基于卷積神經網絡的雷達和通信信號調制識別

黎仁剛，侯坤元，冷鵬飛，姚 群

（中國船舶重工第723研究所，江蘇揚州225000）

0 引言

雷達信號識別是電子對抗及電子偵察中的重要環節,在電子戰中具有十分重要的地位和作用。只有充分掌握敵方雷達的信息,才能贏得現代戰爭的主動權,從而占據電子戰領域的制高點,這就使得雷達和通信信號調制識別成為現代電子偵察系統中重要的研究方向。國內外的信號調制識別方法分為：基于準優化對數似然比的調制方式識別算法[1]、基于信號瞬時特征量識別、基于循環譜分析的識別算法[2]、基于高階累積量識別[3]等。隨著近年來人工智能技術的快速發展，深度神經網絡在各個領域大放光彩，包括自然語言處理、圖像分類等。深度學習擅長發現高維數據的潛在結構和模式，而且需要較少的領域知識，省去了大量提取特征的時間。其中卷積神經網絡（CNN）被證明在數據的深層次特征提取、表示構建方面有很好的效果。

最早在神經網絡信號調制識別分類器中，特別是在CNN分類器中，一般根據CNN對圖片識別的原理，對接收到的信號進行預處理，生成循環譜圖或者星座圖[4]等，并將生成的圖形作為CNN網絡的輸入，通過卷積層和子采樣層交替進行對循環譜圖或星座圖的特征提取并完成自動識別。2016年，Oshea提出了利用CNNs的框架對通信信號中的11種調制信號進行自動調制識別[5]，并且是對接收信號的原始采集數據進行自動學習分類，相比于傳統的機器學習算法，識別率有了很大的提升。利用信號的循環譜特征識別方法是早前比較受歡迎的識別方法，因為每一個調制信號的循環譜都是不一樣的，所以可以根據信號的循環譜中峰值個數排列方式等特點來對不同的調制信號進行識別[6-7]。

本文基于一維卷積神經網絡1DCNN(1 Dimension CNN)對電子偵察系統接收到的中頻數據進行信號調制樣式識別。

1 中頻信號及預處理

本文采用的電子對抗軟件無線電結構如圖1所示，天線接收到的射頻信號經過接放大和與本振混頻后下變頻為中頻信號，中頻信號經過A/D采樣，采樣后的數據進行預處理送入卷積神經網絡進行調制樣式的分類識別。

圖1 電子對抗系統結構框圖

1.1 雷達和通信信號

本文采取9種調制類型分別為：雷達脈內調制BPSK和QPSK、線性調頻信號、非線性調頻信號、通信BPSK和QPSK、FSK、ASK、16QAM。雷達信號輻射功率變化范圍大，信號帶寬范圍很大。通信信號發射功率較小，信號帶寬較窄。

設定射頻信號載波頻率變化范圍為2～3 GHz，碼元速率為10 kbps～1 Mbps。噪聲環境是10 dB高斯白噪聲。對于通信信號用升余弦濾波器做基帶脈沖成型，升余弦滾降系數α=0.5，根據奈奎斯特準則可知，基帶傳輸中碼元速率最高是信道帶寬的2倍，所以設定濾波器帶寬為2.5MHz。

本文僅對通信BFSK信號的預處理方法進行闡述，其他調制信號的預處理方式類似，不予贅述。BFSK是二進制頻移鍵控（binary frequency shift keying）的簡稱，這種調制方式通過鍵控正弦載波的頻率傳輸二元符號。

