數(shù)據(jù)驅(qū)動的RF信號深度調(diào)制識別方法

徐亞軍,郭恩豪,陳 林,司成可

(1.中國民用航空飛行學(xué)院航空工程學(xué)院,四川 廣漢 618307; 2.同方電子科技有限公司,江西 九江 332000)

0 引 言

隨著軟件無線電技術(shù)快速進(jìn)步，各類用頻設(shè)備數(shù)量不斷增多，電磁環(huán)境中的信號調(diào)制種類日益復(fù)雜，能否在實際電磁環(huán)境中快速、準(zhǔn)確地識別出信號調(diào)制類型，對于提升頻譜利用效率以及信號深度分析均具有重要意義，關(guān)于對信號調(diào)制類型識別的各種技術(shù)已在認(rèn)知無線通信[1-2]、電子對抗[3-4]、信號偵察[5-6]等領(lǐng)域受到廣泛關(guān)注。

目前，針對無線電信號的調(diào)制識別方法大致分為基于特征的(Feature Based, FB)信號調(diào)制類型識別法和基于數(shù)據(jù)驅(qū)動的深度調(diào)制識別法2類。在基于特征的調(diào)制識別技術(shù)中，首先對原始I、Q數(shù)據(jù)通過某種變換(例如：高階累積量計算[7]、多尺度熵[8]、WVD變換[9]、HHT變換[10]、STFT[11]等)提取信號特征，隨后通過各種分類器(例如：SVM[12]、決策樹[13]、KNN[14]以及全連接神經(jīng)網(wǎng)絡(luò)[15]等)對信號特征作進(jìn)一步分類，最終實現(xiàn)信號調(diào)制類型識別。然而，基于信號特征的調(diào)制識別方法對于信噪比高、且信號類型種類少時(典型值信噪比不小于8 dB且信號種類在10種以內(nèi))，其識別性能較好。當(dāng)信號自身調(diào)制類型復(fù)雜，信號識別種類多，尤其在低信噪比場景下對信號特征提取不充分時，其調(diào)制識別性能急劇下降。截止目前，絕大多數(shù)研究如文獻(xiàn)[15-19]中所研究的信號調(diào)制類型種類均不超過20種，對于調(diào)制類型相似、調(diào)制樣式復(fù)雜且調(diào)制樣式同時超過20種的信號調(diào)制類型識別研究公開報道較少，鑒于此，本文不對其進(jìn)行專門研究。與基于信號特征的調(diào)制識別類方法不同，基于數(shù)據(jù)驅(qū)動的信號調(diào)制識別方法實現(xiàn)了從原始I、Q數(shù)據(jù)直接識別出信號調(diào)制類型，既簡化識別流程的同時又提高了調(diào)制識別性能[16-19]。具體上講，O’Shea等人[16]最先利用信號I、Q數(shù)據(jù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)(CNN)，并對不同調(diào)制類型信號進(jìn)行識別，研究結(jié)果證實了CNN網(wǎng)絡(luò)能夠?qū)Σ煌{(diào)制類型信號進(jìn)行分類識別。接著，Meng等人[17]采用經(jīng)過專門設(shè)計的CNN網(wǎng)絡(luò)對匹配濾波器輸出的調(diào)制信號進(jìn)行分類識別，對比之前的CNN網(wǎng)絡(luò)，該網(wǎng)絡(luò)的識別性能獲得進(jìn)一步提升。與此同時，文獻(xiàn)[18]中還提出了一種基于端到端的調(diào)制類型識別神經(jīng)網(wǎng)絡(luò)，研究結(jié)果表明所提網(wǎng)絡(luò)對信號調(diào)制類型的識別能力超過了基于特征類的識別方法。除此之外，Zhang等人[19]采用組合特征作為信號識別網(wǎng)絡(luò)的輸入，研究不同類型的神經(jīng)網(wǎng)絡(luò)對組合特征的識別性能，由于長短時記憶網(wǎng)絡(luò)(LSTM)進(jìn)一步考慮了信號的時間相關(guān)性，其識別性能更好。然而，上述報道的研究內(nèi)容仍存在幾點不足：1)信號調(diào)制樣式種類不豐富。上述所介紹的信號調(diào)制類型數(shù)量大多在20種以內(nèi)，面對更多種類的調(diào)制類型時，網(wǎng)絡(luò)識別性能下降。2)大都照搬現(xiàn)有的圖像識別領(lǐng)域的神經(jīng)網(wǎng)絡(luò)進(jìn)行信號調(diào)制類型識別，未充分考慮無線電信號數(shù)據(jù)自身特性，導(dǎo)致網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜且識別性能不高。3)現(xiàn)有深度調(diào)制識別方法對信號調(diào)制識別的環(huán)境適應(yīng)能力不足，當(dāng)環(huán)境發(fā)生變化時，網(wǎng)絡(luò)需要大量樣本數(shù)據(jù)重新訓(xùn)練網(wǎng)絡(luò)參數(shù)，即便采用遷移學(xué)習(xí)提升現(xiàn)有網(wǎng)絡(luò)在新信道環(huán)境下適應(yīng)能力，其識別性能仍然不佳。

