基于Inception-V4 模型的通信信號調(diào)制方式識別新方法

邢科，呂澤均

（四川大學(xué)計算機學(xué)院，成都610065）

0 引言

目前，無線電自動調(diào)制識別算法一般分為兩類[1]：一類是基于貝葉斯決策論的方法，一類是基于統(tǒng)計模式識別的方法。基于貝葉斯決策論的方法[2-3]使用最大似然法實現(xiàn)信號的調(diào)制識別，為每個樣本選擇后驗結(jié)果最優(yōu)的類別標記，但是似然比分類的充分統(tǒng)計量表達式很復(fù)雜，計算量大，難于實時處理。基于統(tǒng)計模式的方法[4-6]是從接收到的信號中提取若干特征后用分類器進行識別分類，實現(xiàn)流程如圖1。

圖1 基于統(tǒng)計模式識別的調(diào)制分類識別方法流程

近年來，機器學(xué)習(xí)已經(jīng)在自動調(diào)制識別（AMC）領(lǐng)域廣泛應(yīng)用，比較常見的機器學(xué)習(xí)分類器主要有決策樹[7-8]、支持向量機（SVM）[9]、隨機森林[10]等。上述算法都已經(jīng)有完善的理論支撐和成熟的結(jié)構(gòu)，但是在信號特征提取方面主要依賴人工進行標記提取，對于機器學(xué)習(xí)中系統(tǒng)的學(xué)習(xí)能力還有很大的提升空間。

針對以上問題，深度學(xué)習(xí)方法已經(jīng)被用于自動調(diào)制識別。2017 年陳敏華等人[11]通過實驗驗證了在相同信噪比條件下，基于卷積神經(jīng)網(wǎng)絡(luò)的信道均衡算法對QPSK 恢復(fù)的誤碼率相比RLS 算法和MLP 算法分別降低了20%和5%。2018 年彭超然等人[12]將信號數(shù)據(jù)轉(zhuǎn)換為星座圖，然后利用訓(xùn)練好的VGG-19 網(wǎng)絡(luò)模型進行星座圖分類識別，同步實現(xiàn)了特征提取和分類識別，流程簡單且保證了信號調(diào)制識別過程中的魯棒性。2019 年周鑫等人[13]提出了RadioImageDet 算法，把無線電信號具象化為二維圖片，將圖像作為網(wǎng)絡(luò)模型的輸入進行分類識別，成功將無線電信號識別問題轉(zhuǎn)化為圖像分類問題，并取得86.04%識別準確率。

上述深度卷積網(wǎng)絡(luò)模型只是在關(guān)注如何在不過擬合的情況下加深網(wǎng)絡(luò)的結(jié)構(gòu)，很少關(guān)注網(wǎng)絡(luò)的寬度，而GoogLeNet 系列不僅著手加深網(wǎng)絡(luò)的深度而且加深了網(wǎng)絡(luò)寬度。因此，本文將Inception-v4 模型引入到調(diào)制信號識別網(wǎng)絡(luò)中，該網(wǎng)絡(luò)通過深度和并行網(wǎng)絡(luò)結(jié)構(gòu)充分提取星座圖輸入特征，以識別數(shù)字信號的調(diào)制模式，并提高信號在低信噪比環(huán)境下的識別精度。

1 信號調(diào)制模型

根據(jù)基帶波形所控制的不同載波參數(shù)，可以將調(diào)制類型分為振幅鍵控（ASK）、相移鍵控（PSK）、頻移鍵控（FSK）和正交振幅調(diào)制（QAM）4 種[14]。針對這4 種數(shù)字調(diào)制信號，我們給出對應(yīng)的數(shù)學(xué)建模如下：

多進制頻移鍵控MFSK（Multi-band Frequency Shift Keying）：

由（1）、（2）、（3）、（4）可得調(diào)制信號的一般表達式為：

其中：s(t)表示連續(xù)時間序列信號，A(t)為信號調(diào)制振幅。

根據(jù)上述公式的信號模型，分別改變其頻率、相位、振幅的一個或者多個參數(shù)組合，可以得到多種調(diào)制模 型，例 如：BPSK、4ASK、QPSK、OQPSK、8PSK、16QAM、32QAM、64QAM 等。

