基于混合神經(jīng)網(wǎng)絡(luò)的無線電信號自動調(diào)制識別

李立欣，倪 濤，裘 俊，狄 慧，劉 瑩，林文晟

（1.西北工業(yè)大學 電子信息學院，陜西 西安 710129；2.上海衛(wèi)星工程研究所，上海 201109）

0 引言

隨著科學技術(shù)和國防的深度發(fā)展，現(xiàn)代軍事對抗已經(jīng)朝著陸、海、空、天等更為廣闊領(lǐng)域發(fā)展［1］，無線電信號調(diào)制識別技術(shù)近年來受到了廣泛關(guān)注。通過對敵方的電子信號進行識別與跟蹤，實現(xiàn)監(jiān)視、偵察/反偵察等。自動調(diào)制識別主要用于確定復雜環(huán)境下信號的調(diào)制方式，為后續(xù)信號處理提供調(diào)制方式和工作頻率等參數(shù)［2-3］。

傳統(tǒng)上主要有2 種調(diào)制信號識別方法：1）基于似然比（Likelihood Ratio，LR）判決理論。首先需要獲得信號的概率分布；然后用理論推導分析的方法求出檢驗統(tǒng)計量；再從似然函數(shù)中尋找合適的分類依據(jù)以形成判決準則；最后根據(jù)判決準則確定信號的調(diào)制類型［4-7］。文獻［5］通過將信號對數(shù)似然函數(shù)最大化，區(qū)分不同的調(diào)制信號。從理論和可解釋性的角度來看，似然比判決方法能夠達到不俗的分類精度，但需要很強的關(guān)于調(diào)制信號的先驗知識，并且還要經(jīng)過繁雜的推導與分析，一旦缺乏調(diào)制信號的部分特征和參數(shù)時，則一般難以實現(xiàn)不錯的分類精度。2）基于統(tǒng)計模式的判別方法［8-16］。通過分析信號的瞬時幅度、頻率和相位判斷信號的調(diào)制類型；通過統(tǒng)計信號序列的高階量而進行判別；通過分析信號的時頻特性用于區(qū)分信號的調(diào)制類型。信號特征值的提取是基于統(tǒng)計模式判別以分析不同信號的關(guān)鍵，但只采用閾值來對不同的調(diào)制信號進行劃分的方式，會由于受到噪聲的影響而使得判決結(jié)果仍然存在偏差。

近年來，人工神經(jīng)網(wǎng)絡(luò)、支持向量機和決策樹等機器學習算法在自動調(diào)制識別中得到了廣泛的應(yīng)用［8-16］。文獻［8］作者采用不同特征參數(shù)的分層支持向量機來判斷信號的調(diào)制類型，解決了閾值選擇問題。文獻［12］作者提出使用人工神經(jīng)網(wǎng)絡(luò)，并設(shè)計了一個自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型來區(qū)分多個不同的調(diào)制信號。這些機器學習算法對自動調(diào)制識別產(chǎn)生了深遠的影響，但仍具有較高的計算復雜度。

隨著業(yè)界在深度學習領(lǐng)域的不斷深耕，學者們開始研究如何使用不同的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對不同調(diào)制信號進行判別［11-20］。文獻［11］利用卷積神經(jīng)網(wǎng)絡(luò)分析不同信號的頻譜特性，實現(xiàn)調(diào)制信號的分類；文獻［15］提出將神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)RESNET 應(yīng)用與自動調(diào)制識別，與其他神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相比，分類準確度提高了近12%。但是由于不同神經(jīng)網(wǎng)絡(luò)具有不同的特性，使用單一的網(wǎng)絡(luò)結(jié)構(gòu)往往無法充分提取信號的特征信息。因此，在信號自動調(diào)制識別領(lǐng)域，有必要研究混合神經(jīng)網(wǎng)絡(luò)的設(shè)計。

為了能夠充分提取信號在時間和空間的特征信息，本文將新型的膠囊神經(jīng)網(wǎng)絡(luò)與門控循環(huán)單元相結(jié)合，形成新的混合神經(jīng)網(wǎng)絡(luò)模型。首先基于膠囊網(wǎng)絡(luò)實現(xiàn)對調(diào)制信號空間特征信息的提?。蝗缓筮\用門控循環(huán)單元分析調(diào)制信號在時間上的特征；最終對未知調(diào)制信號實現(xiàn)識別和分類。實驗結(jié)果表明，在信噪比等于2 dB 時，所提出的混合網(wǎng)絡(luò)模型對多種不同調(diào)制信號的分類精度大于80%，隨著信噪比的增大，當信噪比為6 dB 時，混合網(wǎng)絡(luò)模型對不同調(diào)制信號的分類精度大于95%。

