基于深度多級(jí)殘差網(wǎng)絡(luò)的低信噪比下空頻分組碼識(shí)別方法

張聿遠(yuǎn)，張立民，閆文君

（海軍航空大學(xué)信息融合研究所，山東煙臺(tái) 264001）

1 引言

在非協(xié)作通信情況下，從接收信號(hào)中對(duì)發(fā)射機(jī)通信信號(hào)類型進(jìn)行識(shí)別，是通信偵查和軟件無線電領(lǐng)域的一個(gè)重要研究課題.隨著頻譜資源的短缺，多輸入多輸出系統(tǒng)（Multiple Input Multiple Output，MIMO）與正交頻分復(fù)用（Orthogonal Frequency Division Multiplexing，OFDM）技術(shù)的結(jié)合因其頻帶利用率高和抗多徑干擾能力強(qiáng)的優(yōu)勢(shì)，得到了越來越廣泛的應(yīng)用［1］.在實(shí)際通信過程中，信號(hào)往往需要在低信噪比的復(fù)雜電磁環(huán)境中傳輸，信號(hào)受噪聲和信道衰減的影響較大，因此，如何從強(qiáng)干擾環(huán)境中正確識(shí)別發(fā)射機(jī)信號(hào)類型亟待解決.

現(xiàn)有的空頻分組碼（Space-Frequency Block Coding，SFBC）識(shí)別方法較少，且以人工提取特征的傳統(tǒng)算法為主，通常采用在分析信號(hào)統(tǒng)計(jì)特性后，建立決策樹并逐項(xiàng)進(jìn)行假設(shè)檢驗(yàn)以完成識(shí)別［2～6］.基于中心極限定理，文獻(xiàn)［2］提出了一種基于二維空間-頻域冗余（Two-Dimensional Space-Frequency Redundancy，TDSFR）的SFBC 識(shí)別算法，利用空域冗余構(gòu)造估計(jì)量的互相關(guān)函數(shù)，在假設(shè)檢驗(yàn)統(tǒng)計(jì)量中加入頻域冗余以實(shí)現(xiàn)識(shí)別；文獻(xiàn)［3］提出了一種基于子空間分解（Subspace Decomposition，SD）和隨機(jī)矩陣?yán)碚摚≧andom Matrix Theory，RMT）的SFBC 盲識(shí)別方法，根據(jù)噪聲子空間的最大特征值確定決策邊界，然后利用一個(gè)特殊距離度量的決策樹進(jìn)行決策；文獻(xiàn)［4］通過計(jì)算互相關(guān)函數(shù)峰值以識(shí)別AL-OFDM 碼，對(duì)SM 碼有較強(qiáng)的識(shí)別能力；文獻(xiàn)［5］利用主成分序列（Principal Component Sequence，PCS）作為識(shí)別特征，通過在頻域內(nèi)滑動(dòng)窗口檢測(cè)該特征以實(shí)現(xiàn)空頻分組碼識(shí)別；文獻(xiàn)［6］基于中心極限定理（Central Limit Theorem，CLT），利用空間域冗余計(jì)算估計(jì)量的互相關(guān)函數(shù)，構(gòu)造卡方統(tǒng)計(jì)量作為識(shí)別決策量.以上這些方法［2～6］均為人工提取特征的傳統(tǒng)算法，其性能依賴于專業(yè)知識(shí)和經(jīng)驗(yàn)，而且提取的都是淺層特征.因此，如何自動(dòng)提取SFBC的深層特征，提升算法在低信噪比下的識(shí)別性能成為了本領(lǐng)域具有挑戰(zhàn)性的問題.