鑒于此，本文通過實驗室桌面仿真和外場實測數(shù)據(jù)采集相結(jié)合的方式，構(gòu)建24種不同調(diào)制類型信號數(shù)據(jù)集；同時針對無線電信號自身特征，在繼承殘差神經(jīng)網(wǎng)絡(luò)(ResNet)結(jié)構(gòu)基礎(chǔ)上，研究網(wǎng)絡(luò)層數(shù)、卷積層步長、卷積核大小以及訓(xùn)練集大小對神經(jīng)網(wǎng)絡(luò)識別性能的影響，針對性地設(shè)計出一款具有緊致殘差結(jié)構(gòu)的信號調(diào)制類型識別神經(jīng)網(wǎng)絡(luò)，實現(xiàn)在有效降低網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度的同時保證網(wǎng)絡(luò)識別性能；不僅如此，利用遷移學(xué)習(xí)研究環(huán)境信道變化場合下的遷移學(xué)習(xí)策略，避免因信道環(huán)境變化而重新訓(xùn)練網(wǎng)絡(luò)，加快網(wǎng)絡(luò)收斂速度，提升神經(jīng)網(wǎng)絡(luò)對環(huán)境的適應(yīng)能力。

1 數(shù)據(jù)集構(gòu)造與對比識別網(wǎng)絡(luò)

1.1 數(shù)據(jù)集構(gòu)造

一方面，在上位機上采用MATLAB軟件開發(fā)了22種不同調(diào)制類型的基帶波形(各種波形的最大符號速率設(shè)為1 MSPS)，每種基帶調(diào)制類型信號波形的I、Q數(shù)據(jù)長度設(shè)為100萬點。將開發(fā)的基帶波形通過矢量信號發(fā)生器(VSG)完成調(diào)制，并上變頻至載波頻率為666 MHz形成已調(diào)信號，后經(jīng)放大輸出(輸出功率為0 dBm)。接收端，通過有線連接至RF信號采集板卡進(jìn)行0中頻采樣(采集卡工作頻段范圍為70 MHz至700 MHz，采集卡AD采樣率設(shè)為200 MHz)，AD量化位數(shù)為16 bit量化，通過采集板卡將接收信號進(jìn)行下變頻至0中頻并經(jīng)25倍抽取后以8 MSPS的基帶I、Q速率輸出。每類調(diào)制類型輸出信號的采集時長為10 s，依次生成22種不同調(diào)制類型的基帶I、Q數(shù)據(jù)；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)作為I、Q數(shù)據(jù)采集設(shè)備，對廣漢機場專用的2個VHF通信頻點分別進(jìn)行數(shù)據(jù)采集，最終構(gòu)造出24種不同調(diào)制類型信號集。具體包括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、廣漢-VHF1、廣漢-VHF2。在此基礎(chǔ)上，進(jìn)一步對調(diào)制類型數(shù)據(jù)集手動添加不同強度的噪聲(SNR=-4 dB～12 dB)生成新的不同噪聲強度下的信號集。隨后再對含噪信號集樣本進(jìn)行分段切片處理，形成固定長度的數(shù)據(jù)集。完整的數(shù)據(jù)集生成流程如圖1所示。

