劉洪笑,向 勉,2,譚建軍,朱 黎

(1. 湖北民族大學(xué)智能科學(xué)與工程學(xué)院,湖北 恩施 445000;2. 硒食品營養(yǎng)與健康智能技術(shù)湖北省工程研究中心,湖北 恩施 445000)

1 引言

隨著物聯(lián)網(wǎng)(Internet of Things,IoT)設(shè)備的迅速普及,ZigBee技術(shù)已成為社會基礎(chǔ)通信設(shè)施的重要組成部分。ZigBee技術(shù)是一種基于IEEE 802.15.4規(guī)范的高級通信協(xié)議,被廣泛應(yīng)用于智能家居、工業(yè)設(shè)備控制、醫(yī)療數(shù)據(jù)收集和其它低帶寬需求場景中[1]。ZigBee網(wǎng)絡(luò)主要工作在2.4 GHz的ISM(Industrial Scientific Medical)頻段,與WiFi網(wǎng)絡(luò)共享該頻段,且ZigBee設(shè)備的發(fā)射功率遠(yuǎn)小于WiFi設(shè)備的發(fā)射功率,因此ZigBee設(shè)備極易受到同區(qū)域設(shè)置的WiFi設(shè)備的干擾,導(dǎo)致通信質(zhì)量的下降[2]。因此,如何有效地識別出ZigBee網(wǎng)絡(luò)中的各類通信信號是優(yōu)化信道配置、節(jié)約頻譜資源的第一步,具有重要的意義[3]。長短期記憶神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)[4]是一種時間循環(huán)神經(jīng)網(wǎng)絡(luò),是為了解決一般的RNN(循環(huán)神經(jīng)網(wǎng)絡(luò))存在的長期依賴問題而專門設(shè)計出來的,文獻(xiàn)[5]結(jié)合LSTM與CNN的優(yōu)點(diǎn),搭建長短期卷積深度神經(jīng)網(wǎng)絡(luò),實(shí)現(xiàn)了高信噪比下的信號高識別率。本文的數(shù)據(jù)集是通過Matlab軟件仿真構(gòu)建Zigbee和WiFi信號發(fā)生器模型來獲得IQ數(shù)據(jù),然后采用LSTM神經(jīng)網(wǎng)絡(luò)對Zigbee和WiFi信號進(jìn)行識別,由于兩者的調(diào)制方式不同,所以可以通過LSTM神經(jīng)網(wǎng)絡(luò)提取兩者的特征信號,進(jìn)而識別出調(diào)制信號并分類。