為解決上述問題，本文提出了一種基于時(shí)頻分析與深度多級(jí)殘差網(wǎng)絡(luò)［7］（Deep Multilevel Residual Network，DMRN）的SFBC 自動(dòng)分類識(shí)別系統(tǒng)，可自動(dòng)獲取SFBC的深層特征，提升識(shí)別精度.該系統(tǒng)由3 部分組成：SFBC 互相關(guān)序列時(shí)頻分析與降噪、非時(shí)鐘同步預(yù)處理和基于多級(jí)殘差的深度SFBC識(shí)別網(wǎng)絡(luò).首先對(duì)接收端互相關(guān)幅值序列進(jìn)行時(shí)頻分析得到二維時(shí)頻圖像，并采用疊加均值的方法進(jìn)行時(shí)頻域降噪以穩(wěn)定AL-OFDM碼峰值；然后，通過非時(shí)鐘同步拼接的方法，確保在任何時(shí)延情況下總有一組特征靠近圖片中心，解決了不同時(shí)延下識(shí)別性能不穩(wěn)定的問題；最后針對(duì)時(shí)頻圖像特征細(xì)微的問題，設(shè)計(jì)了一種適用于SFBC識(shí)別的DMRN模型，使得淺層網(wǎng)絡(luò)的細(xì)節(jié)信息和深層網(wǎng)絡(luò)映射的高維特征能夠充分融合，顯著提升了低信噪比下的識(shí)別性能.

2 空頻分組碼模型及其特性分析

空頻分組碼將空間編碼（Space Block Coding，SBC）與OFDM 技術(shù)相結(jié)合，使得信號(hào)在充分利用空間資源的同時(shí)，進(jìn)一步挖掘可傳輸?shù)念l譜資源，有效地?cái)U(kuò)大了信道的信息容量，其實(shí)現(xiàn)過程主要包括SBC 編碼與IFFT兩步，MIMO-OFDM發(fā)射機(jī)模型如圖1所示［1］.

圖1 MIMO-OFDM發(fā)射機(jī)框圖

考慮利用兩根發(fā)射天線（nt=2）的MIMO 系統(tǒng)，待編碼的數(shù)據(jù)流首先通過多路分配器分解成兩路子數(shù)據(jù)流，然后輸入SBC 編碼器實(shí)現(xiàn)SM（Special Multiplexing）或AL（Alamouti）編碼.SM碼和AL碼的編碼矩陣為

其中，dt(2k)和dt(2k+1)分別表示數(shù)據(jù)集dt中的第2k列和第2k+1 列數(shù)據(jù).經(jīng)過編碼后數(shù)據(jù)集dt由1×2N維變?yōu)镹t×UN，其中對(duì)于SM 碼U=，對(duì)于AL 碼U=1.將編碼后兩路數(shù)據(jù)分別表示，即然后進(jìn)行IFFT 以生成OFDM符號(hào).

其中，n=0，1，…，UN-1，f=0，1代表發(fā)射OFDM 符號(hào)的天線編號(hào).最終經(jīng)由兩根發(fā)射天線傳輸?shù)男盘?hào)為

考慮利用nt根發(fā)射天線和nr根接收天線的MIMOOFDM 系統(tǒng)，則接收端第v根天線的第m個(gè)接收信號(hào)可表示為

其中，hfv為發(fā)射天線f與接收天線v之間的信道系數(shù)，n(v)(m)代表加性高斯白噪聲，s(f)(m)為天線發(fā)射f的發(fā)出的第m個(gè)信號(hào)，v=0，1，…，nr-1.本文考慮在SFBC中最常用的SM與AL兩種編碼方式［4］.

計(jì)算兩根接收天線信號(hào)之間的二階互相關(guān)函數(shù)，可得到空頻分組碼的互相關(guān)特性.不失一般性，考慮nr=2的MIMO-OFDM系統(tǒng).定義如下的二階互相關(guān)函數(shù)：

其中，E[·]為數(shù)學(xué)期望，τ為互相關(guān)函數(shù)的時(shí)延.考慮互相關(guān)序列y=[y(0)，y(1)，…，y(m)，…，y(K-1)]，其中y(m)=r(0)(m)r(1)(m+)，對(duì)該序列進(jìn)行DFT 可得到頻域互相關(guān)序列：

其中，k=0，1，…，K-1.對(duì)于SM 碼，根據(jù)式（1）和式（3）～（7），由于傳輸?shù)臄?shù)據(jù)符號(hào)是獨(dú)立同分布的，容易得到

對(duì)于AL 碼，在同一個(gè)編碼矩陣內(nèi)，由于(k0)和(k1)相互交叉的兩項(xiàng)具有相關(guān)性，其余各項(xiàng)均不相關(guān)，易知AL碼頻域互相關(guān)序列Y(AL)存在峰值.

