基于卷積神經(jīng)網(wǎng)絡的調(diào)制信號識別算法

邵敏蘭， 周鴻漸， 張浩然

（南京信息工程大學a.總務處；b.教務處；c.電子與信息工程學院，南京210044）

0 引 言

自動調(diào)制識別（Automatic Modulation Recognition，AMR）是解調(diào)前的一項重要的技術(shù)，主要應用于軍事中的電子戰(zhàn)［1］和民用領(lǐng)域中的非法監(jiān)管。AMR技術(shù)還可提高認知無線電［2］和軟件無線電［3］中的頻譜使用效率［4］。研究高效可靠的調(diào)制識別技術(shù)具有重要學術(shù)價值和工程實踐意義。

AMR算法分為兩類：一是基于決策理論的最大似然假設檢驗識別算法，包括廣義似然比、平均似然比和混合似然識別算法［5］；二是基于特征提取的模式識別算法［6］。由于后者的計算量小，所需先驗信息少，所以基于特征提取的模式識別算法被廣泛研究，主要步驟有：數(shù)據(jù)預處理，特征提取和分類識別。常用的信號特征包括高階累積量［7］、小波特征［8］和信號瞬時特征［9］等。分類識別算法有：支持向量機（Support Vector Machine，SVM）［10］，K最鄰近（K Nearest Neighbor，KNN）［11］和樸素貝葉斯等［12］，這些算法需要進行提取專家特征的過程，且識別準確率較低。因深度學習算法在圖像識別領(lǐng)域中表現(xiàn)出優(yōu)勢［13］，眾多研究者將其引入各種模式識別的應用場景。深度學習算法中的卷積神經(jīng)網(wǎng)絡可以高效記憶和學習樣本特征，并且對數(shù)據(jù)沒有附加的特征提取要求，因此適合應用在調(diào)制信號的分類識別中。

利用卷積神經(jīng)網(wǎng)絡進行自動調(diào)制信號識別，主要的工作如下：為符合實際的信號傳輸環(huán)境，采用國際標準的調(diào)制信號數(shù)據(jù)集RaidoML2016.10a。將數(shù)據(jù)集中的信號IQ分量直接作為神經(jīng)網(wǎng)絡的輸入，避免傳統(tǒng)特征提取的計算步驟；設計兩層卷積層的CNN，增加樣本特征學習的多樣性，減小由網(wǎng)絡深度增加帶來的特征退化。實驗結(jié)果表明，本文設計的CNN的識別準確率優(yōu)于對比的調(diào)制信號識別算法。

1 信號模型和累積量特征

1.1 調(diào)制信號模型

圖1所示為典型的無線通信系統(tǒng)，其包括發(fā)射器、信道和接收器。接收器處的連續(xù)時間信號為

圖1 無線通信系統(tǒng)組成

式中：x（t）為按照時間t發(fā)送的信號；f（t）為調(diào)制類型；符號“?”為卷積操作；h（t）為信道效應；n（t）為加性噪聲。給定接收信號y（t），調(diào)制識別旨在預測f（t）的調(diào)制類型。

1.2 調(diào)制信號的累積量特征

對于一、二階統(tǒng)計量，通常不能用于處理非線性、非高斯性或非最小相位系統(tǒng)相關(guān)的信號處理問題。而高階統(tǒng)計量通常被用于解決這些類型的信號處理問題，對比的特征提取算法使用高階累積量作為樣本特征。

令y（n）表示在時間n處的離散時間接收信號，復數(shù)值接收信號y（n）的二階統(tǒng)計量可以表示為：C20＝E［y2（n）］和C21＝E［｜y（n）｜n］，其中E（·）是期望函數(shù)。本文使用的特征為y（n）的四階統(tǒng)計量。復數(shù)值信號y（n）的四階統(tǒng)計量為

式中，C40、C41和C42為四階統(tǒng)計量。具體而言，四階統(tǒng)計量的聯(lián)合累積量函數(shù)表示為

2 基于卷積神經(jīng)網(wǎng)絡的調(diào)制信號識別

2.1 基于CNN的調(diào)制信號識別

在使用CNN模型［14-17］進行調(diào)制識別時，由于CNN具有空間特征學習能力，可直接對調(diào)制信號的IQ分量進行處理，本節(jié)將信號的原始樣本作為網(wǎng)絡的輸入。信號樣本采用國際標準數(shù)據(jù)集RML2016.10a＿dict［19］。樣本χ由信號的同相和正交分量組成。由于樣本維度較小，本文設計的CNN不采用池化層來進行特征的降維，具體的網(wǎng)絡結(jié)構(gòu)和部分參數(shù)如圖2所示。

圖2 基于CNN的調(diào)制識別模型

輸入層Input，輸入的樣本大小為2×128。輸入樣本采取補零操作，即在樣本兩側(cè)補上零矩陣，以保證樣本的邊緣特征能夠被學習到。網(wǎng)絡第2層為Conv1，卷積核個數(shù)為256，對應輸出特征圖通道數(shù)也為256。此外，本層卷積核尺寸為1×3，滑動步長為1。激活函數(shù)設置為Relu，為更好滿足非線性需求，同時防止訓練陷入局部最小。本層的輸出x1計算式為

