機(jī)場(chǎng)終端區(qū)RF 信號(hào)深度調(diào)制識(shí)別方法*

陳 林 唐文波 丁學(xué)科 樊 榮

（1.同方電子科技有限公司 九江 332000）（2.中國(guó)民用航空飛行學(xué)院航空電子電氣學(xué)院 廣漢 618307）

1 引言

近年來，機(jī)場(chǎng)終端區(qū)面臨的電磁環(huán)境日益復(fù)雜，以VDL 航空數(shù)據(jù)鏈、PBN 導(dǎo)航、ADS-B 監(jiān)視為代表的航空設(shè)備遭受無線電信號(hào)干擾頻次日益增多，干擾信號(hào)調(diào)制類型種類多達(dá)數(shù)十種，導(dǎo)致機(jī)場(chǎng)終端區(qū)的干擾信號(hào)調(diào)制類型識(shí)別難度加大。針對(duì)機(jī)場(chǎng)終端區(qū)的信號(hào)調(diào)制類型識(shí)別方法研究已在機(jī)場(chǎng)無線電通信［1～2］、無人機(jī)信號(hào)檢測(cè)［3］、GNSS干擾源排查［4］以及空中交通管理［5］等領(lǐng)域受到廣泛關(guān)注。

當(dāng)前信號(hào)調(diào)制類型識(shí)別方法主要包含三類：即基于似然比準(zhǔn)則的信號(hào)調(diào)制類型識(shí)別方法、基于特征提取的信號(hào)調(diào)制類型識(shí)別方法以及基于數(shù)據(jù)驅(qū)動(dòng)的信號(hào)調(diào)制類型識(shí)別方法。由于基于似然比準(zhǔn)則的信號(hào)調(diào)制識(shí)別方法在實(shí)際應(yīng)用中難以獲取信號(hào)模型中隨機(jī)變量的概率分布，計(jì)算復(fù)雜度高，且在部分場(chǎng)景下僅在理論上存在計(jì)算可能性，故本文不對(duì)其作詳細(xì)論述；基于特征提取的信號(hào)調(diào)制類型識(shí)別方法，首先提取原始基帶I、Q 信號(hào)的特征，再利用分類器對(duì)所提取的信號(hào)特征進(jìn)行分類，以實(shí)現(xiàn)信號(hào)調(diào)制類型識(shí)別［6～11］。具體上講，文獻(xiàn)［6］從信號(hào)調(diào)制類型識(shí)別原理、算法以及應(yīng)用角度進(jìn)行了系統(tǒng)地總結(jié)。在文獻(xiàn)［7］中，使用經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥mpirical Mode Decomposition，EMD）提取原始信號(hào)特征，解決了傳統(tǒng)信號(hào)調(diào)制識(shí)別方法在處理信號(hào)時(shí)受樣本序列長(zhǎng)度以及數(shù)據(jù)異常值影響的缺點(diǎn)。類似地，Siuly 等利用EMD 方法提取原始腦電信號(hào)特征，提出了一種基于EMD 技術(shù)的腦電信號(hào)診斷方法［8］。與此同時(shí)，T.Dutta 等利用變分模態(tài)分解（Variational Mode Decomposition，VMD）方法提出了一種基于非高斯脈沖噪聲和加性高斯白噪聲環(huán)境下的自動(dòng)調(diào)制分類識(shí)別方法，證實(shí)了在不同噪聲環(huán)境下所提取的信號(hào)特征對(duì)信號(hào)調(diào)制類型識(shí)別的優(yōu)越性［9］。除上述EMD、VMD 進(jìn)行信號(hào)特征提取外，多尺度排列熵（Multi-scale Permutation Entropy，MPE）也被作為一種重要的信號(hào)特征提取工具［10］，當(dāng)前主流做法是首先對(duì)原始信號(hào)采用EMD、VMD 分解得到信號(hào)在不同時(shí)間尺度下的模態(tài)分量，接著采用多尺度排列熵進(jìn)行特征提取，再將其送入分類器完成信號(hào)調(diào)制類型識(shí)別，提升了低信噪比環(huán)境下信號(hào)調(diào)制類型識(shí)別性能，增強(qiáng)了對(duì)信號(hào)相位噪聲、頻率漂移以及諧波失真等細(xì)微特征的識(shí)別能力［11］。然而，當(dāng)機(jī)場(chǎng)終端區(qū)所面臨的干擾信號(hào)調(diào)制種類增多（典型值超過10 種）、信號(hào)間的特征區(qū)分度不明顯以及信噪比降低時(shí)，基于特征提取的調(diào)制識(shí)別方法的識(shí)別性能不高，已成為基于特征提取的信號(hào)調(diào)制類型識(shí)別技術(shù)工程應(yīng)用中面臨的主要瓶頸。對(duì)此，雷志坤通過提取原始I、Q 數(shù)據(jù)的高階累積量特征，利用全連接神經(jīng)網(wǎng)絡(luò)具有的非線性深度學(xué)習(xí)能力，提升了基于特征提取的信號(hào)調(diào)制識(shí)別方法性能［12］，但由于將原始數(shù)據(jù)的高階累積量特征作為網(wǎng)絡(luò)輸入，該方法仍屬于基于特征提取的信號(hào)調(diào)制識(shí)別方法。

