基于多端卷積神經(jīng)網(wǎng)絡(luò)的調(diào)制識別方法

查雄，彭華，秦鑫，李廣，李天昀

（信息工程大學信息系統(tǒng)工程學院，河南 鄭州 450001）

1 引言

信號的自動調(diào)制識別[1-2]是指已知信號所在調(diào)制集合，利用相關(guān)技術(shù)正確識別目標信號調(diào)制類型。其作為通信偵察和信號盲處理領(lǐng)域的一個重要研究課題，在很多領(lǐng)域都有相當大的需求。隨著通信技術(shù)的發(fā)展，各種新型調(diào)制方式不斷出現(xiàn)，調(diào)制識別技術(shù)也需要不斷發(fā)展以適應不同情況下的識別要求。

自動調(diào)制識別方法中，以信號的相位、頻率和幅度等時域信息作為特征的方法運用較廣[3]，但其受噪聲影響較大，在低信噪比情況下性能嚴重下降?；诟唠A統(tǒng)計量的方法，如利用信號的高階累積量[4-5]或循環(huán)譜[6]，具有很好的抗噪聲性能，但特征的選取缺乏理論指導，且在處理復雜多類調(diào)制信號識別過程中決策閾值難以設(shè)定。

相對于傳統(tǒng)人工設(shè)計特征的算法，深度學習技術(shù)由于其自學習能力以及對樣本潛在的容錯性，在語音、圖像領(lǐng)域取得了突出成就[7]。近年來，從事通信領(lǐng)域的研究人員也逐步利用深度學習技術(shù)來解決信號處理相關(guān)問題。在調(diào)制識別領(lǐng)域，主要思想為建立信號的淺層特征表達，并構(gòu)建深度學習網(wǎng)絡(luò)對樣本進行學習。例如，直接利用深度學習技術(shù)對信號波形數(shù)據(jù)進行學習[8]，但該類算法未利用信號本身固有先驗知識對信號進行特征變換，直接對樣本進行全盲訓練，識別效果并不理想?；谛亲鶊D的深度學習算法[9]，在一定程度上引入了信號本身的先驗信息，對信號的波形數(shù)據(jù)降采成符號序列，并重組形成星座圖。該算法較基于波形的深度學習算法性能有進一步提升，但其過多地損失了信號的波形信息，樣本難以反映信號在時序上的相位跳變信息。因此，算法在性能上仍有一定的提升空間。

本文在已有調(diào)制識別算法研究的基礎(chǔ)上，構(gòu)建了基于眼圖和矢量圖的調(diào)制信號淺層特征表達形式，在盡可能保留信號原始信息的同時，充分利用了信號不同維度的調(diào)制信息。這些預處理過程將信號的調(diào)制特性與神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)有機地相結(jié)合，相對于基于星座圖算法更能加速網(wǎng)絡(luò)對信號的認知。基于此，本文提出了一種基于多端神經(jīng)網(wǎng)絡(luò)的調(diào)制識別新方法，實現(xiàn)了對樣本不同維度的特征學習與融合。通過初步實驗證明，所提算法較傳統(tǒng)算法以及現(xiàn)有基于深度學習的處理手段在抗噪聲上有一定的優(yōu)勢。相對于傳統(tǒng)算法，本文算法克服了人工提取高維統(tǒng)計特征穩(wěn)健性差等缺陷，樣本獲取復雜度低，自動化程度高。

2 信號模型

2.1 信號時域表達

本文主要討論目前通信過程中常見的幅相調(diào)制信號，包括BPSK、QPSK、OQPSK、8PSK、16QAM、16APSK、32APSK 和64QAM。信號的基帶波形可以表示為

其中，v(t)表示加性高斯白噪聲；g(t)表示等效濾波器，包括成型濾波、信道濾波和匹配濾波；an表示發(fā)送端所發(fā)送的符號序列。不同的調(diào)制方式，符號序列呈現(xiàn)的樣式也不盡相同。

對于PSK 類信號，有

對于QAM 類信號，有

其中，M表示調(diào)制進制數(shù)。

對于APSK 類信號，有

其中，rk為第k個圓的圓周半徑，nk為第k個圓的星座點數(shù)，θk為第k個圓的初始相位偏移。在本文實驗過程中，APSK 類信號采用DVB-S2中定義的標準[10]，16APSK 內(nèi)外環(huán)數(shù)比為4:12，32APSK 內(nèi)中外環(huán)數(shù)比為4:12:16。OQPSK 信號作為QPSK 信號的改進，在正交兩路的碼流的傳輸時間上錯開半個符號周期，因此信號的相位只能跳變0°或±90°，而不會出現(xiàn)QPSK 中±180°的相位跳變。

