基于聯(lián)合卷積與記憶神經(jīng)網(wǎng)絡(luò)的信號自動調(diào)制識別

張 姬 侯 進 陳觀業(yè)

(西南交通大學信息科學與技術(shù)學院 四川 成都 611756)

0 引 言

信號的調(diào)制識別是一個關(guān)鍵技術(shù)，準確快速地識別和標記信號的調(diào)制模式，是頻譜干擾監(jiān)測、無線電故障檢測、動態(tài)頻譜接入、認知無線網(wǎng)絡(luò)等許多防御和監(jiān)管應(yīng)用的推動技術(shù)[1]。將復(fù)雜的高速射頻信號數(shù)據(jù)轉(zhuǎn)化為精確準確的標簽，使其能夠高效地傳輸和應(yīng)用，是當今無線電傳輸和通信系統(tǒng)中的一個關(guān)鍵組成部分。因此，關(guān)于無線電信號調(diào)制識別技術(shù)的研究具有重要的意義。

通信信號的自動調(diào)制識別的研究中，主要包括兩個技術(shù)方向：(1) 基于似然比判決理論的調(diào)制識別；(2) 基于特征統(tǒng)計理論的調(diào)制識別。似然比函數(shù)決策理論在最小代價準則下效果最佳，然而在實際工程中通信環(huán)境非常復(fù)雜，判決標準根據(jù)調(diào)制方式的不同需要重新設(shè)計似然函數(shù)，而且需要許多先驗信息，這些原因?qū)е铝嗽摲椒]有得到普遍使用。

基于特征統(tǒng)計模式的信號識別最關(guān)鍵的步驟是提取出合適的通信信號特征，來區(qū)分不同的調(diào)制模式。當前基于特征統(tǒng)計的調(diào)制識別技術(shù)相關(guān)研究主要集中在以下兩方面：(1) 在復(fù)雜的物理場景上進一步研究更高效的信號特征；(2) 研究機器學習和深度學習方法在調(diào)制識別中的表現(xiàn)。一般特征提取方法有[2]：基于信號瞬時特征、基于小波變換、基于高階累積量、基于星座圖、基于循環(huán)譜等。在分類識別過程中，用深度置信網(wǎng)絡(luò)取代根據(jù)特征閾值進行決策的判決樹[3]，或者對部分特征進行自動編碼重構(gòu)以改進分類性能[4]，一定程度上提升了分類器對于復(fù)雜通信環(huán)境、復(fù)雜信號類型分類問題的自適應(yīng)性。但以上設(shè)計的神經(jīng)網(wǎng)絡(luò)模型都需要設(shè)計者從信號采樣數(shù)據(jù)中人工設(shè)計和提取特征，模型準確率很大程度取決于這部分。因此，需要一種更加魯棒和有效的神經(jīng)網(wǎng)絡(luò)架構(gòu)，弱化前期的特征手動提取部分而達到自動識別的功能，并且提高信號的整體識別率。

近年來深度學習技術(shù)在計算機視覺、語音識別和自然語言處理領(lǐng)域取得了變革性的快速發(fā)展[5]，這些領(lǐng)域曾極其依賴特征工程，而現(xiàn)在已經(jīng)逐漸被深度學習神經(jīng)網(wǎng)絡(luò)取代了，所有特征可通過深度神經(jīng)網(wǎng)絡(luò)自身提取，減少了特征提取的工作量。而針對自動調(diào)制識別的特征提取和分類問題，深度學習也逐漸開始在該領(lǐng)域得到應(yīng)用。根據(jù)輸入數(shù)據(jù)類型的不同，將基于深度學習的自動調(diào)制識別分為兩類：(1) 基于轉(zhuǎn)換特征圖像的算法，其主要是將信號序列經(jīng)過預(yù)處理轉(zhuǎn)換為特征圖像(如時頻圖、頻譜圖、循環(huán)譜圖、星座圖等)進而使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)等圖像識別算法實現(xiàn)調(diào)制識別[6-7]；(2) 基于時域波形數(shù)據(jù)的算法，其主要是利用CNN或循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)直接從時域信號中提取特征并進行分類[8-10]。文獻[8]率先將CNN應(yīng)用于時序信號數(shù)據(jù)，并且效果好于使用專家特征的方法。文獻[10]采用將CNN與長短期記憶網(wǎng)絡(luò)(Long Short Term Memory Networks,LSTM)結(jié)合的CLDNN網(wǎng)絡(luò)對無線電信號進行調(diào)制識別。文獻[11]采用RNN對中頻信號的采樣序列進行調(diào)制識別。文獻[12]將端到端的深度學習神經(jīng)網(wǎng)絡(luò)ResNet應(yīng)用于無線電信號序列樣本數(shù)據(jù)，獲得比現(xiàn)有最佳的傳統(tǒng)特征提取方法——基于高階矩的分類方法——更高的精度。結(jié)合通信信號本質(zhì)進行深度學習網(wǎng)絡(luò)研究，構(gòu)建具有自適應(yīng)性、自我學習、自主決策能力的通信信號處理機制具有重大的意義。