基于深度學(xué)習(xí)端到端的調(diào)制信號(hào)識(shí)別方法已成為新的研究熱點(diǎn)［13～14］。S.Hu 等采用循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN），針對(duì)高斯白噪聲、高斯色噪聲以及非高斯噪聲場(chǎng)景進(jìn)行了信號(hào)調(diào)制類型識(shí)別研究［15］。F.Meng等也提出一種基于端到端的調(diào)制類型識(shí)別神經(jīng)網(wǎng)絡(luò)，所提網(wǎng)絡(luò)對(duì)信號(hào)調(diào)制類型識(shí)別能力已超過基于特征的信號(hào)調(diào)制識(shí)別方法［16］。然而，上述調(diào)制類型識(shí)別神經(jīng)網(wǎng)絡(luò)仍存在兩個(gè)缺陷：第一，構(gòu)建的信號(hào)調(diào)制類型數(shù)據(jù)集種類有限，面對(duì)信號(hào)調(diào)制種類更多、調(diào)制類型間的區(qū)分度低的信號(hào)調(diào)制類型時(shí)，網(wǎng)絡(luò)的識(shí)別性能是否得到保證缺乏實(shí)證；第二，若實(shí)際環(huán)境發(fā)生變化，則需更新數(shù)據(jù)集，并對(duì)之前已訓(xùn)練好的網(wǎng)絡(luò)重新訓(xùn)練。鑒于此，針對(duì)上述問題，本文首先構(gòu)建多達(dá)24 種不同調(diào)制類型的數(shù)據(jù)集，超過了上述各文獻(xiàn)中所構(gòu)建的調(diào)制類型種類數(shù)量；同時(shí)，針對(duì)構(gòu)建的信號(hào)調(diào)制類型，在網(wǎng)絡(luò)卷積層數(shù)、卷積核大小、訓(xùn)練數(shù)據(jù)集大小對(duì)網(wǎng)絡(luò)信號(hào)識(shí)別性能影響基礎(chǔ)上，設(shè)計(jì)出一款端到端的信號(hào)調(diào)制識(shí)別網(wǎng)絡(luò)；此外，針對(duì)信道環(huán)境變化導(dǎo)致信號(hào)調(diào)制類型識(shí)別性能下降問題，進(jìn)一步研究了不同訓(xùn)練數(shù)據(jù)量場(chǎng)景下的遷移學(xué)習(xí)方式，提升了網(wǎng)絡(luò)在信道環(huán)境變化場(chǎng)景下的網(wǎng)絡(luò)適應(yīng)能力和識(shí)別性能。