圖1 數(shù)據(jù)集生成流程圖

1.2 基線對比網(wǎng)絡(luò)

鑒于CNN網(wǎng)絡(luò)出色的識別性能，本文將其作為信號調(diào)制識別性能的對比網(wǎng)絡(luò)。該網(wǎng)絡(luò)包括2個卷積層和3個全連接層，網(wǎng)絡(luò)輸入樣本為1024點長度的原始I、Q數(shù)據(jù)。卷積層主要對輸入數(shù)據(jù)進(jìn)行特征提取，通過卷積操作生成特征圖[20]。每個卷積層中包含多個卷積核，卷積步幅設(shè)為1。網(wǎng)絡(luò)中的激活函數(shù)采用ReLU函數(shù)，其函數(shù)表達(dá)式如式(1)所示。網(wǎng)絡(luò)中的池化窗口大小設(shè)為1×2，采用最大池化方式，池化步長設(shè)為1，沿著同一維度對特征平面進(jìn)行降維。對比網(wǎng)絡(luò)的具體結(jié)構(gòu)如表1所示。

f(z)=max(0,z)

(1)

其中z為激活函數(shù)的輸入特征。

表1 CNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2 信號調(diào)制識別網(wǎng)絡(luò)設(shè)計

借鑒計算機視覺和圖像識別領(lǐng)域已獲得廣泛應(yīng)用的殘差神經(jīng)網(wǎng)絡(luò)(ResNet)結(jié)構(gòu)[21]，在CNN網(wǎng)絡(luò)基礎(chǔ)上增加恒等映射，采用類似并聯(lián)(而非級聯(lián))的形式調(diào)整優(yōu)化網(wǎng)絡(luò)參數(shù)，有效避免了CNN網(wǎng)絡(luò)隨網(wǎng)絡(luò)層數(shù)加深、迭代次數(shù)過多所導(dǎo)致的梯度爆炸和梯度消失等問題[22]。然而，當(dāng)前殘差神經(jīng)網(wǎng)絡(luò)的典型網(wǎng)絡(luò)層數(shù)大多設(shè)置為18、50、101層等類型，若在信號調(diào)制識別中照搬殘差網(wǎng)絡(luò)的深度層數(shù)，將直接導(dǎo)致網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜、網(wǎng)絡(luò)參數(shù)大、所需訓(xùn)練樣本數(shù)量多、消耗硬件資源等問題。同時，由于未充分考慮無線電信號I、Q數(shù)據(jù)特性，直接照搬圖像識別領(lǐng)域成熟的殘差神經(jīng)網(wǎng)絡(luò)進(jìn)行信號調(diào)制類型識別，將導(dǎo)致網(wǎng)絡(luò)的識別性能不佳，這在基于CNN網(wǎng)絡(luò)的信號調(diào)制識別研究中已得到證實。

因此，文中結(jié)合無線電信號的I、Q數(shù)據(jù)特征，利用基本卷積層、殘差單元、殘差塊以及全連接層搭建信號調(diào)制識別神經(jīng)網(wǎng)絡(luò)，所構(gòu)建的網(wǎng)絡(luò)架構(gòu)如圖2所示，根據(jù)不同的網(wǎng)絡(luò)結(jié)構(gòu)及網(wǎng)絡(luò)超參數(shù)條件所表現(xiàn)出的識別性能確定網(wǎng)絡(luò)最終結(jié)構(gòu)。

圖2 所提的DeepResNet-RF網(wǎng)絡(luò)基本架構(gòu)

在網(wǎng)絡(luò)訓(xùn)練階段，網(wǎng)絡(luò)全連接層的丟棄率設(shè)為0.3，使用Adam優(yōu)化器作為網(wǎng)絡(luò)優(yōu)化器，超參數(shù)學(xué)習(xí)率設(shè)為0.001，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，每輪訓(xùn)練數(shù)據(jù)均隨機洗牌，數(shù)據(jù)集總樣本數(shù)為26萬個，選取數(shù)據(jù)集中的80%作為訓(xùn)練數(shù)據(jù)，20%作為測試數(shù)據(jù)，每批次樣本數(shù)為1000。采用多類別交叉熵作為損失函數(shù)。