近年來卷積神經(jīng)網(wǎng)絡(luò)的明顯趨勢是建立更深的網(wǎng)絡(luò)來學習更復(fù)雜的函數(shù)和層次特征關(guān)系，然而隨著神經(jīng)網(wǎng)絡(luò)的深度增加，容易出現(xiàn)梯度消散的現(xiàn)象[13]。因此，本文嘗試通過改變網(wǎng)絡(luò)架構(gòu)和特征傳輸和融合的方式來使信息傳播更加高效，達到提升性能的效果。本文在卷積核尺寸、網(wǎng)絡(luò)容量大致相同的情況下，提出聯(lián)合卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)的并行雙路調(diào)制識別神經(jīng)網(wǎng)絡(luò)PCLD(Parallel CNN_LSTM_DNN)來改進復(fù)雜環(huán)境下多種無線電信號的調(diào)制識別網(wǎng)絡(luò)性能。該網(wǎng)絡(luò)在訓(xùn)練參數(shù)減少的情況下，相比其他卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)提高了信號識別分類性能，更適合無線電信號的特征提取，兼顧了無線電信號的空間和時域信息。無線電信號IQ兩路信號兼具時域信息和空間關(guān)系，本文在PCLD基礎(chǔ)上添加了IQ分離數(shù)據(jù)作為輔助通道，設(shè)計了MCCLD(Multi-channel Combined CNN_LSTM_DNN)。該方法在訓(xùn)練參數(shù)量相近的情況下加快了收斂速度，在調(diào)制識別準確度上也有相應(yīng)提高。

1 無線信道模型與數(shù)據(jù)集

無線電信號在信道和接收機的相互作用下，接收信號可表示為：

ω0)t+φn+θ))+g(n)

(1)

式中：An表示第n個符號的幅度；s(t)表示脈沖成形函數(shù)；T表示符號周期；h(t)表示信道響應(yīng)函數(shù)；φn表示相位；θ表示初始相位偏移；ωc表示載頻；ω0表示接收機頻率；g(n)表示高斯白噪聲。無線電信號本質(zhì)上是由發(fā)射器按照一定規(guī)則映射的，然而在發(fā)射、傳輸和接收過程中，由于載波ωc頻偏、初始相位偏移θ、信道響應(yīng)h(t)和接收機的載波頻率ω0恢復(fù)誤差、符號時鐘恢復(fù)誤差等影響，導(dǎo)致接收到的信號數(shù)據(jù)幅度或相位信息有所失真，存在不同程度的偏差與損傷。接收器將接收到的中頻輸出信號通過正交解調(diào)變換為正交的兩路基帶解析信號：

Z(t)=A(t)cosφt+jA(t)sinφt=ZI(t)+ZQ(t)

(2)

式中：A(t)為基帶信號的瞬時幅度；φt為瞬時相位；ZI(t)為同相分量；ZQ(t)為正交分量。

二維空間中的極坐標上任意點到原點的距離和相角，可以分別代表信號采樣點的振幅和相位，也可以說是代表載波的被調(diào)制情況。而這一點所代表的向量,在笛卡爾坐標中橫軸和縱軸上的投影分別為I值和Q值。所以相反地，如果已知接收信號的IQ數(shù)據(jù)，由式(3)和式(4)同樣可得到其瞬時幅度相位信息：

(3)

P(t)=arctan(ZQ(t)/ZI(t))

(4)