BFSK信號是利用2個頻率f1和f2的正弦載波傳送符號 1、0，表述如下[8]：

式中，T b表示傳送一個比特數據的時間，容易看出，BFSK信號是2個頻率的正弦波交錯組合，可以表示為：

式中，A是載波振幅，m(t)是符號序列{an}的單極性NRZ基帶信號是幅度取反信號，這表明BFSK可看作2路互補的OOK信號疊加。

對于通信信號數字調制而言，在頻帶調制前需要經進行脈沖成形，為抑制碼間串擾采用升余弦濾波器作脈沖成形處理，基帶脈沖成形如圖2所示。

圖2 基帶成形濾波

對基帶成形后的信號進行載波調制，選取載波頻率為2.5 GHz，調制結果如圖3所示。

圖3 載波調制

1.2 信號預處理

接收機處理后的中頻信號含有大量噪聲，應采取有效辦法降低噪聲對分類識別結果的影響。同時中頻信號含有多種載頻參數，這些參數并不是調制識別的有效信息，所以應進行預處理將其消除，提高識別結果的準確度同時避免訓練樣本數過大的問題。本文采取小波去噪方法進行軟降噪處理，并對中頻數據做共軛差分自相關和快速傅里葉變換（FFT），將得到的幅頻響應和相頻響應的數據做簡單處理后送入神經網絡模型進行訓練。

1.2.1 信號去噪

本文采取小波變換的方法對信號進行硬閾值小波去噪[9]，小波去噪的流程圖如圖4所示。

圖4 小波去噪流程圖

對含有加性高斯白噪聲的BFSK信號去噪，結果如圖5所示。

圖5 小波去噪后中頻信號

1.2.2 延遲自相關處理

由于接收機接收的中頻信號含有載頻分量，對于調制識別而言，載頻分量是無用信息，若送入神經網絡中訓練會增加網絡訓練的復雜度且需要大量樣本，因此預處理過程中要消去載頻參數。如圖6所示，考慮將復信號與其共軛信號差分相乘，對復信號進行A/D采樣后做共軛差分自相關，見式（3）：

式中，N表示延遲自相關的點數，與信號采樣率有關。采樣率越高，延遲點數越對應時域信息越多。A、f、θ表示在2ASK、2FSK、BPSK調制中幅度、相位、頻率 ,A∈(A1,A2)，f∈ (f1,f2)，θ∈ (θ1,θ2)。

共軛相乘即消去載頻參數，延遲差分運算將后一個碼元信號和前一個碼元信號部分相乘，前后碼元相同時自相關函數為常復數Ae-j(fN+θ),當前后碼元不同時延遲相關函數表現調制信息。對于幅度和相位信號，共軛差分自相關處理后將不攜帶載頻信息，對于頻率調制信號共軛差分自相關處理后表現信號有不同頻率即FSK信號。

圖6 碼元序列延遲

對于雷達LFM和NLFM信號，它們的頻率一直在變化。延遲自相關信號如式（7）～（8）所示，其中f0表示初始頻率，k表示調頻斜率。

以BFSK信號為例，首先對BFSK信號進行希爾伯特變換得到復信號，即：

式中Hirbert(·)表示希爾伯特變換。

不同調制方式本質的區別體現在載波的幅度、相位、頻率信息上。本文采用3 GHz采樣率，自相關延遲128點后結果如圖7所示，只在不同碼元變換處產生形狀畸變，體現不同碼元間頻率、幅度、相位的不同，所以差分自相關后的復信號包含調制的相位、幅度、頻率參數,且自相關數據攜帶的調制信息表現為局部特征。

圖7 復信號共軛差分自相關

1.2.3 快速傅里葉變換

由于傳送信息序列是不確定隨機信號，共軛差分自相關后時域波形形狀太多，若直接把時域數據送入CNN網絡會增加計算量且需要大量樣本，泛化效果并不好。為消除時域信息隨機性帶來的泛化性能差的影響，本文將對共軛差分自相關后得到的復信號作快速傅里葉變換（FFT）得到頻域信息，從而消除了時域上的較大差異性，圖8、圖9是BFSK信號的不同碼元序列自相關時域和頻域圖。可以看到頻域上變化很小，但是時域波形差異較大。