(2)

(3)

其中?yj/?wj=bj，根據(jù)f(yj)′=f(yj)(1-f(yj))，f為每層網(wǎng)絡(luò)的激活函數(shù)，最后一層采用softmax(.)函數(shù)，各神經(jīng)元的權(quán)值梯度為：

(4)

因此，最后一層網(wǎng)絡(luò)的權(quán)值梯度向量表示如下：

?Θ=[?w0,?w1,…,?wj]

(5)

進(jìn)一步，采用梯度下降法更新網(wǎng)絡(luò)權(quán)值。

Θ=Θ1-α·?Θ

(6)

其中，?Θ表示每層網(wǎng)絡(luò)權(quán)值的梯度，α為學(xué)習(xí)率，Θ為待更新的網(wǎng)絡(luò)權(quán)值，Θ1為上一次迭代更新的網(wǎng)絡(luò)權(quán)值。最后反向依次完成每層網(wǎng)絡(luò)權(quán)值更新。

1)網(wǎng)絡(luò)輸入樣本長度。

首先，啟發(fā)式給定網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)。其中殘差塊數(shù)設(shè)為6，每個殘差塊中卷積層數(shù)為5，卷積核大小設(shè)為4×2。在此基礎(chǔ)上，采用不同長度的數(shù)據(jù)樣本對網(wǎng)絡(luò)進(jìn)行訓(xùn)練與測試，以此確定網(wǎng)絡(luò)的最佳輸入樣本長度。分別計算了樣本長度為128、256、512和1024幾種情況下的網(wǎng)絡(luò)識別性能，測試結(jié)果如圖3所示。結(jié)果表明，當(dāng)輸入數(shù)據(jù)維度為2×1024×1(I、Q這2路)時，網(wǎng)絡(luò)在-4 dB信噪比條件下的識別性能超過75%。信噪比超過4 dB時，其識別性能趨于100%。進(jìn)一步增加數(shù)據(jù)維度至2×2048×1，網(wǎng)絡(luò)識別性能沒有顯著提升，但訓(xùn)練網(wǎng)絡(luò)所需的時間成本卻成倍增加。折中考慮，網(wǎng)絡(luò)輸入樣本長度設(shè)置為1024合理，故網(wǎng)絡(luò)輸入數(shù)據(jù)維度為2×1024×1。

圖3 不同樣本長度下識別性能隨信噪比變化曲線

2)殘差塊個數(shù)。

給定網(wǎng)絡(luò)輸入數(shù)據(jù)維度為2×1024×1條件下，進(jìn)一步測試網(wǎng)絡(luò)中包含不同殘差塊個數(shù)對應(yīng)的網(wǎng)絡(luò)識別性能。結(jié)果表明，針對文中所采集的數(shù)據(jù)樣本而言，不同數(shù)量的殘差塊對網(wǎng)絡(luò)識別性能影響不明顯，當(dāng)網(wǎng)絡(luò)中使用的殘差塊數(shù)為5時，網(wǎng)絡(luò)在-4 dB信噪比條件下的識別準(zhǔn)確性達(dá)到74%，6 dB信噪比條件下趨近100%，若繼續(xù)增加網(wǎng)絡(luò)的殘差塊數(shù)，其識別精度并沒有顯著提升。鑒于此，當(dāng)深度殘差調(diào)制識別網(wǎng)絡(luò)的殘差塊數(shù)設(shè)為5時，網(wǎng)絡(luò)能達(dá)到最佳的調(diào)制識別性能。

3)殘差塊內(nèi)包含的卷積層數(shù)。

在確定數(shù)據(jù)樣本維度(2×1024×1)和殘差塊數(shù)(5個)后，進(jìn)一步對殘差塊中包含的卷積層數(shù)進(jìn)行研究，分析了殘差塊中卷積層從1層逐次遞增至6層時的網(wǎng)絡(luò)識別性能，測試結(jié)果如圖4所示。當(dāng)卷積層數(shù)設(shè)為4時，網(wǎng)絡(luò)在-4 dB信噪比條件下的識別精度達(dá)到73%，超過8 dB信噪比時的識別精度趨于100%。若繼續(xù)增加殘差塊中的卷積層數(shù)，其網(wǎng)絡(luò)識別性能無明顯提升。故深度殘差調(diào)制識別網(wǎng)絡(luò)的殘差塊中的卷積層數(shù)設(shè)為4是合理的。