本文將使用文獻[12]所發(fā)布的RadioML 2018.01調(diào)制識別數(shù)據(jù)集。該數(shù)據(jù)集使用了GNU Radio軟件連接軟件無線電外設(shè)(Universal Software Radio Peripheral,USRP)采集了共24種不同的模擬調(diào)制和數(shù)字調(diào)制信號，涵蓋了廣泛的單載波調(diào)制方案。調(diào)制信號包括：OOK、4ASK、8ASK、BPSK、QPSK、8PSK、16PSK、32PSK、16APSK、32APSK、64APSK、128APSK、16QAM、32QAM、64QAM、128QAM、256QAM、AM-SSB-WC、AM-SSB-SC、AM-DSB-WC、AM-DSB-SC、FM、GMSK、OQPSK。信道模擬考慮了中心頻率偏移、采樣率偏移、加性高斯白噪聲、多徑和衰落等影響。數(shù)據(jù)集樣本的信噪比均勻分布在-20 dB～30 dB范圍，間隔2 dB，總共26種信噪比參數(shù)，數(shù)據(jù)集樣本數(shù)為：24×26×4 096。每個樣本均包含同相分量/正交分量(I/Q)兩路數(shù)據(jù)，每一路數(shù)據(jù)有1 024個采樣點。

2 調(diào)制識別網(wǎng)絡(luò)模型的設(shè)計與構(gòu)建

2.1 并行雙路調(diào)制識別神經(jīng)網(wǎng)絡(luò)的設(shè)計

2.1.1Inception單元網(wǎng)絡(luò)結(jié)構(gòu)

Google提出的Inception架構(gòu)[14]是一種提高網(wǎng)絡(luò)性能的成功方法。本文設(shè)計的Inception單元如圖1所示，包含三個并行路徑：首先通過1×1卷積學習這些特征在通道間的組合方式，同時將輸入的維度降下來，再通過常規(guī)的卷積核來學習某個特征在空間的分布，因為樣本為二維數(shù)據(jù)格式，本文采取的卷積核尺寸為3×2和3×1，兩層小尺寸的卷積核等價于大尺寸卷積核的效果。最后將這些特征信息在通道軸上進行級聯(lián)后輸出。使用1×1卷積可以讓網(wǎng)絡(luò)自行決定使用哪些過濾器組合，在同一層級上擁有多個尺寸的卷積核，這種特征提取方式可以提供多尺度的特征檢測，增加了網(wǎng)絡(luò)寬度有效防止梯度消失。

圖1 Inception單元結(jié)構(gòu)示意圖

2.1.2Inception-Resnet單元網(wǎng)絡(luò)結(jié)構(gòu)

增加跨層連接的殘差網(wǎng)絡(luò)架構(gòu)可以減少梯度消散。文獻[15]將Inception結(jié)構(gòu)與Resnet結(jié)構(gòu)結(jié)合，同時應(yīng)用兩種特征連接方式，在Inception單元間添加跨層連接，得到Inception-ResNet網(wǎng)絡(luò)。本文設(shè)計的Inception-ResNet單元結(jié)構(gòu)如圖2所示。Inception單元提供多尺度的特征檢測及靈活的特征組合方式，殘差結(jié)構(gòu)不直接學習x到H(x)的映射關(guān)系，而是學習兩者的差異，圖2中用F(x)表示，然后需要計算H(x)時，將殘差加到輸入上即可，即學習F(x)+x。因為傳輸前層的信息迫使網(wǎng)絡(luò)將殘差函數(shù)作為特征提取的一部分。殘差結(jié)構(gòu)有效地減少了梯度消散問題，使更深的神經(jīng)網(wǎng)絡(luò)成為可能。

圖2 Inception-ResNet單元結(jié)構(gòu)示意圖

本文采用的網(wǎng)絡(luò)整體結(jié)構(gòu)如圖3所示，數(shù)據(jù)輸入后經(jīng)過一個卷積層增加通道數(shù)，經(jīng)過N次卷積單元提取特征，卷積單元中的卷積核數(shù)量和尺寸可自定義。卷積提取單元的個數(shù)N可根據(jù)采樣點長度靈活選取，采樣點少的情況下可以不采用Maxpooling層降采樣，但是在采樣點較多的情況下不進行降采樣會造成運算量和參數(shù)量指數(shù)級增加，反而會導(dǎo)致過擬合現(xiàn)象。卷積單元提取的特征信息在通道維度經(jīng)全局均值池化層(Global Average Pooling,GAP)進行降維，GAP能夠加強最后的特征信息與類別的一致性[16]，可以減少參數(shù)量，對整個網(wǎng)絡(luò)在結(jié)構(gòu)上做正則化防止過擬合，最后DNN將特征映射到獨立空間，其輸出通過Softmax回歸進行歸一化處理，得到預(yù)測分類的概率分布，如式(5)所示。

