基于CNN的PCMA信號(hào)調(diào)制識(shí)別方法

李林俊，戴旭初

基于CNN的PCMA信號(hào)調(diào)制識(shí)別方法

李林俊，戴旭初

（中國科學(xué)技術(shù)大學(xué)電子工程與信息科學(xué)系 合肥 230027）

已有的針對(duì)成對(duì)載波多址（PCMA）信號(hào)調(diào)制識(shí)別的方法，其主要思想是利用高階統(tǒng)計(jì)量構(gòu)造識(shí)別特征量對(duì)調(diào)制類型進(jìn)行識(shí)別。由于高階統(tǒng)計(jì)量的估計(jì)需要較多的符號(hào)數(shù)才能達(dá)到較高的精度，故在符號(hào)數(shù)較少的情況下，這些方法的性能較差。基于深度學(xué)習(xí)的思想和卷積神經(jīng)網(wǎng)絡(luò)（CNN）的特點(diǎn)，提出一種新的PCMA信號(hào)調(diào)制類型識(shí)別方法，僅需要較少的符號(hào)數(shù)就能夠有效識(shí)別PCMA信號(hào)調(diào)制類型。卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用使得該方法對(duì)頻偏和相偏具有很強(qiáng)的魯棒性，且在不同的信噪比下都能夠保持良好的識(shí)別性能。仿真實(shí)驗(yàn)結(jié)果表明，利用1000個(gè)符號(hào)，在信噪比為10dB時(shí)，新方法的調(diào)制類型正確識(shí)別率達(dá)到90%，明顯優(yōu)于其它方法，但是其算法復(fù)雜度較高。

成對(duì)載波多址；調(diào)制識(shí)別；卷積神經(jīng)網(wǎng)絡(luò)；深度學(xué)習(xí)

引 言

在衛(wèi)星通信中，成對(duì)載波多址PCMA（Paired Carrier Multiple Access）技術(shù)通過在同一頻點(diǎn)上發(fā)送兩個(gè)數(shù)字調(diào)制方式的信號(hào)來進(jìn)行通信[1]。PCMA信號(hào)的兩個(gè)分量信號(hào)在時(shí)域和頻域完全重疊，如何對(duì)其進(jìn)行調(diào)制方式識(shí)別是后續(xù)信號(hào)處理的基礎(chǔ)，是非合作通信中亟需解決的一個(gè)問題。

概括來說，調(diào)制識(shí)別方法分為基于假設(shè)檢驗(yàn)的方法與基于特征的方法兩大類[2,3]。針對(duì)PCMA信號(hào)，目前已有一些利用高階統(tǒng)計(jì)量進(jìn)行調(diào)制識(shí)別的方法[4-6]。文獻(xiàn)[4]分析了PCMA信號(hào)的高階累積量特征和四次方譜的離散譜線特征，提出了一種PCMA信號(hào)調(diào)制方式識(shí)別方法。文獻(xiàn)[5]從累積量、譜線、幅度包絡(luò)平坦度中提取特征參數(shù)，提出了聯(lián)合特征參數(shù)的調(diào)制識(shí)別算法，在信噪比大于15dB時(shí)，其正確識(shí)別率在90%以上。文獻(xiàn)[6]先對(duì)接收數(shù)據(jù)進(jìn)行預(yù)處理，在此基礎(chǔ)上提取4個(gè)高階累積量特征和1個(gè)似然特征進(jìn)行調(diào)制識(shí)別。它們的共同特點(diǎn)是通過計(jì)算高階累積量來提取信號(hào)特征，并設(shè)計(jì)判決規(guī)則，實(shí)現(xiàn)信號(hào)調(diào)制識(shí)別。由于高階統(tǒng)計(jì)量的估計(jì)需要較多的符號(hào)數(shù)才能達(dá)到較高的精度，故在符號(hào)數(shù)較少的情況下，這些方法的性能較差。

本文基于深度學(xué)習(xí)的方法對(duì)PCMA信號(hào)進(jìn)行調(diào)制識(shí)別，對(duì)模型參數(shù)的不確定性具有良好的適應(yīng)能力，在信噪比、頻偏和相偏等參數(shù)未知的情況下也能準(zhǔn)確地識(shí)別調(diào)制方式，避免了參數(shù)估計(jì)誤差對(duì)調(diào)制識(shí)別性能的影響。仿真實(shí)驗(yàn)表明，本文方法能夠有效識(shí)別由BPSK、QPSK、8PSK、16QAM調(diào)制的PCMA信號(hào)的調(diào)制方式，在符號(hào)數(shù)較少、中低信噪比、不同的頻偏和相偏參數(shù)等情況下都有良好的識(shí)別性能。

