基于深度學(xué)習(xí)的單多載波信號識別方法*

杜志毅，李保國，張澄安，徐 強

（國防科技大學(xué)，湖南 長沙 410073）

0 引言

正交頻分復(fù)用技術(shù)（Orthogonal Frequency Division Multiplexing，OFDM）是一種在通信領(lǐng)域有著廣泛應(yīng)用的多載波調(diào)制技術(shù)。隨著通信技術(shù)的迅猛發(fā)展，在復(fù)雜電磁環(huán)境下，信號調(diào)制方式識別對信號的后續(xù)處理解調(diào)顯得十分關(guān)鍵與緊迫。

OFDM 信號是一種多載波調(diào)制信號，這導(dǎo)致其識別過程與其他單載波調(diào)制信號不同。識別OFDM信號首先需要確定接收到的信號是單多載波信號中的哪一種，因為這是解調(diào)OFDM 信號過程的先決條件，也為識別其他單載波信號提供了幫助。

現(xiàn)有關(guān)于調(diào)制識別的大多數(shù)技術(shù)一般都是基于特征提取和機器學(xué)習(xí)分類算法[1-2]。但這些方法多數(shù)為模型驅(qū)動，需要對信號進(jìn)行預(yù)處理，其適應(yīng)信道環(huán)境單一，因此在復(fù)雜信道環(huán)境時識別性能較差。另外因為傳統(tǒng)的特征提取方法是基于統(tǒng)計資料[3]，所以分類結(jié)果易受環(huán)境變化影響。然而，基于機器學(xué)習(xí)的調(diào)制識別方法也是需要人為提取信號的特征，不能像深度學(xué)習(xí)方法自主提取出信號特征。所以這些方法在復(fù)雜信道環(huán)境下識別準(zhǔn)確率不會很高。

深度學(xué)習(xí)的方法[4-5]被認(rèn)為是突破性能瓶頸的有效方法[6]。在此基礎(chǔ)上，本文提出了一種基于改進(jìn)的ResNet 深度學(xué)習(xí)網(wǎng)絡(luò)的調(diào)制識別方法（Improved ResNet based Modulation Classification method，IRMC）。IRMC 采用了縮放指數(shù)型線性單元SeLU 激活函數(shù)來對抗Dead ReLU 的問題，并且降低了卷積核的大小，大大減少了運算的復(fù)雜度。實現(xiàn)了單載波信號和OFDM 信號的有效區(qū)分。

本文以下內(nèi)容共分為4 個部分：第1 節(jié)介紹系統(tǒng)模型和OFDM 信號模型；第2 節(jié)介紹識別算法；第3 節(jié)給出仿真結(jié)果，通過不同方法之間的性能對比來驗證本文提出方法的可行性；第4 節(jié)對本文進(jìn)行總結(jié)。

1 系統(tǒng)模型

1.1 系統(tǒng)結(jié)構(gòu)

圖1 展示了OFDM 信號識別的系統(tǒng)架構(gòu)。信號源的信息通過OFDM 調(diào)制轉(zhuǎn)換為OFDM 信號，通過信道進(jìn)行傳輸。本文設(shè)置了以下3 種信道環(huán)境進(jìn)行實驗：高斯信道、多徑信道與復(fù)雜萊斯多徑衰落信道。

圖1 OFDM 信號識別系統(tǒng)結(jié)構(gòu)

本文采用信號的同向正交IQ 序列進(jìn)行識別，考慮接收到的信號經(jīng)過下變頻和匹配濾波得到基帶復(fù)信號，IQ 序列則分別代表接收到信號為2×K大小的實值矩陣：

1.2 OFDM 信號產(chǎn)生

OFDM 系統(tǒng)的原理框圖如圖2 所示。

圖2 OFDM 系統(tǒng)原理

OFDM 系統(tǒng)主要是源于多載波調(diào)制與模擬調(diào)制的頻分復(fù)用技術(shù)。在連續(xù)信號模型中，某個頻率值為fk的信號?(t)為：