2.2 信號眼圖以及矢量圖

本文結(jié)合已有對信號的相關(guān)認知，將信號轉(zhuǎn)化為更適合神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)的樣本表達形式?；诖耍疚牟捎眯盘栄蹐D和信號矢量圖作為樣本表達形式，該表達形式相對于傳統(tǒng)的高維統(tǒng)計特征而言更易獲得，且不會損失過多的信號原有信息。相對于波形而言，該表達形式更能夠突出信號的調(diào)制特性，更易于神經(jīng)網(wǎng)絡(luò)進行分類。

信號眼圖，最早是指利用示波器觀察信號基帶波形，當示波器水平掃描周期和接收信號的符號周期一致時，示波器上所呈現(xiàn)的畫面。在通信信號處理過程中，眼圖通常作為一種定性反映碼間串擾和噪聲水平的手段，通過眼圖可以調(diào)整接收濾波器，以此改善系統(tǒng)性能。另一方面，由于調(diào)制信號本身的特性，不同的調(diào)制方式在眼圖上具有很明顯的視覺差異。如圖1所示，由于調(diào)制進制的不同，不同信號眼圖中眼的個數(shù)也不盡相同。OQPSK 由于正交兩路信號在時間上錯開半個符號周期，不同于其他調(diào)制信號眼圖睜開的位置都是同時出現(xiàn)，其眼圖張開的位置總是錯開出現(xiàn)。APSK 類信號由于內(nèi)外環(huán)半徑不同，在眼圖中，眼張開的程度不一致。

圖1 各調(diào)制信號的I 路眼圖、Q 路眼圖和矢量圖（15 dB）

信號矢量圖，是指將信號I 路和Q 路波形以對應時間進行重組得到的符號軌跡，與信號的星座圖類似，但相對于星座圖而言，矢量圖能夠反映信號的相位信息，在矢量圖上可以很明顯地看出QPSK 和OQPSK 的區(qū)別。由于OQPSK 無180°的相位轉(zhuǎn)移，其矢量圖中不存在類似QPSK 矢量圖中的符號軌跡，十分適合用于區(qū)分QPSK 信號。由于星座圖中不包含相位變化信息，導致其難以對信號進行區(qū)分。

由于眼圖和矢量圖在不同層面反映當前調(diào)制信號的特性，本文選取信號I 路眼圖、Q 路眼圖和矢量圖作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，并通過構(gòu)建多端卷積神經(jīng)網(wǎng)絡(luò)，實現(xiàn)信號的調(diào)制分類。

3 識別算法

3.1 多端卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN,convolution neural network）[11]作為一種特殊的人工神經(jīng)網(wǎng)絡(luò)，由于其良好的特征提取特性，近年來逐步應用于通信領(lǐng)域。其通過結(jié)合局部感知、權(quán)值共享、池化降采和非線性映射等對數(shù)據(jù)特征逐層提取并高度抽象，從而進行后續(xù)工程應用。卷積神經(jīng)網(wǎng)絡(luò)每一層由多個二維平面組成，稱為卷積層。每個二維平面由卷積核和偏置構(gòu)成，采用權(quán)值共享[11]來減少網(wǎng)絡(luò)參數(shù)規(guī)模。經(jīng)典的卷積核如拉普拉斯算子、反銳化掩模等，具有旋轉(zhuǎn)不變性可以提高細節(jié)及邊緣的可視性，從而實現(xiàn)定位。梯度類的卷積核如水平算子、垂直算子和Sobel 算子，在重要的變化方向可增強小臺階及其他細節(jié)的可見性。由于不同的卷積核能夠?qū)崿F(xiàn)不同的特征提取功能，卷積神經(jīng)網(wǎng)絡(luò)設(shè)置一系列可訓練的核，通過對樣本的學習理解，最終形成最適應該環(huán)境的特征提取核。