1 信號(hào)模型和識(shí)別流程

本文考慮PCMA信號(hào)采用BPSK、QPSK、8PSK、16QAM這四種常用的調(diào)制方式，它們的基帶信號(hào)模型分別為

本文利用兩個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)CNN（Convolutional Neural Network）構(gòu)造一個(gè)深度學(xué)習(xí)系統(tǒng)，實(shí)現(xiàn)PCMA信號(hào)的調(diào)制識(shí)別，識(shí)別流程如圖1所示。其中第一個(gè)深度CNN學(xué)習(xí)網(wǎng)絡(luò)用于區(qū)分BPSK、16QAM、8PSK/QPSK這三類調(diào)制方式，第二個(gè)深度CNN學(xué)習(xí)網(wǎng)絡(luò)用于進(jìn)一步地識(shí)別QPSK和8PSK調(diào)制方式。如果第一個(gè)深度CNN學(xué)習(xí)網(wǎng)絡(luò)識(shí)別的結(jié)果是BPSK或16QAM，則調(diào)制識(shí)別流程結(jié)束；如果第一個(gè)深度CNN學(xué)習(xí)網(wǎng)絡(luò)識(shí)別的結(jié)果是8PSK/QPSK，則用第二個(gè)深度CNN學(xué)習(xí)網(wǎng)絡(luò)作進(jìn)一步地識(shí)別。

圖1 基于深度CNN的PCMA信號(hào)調(diào)制識(shí)別流程

2 深度學(xué)習(xí)網(wǎng)絡(luò)的結(jié)構(gòu)和訓(xùn)練

2.1 深度CNN學(xué)習(xí)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)

本文使用基于CNN的深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行調(diào)制識(shí)別，它包括一個(gè)輸入層、多個(gè)卷積層、一個(gè)全連接層和一個(gè)輸出層，如圖2所示。

圖2 深度CNN結(jié)構(gòu)

第個(gè)卷積層對(duì)前一層的輸出進(jìn)行卷積運(yùn)算，增加一個(gè)偏置項(xiàng)后，再經(jīng)過一個(gè)非線性函數(shù)得到該卷積層的輸出，則卷積運(yùn)算和卷積層的輸出可以表示為

深度CNN學(xué)習(xí)網(wǎng)絡(luò)2包括：4個(gè)卷積層、1個(gè)全連接層和1個(gè)輸出層，用于區(qū)分QPSK和8PSK調(diào)制方式。卷積層的卷積核大小依次為3×1、3×1、5×1和5×1，特征數(shù)量依次為128、256、256和256。全連接層的節(jié)點(diǎn)數(shù)量為256，輸出層使用SoftMax函數(shù)，節(jié)點(diǎn)數(shù)量為2。8PSK和QPSK這兩類調(diào)制方式分別用10和01來表示，并作為訓(xùn)練和測(cè)試時(shí)的標(biāo)簽。

仿真實(shí)驗(yàn)中采用Tensorflow框架[10]搭建相應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)。

2.2 深度CNN學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練過程

2.教師要深入備學(xué)生，找準(zhǔn)學(xué)生的學(xué)習(xí)起點(diǎn)。讀懂學(xué)生，分析學(xué)生的實(shí)際情況，了解學(xué)生的已有知識(shí)及活動(dòng)經(jīng)驗(yàn)，分析學(xué)生學(xué)習(xí)時(shí)可能存在的困難，從而找準(zhǔn)學(xué)生學(xué)習(xí)起點(diǎn)，才能準(zhǔn)確地把握教材內(nèi)容，不應(yīng)過難或過易，讓教學(xué)設(shè)計(jì)更有效。

為了防止訓(xùn)練中的過擬合，采用了Dropout方法[11]。Dropout是一種在深度學(xué)習(xí)中應(yīng)用的正則化手段，其原理是：在一個(gè)mini-batch的訓(xùn)練過程中，先隨機(jī)選擇神經(jīng)層中的一些單元并將其臨時(shí)隱藏，然后再進(jìn)行深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練和優(yōu)化過程；在下一個(gè)mini-batch的訓(xùn)練過程中又將另外一些神經(jīng)元隱藏，如此直至訓(xùn)練結(jié)束。

訓(xùn)練過程中每個(gè)mini-batch的大小為32，學(xué)習(xí)率為0.01，Dropout參數(shù)為0.5，并采用正態(tài)分布隨機(jī)初始化CNN的卷積核權(quán)重和偏置參數(shù)。另外，訓(xùn)練的優(yōu)化方法選取為Adam，且在單個(gè)GPU GeForce GTX 1060進(jìn)行訓(xùn)練和測(cè)試。實(shí)驗(yàn)表明，訓(xùn)練樣本數(shù)在40萬個(gè)左右時(shí)就能夠保證兩個(gè)網(wǎng)絡(luò)穩(wěn)定地收斂。

