李立欣，倪 濤，裘 俊，狄 慧，劉 瑩，林文晟

（1.西北工業(yè)大學(xué) 電子信息學(xué)院，陜西 西安 710129；2.上海衛(wèi)星工程研究所，上海 201109）

0 引言

隨著科學(xué)技術(shù)和國(guó)防的深度發(fā)展，現(xiàn)代軍事對(duì)抗已經(jīng)朝著陸、海、空、天等更為廣闊領(lǐng)域發(fā)展［1］，無(wú)線電信號(hào)調(diào)制識(shí)別技術(shù)近年來(lái)受到了廣泛關(guān)注。通過(guò)對(duì)敵方的電子信號(hào)進(jìn)行識(shí)別與跟蹤，實(shí)現(xiàn)監(jiān)視、偵察/反偵察等。自動(dòng)調(diào)制識(shí)別主要用于確定復(fù)雜環(huán)境下信號(hào)的調(diào)制方式，為后續(xù)信號(hào)處理提供調(diào)制方式和工作頻率等參數(shù)［2-3］。

傳統(tǒng)上主要有2 種調(diào)制信號(hào)識(shí)別方法：1）基于似然比（Likelihood Ratio，LR）判決理論。首先需要獲得信號(hào)的概率分布；然后用理論推導(dǎo)分析的方法求出檢驗(yàn)統(tǒng)計(jì)量；再?gòu)乃迫缓瘮?shù)中尋找合適的分類(lèi)依據(jù)以形成判決準(zhǔn)則；最后根據(jù)判決準(zhǔn)則確定信號(hào)的調(diào)制類(lèi)型［4-7］。文獻(xiàn)［5］通過(guò)將信號(hào)對(duì)數(shù)似然函數(shù)最大化，區(qū)分不同的調(diào)制信號(hào)。從理論和可解釋性的角度來(lái)看，似然比判決方法能夠達(dá)到不俗的分類(lèi)精度，但需要很強(qiáng)的關(guān)于調(diào)制信號(hào)的先驗(yàn)知識(shí)，并且還要經(jīng)過(guò)繁雜的推導(dǎo)與分析，一旦缺乏調(diào)制信號(hào)的部分特征和參數(shù)時(shí)，則一般難以實(shí)現(xiàn)不錯(cuò)的分類(lèi)精度。2）基于統(tǒng)計(jì)模式的判別方法［8-16］。通過(guò)分析信號(hào)的瞬時(shí)幅度、頻率和相位判斷信號(hào)的調(diào)制類(lèi)型；通過(guò)統(tǒng)計(jì)信號(hào)序列的高階量而進(jìn)行判別；通過(guò)分析信號(hào)的時(shí)頻特性用于區(qū)分信號(hào)的調(diào)制類(lèi)型。信號(hào)特征值的提取是基于統(tǒng)計(jì)模式判別以分析不同信號(hào)的關(guān)鍵，但只采用閾值來(lái)對(duì)不同的調(diào)制信號(hào)進(jìn)行劃分的方式，會(huì)由于受到噪聲的影響而使得判決結(jié)果仍然存在偏差。

近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和決策樹(shù)等機(jī)器學(xué)習(xí)算法在自動(dòng)調(diào)制識(shí)別中得到了廣泛的應(yīng)用［8-16］。文獻(xiàn)［8］作者采用不同特征參數(shù)的分層支持向量機(jī)來(lái)判斷信號(hào)的調(diào)制類(lèi)型，解決了閾值選擇問(wèn)題。文獻(xiàn)［12］作者提出使用人工神經(jīng)網(wǎng)絡(luò)，并設(shè)計(jì)了一個(gè)自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型來(lái)區(qū)分多個(gè)不同的調(diào)制信號(hào)。這些機(jī)器學(xué)習(xí)算法對(duì)自動(dòng)調(diào)制識(shí)別產(chǎn)生了深遠(yuǎn)的影響，但仍具有較高的計(jì)算復(fù)雜度。