3 時(shí)頻域特征降噪及預(yù)處理

3.1 SFBC互相關(guān)特征與時(shí)頻域降噪

現(xiàn)有的空頻分組碼識(shí)別均采用傳統(tǒng)的假設(shè)檢驗(yàn)方法［2～6］，未見深度學(xué)習(xí)算法在該領(lǐng)域的應(yīng)用，為探索一種適用于SFBC 的特征預(yù)處理方法，本文借鑒了雷達(dá)輻射源識(shí)別領(lǐng)域中常用的CWD 時(shí)頻變換［8～11］，對(duì)SFBC 互相關(guān)序列進(jìn)行時(shí)頻分析，解決了一維序列峰值稀疏，直接輸入神經(jīng)網(wǎng)絡(luò)識(shí)別性能差的問題.

考慮到在計(jì)算機(jī)視覺領(lǐng)域（Computer Version，CV），輸入層的圖片維度常采用邊長(zhǎng)相同的方形結(jié)構(gòu)，且邊長(zhǎng)往往取2的冪次方，故將已轉(zhuǎn)換到頻域的互相關(guān)序列Y按照OFDM 塊的長(zhǎng)度N進(jìn)行劃分，每N塊OFDM符號(hào)按行排列成一張圖片，則圖像的第k+1 行可表示為

其中，SFBC ∈{SM，AL}表示SFBC 類型，k=0，1，…，N-1.則時(shí)頻圖像可由N行序列xk+1拼接而成.

以O(shè)FDM 塊長(zhǎng)度N=64 為例，得到10 dB 下N×N維的時(shí)頻圖像如圖2所示.由該圖可知，AL-OFDM碼的互相關(guān)時(shí)頻圖像存在周期性的峰值，且峰值恰好排列在第一個(gè)子載波的位置，而SM-OFDM 碼則不存在此類峰值.該方法使得信號(hào)的特征更加集中，有效提高了峰值特征的密集程度.

圖2 SFBC信號(hào)互相關(guān)時(shí)頻圖像

由圖2（b）可知，AL-OFDM 碼的峰值存在較大波動(dòng)，在低信噪比下該特征更加難以顯現(xiàn)，導(dǎo)致識(shí)別性能較差.考慮到該峰值呈周期性排列，且順序提取的互相關(guān)序列經(jīng)時(shí)頻分析后特征位置不變，本文利用該性質(zhì)特點(diǎn)，將多張時(shí)頻圖像疊加以提升抗噪性能.此外，將64 塊OFDM 塊作為一個(gè)樣本時(shí)，采集的信號(hào)數(shù)仍較文獻(xiàn)［4］更少，因此本文對(duì)SFBC 互相關(guān)時(shí)頻圖像進(jìn)行均值疊加處理.

其中，Ns為疊加的時(shí)頻圖像數(shù).由于峰值的波動(dòng)具有隨機(jī)性，將多張時(shí)頻圖像疊加可以穩(wěn)定AL-OFDM 互相關(guān)峰值，達(dá)到削弱噪聲干擾，提升特征可辨識(shí)程度的目的.

3.2 非時(shí)鐘同步拼接

在實(shí)際的通信系統(tǒng)中，接收端的第一個(gè)信號(hào)可能不是發(fā)射端OFDM 塊的第一個(gè)子載波，在這種非時(shí)鐘同步（Non-Clock Synchronization，NCS）的情況下，時(shí)頻圖像的峰值會(huì)發(fā)生明顯的偏移，導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型對(duì)SFBC 的識(shí)別性能不穩(wěn)定.此外，根據(jù)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Nerual Network，CNN）的工作原理，接近圖像中心的特征在卷積核移動(dòng)時(shí)能夠被其多次利用，而邊緣化的特征則利用率較低.針對(duì)以上問題，本文提出了一種在各種時(shí)延下均適用的預(yù)處理方法——拼接，將兩張時(shí)頻圖像進(jìn)行非時(shí)鐘同步拼接（Non-Clock Synchronous Splicing，NCSP）處理.

