(shè)置情況，如表1所示。

表1 多端卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)設(shè)置表

在實驗中，學(xué)習(xí)率的初始值設(shè)置為0.001，由此開始訓(xùn)練框架CNN- IQ，當測試集合的損耗值超過該時間的最大損失值時，將學(xué)習(xí)速率乘以0.02修正學(xué)習(xí)率。

2.5 描述信號調(diào)制識別性能測試實驗過程

將優(yōu)化設(shè)計的通信信號自動調(diào)制識別方法對應(yīng)運行程序與多端CNN程序相連，保證多端CNN算法的實時調(diào)用。將通信內(nèi)容導(dǎo)入通信發(fā)送終端，啟動通信程序?qū)⑵鋫鬏數(shù)侥繕私K端，并將生成的通信信號導(dǎo)入到調(diào)制識別程序中。在參數(shù)設(shè)定面板上設(shè)定了相關(guān)的參數(shù)，然后點擊“開始識別”鍵，根據(jù)最優(yōu)的設(shè)計和辨識算法設(shè)計對應(yīng)的程序，完成調(diào)制信號。參數(shù)設(shè)定面板如圖5所示。

圖5 參數(shù)設(shè)定面板

在辨識算法的操作中，通過每個數(shù)據(jù)點的數(shù)目和標識的數(shù)目，相應(yīng)地讀出該文件，并將其暫時存儲在一個動態(tài)的陣列空間中；然后，在調(diào)用 Get Amp Info、 Get Phase Info、 Get Phase Info和 Get Freq Info時，可以動態(tài)地分配對應(yīng)的陣列空間。每一次按下“確認”鍵，都會把所有的“識別”結(jié)果置零，從而準確地統(tǒng)計出這一次的“識別”結(jié)果，從而避免此前記錄的識別結(jié)果對此次的識別產(chǎn)生影響。按照上述操作，得出任意通信信號樣本調(diào)制類型與強度的識別結(jié)果。圖6為1號通信信號樣本輸出的調(diào)制識別結(jié)果。

圖6 通信信號自動調(diào)制識別輸出結(jié)果

同理可以得出實驗生成所有通信信號樣本的調(diào)制識別結(jié)果。為體現(xiàn)出優(yōu)化設(shè)計方法在識別性能方面的優(yōu)勢，設(shè)置基于多端特征融合模型的MIMO-OFDM系統(tǒng)盲調(diào)制識別方法(文獻[2])和卷積神經(jīng)網(wǎng)絡(luò)衛(wèi)星信號自動調(diào)制識別算法(文獻[4])作為實驗的對比方法，按照上述方式實現(xiàn)對比方法的開發(fā)與運行，并輸出對應(yīng)的調(diào)制識別結(jié)果。

2.6 設(shè)置調(diào)制識別性能測試指標

實驗分別從調(diào)制類型識別性能和調(diào)制強度識別性能兩個方面進行測試，設(shè)置調(diào)制類型識別率作為類型識別性能的測試指標，其數(shù)值結(jié)果如下：

(17)

其中：Ndistinguish和Ntotal分別為調(diào)制類型識別正確的通信信號數(shù)量以及實驗設(shè)置的通信信號數(shù)量，通過調(diào)制類型的識別輸出結(jié)果與設(shè)置使用的調(diào)制方法進行比對，確定當前通信信號是否識別正確，通過類型識別結(jié)果數(shù)據(jù)的統(tǒng)計，確定變量Ndistinguish的具體取值。另外調(diào)制強度識別性能的量化測試指標設(shè)置為調(diào)制強度識別誤差，其測試結(jié)果為：

εstrength=|Qset-Qdistinguish|

(18)

式中，Qset和Qdistinguish分別為通信信號調(diào)制強度的真實值和識別值。最終計算得出通信信號的調(diào)制類型識別率越高、調(diào)制強度識別誤差越小，證明對應(yīng)方法的識別性能越優(yōu)。

2.7 通信信號調(diào)制識別性能測試結(jié)果分析

綜合考慮有、無干擾兩種類型的通信信號，通過相關(guān)數(shù)據(jù)的統(tǒng)計與計算，得出優(yōu)化設(shè)計識別方法的性能識別結(jié)果。