圖8 不同碼元序列自相關頻域圖

圖9 碼元序列自相關時域圖

圖10 ～14為2ASK、2FSK和BPSK信號和雷達NLFM信號的幅頻和相頻特性。可知，它們的幅頻和相頻特性差異明顯，頻譜圖可知數據集中在中間區域，考慮卷積神經網絡運用卷積核進行局部特征提取，因而對中間部分數據進行卷積處理就可以得到最主要特征。

圖10 2ASK延遲自相關函數頻域圖

圖11 BFSK延遲自相關函數頻域圖

圖12 BPSK延遲自相關函數頻域圖

圖13 雷達NLFM延遲自相關函數頻域圖

圖14 雷達BPSK延遲自相關函數頻域圖

2 基于CNN的通信和雷達信號調制方式識別工作原理

2.1 卷積神經網絡(CNN)

CNN是一種帶有前向反饋的多層神經網絡，屬于深度學習框架的一種，能夠通過多層非線性變換，從數據中自動學習提取特征，具有很強的學習能力和表達能力，并降低了數據預處理的要求，非常適合用于模式識別領域[4,10]。卷積神經網絡一般由卷積層、下采樣層、全連接層等組成。卷積層使用卷積核對輸入數據進行濾波后輸出特征圖，特征圖的每個神經元與前一層的局部感受野相連，獲得前一層的局部連接特征。卷積核是一個權值矩陣，多個卷積核可以提取多個不同的特征[11]。卷積神經網絡具有局部連接、權值共享的特點，可以極大地減少網絡的訓練參數，簡化神經網絡。下采樣層也稱為池化層，對輸入的采樣，可縮減數據規模，避免過擬合，對平移、縮放、傾斜或其他形式的變形具有高度不變性[12]，最后一個下采樣層或卷積層連到一個或多個全連接層，全連接層在整個卷積神經網絡中起到分類器的作用，將學到的特征映射到樣本標記空間。

2.2 卷積網絡結構

CNN的功能是從特定模型中提取特征，然后根據特征進行分類識別、預測或做出決策。最重要的一步是特征提取，即如何提取能夠最好地區分事物的特征。網絡模型中卷積層層數越多，越容易把握輸入信號的細微特征。然而在深度神經網絡的設計中，應該考慮卷積層數和核大小，嘗試以最少的計算量獲得最佳結果，網絡設計需要平衡網絡結構的寬度和深度[13]。對于相同的CNN網絡結構，迭代的次數、訓練數據量的大小和學習率等參數都會影響模型的分類結果和泛化性。這些參數的設置都需要經過多次實驗尋優得到。一般來說，網絡層數越深提取的特征參數越多。根據幅頻和相頻圖可以看到特征參數并不算很多，因此網絡層數不需要很深。在本實驗中，設計的CNN模型使用6層網絡層。

本文將CNN用于一維數據分析，根據預處理得到的幅頻和相頻數據作為輸入網絡的兩通道。由頻譜圖可知數據集中在中間區域，在此對幅頻和相頻數據進行裁剪，截取FFT變換后各中間200點數據，即兩通道各200點一維數據作為輸入。CNN網絡模型如圖15所示。

圖15 本文CNN網絡結構圖

2.3 參數選取

將2組長度為200的一維數據作為兩通道輸入CNN。卷積層提取特征的過程類似于做濾波，濾波器參數合適即卷積核大小和步長適合才能提取出足夠多的相關信息。經過多次實驗選定卷積核如圖所示，卷積核大小的設定比傳統圖像處理中略大。設定訓練10000次，mini-batch大小為256。

卷積層1（Conv1）：由長度為15的一維卷積核生成的8個特征圖并做最大池化。卷積層2（Conv2）：由長度為15的一維卷積核生成的16個特征圖并做最大池化。卷積層3(Conv3)：由長度為10的一維卷積核生成的16個特征圖。卷積層4(Conv4）：由長度為10的一維卷積核生成的32個特征圖并做最大池化。卷積層5(Conv5）：由長度為5的一維卷積核生成的64個特征圖并做最大池化。Dense1：256，Dense2（softmax輸出）9個結點，輸出9個節點，代表9種不同的調制方法。