隨著業(yè)界在深度學(xué)習(xí)領(lǐng)域的不斷深耕，學(xué)者們開(kāi)始研究如何使用不同的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)不同調(diào)制信號(hào)進(jìn)行判別［11-20］。文獻(xiàn)［11］利用卷積神經(jīng)網(wǎng)絡(luò)分析不同信號(hào)的頻譜特性，實(shí)現(xiàn)調(diào)制信號(hào)的分類(lèi)；文獻(xiàn)［15］提出將神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)RESNET 應(yīng)用與自動(dòng)調(diào)制識(shí)別，與其他神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相比，分類(lèi)準(zhǔn)確度提高了近12%。但是由于不同神經(jīng)網(wǎng)絡(luò)具有不同的特性，使用單一的網(wǎng)絡(luò)結(jié)構(gòu)往往無(wú)法充分提取信號(hào)的特征信息。因此，在信號(hào)自動(dòng)調(diào)制識(shí)別領(lǐng)域，有必要研究混合神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)。

為了能夠充分提取信號(hào)在時(shí)間和空間的特征信息，本文將新型的膠囊神經(jīng)網(wǎng)絡(luò)與門(mén)控循環(huán)單元相結(jié)合，形成新的混合神經(jīng)網(wǎng)絡(luò)模型。首先基于膠囊網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)調(diào)制信號(hào)空間特征信息的提取；然后運(yùn)用門(mén)控循環(huán)單元分析調(diào)制信號(hào)在時(shí)間上的特征；最終對(duì)未知調(diào)制信號(hào)實(shí)現(xiàn)識(shí)別和分類(lèi)。實(shí)驗(yàn)結(jié)果表明，在信噪比等于2 dB 時(shí)，所提出的混合網(wǎng)絡(luò)模型對(duì)多種不同調(diào)制信號(hào)的分類(lèi)精度大于80%，隨著信噪比的增大，當(dāng)信噪比為6 dB 時(shí)，混合網(wǎng)絡(luò)模型對(duì)不同調(diào)制信號(hào)的分類(lèi)精度大于95%。

1 系統(tǒng)模型

假設(shè)接收到的調(diào)制信號(hào)y(t)如下：

式中：x(t)為無(wú)噪聲的接收信號(hào)；n(t)為高斯白噪聲。

接收到的信號(hào)y(t)被送入自動(dòng)調(diào)制分類(lèi)系統(tǒng)，通過(guò)特征提取和分類(lèi)決策，輸出調(diào)制信號(hào)的調(diào)制類(lèi)型。系統(tǒng)模型如圖1 所示。神經(jīng)網(wǎng)絡(luò)作為自動(dòng)調(diào)制分類(lèi)系統(tǒng)，用于處理接收到的調(diào)制信號(hào)。神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)有卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)，前者無(wú)需對(duì)數(shù)據(jù)進(jìn)行復(fù)雜的預(yù)處理，直接輸入原始數(shù)據(jù)即可進(jìn)行訓(xùn)練，其中二維卷積神經(jīng)網(wǎng)絡(luò)還適用于對(duì)信號(hào)空間特征信息的提取，常應(yīng)用于圖像識(shí)別等任務(wù)。后者具有對(duì)序列數(shù)據(jù)建模泛化的能力，當(dāng)前的輸出取決于歷史輸入過(guò)的信息，實(shí)現(xiàn)長(zhǎng)期的記憶。其中門(mén)控循環(huán)單元還引入了門(mén)控機(jī)制，它可以使神經(jīng)網(wǎng)絡(luò)針對(duì)性地忘記某些重要程度較低的歷史信息，但又保留一部分之前記憶的重要?dú)v史信息，從而一方面對(duì)重要?dú)v史序列信息能夠長(zhǎng)期保留，另一方面還能夠有效避免梯度消失。

圖1 系統(tǒng)模型Fig.1 System model

2 混合網(wǎng)絡(luò)模型

在本節(jié)中，提出了一種新的混合神經(jīng)網(wǎng)絡(luò)用于提取特征信息。如圖2 所示，所提出混合網(wǎng)絡(luò)模型共分為5 層（輸入層、卷積層、膠囊層、門(mén)控循環(huán)單元層、輸出層），針對(duì)以下11 種調(diào)制信號(hào)類(lèi)型進(jìn)行分類(lèi)：雙邊帶調(diào)幅（AM-DSB）、單邊帶調(diào)幅（AMSSB）、寬帶調(diào)頻（WBFM）、2/4/8 進(jìn)制相移鍵控（BPSK/QPSK/8PSK）、16/64 進(jìn)制正交振幅調(diào)制（QAM16/QAM64）、連續(xù)相頻移鍵控（CPFSK）、高斯頻移鍵控（GFSK）、4 進(jìn)制脈沖幅度調(diào)制（PAM4）。