圖4 殘差塊內(nèi)包含不同卷積層數(shù)的網(wǎng)絡(luò)識別性能

4)網(wǎng)絡(luò)卷積核大小。

在確定了網(wǎng)絡(luò)輸入樣本數(shù)據(jù)維度、殘差塊數(shù)(5個)以及卷積層數(shù)(4層)等網(wǎng)絡(luò)超參數(shù)條件下，進(jìn)一步對卷積層中不同卷積核尺寸進(jìn)行研究，分析了卷積核尺寸從2層逐次遞增至6層時的網(wǎng)絡(luò)識別性能，測試結(jié)果如圖5所示。當(dāng)卷積核長度設(shè)為5時，相較于其他數(shù)據(jù)長度而言，網(wǎng)絡(luò)在-4 dB信噪比條件下的識別性能達(dá)到78%，在4 dB信噪比下接近100%，進(jìn)一步增加卷積核尺寸反而導(dǎo)致網(wǎng)絡(luò)識別性能下降。因此，折中考慮網(wǎng)絡(luò)識別性能以及網(wǎng)絡(luò)復(fù)雜度等因素，將網(wǎng)絡(luò)卷積核尺寸設(shè)為5。

最終，在以上各網(wǎng)絡(luò)超參數(shù)選取基礎(chǔ)上，直接確定出最終的信號調(diào)制識別網(wǎng)絡(luò)結(jié)構(gòu)，所提的緊致DeepResNet-RF網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表2所示。

圖5 不同卷積核大小的網(wǎng)絡(luò)識別性能

表2 所提的DeepResNet-RF網(wǎng)絡(luò)結(jié)構(gòu)

所謂緊致，主要體現(xiàn)在3個方面。①傳統(tǒng)的ResNet在下采樣過程中，通道數(shù)是不斷翻倍的，而本文中的通道數(shù)固定為32，避免了網(wǎng)絡(luò)因通道數(shù)的增加而導(dǎo)致網(wǎng)絡(luò)的計算復(fù)雜度急劇上升；②本文使用的網(wǎng)絡(luò)層數(shù)為24層，相較于ResNet50以及ResNet101等傳統(tǒng)殘差網(wǎng)絡(luò)而言，所設(shè)計網(wǎng)絡(luò)在保證識別精度的同時大大減少了網(wǎng)絡(luò)總層數(shù)，降低了網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度；③本文所采用的的數(shù)據(jù)維度為2×1024×1。對此，通過反復(fù)的實驗比對發(fā)現(xiàn)，選用卷積核大小為5×2，相較于傳統(tǒng)卷積核大小為3×3而言，在加快網(wǎng)絡(luò)運行速度的同時，也能保證網(wǎng)絡(luò)的識別準(zhǔn)確性。

2.1 存在的局限及分析

在移動場景中，信號源到接收機間的信道環(huán)境通常會發(fā)生變化，因此，需要驗證所提網(wǎng)絡(luò)在時變信道環(huán)境下的適應(yīng)能力。接下來，在采集的原始數(shù)據(jù)集基礎(chǔ)上，對原始數(shù)據(jù)集樣本仿真加入瑞利衰落效應(yīng)模擬信道環(huán)境發(fā)生變化后的數(shù)據(jù)集，利用原數(shù)據(jù)集訓(xùn)練的網(wǎng)絡(luò)對加入瑞利衰落效應(yīng)的新數(shù)據(jù)集進(jìn)行調(diào)制類型識別性能測試，不同信噪比下的識別性能測試結(jié)果如表3所示。結(jié)果表明：網(wǎng)絡(luò)在原信道數(shù)據(jù)集上的測試具有極高的識別性能(整體上超過90%)，但采用經(jīng)瑞利衰落效應(yīng)后的新數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行測試時，其識別性能最高僅達(dá)41%，所提網(wǎng)絡(luò)對時變系統(tǒng)的識別效果性能極差。因此，對新信道環(huán)境下的信號進(jìn)行調(diào)制識別時，需要使用新信道環(huán)境下的訓(xùn)練數(shù)據(jù)對網(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)，不僅需要的數(shù)據(jù)量龐大而且時間成本會急劇上升，不能滿足實時性要求較高的場合。鑒于此，采用遷移學(xué)習(xí)技術(shù)，采用新環(huán)境下的訓(xùn)練數(shù)據(jù)對網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)，利用部分調(diào)整后的神經(jīng)網(wǎng)絡(luò)進(jìn)行調(diào)制識別[23]。