3 仿真結果

實驗選擇了0 d B、5 d B、10 d B高斯白噪聲下雷達和通信常用的9種調制方式，通信信號載波頻率變化范圍為 2～3 GHz，碼元速率為 10 kbps～1 Mbps，碼元序列隨機生成。雷達信號脈沖寬度為10～100μs，頻帶調斜頻率系數為1010～1013。在每種信噪比下每類調制方式樣本4000組，共36000組樣本，每組樣本數據長度為400。

對通信信號而言取載波頻率變化范圍2～2.6 GHz、碼元速率10～700 kbps的28800組樣本作為訓練集，載波頻率變化范圍2.7～3 GHz、700 kbps～1 Mbps的7200組樣本作為測試集。

對雷達信號而言取載波頻率變化范圍2～2.6 GHz、碼元速率 10～700 kbps、脈沖寬度 30～80 μs、頻帶調斜頻率系數1011～1013的28800組樣本作為訓練集，2.7～3 GHz，碼元速率 700 kbps～1 Mbps，脈沖寬度 10 μs、20 μs、90 μs、100μs,頻帶調斜頻率系數為1010～1011的7200組樣本作為測試集。

3.1 網絡采取不同卷積核大小條件下的訓練結果

選取大小如3×1的卷積核，10d B信噪比下的訓練精度如圖16所示。

圖16 不同卷積核大小的訓練精度對比

如圖16所示，可知卷積核較小時，訓練精度不高。對于圖像處理而言，圖片的局部特征感受野范圍較小而對于本文的一維數據如圖8～11所示，局部特征感受野范圍較大所以選取的卷積核應該大一些，經過多次實驗選取圖15所示的卷積核大小。

3.2 不同信噪比下的訓練結果

在0 dB、5 dB、10 dB的信噪比下分別取28800組樣本進行訓練，結果如圖17所示，損失如圖18所示。10 dB信噪比下數據訓練精度可達94%以上，0 d B信噪比下數據訓練精度可達85%。不同信噪比測試集的測試數據識別精度為0.9118、0.8674、0.8128。

圖17 不同信噪比下訓練精度對比

圖18 不同信噪比下損失對比

由實驗結果可以知道，在信噪比為0 dB、5 dB、10 d B情況下對9種調制信號進行10000次訓練，經過不斷試驗調整參數并加入BN（batch normalize）算法等，信噪比為10 dB條件下訓練精確度達到90%以上，測試集精確度也達90%左右。在0 dB情況下訓練精確度和測試精度最差在85%左右。可以證明此方法在信噪比10 d B左右可以達到較好的識別效果，同時避免傳統調制識別中繁瑣的人工提取特征過程。但在較低信噪比條件下識別效果不理想，因而還需要繼續研究低信噪比條件下調制識別方法。

3.3 未進行預處理的數據訓練結果

對比采取預處理與不采取預處理對CNN網絡訓練結果的影響，直接將10 dB信噪比下經過小波去噪后的時域數據輸入CNN網絡，得到10000次訓練后的精度為0.8125，測試精度0.6642。采取預處理后精度明顯提升，說明預處理過程的重要性，在減少數據信息維度的同時最大限度保留了調制信息。

4 結束語

本文針對通信和雷達中頻信號調識別問題，提出一種差分自相關預處理結合卷積神經網絡的方法。不進行傳統的相位頻率等參數估計，而是直接對接收機處理后的中頻信號作小波去噪和共軛差分自相關處理后得到時域上的相關函數，然后進行快速傅里葉變換將幅頻和相頻數據送入CNN網絡訓練。通過仿真實驗，得到10 dB信噪比條件下對9種類型信號識別效果較好，訓練準確度達到94%，測試精度達到90%以上，由此驗證了此方案的可行性。后續應進一步研究提高在低信噪比下的識別率和深度學習調制識別混合架構。