2 相關(guān)研究

早期的通信信號識別是利用人工機(jī)械方式來完成的,識別效率低且識別準(zhǔn)確率差。1969年,C.S.Weaver等人率先提出通信信號調(diào)制方式自動識別方法,引發(fā)了國內(nèi)外學(xué)者對通信信號調(diào)制識別的研究熱潮[6]。但深度學(xué)習(xí)算法的快速發(fā)展,激發(fā)了廣大學(xué)者對研究神經(jīng)網(wǎng)絡(luò)提取通信信號特征參數(shù)的興趣[7,8]。Tim O’Shea等人研究了卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)用于通信信號調(diào)制識別的適應(yīng)性,可識別11種調(diào)制信號[9],在低信噪比下,卷積神經(jīng)網(wǎng)絡(luò)對數(shù)量多且密集的編碼時間序列進(jìn)行訓(xùn)練具有明顯優(yōu)勢。雖然在CNN的網(wǎng)絡(luò)構(gòu)架上做了改進(jìn)和優(yōu)化,但是沒有充分考慮并研究它們的適用性,隨后,Tim O’Shea等人構(gòu)建深層卷積神經(jīng)網(wǎng)絡(luò)以及深層殘差網(wǎng)絡(luò),實(shí)現(xiàn)了24種調(diào)制信號的準(zhǔn)確識別[10]。深度學(xué)習(xí)方法在運(yùn)用殘差構(gòu)架時效果顯著,在無法獲得真實(shí)的數(shù)據(jù)情況下,尤其是在高信噪比下OTA數(shù)據(jù)集和等效合成的數(shù)據(jù)集有著相同的性能,但是在足夠大的數(shù)據(jù)集上直接對模型進(jìn)行完整訓(xùn)練時,無法獲得同等的準(zhǔn)確性。文獻(xiàn)[11]利用CNN,結(jié)合時域分析方法及圖像處理算法,實(shí)現(xiàn)了雷達(dá)信號脈內(nèi)調(diào)制的識別,但能識別的信號調(diào)制類型偏少。文獻(xiàn)[12]利用改進(jìn)的殘差神經(jīng)網(wǎng)絡(luò)中的多流網(wǎng)絡(luò)提取信號的多種特征,避免了模型復(fù)雜帶來的過擬合。Wu S等人[13]利用深度學(xué)習(xí),構(gòu)建信號特征學(xué)習(xí)網(wǎng)絡(luò)與信號識別網(wǎng)絡(luò),提高了通信終端自主學(xué)習(xí)、決策和更新能力,但算法的計算復(fù)雜度較高。為提升低信噪比下通信信號的識別率,劉凱等人[14]通過提取調(diào)制信號的多維特征,構(gòu)建LSTM時間模型,實(shí)現(xiàn)了較低信噪比條件下6種數(shù)字調(diào)制信號的識別。在以上研究工作中,雖然調(diào)制信號識別的方法不少,但很難做到在低信噪比下的精準(zhǔn)識別,并且未對具體的通信信號如ZigBee信號、WiFi信號等進(jìn)行分類識別。文獻(xiàn)[15]對ZigBee信號、WiFi信號進(jìn)行了分類識別,但并未分析低信噪比下的信號識別準(zhǔn)確率。本文采用LSTM設(shè)計通信信號識別機(jī)制,對LSTM的結(jié)構(gòu)與參數(shù)進(jìn)行調(diào)整,實(shí)現(xiàn)ZigBee信號、WiFi信號的高識別率。本文的研究內(nèi)容如下:

1)通過Matlab中的Simulink仿真搭建ZigBee信號、WiFi信號發(fā)生器模型,分別獲取ZigBee信號、WiFi信號的IQ數(shù)據(jù),構(gòu)建信號數(shù)據(jù)集。

2)對IQ信號進(jìn)行歸一化處理,設(shè)計LSTM、CNN網(wǎng)絡(luò)對信號數(shù)據(jù)進(jìn)行特征提取處理及分類識別。

3 構(gòu)建信號數(shù)據(jù)集

本文利用Matlab構(gòu)建Zigbee信號發(fā)生器模型和WiFi信號發(fā)生器模型,獲取WiFi和ZigBee信號數(shù)據(jù),然后進(jìn)行一系列的處理,使得數(shù)據(jù)能夠以適當(dāng)?shù)慕Y(jié)構(gòu)輸入到本文所構(gòu)建的LSTM中,進(jìn)行信號的分類和識別。本文實(shí)驗(yàn)平臺為Matlab2020a,實(shí)驗(yàn)環(huán)境為Windows 10操作系統(tǒng),12.0 GB內(nèi)存,Intel(R)Core(TM)i5-7200U CPU @ 2.50GHz。

3.1 搭建信號模型

本文利用Simulink進(jìn)行信號模型搭建,ZigBee網(wǎng)絡(luò)信號采集框圖如圖1所示,模型中有兩路通信通路,一路為ZigBee信號,另一路為WiFi信號。ZigBee信號與WiFi信號的發(fā)生器內(nèi)部結(jié)構(gòu)分別如圖2、圖3所示,兩類信號的信號發(fā)生器均采用伯努利二進(jìn)制生成器生成隨機(jī)的二進(jìn)制數(shù)據(jù),ZigBee信號采用數(shù)據(jù)速率為250kbps,碼片速率為2 Mchips/s的直接序列擴(kuò)頻與OQPSK調(diào)制方式[15],發(fā)射功率設(shè)置為0dBm;WiFi信號采用BPSK調(diào)制,發(fā)射功率設(shè)置為17dBm。被發(fā)射的ZigBee、WiFi信號經(jīng)過高斯白噪聲信道,通過直接變頻接收機(jī)的電路包絡(luò)模型將數(shù)據(jù)轉(zhuǎn)化成I、Q兩部分輸出。為探討在低信噪比環(huán)境下識別算法的準(zhǔn)確性,本文將信噪比(Signal to Noise Ratio,SNR)設(shè)置為-50dB、-40dB、-30dB、-20dB、-10dB、0dB六種情況[16],分別在六種信噪比環(huán)境下采集ZigBee、WiFi信號數(shù)據(jù),構(gòu)建信號數(shù)據(jù)集。