2 數(shù)據(jù)集構(gòu)造

一方面，通過上位機(jī)Matlab 軟件仿真生成22種不同調(diào)制類型的基帶波形數(shù)據(jù)文件（最大符號(hào)速率限為1MSPS），每種調(diào)制類型信號(hào)波形I、Q 數(shù)據(jù)長(zhǎng)度為106；通過網(wǎng)口下載到矢量信號(hào)發(fā)生器（VSG）作為基帶周期調(diào)制波形，經(jīng)過VSG上變頻調(diào)制至載波頻率為666MHz 后經(jīng)放大射頻輸出（輸出功率為0dBm）。輸出的射頻信號(hào)通過射頻線纜連接至信號(hào)采集卡，其中采集卡工作頻率范圍為70MHz～800MHz。經(jīng)信號(hào)采集卡在射頻以200MHz采樣率低通采樣并做16bit 量化后、將其下變頻至零中頻25 倍抽取輸出，最終獲得8MSPS 速率的基帶I、Q 信號(hào)。每種調(diào)制識(shí)別信號(hào)采集時(shí)長(zhǎng)為10s。另一方面，利用智能頻譜傳感器（由同方電子科技有限公司提供）采集了廣漢機(jī)場(chǎng)專用的VHF 電臺(tái)基帶I、Q數(shù)據(jù)，共同構(gòu)成24種不同調(diào)制信號(hào)類型原始數(shù)據(jù)，信號(hào)調(diào)制類型分別為256-QAM、128-QAM、64-QAM、32-QAM、16-QAM、32-PSK、16-PSK、4-ASK；2-ASK、8-PAM、2-PAM、8-PSK、QPSK、OQPSK、MSK、DQPSK、D8PSK、DBPSK、AM、FM、GFSK、GMSK、VHF-1（廣漢）、VHF-2（廣漢）。數(shù)據(jù)采集原理框圖如圖1所示。

圖1 原始I、Q數(shù)據(jù)采集原理框圖

對(duì)于采集的24種原始I、Q數(shù)據(jù)，針對(duì)每種調(diào)制類型數(shù)據(jù)進(jìn)一步人工添加不同強(qiáng)度噪聲（SNR=-4dB～12dB）后，再對(duì)各種生成的含噪信號(hào)進(jìn)行分段，并將分段數(shù)據(jù)構(gòu)造成數(shù)據(jù)集。原始I、Q數(shù)據(jù)加噪后的信號(hào)s?(k)建模為

其中，σs，σn和SNR 分別表示原始I、Q 信號(hào)功率、噪聲功率以及信噪比值（單位：dB）；s(k)為信號(hào)采集卡得到的第k點(diǎn)原始I、Q數(shù)據(jù)；N為采集的原始信號(hào)數(shù)據(jù)總長(zhǎng)度；ξ(k)為0 均值且方差為1 的隨機(jī)量。

3 深度調(diào)制識(shí)別方法

3.1 深度調(diào)制識(shí)別神經(jīng)網(wǎng)絡(luò)架構(gòu)

文中構(gòu)建的深度信號(hào)調(diào)制識(shí)別神經(jīng)網(wǎng)絡(luò)主要基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）結(jié)構(gòu)，包括預(yù)處理層、卷積層、池化層、展平層、全連接層等。網(wǎng)絡(luò)輸入端為基帶I、Q 數(shù)據(jù)，輸出端為信號(hào)調(diào)制類型分類概率，采取的網(wǎng)絡(luò)架構(gòu)及處理流程如圖2所示。

圖2 CNN網(wǎng)絡(luò)結(jié)構(gòu)與處理流程

1）預(yù)處理層

用于圖像識(shí)別的CNN 網(wǎng)絡(luò)無法直接用于處理基帶I、Q復(fù)數(shù)數(shù)據(jù)，在使用CNN網(wǎng)絡(luò)對(duì)輸入基帶復(fù)數(shù)信號(hào)序列進(jìn)行調(diào)制識(shí)別時(shí)，需對(duì)符號(hào)序列進(jìn)行預(yù)處理以匹配網(wǎng)絡(luò)卷積層，具體預(yù)處理過程如下：

其中，? 表示數(shù)據(jù)的實(shí)部，? 表示數(shù)據(jù)的虛部，r為I、Q數(shù)據(jù)序列，L為數(shù)據(jù)預(yù)處理長(zhǎng)度。

2）卷積層

在CNN 網(wǎng)絡(luò)結(jié)構(gòu)的卷積層中，影響網(wǎng)絡(luò)性能的主要超參數(shù)有卷積核大小、步長(zhǎng)、數(shù)量以及邊界填充方式等。數(shù)據(jù)經(jīng)過卷積層輸出包含若干特征平面，同一特征平面的神經(jīng)元共享權(quán)值，特征平面?zhèn)€數(shù)即為卷積核數(shù)。卷積核每次計(jì)算一個(gè)局部感受野后需要平移計(jì)算下一局部感受野的值，移動(dòng)偏移量即為步長(zhǎng)，卷積核提取特征方式如下：

