摘 要：針對現(xiàn)有的通信信號調(diào)制方式識別方法在低信噪比（Ｓｉｇｎａｌ ｔｏ Ｎｏｉｓｅ Ｒａｔｉｏ，ＳＮＲ） 條件下存在的識別率較低、調(diào)制類型較少和信道類型不夠豐富等問題，提出了一種基于深度殘差收縮網(wǎng)絡(luò)（Ｄｅｅｐ Ｒｅｓｉｄｕａｌ Ｓｈｒｉｎｋａｇｅ Ｎｅｔｗｏｒｋ，ＤＲＳＮ）的通信信號調(diào)制方式識別方法。根據(jù)調(diào)制識別領(lǐng)域的特點，構(gòu)建改進的深度殘差收縮網(wǎng)絡(luò)模型，充分利用該網(wǎng)絡(luò)的注意力機制和軟閾值化進行降噪處理，提高模型在低ＳＮＲ 條件下的調(diào)制識別能力。實驗結(jié)果表明，相比殘差網(wǎng)絡(luò)（Ｒｅｓｉｄｕａｌ Ｎｅｔ-ｗｏｒｋ，ＲｅｓＮｅｔ）、卷積長短時深度神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｌｏｎｇ-ｓｈｏｒｔ-ｔｅｒｍ Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＬＤＮＮ） 和卷積門控循環(huán)深度神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｇａｔｅｄ ｒｅｃｕｒｒｅｎｔ Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＧＤＮＮ） 模型，所提方法在低ＳＮＲ 和５ 種信道類型條件下對２６ 種調(diào)制信號的識別中有效地降低了噪聲的影響，在４ ｄＢ 以上時識別率達到了９１． ７０％ ，１０ ｄＢ 時識別率在９８％ 以上，取得了較好的識別表現(xiàn)。

關(guān)鍵詞：通信信號；調(diào)制識別；深度殘差收縮網(wǎng)絡(luò)；注意力機制；軟閾值化

中圖分類號：ＴＮ９１１． ３ 文獻標(biāo)志碼：Ａ 開放科學(xué)（資源服務(wù)）標(biāo)識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）０７－１６４３－０９

０ 引言

自動調(diào)制模式識別（Ａｕｔｏｍａｔｉｃ Ｍｏｄｕｌａｔｉｏｎ Ｒｅｃ-ｏｇｎｉｔｉｏｎ，ＡＭＲ）技術(shù)一直是現(xiàn)代通信軍事領(lǐng)域中的重要研究方向［１］，該技術(shù)可以在電子偵察、電子對抗［２］等一系列軍事任務(wù)中識別敵方發(fā)送的干擾信息和關(guān)鍵軍事信息，幫助軍方制定有針對性的偵察和反偵察戰(zhàn)略［３］。相比于傳統(tǒng)調(diào)制識別方法采用人工特征分析、算法復(fù)雜和計算量大等局限［４］，目前基于深度學(xué)習(xí)的ＡＭＲ 技術(shù)為傳統(tǒng)調(diào)制識別方法無法克服的難題帶來了新的解決思路［５］。

２０２０ 年，Ｄａｌｄａｌ 等［６］采用短時傅里葉變換生成信號的時頻特征圖來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ），實現(xiàn)了ＡＳＫ、ＦＳＫ、ＰＳＫ 三類數(shù)字調(diào)制信號的識別。２０２０ 年，Ｚｈｏｕ等［７］設(shè)計了一種基于生成對抗網(wǎng)絡(luò)（Ｇｅｎｅｒａｔｉｖｅ Ａｄ-ｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ，ＧＡＮ）的半監(jiān)督學(xué)習(xí)框架，該框架可以直接處理ＩＱ 信號數(shù)據(jù)，并充分利用未標(biāo)記的樣本，實現(xiàn)對少量電磁信號的端到端精確分類。２０２２ 年，Ｌｅｉ 等［８］提出了一種多路徑特征融合網(wǎng)絡(luò)，在１８ ｄＢ 信噪比（Ｓｉｇｎａｌ ｔｏ Ｎｏｉｓｅ Ｒａｔｉｏ，ＳＮＲ）下，對１１ 種信號的識別精度為９９． ０４％ 。２０２２ 年，Ｔｉａｎ 等［９］提出了基于注意力機制的ＣＮＮ，對１０ 種不同的調(diào)制信號在０ ｄＢ 的條件下達到了９０％ 以上的識別率。同樣在低ＳＮＲ 環(huán)境下對１１ 中信號的調(diào)制方式識別中，２０２２ 年，Ｚｏｕ 等［１０］提出了一種注意力機制短鏈卷積長短時記憶深度神經(jīng)網(wǎng)絡(luò)識別模型，對信號調(diào)制進行高精度的識別，并且對特定信號不產(chǎn)生混淆。雖然上述研究對信號的調(diào)制方式識別取得了較好的效果，但仍然存在幾點不足：① 信號調(diào)制方式類型較少；② 缺少對實際情況中多種信道條件的模擬；③ 低ＳＮＲ 條件下的信號調(diào)制方式識別準確率仍有提升空間。

