一種改進(jìn)的認(rèn)知無線電調(diào)制識別方法研究*

胡宗愷，熊 剛

（中國電子科技集團(tuán)第三十研究所，四川 成都 610041）

0 引 言

近年來，隨著無線通信系統(tǒng)的迅猛發(fā)展，人們對頻譜資源和可用業(yè)務(wù)的需求不斷增長。為了實(shí)現(xiàn)高效共享頻譜并提高通信系統(tǒng)靈活性，認(rèn)知無線電技術(shù)（Cognitive Radio，CR）越來越受到民用和軍事領(lǐng)域的推廣和重視，如寬帶蜂窩通信、認(rèn)知電臺系統(tǒng)、智能電網(wǎng)和超寬帶無線系統(tǒng)等[1]。美軍DARPA的XG計(jì)劃與SAPIENT計(jì)劃明確提出了促進(jìn)認(rèn)知無線電在軍用網(wǎng)絡(luò)中的應(yīng)用，并已經(jīng)逐步實(shí)施。調(diào)制識別是認(rèn)知無線電系統(tǒng)的一個重要組成部分，對于電磁環(huán)境感知、決策具有關(guān)鍵作用。根據(jù)信號調(diào)制類型，利用一些識別方法可判斷區(qū)分出主用戶信號與干擾信號，從而改善認(rèn)知無線電系統(tǒng)的感知能力，利于后續(xù)的接收和解調(diào)。因此，調(diào)制識別方法有助于認(rèn)知無線電系統(tǒng)成功實(shí)現(xiàn)智能通信交互。典型的調(diào)制識別思路包括兩大類別：基于最大似然估計(jì)即假設(shè)檢驗(yàn)的思路和基于統(tǒng)計(jì)特征的思路。后者受估計(jì)精度的影響相對較小。基于統(tǒng)計(jì)特征的調(diào)制識別思路一般分為信號特征提取和分類器判決兩個步驟，其中分類器的設(shè)計(jì)非常重要。目前，循環(huán)譜分析、小波變換等手段已被研究人員用于一些調(diào)制識別方案，但由于受載頻和符號速率估計(jì)精度的影響較大，且能夠區(qū)分的信號種類有限，而對8PSK、16QAM和64QAM等較復(fù)雜調(diào)制樣式的識別性能不理想，在低信噪比情況下無法進(jìn)行準(zhǔn)確判別。另一方面，對于識別分類器，有的學(xué)者研究了神經(jīng)網(wǎng)絡(luò)分類技術(shù)進(jìn)行調(diào)制種類區(qū)分的方法[2-3]，如文獻(xiàn)[2]采用了一種基于人工神經(jīng)網(wǎng)絡(luò)分類器結(jié)合循環(huán)譜分析的思路，可實(shí)現(xiàn)對一部分信號的調(diào)制識別分類，但是其多層分類結(jié)構(gòu)計(jì)算量大，對閾值的設(shè)置也相對較為困難。

針對上述問題，本文提出了一種認(rèn)知無線電調(diào)制識別新方法，計(jì)算選取優(yōu)化的高階累積量特征進(jìn)行分析，具有較好的穩(wěn)健性和抗噪性；在調(diào)制樣式分類方面，該方法基于新型的堆疊稀疏自編碼機(jī)思想（Stacked Sparse Auto-Encoder，SADE）進(jìn)行分類判別，同時實(shí)現(xiàn)了分類器結(jié)構(gòu)的改進(jìn)，達(dá)到了降維的目的，進(jìn)一步減少了運(yùn)算復(fù)雜度，對認(rèn)知無線電信號調(diào)制類型的識別性能良好?；诟倪M(jìn)的SADE方法還能構(gòu)建高質(zhì)量的網(wǎng)絡(luò)訓(xùn)練樣本，提高了判識的精度，在低信噪比情況下可正確識別多種典型認(rèn)知無線電信號調(diào)制樣式，如BPSK、QPSK、8PSK、16QAM和64QAM等。