其中，yi,j是卷積核進(jìn)行卷積運(yùn)算后的結(jié)果；f(·)為激活函數(shù)；θij、xij為卷積核、卷積塊的設(shè)置參數(shù)；n為卷積塊大小。

3）池化層

卷積后得到的特征維度通常很大，通過池化處理將特征分割成多個(gè)子區(qū)域，取其最大值或平均值得到新的、維度較小的特征。若網(wǎng)絡(luò)輸入維度為W1×H1×D1，每層池化大小為F×F，且步長(zhǎng)設(shè)置為S，則數(shù)據(jù)經(jīng)過池化后的輸出維數(shù)為

式（6）中的第一項(xiàng)代表交叉熵，后一項(xiàng)為正則化項(xiàng)；yi(k)和y?i(k;W,b)為輸入數(shù)據(jù)所對(duì)應(yīng)的標(biāo)簽結(jié)果以及網(wǎng)絡(luò)識(shí)別輸出；R(·)、W、b表示正則化函數(shù)、網(wǎng)絡(luò)層權(quán)值和偏置；λ、N、M表示正則化系數(shù)、每次訓(xùn)練的批次大小以及信號(hào)調(diào)制類別數(shù)。

3.2 深度調(diào)制識(shí)別神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

通過在網(wǎng)絡(luò)訓(xùn)練后的測(cè)試性能指導(dǎo)下迭代設(shè)計(jì)深度調(diào)制識(shí)別神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)訓(xùn)練過程中，使用Adam 優(yōu)化器求解，學(xué)習(xí)率取為0.0001，模糊因子設(shè)為10-8，每次更新后學(xué)習(xí)率的衰減值為0.9，每輪訓(xùn)練數(shù)據(jù)均隨機(jī)洗牌，數(shù)據(jù)集總樣本數(shù)為26 萬，選取數(shù)據(jù)集中80%作為訓(xùn)練數(shù)據(jù)，20%作為測(cè)試數(shù)據(jù)，每次調(diào)整網(wǎng)絡(luò)參數(shù)前選取的樣本數(shù)量為256。

1）網(wǎng)絡(luò)輸入數(shù)據(jù)維度選取

分別按照128、256、512 和1024 長(zhǎng)度的分段方式構(gòu)建訓(xùn)練數(shù)據(jù)集，測(cè)試結(jié)果表明：當(dāng)輸入數(shù)據(jù)維度為1024 點(diǎn)數(shù)據(jù)分割方式時(shí)，網(wǎng)絡(luò)在低信噪比條件下（-4dB）識(shí)別性能達(dá)到60%，在高信噪比（＞8dB）條件下識(shí)別性能達(dá)到80%。若繼續(xù)增加數(shù)據(jù)維度，網(wǎng)絡(luò)的運(yùn)算時(shí)間將會(huì)成倍增加，而網(wǎng)絡(luò)的識(shí)別精度則不會(huì)顯著提升。綜合考慮，本文按1024點(diǎn)I、Q 數(shù)據(jù)長(zhǎng)度分段生成訓(xùn)練數(shù)據(jù)集。即網(wǎng)絡(luò)輸入數(shù)據(jù)維度設(shè)為2×1024×1。

2）網(wǎng)絡(luò)卷積層數(shù)選取

在給定網(wǎng)絡(luò)輸入數(shù)據(jù)維度下（2×1024×1），進(jìn)一步測(cè)試了信號(hào)調(diào)制識(shí)別網(wǎng)絡(luò)分別在不同卷積層數(shù)（2層依次增至6層）下的識(shí)別性能，結(jié)果表明：不同層卷積神經(jīng)網(wǎng)絡(luò)的性能相差不明顯，當(dāng)卷積層數(shù)為2 層時(shí)，在低信噪比條件下的識(shí)別準(zhǔn)確性達(dá)到60%，高信噪比場(chǎng)景下達(dá)到80%，繼續(xù)增加卷積層數(shù)，其識(shí)別精度并沒有明顯提升，相反還略微有所下降。鑒于此，在信號(hào)調(diào)制類型識(shí)別神經(jīng)網(wǎng)絡(luò)的卷積層數(shù)設(shè)為2層，即保證網(wǎng)絡(luò)識(shí)別性能。