其中，和分別表示去噪后第2i個(gè)和第2i+1 個(gè)時(shí)頻圖像.采用按列拼接的方式，則預(yù)處理后時(shí)鐘同步（時(shí)延t=0）與不同步（以時(shí)延t=16，32，48 為例）下的時(shí)頻圖像如圖3所示.

圖3 預(yù)處理后的AL-OFDM碼互相關(guān)時(shí)頻圖像

如圖3（a）所示，在時(shí)鐘同步（時(shí)延t=0）的情況下，時(shí)頻圖像的一組峰值在OFDM 符號(hào)的第一個(gè)子載波的位置（第1 列），另一組峰值則恰好在圖像的中心（第65列）.同理，如圖3（b）～（d）所示，在時(shí)鐘不同步（時(shí)延t=16，32，48）的情況下，因兩組峰值的列數(shù)之差恰好等于OFDM 塊長(zhǎng)度N，當(dāng)其中一組子載波的峰值在圖片邊緣時(shí)，另一組峰值則必然在接近圖片中心的位置.該拼接方法使得時(shí)頻圖像總有一組峰值靠近中心，更利于卷積核提取互相關(guān)特征.

4 基于多級(jí)殘差網(wǎng)絡(luò)的空頻分組碼識(shí)別系統(tǒng)

4.1 多級(jí)殘差單元

CNN在圖像識(shí)別領(lǐng)域取得了突破性進(jìn)展.理論上，更多的卷積層可以擬合任意復(fù)雜的非線性函數(shù)，但實(shí)際上，隨著網(wǎng)絡(luò)層數(shù)的增加，其識(shí)別性能會(huì)達(dá)到飽和甚至發(fā)生退化.文獻(xiàn)［12］提出了一種解決網(wǎng)絡(luò)退化問題的殘差網(wǎng)絡(luò)（Residual Network，ResNet），每個(gè)殘差單元（Residual Unit，RU）的輸出可表示為

其中，xl和xl+1分別為第l個(gè)殘差塊的輸入和輸出，F(xiàn)為殘差映射函數(shù)，h為跨越連接的映射函數(shù)，在恒等映射下h(xl)=xl，f為線性整流（Rectified Linear Unit，ReLU）激活函數(shù).

跨越連接使得ResNet 能夠利用多層的映射特征，但本文的SFBC 互相關(guān)時(shí)頻圖像的峰值特征較為細(xì)微，僅使用一層跨越連接仍會(huì)因淺層特征丟失，導(dǎo)致細(xì)微特征被忽略.尤其是在低信噪比下，信號(hào)受噪聲的干擾較大，AL-OFDM 信號(hào)時(shí)頻圖像特征不明顯，使得互相關(guān)峰值“湮沒”在噪聲中.因此，本文在在單一跨越連接的基礎(chǔ)上分層增加跨越連接，構(gòu)成多級(jí)殘差單元（Multilevel Residual Unit，MRU），在不增加模型空間復(fù)雜度的條件下，改善ResNet 網(wǎng)絡(luò)的深層優(yōu)化能力，其結(jié)構(gòu)如圖4所示.

圖4 多級(jí)殘差單元結(jié)構(gòu)示意圖

在圖4中，前兩層和后兩層卷積在增加跨越連接后分別構(gòu)成兩個(gè)一級(jí)殘差單元，2個(gè)一級(jí)殘差單元和跨越連接h(xl)構(gòu)成二級(jí)殘差單元.設(shè)第l個(gè)二級(jí)殘差單元的輸入為xl，則各殘差單元的輸出為

從輸出xl+3可分析出，多級(jí)殘差單元的輸出不僅包含映射函數(shù)F(xl+1，Wl+1)，而且融合了本級(jí)和上一級(jí)殘差塊的輸入xl+1和xl.因此，多級(jí)殘差能夠充分利用跨越多層的特征信息，融合淺層網(wǎng)絡(luò)的細(xì)節(jié)信息和深層網(wǎng)絡(luò)映射的高維特征，使網(wǎng)絡(luò)的結(jié)構(gòu)更加緊湊.