本文針對以上問題，提出了一種基于深度殘差收縮網(wǎng)絡(luò)（Ｄｅｅｐ Ｒｅｓｉｄｕａｌ Ｓｈｒｉｎｋａｇｅ Ｎｅｔｗｏｒｋ，ＤＲＳＮ）的通信信號調(diào)制方式識別方法，介紹了ＤＲＳＮ 模型的結(jié)構(gòu)，設(shè)計了該模型的訓(xùn)練方法，給出了利用其進行通信信號調(diào)制方式識別的方法步驟，最后利用ＲＭＬ２０１６． １０ａ［１１］和ＨｉｓａｒＭｏｄ２０１９． １［１２］開源數(shù)據(jù)集應(yīng)用ＤＲＳＮ、殘差網(wǎng)絡(luò)（Ｒｅｓｉｄｕａｌ Ｎｅｔｗｏｒｋ，ＲｅｓＮｅｔ）、卷積門控循環(huán)深度神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｇａｔｅｄｒｅｃｕｒｒｅｎｔ Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＧＤＮＮ）和卷積長短時深度神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｌｏｎｇ ｓｈｏｒｔ-ｔｅｒｍ ＤｅｅｐＮｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＬＤＮ）四種網(wǎng)絡(luò)進行訓(xùn)練，對識別的準確性進行了比較和驗證。

１ 通信信號調(diào)制方式識別系統(tǒng)組成

在低ＳＮＲ 條件下，調(diào)制識別任務(wù)通常需要挖掘出埋沒在噪聲中的潛在信號特征，提高調(diào)制信號的識別準確率，同時調(diào)制識別系統(tǒng)在信道干擾下的特征學(xué)習(xí)能力還需要保證其魯棒性以適應(yīng)不同的信道環(huán)境。因此在本文所提出的通信信號調(diào)制方式識別方法中，首先針對低ＳＮＲ 條件下調(diào)制信號識別率低的問題，利用改進的ＤＲＳＮ，利用其注意力機制和軟閾值化處理，降低噪聲對模型訓(xùn)練的干擾，增強信號特征的提取能力，保證了網(wǎng)絡(luò)在高噪聲背景下?lián)碛懈玫奶卣鲗W(xué)習(xí)性能；另外針對網(wǎng)絡(luò)的魯棒性問題，本文應(yīng)用ＨｉｓａｒＭｏｄ２０１９． １ 數(shù)據(jù)集，該數(shù)據(jù)集相較于ＲＭＬ２０１６． １０ａ 數(shù)據(jù)集，包括５ 種不同的調(diào)制系列總共２６ 種調(diào)制類型，并且該數(shù)據(jù)集還包含有５ 種不同的無線通信信道（理想信道、靜態(tài)信道、瑞利信道、萊斯信道和Ｎａｋａｇａｍｉ-ｍ 信道），模擬了真實戰(zhàn)場環(huán)境中復(fù)雜的調(diào)制類型和多種通信信道環(huán)境，對于最后模型的訓(xùn)練結(jié)果能夠充分保證其魯棒性。

本文所提出的通信信號調(diào)制方式識別整體系統(tǒng)組成如圖１ 所示。

該系統(tǒng)由四部分構(gòu)成，首先是第一部分網(wǎng)絡(luò)的輸入，該輸入是大小為（２，１ ０２４）的ＩＱ 采樣序列，１ ０２４ 點長度的信號采樣點分布更多，在一定程度上能夠降低噪聲的影響，增強網(wǎng)絡(luò)提取更多維度數(shù)據(jù)特征的能力。第二部分是一層卷積層，由于輸入信號數(shù)據(jù)包含較多的調(diào)制類型，因此卷積核尺寸設(shè)置為（３，３），通道數(shù)為１６，粗略地提取出ＩＱ 序列多維度的特征即可。第三部分為修改的深度殘差收縮塊（Ｒｅｓｉｄｕａｌ Ｓｈｒｉｋａｇｅ Ｂｕｉｌｄｉｎｇ Ｕｎｉｔ，ＲＳＢＵ），每個ＲＳＢＵ 又由４ 個小部分構(gòu)成，包括２ 層卷積層的提取特征部分，注意力機制部分，軟閾值化部分以及跨層連接部分。該ＲＳＢＵ 的關(guān)鍵特點是使用了ＲｅＬＵ的非線性變換和軟閾值技術(shù)，其中非線性變換使得網(wǎng)絡(luò)可以學(xué)習(xí)和捕獲輸入數(shù)據(jù)中的復(fù)雜模式。軟閾值化則作為收縮函數(shù)，幫助消除與噪聲相關(guān)的信息，從而提高對信號分析的準確性。這種設(shè)計特別適合處理包含大量噪聲或不相關(guān)信息的低ＳＮＲ 條件下的通信信號。在該網(wǎng)絡(luò)模型結(jié)構(gòu)中，ＲＳＢＵ 共堆疊１３ 層，且通道數(shù)按一定的層數(shù)逐漸遞增，從而形成更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，提升在低ＳＮＲ 條件下對信號特征的提取能力。首先在每個ＲＳＢＵ 內(nèi)部，輸入信號特征均先通過２ 層卷積層，以進一步細化提取序列的多維度特征，其中卷積核尺寸均設(shè)置為（３，３）。卷積層之后，在ＲＳＢＵ 中的注意力機制和軟閾值化的共同作用下得到不同信號特征圖的動態(tài)閾值，再根據(jù)得到的閾值對不同通道的特征圖進行濾波處理，歸零特征圖中接近于零的特征，達到降噪的作用。之后通過殘差結(jié)構(gòu)實現(xiàn)網(wǎng)絡(luò)的非連續(xù)訓(xùn)練來更新網(wǎng)絡(luò)參數(shù)。第四部分為網(wǎng)絡(luò)的輸出，修正后的特征進入到具有２６ 個神經(jīng)元的全連接層，根據(jù)分類器特輸入的樣本數(shù)據(jù)轉(zhuǎn)化為對應(yīng)的識別概率，最終得到２６ 種信號調(diào)制類型的識別結(jié)果。