3 仿真實(shí)驗(yàn)及分析

為了評(píng)估深度CNN學(xué)習(xí)網(wǎng)絡(luò)的性能，根據(jù)信號(hào)模型式（1）~式（3）產(chǎn)生PCMA信號(hào)，對(duì)已訓(xùn)練完成的學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行測(cè)試。

實(shí)驗(yàn)中，深度學(xué)習(xí)方法利用Tensorflow架構(gòu)實(shí)現(xiàn)，文獻(xiàn)[4]~文獻(xiàn)[6]的方法使用Matlab實(shí)現(xiàn)。

調(diào)制識(shí)別正確率r定義為

其中t為某種調(diào)制類型的實(shí)驗(yàn)總次數(shù)，rt為t次實(shí)驗(yàn)中調(diào)制方式識(shí)別正確的次數(shù)。

基于CNN方法的r與SNR的關(guān)系如圖3所示。

由圖3可見，隨著信噪比的增加，每種調(diào)制類型的識(shí)別正確率都逐漸增加。當(dāng)SNR為10dB時(shí)，r幾乎都在90%以上；當(dāng)SNR增加到20dB時(shí)，BPSK的識(shí)別正確率接近100%，另外幾種類型的r也都超過98%，這表明算法在中、高信噪比下具有較高的調(diào)制識(shí)別正確率。比較這四種調(diào)制類型的r與SNR的關(guān)系曲線可以發(fā)現(xiàn)，在相同信噪比的情況下，BPSK、QPSK、8PSK和16QAM的識(shí)別正確率依次降低，即高階調(diào)制方式具有相對(duì)較低的識(shí)別正確率。

實(shí)驗(yàn)二：不同方法的平均識(shí)別正確率與信噪比的關(guān)系

其中為實(shí)驗(yàn)的總次數(shù)，r為次實(shí)驗(yàn)中調(diào)制方式識(shí)別正確的次數(shù)。

圖3 Pr與SNR的關(guān)系曲線

圖4 不同方法的與SNR的關(guān)系曲線

從圖4可知，在高信噪比下，本文方法與其它文獻(xiàn)方法的平均識(shí)別正確率都接近100%，但在中等信噪比的條件下，本文方法的平均識(shí)別正確率在93%以上，明顯優(yōu)于其它方法。當(dāng)信噪比為10dB時(shí)，本文方法的平均識(shí)別正確率達(dá)93%，其它方法的平均識(shí)別正確率僅為30%~50%。

實(shí)驗(yàn)三：本文方法識(shí)別正確率與混合幅度比的關(guān)系

圖5 Pr與h的關(guān)系曲線

圖5表明，在不同的混合幅度比下，本文方法對(duì)BPSK的識(shí)別正確率達(dá)到96%~98%，對(duì)QPSK和8PSK的識(shí)別正確率在92%左右，對(duì)16QAM的識(shí)別正確率為86%~90%，即本文方法在為0.5~1的情況下具有較為穩(wěn)定的性能。

實(shí)驗(yàn)四：不同算法的運(yùn)行時(shí)間比較

表1 不同算法的運(yùn)行時(shí)間比較

根據(jù)表1，本文方法進(jìn)行單次識(shí)別所需要的平均時(shí)間是文獻(xiàn)[4]、文獻(xiàn)[5]和文獻(xiàn)[6]方法的3~4倍。本文算法的運(yùn)行時(shí)間更長，這是由于本文為了使深度學(xué)習(xí)網(wǎng)絡(luò)具有相對(duì)較高的識(shí)別正確率，構(gòu)造了較為復(fù)雜的網(wǎng)絡(luò)，即通過犧牲算法復(fù)雜度換取高識(shí)別性能。

4 結(jié)束語

借鑒機(jī)器學(xué)習(xí)從數(shù)據(jù)中學(xué)習(xí)特征的思想，本文提出了基于深度卷積神經(jīng)網(wǎng)絡(luò)的PCMA信號(hào)調(diào)制類型識(shí)別方法。本質(zhì)上，深度卷積網(wǎng)絡(luò)可以看作是一個(gè)基于數(shù)據(jù)驅(qū)動(dòng)的最大似然估計(jì)器，即給定輸入信號(hào)樣本和輸出類別標(biāo)簽，通過訓(xùn)練（學(xué)習(xí)）來獲得最優(yōu)或近最優(yōu)的非線性網(wǎng)絡(luò)，從而得到一個(gè)性能優(yōu)良的調(diào)制類型估計(jì)器。仿真實(shí)驗(yàn)結(jié)果表明，基于CNN的PCMA信號(hào)調(diào)制類型識(shí)別方法，只需要1000個(gè)符號(hào)就能獲得較高的識(shí)別正確率，識(shí)別性能明顯優(yōu)于現(xiàn)有的其它方法，但其算法復(fù)雜度較高。因此，在PCMA信號(hào)樣本數(shù)較少、識(shí)別正確率要求較高且運(yùn)算資源充足的應(yīng)用場(chǎng)景下，本文方法優(yōu)勢(shì)明顯，具有一定的實(shí)用價(jià)值。

[1] DANKBERG M. Paired carrier multiple access(PCMA) for satellite communications[C]// 17th AIAA International Communications Satellite Systems Conference and Exhibit, Yokohama, Japan, 1998.