4.2 基于深度多級(jí)殘差的SFBC識(shí)別網(wǎng)絡(luò)

一般殘差網(wǎng)絡(luò)輸入圖像的維度較大，且圖像特征分布較廣，不利于提取SFBC 時(shí)頻圖像的細(xì)微特性.為適應(yīng)輸入圖像維度較小和特征細(xì)微的特點(diǎn)，本文在文獻(xiàn)［12］基礎(chǔ)上進(jìn)行了如下改進(jìn)：網(wǎng)絡(luò)的主干部分如圖5所示，原網(wǎng)絡(luò)僅有一個(gè)池化層，本文在每?jī)蓚€(gè)二級(jí)殘差單元之間增加池化層，實(shí)現(xiàn)對(duì)圖片快速降維的同時(shí)保留峰值特征信息，設(shè)Gi(x)為第i個(gè)網(wǎng)絡(luò)層的輸出，則殘差-池化網(wǎng)絡(luò)部分的輸出為

圖5 DMRN網(wǎng)絡(luò)結(jié)構(gòu)示意圖

其中，down(·)為池化函數(shù).此外，本文采用最大池化代替原網(wǎng)絡(luò)的平均池化，以最大限度保留初始的互相關(guān)峰值特征.考慮到輸出層的分類類別較少，故將原有的1層全連接改為3 層，防止因權(quán)值參數(shù)減少過快而導(dǎo)致信息丟失.

由于文獻(xiàn)［12］中圖片的輸入維度為224×224，與本文互相關(guān)時(shí)頻圖像的輸入維度不同，因此將輸入層的維度設(shè)計(jì)為64×128，以適應(yīng)SFBC 信號(hào)預(yù)處理圖像的輸入維度.此外，為將SFBC 時(shí)頻圖像壓縮成適合神經(jīng)網(wǎng)絡(luò)處理的方形結(jié)構(gòu)，除第一個(gè)池化層的步長(zhǎng)設(shè)置為（1，2）以外，其余各層均為（1，1）.

考慮到該互相關(guān)時(shí)頻圖像不同于一般的視覺圖片，其特征為兩條平行排列的峰值，且分布較為稀疏，為了充分利用該峰值按列平行分布的特點(diǎn)，提高識(shí)別性能，本文將基本殘差單元中的卷積核大小設(shè)置為4×8，通過增加橫向維度提高峰值的利用率，使得卷積核在更多步內(nèi)能提取到圖像特征，網(wǎng)絡(luò)各層的具體參數(shù)設(shè)置如表1所示.

表1 DMRN網(wǎng)絡(luò)參數(shù)設(shè)置

4.3 基于DMRN的空頻分組碼識(shí)別

基于DMRN的空頻分組碼識(shí)別系統(tǒng)如圖6所示，算法的實(shí)現(xiàn)步驟為：（1）在已在SFBC類型下，對(duì)互相關(guān)幅值序列進(jìn)行時(shí)頻域降噪及預(yù)處理，獲取互相關(guān)時(shí)頻圖像；（2）將時(shí)頻圖像x與類型標(biāo)簽y對(duì)應(yīng)連接作為訓(xùn)練樣本；（3）將帶標(biāo)簽的樣本輸入網(wǎng)絡(luò)，通過監(jiān)督訓(xùn)練得到DMRN模型參數(shù)；（4）測(cè)試樣本經(jīng)過相同預(yù)處理后送至訓(xùn)練好的DMRN模型進(jìn)行識(shí)別驗(yàn)證，采用無監(jiān)督方式完成測(cè)試過程.