２ 網(wǎng)絡(luò)模型與訓(xùn)練

２． １ ＤＲＳＮ 模型的結(jié)構(gòu)

在通信信號調(diào)制識別中，ＲｅｓＮｅｔ 模型存在一些缺點。首先，由于其相對較淺的網(wǎng)絡(luò)結(jié)構(gòu)，難以捕捉復(fù)雜調(diào)制方案中的復(fù)雜模式和關(guān)系，因此處理具有大量調(diào)制類別的通信信號時準確率降低；其次，隨著網(wǎng)絡(luò)模型的深度增加，性能與復(fù)雜度的提升難以同時保證；最后，通信信號與實際生活中的圖像數(shù)據(jù)不同，其細節(jié)特征較少，而且容易受到通信系統(tǒng)中常見的噪聲和信道失真的影響，導(dǎo)致識別準確率下降［１］。

ＤＲＳＮ 作為ＲｅｓＮｅｔ 的改進版本，結(jié)合了ＲｅｓＮｅｔ恒等跨層連接的特性，提升了深度學(xué)習(xí)模型的穩(wěn)定性和改善訓(xùn)練效率，并且引入了軟閾值化和注意力機制［１３］兩種方法，能夠有效地克服ＲｅｓＮｅｔ 模型存在的缺陷。本文基于該算法，通過對通信調(diào)制信號進行特征參數(shù)提取與分類，實現(xiàn)低ＳＮＲ 和多種信道條件下信號調(diào)制方式的正確識別。

ＤＲＳＮ 的核心結(jié)構(gòu)由１３ 個ＲＳＢＵ 單元組成，如圖２ 所示，它們堆疊在一起處理調(diào)制信號的ＩＱ 采樣序列。特別地，網(wǎng)絡(luò)中嵌入了一個軟閾值化單元作為非線性轉(zhuǎn)換層，并利用內(nèi)部的注意力機制模塊自動確定和設(shè)置每個通道的閾值。

模型的結(jié)構(gòu)及具體處理流程如下：

① 初步特征提?。狠斎氲恼{(diào)制信號經(jīng)過一個卷積層，該層對ＩＱ 序列進行初步的多維特征提取。

② 特征細化：提取的特征隨后進入ＲＳＢＵ。在ＲＳＢＵ 內(nèi)，特征被分成兩路。其中一路進入２ 層卷積層進行進一步的特征細化，每層卷積都伴隨有批歸一化（Ｂａｔｃｈ Ｎｏｒｍａｌｉｚａｔｉｏｎ，ＢＮ）和ＲｅＬＵ 操作。

③ 特征維度降低：經(jīng)過這２ 層卷積后，所得到的特征映射經(jīng)過絕對值處理，通過全局平均池化（Ｇｌｏｂａｌ Ａｖｅｒａｇｅ Ｐｏｏｌｉｎｇ，ＧＡＰ）降維成一維向量。

④ 注意力機制與閾值計算：此一維向量被分成２ 路。一路輸入到一個由２ 個全連接（Ｆｕｌｌ Ｃｏｎｎｅｃ-ｔｉｏｎ，ＦＣ）層構(gòu)成的注意力機制模塊，其中第一個ＦＣ層包含ＢＮ 和ＲｅＬＵ，而第二個ＦＣ 層僅有ＲｅＬＵ。此模塊的輸出神經(jīng)元數(shù)量與輸入特征的通道數(shù)相匹配。另一路的通道平均值與注意力模塊的輸出相乘，得到每個通道的專屬閾值。

⑤ 特征融合：使用上述得到的結(jié)果，進行軟閾值化操作后，與原先分割的那一路特征相加，實現(xiàn)跨層的恒等連接。這個結(jié)果即為ＲＳＢＵ 的輸出，也是下一個ＲＳＢＵ 單元的輸入。

⑥ 分類輸出：在經(jīng)過１３ 層ＲＳＢＵ 處理后，特征通過ＢＮ、ＲｅＬＵ 和ＧＡＰ 進行處理，隨后輸入到一個ＦＣ 層，最終得到分類結(jié)果。

２． １． １ 殘差結(jié)構(gòu)

典型的殘差結(jié)構(gòu)如圖３ 所示，相較于普通的ＣＮＮ，ＲｅｓＮｅｔ 采用了跨層恒等連接，即上一層輸出進入殘差模塊前存在２ 個分支，其中的正常分支進入模塊中的卷積層，而另一分支則跳過卷積層直接與其結(jié)果相加并激活［１４］。該殘差結(jié)構(gòu)能夠有效地解決網(wǎng)絡(luò)梯度爆炸與梯度消失問題，但在低ＳＮＲ 的通信調(diào)制識別場景中，ＲｅｓＮｅｔ 所使用的卷積核作為局部特征提取器，易受到噪聲的干擾而無法有效檢測到調(diào)制信號的特征。在這種情況下，輸出層學(xué)習(xí)到的高級特征往往不足以正確地對調(diào)制信號進行分類。

２． １． ２ 軟閾值化

軟閾值化作為大多數(shù)信號降噪算法的核心步驟，將輸入ｘ 的絕對值小于閾值τ 的特征刪除，將絕對值大于τ 的特征朝著零的方向進行收縮［１５］。它可以通過下式來實現(xiàn)：