2.7.1 調(diào)制類型識別性能測試結(jié)果

統(tǒng)計通信信號調(diào)制類型的識別結(jié)果數(shù)據(jù)，將其代入公式(17)，得出調(diào)制類型識別性能的測試對比結(jié)果，如圖7所示。

圖7 通信信號調(diào)制類型識別性能測試對比結(jié)果

從圖7中可以直觀地看出，綜合考慮有、無干擾兩種類型的通信信號，3種方法在有干擾通信信號的情況下，調(diào)制類型識別率均有所下降，但是仍可以滿足需求。其中優(yōu)化設(shè)計方法的調(diào)制類型識別率始終高于兩種對比識別方法，并且調(diào)制類型識別率曲線波動較小，說明識別效果相對穩(wěn)定，該方法在無干擾時，識別率最低為98.5%，而兩種對比方法的最高識別率僅為94.7%，因此，無干擾條件下，本文設(shè)計方法的識別率提高了3.8%。而在有干擾通信信號條件下，本文方法仍保持較高的識別率，最低識別率為95.6%，該方法的降低幅度較低，而對比方法的降低幅度較大，兩種方法的最高值僅為90.2%，本文方法比對比方法高5.4%，由此可知，本文方法有效提高了通信信號調(diào)制類型識別率，其在調(diào)制類型方面具有更高的識別性能。

2.7.2 調(diào)制強度識別性能測試結(jié)果

通過相關(guān)數(shù)據(jù)的統(tǒng)計，得出通信信號調(diào)制強度識別性能的測試結(jié)果，如表2所示。

表2 通信信號調(diào)制強度識別性能測試數(shù)據(jù)表

根據(jù)表2數(shù)據(jù)可知，本文方法輸出調(diào)制強度與調(diào)制強度標準值最接近，為了準確描述調(diào)制強度識別誤差，將表2中的數(shù)據(jù)代入公式(18)中，計算不同方法的識別誤差，結(jié)果如表3所示。

表3 通信信號調(diào)制強度識別誤差數(shù)據(jù)表

根據(jù)表3數(shù)據(jù)可知，兩個對比方法的無干擾通信信號調(diào)制強度識別誤差的平均值分別為0.046和0.061，有干擾通信信號調(diào)制強度的平均識別誤差分別為0.051和0.074，優(yōu)化設(shè)計方法得出的有、無干擾通信信號調(diào)制強度的平均識別誤差分別為0.028和0.038，該方法比對比方法的誤差降低了0.013以上，由此可見優(yōu)化設(shè)計方法的調(diào)制強度識別誤差更低，識別性能更優(yōu)。

3 結(jié)束語

調(diào)制是通信信號傳輸?shù)闹匾h(huán)節(jié)，也是通信終端解析通信信號的重要手段。為了實現(xiàn)調(diào)制類型與強度的精準識別，利用多端CNN算法實現(xiàn)對調(diào)制識別方法的優(yōu)化設(shè)計，該方法考慮通信信號的傳輸過程，構(gòu)建通信信號模型，并且為了提高識別效果，通過小波消噪、歸一化等步驟完成通

信初始信號的預(yù)處理，引入多端CNN算法，構(gòu)建通信信號識別器，提取幅值、相位、頻率等通信信號特征參數(shù)，通過特征匹配得出信號調(diào)制類型與強度的識別結(jié)果，實現(xiàn)通信信號自動調(diào)制識別。從實驗結(jié)果可以看出，優(yōu)化設(shè)計識別方法的調(diào)制類型識別率無論是有無干擾信號均達到了95.0%以上，與對比方法相比，其提高了3.8%以上，并且調(diào)制強度識別平均誤差最高僅為0.038，比對比方法降低了約0.013以上，由此可知，優(yōu)化設(shè)計方法能夠有效地識別有、無干擾兩種通信信號的調(diào)制類型與強度，且在識別性能方面具有明顯優(yōu)勢。優(yōu)化設(shè)計的通信信號自動調(diào)制識別方法對于推動通信事業(yè)發(fā)展具有重要意義。