圖6 基于DMRN的空頻分組碼識(shí)別系統(tǒng)

5 實(shí)驗(yàn)結(jié)果與分析

5.1 樣本生成及實(shí)驗(yàn)環(huán)境

仿真信號(hào)選取OFDM 塊的子載波數(shù)N=64，每個(gè)樣本所需的OFDM 塊數(shù)為Nb=128，調(diào)制方式為QPSK.仿真信道采用頻率選擇信道，包含Lh=3 條獨(dú)立路徑，將每一個(gè)信道抽頭建模為獨(dú)立復(fù)高斯隨機(jī)變量，其功率服從指數(shù)PDF，接收天線數(shù)nr=2.信噪比范圍為-15～10 dB（步長(zhǎng)1 dB），在每個(gè)信噪比下單類SFBC產(chǎn)生100 個(gè)樣本，總樣本容量為4200，訓(xùn)練集占總樣本的50%，其余50%為測(cè)試集.

模型的訓(xùn)練和測(cè)試在Intel（R）Core（TM）i7-9700 CPU 和16GB 內(nèi)存的環(huán)境下進(jìn)行，并使用支持CUDA 環(huán)境的NVIDIA GeForce RTX 2080 Ti GPU 對(duì)訓(xùn)練過程進(jìn)行加速，數(shù)據(jù)集采用Matlab 軟件仿真產(chǎn)生并進(jìn)行預(yù)處理.在網(wǎng)絡(luò)優(yōu)化過程中，本文采用Adam 優(yōu)化器進(jìn)行最優(yōu)值求解，并選取交叉熵作為損失函數(shù).

5.2 算法識(shí)別性能分析

5.2.1 預(yù)處理效果分析

圖7為疊加時(shí)頻圖像數(shù)Ns∈[10，40]及未降噪條件下識(shí)別性能隨信噪比的變化圖像.對(duì)比不同疊加圖像數(shù)曲線可以得出：識(shí)別性能隨信噪比呈遞增趨勢(shì)，高信噪比時(shí)趨于穩(wěn)定.疊加的時(shí)頻圖像數(shù)越多，均值疊加處理獲取的信噪比改善增益越高，性能改善明顯.疊加圖像數(shù)Ns增加到20 后性能提升有限，且?guī)眍~外的數(shù)據(jù)集開銷，因此本文選取Ns=20進(jìn)行時(shí)頻域降噪處理.

圖7 不同疊加圖像數(shù)對(duì)的識(shí)別性能的影響

為驗(yàn)證非時(shí)鐘同步拼接的有效性，在時(shí)鐘同步（時(shí)延t=0）和不同步（以接收端時(shí)延等于OFDM 子載波長(zhǎng)度的1/4、1/2為例）的情況下，對(duì)拼接前后的識(shí)別性能進(jìn)行實(shí)驗(yàn)，結(jié)果如圖8 所示.經(jīng)分析可知：（1）拼接處理后算法在3種時(shí)延條件下識(shí)別性能提升較大，低信噪比下明顯優(yōu)于未處理的情況，在-10dB 時(shí)準(zhǔn)確率均達(dá)到了98%以上；（2）時(shí)延t=32 在拼接前后的性能均略優(yōu)于其余2種情況，這是由于該時(shí)延下的時(shí)頻圖像峰值處于靠中心位置，可提取到峰值特征的有效區(qū)域更大；（3）時(shí)鐘同步條件下，未拼接處理的識(shí)別性能較差，原因在于其峰值特征邊緣化嚴(yán)重，NCSP 處理后性能明顯改善.NCSP 處理可確保不同時(shí)延下總有中心化的峰值特征，因而有效解決了非時(shí)鐘同步下的識(shí)別問題.

