基于分層次多任務網絡的信號調制識別方法研究

陳思霸 陳嬌

摘 要 針對信號調制的識別問題，提出了分層次多任務網絡用于提高識別準確率，該方法主要是把不同的調制方式識別任務進行分組，搭建層次化的深度學習神經網絡。仿真與分析的結果表明，使用公開的調制信號數據集，本文的方案在信噪比大于0dB的情況下識別準確率可達到90%左右。

關鍵詞 分層次多任務網絡;信號調制;識別;方法

信號調制識別指的是在接收到未知調制信號后，根據信號的時域或者頻域特性判別出它的調制方式。發展起來的調制識別方法主要分為三大類，即基于似然比判決理論的方法、基于特征提取的機器學習方法以及最近由OShea等人提出的基于深度學習的調制識別方法。隨著深度學習的發展，文獻[1-2]首先提出了利用信號的采樣數據，采用深度學習的方法對信號進行調制識別。接著，文獻[3-4]分別提出了一種基于深度學習網絡的調制識別方法，但識別準確率不理想，本文利用數據特點提出了分層次多任務網絡。仿真結果表明了該方案確實能在一定程度上提升調制識別準確率的效果。

1分類識別

1.1 卷積神經網絡

卷積神經網絡一般由輸入層、卷積層、池化層和全連接層等組成。

網絡中的卷積層和全連接層的權值和偏置量等參數需要通過訓練來確定，并通過反向傳播算法，不斷迭代更新網絡參數，使得損失函數收斂于全局最小值。訓練時若使用梯度下降法更新第k+1次迭代的網絡權重，則：

2網絡設計

所提的深度學習方法包含3個網絡，通過網絡一初始深度學習網絡用于區分所有調制類型但不包括MQAM、AM-DSB和WBFM，MQAM的分類識別是通過網絡二（MQAM調制深度學習網絡）實現，AM-DSB和WBFM的進一步區分是需要通過網絡三（模擬調制深度學習網絡）實現的。網絡一使用ResNet和GRU的結合，網絡二使用網絡一，但數據集選為文獻[3]中的RadioML 2016.10b，網絡使用inception和GRU的結合。

3數據樣本

為實現算法性能的驗證，本文采用文獻[3]中公開的數據集作為樣本數據，樣本數據由GNU Radio這個開源軟件產生。包含11種調制方式，使用的噪聲為高斯白噪聲，每種調制方式數據的信噪比范圍均為-20～18 dB，信噪比步進為2 dB。在不同的信噪比條件下，每種調試方式的信號樣本均由 IQ兩路組成，每路數據的采樣點數為128。

4仿真結果與分析

為驗證本文所提算法的有效性，利用 3中所述的通信信號公開數據集對本文所提網絡模型與文獻中的算法進行了仿真比較。

參考文獻

[1] Oshea T，Hoydis J. An Introduction to Deep Learning for the Physical Layer[J]. IEEE Transactions on Cognitive Communications & Networking，2017，3（4）：563-575.

[2] 袁冰清，王巖松，鄭柳剛. 深度學習在無線電信號調制識別中的應用綜述[J]. 電子技術應用，2019，45（5）：7-10.

[3] T. J. OShea and N. West， Radio machine learning dataset generation with GNU radio[C].in Proc. GNU Radio Conf，2016：1-6.

[4] Y. Wu，X. Li and J. Fang， A Deep Learning Approach for Modulation Recognition via Exploiting Temporal Correlations[C].2018 IEEE 19th International Workshop on Signal Processing Advances in Wireless Communications （SPAWC），Kalamata，2018：1-5.