(5)

式中：y1,y2,…,yk,…,yn表示未歸一化的Softmax輸入，qk表示經(jīng)過Softmax歸一化后第k項的概率分布。

圖3 本文Inception網(wǎng)絡(luò)整體結(jié)構(gòu)

本文中選取N=6，卷積核數(shù)目為32，為了減少訓(xùn)練參數(shù)和運算量，在不影響精度的情況下本文在N=4時將特征降采樣至一維。本文中Inception網(wǎng)絡(luò)含有訓(xùn)練參數(shù)的層數(shù)有1層Conv+6×6×2層Conv+1層Dense=74，Inception-Resnet網(wǎng)絡(luò)增加了殘差結(jié)構(gòu)，但是網(wǎng)絡(luò)層數(shù)和訓(xùn)練參數(shù)并未增加，與Inception網(wǎng)絡(luò)相同。

2.1.3PCLD調(diào)制識別網(wǎng)絡(luò)結(jié)構(gòu)

LSTM是一種特殊的RNN結(jié)構(gòu)，通過遺忘門、輸入門和輸出門三個門來控制節(jié)點狀態(tài)。遺忘門選擇丟棄一部分信息，輸入門界定要更新哪些信息，然后更新這部分信息，最后將遺忘門保留的信息與輸入門更新的信息結(jié)合，經(jīng)過輸出門判斷其狀態(tài)后得到輸出，每一步都保存了前面節(jié)點的信息。文獻[17]首次將CLDNN模型將CNN、LSTM和DNN結(jié)合，該模型在語音識別任務(wù)中獲得了良好的性能。

CNN可以減小頻域的偏移變化，LSTM則適合對時序信息進行建模，本文在卷積調(diào)制識別網(wǎng)絡(luò)基礎(chǔ)上增加了CNN_LSTM并行路徑，結(jié)構(gòu)如圖4所示，構(gòu)建了PCLD網(wǎng)絡(luò)結(jié)構(gòu)來捕獲無線電信號數(shù)據(jù)的空間變化和時域動態(tài)特征。各種卷積網(wǎng)絡(luò)結(jié)構(gòu)可能涉及到通道的重排與融合，會破壞信號數(shù)據(jù)的時序完整性，所以本文將提取時序信息的通道CNN_LSTM設(shè)計為并行結(jié)構(gòu)，單獨提取時域動態(tài)特征。本文實驗中卷積網(wǎng)絡(luò)部分選取了Inception_ResNet網(wǎng)絡(luò)結(jié)構(gòu)單元，卷積核數(shù)目、尺寸也與上文相同，CNN_LSTM中卷積層的卷積核尺寸為(3,2),數(shù)目為32，LSTM的輸出維度為16，LSTM層前后使用Reshape層與其他層保持維度一致。PCLD網(wǎng)絡(luò)在Inception-Resnet網(wǎng)絡(luò)基礎(chǔ)上增加了CNN_LSTM并行路徑，網(wǎng)絡(luò)層數(shù)為76。

2.2 多通道聯(lián)合調(diào)制識別網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計

考慮到接收到的信號數(shù)據(jù)不僅在通道間有空間關(guān)系，其分離的通道本身在時間上是連續(xù)變化的，有效提取到這部分信息，本文設(shè)計了多通道聯(lián)合卷積與長短期記憶網(wǎng)絡(luò)MCCLD。MCCLD由兩部分組成，結(jié)構(gòu)如圖5所示，包括用于提取多維IQ數(shù)據(jù)特征的主通道和提取單一維度時域信息的輔助通道。主通道主要用于提取IQ二維數(shù)據(jù)的時域信息和空間信息，而分離的同相分量I路數(shù)據(jù)和正交分量Q路數(shù)據(jù)作為輔助通道的輸入，主要用來提取單一維度信號分量的時域動態(tài)特征，也可將瞬時幅度A和瞬時相位P數(shù)據(jù)作為輸入數(shù)據(jù)。