式（2）中，fk=f0+k?f，f0是初始頻率，?f是頻率間隔，Xk是頻率fk處的幅度。累加N個頻率上的值得到式（3）：

假定t=nTs，對式（3）進(jìn)行采樣周期Ts的采樣則實部和虛部如式（4）所示：

令f0=0，?f=1/nTs，式（5）則為：

式（5）中，增加系數(shù)1/N使離散化后信號功率恒定。該式即為OFDM 基帶調(diào)制信號的表達(dá)式。

2 識別算法

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

本文使用的深度學(xué)習(xí)網(wǎng)絡(luò)是在經(jīng)典深度殘差網(wǎng)絡(luò)（Deep Residual Networks，ResNet）模型[7]上進(jìn)行改進(jìn)的，將除了第一個Residual Stack 單元之外的其余Residual Stack 單元中卷積核設(shè)置為3×1 大小，這樣可以大大減少參數(shù)數(shù)量。

模型的結(jié)構(gòu)如圖3 所示，其中Residual Unit 就是殘差網(wǎng)絡(luò)中的殘差塊，即ResNet 原始單元結(jié)構(gòu)，由線性卷積層、卷積層ReLU 激活函數(shù)與跳躍連接（即恒等映射）組成，能夠很好地防止由網(wǎng)絡(luò)層數(shù)增加而導(dǎo)致的退化及梯度彌散問題。

另外在殘差塊的基礎(chǔ)上，構(gòu)建了Residual Stack單元。每個Stack 單元包括一個卷積核大小為1×1的卷積層，用于channel 維度上的計算，此外還包含兩個殘差塊，以及一個最大池化層（Max Pooling）來減少特征圖尺寸。在整個模型中一共包含6 個Residual Stack 單元，數(shù)據(jù)每經(jīng)過一個Residual Stack 單元維度減半。模型中所有卷積層的卷積核數(shù)量均為32，卷積核大小3×2。

圖3 IRMC 網(wǎng)絡(luò)模型結(jié)構(gòu)

本文所提出IRMC 網(wǎng)絡(luò)參數(shù)表如表1 所示。

表1 IRMC 網(wǎng)絡(luò)參數(shù)

輸入為2×1 024 大小的同向正交IQ 序列，通過6 個Residual Stack 單元后輸出為32×16 大小的特征圖，最后經(jīng)過全連接層輸出分類結(jié)果。網(wǎng)絡(luò)中Residual Stack 單元都是使用ReLU 激活函數(shù)，最后的全連接輸出層采用Softmax 激活函數(shù)，值得注意的是兩層全連接層并沒有采用ReLU 激活函數(shù)，而是使用了縮放指數(shù)型線性單元SeLU 激活函數(shù)[8]，其表達(dá)式如下：

SeLU 激活函數(shù)帶有自歸一化屬性，可以歸一化映射前后的兩層神經(jīng)網(wǎng)絡(luò)的均值和方差。其相比于ReLU 激活函數(shù)不會產(chǎn)生Dead ReLU 的問題，輸出均值接近0（zero-centered）。

經(jīng)實驗測試發(fā)現(xiàn)在信號調(diào)制識別這種計算量不是很大的情況下，表現(xiàn)比ReLU 激活函數(shù)優(yōu)異。網(wǎng)絡(luò)優(yōu)化過程中，采用Adam 算法進(jìn)行網(wǎng)絡(luò)參數(shù)的最優(yōu)解求解。

2.2 數(shù)據(jù)集制作

本節(jié)主要介紹訓(xùn)練樣本集的生成，圖4 為本文樣本集構(gòu)造流程。為使樣本足夠豐富多樣，本文設(shè)置了3 種信道環(huán)境進(jìn)行數(shù)據(jù)集的制作。在研究初期，為了更好地控制信號的質(zhì)量，信號集利用MATLAB平臺產(chǎn)生。

圖4 樣本集構(gòu)造流程

2.2.1 特定調(diào)制模式與隨機比特數(shù)據(jù)

仿真數(shù)據(jù)集為2×1 024 大小的IQ 序列，本文所需識別的調(diào)制類型集包含單載波信號與多載波信號即OFDM 信號兩個種類，其中單載波信號包含以下11 種常見單載波信號，按順序分別為：BPSK、QPSK、8PSK、QAM16、2FSK、MSK、FM、AM、ASK2、FSK4、OQPSK。信號碼元由MATLAB 生成隨機比特數(shù)據(jù)進(jìn)行調(diào)制。