圖8 不同預(yù)處理與接收端時(shí)延下的識(shí)別準(zhǔn)確率

5.2.2 不同樣本下的識(shí)別性能分析

為進(jìn)一步分析非時(shí)鐘同步拼接帶來的額外樣本開銷，在總信號(hào)數(shù)相同的條件下進(jìn)行實(shí)驗(yàn)，NCSP 訓(xùn)練樣本數(shù)S設(shè)置為未拼接處理的1/2，識(shí)別結(jié)果如圖9 所示.從圖中可以得出：（1）在NCSP 和未拼接情況下，識(shí)別性能均隨樣本數(shù)增加而逐漸上升，且提升幅度隨樣本數(shù)增加逐漸趨于飽和；（2）在相同信號(hào)數(shù)下，除S=40 外，NCSP 較未拼接的性能均更優(yōu)，說明拼接操作雖使單個(gè)樣本的信號(hào)數(shù)增加了一倍，但在相同信號(hào)數(shù)下的性能仍取得了有效提升，在相同開銷下改善了低信噪比下的特征辨識(shí)能力；（3）在樣本數(shù)適中時(shí)，NCSP 較信號(hào)數(shù)相同的未拼接處理性能提升最明顯，在NCSP 樣本數(shù)為80，未拼接處理樣本數(shù)為160 時(shí)，-14dB 下的識(shí)別增益達(dá)到了10.6%.原因在于樣本數(shù)較少時(shí)網(wǎng)絡(luò)無法充分收斂，而過多樣本數(shù)使得增益趨于飽和.在總信號(hào)數(shù)開銷相同的情況下，NCSP 仍獲得了更優(yōu)的識(shí)別性能，從而驗(yàn)證了非時(shí)鐘同步拼接的有效性.

圖9 不同樣本數(shù)下的識(shí)別準(zhǔn)確率

5.3 基于DMRN的空頻分組碼識(shí)別

由于現(xiàn)有的空頻分組碼識(shí)別算法較少，且均為人工提取特征的傳統(tǒng)算法，為驗(yàn)證DMRN 模型在低信噪比下的性能優(yōu)勢(shì)，本節(jié)選擇如下4種方法進(jìn)行對(duì)比：（1）TDSFR［2］；（2）SD+RMT［3］；（3）PCS［5］；（4）CLT［6］.以上文獻(xiàn)［2，3，5，6］均為基于假設(shè)檢驗(yàn)和統(tǒng)計(jì)特征量，利用決策樹和人工閾值判斷空頻分組碼類型的典型傳統(tǒng)算法，本文方法與以上4種方法的識(shí)別準(zhǔn)確率如圖10所示.

圖10 不同算法的識(shí)別準(zhǔn)確率對(duì)比

從圖中可以看出，得益于深度學(xué)習(xí)模型對(duì)標(biāo)簽數(shù)據(jù)的自學(xué)習(xí)能力，本文方法在-10 dB下的識(shí)別準(zhǔn)確率達(dá)到了98.5%，低信噪比下較基于假設(shè)檢驗(yàn)的傳統(tǒng)算法性能提升明顯，具有更強(qiáng)的深層特征映射能力.傳統(tǒng)算法的識(shí)別性能很大程度上取決于人為設(shè)定的閾值，在進(jìn)行假設(shè)檢驗(yàn)的過程中，人工設(shè)定參數(shù)對(duì)復(fù)雜環(huán)境的適應(yīng)性較差，提取的累積特征量可能存在較大波動(dòng).而本文設(shè)計(jì)的基于多級(jí)殘差網(wǎng)絡(luò)的深度學(xué)習(xí)模型，通過對(duì)預(yù)處理的時(shí)頻圖像進(jìn)行深層解析，規(guī)避了傳統(tǒng)算法中人工設(shè)計(jì)閾值，在低信噪比下識(shí)別性能較差的問題.

5.4 不同網(wǎng)絡(luò)識(shí)別性能對(duì)比

為驗(yàn)證本文設(shè)計(jì)的DMRN 能夠獲得更優(yōu)的識(shí)別性能，本節(jié)將DMRN 模型與當(dāng)前在圖像識(shí)別領(lǐng)域表現(xiàn)優(yōu)異的深度學(xué)習(xí)模型CNN［13～15］和ResNet［16］進(jìn)行對(duì)比.測(cè)試的三種網(wǎng)絡(luò)模型具有相同的輸入層、卷積層、池化層和全連接層，各層的參數(shù)設(shè)置均一致，區(qū)別在于ResNet 在CNN 基礎(chǔ)上增加了跨越連接，DMRN 利用ResNet 的2 個(gè)子殘差塊構(gòu)成二級(jí)殘差單元，三種模型在-8 dB、-10 dB、-12 dB和-14 dB下的混淆矩陣如圖11所示.