表3 信道變化條件下的網(wǎng)絡(luò)識別性能對比

2.2 遷移學(xué)習(xí)策略選用

遷移學(xué)習(xí)理論是對源域與目標(biāo)域兩者之間的數(shù)據(jù)相關(guān)性進(jìn)行研究。本文中，結(jié)合神經(jīng)網(wǎng)絡(luò)的深度遷移學(xué)習(xí)使用源域即原始信道的數(shù)據(jù)對所搭建的網(wǎng)絡(luò)進(jìn)行訓(xùn)練、測試，當(dāng)所在域發(fā)生變化時，原先已訓(xùn)練好的網(wǎng)絡(luò)對于目標(biāo)域即在新信道下的分類識別效果極差。這時，利用少量目標(biāo)域中的樣本數(shù)據(jù)對源域中已訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)微調(diào)，以此完成神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)。在這里，源域和目標(biāo)域兩者之間的相似性主要體現(xiàn)在信號數(shù)據(jù)的無線電特性、數(shù)據(jù)分布是保持一致的。這也是為什么遷移學(xué)習(xí)能夠解決信道環(huán)境改變時的網(wǎng)絡(luò)性能惡化問題。本文針對基于神經(jīng)網(wǎng)絡(luò)的深度遷移學(xué)習(xí)提出3種遷移學(xué)習(xí)方式：1)微調(diào)網(wǎng)絡(luò)所有層權(quán)值；2)網(wǎng)絡(luò)全連接層權(quán)值不變、微調(diào)卷積層權(quán)值；3)網(wǎng)絡(luò)卷積層權(quán)值不變、微調(diào)全連接層權(quán)值。

1)網(wǎng)絡(luò)微調(diào)的數(shù)據(jù)集規(guī)模。

文中在不同訓(xùn)練數(shù)據(jù)集樣本規(guī)模下分別測試網(wǎng)絡(luò)識別性能，據(jù)此確定遷移學(xué)習(xí)所需的最少樣本數(shù)。具體上，分別利用4000(1.5%)、6000(2.3%)、13000(5%)、26000(10%)、52000(20%)、86000(33%)、260000(100%)規(guī)模的訓(xùn)練數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練后的識別性能如圖6所示。結(jié)果表明，當(dāng)采用86000個樣本構(gòu)成的微調(diào)數(shù)據(jù)集時，網(wǎng)絡(luò)的平均識別性能超過90%，與采用全部數(shù)據(jù)集(260000個樣本)對網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練后的網(wǎng)絡(luò)平均識別性能相當(dāng)，但重新訓(xùn)練網(wǎng)絡(luò)所需要的運算時間卻增加了將近4倍，為此，在后續(xù)遷移學(xué)習(xí)策略選取中，微調(diào)數(shù)據(jù)集樣本數(shù)為86000個。