1 系統(tǒng)模型

假設(shè)接收到的調(diào)制信號y(t)如下：

式中：x(t)為無噪聲的接收信號；n(t)為高斯白噪聲。

接收到的信號y(t)被送入自動調(diào)制分類系統(tǒng)，通過特征提取和分類決策，輸出調(diào)制信號的調(diào)制類型。系統(tǒng)模型如圖1 所示。神經(jīng)網(wǎng)絡(luò)作為自動調(diào)制分類系統(tǒng)，用于處理接收到的調(diào)制信號。神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)有卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)，前者無需對數(shù)據(jù)進行復雜的預(yù)處理，直接輸入原始數(shù)據(jù)即可進行訓練，其中二維卷積神經(jīng)網(wǎng)絡(luò)還適用于對信號空間特征信息的提取，常應(yīng)用于圖像識別等任務(wù)。后者具有對序列數(shù)據(jù)建模泛化的能力，當前的輸出取決于歷史輸入過的信息，實現(xiàn)長期的記憶。其中門控循環(huán)單元還引入了門控機制，它可以使神經(jīng)網(wǎng)絡(luò)針對性地忘記某些重要程度較低的歷史信息，但又保留一部分之前記憶的重要歷史信息，從而一方面對重要歷史序列信息能夠長期保留，另一方面還能夠有效避免梯度消失。

圖1 系統(tǒng)模型Fig.1 System model

2 混合網(wǎng)絡(luò)模型

在本節(jié)中，提出了一種新的混合神經(jīng)網(wǎng)絡(luò)用于提取特征信息。如圖2 所示，所提出混合網(wǎng)絡(luò)模型共分為5 層（輸入層、卷積層、膠囊層、門控循環(huán)單元層、輸出層），針對以下11 種調(diào)制信號類型進行分類：雙邊帶調(diào)幅（AM-DSB）、單邊帶調(diào)幅（AMSSB）、寬帶調(diào)頻（WBFM）、2/4/8 進制相移鍵控（BPSK/QPSK/8PSK）、16/64 進制正交振幅調(diào)制（QAM16/QAM64）、連續(xù)相頻移鍵控（CPFSK）、高斯頻移鍵控（GFSK）、4 進制脈沖幅度調(diào)制（PAM4）。

圖2 所提出的混合網(wǎng)絡(luò)模型Fig.2 The proposed hybrid network model

2.1 輸入層

每個調(diào)制信號都包含了I/Q 樣本，采樣長度為128，樣本數(shù)據(jù)類型為浮點復數(shù)，因此調(diào)制信號的數(shù)據(jù)結(jié)構(gòu)是2×128 的張量。則I/Q 樣本將從輸入層送到卷積層進行后續(xù)的特征提取。

2.2 卷積層

卷積層由兩部分組成：1）卷積運算。每個神經(jīng)元不必對完整信號長度的數(shù)據(jù)進行卷積操作，只需要提取信號的局部特征，通過綜合局部神經(jīng)元的信息，在高層就能提取出信號完整的特征信息；2）非線性映射。為實現(xiàn)將低級特征映射到高級特征，需要使用相應(yīng)的激活函數(shù)來完成這種非線性映射。為了解決梯度爆炸的問題，本文采用整流線性單元（Rectified Linear Unit，ReLU）作為激活函數(shù)。

為了能夠更加充分的提取信號的深層特征，對信號進行2 次卷積操作。如圖1 所示，輸入信號是2×128 的張量，后續(xù)的卷積操作采用的卷積核共有64 個，每個卷積核的大小均是2×9，并且應(yīng)用了零填充的方式，激活函數(shù)則選用了ReLU。第1 次卷積的輸出是64×1×60 的張量，進一步提取信號的深層特征信息時，需要再使用64 個卷積核，每個卷積核的大小為1×5，填充方式為零填充，步長為2，激活函數(shù)同樣選用ReLU，因此第2 次卷積輸出維度為64×1×28。