式中：xiq為補零后的IQ分量樣本；σ（·）為Relu函數(shù)；W1、b1分別為第1層卷積層里的權(quán)重和偏置。

網(wǎng)絡的第3層為Conv2，該層卷積核個數(shù)為128，卷積核尺寸為2×3，其余設置同卷積層1。這里增大了卷積核的尺寸，是為了學習二維信號特征的關(guān)聯(lián)性，減少冗余特征，本層輸出的特征圖尺寸較上一層卷積層的1輸出會有所減小。本層的輸出為

網(wǎng)絡的最后兩層為全連接層，第1層全連接層的神經(jīng)元個數(shù)為256，它接收上層輸出的特征。在此之前，需對Conv2輸出的特征圖進行壓平操作得到x′2，即將二維的特征壓平為一維。本全連接層的激活函數(shù)也為Relu，輸出的特征尺寸大小為1×256。其輸出的計算過程為

式中：x′2為x2被拉平后的一維特征；Wd1和bd1分別為第1層全連接層里的權(quán)重和偏置。

網(wǎng)絡最后的全連接層也為輸出層，激活函數(shù)為Softmax，以滿足多分類的目的，神經(jīng)元個數(shù)與分類的類別數(shù)相同，這里為信號的類別數(shù)11。此處的輸出預測標簽為

式中，ο（·）為Softmax函數(shù)。此外，設置網(wǎng)絡中前3層特征提取層的dropout系數(shù)為0.5，即同一時刻，只有一半神經(jīng)元處在激活狀態(tài)，防止網(wǎng)絡訓練時發(fā)生過擬合現(xiàn)象。

2.2 CNN中激活函數(shù)的選擇

Relu函數(shù)是當前人工神經(jīng)網(wǎng)絡中常用的激活函數(shù)，它在一定程度上緩解了梯度問題，計算速度非常快。Relu被使用在卷積層和全連接層，可加快模型的收斂速度，提高神經(jīng)網(wǎng)絡的訓練性能。

網(wǎng)絡輸出層的激活函數(shù)為Softmax，也稱為歸一化指數(shù)函數(shù)。它是深度學習中非常普遍且重要的一種函數(shù)。Softmax常用于多分類過程，將多個神經(jīng)元的輸出映射到（0，1）間隔中，并將其理解為計算多分類的概率。其工作原理可解釋為某種類型的特征加權(quán)，將這些特征轉(zhuǎn)換為確定這種類型的可能性。涉及信號分類識別問題，在CNN中，最后一層全連接層使用Softmax激活函數(shù)進行分類識別，最終輸出的是每個信號的概率。

2.3 識別準確率評價指標

準確率計算公式為

式中：n為樣本數(shù)；＾yi為第i個樣本的預測標簽；yi為第i個樣本的真實標簽。

3 實驗與分析

3.1 數(shù)據(jù)集

實驗中，使用了RadioML2016.10a數(shù)據(jù)集作為輸入數(shù)據(jù)，該數(shù)據(jù)集是目前調(diào)制識別研究中常被使用的數(shù)據(jù)樣本，有關(guān)生成此數(shù)據(jù)集的詳細信息可以在文獻［19］中找到。該數(shù)據(jù)集包含11種調(diào)制信號類型，為8種數(shù)字調(diào)制和3種模擬調(diào)制，它們?yōu)锽PSK、QPSK、8PSK、16QAM、64QAM、BFSK、CPFSK和4PAM數(shù)字調(diào)制信號，以及WBFM、AM-DSB和AM-SSB 3種模擬調(diào)制信號。該數(shù)據(jù)集是利用開源軟件無線電平臺GNU Radio生成，在產(chǎn)生過程中除了采用了大量真實語音信號，采用了GNU Radio中動態(tài)信道模型模擬信道效應，包括頻率偏、相位偏、高斯白噪聲和頻率選擇性衰落等。具體數(shù)據(jù)集的參數(shù)見表1。

表1 RaidoML2016.10a數(shù)據(jù)集的相關(guān)參數(shù)

3.2 CNN的識別準確率

實驗中，將數(shù)據(jù)集220 000個樣本劃分為訓練集和測試集，各占樣本總量的80%和20%。實驗使用tensorflow作為后端，使用keras庫搭建神經(jīng)網(wǎng)絡訓練，并基于Nvidia GEFORCE GTX1050Ti圖形處理器進行神經(jīng)網(wǎng)絡的計算。使用的優(yōu)化算法為Adam［20］，Adam優(yōu)化算法是改進的隨機梯度下降算法，是Momentum算法和RMSprop算法的結(jié)合體。網(wǎng)絡的損失函數(shù)設置為交叉熵損失函數(shù)，它刻畫的是網(wǎng)絡輸出概率與實際輸出概率的距離，即交叉熵越小，兩者概率分布越接近。在實驗環(huán)境配置完畢后，將樣本輸入設置好參數(shù)的兩種網(wǎng)絡中，先后進行訓練與測試，分別得到識別結(jié)果。CNN的識別準確率隨信噪比的變化，如圖3所示。