圖6 不同大小的微調(diào)數(shù)據(jù)集下網(wǎng)絡(luò)的識別精度

2)不同遷移學(xué)習(xí)方式下的識別性能。

基于上述3種遷移學(xué)習(xí)方式，進(jìn)一步利用微調(diào)數(shù)據(jù)集對DeepResNet-RF網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)，獲得的識別性能結(jié)果如圖7所示。結(jié)果表明，采用網(wǎng)絡(luò)全連接層固定，對卷積層的權(quán)值偏置進(jìn)行微調(diào)的遷移學(xué)習(xí)方法，其對于不同場景下的新數(shù)據(jù)識別效果最好。導(dǎo)致這一現(xiàn)象的原因是因為網(wǎng)絡(luò)卷積層所需訓(xùn)練的參數(shù)量較少，采用較小的訓(xùn)練集能滿足卷積層參數(shù)進(jìn)行微調(diào)的要求，而全連接層所需要訓(xùn)練的參數(shù)眾多，僅采用少量數(shù)據(jù)集對其進(jìn)行調(diào)整，不足以完成網(wǎng)絡(luò)的權(quán)值微調(diào)。另外，DeepResNet-RF網(wǎng)絡(luò)特征提取主要由卷積層所決定，若僅對全連接層進(jìn)行權(quán)值更新則無法達(dá)到網(wǎng)絡(luò)的微調(diào)效果，故第2種遷移學(xué)習(xí)方法優(yōu)于其他2種遷移學(xué)習(xí)方法。

圖7 不同遷移學(xué)習(xí)方式的識別性能

3 實驗結(jié)果與分析

3.1 網(wǎng)絡(luò)泛化能力驗證

為證實所提DeepResNet-RF網(wǎng)絡(luò)的識別性能，本文采取表2中的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練。DeepResNet-RF網(wǎng)絡(luò)的損失值隨迭代輪次變化的曲線如圖8所示，從圖中可以發(fā)現(xiàn)，網(wǎng)絡(luò)迭代次數(shù)在接近30次時，認(rèn)定網(wǎng)絡(luò)已訓(xùn)練好。雖然網(wǎng)絡(luò)的損失值處于震蕩的形式，但其數(shù)值總體上呈現(xiàn)下降的趨勢，這表明網(wǎng)絡(luò)的學(xué)習(xí)性能良好，魯棒性高。

圖8 網(wǎng)絡(luò)損失值隨迭代輪次的變化曲線

本文分別對邊界信噪比(SNR=-4 dB和SNR=12 dB)條件測試了所提網(wǎng)絡(luò)的識別性能。測試結(jié)果表明，所提的DeepResNet-RF網(wǎng)絡(luò)在-4 dB信噪比場景下對不同調(diào)制類型信號的識別效果存在一定的差異，整體識別性能約為90%。當(dāng)信噪比逐漸增加時，網(wǎng)絡(luò)的識別性能不斷提升，當(dāng)信噪比達(dá)到12 dB時，DeepResNet-RF網(wǎng)絡(luò)在訓(xùn)練數(shù)據(jù)集上的識別精度達(dá)到100%，從而證實本文所設(shè)計網(wǎng)絡(luò)的有效性。

為進(jìn)一步驗證網(wǎng)絡(luò)識別泛化能力，在相同信道響應(yīng)條件下，采用未參予網(wǎng)絡(luò)訓(xùn)練的新數(shù)據(jù)對已訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測試，分析不同信噪比下所設(shè)計網(wǎng)絡(luò)的整體識別性能與每種調(diào)制信號的識別準(zhǔn)確度，測試結(jié)果如表4所示。研究結(jié)果表明：所提網(wǎng)絡(luò)在低信噪比(-4 dB)場景下對于特定的幾種調(diào)制信號的識別效果不佳(如DQPSK、16QAM等)，但整體識別性能達(dá)到94%。隨著信噪比逐漸增加，網(wǎng)絡(luò)的識別性能不斷提升，當(dāng)信噪比達(dá)到12 dB時，網(wǎng)絡(luò)的識別精度達(dá)到100%，網(wǎng)絡(luò)在測試數(shù)據(jù)集與訓(xùn)練驗證集上的網(wǎng)絡(luò)識別性能相當(dāng)，證實了本文所設(shè)計的信號調(diào)制識別網(wǎng)絡(luò)具有良好的泛化能力。