圖1 ZigBee網(wǎng)絡(luò)信號采集框圖

圖2 Zigbee 信號發(fā)生器內(nèi)部結(jié)構(gòu)

圖3 WiFi 信號發(fā)生器內(nèi)部結(jié)構(gòu)

3.2 信號數(shù)據(jù)集

實(shí)驗(yàn)一共設(shè)置了12組信號樣本,信號類型分為Zigbee和WiFi兩種,而每種信號類型又包含了從-50dB到0dB,一共6種信噪比值下的信號樣本,如表1所示。每一條信號樣本包含了維度為320000×2的矩陣,矩陣的第二維度表示I和Q兩路數(shù)據(jù)。為了使得信號樣本能夠以適當(dāng)?shù)母袷捷斎氲缴窠?jīng)網(wǎng)絡(luò)中,本文對于信號樣本采取了兩種分割方法,第一種分割方法為將32000×2的樣本分割為125個256×2的小樣本,第二種方法分割的小樣本的維度則為512×2。將數(shù)據(jù)分割完成后還需要對數(shù)據(jù)進(jìn)行歸一化處理。

表1 數(shù)據(jù)集參數(shù)

使用min-max的方法[17]進(jìn)行歸一化,歸一化的公式為

(1)

4 基于長短期記憶神經(jīng)網(wǎng)絡(luò)的識別算法

長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)是一種時間循環(huán)神經(jīng)網(wǎng)絡(luò),可解決一般的RNN存在的長期依賴問題。LSTM所擅長解決的問題是基于時間序列的分類問題,而本文所研究的IQ信號是時序信號,2組信號的維度分別為:256×2,512×2,適用于LSTM網(wǎng)路,本文網(wǎng)絡(luò)訓(xùn)練使用的是NVIDIA GeForce 940MX顯卡,實(shí)驗(yàn)平臺是Python,工具箱為tensorflow2.0。本文所設(shè)計的LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

本文所設(shè)計的樣本數(shù)據(jù)維數(shù)為2,時間維數(shù)為256、512和1024。對于LSTM第一層的數(shù)據(jù)輸出,時間的維數(shù)仍然是100。而第二層LSTM層的時間維數(shù)沒有變化,樣本數(shù)據(jù)的維數(shù)變化為100。然后連接一個Dense層,神經(jīng)元數(shù)量為100,使用一個softmax層進(jìn)行分類。選擇交叉熵函數(shù)作為損失函數(shù)。優(yōu)化器是Adm(adaptive moment estimation)。

文獻(xiàn)[6,7]提出,使用卷積神經(jīng)網(wǎng)絡(luò)也可以對調(diào)制信號進(jìn)行較為準(zhǔn)確的分類,作為本文實(shí)驗(yàn)的對比,設(shè)計了一組基于CNN的對比實(shí)驗(yàn),實(shí)驗(yàn)的框架結(jié)構(gòu)如圖5所示。

圖5 實(shí)驗(yàn)的框架結(jié)構(gòu)