2.3 膠囊層

在膠囊網(wǎng)絡(luò)中，特征信息通過膠囊神經(jīng)元進行傳遞。不同于傳統(tǒng)神經(jīng)元結(jié)構(gòu)，膠囊神經(jīng)元以向量的形式存在。膠囊網(wǎng)絡(luò)在進行分類時不僅判斷特征信息是否存在，同時充分考慮了特征之間的對應(yīng)位置關(guān)系，強化整體特征的識別，使得膠囊網(wǎng)絡(luò)即使在小樣本下依然具有出色的表現(xiàn)。

本文的膠囊層對卷積層的輸出張量繼續(xù)卷積，使用的卷積核共有64 個，每個卷積核的大小為1×6，并且采用零填充的方式，輸出為64×1×28 的張量。然后對輸出張量的尺寸和維度進行變換，得到16 組4×1×28 的輸出張量，即將64 個維度分成16組，每4 個維度1 組。

利用轉(zhuǎn)換矩陣wij計算預(yù)測向量，把向量空間從4 維映射到16 維：

式中：sj為高層膠囊j的總輸入；cij為權(quán)重系數(shù)。

調(diào)制信號類型對應(yīng)的概率可以用膠囊向量的模來表示。為了確保向量的方向不變，且能夠?qū)⑾蛄康哪嚎s到0 到1 之間，此處的激活函數(shù)不使用傳統(tǒng)的ReLU，而是采用非線性函數(shù)squashing。最終可得到膠囊向量輸出vj的表達式：

2.4 門控循環(huán)單元層

如圖3 所示，門控循環(huán)單元內(nèi)部采用重置門和更新門。歷史狀態(tài)信息的保留權(quán)重由更新門決定，要使歷史狀態(tài)信息保留的越多，則需要賦予更新門更高的權(quán)重。而重置門則相反，它的值越小說明歷史信息遺忘得越多，因此重置門可以用于控制遺忘歷史狀態(tài)信息的程度。本文設(shè)置門控循環(huán)單元的數(shù)量為32，通過2 種門來提取時間相關(guān)的調(diào)制信號特征信息，從而對時間序列進行長期記憶。

圖3 門控循環(huán)單元結(jié)構(gòu)Fig.3 Structure diagram of the gated recurrent unit

圖3 展示了門控循環(huán)單元層的結(jié)構(gòu)，用yt-1、xt分別表示上一個歷史狀態(tài)和當前節(jié)點輸入，通過兩者來獲取兩個門控狀態(tài)。zt、rt分別為控制更新的門控和控制重置的門控；ht、yt分別為候選隱藏層和輸出層；wz、wr、w分別為重置門、更新門、隱藏層的權(quán)重；σ、tanh 為激活函數(shù)。

2.5 輸出層

輸出層的維度由數(shù)據(jù)集中調(diào)制信號的種類數(shù)量所確定，類型為全連接層，根據(jù)矢量特征來將隱層信息映射成調(diào)制信號類型的概率輸出，從而完成調(diào)制信號的分類。

3 模型性能分析

在本節(jié)中，首先，介紹了實驗中使用的數(shù)據(jù)集；其次，討論所提出混合網(wǎng)絡(luò)模型在不同信噪比下的分類性能；最后，分析混合網(wǎng)絡(luò)模型與單一網(wǎng)絡(luò)模型的分類性能。

3.1 數(shù)據(jù)集

RML2016.04C 作為數(shù)據(jù)集來訓練和評估所提出的網(wǎng)絡(luò)結(jié)構(gòu)。對數(shù)據(jù)集RML2016.04C 進行處理，數(shù)據(jù)選用-6～12 dB 的調(diào)制信號，間隔為2 dB 進行分析。數(shù)據(jù)集中共81 030 個信號樣本，調(diào)制信號共有11 種類型。分為3 種模擬信號和8 種數(shù)字信號，即：AM-DSB、AM-SSB、WBFM、BPSK、QPSK、8PSK、QAM16、QAM64、CPFSK、GFSK、PAM4。

為了保證數(shù)據(jù)分布在數(shù)據(jù)集劃分過程中的一致性，使用“留出法”將70%的數(shù)據(jù)集用于訓練，剩余的數(shù)據(jù)用于測試模型的可靠性。