表4 信號調(diào)制類型識別性能

3.2 信號調(diào)制識別性能對比

在信號調(diào)制識別性能對比實驗中，基線對比網(wǎng)絡(luò)結(jié)構(gòu)如表1所示，DeepResNet-RF網(wǎng)絡(luò)結(jié)構(gòu)如表2所示。在網(wǎng)絡(luò)訓(xùn)練過程中，CNN網(wǎng)絡(luò)訓(xùn)練參數(shù)與DeepResNet-RF網(wǎng)絡(luò)訓(xùn)練過程中的損失函數(shù)、優(yōu)化器、學(xué)習(xí)率、模糊因子、訓(xùn)練數(shù)據(jù)樣本數(shù)和測試數(shù)據(jù)樣本數(shù)完全相同。CNN網(wǎng)絡(luò)和DeepResNet-RF網(wǎng)絡(luò)的批量樣本數(shù)目分別設(shè)為500和1000。

1)網(wǎng)絡(luò)識別性能對比。

在完成上述2種網(wǎng)絡(luò)的訓(xùn)練后，采用測試數(shù)據(jù)集對網(wǎng)絡(luò)的識別性能進(jìn)行測試，在訓(xùn)練數(shù)據(jù)集上的網(wǎng)絡(luò)識別性能與迭代輪次的性能曲線以及網(wǎng)絡(luò)在不同信噪比下的識別性能分別如圖9和表5所示。當(dāng)網(wǎng)絡(luò)訓(xùn)練的迭代次數(shù)達(dá)到30輪時，CNN網(wǎng)絡(luò)與所提網(wǎng)絡(luò)在訓(xùn)練集上的識別性能均超過95%，但隨著迭代次數(shù)增多，所提網(wǎng)絡(luò)識別性能優(yōu)于CNN網(wǎng)絡(luò)的識別性能。

圖9 網(wǎng)絡(luò)識別性能與迭代輪次的性能曲線

表5 網(wǎng)絡(luò)在不同信噪比下的識別性能

根據(jù)表5可知，所提網(wǎng)絡(luò)在-4 dB信噪比下的識別精度達(dá)到76.4%，而CNN網(wǎng)絡(luò)的識別精度僅為64%。本文所提網(wǎng)絡(luò)在4 dB信噪比下的識別精度接近于100%，而CNN網(wǎng)絡(luò)的識別精度最高也僅達(dá)到80%，因此，無論在低信噪比還是在高信噪比場景下，本文所提網(wǎng)絡(luò)的識別性能都要優(yōu)于CNN網(wǎng)絡(luò)的識別性能。

2)基于遷移學(xué)習(xí)的網(wǎng)絡(luò)識別性能。

基于瑞利衰落數(shù)據(jù)對已完成遷移學(xué)習(xí)的網(wǎng)絡(luò)進(jìn)行測試，仍然以邊界信噪比為例進(jìn)行“包線”測試，結(jié)果如圖10所示，在-4 dB信噪比條件下，網(wǎng)絡(luò)的識別精度整體約為78%左右，而在12 dB信噪比條件下，網(wǎng)絡(luò)的識別精度接近于100%，與重新訓(xùn)練網(wǎng)絡(luò)所達(dá)到的識別精度近乎一致。

(a) SNR=-4 dB

4 結(jié)束語

本文針對無線電信號數(shù)據(jù)特點設(shè)計了一種適用于無線電信號調(diào)制識別且結(jié)構(gòu)緊致的輕量級神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了從原始基帶I、Q數(shù)據(jù)到信號調(diào)制類型輸出的端到端識別。在此基礎(chǔ)上，利用遷移學(xué)習(xí)技術(shù)降低了網(wǎng)絡(luò)訓(xùn)練所需的樣本數(shù)目，增強了所提網(wǎng)絡(luò)在無線信道響應(yīng)發(fā)生變化時的環(huán)境適應(yīng)能力，減少了訓(xùn)練所需的硬件資源需求和訓(xùn)練數(shù)據(jù)集規(guī)模。在所構(gòu)建的信號調(diào)制類型數(shù)據(jù)集上的識別性能測試表明：信道響應(yīng)改變時，所提信號調(diào)制識別神經(jīng)網(wǎng)絡(luò)在信噪比為12 dB條件下的識別性能達(dá)到了95%，通過對比實驗證實了所設(shè)計網(wǎng)絡(luò)的識別性能優(yōu)勢。下一步的主要工作是構(gòu)建全部外場實測數(shù)據(jù)集，進(jìn)一步驗證和改善網(wǎng)絡(luò)在實測場景下的穩(wěn)健性。