基于分層次多任務(wù)網(wǎng)絡(luò)的信號調(diào)制識別方法研究

陳思霸 陳嬌

摘 要 針對信號調(diào)制的識別問題，提出了分層次多任務(wù)網(wǎng)絡(luò)用于提高識別準確率，該方法主要是把不同的調(diào)制方式識別任務(wù)進行分組，搭建層次化的深度學習神經(jīng)網(wǎng)絡(luò)。仿真與分析的結(jié)果表明，使用公開的調(diào)制信號數(shù)據(jù)集，本文的方案在信噪比大于0dB的情況下識別準確率可達到90%左右。

關(guān)鍵詞 分層次多任務(wù)網(wǎng)絡(luò);信號調(diào)制;識別;方法

信號調(diào)制識別指的是在接收到未知調(diào)制信號后，根據(jù)信號的時域或者頻域特性判別出它的調(diào)制方式。發(fā)展起來的調(diào)制識別方法主要分為三大類，即基于似然比判決理論的方法、基于特征提取的機器學習方法以及最近由OShea等人提出的基于深度學習的調(diào)制識別方法。隨著深度學習的發(fā)展，文獻[1-2]首先提出了利用信號的采樣數(shù)據(jù)，采用深度學習的方法對信號進行調(diào)制識別。接著，文獻[3-4]分別提出了一種基于深度學習網(wǎng)絡(luò)的調(diào)制識別方法，但識別準確率不理想，本文利用數(shù)據(jù)特點提出了分層次多任務(wù)網(wǎng)絡(luò)。仿真結(jié)果表明了該方案確實能在一定程度上提升調(diào)制識別準確率的效果。

1分類識別

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)一般由輸入層、卷積層、池化層和全連接層等組成。

網(wǎng)絡(luò)中的卷積層和全連接層的權(quán)值和偏置量等參數(shù)需要通過訓練來確定，并通過反向傳播算法，不斷迭代更新網(wǎng)絡(luò)參數(shù)，使得損失函數(shù)收斂于全局最小值。訓練時若使用梯度下降法更新第k+1次迭代的網(wǎng)絡(luò)權(quán)重，則：

2網(wǎng)絡(luò)設(shè)計

所提的深度學習方法包含3個網(wǎng)絡(luò)，通過網(wǎng)絡(luò)一初始深度學習網(wǎng)絡(luò)用于區(qū)分所有調(diào)制類型但不包括MQAM、AM-DSB和WBFM，MQAM的分類識別是通過網(wǎng)絡(luò)二（MQAM調(diào)制深度學習網(wǎng)絡(luò)）實現(xiàn)，AM-DSB和WBFM的進一步區(qū)分是需要通過網(wǎng)絡(luò)三（模擬調(diào)制深度學習網(wǎng)絡(luò)）實現(xiàn)的。網(wǎng)絡(luò)一使用ResNet和GRU的結(jié)合，網(wǎng)絡(luò)二使用網(wǎng)絡(luò)一，但數(shù)據(jù)集選為文獻[3]中的RadioML 2016.10b，網(wǎng)絡(luò)使用inception和GRU的結(jié)合。

3數(shù)據(jù)樣本

為實現(xiàn)算法性能的驗證，本文采用文獻[3]中公開的數(shù)據(jù)集作為樣本數(shù)據(jù)，樣本數(shù)據(jù)由GNU Radio這個開源軟件產(chǎn)生。包含11種調(diào)制方式，使用的噪聲為高斯白噪聲，每種調(diào)制方式數(shù)據(jù)的信噪比范圍均為-20～18 dB，信噪比步進為2 dB。在不同的信噪比條件下，每種調(diào)試方式的信號樣本均由 IQ兩路組成，每路數(shù)據(jù)的采樣點數(shù)為128。

4仿真結(jié)果與分析

為驗證本文所提算法的有效性，利用 3中所述的通信信號公開數(shù)據(jù)集對本文所提網(wǎng)絡(luò)模型與文獻中的算法進行了仿真比較。

參考文獻

[1] Oshea T，Hoydis J. An Introduction to Deep Learning for the Physical Layer[J]. IEEE Transactions on Cognitive Communications & Networking，2017，3（4）：563-575.

[2] 袁冰清，王巖松，鄭柳剛. 深度學習在無線電信號調(diào)制識別中的應(yīng)用綜述[J]. 電子技術(shù)應(yīng)用，2019，45（5）：7-10.

[3] T. J. OShea and N. West， Radio machine learning dataset generation with GNU radio[C].in Proc. GNU Radio Conf，2016：1-6.

[4] Y. Wu，X. Li and J. Fang， A Deep Learning Approach for Modulation Recognition via Exploiting Temporal Correlations[C].2018 IEEE 19th International Workshop on Signal Processing Advances in Wireless Communications （SPAWC），Kalamata，2018：1-5.