一種基于深度學(xué)習(xí)的輻射源信號(hào)調(diào)制識(shí)別新算法

陶冠宏， 周 林

(1.中電科大數(shù)據(jù)研究院有限公司成都分公司，成都 610000；2.提升政府治理能力大數(shù)據(jù)應(yīng)用技術(shù)國(guó)家工程實(shí)驗(yàn)室，貴陽(yáng) 550000；3.西南電子設(shè)備研究所，成都 610036)

隨著各類無線電設(shè)備的廣泛使用，電磁環(huán)境中的輻射源目標(biāo)越來越多，電磁頻譜越來越擁堵，不同用途的電磁信號(hào)在時(shí)、空、頻域相互交疊，常常面臨數(shù)以千計(jì)的電磁目標(biāo)，信號(hào)密度更是高達(dá)每秒幾百萬(wàn)脈沖。在如此復(fù)雜電磁環(huán)境中對(duì)不同輻射源進(jìn)行有效分類識(shí)別變得愈發(fā)困難。其中，調(diào)制識(shí)別是電磁頻譜感知的一個(gè)重要的研究領(lǐng)域。調(diào)制識(shí)別技術(shù)在民用和軍事領(lǐng)域中的無線中的信號(hào)監(jiān)測(cè)、信息截獲、干擾識(shí)別和電子對(duì)抗等方面有著廣泛的應(yīng)用，是認(rèn)知無線電、頻譜感知等領(lǐng)域研究的基礎(chǔ)。

現(xiàn)階段大多數(shù)的自動(dòng)調(diào)制識(shí)別方法主要的技術(shù)手段是基于特征設(shè)計(jì)和分類器選擇，如傳統(tǒng)的似然比檢測(cè)法[1]，需較多先驗(yàn)信息和人工經(jīng)驗(yàn)[2-3]，才能獲取最優(yōu)的分類性能；而基于特征提取方法，依賴于瞬時(shí)特征[4]或高階累積量等統(tǒng)計(jì)特征[5]，并采用機(jī)器學(xué)習(xí)的淺層分類器實(shí)現(xiàn)性能次優(yōu)[6-8]。這兩類算法的分類識(shí)別準(zhǔn)確率取決于統(tǒng)計(jì)量和專家知識(shí)，在面對(duì)新的調(diào)制方式時(shí)需要重新設(shè)計(jì)特征并進(jìn)行大量的實(shí)驗(yàn)驗(yàn)證，無法滿足復(fù)雜電磁環(huán)境對(duì)處理時(shí)效性的需求，存在一定的應(yīng)用局限性。

近年來，深度學(xué)習(xí)的技術(shù)已經(jīng)在諸如計(jì)算機(jī)視覺和聲音識(shí)別等領(lǐng)域取得了突破性的進(jìn)展[9-10]，深度學(xué)習(xí)的突出優(yōu)勢(shì)在于直接從原始數(shù)據(jù)出發(fā)自動(dòng)學(xué)習(xí)到數(shù)據(jù)特征。文獻(xiàn)[11]提出了利用卷積神經(jīng)網(wǎng)絡(luò)的框架對(duì)時(shí)域IQ通道進(jìn)行自動(dòng)特征提取，該算法直接利用接收到的原始信號(hào)進(jìn)行分類，相比于傳統(tǒng)的機(jī)器學(xué)習(xí)算法如SVM和決策樹等，識(shí)別率有了較大的提升。但是直接使用IQ通道原始數(shù)據(jù)在低信噪比下受噪聲的影響較大，使得模型對(duì)噪聲更敏感，導(dǎo)致識(shí)別率降低。

針對(duì)上述問題，鑒于時(shí)域數(shù)據(jù)包含的調(diào)制信息有限，提出了一種基于深度學(xué)習(xí)的輻射源信號(hào)調(diào)制識(shí)別新算法，通過對(duì)輻射源信號(hào)進(jìn)行幅-相域二維圖像表征，采用多層卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來進(jìn)行目標(biāo)多層次特征提取，實(shí)現(xiàn)了識(shí)別性能提升。

1 基于幅-相域的二維圖像輻射源表征方法

電磁信號(hào)可以用如下數(shù)學(xué)模型描述：

(1)