圖5 MCCLD網(wǎng)絡(luò)結(jié)構(gòu)示意圖

本文使用的MCCLD網(wǎng)絡(luò)主通道部分使用的神經(jīng)網(wǎng)絡(luò)與上文中的PCLD結(jié)構(gòu)相似，卷積神經(jīng)網(wǎng)絡(luò)都使用Inception_ResNet模塊。輔助通道單一維度數(shù)據(jù)特征的提取采用Conv1D_LSTM結(jié)構(gòu)來提取時域信息，一維卷積層相當于卷積核長度的濾波器在一維數(shù)據(jù)上滑動提取特征，可以很好地用于分析具有固定長度周期的信號數(shù)據(jù)。本文中一維卷積核數(shù)目為32，卷積核長度為8，LSTM輸出維度為16。最后將所有通道提取的特征級聯(lián)后在通道維度進行全局平均池化，防止過擬合，再輸入連接全連接層，通過Softmax回歸進行歸一化處理，最后得到預(yù)測分類的概率分布。MCCLD網(wǎng)絡(luò)在PCLD網(wǎng)絡(luò)基礎(chǔ)上增加了兩條Conv1D_LSTM并行路徑，網(wǎng)絡(luò)層數(shù)為80。

2.3 模型訓(xùn)練

本文設(shè)計的網(wǎng)絡(luò)中卷積層的激活函數(shù)都采用了LeakyReLU函數(shù)，相比ReLU激活函數(shù)，LeakyReLU可以減少神經(jīng)元死亡從而緩解梯度消失，加速收斂，提升網(wǎng)絡(luò)性能[18]。LeakyReLU的數(shù)學形式如式(6)所示。

(6)

式中：αi是一個常數(shù)(本文取0.05)；xi是經(jīng)過卷積操作的輸出結(jié)果；yi是經(jīng)過激活函數(shù)后的輸出結(jié)果，也就是整個卷積層的計算結(jié)果。

對于調(diào)制識別等分類任務(wù)，目標損失函數(shù)通常是度量預(yù)測概率與真實類別兩種概率分布之間差異的分類交叉熵，數(shù)學定義為：

(7)

式中：p、q分別表示真實值和預(yù)測值。預(yù)測值越接近真實值，預(yù)測概率越接近1，損失函數(shù)值就越小。由向后傳播算法得出每個參數(shù)關(guān)于損失函數(shù)的梯度，之后再使用梯度下降算法對權(quán)重和偏置參數(shù)進行優(yōu)化更新，找到能使損失函數(shù)最小的局部或全局最優(yōu)值。

網(wǎng)絡(luò)的超參數(shù)如學習率、權(quán)重初始化、梯度下降方法等都會影響網(wǎng)絡(luò)的性能。本文采用了統(tǒng)一的超參數(shù)設(shè)置，使用了自適應(yīng)矩估計(Adam)優(yōu)化器，Adam通過計算梯度的一階矩估計和二階矩估計而為不同的參數(shù)設(shè)計獨立的自適應(yīng)性學習率，在多種網(wǎng)絡(luò)結(jié)構(gòu)中都具有良好表現(xiàn)，從而控制了學習率等超參數(shù)對不同網(wǎng)絡(luò)結(jié)構(gòu)性能的影響。本文Adam參數(shù)學習率設(shè)置為0.001，設(shè)置超參數(shù)beta_1為0.9、beta_2為0.999來控制梯度的指數(shù)移動均值的衰減率。

3 實 驗

3.1 實驗環(huán)境和參數(shù)配置

本文實驗所使用的硬件配置為：Inter Xeon CPU，48 GB內(nèi)存，NVIDIA GTX 1080Ti 580 3 GB GPU顯卡。系統(tǒng)環(huán)境為64位Ubuntu16.04操作系統(tǒng)，網(wǎng)絡(luò)模型由Python實現(xiàn)，基于TensorFlow計算框架并由CUDA10.0加速計算。數(shù)據(jù)集使用RadioML 2018.01調(diào)制信號數(shù)據(jù)集，本文將數(shù)據(jù)集隨機按比例劃分為訓(xùn)練樣本和測試樣本，使用信號調(diào)制識別top-1分類精度作為網(wǎng)絡(luò)性能的指標。