可見，CNN算法的識別準確率均隨著信噪比的增加而逐漸增高。在信噪比為－20～－14 dB時，算法的識別準確率在10%左右。當信噪比高于－4 dB時，CNN的準確率開始高于60%。當信噪比為－2 dB時，CNN的識別準確率約為70%。當信噪比在6～18 dB時，CNN的識別準確率都趨于平緩。當信噪比為18 dB時，CNN的識別準確率為78.5%。

3.3 不同算法的對比

將CNN與兩種特征提取的調(diào)制識別算法進行對比。特征提取的調(diào)制識別算法使用的信號專家特征為1.2節(jié)中提到的四階累積量特征。對比的是SVM和KNN兩種算法，準確率對比如圖3所示。

圖3 CNN與SVM、KNN的識別準確率對比

可見，在信噪比為－20～－16 dB時，CNN、SVM以及KNN算法的識別準確率均在10%左右。隨著信噪比的增加，3種算法的識別準確率均呈現(xiàn)增高的趨勢。其中，CNN的識別準確率增長最快。在信噪比為0 dB時，CNN的識別率值則最高，為75%，而SVM和KNN的識別準確率低于25%。在信噪比為2 dB時，SVM和KNN的識別準確率呈現(xiàn)陡然上升趨勢。當信噪比增加至4 dB之后，3種算法的識別準確率均趨于平緩狀態(tài)，CNN比SVM的準確率高出約17%，比KNN的準確率高出約20%。在信噪比為18 dB時，CNN的識別率為78.5%，SVM為66.6%，KNN為67.0%。可見，特征提取的調(diào)制識別算法幾乎在所有信噪比下識別準確率都低于卷積神經(jīng)網(wǎng)絡。說明，卷積神經(jīng)網(wǎng)絡的調(diào)制識別算法不僅可以避免特征提取的計算步驟，還取得優(yōu)異的識別性能。

3.4 CNN識別結(jié)果的混淆矩陣

針對RML2016.10a數(shù)據(jù)集中多種調(diào)制類型，進一步研究CNN的識別性能，利用混淆矩陣來觀察每個類型的識別情況。混淆矩陣的橫坐標為樣本的網(wǎng)絡預測信號類型（預測標簽），縱坐標為這些樣本的實際信號類型（真實標簽）。圖4為CNN在信噪比為－18 dB時的識別結(jié)果混淆矩陣。

圖4 在信噪比為－18 dB時CNN的混淆矩陣

在混淆矩陣的網(wǎng)格中，每格中的數(shù)字表示樣本數(shù)量。以圖4為例，對于縱坐標為8PSK的這一行數(shù)據(jù)，對應到橫坐標可見：網(wǎng)絡將8PSK正確預測為8PSK的樣本數(shù)量只有5個，而將8PSK預測為AM-SSB的樣本數(shù)量為191個，出現(xiàn)了嚴重的混淆。說明由于低信噪比的影響，CNN的識別準確率較差，對任意種類的信號都難以識別。

圖5為CNN在信噪比為0 dB時的識別結(jié)果混淆矩陣。圖5表明，CNN對大部分信號類型都能進行準確識別，而對于AM-DSB和WBFM，16QAM和64QAM的識別效果較差。因為生成數(shù)據(jù)集時，觀測窗口小，信息率低，信息之間關(guān)聯(lián)性小，所以難以區(qū)分AM-DSB和WBFM。而對于16QAM和64QAM，這兩種信號的IQ信息相似，也難以進行分類識別。另外，在0dB情況，QPSK和8PSK兩種信號也有較少的混淆。

圖5 在信噪比為0 dB時CNN的混淆矩陣

圖6為CNN在信噪比為18 dB時的識別結(jié)果混淆矩陣。圖6表明，在信噪比為18 dB時，CNN對BPSK信號的識別準確率較0 dB時有少許的提高，對于AM-DSB和WBFM，16QAM和64QAM的識別，CNN表現(xiàn)的效果仍然較差，而對于其他類型信號，CNN取得了較好的識別性能。

圖6 在信噪比為18 dB時CNN的混淆矩陣

4 結(jié) 語

針對基于特征提取的調(diào)制信號識別算法準確率不高的問題，本文采用卷積神經(jīng)網(wǎng)絡（CNN）用于調(diào)制信號的識別。卷積神經(jīng)網(wǎng)絡可以直接對二維樣本進行特征學習，避免專家特征計算過程，直接將調(diào)制信號的IQ分量作為網(wǎng)絡輸入。利用卷積層提取空間特征，還能學習到樣本的時序特征。本文采用國際標準數(shù)據(jù)集，其中的信號受多種信道效應影響，接近真實通信環(huán)境。仿真結(jié)果表明，在信噪比大于－16 dB情況下，CNN的調(diào)制信號識別準確率遠遠高于SVM和KNN，說明基于卷積神經(jīng)網(wǎng)絡的調(diào)制識別算法不僅可以避免人工提取專家特征，而且在性能上也有很大的優(yōu)勢。