由式（２）可知，軟閾值化的導(dǎo)數(shù)非１ 即０，該性質(zhì)與ＲｅＬＵ 激活函數(shù)類似，能將一定范圍內(nèi)的元素變?yōu)椋?。因此，軟閾值化處理也能夠有效地降低網(wǎng)絡(luò)遭遇梯度彌散和梯度爆炸的風(fēng)險。

在軟閾值化函數(shù)中，閾值的設(shè)置關(guān)系到能否有效地將噪聲特征置為０，因此閾值的設(shè)置所需要的條件有３ 點：

① 閾值必須是正數(shù)；

② 閾值不能大于輸入信號的最大值，否則輸出會全部為０；

③ 每個樣本應(yīng)該根據(jù)自身的噪聲含量，有著自己獨立的閾值。

針對第③ 點，數(shù)據(jù)集信號樣本分布在－ ２０ ～１８ ｄＢ，不同信號的噪聲含量通常也不盡相同，處于高ＳＮＲ 環(huán)境的信號樣本所含噪聲相對較少，但相對的低ＳＮＲ 信號樣本就會含有較多的噪聲。顯然，針對不同ＳＮＲ 環(huán)境的調(diào)制信號在降噪算法里進行軟閾值化處理時，不能僅根據(jù)統(tǒng)一設(shè)置的閾值進行降噪處理，高ＳＮＲ 環(huán)境信號應(yīng)采用較大的閾值，而低ＳＮＲ 樣本應(yīng)設(shè)置較小的閾值。因此，每個樣本應(yīng)該根據(jù)自身的噪聲含量，有著自己獨立的閾值，即擁有自適應(yīng)閾值進行軟閾值化處理。

２． １． ３ 注意力機制

在軟閾值化處理過程中，如何進行自適應(yīng)閾值設(shè)置顯得至關(guān)重要，而注意力機制的提出有效地解決了閾值自動獲取的問題。在網(wǎng)絡(luò)中應(yīng)用注意力機制能夠獲取更多的細節(jié)特征，并且能夠有效地抑制無關(guān)特征，注意力機制這一性質(zhì)很好地符合了處在噪聲環(huán)境中的信號［１６］，針對不同ＳＮＲ 環(huán)境下的信號獲取到的特征，能夠有效地得到樣本的獨立閾值。

本文ＤＲＳＮ 中的注意力機制為殘差結(jié)構(gòu)中的一個小型子網(wǎng)絡(luò)［１３］，其具體結(jié)構(gòu)如圖４ 所示。信號樣本在ＤＲＳＮ 中通過該小型子網(wǎng)絡(luò)，就可以學(xué)習(xí)得到一組獨立的閾值，對各個特征通道進行軟閾值化。

在該網(wǎng)絡(luò)結(jié)構(gòu)中，對輸入映射的特征ｘ 求絕對值，經(jīng)過ＧＡＰ，獲得一個特征Ａ，記為：

Ａ ＝ ａｖｅｒａｇｅ ｜ｘｉ，ｊ，ｃ｜ ， （３）

式中：ｉ、ｊ 和ｃ 分別為特征ｘ 的寬度、高度和通道的索引。

在另一條路徑中，ＧＡＰ 之后的特征映射Ａ，被輸入到注意力子網(wǎng)絡(luò)中。注意力子網(wǎng)絡(luò)將輸出歸一化到０ ～ １，表示為：

αｃ ＝ １／１ ＋ ｅｘｐ（－ ｚｃ ）， （４）

式中：ｚｃ 為第ｃ 個神經(jīng)元的特征，αｃ 為第ｃ 個縮放參數(shù)。

之后，經(jīng)注意力機制獲得的閾值為０ ～ １ 的數(shù)字與特征映射取絕對值后均值的乘積，最終的閾值可以表示為：

τｃ ＝ αｃ × Ａ， （５）

式中：τｃ 為特征ｘ 第ｃ 個通道的閾值。

通過上述方法，保證了閾值的正值性及合理性，并且能夠根據(jù)不同的ＳＮＲ 環(huán)境和調(diào)制信號方式設(shè)置獨立的閾值。因此，可以將其理解為一種特定的注意力機制：噪聲特征與當(dāng)前信號無關(guān)時，可以通過軟閾值化將其直接置零，從而減少對有用信號的干擾；而對于與當(dāng)前信號有關(guān)的特征，則保留并被用于后續(xù)通信信號調(diào)制方式的識別。

２． １． ４ ＲｅＬＵ 激活函數(shù)

激活函數(shù)的主要作用是給神經(jīng)網(wǎng)絡(luò)提供非線性建模能力，還可以有效地防止梯度消失［１７］。在深度殘差收縮網(wǎng)絡(luò)中選擇ＲｅＬＵ 激活函數(shù)的主要原因是該網(wǎng)絡(luò)層數(shù)較多，否則較難提取低ＳＮＲ 環(huán)境下的有效信息特征，且多層疊加后根據(jù)積分鏈式法，激活函數(shù)的導(dǎo)數(shù)將呈指數(shù)級縮小，引起梯度消失。所以在網(wǎng)絡(luò)層數(shù)較多時不宜選擇導(dǎo)數(shù)小于１ 的激活函數(shù)，導(dǎo)數(shù)處于［０，１ ／ ４］的ｓｉｇｍｏｉｄ 函數(shù)就不適用，同時也不能選擇導(dǎo)數(shù)大于１ 的激活函數(shù)，否則會導(dǎo)致梯度爆炸，而ＲｅＬＵ 函數(shù)的導(dǎo)數(shù)為１，正好滿足本文深度殘差收縮網(wǎng)絡(luò)的要求。

