基于FACAM-Efficient Net的通信信號調(diào)制方式識別

劉誠健 鄭航 李智

四川大學(xué)電子信息學(xué)院 四川 成都 610000

引言

近年來，深度學(xué)習(xí)技術(shù)快速發(fā)展及其在多個領(lǐng)域的成功應(yīng)用為調(diào)制識別研究提供了新的思路和研究工具[1]。Zeng Y等人[2]證明了采用時頻變換作為信號表征的可行性，利用短時傅里葉變換得到的時頻圖具有更豐富的信號表征，比前人工作有更好的識別分類效果。邢科[3]將Inception-V4模型應(yīng)用到信號調(diào)制方式識別領(lǐng)域，通過特征灰度圖生成算法，將復(fù)雜信號數(shù)據(jù)轉(zhuǎn)化為灰度圖，從而將通信領(lǐng)域的信號問題轉(zhuǎn)化為圖像分類問題。本文首先調(diào)制信號進(jìn)行時頻分析，使用高階累積量時頻分析方法，將一維信號轉(zhuǎn)換為二維時頻圖像，并設(shè)計一種基于FACAM-Efficient Net網(wǎng)絡(luò)模型進(jìn)行自動調(diào)制識別。

1 信號預(yù)處理

1.1 高階累積量時頻分析方法

高階累積量時頻分析方法首先通過對輸入的信號進(jìn)行時域截斷；然后對截斷的信號再進(jìn)行頻域截斷，即經(jīng)過濾波器組進(jìn)行濾波；最后對濾波后的信號分別進(jìn)行高階累積量計算，形成的高階累積量矩陣映射成為時頻圖，具體步驟如下：①根據(jù)自身對時域分辨率的要求，對時域信號進(jìn)行截斷；②建立一個符合自身頻率分辨率要求的濾波器組；③對步驟①截斷的時域信號調(diào)用步驟②的濾波器組分別濾波；④對步驟③濾波后的信號計算高階累計量，并映射成為信號時頻圖；如圖1所示為4PSK的未加噪聲與加噪聲（-6dB）的高階累計量時頻圖（HOC），可以觀察到高階累積量時頻圖有較好的抑制噪聲能力，提高了時頻圖表達(dá)信號特征能力及魯棒性。

圖1 4PSK未加噪聲與加噪聲（-6dB）高階累積量時頻圖對比

2 基于FACAM-Efficient Net的調(diào)制識別

2.1 Efficient NetB0基礎(chǔ)網(wǎng)絡(luò)

本文采用EfficientNet作為特征提取的網(wǎng)絡(luò)模型，該模型高效、輕量。Efficient Net—B0由16個移動翻轉(zhuǎn)瓶頸卷積模塊，2個卷積層，1個全局平均池化層和1個分類層構(gòu)成。

2.2 FACAM頻域通道注意力機制

2.2.1 FA頻域注意力機制。由于本文所使用的數(shù)據(jù)集為高階累積量時頻圖像，可以看到，HOC時頻圖像是沿圖像縱軸分布，因此圖像在頻域（圖像縱軸）蘊含了許多信號的特征。為了進(jìn)一步幫助模型捕獲到對識別任務(wù)更有幫助的特征信息，增強有用信息，本文提出一種基于CAM通道注意力機制改進(jìn)的FA頻域注意力機制。進(jìn)一步提取時頻圖像的頻域特征，給予時頻圖像每個頻域不同的權(quán)重，使具有更多有用信息的頻域權(quán)重變得更大。FA模塊如圖2所示。假定輸入注意力模塊的特征圖尺寸為W×H，通道數(shù)為C，H則為頻域通道個數(shù)。區(qū)別于CAM模塊，F(xiàn)A注意力模塊主要將CAM模塊的全局最大池化層和全局平均池化層替換為池化核大小為1×W的最大池化層和平均池化層。用于提取每個頻域的特征。這樣經(jīng)過池化層后，將每個通道的二維特征維度從W×H壓縮為1×H的維度，然后經(jīng)過Shared MLP部分，給每個頻域生成一個權(quán)重值，最后通過Add和Sigmod層，將歸一化的權(quán)重加權(quán)到每個頻域上。

圖2 FA注意力模塊

2.2.2 FACAM頻域通道混合注意力機制。CAM通道注意力機制使具有更多有用信息的特征圖的權(quán)重變得更大，基于CAM改進(jìn)的FA頻域注意力機制使每張?zhí)卣鲌D中更重要的頻域的權(quán)重變得更大，為了同時提升網(wǎng)絡(luò)對于重要通道和重要頻域的注意力，本文提出一種FACAM頻域通道混合注意力機制，并引入殘差的思想，從通道和頻域兩個角度進(jìn)一步增強了卷積神經(jīng)網(wǎng)絡(luò)的表達(dá)能力。FACAM模塊如圖3所示。