OFDM 信號采用IEEE802.11a 標(biāo)準(zhǔn)產(chǎn)生[9]，載波數(shù)目有52 個，其中4 個作為導(dǎo)頻，48 個作為數(shù)據(jù)子載波。采用20 MHz 信道帶寬，OFDM 符號持續(xù)時間為4 μs，保護(hù)間隔為0.8 μs，占用帶寬16.6 MHz。

2.2.2 標(biāo)準(zhǔn)信號的生成

數(shù)字信號中心頻率在902 MHz，模擬信號中心頻率在100 MHz，脈沖成型濾波器采用根升余弦成型濾波器（rcosdesign 函數(shù)），其滾降系數(shù)為0.35，初始相位在0～2π 范圍內(nèi)隨機選擇，采樣頻率是200 kHz，每個符號采樣點數(shù)為8，單個樣本長度為1 024，每一幀長度為1 024/8=128。OFDM 信號子載波調(diào)制方式為BPSK、QPSK、8PSK、16QAM 這4 種隨機。

2.2.3 信道環(huán)境

信道環(huán)境為3 種，第一種為理想高斯白噪聲信道，第二種考慮簡單多徑信道（多徑幅度為[1 0.2 0.1]，多徑時延為[0 20 50]），第三種為復(fù)雜萊斯多徑衰落信道考慮了采樣率偏移，中心頻率偏移（MaximumClockOffset=5），最大多普勒頻移（MaximumDopplerShift=4），萊斯多徑衰落信道（平均路徑增益=[0 -2 -10]dB，延遲分布=[0 1.8 3.4]）。

信噪比范圍為0～20 dB，步進(jìn)為2，單載波信號每種調(diào)制方式在每種信噪比下樣本數(shù)目為400個，樣本數(shù)48 400 個，多載波信號在每種信噪比下樣本數(shù)目為4 400 個，樣本數(shù)48 400 個，總樣本數(shù)共計96 800 個。

3 性能測試與分析

深度學(xué)習(xí)的環(huán)境語言配置為Python 3.7，TensorFlow 1.14.0，Keras 2.3.1，計算機設(shè)備為CPU:E5-2630，GPU:2080T。

整個數(shù)據(jù)隨機（固定隨機種子）將其劃分為訓(xùn)練集和測試集，比例為8:2。批尺寸batch size 為64。本文中定義的調(diào)制識別性能識別率為：

3.1 識別結(jié)果

本文采用Walter Akmouche[10]的經(jīng)典算法作為傳統(tǒng)方法進(jìn)行對比，該算法利用4 階高斯累積量進(jìn)行單多載波識別。首先在最為理想的情況下，直接仿真產(chǎn)生單載波基帶信號無需進(jìn)行采樣濾波操作，經(jīng)過高斯白噪聲信道后就進(jìn)行識別。其結(jié)果如圖5所示，在這種情況下傳統(tǒng)方法的識別率較高，在4 dB 時OFDM 信號的識別率能夠達(dá)到90%，而本文則是采用的是實際應(yīng)用中的信號生成流程。

圖5 單多載波識別-OFDM 信號識別率（理想情況）

如圖6 所示，對于同樣的高斯白噪聲信道，傳統(tǒng)方法在面對采用標(biāo)準(zhǔn)信號生成流程產(chǎn)生的信號時識別率有了明顯的下降，在13 dB 的情況下才達(dá)到90%的識別率。

這是因為信號經(jīng)過上采樣與成型濾波后，信號的高階累計量特性會發(fā)生一定的變化，導(dǎo)致其穩(wěn)定性下降，即使在20 dB 的高信噪比條件下，其識別率也只能達(dá)到95%，而不是100%。但這并沒有影響到IRMC 的識別性能，依舊在0 dB 時就達(dá)到100%的識別率。

圖6 單多載波識別-OFDM 信號識別率（實際情況）

對于簡單的多徑信道，傳統(tǒng)方法識別率有所下降，IRMC 方法則沒有造成明顯的影響，識別率與高斯白噪聲信道相差無幾。而對于復(fù)雜的萊斯多徑信道，兩種方法的識別率均出現(xiàn)了明顯的下降，這是因為信道中添加的干擾所造成的。IRMC 識別率雖然有了大幅度的下降，但傳統(tǒng)方法在20 dB 時只能達(dá)到87%的正確識別率，對比傳統(tǒng)方法有還是有明顯提升。