本文所設(shè)計的多端卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，對信號特征的提取主要分為3個階段。第一階段，卷積神經(jīng)網(wǎng)絡(luò)分別對I/Q 路眼圖和矢量圖進行7×7的卷積處理。而后對第一層網(wǎng)絡(luò)輸出的特征圖進行批量標準化（BN,batch normalization）[12]，從而保證每層神經(jīng)網(wǎng)絡(luò)輸入特征圖的動態(tài)范圍統(tǒng)一。對批標準化后的數(shù)據(jù)進行最大池化（max pool）操作，以減少特征圖尺寸。之后對I/Q 眼圖所得到的特征圖進行連接。第二階段的特征提取過程中，為消除網(wǎng)絡(luò)過深導致的退化現(xiàn)象以及使網(wǎng)絡(luò)更快地收斂，本文采用了殘差網(wǎng)絡(luò)（ResNet,residual network）[13]結(jié)構(gòu)中的ResNet-v1結(jié)構(gòu)，基本結(jié)構(gòu)如圖3所示。經(jīng)過第二階段的特征提取，對各端特征圖連接，進行第三階段特征提取。由于初始圖片經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)一系列的下采樣，在第三階段的批標準化后，直接對特征圖進行全局最大抽樣處理，以減少后續(xù)網(wǎng)絡(luò)所需訓練的參數(shù)。網(wǎng)絡(luò)除輸出層采用Softmax 激活函數(shù)外，其余各層皆采用ReLu 激活函數(shù)。網(wǎng)絡(luò)優(yōu)化過程中，采用Adam 算法進行網(wǎng)絡(luò)參數(shù)的最優(yōu)解求解。

3.2 訓練數(shù)據(jù)集的生成

本節(jié)主要介紹訓練樣本集的生成，圖4為本文樣本庫構(gòu)造流程。為了使樣本更具多樣性，考慮到實際接收信號存在多方面因素的影響，樣本產(chǎn)生過程中人為引入采樣相偏、頻偏相偏。在研究初期，為了更好地控制信號的質(zhì)量，信號集利用Matlab平臺產(chǎn)生。

圖2 多端卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1)特定調(diào)制模式與隨機比特數(shù)據(jù)

本文所需識別的調(diào)制類型集為{BPSK，QPSK，OQPSK，8PSK，16QAM，16APSK，32APSK，64QAM}。每次生成樣本時從該集合內(nèi)隨機選取調(diào)制類型，并生成該調(diào)制類型所需的比特流數(shù)據(jù)。

圖3 殘差單元基本結(jié)構(gòu)

圖4 樣本庫構(gòu)造流程

2)標準信號的生成

采用根升余弦成型濾波器形成標準樣本，過采倍數(shù)為32，滾降系數(shù)為0.35。

3)隨機采樣相偏

考慮到實際信號采用過程中可能存在的定時偏差，因此在仿真信號過程中，人為引入定時偏差。定時偏差值在一定范圍內(nèi)隨機取值，且單個樣本在其持續(xù)時間內(nèi)，定時偏差值一致。

4)隨機頻偏相偏

同樣地，考慮到實際參數(shù)估計過程中對載頻估計的不精確，在仿真信號過程中，人為引入頻偏相偏。其取值的選取同采樣相偏過程。

5)高斯信道

本文針對的是衛(wèi)星通信系統(tǒng)，信道采用高斯信道。而后利用根升余弦濾波器進行匹配濾波，得到目標信號。

考慮到傳統(tǒng)的眼圖和矢量圖都為二值圖像，未將信號在某一位置的聚集程度進行完整的考慮。基于此，本文對傳統(tǒng)的眼圖和矢量圖進行改進，將信號轉(zhuǎn)化為基于灰度圖像的眼圖和矢量圖，將信號在某一點的聚集程度反映在圖像灰度值上。具體生成過程如下：為更好地反映信號的時序結(jié)構(gòu)，本文選取4個符號為一組波形對眼圖進行生成，信號采用32倍過采，每幅圖片由800個符號構(gòu)成。眼圖橫軸像素點與波形持續(xù)時間相對應，從而保證圖片在橫軸的連續(xù)性。為實現(xiàn)后續(xù)不同圖片特征圖能夠更加方便地進行連接，對信號幅度在[-1.05,1.05]范圍內(nèi)進行4×32間隔的量化，每個像素點的值為落在該像素區(qū)域內(nèi)樣本點的個數(shù)。為使圖像內(nèi)細節(jié)更加突出，對圖片進行如下操作

其中，Im0為原始圖像，I1m 為增強后的圖像，α為縮放因子。

3.3 算法識別流程

根據(jù)前面的分析，本文算法流程如下。

1)構(gòu)建網(wǎng)絡(luò)模型，利用預先制作好的訓練樣本對網(wǎng)絡(luò)進行訓練，當網(wǎng)絡(luò)達到穩(wěn)態(tài)時，保存網(wǎng)絡(luò)。

2)對于目標測試信號，通過傅里葉變換進行載頻粗估，并利用包絡(luò)譜線估計出符號速率，用估計出的載頻對信號進行下變頻，根據(jù)符號速率計算方根升余弦函數(shù)進行匹配濾波。