圖2 所提出的混合網(wǎng)絡(luò)模型Fig.2 The proposed hybrid network model

2.1 輸入層

每個(gè)調(diào)制信號(hào)都包含了I/Q 樣本，采樣長(zhǎng)度為128，樣本數(shù)據(jù)類(lèi)型為浮點(diǎn)復(fù)數(shù)，因此調(diào)制信號(hào)的數(shù)據(jù)結(jié)構(gòu)是2×128 的張量。則I/Q 樣本將從輸入層送到卷積層進(jìn)行后續(xù)的特征提取。

2.2 卷積層

卷積層由兩部分組成：1）卷積運(yùn)算。每個(gè)神經(jīng)元不必對(duì)完整信號(hào)長(zhǎng)度的數(shù)據(jù)進(jìn)行卷積操作，只需要提取信號(hào)的局部特征，通過(guò)綜合局部神經(jīng)元的信息，在高層就能提取出信號(hào)完整的特征信息；2）非線性映射。為實(shí)現(xiàn)將低級(jí)特征映射到高級(jí)特征，需要使用相應(yīng)的激活函數(shù)來(lái)完成這種非線性映射。為了解決梯度爆炸的問(wèn)題，本文采用整流線性單元（Rectified Linear Unit，ReLU）作為激活函數(shù)。

為了能夠更加充分的提取信號(hào)的深層特征，對(duì)信號(hào)進(jìn)行2 次卷積操作。如圖1 所示，輸入信號(hào)是2×128 的張量，后續(xù)的卷積操作采用的卷積核共有64 個(gè)，每個(gè)卷積核的大小均是2×9，并且應(yīng)用了零填充的方式，激活函數(shù)則選用了ReLU。第1 次卷積的輸出是64×1×60 的張量，進(jìn)一步提取信號(hào)的深層特征信息時(shí)，需要再使用64 個(gè)卷積核，每個(gè)卷積核的大小為1×5，填充方式為零填充，步長(zhǎng)為2，激活函數(shù)同樣選用ReLU，因此第2 次卷積輸出維度為64×1×28。

2.3 膠囊層

在膠囊網(wǎng)絡(luò)中，特征信息通過(guò)膠囊神經(jīng)元進(jìn)行傳遞。不同于傳統(tǒng)神經(jīng)元結(jié)構(gòu)，膠囊神經(jīng)元以向量的形式存在。膠囊網(wǎng)絡(luò)在進(jìn)行分類(lèi)時(shí)不僅判斷特征信息是否存在，同時(shí)充分考慮了特征之間的對(duì)應(yīng)位置關(guān)系，強(qiáng)化整體特征的識(shí)別，使得膠囊網(wǎng)絡(luò)即使在小樣本下依然具有出色的表現(xiàn)。

本文的膠囊層對(duì)卷積層的輸出張量繼續(xù)卷積，使用的卷積核共有64 個(gè)，每個(gè)卷積核的大小為1×6，并且采用零填充的方式，輸出為64×1×28 的張量。然后對(duì)輸出張量的尺寸和維度進(jìn)行變換，得到16 組4×1×28 的輸出張量，即將64 個(gè)維度分成16組，每4 個(gè)維度1 組。

利用轉(zhuǎn)換矩陣wij計(jì)算預(yù)測(cè)向量，把向量空間從4 維映射到16 維：

式中：sj為高層膠囊j的總輸入；cij為權(quán)重系數(shù)。

調(diào)制信號(hào)類(lèi)型對(duì)應(yīng)的概率可以用膠囊向量的模來(lái)表示。為了確保向量的方向不變，且能夠?qū)⑾蛄康哪嚎s到0 到1 之間，此處的激活函數(shù)不使用傳統(tǒng)的ReLU，而是采用非線性函數(shù)squashing。最終可得到膠囊向量輸出vj的表達(dá)式：