2 基于Inception-V4的數(shù)字信號調(diào)制識別

基于Inception-V4 的通信信號調(diào)制方式識別新方法包括三個步驟：信號預(yù)處理、特征提取和分類識別。為了利用Inception-V4 網(wǎng)絡(luò)進行調(diào)制方式識別，需要在預(yù)處理操作中，將信號轉(zhuǎn)換為星座灰度圖。然后利用Inception-V4 網(wǎng)絡(luò)在圖像識別領(lǐng)域的突出表現(xiàn)，對信號星座灰度圖進行特征提取和分類，最終完成信號調(diào)試識別。

2.1 數(shù)據(jù)集

DL 依賴于大量數(shù)據(jù)，并且對于研究和應(yīng)用而言，這可以在通信系統(tǒng)中輕松獲得。我們利用Python 模擬出帶有高斯白噪聲的復(fù)雜樣本的基帶序列，考慮了8種可能的調(diào)制方式作為數(shù)據(jù)集，包括BPSK、4ASK、QPSK、OQPSK、8PSK、16QAM、32QAM、64QAM，在SNR=4dB 環(huán)境下生成星座圖，然后轉(zhuǎn)化為灰度圖用于訓(xùn)練，每張星座圖和灰度圖包含1000 個星座符號，灰度圖的數(shù)據(jù)類型為299×299×3 的三維矩陣，訓(xùn)練樣本為每種調(diào)制方式200000 張灰度圖。

2.2 數(shù)據(jù)轉(zhuǎn)換

2.2.1 星座圖

為了利用現(xiàn)有的Inception-V4 網(wǎng)絡(luò)模型，我們可以將復(fù)雜的數(shù)據(jù)樣本轉(zhuǎn)換為圖像。星座圖可以將信號樣本映射到復(fù)平面上的散射點，已被廣泛用作調(diào)制信號的2D 表示。但是，復(fù)平面無限延伸，而圖像可描繪的區(qū)域卻受到限制。如果所選區(qū)域太小，則可能會由于嚴重的噪聲水平而從圖像中排除某些信號樣本，并放棄這些信號樣本。相反，如果面積太大，信號樣本可能會聚集在一個很小的區(qū)域中，并且可能會重疊。除非另有說明，本文選擇星座圖生成在3.5×3.5 復(fù)平面上，如圖2。

圖2 QPSK 星座圖

2.2.2 灰度圖

如果像素密度足夠大，則可以將星座圖圖像視為信號樣本的完整表示。在這種情況下，每個樣本可以由一個或多個像素表示。然而，由于有限的像素密度，一個像素內(nèi)可能存在多個樣本，如圖3 所示。為了考慮多個采樣點的影響，我們將每個像素內(nèi)的采樣數(shù)量表示為強度值（例如，像素1、2 和14 的強度值為1、0和5）然后可以將二進制星座圖轉(zhuǎn)換為灰度圖像，如圖4 所示。

圖3 像素點

圖4 QPSK 灰度圖

2.3 Inception-V4模型介紹

近年來，非常深的卷積網(wǎng)絡(luò)一直是圖像識別性能最大進步的核心。以GoogLeNet 為代表的Inception 體系結(jié)構(gòu)已顯示出用相對較低的計算成本實現(xiàn)非常好的識別性能。

Inception-V1[15]主要是引入1×1 的卷積層，大大的減小權(quán)值參數(shù)數(shù)量，同時增強了網(wǎng)絡(luò)的非線性能力。同時使用了1×1、3×3、5×5 的卷積，增加了網(wǎng)絡(luò)對尺度的適應(yīng)性。

Inception-V2[16]加入了批量歸一化層，減少了內(nèi)部neuron 的數(shù)據(jù)分布發(fā)生變化，使每一層的輸出都標準化到具有相同的均值0 和方差1。用2 個連續(xù)的3×3卷積替代模塊中的5×5 的卷積，進一步增加網(wǎng)絡(luò)的深度，并且減少了很多參數(shù)。