該模型廣泛用于調(diào)制信號的分類,由2個卷積層、2個ZeroPadding層、2個dense層組成。

5 實(shí)驗(yàn)結(jié)果與分析

將數(shù)據(jù)按10:1的比例劃分為訓(xùn)練集和測試集。共設(shè)置了三組實(shí)驗(yàn),第一組LSTM網(wǎng)絡(luò)結(jié)合256×2的數(shù)據(jù),第二組是LSTM網(wǎng)絡(luò)結(jié)合512×2的數(shù)據(jù),第三組是CNN結(jié)合256×2的數(shù)據(jù)。通過這三組數(shù)據(jù)的對比,可以對比出網(wǎng)絡(luò)結(jié)構(gòu)與數(shù)據(jù)格式對于分類精度的影響。每個模型訓(xùn)練5次,訓(xùn)練的batch＿size都為50,共訓(xùn)練100個世代。結(jié)果表明,精度在100個世代前穩(wěn)定下來。記錄了模型在訓(xùn)練過程中訓(xùn)練參數(shù)(train＿acc)的變化,訓(xùn)練5次,得到 準(zhǔn)確性。表2為統(tǒng)計檢驗(yàn)結(jié)果。

表2 深度學(xué)習(xí)網(wǎng)絡(luò)調(diào)制識別準(zhǔn)確率

對比表2和圖6-圖10的結(jié)果,LSTM模型始終能夠獲得較高的準(zhǔn)確率和較為快速的收斂速度,而CNN在訓(xùn)練過程中,只是在初期有著很短暫和微小的訓(xùn)練loss下降和準(zhǔn)確率的提升,最終得到的結(jié)果表明CNN準(zhǔn)確率基本沒有提升,意味它根本無法提取出任何有效的特征,在此實(shí)驗(yàn)中,LSTM是一種比CNN更適合的網(wǎng)絡(luò)結(jié)構(gòu)。分析原因,數(shù)據(jù)的維度為256×2這樣的長方形數(shù)據(jù),更接近于類似自然語言等的序列數(shù)據(jù)而非圖像數(shù)據(jù)。其次,256×2的數(shù)據(jù)結(jié)構(gòu)的分類準(zhǔn)確率比512×2的分類準(zhǔn)確率更高,高出了3.6%,并且可以從圖7和圖9得知,在訓(xùn)練集精度和測試集精度上,256×2的數(shù)據(jù)結(jié)構(gòu)增長速度更快,大概在60代就可以接近90%,而512×2組在接近100代時才能夠達(dá)到90%,并且增長曲線更為平滑,從圖8和圖10上看,同樣的變化也體現(xiàn)在loss值上,256×2的數(shù)據(jù)結(jié)構(gòu)的訓(xùn)練集loss和測試集loss的下降速度和最低值都有著明顯的優(yōu)勢,由以上分析可以說明,IQ數(shù)據(jù)的截取長度、截取方法同樣可以影響到最終分類結(jié)果,在本文中,256×2的是一種適當(dāng)?shù)臄?shù)據(jù)分割維度。

圖6 不同的模型與數(shù)據(jù)格式的準(zhǔn)確率

圖7 訓(xùn)練世代與準(zhǔn)確率的關(guān)系

圖8 訓(xùn)練世代與loss的關(guān)系

圖9 訓(xùn)練世代與驗(yàn)證集準(zhǔn)確率的關(guān)系

圖10 訓(xùn)練世代與驗(yàn)證集loss的關(guān)系

6 總結(jié)

本文針對ZigBee信號易受到WiFi信號干擾的問題,提出了一種基于LSTM的ZigBee網(wǎng)絡(luò)中通信信號識別算法,對ZigBee網(wǎng)絡(luò)中的ZigBee信號與WiFi信號進(jìn)行識別。首先通過Matlab的Simulink通信模塊搭建干擾網(wǎng)絡(luò),在參數(shù)上盡可能的貼近真實(shí)數(shù)據(jù)集,獲取ZigBee信號、WiFi信號的同相和正交(IQ)數(shù)據(jù),構(gòu)建ZigBee、WiFi信號數(shù)據(jù)集;然后再經(jīng)過LSTM對于數(shù)據(jù)進(jìn)行特征提取并分類識別。結(jié)果表明,以256×2數(shù)據(jù)結(jié)構(gòu)為輸入的LSTM模型的訓(xùn)練精準(zhǔn)度為90.5%,有一定的實(shí)用價值。