ＲｅＬＵ 激活函數(shù)如下所示：

ｆ（ｘ） ＝ ｍａｘ（０，ｘ）。（６）

ｆ（ｘ）的導(dǎo)數(shù)表達式為：

式中：ｘ 為ＲｅＬＵ 激活函數(shù)的輸入。

堆疊一定數(shù)量的基本殘差收縮模塊以及卷積層、批標(biāo)準化、激活函數(shù)、ＧＡＰ 以及全連接輸出層等，構(gòu)成完整的深度殘差收縮網(wǎng)絡(luò)。

２． ２ 對比網(wǎng)絡(luò)模型

在通信調(diào)制信號的識別研究中，ＣＮＮ 能夠從多時點提取特征來降低樣本中的無效數(shù)據(jù)，因此在大多數(shù)先進的深度神經(jīng)網(wǎng)絡(luò)中通常都會包含卷積層［１０］，而ＲｅｓＮｅｔ 作為一種改進版本的ＣＮＮ，得益于獨特的殘差結(jié)構(gòu)，使其能夠有效地獲取信號中的特征信息，表現(xiàn)出較好的學(xué)習(xí)性能。長短時記憶網(wǎng)絡(luò)（Ｌｏｎｇ Ｓｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）作為一種改進的循環(huán)神經(jīng)網(wǎng)絡(luò)（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＲＮＮ），主要擅長處理與時間相關(guān)的數(shù)據(jù)，對時域信號有較好的識別性能，因此ＬＳＴＭ 也常被用于調(diào)制信號的識別［１８］。由于純ＣＮＮ 或ＲＮＮ 模型僅關(guān)注通信調(diào)制信號的空間特征或時間特征，因此僅使用其中一種類型可能無法實現(xiàn)最佳性能。在近年來以ＣＬＤＮＮ為代表的混合網(wǎng)絡(luò)，由于其在通信調(diào)制信號中展現(xiàn)的優(yōu)良性能，逐漸成為近年來研究的熱點［１８］。因此本文分別選擇ＲｅｓＮｅｔ［１９］、ＣＬＤＮＮ［１９］和ＣＧＤＮＮ［２０］作為對比模型進行實驗。

對應(yīng)的３ 個模型結(jié)構(gòu)分別如圖５ ～ 圖７ 所示。

３ 實驗設(shè)置與分析

３． １ 實驗設(shè)置

在本文實驗中，網(wǎng)絡(luò)模型的優(yōu)化器選擇Ａｄａｍ算法，初始學(xué)習(xí)率設(shè)置為０． ００１，批量大小設(shè)置為４００。在網(wǎng)絡(luò)訓(xùn)練過程中若損失在經(jīng)過５ 個ｅｐｏｃｈ未減少，則學(xué)習(xí)率減半。實驗設(shè)置有早停機制，若驗證損失在２０ 個ｅｐｏｃｈ 中均未減小，則提前停止訓(xùn)練。實驗使用ＧＴＸ２０８０Ｔｉ（１２ ＧＢ）ＧＰＵ 和Ｋｅｒａｓ 實現(xiàn)，以Ｔｅｎｓｏｒｆｌｏｗ 作為后端。ＨｉｓａｒＭｏｄ． １ 數(shù)據(jù)集所包括的所有調(diào)制類型如表１ 所示。

本實驗中的ＤＲＳＮ 模型訓(xùn)練參數(shù)設(shè)置如表２ 所示。ＨｉｓａｒＭｏｄ２０１９． １ 數(shù)據(jù)集的輸入數(shù)據(jù)維度為（２，１ ０２４），ＲＭＬ２０１６． １０ａ 數(shù)據(jù)集的輸入數(shù)據(jù)維度為（２，１２８），除了模型的輸入尺寸和輸出維度需要調(diào)整以適應(yīng)該數(shù)據(jù)集，其余中間參數(shù)均保持一致。

其中ＨｉｓａｒＭｏｄ２０１９． １ 數(shù)據(jù)集按８ ∶ ２ ∶ ５ 的比例劃分為訓(xùn)練集、驗證集和測試集，ＲＭＬ２０１６． １０ａ數(shù)據(jù)集則按照６ ∶ ２ ∶ ２ 的比例進行劃分。

３． ２ 實驗結(jié)果分析

本文所提出的ＤＳＲＮ 網(wǎng)絡(luò)模型與另外３ 種對比模型分別在ＲＭＬ２０１６． １０ａ 和ＨｉｓａｒＭｏｄ２０１９． １ 數(shù)據(jù)集中進行了訓(xùn)練，訓(xùn)練結(jié)果的驗證整體識別準確率分別如圖８ 和圖９ 所示。

ＲＭＬ２０１６． １０ａ 作為廣泛用于調(diào)制識別研究的開源數(shù)據(jù)集，其信道條件相較于ＨｉｓａｒＭｏｄ２０１９． １ 更為復(fù)雜，能夠很好地驗證所提模型的魯棒性。在圖８ 中ＤＲＳＮ 的準確率識別曲線加粗標(biāo)記，從圖中可以觀察得到在５ ｄＢ 左右時，４ 種模型的識別準確率平穩(wěn)在８２％ 左右；在－５ ｄＢ 以下時，調(diào)制識別準確率不足５０％ ，且隨著ＳＮＲ 的降低，識別率急劇下降；在該數(shù)據(jù)集中ＤＲＳＮ 模型的識別準確率在低ＳＮＲ和高ＳＮＲ 部分略微優(yōu)于其他３ 個模型，表明ＤＲＳＮ模型在處理復(fù)雜信道條件下的調(diào)制識別任務(wù)時具有較好的魯棒性。