3.2 PCLD網(wǎng)絡(luò)結(jié)構(gòu)性能分析

將本文中Inception、Inception_ResNet、PCLD與文獻[8]的CNN、文獻[10]的CLDNN網(wǎng)絡(luò)、文獻[12]的ResNet進行了對比。CNN[8]網(wǎng)絡(luò)由6層卷積層和全連接層構(gòu)成，CLDNN[10]由4個卷積層、2個LSTM層和全連接層組成，ResNet[12]由6個殘差單元和全連接層組成，網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)設(shè)置均參照文獻進行設(shè)置。實驗結(jié)果如表1所示，信噪比在0 dB以下的信號調(diào)制識別平均準確率用acc_low表示，信噪比在0 dB及以上的信號調(diào)制識別平均準確率用acc_high表示，-20 dB～30 dB全部信噪比信號調(diào)制識別準確率為acc_all。Incep_Res代表Inception_ResNet網(wǎng)絡(luò)。

表1 單一結(jié)構(gòu)網(wǎng)絡(luò)調(diào)制識別平均準確率

在不同網(wǎng)絡(luò)結(jié)構(gòu)模型中，本文中的Inception、Inception_ResNet和PCLD在數(shù)據(jù)集上整體識別率均高于CNN[8]、CLDNN[10]和ResNet[12]。ResNet[12]將輸出與輸入相加，形成一個殘差結(jié)構(gòu)，比直接擬合所需的底層映射更容易，準確率與CNN[8]相比提高了很多。Inception網(wǎng)絡(luò)在多個尺寸上同時進行卷積運算提取特征積再聚合，提高網(wǎng)絡(luò)計算資源的利用率，在計算量不變的情況下，提高網(wǎng)絡(luò)的寬度和深度，在較高信噪比條件下準確率最高，達到89.67%，但是在低信噪比情況下準確率較低。Inception_ResNet網(wǎng)絡(luò)將殘差結(jié)構(gòu)與Inception單元結(jié)構(gòu)相結(jié)合，以獲得殘差結(jié)構(gòu)帶來的好處。整體結(jié)果上Inception網(wǎng)絡(luò)在數(shù)據(jù)集上的準確率高于ResNet[12],Inception_ResNet整體結(jié)果又好于Inception網(wǎng)絡(luò)，在低信噪比情況下Inception_ResNet的表現(xiàn)比Inception表現(xiàn)好，在高信噪比情況下比ResNet[12]識別率更高，表明在不改變網(wǎng)絡(luò)深度的情況下改變網(wǎng)絡(luò)結(jié)構(gòu)可以提高信號調(diào)制識別的準確率。

加入LSTM層后，CLDNN[10]網(wǎng)絡(luò)最后由LSTM層提取特征后進行映射分類，在高信噪比情況下比CNN[8]識別準確率有提高。本文在卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上加入CNN_LSTM并行路徑，PCLD比Inception_ResNet網(wǎng)絡(luò)整體提高大約1百分點的精度，比Inception提高1.68百分點，比ResNet[12]提高3.34百分點，在高信噪比情況下可以達到平均90.54%的準確率，表明LSTM結(jié)構(gòu)可以提取到與卷積單元不同的時序信息。而PCLD的準確率要比CLDNN提高大約有8百分點，表明使用聯(lián)合卷積網(wǎng)絡(luò)結(jié)構(gòu)和長短期記憶網(wǎng)絡(luò)并行提取信號時序信息更高效。

圖6展示了上述幾個網(wǎng)絡(luò)結(jié)構(gòu)在各信噪比情況下的調(diào)制識別性能曲線。

圖6 -20 dB～30 dB不同信噪比情況下各網(wǎng)絡(luò)準確率曲線

整體上隨著信噪比的增加，信號的質(zhì)量提高，識別的準確率也在增加。信噪比的計算公式如下：

SNR=10lg(Ps/Pn)

(8)