Inception-V3[17]在V2 的基礎(chǔ)上，提出在神經(jīng)網(wǎng)絡(luò)中分解卷積和降維辦法，將7×7 和3×3 卷積分別分解成兩個一維的卷積（1×7，7×1）和（1×3，3×1）的非對稱的卷積結(jié)構(gòu)，增加特征多樣性，并且在減少計算量的基礎(chǔ)上處理更多的空間特征。

InceptionV1-V3 采用通過分布式進行訓(xùn)練的模式，以便能夠?qū)⒄麄€模型適配到內(nèi)存中。但是，Incep?tion 體系結(jié)構(gòu)是高度可調(diào)的[18]，這意味著各個層中的過濾器數(shù)量有很多可能的變化，但這些變化不會影響整個訓(xùn)練網(wǎng)絡(luò)的質(zhì)量。為了優(yōu)化訓(xùn)練速度，需要仔細地調(diào)整網(wǎng)絡(luò)模型的層大小，以平衡各種模型子網(wǎng)之間的計算。

隨著TensorFlow 的引入，大部分最新的模型無需分布式的對副本進行訓(xùn)練。Inception-v4[19]網(wǎng)絡(luò)的大規(guī)模結(jié)構(gòu)針對Inception 塊的每種網(wǎng)格尺寸做出統(tǒng)一的選擇。Inception-v4 網(wǎng)絡(luò)的大規(guī)模結(jié)構(gòu)參見圖5，對于其組件的詳細結(jié)構(gòu)，參見圖6、7、8、9、10 和11。所有圖中沒有標記“V”的卷積使用same 的填充原則，使用“V”標記的卷積使用valid 的填充原則。

圖5 Inception-v4網(wǎng)絡(luò)的大規(guī)模結(jié)構(gòu)

圖6 Inception-v4網(wǎng)絡(luò)的35×35網(wǎng)格模塊結(jié)構(gòu)

圖7 Inception-v4網(wǎng)絡(luò)的17×17網(wǎng)格模塊結(jié)構(gòu)

圖8 35×35到17×17縮小模塊的結(jié)構(gòu)。k，l，m，n表示濾波器組大?。ㄒ姳?）

圖9 Inception-v4網(wǎng)絡(luò)的8×8網(wǎng)格模塊結(jié)構(gòu)

圖10 17×17至8×8網(wǎng)格縮減模塊的結(jié)構(gòu)

表1 Inception-V4 的Reduction-A 模塊的濾波器數(shù)量

圖11 Inception-v4網(wǎng)絡(luò)的stem模塊

3 仿真實驗和分析

3.1 實驗環(huán)境

本文利用擁有強大的算力和11 Gb 顯存的Titan XP 平臺，構(gòu)建了一個TensorFlow-2.1.0+Keras-2.3.1 框架來訓(xùn)練InceptionV4 網(wǎng)絡(luò)。其中數(shù)據(jù)集和數(shù)據(jù)轉(zhuǎn)換都用Python 實現(xiàn)。

實驗中，學(xué)習(xí)率選擇0.001，將每種調(diào)制方式的512張圖片打亂順序后，逐次輸入模型進行訓(xùn)練。為了保證內(nèi)存可用，最小批次設(shè)置為16，同時劃分1%的數(shù)據(jù)集用于驗證，輸出驗證性能，以便觀測訓(xùn)練過程，每次訓(xùn)練進行1 輪，經(jīng)過400 次迭代后，將模型參數(shù)保存用于后期測試和可能的遷移學(xué)習(xí)。信號樣本標簽編碼格式如表2。

表2 信號樣本標簽具體劃分情況

3.2 Inception-V4 識別效果

我們選取了BPSK、QPSK、16QAM、32QAM、4ASK、OQPSK 和8PSK 作為訓(xùn)練和識別的調(diào)制方式，每種調(diào)制方式使用400×512 張灰度圖用于訓(xùn)練，其信噪比與測試集保持一致。圖12、圖13、圖14 為不同信噪比下識別正確率的混淆矩陣。