3）網(wǎng)絡(luò)卷積核大小選取

在給定網(wǎng)絡(luò)輸入數(shù)據(jù)維度（2×1024×1）和2層卷積層數(shù)條件下，進(jìn)一步研究了不同卷積核大?。ň矸e核大小分別取為2、3、4、5）時(shí)神經(jīng)網(wǎng)絡(luò)的識(shí)別性能。測(cè)試結(jié)果表明：卷積核長(zhǎng)度設(shè)置為4 或5時(shí)，均能均相似且達(dá)到最佳。鑒于此，綜合網(wǎng)絡(luò)性能和網(wǎng)絡(luò)復(fù)雜度因素，卷積核長(zhǎng)度取為4。

經(jīng)過上述步驟確定網(wǎng)絡(luò)超參數(shù)后，最終設(shè)計(jì)的信號(hào)調(diào)制識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)超參數(shù)如表1所示。

表1 信號(hào)調(diào)制識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)超參數(shù)

3.3 信號(hào)調(diào)制識(shí)別網(wǎng)絡(luò)遷移學(xué)習(xí)

采取表1 所示的網(wǎng)絡(luò)架構(gòu)及超參數(shù)對(duì)網(wǎng)絡(luò)訓(xùn)練，若信道環(huán)境發(fā)生變化，將導(dǎo)致信號(hào)調(diào)制識(shí)別性能嚴(yán)重惡化。而在目前的移動(dòng)平臺(tái)（例如，機(jī)載、艦載、車載）的信號(hào)調(diào)制識(shí)別場(chǎng)景中，傳播信號(hào)由于多徑效應(yīng)而引起的信道衰落等原因，到達(dá)接收機(jī)的信道環(huán)境通常會(huì)發(fā)生變化，即實(shí)際場(chǎng)景下的信道為時(shí)變信道。這大大限制了所提信號(hào)調(diào)制識(shí)別網(wǎng)絡(luò)的性能。實(shí)際上，作者對(duì)測(cè)試數(shù)據(jù)人工添加瑞利衰落效應(yīng)模擬信道發(fā)生變化，采用新的模擬數(shù)據(jù)再次測(cè)試網(wǎng)絡(luò)識(shí)別性能，發(fā)現(xiàn)網(wǎng)絡(luò)識(shí)別性能從80%直降至40%，亦證實(shí)了上述所提網(wǎng)絡(luò)不能直接用于移動(dòng)平臺(tái)下的信號(hào)調(diào)制識(shí)別場(chǎng)景。若對(duì)信道發(fā)生改變后的信號(hào)進(jìn)行調(diào)制識(shí)別時(shí)，需要使用新信道環(huán)境下的訓(xùn)練數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練以更新網(wǎng)絡(luò)參數(shù)。然而，如果完全重新訓(xùn)練網(wǎng)絡(luò)，則需大量訓(xùn)練數(shù)據(jù)，增大了網(wǎng)絡(luò)訓(xùn)練的時(shí)間成本，不能滿足實(shí)時(shí)性要求高的場(chǎng)景。

鑒于此，采用遷移學(xué)習(xí)思路，利用信道變化后的數(shù)據(jù)對(duì)舊信道環(huán)境下已訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行權(quán)值微調(diào)，利用微調(diào)后的神經(jīng)網(wǎng)絡(luò)進(jìn)行新信道下的信號(hào)調(diào)制類型識(shí)別，可以充分利用舊信道環(huán)境下的知識(shí)，避免了對(duì)網(wǎng)絡(luò)完全重新訓(xùn)練，僅需采用新信道環(huán)境下的少量訓(xùn)練數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)便能達(dá)到同樣的識(shí)別性能，同時(shí)提高了信道變化環(huán)境下的網(wǎng)絡(luò)訓(xùn)練速度和識(shí)別實(shí)時(shí)性。本文具體研究了三種遷移學(xué)習(xí)方案：方式一，網(wǎng)絡(luò)所有層參數(shù)微調(diào)；方式二，網(wǎng)絡(luò)全連接層參數(shù)不變、卷積層參數(shù)微調(diào)；方式三，網(wǎng)絡(luò)卷積層參數(shù)不變，全連接層參數(shù)微調(diào)。