式(1)中：n為符號(hào)序號(hào)；An為第n個(gè)符號(hào)的幅度；ωn為第n個(gè)符號(hào)的頻率；φn為第n個(gè)符號(hào)的頻率相位；θ為第n個(gè)符號(hào)的初始相位；g(t)為成形函數(shù)；T為符號(hào)周期。通過這些參數(shù)的不同組合得到多種調(diào)制類型，如相位調(diào)制、幅度調(diào)制、頻率調(diào)制、混合調(diào)制等。

當(dāng)電磁信號(hào)經(jīng)過接收機(jī)信道后，信號(hào)形式可描述為

(2)

式(2)中：hn(t)和ω0分別為信道響應(yīng)和接收機(jī)頻率。頻率、幅度和相位信息會(huì)受到信道響應(yīng)和接收機(jī)頻率失配等影響，產(chǎn)生一定失真。

由于調(diào)制信息蘊(yùn)含在頻率、幅度和相位中，直接使用文獻(xiàn)[11]中時(shí)域IQ通道信號(hào)作為卷積神經(jīng)網(wǎng)絡(luò)輸入使得相位信息無法得到直接利用，因此對(duì)輻射源信號(hào)進(jìn)行幅-相域二維圖像表征，將幅度和相位信息進(jìn)行直接體現(xiàn)。

(3)

(4)

分別以CPFSK、BPSK、QPSK、PAM4、QAM16、QAM64、GFSK、8PSK信號(hào)為例，圖 1所示為信號(hào)的二維幅-相域灰度圖像表示形式。這種表征方式一方面能夠?qū)⑿盘?hào)的幅度和相位信息直接表達(dá)，最大化利用信號(hào)的調(diào)制信息；另一方面這種建模方式非常適合作為深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)的輸入，有利于利用圖像識(shí)別算法和加速框架，實(shí)現(xiàn)高速智能化識(shí)別。

2 深度學(xué)習(xí)的輻射源調(diào)制識(shí)別方法

基于深度學(xué)習(xí)的調(diào)制方式識(shí)別方法主要解決輻射源的分類與識(shí)別問題，將中頻信號(hào)表征為二維幅-相域圖像輸入卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)輻射源電磁信號(hào)調(diào)制方式的分類輸出。該方法主要包括設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，然后利用數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最終通過大規(guī)模測(cè)試對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行調(diào)優(yōu)，得到最優(yōu)化模型。通過反復(fù)測(cè)試，最優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)整體架構(gòu)如表 1所示，其中，卷積神經(jīng)網(wǎng)絡(luò)由4層組成，分別為2個(gè)卷積層和2個(gè)全連接層，最后一層使用Softmax分類器，其他每層使用ReLU作為激活函數(shù)。模型損失函數(shù)使用categorical_crossentropy，優(yōu)化器使用的是Adam。為了防止梯度彌散，模型中在卷積層加入50%的Dropout處理。

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

3 基于深度學(xué)習(xí)的輻射源調(diào)制識(shí)別方法

3.1 調(diào)制識(shí)別數(shù)據(jù)集

為驗(yàn)證基于幅-相域信號(hào)的深度學(xué)習(xí)自動(dòng)調(diào)制識(shí)別算法，采用 O′Shea等[11]公開的調(diào)制信號(hào)數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)，選取數(shù)據(jù)集中數(shù)字調(diào)制信號(hào)BPSK、QPSK、8PSK、PAM4、QAM16、QAM64、CPFSK、GFSK作為實(shí)驗(yàn)數(shù)據(jù)，信噪比跨越-6～+18 dB，步進(jìn)2 dB。每種調(diào)制方式在每種SNR下共有8 000個(gè)2×128信號(hào)數(shù)據(jù)，8種調(diào)制方式共有104 000個(gè)數(shù)據(jù)。在數(shù)據(jù)集中每一個(gè)信號(hào)樣本長(zhǎng)度為128 μs，符號(hào)速率為125 kBd，采樣率為1 MHz，每個(gè)信號(hào)樣本包含8～16個(gè)符號(hào)。每種調(diào)制類型信號(hào)樣本中含有隨機(jī)時(shí)域偏移、旋轉(zhuǎn)、相位偏移、噪聲等信息，數(shù)據(jù)集中的信號(hào)不僅能夠真實(shí)反映調(diào)制的數(shù)據(jù)信息，還包含信道對(duì)信號(hào)的影響以及信號(hào)經(jīng)過發(fā)射機(jī)和接收機(jī)所產(chǎn)生的變化。

