基于深度學習網(wǎng)絡(luò)的信號識別研究?

韓 璐

（92941部隊44分隊 葫蘆島 125000）

1 引言

在通信傳輸技術(shù)中，通信信號的識別是一個重要的研究方向，特別是在空間通信、衛(wèi)星通信、水下通信等領(lǐng)域。信號識別受傳輸環(huán)境、信號幅度因子、頻率因子和相位因子的約束，尤其是在衰落信道條件下。

在相關(guān)研究文獻中，對于通信信號識別有兩種研究趨勢，一種趨勢是基于特征參數(shù)估計的極大似然函數(shù)方法，通過估計參數(shù)可以優(yōu)化最大似然法，例如調(diào)制模式、載波頻率、相位、信道響應(yīng)等，然而，在特定的多徑衰落信道環(huán)境下，多徑衰落引起的載波不同步、相位噪聲、定時異步會嚴重影響信號識別［1～3］。另一種趨勢是基于信號統(tǒng)計特征進行信號識別，通過獲得不同的統(tǒng)計特征特征，如高階累積量、小波特征、多維信號特征等。大多數(shù)通信信號識別算法都在AWGN范圍內(nèi)。事實上，由于信道多徑衰落，許多信號識別算法的應(yīng)用已經(jīng)大大減少［4～6］。近幾年來，由于人工智能領(lǐng)域的快速發(fā)展，研究者們將人工智能學習算法引入到信號識別中，并給出了相關(guān)的理論推導(dǎo)證明。

本文針對多徑衰落信道中的信號識別問題，提出了一種基于深度學習網(wǎng)絡(luò)的深度學習體系結(jié)構(gòu)。通過能量自然對數(shù)模型建立了DLN，通過幅值加權(quán)子網(wǎng)絡(luò)、相位加權(quán)子網(wǎng)絡(luò)和頻率加權(quán)子網(wǎng)絡(luò)，能夠有效地降低BER。

2 系統(tǒng)模型和問題闡述

定義通信系統(tǒng)通過AWGN，其噪聲環(huán)境符合均值為0、方差為的高斯分布，代表模數(shù)采樣加性AWGN信號的均值和方差。具體來說，AWGN信號通過相關(guān)接收或匹配濾波器，形成離散隨機過程的均值為0，方差為的輸出信號。DLN網(wǎng)絡(luò)系統(tǒng)端到端信號流程框圖，如圖1所示。

圖1 DLN網(wǎng)絡(luò)系統(tǒng)端到端信號處理框圖

接收信號通過理想匹配濾波器，經(jīng)模數(shù)轉(zhuǎn)換后，通過均衡器消除符號間干擾，該均衡器為理想的符號均衡器。為討論方便，假設(shè)基帶信號周期小于信道相干時間，通信信道為多徑衰落，系統(tǒng)采用理想信道均衡器來降低符號間干擾。

3 DLN算法

根據(jù)圖2，DLN算法流程是針對振幅、相位和頻率的，可通過下列算法求得。

圖2 DLN網(wǎng)絡(luò)框架

4 仿真結(jié)果與分析

深度學習DLN網(wǎng)絡(luò)的信號識別，通過蒙特卡洛仿真，隨機生成包括二相相移鍵控（BPSK）、四相相移鍵控（QPSK）、八相相移鍵控（8PSK）、正交幅度調(diào)制（QAM）調(diào)制方法。載波信號頻率為fc=100kHz，抽樣頻率為fs=4fc=400kHz。

針對本文提出的DLN網(wǎng)絡(luò)，進行如下仿真，蒙特卡羅法模擬2000次試驗，信噪比范圍1dB～7dB，假設(shè)將512個信號樣本構(gòu)造成一個數(shù)據(jù)幀，數(shù)據(jù)幀為1000組。前100組作為訓(xùn)練，剩下900組用于測試。信道模型為典型多徑模型，信道模型參數(shù)表，如表1所示，瑞利衰落信道。主信道作為萊斯Rice信道模型，二徑模型作為瑞利Rayleigh信道模型。

表1 信道模型參數(shù)表

為便于仿真，用三個子網(wǎng)絡(luò)來設(shè)定DLN深度學習網(wǎng)絡(luò)，每個子網(wǎng)絡(luò)有30層，隱藏節(jié)點數(shù)為100。接收信號的幅度、相位和頻率通過相應(yīng)的加權(quán)訓(xùn)練網(wǎng)絡(luò)來實現(xiàn)。信號的幅度特征、相位特征和頻率特征信息通過相應(yīng)的權(quán)值網(wǎng)絡(luò)或隱層網(wǎng)絡(luò)獲得。DLN網(wǎng)絡(luò)對不同調(diào)制模式的分類，建立了誤碼率仿真模型，DLN網(wǎng)絡(luò)的SNR變化范圍1dB至7dB，每512個模擬信號樣本夠成一個數(shù)據(jù)幀。對通信信號進行六組識別仿真，曲線分別為無分類檢測識別、最小均方誤差（MMSE）分類算法、DLN算法一次迭代、DLN算法二次迭代、DLN算法三次迭代、理想分類檢測識別?；诓煌旁氡鹊腄LN識別誤碼率仿真結(jié)果，如圖3所示。

圖3 基于不同信噪比的DLN識別誤碼率

圖3顯示了BPSK、QPSK、8PSK、16QAM調(diào)制模式在不同信噪比下的信號識別誤碼率。通信信號識別中分別采用DLN算法和MMSE算法，在SNR變化范圍從1dB～7dB，與理想分類檢測、無分類檢測，對誤碼率進行了比對。仿真結(jié)果表明，當SNR大于6dB時，DLN算法的信號識別誤碼率達到10-2，低于MMSE算法，且DLN算法隨著迭代次數(shù)的增加，誤碼率會降低，接近理想情況。

5 結(jié)語

本文提出了一種自適應(yīng)深度學習網(wǎng)絡(luò)，用于多徑衰落信道下的信號識別。通過建立期望模型的自然對數(shù)能量模型，深度學習網(wǎng)絡(luò)分為幅值加權(quán)子網(wǎng)絡(luò)、相位加權(quán)子網(wǎng)絡(luò)和頻率加權(quán)子網(wǎng)絡(luò)，可通過每個子網(wǎng)絡(luò)獲取信號特征。仿真結(jié)果表明，與傳統(tǒng)算法相比，本文提出的DLN算法，具有高效的分類性能和小樣本分類能力，能夠自適應(yīng)訓(xùn)練序列長度相同、SNR相同的多徑衰落信道，對通信信號的識別具有更低的BER。