在ＨｉｓａｒＭｏｄ２０１９． １ 數(shù)據(jù)集實驗中，ＤＲＳＮ 模型在對通信信號的調(diào)制方式識別的整體準確率達到了７６． ９７％ 。該模型在－８ ｄＢ 時識別率達到了６０． ７０％ ，同時可以看到隨著ＳＮＲ 增大，識別率也大幅提高，在４ ｄＢ 以上識別準確率就達到了９０％ 以上，并在１０ ｄＢ 以上時穩(wěn)定在９８％ 以上的準確率?？紤]到無線通信信號的性質(zhì)，ＤＳＲＮ 模型在預(yù)期的ＳＮＲ 條件下取得了良好的表現(xiàn)。

作為對比實驗，其余３ 個網(wǎng)絡(luò)模型表現(xiàn)明顯低于ＤＲＳＮ 模型，例如，ＤＲＳＮ 模型在０ ｄＢ 時超過了８０％ 的準確率，然而ＲｅｓＮｅｔ 和ＣＧＤＮＮ 模型均在４ ｄＢ 時達到同樣的識別準確率；ＲｅｓＮｅｔ 和ＣＧＤＮＮ模型達到９０％ 的識別準確率分別在６ ｄＢ 和１０ ｄＢ，但ＤＲＳＮ 模型在４ ｄＢ 時就已經(jīng)超過了該準確率。而作為對比的另一組ＣＬＤＮＮ 網(wǎng)絡(luò)模型則在該數(shù)據(jù)集的識別性能上表現(xiàn)不佳，最高的識別率僅有６３． ６％ ，造成識別性能較差的主要原因是模型過于復(fù)雜，在相對理想的信道環(huán)境中陷入了局部最優(yōu)從而導(dǎo)致識別性能的退化。同時作為對比的ＲｅｓＮｅｔ和ＣＧＤＮＮ 模型的最大準確識別率分別為９５． ５％ 和９３． ９％ ，而ＤＲＳＮ 模型的最高識別準確率為９９． ５％ ?？梢钥闯觯模樱遥?模型在ＨｅａｒＭｏｄ２０１９． １ 數(shù)據(jù)集中比對照的ＲｅｓＮｅｔ、ＣＬＤＮＮ 和ＣＧＤＮＮ 模型擁有更好的識別性能。

圖１０ 展示了ＤＲＳＮ 模型在訓(xùn)練過程中的識別率與損失變化。隨著訓(xùn)練輪數(shù)增加，模型的訓(xùn)練準確率明顯上升，反映出其在數(shù)據(jù)集上的優(yōu)良學(xué)習(xí)效果。與此同時，驗證準確率也呈上升態(tài)勢，標(biāo)志著模型的強大泛化性能。然而，在訓(xùn)練后期，準確率的增長放緩，預(yù)示著模型可能已接近其性能上限。損失值的持續(xù)下降進一步肯定了模型的有效學(xué)習(xí)和優(yōu)化表現(xiàn)。

圖１１ 為４ 種模型在４ ｄＢ 時的混淆矩陣。通過觀察混淆矩陣圖可知，這些模型對高階的ＰＳＫ 和ＱＡＭ 信號都存在一定的混淆，且都難以識別ＱＡＭ信號，主要原因是由于在低ＳＮＲ 環(huán)境下ＰＳＫ 信號和ＱＡＭ 信號星座圖相似，同時又受到噪聲干擾而導(dǎo)致難以正確識別出信號的調(diào)制方式。

４ 結(jié)束語

本文提出了一種基于ＤＲＳＮ 的通信信號調(diào)制方式識別方法，該方法能夠在低ＳＮＲ 條件下，自動提取信號特征并有效地識別出正確的信號調(diào)制方式，得益于模型的軟閾值化和注意力機制，使得模型能夠根據(jù)不同信號在不同噪聲環(huán)境下，自適應(yīng)設(shè)置降噪閾值，有效解決了低ＳＮＲ 環(huán)境下信號調(diào)制方式識別困難的問題。通過使用ＲＭＬ２０１６． １０ａ 和Ｈｉｓａｒ２０１９． １數(shù)據(jù)集，模擬實際環(huán)境中信號調(diào)制方式種類繁多，以及信道環(huán)境多樣等情景，保證了該方法的魯棒性。與經(jīng)典的ＲｅｓＮｅｔ 網(wǎng)絡(luò)模型、最新的ＣＬＤＮＮ 和ＣＧＤＮＮ 網(wǎng)絡(luò)模型進行比較可知，本文提出的ＤＲＳＮ模型在低ＳＮＲ 和多信道條件下，取得了較好的通信信號調(diào)制方式識別表現(xiàn)。將該方法應(yīng)用于現(xiàn)代軍事的電子戰(zhàn)中，能夠有效識別敵方發(fā)送的干擾信息和關(guān)鍵軍事信息，對軍方作戰(zhàn)任務(wù)、制定對應(yīng)的軍事策略具有積極意義。

參考文獻

［１］ 郭恩澤，張洪德，楊雷，等． 基于改進殘差網(wǎng)絡(luò)的雷達輻射源信號識別［Ｊ］． 無線電工程，２０２２，５２ （１２ ）：２１７８－２１８５．

［２］ 吳美霖，高瑜翔，涂雅培，等． 基于特征融合和ＭＡＣＬＮＮ 的通信信號自動調(diào)制識別［Ｊ］． 無線電工程，２０２２，５２（１１）：１９７０－１９７６．