2.4 門(mén)控循環(huán)單元層

如圖3 所示，門(mén)控循環(huán)單元內(nèi)部采用重置門(mén)和更新門(mén)。歷史狀態(tài)信息的保留權(quán)重由更新門(mén)決定，要使歷史狀態(tài)信息保留的越多，則需要賦予更新門(mén)更高的權(quán)重。而重置門(mén)則相反，它的值越小說(shuō)明歷史信息遺忘得越多，因此重置門(mén)可以用于控制遺忘歷史狀態(tài)信息的程度。本文設(shè)置門(mén)控循環(huán)單元的數(shù)量為32，通過(guò)2 種門(mén)來(lái)提取時(shí)間相關(guān)的調(diào)制信號(hào)特征信息，從而對(duì)時(shí)間序列進(jìn)行長(zhǎng)期記憶。

圖3 門(mén)控循環(huán)單元結(jié)構(gòu)Fig.3 Structure diagram of the gated recurrent unit

圖3 展示了門(mén)控循環(huán)單元層的結(jié)構(gòu)，用yt-1、xt分別表示上一個(gè)歷史狀態(tài)和當(dāng)前節(jié)點(diǎn)輸入，通過(guò)兩者來(lái)獲取兩個(gè)門(mén)控狀態(tài)。zt、rt分別為控制更新的門(mén)控和控制重置的門(mén)控；ht、yt分別為候選隱藏層和輸出層；wz、wr、w分別為重置門(mén)、更新門(mén)、隱藏層的權(quán)重；σ、tanh 為激活函數(shù)。

2.5 輸出層

輸出層的維度由數(shù)據(jù)集中調(diào)制信號(hào)的種類(lèi)數(shù)量所確定，類(lèi)型為全連接層，根據(jù)矢量特征來(lái)將隱層信息映射成調(diào)制信號(hào)類(lèi)型的概率輸出，從而完成調(diào)制信號(hào)的分類(lèi)。

3 模型性能分析

在本節(jié)中，首先，介紹了實(shí)驗(yàn)中使用的數(shù)據(jù)集；其次，討論所提出混合網(wǎng)絡(luò)模型在不同信噪比下的分類(lèi)性能；最后，分析混合網(wǎng)絡(luò)模型與單一網(wǎng)絡(luò)模型的分類(lèi)性能。

3.1 數(shù)據(jù)集

RML2016.04C 作為數(shù)據(jù)集來(lái)訓(xùn)練和評(píng)估所提出的網(wǎng)絡(luò)結(jié)構(gòu)。對(duì)數(shù)據(jù)集RML2016.04C 進(jìn)行處理，數(shù)據(jù)選用-6～12 dB 的調(diào)制信號(hào)，間隔為2 dB 進(jìn)行分析。數(shù)據(jù)集中共81 030 個(gè)信號(hào)樣本，調(diào)制信號(hào)共有11 種類(lèi)型。分為3 種模擬信號(hào)和8 種數(shù)字信號(hào)，即：AM-DSB、AM-SSB、WBFM、BPSK、QPSK、8PSK、QAM16、QAM64、CPFSK、GFSK、PAM4。

為了保證數(shù)據(jù)分布在數(shù)據(jù)集劃分過(guò)程中的一致性，使用“留出法”將70%的數(shù)據(jù)集用于訓(xùn)練，剩余的數(shù)據(jù)用于測(cè)試模型的可靠性。

3.2 混合網(wǎng)絡(luò)模型在不同信噪比下的分類(lèi)性能

通過(guò)混淆矩陣分析不同信噪比下所提出混合網(wǎng)絡(luò)模型對(duì)不同調(diào)制信號(hào)的分類(lèi)性能。如圖4（a）所示，當(dāng)信噪比為-4 dB 時(shí)，對(duì)于大多數(shù)調(diào)制信號(hào)而言，所提出的網(wǎng)絡(luò)模型可以有效的區(qū)分不同信號(hào)的調(diào)制類(lèi)型。但是對(duì)于以下4 種信號(hào)無(wú)法準(zhǔn)確的識(shí)別，如8PSK 和QPSK，WBFM 和AM-SSB。8PSK與QPSK 都采用相位鍵控信號(hào)，即用不同的載波初始相位來(lái)表示數(shù)字信號(hào)。在QPSK 中，載波的初始相 位分別為0o，90o，180o，270o。在8PSK 中，載波的初始相位分別為0o、45o、90o、135o、180o、225o、270o、315o。QPSK 的初始相位與8PSK 的初始相位存在重合，導(dǎo)致所提出網(wǎng)絡(luò)無(wú)法準(zhǔn)確區(qū)分2 種調(diào)制類(lèi)型。WBFM 和AM-SSB 屬于模擬信號(hào)，WBFM 利用寬帶調(diào)頻，而AM-SSB 和DSB 通過(guò)抑制載波調(diào)幅，雖然增加功率效率，但兩個(gè)邊帶均傳輸相同的信息。因此無(wú)法準(zhǔn)確的進(jìn)行區(qū)分。