在三種信道環(huán)境下，IRMC 的識別效果都要好于傳統(tǒng)方法。這是因為傳統(tǒng)方法只是通過高階累積量來進(jìn)行單多載波識別，易受到信道環(huán)境的影響導(dǎo)致識別率下降。而深度學(xué)習(xí)的方法不是通過單一特征進(jìn)行識別，深度學(xué)習(xí)網(wǎng)絡(luò)可以通過卷積層得到許多關(guān)于信號的特征，利用提取出的所有特征進(jìn)行識別分析，所以在應(yīng)對復(fù)雜的信道變化時，比單一使用高階累計量進(jìn)行識別的傳統(tǒng)方法表現(xiàn)要更加優(yōu)異。

本文以85%識別率的情況下，IRMC 相比于傳統(tǒng)方法的信噪比增益來量化識別性能的優(yōu)劣。綜上所述，復(fù)雜萊斯多徑信道上IRMC 相比于傳統(tǒng)方法在85%識別率下能夠達(dá)到10 dB 的信噪比增益。

3.2 泛化性檢測

深度學(xué)習(xí)的泛化性不強一直是亟待解決的問題，為驗證IRMC 的泛化性能力，本文對復(fù)雜信道環(huán)境中的不同參數(shù)進(jìn)行調(diào)整，通過調(diào)整后的數(shù)據(jù)集對模型進(jìn)行測試。結(jié)果如圖7 所示，改變信道的5 種參數(shù)分別為：采樣率（200 MHz 變?yōu)?50 MHz）、多普勒頻移（4 變?yōu)?）、平均路徑增益（[0 -2 -10]dB變?yōu)閇0 -5 -15]dB）、時鐘偏移（5 變?yōu)?）、信道路徑延遲（[0 1.8 3.4]變?yōu)閇0 3.5 6]）?？梢钥闯鲈诟淖冃诺绤?shù)環(huán)境后，識別率有所下降，但下降幅度較小，在5 dB 時識別率下降最大，但也僅下降了5%。可以得出結(jié)論，本文提出的IRMC 在單多載波識別上有著較好的泛化性能，可以適應(yīng)信道環(huán)境的變化。

圖7 深度學(xué)習(xí)泛化性對比

3.3 算法時間對比度分析

表2 給出了不同算法對目標(biāo)信號識別的時間復(fù)雜度，實驗結(jié)果是對20 000 個樣本的識別時間進(jìn)行統(tǒng)計平均得出的。表中顯示，傳統(tǒng)方法的時間復(fù)雜度是低于深度學(xué)習(xí)方法的，這是因為人工特征提取是有指導(dǎo)性的，而深度學(xué)習(xí)方法則需要自主學(xué)習(xí)。但現(xiàn)在GPU 并行運算能力大幅提高，可以并行完成神經(jīng)網(wǎng)絡(luò)運算，所以深度學(xué)習(xí)方法可以通過并行計算減小計算開銷從而提高計算速度，最終實現(xiàn)快速運算。

表2 不同算法信號識別過程的時間復(fù)雜度

另外對比經(jīng)典的ResNet 網(wǎng)絡(luò)[7]，IRMC 的信號識別過程時間有著明顯的降低。這是因為IRMC 單元中卷積核設(shè)置為3×1 大小，大大減少了參數(shù)數(shù)量。總體可以看出，本文提出算法的運行時間在毫秒級別。雖然高于傳統(tǒng)方法，但相較于經(jīng)典ResNet網(wǎng)絡(luò)有著明顯降低，可以滿足實時處理的要求。

4 結(jié)語

本文提出了一種基于改進(jìn)的ResNet 深度學(xué)習(xí)網(wǎng)絡(luò)的調(diào)制識別方法（IRMC），較好地解決了傳統(tǒng)方法需要預(yù)處理和在復(fù)雜信道環(huán)境下識別性能較差的問題。仿真實驗表明，本文提出的方法應(yīng)用于單多載波識別上，能夠明顯提高識別性能，在多種信道環(huán)境下都有著優(yōu)于傳統(tǒng)方法的識別效果。IRMC 僅利用信號的IQ 序列進(jìn)行學(xué)習(xí)分類，降低了卷積核的大小，大大減少了運算的復(fù)雜度，算法時間可以滿足實時性處理的需求，是有效可行的。