3)若目標信號存在定時偏差，需提取信號在最佳采樣位置處的樣點值以保證眼圖的張開程度，本文參考文獻[14]中的非數(shù)據(jù)輔助的定時估計算法。具體計算式為

其中，L0為符號長度，N為過采倍數(shù)，T為采樣周期，則為定時抽取后的序列。

4)對目標信號進行采樣率變換，得到32倍過采基帶數(shù)據(jù)。對處理好的數(shù)據(jù)進行歸一化和分塊處理，對分塊完的數(shù)據(jù)進行眼圖和矢量圖的呈現(xiàn)。

5)利用所保存的網(wǎng)絡(luò)對已進行預處理的信號進行調(diào)制識別，最終得到信號調(diào)制類別。

4 性能測試與分析

本節(jié)對調(diào)制識別性能進行仿真，待識別調(diào)制集為{BPSK,QPSK,OQPSK,8PSK,16QAM,16APSK,32APSK,64QAM}。如不做特殊說明，仿真條件為：符號隨機均勻產(chǎn)生且統(tǒng)計獨立，成型濾波器和匹配濾波器均為根余弦濾波器，滾降系數(shù)在0.2～0.35內(nèi)隨機選取，過采倍數(shù)為32，每個樣本符號數(shù)為800。測試過程中，產(chǎn)生的信噪比范圍為0～10 dB，間隔為1 dB，各信噪比下每類信號樣本個數(shù)為1000。本文實驗是在CPU 為Intel(R)Xeon(R)E5-2650 v4×2，GPU 為GTX1080×2，內(nèi)存為64 GB DDR4的環(huán)境下進行的。本文中定義的調(diào)制識別性能指標為

4.1 模型總體識別性能

圖5為各調(diào)制信號的在不同信噪比下的識別結(jié)果。從圖5可以看出，本文算法在低信噪比下仍能取得較好的性能，64QAM 由于本身的復雜度，識別效果與低階信號相比較差。低進制調(diào)制信號（BPSK、OQPSK）由于本身調(diào)制方式的特性，在眼圖和矢量圖中與其他信號的視覺特性有明顯區(qū)分，在0 dB 條件下，識別效果仍能接近100%。從圖5中還可以看出，圓形調(diào)制方式信號（8PSK、16APSK、32APSK）的識別性能好于QAM 調(diào)制方式信號。

圖5 不同信噪比下各調(diào)制類型信號識別結(jié)果

4.2 含頻偏下模型識別性能

考慮到實際中通過FFT 估計信號載頻時誤差較大，為了驗證此種情況下的算法性能，本文將相對符號速率的歸一化載頻誤差分為不同的范圍。圖6為信號在不同頻偏條件下的識別結(jié)果。從圖6可以看出，相對于無頻偏下的識別性能，信號在有頻偏情況下識別準確率有一定的降低。且隨著頻偏的范圍的加大，算法性能也逐步下降，并且在大頻偏的情況下，本文算法不再適用。如何求解在大頻偏條件下利用深度學習技術(shù)實現(xiàn)調(diào)制識別也是本文的改進方向之一。

圖6 不同頻偏條件下的本文算法識別結(jié)果

4.3 識別性能對比

圖7為本文算法和傳統(tǒng)算法（文獻[4]和文獻[5]）以及現(xiàn)有深度學習算法（文獻[8]和文獻[9]）的識別性能對比，由于本文算法利用了信號的先驗知識，且結(jié)合了深度學習算法強大的自學習能力，性能在一定程度上優(yōu)于其他算法。

圖7 不同算法識別率對比

表1為不同算法對目標信號進行識別的時間復雜度，實驗結(jié)果為對3000個實驗樣本的統(tǒng)計平均?？梢钥闯?，傳統(tǒng)方法由于人工提取特征存在指導性，樣本生成過程和識別過程的時間復雜度均低于深度學習方法。但是得益于GPU 并行運算能力的提高，神經(jīng)網(wǎng)絡(luò)大部分運算都可以并行完成。利用計算開銷換取計算速度，最終能夠?qū)崿F(xiàn)快速運算?？傮w可以看出，所有算法的運行時間都可以控制在毫秒級別，完全可以滿足實時性處理的需求?；谏疃葘W習的算法也能較快地完成任務(wù)且識別效果優(yōu)于傳統(tǒng)算法，具有較好的工業(yè)應用前景和研究價值。