式中：Ps表示信號的有效功率；Pn代表噪聲的有效功率。信噪比為負時，代表著無線電信號的有效功率小于噪聲的有效功率，已經(jīng)很難區(qū)分調(diào)制信號與噪聲的差別，-12 dB時準確率為10%，已經(jīng)沒有實用傳輸價值，實際應(yīng)用也較少出現(xiàn)負信噪比的信號。信噪比在0 dB時信號和噪聲的有效功率基本相等，這些網(wǎng)絡(luò)模型也達到了50%以上的準確率，8 dB時可以達到90%，在12 dB時趨于穩(wěn)定，達到95%以上。如果在24類信號調(diào)制識別任務(wù)中以90%準確率為標準時，PCLD模型可以接受的信號信噪比下限為8 dB。PCLD網(wǎng)絡(luò)結(jié)構(gòu)在信噪比為14 dB時準確率達到最高為97.54%，而ResNet[12]在16 dB時達到的最高準確率為95.25%。

3.3 多通道MCCLD網(wǎng)絡(luò)性能分析

本文將使用IQ數(shù)據(jù)和AP數(shù)據(jù)的PCLD網(wǎng)絡(luò)、MCCLD網(wǎng)絡(luò)與文獻[19]的SCC-CNN網(wǎng)絡(luò)在本文數(shù)據(jù)集上進行對比，網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)設(shè)置與原文相同。MCCLD除了提取多維數(shù)據(jù)的整體特征，也提取了獨立的同相分量通道和正交分量通道的時域變化特征信息，也可以將信號的其他特征數(shù)據(jù)輸入輔助通道來提取信息。信號的幅度和相位是兩個主要的調(diào)制變量，可以在二維空間中以極坐標形式表示信號的調(diào)制信息，相位在(-2π,2π)范圍內(nèi)連續(xù)變化，幅度變化體現(xiàn)在與原心距離的變化，再加上時間的維度就可以在三維空間中表示出信號的變化形式，因此本文也使用了AP數(shù)據(jù)輸入來對MCCLD進行實驗。實驗結(jié)果如圖7所示，PCLD_IQ和PCLD_AP表示只使用了信號IQ和AP數(shù)據(jù)的PCLD網(wǎng)絡(luò)，MCCLD_IQ和MCCLD_AP表示使用了IQ數(shù)據(jù)和AP數(shù)據(jù)的多通道聯(lián)合MCCLD網(wǎng)絡(luò)。

(a) 各網(wǎng)絡(luò)訓(xùn)練集損失函數(shù)示意圖

(b) 各模型訓(xùn)練集準確率示意圖

(c) 各模型驗證集準確率示意圖圖7 神經(jīng)網(wǎng)絡(luò)訓(xùn)練損失函數(shù)和準確率變化

可以看出，MCCLD_IQ、MCCLD_AP的訓(xùn)練收斂速度和驗證準確率都高于PCLD_IQ、PCLD_AP，表明多通道聯(lián)合提取特征的方式可以提高調(diào)制識別網(wǎng)絡(luò)的性能，MCCLD_IQ、PCLD_IQ的訓(xùn)練收斂速度和驗證準確率也高于MCCLD_AP和PCLD_AP，推斷可能與輸入數(shù)據(jù)是否進行單位歸一化有關(guān)。

表2展示了多通道聯(lián)合的調(diào)制識別網(wǎng)絡(luò)SCC-CNN[19]、PCLD_IQ和MCCLD_IQ在數(shù)據(jù)集上的識別準確率。SCC-CNN[19]同樣采用二維IQ數(shù)據(jù)聯(lián)合分離的IQ通道進行調(diào)制識別，與本文MCCLD不同的是，SCC-CNN[19]只采用了卷積網(wǎng)絡(luò)層進行特征提取，而本文結(jié)合了LSTM層來提取動態(tài)時域特征。本文中聯(lián)合了LSTM層的PCLD和MCCLD的識別準確率均遠高于SCC-CNN[19]，在高信噪比情況下有9.75百分點的提升，表明卷積神經(jīng)網(wǎng)絡(luò)與LSTM結(jié)合更適合提取信號數(shù)據(jù)的時域特征和空間特征?？梢詮膱D7中看到SCC-CNN[19]網(wǎng)絡(luò)在訓(xùn)練過程中發(fā)生了過擬合現(xiàn)象，是因為其沒有采用降采樣層，參數(shù)量達到了1.9×107，這樣的設(shè)計雖然可以在采樣點較少的情況下減少信息損失，但是在采樣點較多的情況下就會因參數(shù)量過多而導(dǎo)致過擬合現(xiàn)象，反而不利于網(wǎng)絡(luò)的識別性能。本文設(shè)計的MCCLD網(wǎng)絡(luò)可根據(jù)樣本數(shù)據(jù)長度靈活選取參數(shù)N，避免產(chǎn)生過擬合現(xiàn)象。