圖12 SNR=3.5 dB 的識別率混淆矩陣

圖13 SNR=3 dB 的識別率混淆矩陣

圖14 SNR=2.5 dB 的識別率混淆矩陣

從識別率混淆矩陣可以看出，經(jīng)過充分訓(xùn)練后，提出的方案在各信噪比下均能獲得比較高的識別率，這證明了基于Inception-V4 模型的通信信號調(diào)制方式識別新方法的可行性。其中在SNR=3.5 dB 時識別率達到95%正確率，SNR=3 dB 時識別率達到了93.8%以上，SNR=2.5 dB 時，由于16QAM 和32QAM 具有相似的正方形星座圖，因此這兩種調(diào)制方式的分類能力明顯變差，但是BPSK、QPSK、4ASK、OQPSK、8PSK 的分類能力依然保持在99.3%以上。

3.3 性能對比

在相同數(shù)據(jù)集的基礎(chǔ)上，將文獻[20]和文獻[21]的方法分別與本文方法進行比較，評估Inception-V4 模型的性能。

3.3.1 與AlexNet 模型[20]的對比

這一節(jié)，信號參數(shù)、訓(xùn)練集與文獻[20]保持一致，我們選取BPSK、4ASK、QPSK、OQPSK、8PSK、16QAM、32QAM 和64QAM 作為訓(xùn)練和識別的調(diào)制方式，在同樣使用灰度圖作為訓(xùn)練集的情況下，信噪比與測試集保持一致。其性能對例如圖15 所示。信號樣本標簽編碼格式如表3。

表3 信號樣本標簽具體劃分情況

圖15 與AlexNet模型中灰度圖部分的性能對比

將每種調(diào)制類型的灰度圖饋送到Inception 網(wǎng)絡(luò)進行訓(xùn)練，從而形成訓(xùn)練有素的網(wǎng)絡(luò)。對SNR=2dB 的8PSK 調(diào)制信號執(zhí)行1000 次的分類識別測試，以評估其分類性能，可以看出，針對8PSK 在低信噪比（SNR=2dB）情況下Inception-V4 可以獲得比文獻[20]中的AlexNet 模型更高的識別準確率。

3.3.2 與InceptionResnetV2-TA 模型[21]的對比

這一節(jié)中，我們選取與文獻[21]相同的數(shù)據(jù)集，將BPSK、QPSK 和8PSK 作為訓(xùn)練和識別的調(diào)制方式，其識別性能的對例如圖16 所示。信號樣本標簽編碼格式如表4。

表4 信號樣本標簽具體劃分情況

從圖16 中的分析結(jié)果可以看出，在SNR=1dB時，本文方法識別準確率達到98.4%以上，而文獻[21]的識別準確率達到89.33%。在SNR=2dB 時，本文方法識別準確率達到100%，而文獻[21]的識別準確率達到96.33%。在對BPSK、QPSK 和8PSK 三種信號的分類識別中，本文所提出方案可以獲得更好的識別效果，這在有一定先驗信息的場景中將發(fā)揮非常重要的作用。

圖16 與InceptionResnetV2-TA模型的性能對比

4 結(jié)語

本文研究了Inception-V4 模型在數(shù)字信號調(diào)制分類中的應(yīng)用。將復(fù)雜數(shù)字信號轉(zhuǎn)化為圖像進行分類識別，仿真結(jié)果表明，基于Inception-V4 模型的信號調(diào)制方式分類避免了手動選擇信號特征，并且在低信噪比的環(huán)境下提供了比較高的分類精度。在多種調(diào)制方式的信號中，Inception-V4 的分類能力要優(yōu)于AlexNet、Incep?tionResnetV2-TA 模型。未來的工作將考慮兩方面的改進，一是在更多種類信號調(diào)制方式下采用Inception-V4模型的分類效果研究，二是考慮Inception-V4 模型在非高斯噪聲下的通信信號調(diào)制模式中的應(yīng)用研究。