3.2 混合網(wǎng)絡(luò)模型在不同信噪比下的分類性能

通過混淆矩陣分析不同信噪比下所提出混合網(wǎng)絡(luò)模型對不同調(diào)制信號的分類性能。如圖4（a）所示，當信噪比為-4 dB 時，對于大多數(shù)調(diào)制信號而言，所提出的網(wǎng)絡(luò)模型可以有效的區(qū)分不同信號的調(diào)制類型。但是對于以下4 種信號無法準確的識別，如8PSK 和QPSK，WBFM 和AM-SSB。8PSK與QPSK 都采用相位鍵控信號，即用不同的載波初始相位來表示數(shù)字信號。在QPSK 中，載波的初始相 位分別為0o，90o，180o，270o。在8PSK 中，載波的初始相位分別為0o、45o、90o、135o、180o、225o、270o、315o。QPSK 的初始相位與8PSK 的初始相位存在重合，導致所提出網(wǎng)絡(luò)無法準確區(qū)分2 種調(diào)制類型。WBFM 和AM-SSB 屬于模擬信號，WBFM 利用寬帶調(diào)頻，而AM-SSB 和DSB 通過抑制載波調(diào)幅，雖然增加功率效率，但兩個邊帶均傳輸相同的信息。因此無法準確的進行區(qū)分。

圖4 混合網(wǎng)絡(luò)模型在不同信噪比下的分類性能Fig.4 Classification performance of the hybrid network model under different signal-to-noise ratios

隨著信噪比的增加，如圖4（b）所示，對于大多數(shù)調(diào)制信號，分類精度顯著提高，對于8PSK 而言，分類精度由0.59 提升到0.82；對于WBFM 而言，分類精度由0.36 提升到0.41。如圖4（c）所示，對于AM-SSB 的分類精度達到1，對QPSK 的分類精度達到0.95，進一步說明所提出網(wǎng)絡(luò)的有效性和可靠性。

3.3 混合網(wǎng)絡(luò)模型與單一網(wǎng)絡(luò)模型的分類性能

如圖5 所示，分析混合網(wǎng)絡(luò)模型與單一的膠囊網(wǎng)絡(luò)和門控循環(huán)單元的分類性能，其中膠囊網(wǎng)絡(luò)善于分析信號的空間特征信息。在信號的時間特征信息提取方面，門控循環(huán)單元更具優(yōu)勢?；旌仙窠?jīng)網(wǎng)絡(luò)通過整合門控循環(huán)單元和膠囊網(wǎng)絡(luò)，實現(xiàn)優(yōu)勢互補。從總體上看，混合網(wǎng)絡(luò)模型的分類性能優(yōu)于單一的膠囊網(wǎng)絡(luò)和門控循環(huán)單元，隨著信噪比的增大，混合網(wǎng)絡(luò)模型對調(diào)制信號的分類精度保持在0.9；膠囊網(wǎng)絡(luò)對調(diào)制信號的分類精度保持在0.86；門控循環(huán)單元對調(diào)制信號的分類精度保持在0.67。混合網(wǎng)絡(luò)通過結(jié)合信號的空間和時間特征信息，進一步提高調(diào)制信號的分類精度。

圖5 混合網(wǎng)絡(luò)模型與單一網(wǎng)絡(luò)模型的分類性能Fig.5 Classification performance of the hybrid network model and single network model

4 結(jié)束語

面對復雜電磁環(huán)境目標信號無法準確識別的問題。為了提取不同調(diào)制信號的時空特征信息，本文通過提出新的混合神經(jīng)網(wǎng)絡(luò)模型來判斷信號的調(diào)制類型。具體而言，通過膠囊網(wǎng)絡(luò)提取信號空間信息，運用門控循環(huán)單元提取信號在時間上的特征信息?；旌暇W(wǎng)絡(luò)模型能夠整合調(diào)制信號的時空特征，進而提高對目標信號的分類精度。實驗結(jié)果顯示，在2 dB 信噪比的條件下，本文設(shè)計的混合神經(jīng)網(wǎng)絡(luò)對8 種不同信號的調(diào)制類型分類精度大于80%，隨著信噪比的增大，當信噪比為6 dB時，混合網(wǎng)絡(luò)模型對9 種不同調(diào)制信號的分類精度大于95%。