圖11 不同網(wǎng)絡(luò)在低信噪比下的混淆矩陣

由圖11 可知，SM-OFDM 碼的識(shí)別準(zhǔn)確率更高，其時(shí)頻圖像不存在互相關(guān)峰值，不易被判別成AL-OFDM碼；低信噪比下AL-OFDM 碼的特征較為微弱，使得其細(xì)微差異被噪聲進(jìn)一步削弱.此外，DMRN 模型在-14 dB 下的整體識(shí)別準(zhǔn)確率達(dá)到95.8%，較ResNet和CNN 分別高出14.4 個(gè)百分點(diǎn)和17.4 個(gè)百分點(diǎn).由此驗(yàn)證了DMRN 模型在SFBC 識(shí)別中的優(yōu)勢(shì)：添加多級(jí)跳線連接以利用跨越多層的映射特征，使得淺層細(xì)節(jié)信息和深層高維特征能夠充分融合，更利于網(wǎng)絡(luò)對(duì)時(shí)頻圖像特征信息的提取，從而獲得更優(yōu)的識(shí)別性能.

表2 為不同模型的復(fù)雜度比較，由于三種模型的參數(shù)設(shè)置一致，故網(wǎng)絡(luò)模型的待訓(xùn)練參數(shù)量均為599，874，空間復(fù)雜度相同.時(shí)間復(fù)雜度由訓(xùn)練迭代耗時(shí)和識(shí)別耗時(shí)兩方面分析，訓(xùn)練迭代耗時(shí)為迭代100輪的統(tǒng)計(jì)平均，識(shí)別耗時(shí)為單個(gè)樣本完成識(shí)別的時(shí)間.對(duì)比表中數(shù)據(jù)可以得出：ResNet 和CNN 的訓(xùn)練耗時(shí)比DMRN 較少，但基本上相差不大；得益于GPU 并行運(yùn)算能力的提升，三種網(wǎng)絡(luò)對(duì)單個(gè)樣本的識(shí)別時(shí)間均處于ms 數(shù)量級(jí)，具有較強(qiáng)的實(shí)時(shí)性.綜合對(duì)比識(shí)別性能與計(jì)算復(fù)雜度，本文的DMRN 模型在識(shí)別準(zhǔn)確率和效率上的綜合性能更優(yōu).

表2 網(wǎng)絡(luò)復(fù)雜度分析

6 結(jié)論

本文結(jié)合深度學(xué)習(xí)技術(shù)優(yōu)勢(shì)，提出了一種基于時(shí)頻分析與深度多級(jí)殘差網(wǎng)絡(luò)的空頻分組碼自動(dòng)識(shí)別系統(tǒng)，有效地解決了低信噪比下識(shí)別困難的問題.該系統(tǒng)利用時(shí)頻分析進(jìn)行特征聚合與維度變換，解決了一維互相關(guān)特征稀疏，直接輸入網(wǎng)絡(luò)識(shí)別性能較差的問題；非時(shí)鐘同步拼接克服了峰值波動(dòng)較大和非時(shí)鐘同步敏感帶來的不穩(wěn)定性，在相同樣本開銷下獲得了更優(yōu)的識(shí)別性能.相對(duì)于其他文獻(xiàn)所提及的神經(jīng)網(wǎng)絡(luò)，深度多級(jí)殘差網(wǎng)絡(luò)具有更強(qiáng)的學(xué)習(xí)表征能力，能夠融合跨越多層的高維和低維映射特征，具有更優(yōu)的綜合識(shí)別性能.由于本文提出的方法自動(dòng)提取特征，不僅解決了傳統(tǒng)算法人工提取特征困難的問題，并且在低信噪比下顯著提升了算法的識(shí)別性能，為低信噪比下空頻分組碼識(shí)別提供了一種新的可行方案.