1 高階累積量特征分析

在認(rèn)知無線電通信中，常用的信號類型為數(shù)字調(diào)制方式，且調(diào)制識別是建立物理層鏈接的基礎(chǔ)[4]，系統(tǒng)可根據(jù)發(fā)送方的調(diào)制樣式等參數(shù)，判斷鏈路建立信號并適當(dāng)調(diào)整后傳給接收方，然后按照回執(zhí)協(xié)議反饋。

在經(jīng)過下變頻、濾波等預(yù)處理后，可以得到基帶信號。它的采樣包絡(luò)為復(fù)數(shù)形式，即：

其中， ()s l表示信號的符號序列，A表示包絡(luò)幅度，h(·)代表變頻后剩余信道響應(yīng)，T代表符號間隔，T∈代表定時誤差，0f表示信號頻偏，nθ表示相位偏差， ()g n表示加性高斯白噪聲。實(shí)際工程中，可認(rèn)為 ()x k計(jì)算求取矩的階數(shù)有限，最大一般為8階，且 ()g n為復(fù)數(shù)高斯隨機(jī)過程。

高階累積量作為信號處理的有效手段，能夠在低信噪比條件下實(shí)現(xiàn)對各種調(diào)制特征的準(zhǔn)確提取和分析，性能穩(wěn)定。由于認(rèn)知無線電系統(tǒng)授權(quán)用戶信號具有非線性特征，采取高階累積量的處理思路比較適合，且高階累積量不僅可以降低高斯白噪聲影響，而且能用于抑制非高斯噪聲[5]。信號 ()x k的n階累積量可表示為：

其中，階數(shù)n也即式（2）中x(k)及其共軛x*( k ) 的總和數(shù)，r代表 x*( k ) 的數(shù)量， c um[?]表示累積量計(jì)算符號，且用I表示集合[x( k),x( k ) ,… ,x( k),x*( k),x*( k ) ,… ,x*( k )]， 則n階累積量計(jì)算表達(dá)式為：

其中，表示I的子集，Ip= I 表示對I的各子集進(jìn)行求和運(yùn)算，且有 q ={1,2,… ,n}，p = { 1,2,… ,q }。 I p應(yīng)滿足UpIp=I。

采用高階累積量提取思路，可以構(gòu)造更合理的調(diào)制特征分類空間。經(jīng)過計(jì)算，可得到認(rèn)知無線電中典型數(shù)字調(diào)制信號類型的歸一化高階累積量，分別用 C20、 C21、 C40、 C41、 C42、 C60、C61、C62、 C63和 C80表示。表1給出了M-PSK調(diào)制和M-QAM調(diào)制信號的高階累積量理論值。

表1 M-PSK與M-QAM高階累積量理論值列表

2 分類器算法分析及改進(jìn)

堆疊稀疏自編碼分類器是一種高效的深度學(xué)習(xí)模型，具有多層結(jié)構(gòu)，每層的行為（輸出）將被向前傳送至下一層，如圖1所示。其中，輸入層代表輸入的數(shù)組，此處輸入單元的數(shù)量與輸入特征數(shù)量相同。利用傳統(tǒng)的自編碼器，對于單隱含層的學(xué)習(xí)網(wǎng)絡(luò)，可以通過計(jì)算最小代價(jià)函數(shù)獲得較適合的參數(shù)，但對多層網(wǎng)絡(luò)的情況失效[6]。因此，本文引入堆疊稀疏編碼算法和降噪準(zhǔn)則，用于包含多層的隱含層網(wǎng)絡(luò)結(jié)構(gòu)，即使其值在訓(xùn)練集中無法觀測，仍能從加噪聲的數(shù)據(jù)中重構(gòu)真實(shí)樣本，并通過貪婪型分層訓(xùn)練（Greedy Layer-wise Training）得到參數(shù)。