4.4 網(wǎng)絡(luò)參數(shù)對性能的影響

本節(jié)主要測試網(wǎng)絡(luò)參數(shù)對本文算法性能的影響，主要考慮2個方面：輸入樣本與網(wǎng)絡(luò)結(jié)構(gòu)。在輸入樣本上，本文首先對二值圖像識別效果和灰度圖像識別效果進行對比，如圖8所示，基于灰度圖像的識別效果好于二值圖像，低信噪比下灰度圖像識別性能較二值圖像好1 dB 左右。但總體來說，性能提升并不明顯，產(chǎn)生該現(xiàn)象的因素可能是由于像素區(qū)域內(nèi)樣本數(shù)過于稀疏，導致不同像素之間差異不是很明顯。如何改進眼圖和矢量圖的生成也是后期值得改進的方向。

圖8 不同圖像預處理方法下的算法識別率

像素區(qū)域內(nèi)樣本數(shù)過于稀疏，一方面是由產(chǎn)生眼圖和矢量圖的符號數(shù)決定的。符號數(shù)越多，像素區(qū)域內(nèi)包含的樣本數(shù)也就相對越多。圖9為不同符號數(shù)N下算法的識別性能，符號數(shù)選取為200、400、800、1000。符號數(shù)的選取在一定程度上影響著算法性能，隨著符號數(shù)的增多，模型整體識別率也在逐步上升。但從圖9中可以看出，當符號數(shù)為800和1000時，性能提升不是很明顯，最終本文選取符號數(shù)為800生成眼圖和矢量圖。

輸入樣本中，樣本的尺寸同樣對信號的識別產(chǎn)生影響。本文通過實驗驗證不同圖片尺寸下算法的性能，圖片的尺寸主要受到采樣率影響（幅度量化精度同樣影響圖片尺寸，由于本文需保證圖片為矩形，量化精度不能隨意設(shè)定，因此本文暫不考慮量化的影響）。本文設(shè)置過采倍數(shù)Nsamp 為32、64、128進行實驗，對應圖片尺寸大小為128像素×128像素、256像素×256像素、512像素×512像素。實驗結(jié)果如圖10所示。從圖10可以看出，當過采倍數(shù)為32與64時性能差異不大，而過采倍數(shù)為128的識別效果在低信噪比的情況下遠劣于前兩者，且過大的圖像尺寸對網(wǎng)絡(luò)訓練造成極大的負擔，最終本文選取過采倍數(shù)為32作為樣本生成參數(shù)。

表1 不同算法時間復雜度對比

圖9 符號數(shù)對算法識別性能的影響

圖10 過采倍數(shù)對算法識別性能的影響

考慮網(wǎng)絡(luò)結(jié)構(gòu)對性能的影響時，本文主要考慮基于單輸入端和多輸入網(wǎng)絡(luò)結(jié)構(gòu)的性能進行對比，具體如圖11所示。從圖11可以看出，基于單路眼圖的調(diào)制識別算法由于損失過多信號的調(diào)制信息，識別性能不理想。其中，I 路眼圖識別性能較Q 路眼圖有一定差距，這可能與調(diào)制方式中初相的設(shè)置有關(guān)（本文對BPSK 信號的初相設(shè)置為0，導致I路有眼圖的呈現(xiàn)，Q 路無眼圖的呈現(xiàn)）?；谑噶繄D的調(diào)制識別中，由于損失了信號的時序信息，在一定程度上劣于本文算法。通過實驗最終證明了本文算法的可行性。

圖11 單輸入網(wǎng)絡(luò)結(jié)構(gòu)與多輸入網(wǎng)絡(luò)結(jié)構(gòu)下的算法識別率

5 結(jié)束語

本文基于信號眼圖和矢量圖的表達形式，提出了多端卷積神經(jīng)網(wǎng)絡(luò)模型，并較好地解決了衛(wèi)星幅相信號調(diào)制識別問題。實驗結(jié)果表明，由于本文所提算法在一定程度上結(jié)合了通信信號的固有調(diào)制屬性，性能上較其他基于深度學習算法進一步提高。且基于多端處理的思想能夠在不同角度指導網(wǎng)絡(luò)挖掘和融合信號的內(nèi)在特征，在一定程度上降低了對網(wǎng)絡(luò)自身要求。本文提供了一類在神經(jīng)網(wǎng)絡(luò)架構(gòu)下，構(gòu)造適合神經(jīng)網(wǎng)絡(luò)拓撲表達的信號表現(xiàn)形式的調(diào)制識別求解思路。該思路可以推廣到其他通信信號處理的問題上，利用信號已有的先驗認知，尋求一種能夠更有利于神經(jīng)網(wǎng)絡(luò)學習的表達形式，最終實現(xiàn)更好的算法性能。