表2 多通道聯(lián)合的調(diào)制識別網(wǎng)絡(luò)性能對比

MCCLD_IQ在-20 dB～30 dB時調(diào)制識別總體識別率達到63.46%，在低信噪比情況下準確率為19.34%，在高信噪比情況下識別率平均為90.94%，整體相比PCLD準確率有所提高。MCCLD模型在信噪比為0 dB時準確率為54.64%，在信噪比為8 dB時達到94.80%，在信噪比12 dB時趨于穩(wěn)定達到97.31%，14 dB時最高達到97.76%。常見接收信號的信噪比多在0 dB以上，本文中MCCLD_IQ相比PCLD_IQ訓(xùn)練時收斂速度更快，在0 dB到12 dB區(qū)間準確率有較大提升，性能也更加穩(wěn)定。MCCLD模型在信噪比為6 dB時準確率為89.98%，如果在24類信號調(diào)制識別任務(wù)中以90%準確率為標準時，MCCLD可以接受的信號信噪比下限為6 dB。

3.4 按信號調(diào)制類型對比分析

在圖8中，我們展示了所有24個類別的調(diào)制信號使用PCLD模型和MCCLD模型在低信噪比和高信噪比情況下的分類混淆矩陣。

(a) PCLD模型在SNR為4 dB時的混淆矩陣

(b) PCLD模型在SNR為14 dB時的混淆矩陣

(c) MCCLD模型在SNR為14 dB時的混淆矩陣圖8 所有信號類型的混淆矩陣

對比圖8(a)和圖8(b)，低信噪比情況下一些低階調(diào)制或結(jié)構(gòu)有較大差異的信號(如2/4/8-PSK、4/8-ASK、GMSK和FM模擬調(diào)制等)更容易識別，而高階調(diào)制信號需要在較高的信噪比情況下才能獲得更高的識別率。這里我們可以看到，最大的誤差來源是高階相移鍵控(PSK)(16/32-PSK)、高階正交幅度調(diào)制(QAM)之間，以及AM模式(載波存在(WC)和載波抑制(SC))之間。隨著信噪比升高，這些信號的識別率提高，MPSK和MAPSK的識別率接近100%，64QAM識別準確率為98%，128QAM準確率為97%，256QAM準確率為95%，有了很好的提升效果。但AM模式間AM-SSB-WC與AM-SSB-SC，AM-DSB-WC與AM-DSB-SC相互混淆，AM-SSB-SC準確率只有68%，AM-DSB-SC準確率為87%，是識別率最低的兩類信號。對比圖8(b)和圖8(c)，MCCLD模型在識別AM-SSB-SC時準確率為73%，AM-DSB-SC準確率為88%，相比PCLD模型減小了這兩類信號的識別誤差，在高階調(diào)制信號的識別準確率也有了略微提高，使得整體識別率也相應(yīng)提高。

4 結(jié) 語

本文設(shè)計了兩種適用于信號調(diào)制識別的深度學習網(wǎng)絡(luò)架構(gòu)，并在包含24種常見單載波數(shù)字信號和模擬信號數(shù)據(jù)集上進行了實驗。聯(lián)合卷積與記憶神經(jīng)網(wǎng)絡(luò)結(jié)合的PCLD網(wǎng)絡(luò)在0 dB信噪比以上情況下平均識別準確率可以達到90.54%，在ResNet[12]基礎(chǔ)上提高了3.62百分點的準確率，最高可以達到97.54%。將信號分離數(shù)據(jù)作為輔助通道的多通道聯(lián)合MCCLD網(wǎng)絡(luò)可以加快收斂速度，并且提高了整體識別準確率，識別性能也更加穩(wěn)定，在高信噪比情況下平均準確率為90.94%，在SCC-CNN[19]基礎(chǔ)上有9.75百分點的提升，最高可以達到97.76%的準確率。本文研究重點在于不同網(wǎng)絡(luò)結(jié)構(gòu)對其調(diào)制識別性能的影響，網(wǎng)絡(luò)深度寬度等網(wǎng)絡(luò)容量以及超參數(shù)設(shè)置如何影響識別準確率，還有AM模式之間的分類優(yōu)化，將是我們下一步研究方向。