［３］ ＺＨＡＮＧ Ｆ Ｘ，ＬＵＯ Ｃ Ｂ，ＸＵ Ｊ Ｌ，ｅｔ ａｌ． Ｄｅｅｐ Ｌｅａｒｎｉｎｇ ＢａｓｅｄＡｕｔｏｍａｔｉｃ Ｍｏｄｕｌａｔｉｏｎ Ｒｅｃｏｇｎｉｔｉｏｎ：Ｍｏｄｅｌｓ，Ｄａｔａｓｅｔｓ，ａｎｄＣｈａｌｌｅｎｇｅｓ［Ｊ］． Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，２０２２，１２９：１０３６５０．

［４］ ＱＵ Ｚ Ｙ，ＭＡＯ Ｘ Ｊ，ＤＥＮＧ Ｚ Ａ． Ｒａｄａｒ Ｓｉｇｎａｌ ＩｎｔｒａｐｕｌｓｅＭｏｄｕｌａｔｉｏｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｃｏｎｖｏｌｕｔｉｏｎａｌ ＮｅｕｒａｌＮｅｔｗｏｒｋ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０１８，６：４３８７４－４３８８４．

［５］ ＤＯＷＮＥＹ Ｊ，ＨＩＬＢＵＲＮ Ｂ，Ｏ’ＳＨＥＡ Ｔ，ｅｔ ａｌ． ＭａｃｈｉｎｅＬｅａｒｎｉｎｇ Ｒｅｍａｋｅｓ Ｒａｄｉｏ ［Ｊ］． ＩＥＥＥ Ｓｐｅｃｔｒｕｍ，２０２０，５７（５）：３５－３９．

［６］ ＤＡＬＤＡＬ Ｎ，Ｃ？ＭＥＲＴ Ｚ，ＰＯＬＡＴ Ｋ． Ａｕｔｏｍａｔｉｃ Ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ Ｄｉｇｉｔａｌ Ｍｏｄｕｌａｔｉｏｎ Ｔｙｐｅｓ ｗｉｔｈ Ｄｉｆｆｅｒｅｎｔ ＮｏｉｓｅｓＵｓｉｎｇ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｂａｓｅｄ ｏｎ Ｔｉｍｅｆｒｅｑｕｅｎｃｙ Ｉｎｆｏｒｍａｔｉｏｎ ［Ｊ］． Ａｐｐｌｉｅｄ Ｓｏｆｔ Ｃｏｍｐｕｔｉｎｇ，２０２０，８６：１０５８３４．

［７］ ＺＨＯＵ Ｈ Ｊ，ＪＩＡＯ Ｌ Ｃ，ＺＨＥＮＧ Ｓ Ｌ，ｅｔ ａｌ． Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｂａｓｅｄ Ｅｌｅｃｔｒｏｍａｇｎｅｔｉｃ Ｓｉｇｎａｌ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ：Ａ Ｓｅｍｉｓｕｐｅｒｖｉｓｅｄ Ｌｅａｒｎｉｎｇ Ｆｒａｍｅｗｏｒｋ ［Ｊ］． ＣｈｉｎａＣｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２０，１７（１０）：１５７－１６９．

［８］ ＬＥＩ Ｚ Ｈ，ＪＩＡＮＧ Ｍ Ｘ，ＹＡＮＧ Ｇ Ｓ，ｅｔ ａｌ． Ｔｏｗａｒｄｓ ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌ Ｎｅｔｗｏｒｋ ｗｉｔｈ Ｍｕｌｔｉｐａｔｈ Ｆｅａｔｕｒｅ Ｆｕｓｉｏｎ ｆｏｒ ＳｉｇｎａｌＭｏｄｕｌａｔｉｏｎ Ｒｅｃｏｇｎｉｔｉｏｎ ［Ｊ］． Ｗｉｒｅｌｅｓｓ Ｎｅｔｗｏｒｋｓ，２０２２，２８（２）：５５１－５６５．

［９］ ＴＩＡＮ Ｆ，ＷＡＮＧ Ｌ，ＸＩＡ Ｍ． Ｓｉｇｎａｌｓ Ｒｅｃｏｇｎｉｔｉｏｎ ｂｙ ＣＮＮＢａｓｅｄ ｏｎ Ａｔｔｅｎｔｉｏｎ Ｍｅｃｈａｎｉｓｍ［Ｊ］． Ｅｌｅｃｔｒｏｎｉｃｓ，２０２２，１１（１３）：２１００．

［１０］ ＺＯＵ Ｂ Ｈ，ＺＥＮＧ Ｘ Ｄ，ＷＡＮＧ Ｆ Ｑ． Ｒｅｓｅａｒｃｈ ｏｎ Ｍｏｄｕｌａｔｉｏｎ Ｓｉｇｎａｌ Ｒｅｃｏｇｎｉｔｉｏｎ Ｂａｓｅｄ ｏｎ ＣＬＤＮＮ Ｎｅｔｗｏｒｋ ［Ｊ］．Ｅｌｅｃｔｒｏｎｉｃｓ，２０２２，１１（９）：１３７９．

［１１］ Ｏ’ＳＨＥＡ Ｔ Ｊ，ＷＥＳＴ Ｎ． Ｒａｄｉｏ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ＤａｔａｓｅｔＧｅｎｅｒａｔｉｏｎ ｗｉｔｈ ＧＮＵ Ｒａｄｉｏ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ６ｔｈＧＮＵ Ｒａｄｉｏ Ｃｏｎｆｅｒｅｎｃｅ． Ｂｏｕｌｄｅｒ：［ｓ． ｎ． ］，２０１６：１－６．