4 調(diào)制識(shí)別性能分析

下面通過多個(gè)試驗(yàn)與文中所提的方法進(jìn)行驗(yàn)證，揭示了本文所提信號(hào)調(diào)制識(shí)別方法的性能優(yōu)勢(shì)。

4.1 所提神經(jīng)網(wǎng)絡(luò)的識(shí)別性能

為揭示所提調(diào)制識(shí)別網(wǎng)絡(luò)的識(shí)別性能和泛化能力，計(jì)算了網(wǎng)絡(luò)訓(xùn)練過程中損失值和識(shí)別性能隨著迭代次數(shù)的變化曲線，結(jié)果如圖3 所示。結(jié)果表明：網(wǎng)絡(luò)訓(xùn)練與測(cè)試損失總體上均呈現(xiàn)下降趨勢(shì)，網(wǎng)絡(luò)具有良好的學(xué)習(xí)能力。迭代次數(shù)超過30 次后，識(shí)別精度大于95%。順便指出，本文設(shè)計(jì)的信號(hào)調(diào)制識(shí)別網(wǎng)絡(luò)在不同信噪比和信號(hào)類型的數(shù)據(jù)集上的整體識(shí)別精度為80%。整體識(shí)別精度統(tǒng)計(jì)公式為

圖3 識(shí)別性能與迭代輪數(shù)曲線

其中，pi（i=1，2，…，n）為單個(gè)信噪比下的識(shí)別精度，n為選取的不同信噪比種類數(shù)。

4.2 基于遷移學(xué)習(xí)的網(wǎng)絡(luò)調(diào)制類型識(shí)別

然而，若直接采取上述網(wǎng)絡(luò)進(jìn)行信號(hào)類型識(shí)別，網(wǎng)絡(luò)的可移植性差。鑒于此，作者進(jìn)一步采取遷移學(xué)習(xí)技術(shù)提升網(wǎng)絡(luò)可移植性。文中分別利用2.1 萬（8.1%）、4.2 萬（16.5%）、6.4 萬（24.6%）、8.6 萬（33%）、26 萬（100%）的數(shù)據(jù)樣本對(duì)網(wǎng)絡(luò)調(diào)制識(shí)別進(jìn)行測(cè)試，獲得的調(diào)制識(shí)別精度分別為77.5%，79%，81.1%，84.1%，86.7%?？紤]到采用26 萬個(gè)數(shù)據(jù)樣本重新訓(xùn)練網(wǎng)絡(luò)所需要的運(yùn)算時(shí)間是采用8.6萬數(shù)據(jù)集對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)的運(yùn)算時(shí)間的3 倍以上。因此綜合考慮，在三種遷移學(xué)習(xí)方式中，將遷移學(xué)習(xí)數(shù)據(jù)集樣本數(shù)定位8.6萬。采用三種遷移學(xué)習(xí)方案對(duì)網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)后，其網(wǎng)絡(luò)的識(shí)別性能如圖4所示。

圖4 三種遷移學(xué)習(xí)方法在不同信噪比下的識(shí)別精度（方式1：CNN_TL1；方式2：CNN_TL2；方式3：CNN_TL3）

由圖4 可知，經(jīng)過三種遷移學(xué)習(xí)的網(wǎng)絡(luò)對(duì)于新信道的數(shù)據(jù)具有較好的識(shí)別性能，尤其是對(duì)網(wǎng)絡(luò)所有層的權(quán)值偏置均進(jìn)行微調(diào)后，其識(shí)別精度與采用新數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練后的識(shí)別性能相當(dāng)。主要原因在于本文設(shè)計(jì)的信號(hào)調(diào)制識(shí)別神經(jīng)網(wǎng)絡(luò)卷積層較少，導(dǎo)致網(wǎng)絡(luò)的全連接層的參數(shù)占網(wǎng)絡(luò)總參數(shù)的60%，若僅更新卷積層參數(shù)，網(wǎng)絡(luò)的大部分參數(shù)并未得到更新，從而導(dǎo)致網(wǎng)絡(luò)在進(jìn)行微調(diào)后，對(duì)新信道下的測(cè)試數(shù)據(jù)的識(shí)別性能不佳；如果網(wǎng)絡(luò)僅對(duì)全連接層參數(shù)進(jìn)行更新，又因?yàn)榫W(wǎng)絡(luò)提取信號(hào)特征主要是依靠卷積層對(duì)數(shù)據(jù)進(jìn)行卷積、池化等運(yùn)算，若不對(duì)卷積層進(jìn)行更新，網(wǎng)絡(luò)則無法學(xué)習(xí)到新信道下的數(shù)據(jù)所具有的特征，從而造成網(wǎng)絡(luò)識(shí)別性能不佳。因此，本文選擇基于網(wǎng)絡(luò)所有層參數(shù)微調(diào)的遷移學(xué)習(xí)方案對(duì)CNN網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)。