在分類訓(xùn)練過程中，自編碼分類器根據(jù)學(xué)習(xí)函數(shù)將輸入x轉(zhuǎn)化為輸出?，并通過代價(jià)函數(shù)對失真進(jìn)行估計(jì)，計(jì)算出各節(jié)點(diǎn)的優(yōu)化激活。首先假設(shè)一個未標(biāo)注的訓(xùn)練樣本為 { x1,… ,xm}，定義其網(wǎng)絡(luò)輸出和代價(jià)函數(shù)分別為 hW,b(x)和 J ( W, b; x)，則該樣本的代價(jià)函數(shù)計(jì)算如下：

其中W和b分別代表權(quán)系數(shù)和偏置系數(shù)。對于含有m個樣本點(diǎn)的訓(xùn)練集，總代價(jià)函數(shù)的平均誤差項(xiàng)可定義為：

此處m表示樣本數(shù)， x(i)表示輸入向量。為了防止過擬合和壓縮權(quán)幅值，可采用對權(quán)系數(shù)項(xiàng)進(jìn)行衰減的方法，由此可將式（5）轉(zhuǎn)化為：

其中λ代表權(quán)重衰減參數(shù)，用以控制調(diào)節(jié)兩個分量之間的相對權(quán)值，ln表示層數(shù)。

稀疏自編碼器算法有一個多余約束，即當(dāng)Sigmoid函數(shù)被應(yīng)用其中時，大部分隱含層單元都為零值。為了將懲罰因子添加到代價(jià)函數(shù)中，首先需要引入稀疏參數(shù)ρ，通常取原點(diǎn)0附近的較小值，然后可得出隱含單元 j的平均活躍度，如式（7）：

其中l(wèi)表示分層數(shù)，則加入代價(jià)函數(shù)后的懲罰因子項(xiàng)可以表示為：

然后，引入Kullback-Leibler函數(shù)進(jìn)行計(jì)算，j這是一種度量兩種分布之間差異的函數(shù)。加入稀疏性懲罰因子后，新代價(jià)函數(shù)可以表示為：

其中， s2表示隱含單元數(shù)量。為了對各層的激活進(jìn)行優(yōu)化， J ( W, b)應(yīng)作為W和b的函數(shù)被最小化。雖然 J ( W, b)為非凸函數(shù)，在實(shí)際中梯度下降的算法思路仍可適用，定義作為激活與真實(shí)值之間的差，則為：

其中， f( z) = 1 /(1+ e xp(- z ))是sigmoid函數(shù)，)可以由式（11）給出：

圖1給出了本文中的堆疊稀疏自編碼分類器的隱含層訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)。

圖1 堆疊稀疏自編碼分類器隱含層網(wǎng)絡(luò)結(jié)構(gòu)

接下來，使用與單樣本(,)x y集合相對應(yīng)的偏導(dǎo)數(shù)方程進(jìn)行計(jì)算：

則總代價(jià)函數(shù) (,)J W b為：

其中式（15）與式（14）不同，因?yàn)閷τ赽而言沒有權(quán)重衰減。然后，分類器訓(xùn)練網(wǎng)絡(luò)中的反向傳播可1通過j參數(shù)更新來實(shí)現(xiàn)，如：

其中，α表示學(xué)習(xí)訓(xùn)練速度。

下面設(shè) ΔW(l)、 ? b(l)分別是與 W(l)和向量 b(l)相同維數(shù)的矩陣，則分類器步驟可以表示如下：

輸入——截獲的認(rèn)知無線電信號樣本；

輸出——識別分類結(jié)果（調(diào)制樣式）

處理步驟：

（1）設(shè)對于各分類器層都滿足 ? W(l)= 0 和? b(l)= 0 ；

（2）For i = 1:m

根據(jù)式（6）、式（10）求取偏導(dǎo)數(shù)，并計(jì)算：

3 仿真結(jié)果及性能分析

為了驗(yàn)證本文方法的有效性，采用MATLAB軟件開展了以下仿真實(shí)驗(yàn)。仿真參數(shù)：認(rèn)知無線電信號采樣率為200 MHz，載波頻率為20 MHz，碼速率為3 Mb/s，信號采樣點(diǎn)數(shù)為8 192，蒙特卡洛仿真次數(shù)為1 000次，噪聲為加性高斯白噪聲。