［１２］ ＴＥＫＢＩＹＩＫ Ｋ，ＥＫＴＩ Ａ Ｒ，Ｇ？ＲＩＮ Ａ，ｅｔ ａｌ． Ｒｏｂｕｓｔ ａｎｄＦａｓｔ Ａｕｔｏｍａｔｉｃ Ｍｏｄｕｌａｔｉｏｎ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ ＣＮＮ ＵｎｄｅｒＭｕｌｔｉｐａｔｈ Ｆａｄｉｎｇ Ｃｈａｎｎｅｌｓ ［Ｃ ］∥ ２０２０ ＩＥＥＥ ９１ｓｔＶｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｎｆｅｒｅｎｃｅ （ＶＴＣ２０２０Ｓｐｒｉｎｇ ）．Ａｎｔｗｅｒｐ：ＩＥＥＥ，２０２０：１－６．

［１３］ ＺＨＡＯ Ｍ Ｈ，ＺＨＯＮＧ Ｓ Ｓ，ＦＵ Ｘ Ｙ，ｅｔ ａｌ． Ｄｅｅｐ ＲｅｓｉｄｕａｌＳｈｒｉｎｋａｇｅ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｆａｕｌｔ Ｄｉａｇｎｏｓｉｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｄｕｓｔｒｉａｌ Ｉｎｆｏｒｍａｔｉｃｓ，２０２０，１６（７）：４６８１－４６９０．

［１４］ 高思麗，應(yīng)文威，郭貴虎，等． 基于ＲｅｓＮｅｔ＿ＮＳＣＳ 的通信信號調(diào)制識別［Ｊ］． 電訊技術(shù)，２０２０，６０（５）：５６０－５６６．

［１５］ ＺＨＡＯ Ｍ Ｈ，ＫＡＮＧ Ｍ，ＴＡＮＧ Ｂ Ｐ，ｅｔ ａｌ． Ｄｅｅｐ ＲｅｓｉｄｕａｌＮｅｔｗｏｒｋｓ ｗｉｔｈ Ｄｙｎａｍｉｃａｌｌｙ Ｗｅｉｇｈｔｅｄ Ｗａｖｅｌｅｔ Ｃｏｅｆｆｉｃｉｅｎｔｓｆｏｒ Ｆａｕｌｔ Ｄｉａｇｎｏｓｉｓ ｏｆ Ｐｌａｎｅｔａｒｙ Ｇｅａｒｂｏｘｅｓ ［Ｊ ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｄｕｓｔｒｉａｌ Ｅｌｅｃｔｒｏｎｉｃｓ，２０１８，６５ （５ ）：４２９０－４３００．

［１６］ 李天宇，侯進，李昀？，等． 基于ＭＤＳＣＬＤＮＮＨＡＮ 的調(diào)制識別算法［Ｊ］． 無線電工程，２０２２，５２（９）：１５２５－１５３２．

［１７］ 謝旭陽，余刃，王天舒，等． 基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的電動泵故障診斷方法研究［Ｊ］． 兵器裝備工程學(xué)報，２０２１，４２（７）：２３９－２４５．

［１８］ 黃杰，張順生，陳爽． 基于深度學(xué)習(xí)網(wǎng)絡(luò)融合的自動調(diào)制分類方法［Ｊ］． 信號處理，２０２３，３９（１）：４２－５０．

［１９］ ＬＩＵ Ｘ Ｙ，ＹＡＮＧ Ｄ Ｙ，ＥＩ Ｇ Ａ． Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ａｒｃｈｉｔｅｃｔｕｒｅｓ ｆｏｒ Ｍｏｄｕｌａｔｉｏｎ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｃ］∥２０１７ ５１ｓｔＡｓｉｌｏｍａｒ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｓｉｇｎａｌｓ，Ｓｙｓｔｅｍｓ，ａｎｄ Ｃｏｍｐｕｔｅｒｓ．Ｐａｃｉｆｉｃ Ｇｒｏｖｅ：ＩＥＥＥ，２０１７：９１５－９１９．

［２０］ ＮＪＯＫＵ Ｊ Ｎ，ＭＯＲＯＣＨＯＣＡＹＡＭＣＥＬＡ Ｍ Ｅ，ＬＩＭ Ｗ．ＣＧＤＮｅｔ：Ｅｆｆｉｃｉｅｎｔ Ｈｙｂｒｉｄ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ｍｏｄｅｌ ｆｏｒＲｏｂｕｓｔ Ａｕｔｏｍａｔｉｃ Ｍｏｄｕｌａｔｉｏｎ Ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｎｅｔｗｏｒｋｉｎｇ Ｌｅｔｔｅｒｓ，２０２１，３（２）：４７－５１．

作者簡介

竹杭杰 男，（１９９８—），碩士研究生。主要研究方向：基于深度學(xué)習(xí)的通信信號調(diào)制方式的識別。

郭建新 男，（１９７４—），博士后，教授。主要研究方向：認知無線電、通信信號處理。

張雨帥 男，（１９９７—），博士研究生。主要研究方向：機器學(xué)習(xí)、運籌學(xué)。

朱 銳 男，（１９７９—），博士，副教授。主要研究方向：綠色通信、深度學(xué)習(xí)。

黃 磊 男，（１９９８—），碩士研究生。主要研究方向：機器視覺、深度學(xué)習(xí)。

丁自立 男，（１９９９—），碩士研究生。主要研究方向：圖像檢測識別、深度學(xué)習(xí)。

基金項目：陜西省重點研發(fā)計劃（２０２１ＧＹ－３４１）