3.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練與調(diào)優(yōu)

通過計(jì)算統(tǒng)計(jì)，整個(gè)卷積神經(jīng)網(wǎng)絡(luò)的所需要訓(xùn)練的參數(shù)個(gè)數(shù)為2 829 656個(gè)，參數(shù)數(shù)據(jù)類型為32位浮點(diǎn)。在訓(xùn)練過程中，利用數(shù)據(jù)集中的90%數(shù)據(jù)進(jìn)行訓(xùn)練，保留其余的10%數(shù)據(jù)進(jìn)行測(cè)試，即訓(xùn)練樣本數(shù)為93 600個(gè)，測(cè)試樣本數(shù)為10 400個(gè)。實(shí)驗(yàn)?zāi)Ｐ蛽p失函數(shù)采用categorical_crossentropy，優(yōu)化器采用的是Adam。為了防止梯度彌散，模型中在卷積層加入dropout處理。模型的構(gòu)建和訓(xùn)練采用的軟件平臺(tái)為tensorflow1.8、cuda9.0、keras2.2，進(jìn)行模型訓(xùn)練的硬件平臺(tái)為Intel Xeon E5-2630 CPU和Nvidia K4200 GPU。

實(shí)驗(yàn)中分別利用本文方法(用符號(hào)CNNA/φ表示)與文獻(xiàn)[11](用符號(hào)CNNIQ表示)的方法進(jìn)行訓(xùn)練，訓(xùn)練過程采用批處理的大小為1 024，每個(gè)訓(xùn)練完成一輪93 600個(gè)樣本點(diǎn)的迭代，每次迭代后數(shù)據(jù)被打亂再重新開始下一輪迭代。每次迭代結(jié)束后會(huì)檢查驗(yàn)證損失值(val_error)，如果驗(yàn)證損失值連續(xù)多次不再發(fā)生變化，則表明模型參數(shù)訓(xùn)練充分，則終止訓(xùn)練過程，并輸出訓(xùn)練結(jié)果，以CNNA/φ模型為例，圖2所示為訓(xùn)練過程損失值隨訓(xùn)練輪數(shù)的變化情況。

圖2 損失值隨訓(xùn)練輪數(shù)的變化

由圖2可知，隨著訓(xùn)練迭代數(shù)的增加，訓(xùn)練集損失值(train_error)和驗(yàn)證集損失值(val_error)均逐漸減小，當(dāng)驗(yàn)證集損失值下降到0.5～0.6時(shí)，在第90代以后，驗(yàn)證集損失值幾乎不再發(fā)生變化，網(wǎng)絡(luò)模型參數(shù)訓(xùn)練充分，故訓(xùn)練結(jié)束，整個(gè)訓(xùn)練花費(fèi)時(shí)間約為3 h，訓(xùn)練過程每一代耗時(shí)約為60 s。

4 實(shí)驗(yàn)結(jié)果及分析

4.1 識(shí)別準(zhǔn)確率

實(shí)驗(yàn)中通過將來自8個(gè)輻射源的10 400個(gè)測(cè)試樣本對(duì)訓(xùn)練好的模型進(jìn)行測(cè)試，可以得到在不同信噪比下的分類識(shí)別率，圖3所示為CNNA/φ與CNNIQ模型在不同信噪比條件下的模型識(shí)別準(zhǔn)確率的對(duì)比。由圖3可知，在低信噪比條件下，兩種模型識(shí)別準(zhǔn)確率相差不大，而隨著信噪比逐漸增大，二者的識(shí)別準(zhǔn)確率均有所提高，在信噪比高于0 dB時(shí)，本文方法的識(shí)別準(zhǔn)確率明顯優(yōu)于CNNIQ。