仿真實(shí)驗(yàn)1：設(shè)待分類識別的認(rèn)知無線電信號調(diào)制類型為16QAM和64QAM，進(jìn)行2種調(diào)制分類有效性的仿真驗(yàn)證，結(jié)果如圖2所示。圖2中不同形狀的線條代表相應(yīng)的信號調(diào)制類型，其中橫軸表示信噪比，單位為dB，縱軸表示不同調(diào)制類型的正確分類識別率性能。

圖2 本文方法的不同調(diào)制類型正確識別率曲線

仿真實(shí)驗(yàn)2：分別基于譜相關(guān)的識別方法、傳統(tǒng)的基于累積量的方法和本文的改進(jìn)方法進(jìn)行性能比較分析，結(jié)果如圖3所示。其中，橫軸表示信噪比，縱軸表示正確識別率，仿真參數(shù)條件如前所述。圖3中不同形狀的線條代表相應(yīng)的調(diào)制識別方法。

圖3 各種方法的正確識別率對比曲線

從圖2和圖3中可以看出，本文中改進(jìn)方法是一種有效的認(rèn)知無線電信號識別方法，在信噪比為6 dB以上時正確識別率在95%以上，且能夠有效識別高階QAM調(diào)制。可見，新方法性能更優(yōu)，且由于采用新的分類器思路，減小了運(yùn)算量，比傳統(tǒng)方法具有更好的抗噪性能和穩(wěn)健型，適用于低信噪比環(huán)境中對認(rèn)知無線電信號的處理。

4 結(jié) 語

隨著通信技術(shù)的不斷進(jìn)步，認(rèn)知無線電系統(tǒng)的應(yīng)用日益廣泛。在認(rèn)知無線電中，信號的調(diào)制樣式越來越豐富多樣，電磁環(huán)境也更復(fù)雜，因此對認(rèn)知無線電調(diào)制識別技術(shù)研究提出了更高需求。本文提出了一種基于高階累積量和稀疏自編碼分類器的改進(jìn)方法。仿真實(shí)驗(yàn)表明，和一些傳統(tǒng)方法相比，改進(jìn)新方法可提高識別性能。今后還將進(jìn)一步探索，為解決低信噪比環(huán)境中認(rèn)知無線電調(diào)制識別問題提供一種更有效手段，并且對網(wǎng)電對抗領(lǐng)域的研究發(fā)揮重要作用。

參考文獻(xiàn)：

[1] 白敏丹.基于認(rèn)知無線電的無線通信研究現(xiàn)狀[J].通信技術(shù) ,2010,43(05)：45-49.BAI Min-dan.Situation of Wireless Communication research on Cognitive Radio[J].Communications Technology,2010,43(05)：45-49.

[2] Fehske A,Gaeddert J,Reed J H.A New Approach to Signal Classification Using Spectral Correlation and Neural Net-works[C].IEEE International Symposium on New Frontiers in Dynamic Spectrum Access Networks,2005：144-150.

[3] Ramkumar B.Automatic Modulation Classification and Blind Equalization for Cognitive Radios[D].Virginia：Virginia Polytechnic Institute and State University,2011.

[4] Hong S,Like E,Tekin C.Multi-user Signal Classification via spectral Correlation[J].Consumer Communications and Networking Conference(CCNC),2010,7(01)：1-5.

[5] Ramkumar B,Bose T,Radenkovic M.Robust Multiuser Automatic Modulation Classifier for Multipath Fading Channels[J].New Frontiers in Dynamic Spectrum,2010 IEEE Symposium,2010,5(09)：1-10.

[6] Forero P,Canos A.Distributed Feature-based Modulation Classification Using Wireless Sensor Networks[C].Military Communications Conference,2008：1-7.