圖4 混合網(wǎng)絡(luò)模型在不同信噪比下的分類(lèi)性能Fig.4 Classification performance of the hybrid network model under different signal-to-noise ratios

隨著信噪比的增加，如圖4（b）所示，對(duì)于大多數(shù)調(diào)制信號(hào)，分類(lèi)精度顯著提高，對(duì)于8PSK 而言，分類(lèi)精度由0.59 提升到0.82；對(duì)于WBFM 而言，分類(lèi)精度由0.36 提升到0.41。如圖4（c）所示，對(duì)于AM-SSB 的分類(lèi)精度達(dá)到1，對(duì)QPSK 的分類(lèi)精度達(dá)到0.95，進(jìn)一步說(shuō)明所提出網(wǎng)絡(luò)的有效性和可靠性。

3.3 混合網(wǎng)絡(luò)模型與單一網(wǎng)絡(luò)模型的分類(lèi)性能

如圖5 所示，分析混合網(wǎng)絡(luò)模型與單一的膠囊網(wǎng)絡(luò)和門(mén)控循環(huán)單元的分類(lèi)性能，其中膠囊網(wǎng)絡(luò)善于分析信號(hào)的空間特征信息。在信號(hào)的時(shí)間特征信息提取方面，門(mén)控循環(huán)單元更具優(yōu)勢(shì)?；旌仙窠?jīng)網(wǎng)絡(luò)通過(guò)整合門(mén)控循環(huán)單元和膠囊網(wǎng)絡(luò)，實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)。從總體上看，混合網(wǎng)絡(luò)模型的分類(lèi)性能優(yōu)于單一的膠囊網(wǎng)絡(luò)和門(mén)控循環(huán)單元，隨著信噪比的增大，混合網(wǎng)絡(luò)模型對(duì)調(diào)制信號(hào)的分類(lèi)精度保持在0.9；膠囊網(wǎng)絡(luò)對(duì)調(diào)制信號(hào)的分類(lèi)精度保持在0.86；門(mén)控循環(huán)單元對(duì)調(diào)制信號(hào)的分類(lèi)精度保持在0.67?；旌暇W(wǎng)絡(luò)通過(guò)結(jié)合信號(hào)的空間和時(shí)間特征信息，進(jìn)一步提高調(diào)制信號(hào)的分類(lèi)精度。

圖5 混合網(wǎng)絡(luò)模型與單一網(wǎng)絡(luò)模型的分類(lèi)性能Fig.5 Classification performance of the hybrid network model and single network model

4 結(jié)束語(yǔ)

面對(duì)復(fù)雜電磁環(huán)境目標(biāo)信號(hào)無(wú)法準(zhǔn)確識(shí)別的問(wèn)題。為了提取不同調(diào)制信號(hào)的時(shí)空特征信息，本文通過(guò)提出新的混合神經(jīng)網(wǎng)絡(luò)模型來(lái)判斷信號(hào)的調(diào)制類(lèi)型。具體而言，通過(guò)膠囊網(wǎng)絡(luò)提取信號(hào)空間信息，運(yùn)用門(mén)控循環(huán)單元提取信號(hào)在時(shí)間上的特征信息?；旌暇W(wǎng)絡(luò)模型能夠整合調(diào)制信號(hào)的時(shí)空特征，進(jìn)而提高對(duì)目標(biāo)信號(hào)的分類(lèi)精度。實(shí)驗(yàn)結(jié)果顯示，在2 dB 信噪比的條件下，本文設(shè)計(jì)的混合神經(jīng)網(wǎng)絡(luò)對(duì)8 種不同信號(hào)的調(diào)制類(lèi)型分類(lèi)精度大于80%，隨著信噪比的增大，當(dāng)信噪比為6 dB時(shí)，混合網(wǎng)絡(luò)模型對(duì)9 種不同調(diào)制信號(hào)的分類(lèi)精度大于95%。