圖3 不同信噪比條件下模型識(shí)別準(zhǔn)確率的對(duì)比

為了進(jìn)一步對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行量化比較，表2所示為在3種不同信噪比條件下兩種模型的識(shí)別準(zhǔn)確率數(shù)值，其中低信噪比為-6～2 dB，中等信噪比為4～10 dB，高信噪比為12～18 dB，其中準(zhǔn)確率為多個(gè)信噪比下準(zhǔn)確率的均值。

由表2可知，提出的CNNA/φ方法在高、中、低3種信噪比條件下一致性地優(yōu)于CNNIQ方法，在中、高信噪比條件下優(yōu)勢(shì)尤為明顯，識(shí)別準(zhǔn)確率分別提高了2.47%和2.26%。而上述性能的提升主要源于信號(hào)的幅-相域表征方法的設(shè)計(jì)，在這種方式下，信號(hào)的幅度和相位信息得到了更直接的表達(dá)，幅-相域數(shù)據(jù)得到了更進(jìn)一步地利用，證實(shí)了本文算法的有效性。

表2 3種不同信噪比條件下模型識(shí)別準(zhǔn)確率比較

4.2 識(shí)別處理時(shí)間

為了衡量單個(gè)測(cè)試信號(hào)的識(shí)別時(shí)間消耗，實(shí)驗(yàn)中選取了不同大小的批處理大小對(duì)將來自8種不同調(diào)制方式的測(cè)試樣本進(jìn)行測(cè)試，其中批處理大小的取值為[1, 2, 4, 8,…, 2 048, 4 096],在不同批處理大小下統(tǒng)計(jì)處理單個(gè)測(cè)試樣本的時(shí)間(ms)，實(shí)驗(yàn)結(jié)果如圖 4所示。

圖4 不同批處理大小下單個(gè)測(cè)試樣本的處理時(shí)間消耗

由圖4可知，批處理大小對(duì)單個(gè)測(cè)試樣本的時(shí)間消耗存在重要的影響，當(dāng)批處理大小為1的時(shí)候，即每次將單個(gè)測(cè)試樣本輸入模型進(jìn)行推理，時(shí)間消耗最大約為4.5 ms，但是隨著批處理大小逐漸增大，單個(gè)測(cè)試樣本時(shí)間消耗逐漸減小，最終維持在0.1 ms左右，因此每次將多個(gè)測(cè)試樣本輸入模型進(jìn)行推理能夠降低單個(gè)測(cè)試樣本的處理時(shí)間。

5 結(jié)論

提出一種基于深度學(xué)習(xí)的輻射源信號(hào)調(diào)制識(shí)別算法，通過對(duì)輻射源進(jìn)行二維幅-相域圖像表征，利用卷積神經(jīng)網(wǎng)絡(luò)層次化地理解和自動(dòng)識(shí)別電磁信號(hào)調(diào)制方式。相比傳統(tǒng)方法，本文算法通過深度學(xué)習(xí)技術(shù)從大數(shù)據(jù)角度去自動(dòng)化學(xué)習(xí)目標(biāo)的抽象特征，通過多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來進(jìn)行目標(biāo)高層特征提取，避免了手工特征設(shè)計(jì)的困難和信息利用率低的問題。仿真實(shí)驗(yàn)結(jié)果表明，相比于現(xiàn)有基于時(shí)域的信號(hào)調(diào)制識(shí)別算法，本文算法在中、高信噪比下針對(duì)數(shù)字型數(shù)字調(diào)制的識(shí)別率分別提高了2.5%和2.3%，單信號(hào)的識(shí)別時(shí)間0.1 ms。本文算法在變長(zhǎng)、變符號(hào)率信號(hào)場(chǎng)景下具有一定的局限性，后續(xù)考慮進(jìn)一步優(yōu)化模型設(shè)計(jì)來提升算法的適用性。

本文算法作為一種電磁信號(hào)智能處理新方法，有利于提高對(duì)復(fù)雜動(dòng)態(tài)電磁環(huán)境的認(rèn)知與適應(yīng)能力，以及對(duì)多類型輻射源的智能分類與識(shí)別能力，具有較大實(shí)用價(jià)值，同時(shí)還可以應(yīng)用于雷達(dá)脈內(nèi)分析、雷達(dá)指紋識(shí)別、通信信號(hào)識(shí)別等多個(gè)潛在領(lǐng)域。