利用基于網(wǎng)絡(luò)所有層參數(shù)微調(diào)的遷移學(xué)習(xí)方案對(duì)原信道下訓(xùn)練完成的網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)后，網(wǎng)絡(luò)識(shí)別性能在典型信噪比下的測(cè)試結(jié)果如圖5 所示。

圖5測(cè)試結(jié)果表明：對(duì)于所研究的24種信號(hào)調(diào)制類型而言，本文的遷移學(xué)習(xí)方法不能對(duì)16QAM、8PAM、OQPSK 調(diào)制類型信號(hào)進(jìn)行有效遷移學(xué)習(xí)。而其余21 種波形存在不同程度的遷移學(xué)習(xí)效果。具體上講，在SNR=-4dB 場(chǎng)景下，所提方法對(duì)16QAM、256QAM、2ASK、4PAM、8PAM、DBPSK、OQPSK 信號(hào)調(diào)制類型的識(shí)別精度低于50%，對(duì)64QAM、4ASK、8PSK、AM、FM、GFSK、GMSK、MSK、QPSK 信號(hào)調(diào)制類型的正確識(shí)別性能達(dá)到90%，剩余8 種信號(hào)調(diào)制類型識(shí)別性能位于56%～86%之間；在SNR=12dB 場(chǎng)景下，所提方法對(duì)16PSK、16QAM、8PAM、DQPSK、OQPSK 信號(hào)調(diào)制類型的正確識(shí)別性能低于50%，而對(duì)128QAM、2ASK、32QAM、4ASK、4PAM、64QAM、8PSK、AM、FM、GFSK、GMSK、MSK、QPSK、VHF-1信號(hào)調(diào)制類型的正確識(shí)別性能超過90%，剩余5 種信號(hào)調(diào)制類型識(shí)別性能集中在66%～88%區(qū)間。

圖5 基于網(wǎng)絡(luò)所有層參數(shù)微調(diào)的遷移學(xué)習(xí)方案

5 結(jié)語(yǔ)

針對(duì)基于信號(hào)特征的傳統(tǒng)信號(hào)調(diào)制識(shí)別分類方法對(duì)多種調(diào)制類型（典型值大于10 種）識(shí)別性能不足的問題，設(shè)計(jì)出一種適用于信號(hào)調(diào)制識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了以原始I、Q 數(shù)據(jù)流作為算法的輸入數(shù)據(jù)，避免了傳統(tǒng)方法復(fù)雜中的特征選擇、特征提取等問題。針對(duì)時(shí)變信道應(yīng)用場(chǎng)景，將深度神經(jīng)網(wǎng)絡(luò)結(jié)合遷移學(xué)習(xí)思想，降低了網(wǎng)絡(luò)訓(xùn)練所需的樣本數(shù)，減少了網(wǎng)絡(luò)訓(xùn)練所需的時(shí)間成本，提升了網(wǎng)絡(luò)對(duì)于時(shí)變信道環(huán)境的快速適應(yīng)能力，針對(duì)所設(shè)計(jì)的網(wǎng)絡(luò)架構(gòu)給出遷移學(xué)習(xí)推薦方案?；趯?shí)測(cè)數(shù)據(jù)證實(shí)了所提方法對(duì)信號(hào)調(diào)制類型識(shí)別的有效性。本文識(shí)別網(wǎng)絡(luò)也可直接用于GNSS干擾源智能識(shí)別等應(yīng)用中，未來主要研究工作是進(jìn)一步增加信號(hào)調(diào)制類型和提升信號(hào)調(diào)制類型的識(shí)別性能。