2.3 FACAM-Efficient Net網(wǎng)絡(luò)模型設(shè)計

本文以EfficientNet-B0為基礎(chǔ)網(wǎng)絡(luò)，引入本文提出的FACAM頻域通道混合注意力對Efficient Net進(jìn)行改進(jìn)，以加強對時頻圖像識別過程中起重要作用的頻域和通道信息的學(xué)習(xí)。將Efficient Net原網(wǎng)絡(luò)中的每個MBConv模塊內(nèi)SE模塊替換為FACAM模塊。具體來說，將深度可分離卷積模塊之后原有的SE模塊替換成FACAM模塊，從通道和頻域兩個角度進(jìn)一步增強了卷積神經(jīng)網(wǎng)絡(luò)的表達(dá)能力。

3 實驗與分析

3.1 實驗環(huán)境

本實驗采用 Python 編程語言，開發(fā)框架為Tensor Flow2.3。本文實驗的硬件環(huán)境是64bit Windows 10專業(yè)版操作系統(tǒng)，CPU處理器為 Intel（R）Core（TM）i7-4790 CPU @ 3.60GHz，GPU處理器為NVIDIA GeForce GTX 1070，內(nèi)存（RAM）為 8GB。

3.2 數(shù)據(jù)集和實驗設(shè)置

本實驗使用的數(shù)據(jù)均是由 MATLAB仿真生成，信號包含的調(diào)制方式有6種，分別為2ASK、2FSK、4FSK、2PSK、4PSK、16QAM。信號仿真參數(shù)符號率設(shè)為40kHz ，采樣率設(shè)為2MHz，載頻為0.5MHz，信號持續(xù)時間為0.2s，經(jīng)過高階累積量（C42）時頻分析后的生成時頻圖，對每一類調(diào)制信號在－12～0dB 信噪比變化范圍內(nèi)，每隔2dB 產(chǎn)生100個樣本。把生成的數(shù)據(jù)按照6∶2∶2的比例構(gòu)成訓(xùn)練集、驗證集和測試集。將輸入圖像統(tǒng)一調(diào)整到224×224大小，圖片像素值除以255，歸一化到0~1之間，選擇 Adam 作為模型參數(shù)優(yōu)化器，每一個批次訓(xùn)練32張圖片，損失函數(shù)采用softmax交叉熵?fù)p失函數(shù)；訓(xùn)練周期為100輪；學(xué)習(xí)率設(shè)置為0.0005。

3.3 FACAM-Efficient Net的識別性能

FACAM-Efficient Net模型在信號高階累積量時頻圖數(shù)據(jù)驗證集的混淆矩陣如圖4所示。

圖4 驗證集混淆矩陣

由圖4可知，在-12～0dB信噪比條件下，F(xiàn)ACAM-Efficient Net模型對6種調(diào)制信號的平均識別準(zhǔn)確率均在91%以上，對于16QAM、2FSK、4FSK的識別準(zhǔn)確率均在93%以上，可見該模型在低信噪比下對于6種調(diào)制信號有較好的識別分類效果。

3.4 FACAM-Efficient Net的消融實驗

為進(jìn)一步驗證本文所提出的FACAM-Efficient Net模型的有效性以及在各信噪比下的分類效果，在不同信噪比下用測試集進(jìn)行實驗測試，識別結(jié)果如下圖5所示。

整體來看，四種方法下的模型的識別準(zhǔn)確率與信噪比成正相關(guān)。當(dāng)信噪比大于-4dB時，F(xiàn)ACAM-EfficientNet模型的調(diào)制識別模型效果與前3個方法模型的性能接近。而當(dāng)信噪比在-12dB到-8dB下，F(xiàn)ACAM-Efficient Net模型對比其他3種方法的識別準(zhǔn)確率提升較多，當(dāng)信噪比取-12dB 時，本文出FACAM-Efficient Net模型的識別準(zhǔn)確率為76.67%，而未改進(jìn)的Efficient Net識別準(zhǔn)確率為57.50%。這說明FACAM-Efficient Net模型在低信噪比下從通道和頻域兩個角度進(jìn)一步增強了卷積神經(jīng)網(wǎng)絡(luò)的表達(dá)能力，對低信噪比下6種信號的識別表現(xiàn)優(yōu)異。

圖5 不同信噪比下的四種模型的識別準(zhǔn)確率

4 結(jié)束語

本文提出了一種基于FACAM-Efficient Net的信號調(diào)制方式識別方法，首先將一維信號轉(zhuǎn)換成二維高階累積量時頻圖像進(jìn)行處理。然后根據(jù)高階累積量時頻圖的圖像特征，本文對傳統(tǒng)的CAM通道注意力機制進(jìn)行改進(jìn)，提出了FA頻域注意力機制和FACAM頻域通道混合注意力機制兩種注意力機制，并引入FACAM改進(jìn)Efficient Net-B0的主體結(jié)構(gòu)，以便更好地提取時頻圖像頻域和通道的特征。通過對六種調(diào)制信號進(jìn)行調(diào)識別，改進(jìn)后的 Efficient Net-B0模型在低信噪比下有較好的識別效果。