[2] KUBANKOVA A, KUBANEK D, PRINOSIL J. Digital modulation classification based on characteristic features and GentleBoost algorithm [C]//IEEE International Conference on Telecommunications and Signal Processing, Budapest, Hungary, 2011: 448–451.

[3] BAI Dongwoon, LEE Jungwon, KIM Sungsoo, et al. Near ML modulation classification[C]// IEEE Vehicular Technology Conference, Quebec City, QC, Canada, 2012.

[4] 金元盛, 戴旭初, 李輝. 一種有效的PCMA信號(hào)調(diào)制識(shí)別方法[J]. 遙測(cè)遙控, 2010, 31(3): 12–20. JIN Yuansheng, DAI Xuchu, LI Hui. An effective modulation identification approach for PCMA signals[J]. Jonrnal of Telemetry, Tracking and Command, 2010, 31(3): 12–20.

[5] 楊欣, 黃焱, 張冬玲, 等. 基于聯(lián)合特征參數(shù)的PCMA信號(hào)調(diào)制識(shí)別算法[J]. 信息工程大學(xué)學(xué)報(bào), 2013, 14(1): 78–83,90. YANG Xin, HUANG Yan, ZHANG Dongling, et al. Modulation identification algorithm for PCMA signals based on combined characteristic parameters[J]. Journal of Information Engineering University, 2013, 14(1): 78–83,90.

[6] 廖燦輝, 萬堅(jiān), 周世東. 利用累積量和似然特征的衛(wèi)星單-混信號(hào)調(diào)制識(shí)別算法[J]. 電訊技術(shù), 2010, 50(7): 44–48. LIAO Canhui, WAN Jian, ZHOU Shidong. Modulation classification algorithm for satellite single-mixed signal using cumulants and likehood features[J]. Telecommunication Engineering, 2010, 50(7): 44–48.

[7] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[C]//the 26th Annual Conference on Neural Information Processing Systems, 2012: 1097–1105.

[8] GOODFELLOW I, BENGIO Y, COURVILLE A. Deep Learning[M]. USA:MIT, 2016: 326–329.

[9] HE Kaiming, ZHANG Xiangyu, REN Shaoqing, et al. Deep residual learning for image recognition[C]//IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, United States, 2016: 770–778.

[10] ABADI M, AGARWAL A, BARHAM P, et al. TensorFlow: Large-scale machine learning on heterogeneous systems[C]//the 12th USENIX Conference on Operating Systems Design and Implementation, 2016: 265–283.

[11] SRIVASTAVA N, HINTON G, KRIZHEVSKY A, et al. Dropout: a simple way to prevent neural networks from overfitting[J]. Journal of Machine Learning Research, 2014, 15: 1929–1958.

A modulation identification approach for PCMA signals based on convolutional neural networks

LI Linjun, DAI Xuchu

（Department of Electronic Engineering and Information Science, University of Science and Technology of China, Hefei 230027, China）

The basic idea of the existing methods for modulation identification of PCMA signals is to utilize the high-order statistics of the signals to construct the corresponding features for modulation recognition. However, sufficient transmitted symbols are needed to achieve high estimation accuracy for high-order statistics. Therefore, the existing methods possess poor identification performance without sufficient transmitted symbols. Based on the idea of deep learning and the property of CNN, a novel approach for modulation recognition of PCMA signals is proposed, which can effectively identify the modulation type of the PCMA signals and achieve high identification accuracy with less transmitted symbols. Moreover, the application of CNN makes the proposed approach much robust to frequency offset and phase offset, and the approach has good identification performance under different SNR. The simulation results show that the correct modulation recognition rate of the proposed approach is more than 90% with 10dB SNR and 1000 transmitted symbols, which obviously outperforms the existing methods. However, the time consumption of the proposed approach is higher than the existing methods.

PCMA; Modulation identification; CNN; Deep learning

TN92

A

CN11-1780(2019)04-0017-06

李林俊 1997年生，碩士研究生在讀，主要研究方向?yàn)橥ㄐ判盘?hào)處理與應(yīng)用。

戴旭初 1963年生，博士，教授，主要研究方向?yàn)閷拵o線通信、智能信號(hào)處理。

Email:ycyk704@163.com TEL:010-68382327 010-68382557

2018-11-15

2019-06-25