基于Deep-LSTM 的通信信號調制識別算法

鄒海英

（四川大學電子信息學院，成都610065）

0 引言

調制識別技術在頻譜感知、電子對抗和防御等領域具有十分廣泛的應用，因此一直是無線通信領域研究的熱點問題。早期的調制識別方法主要是基于統計模式的識別方法[1-2]，其特征主要靠人工提取。人工提取特征的方式，依賴人的經驗，魯棒性差，時間復雜度高，同時存在識別率偏低等問題。

近年來，隨著深度學習的快速發展，無線通信研究者開始把深度學習用于信號調制識別。Adzhemov S S[3]提出使用神經網絡對無線電數字信號進行調制識別的方法，該方法使用多層感知器作為分類識別器，可以使決策規則的形成過程自動化。但多層感知器在低信噪比下分類效果差，識別率低。Hui Wang[4]提出使用主成分分析對提取的循環譜特征做降維處理，再利用ANN分類器對數字調制信號進行分類識別，但該方法需要手工提取特征，時間復雜度較高。ZHIYU QU[5]提出使用時頻分析，圖像處理和卷積神經網絡技術實現雷達信號脈內調制識別的方法，但該方法識別的調制類型偏少。Wu S 等人[6]提出一種基于深度學習網絡的遠距離通信信號特征的識別算法，但該算法的時間復雜度較高。Ahmed.K.Ali 等提出利用高階頻譜特征和基于神經網絡屬性的分類算法，但該方法是在AWGN 信道環境下進行的，不適用其他復雜的信道環境[7]。

針對上述調制識別算法存在的問題，結合LSTM在處理時序問題上面的優勢，提出一種基于Deep-LSTM 的調制識別算法。該算法通過減少人工預處理和特征提取步驟，直接將輸入信號通過Deep-LSTM 網絡學習特征之后，后接Softmax 判決輸出。

1 信號模型及識別流程

1.1 信號模型

在簡單多徑信道環境下，信號傳輸模型可以表示為：

式中x(t)代表未知的調制信號，m(t)代表均值為0，方差為σ2的高斯白噪聲序列，r(t)為接收到的調制信號序列，h(n)表示多徑信道，n取值為0,1,2,3,…,K-1，h(n)的模型表達式為：

式中h0表示多徑主徑幅度增益，μ0表示主徑相移。ht、θt、μt分別表示第t個多徑幅度增益、多徑延遲、相移因子。

1.2 調制識別流程

深度學習方法不需要對數據進行預處理和特征提取步驟，直接把數據送入網絡輸入層，中間經過網絡挖掘數據特征信息，最后由網絡輸出層輸出結果。因此使用深度學習方法對信號進行調制識別，可以有效地降低時間復雜度，提高信號調制識別準確率。基于深度學習的調制識別基本流程框架如圖1 所示。

圖1 基于深度學習的調制識別基本流程框架

2 長短期記憶網絡

長短期記憶網絡（LSTM）是RNN 的一種變體網絡，主要由遺忘門、輸入門、輸出門和細胞狀態4 個部分組成，其內部結構圖如圖2 所示。

圖2 LSTM內部結構圖

遺忘門的作用是決定LSTM cell 第一步應該扔掉什么信息，其計算公式為：

其中σ(?)表示sigmod 激活函數，wf表示遺忘門權重矩陣，bf表示遺忘門偏置向量，a(t-1)代表t-1 時刻LSTM cell 的輸出，x(t)表示t時刻LSTM cell 的輸入。

輸入門的作用是決定在t時刻要新添加哪些信息到LSTM cell 中，其計算公式為：

其中wu表示輸入權重矩陣，bu表示輸入門偏置向量。

在LSTM cell 中第三層tanh 層的作用是生成一個向量，以用來得到要新添加的信息，其計算公式為：

其中wc表示細胞狀態權重矩陣，bc表示細胞狀態偏置向量。

最終LSTM cell 將更新的細胞狀態信息保存下來，其計算公式為：

輸出門的作用得到LSTM cell 中的a(t)，也即t時刻LSTM cell 的輸出，再用a(t)通過Softmax 分類器得到最終的輸出y(t)。a(t)的計算公式為：

式（7）中wo表示輸出門權重矩陣，bo表示輸出門偏置向量。

3 基于Deep-LSTM的調制識別算法

3.1 Deep-LSTM算法模型

LSTM 網絡提取信號的調制特征是通過學習信號的調制信息，發現每條輸入信號中每個樣本點的時序關系，并將這些樣本點的時序關系進行特征表達。當LSTM 網絡的層數達到一定深度時，可以更有效地挖掘到信號的深層次特征，所以算法通過改進LSTM 網絡設計了一個Deep-LSTM（Deep Long Short-Term Memory）神經網絡用于對通信信號進行調制識別，其網絡結構如圖3 所示。Deep-LSTM 網絡一共包含8 層，前4層由LSTM 單元組成，后3 層由全連接層組成，最后通過一個Softmax 層判決輸出。網絡中的激活函數為selu 函數，dropout 值為0.5。

圖3 Deep-LSTM網絡結構

3.2 Deep-LSTM算法識別流程

Deep-LSTM 算法流程如圖4 所示。首先對數據進行預處理；然后構建Deep-LSTM 網絡，將網絡初始化；接著輸入訓練數據對網絡進行訓練；再使用BP 算法對網絡權值進行微調得到預測模型；最后把測試數據送入Deep-LSTM 預測模型中，使用Softmax 進行分類檢測，輸出識別準確率。

圖4 Deep-LSTM算法流程圖

4 實驗結果及性能分析

4.1 實驗數據

算法使用的實驗數據為GNU Radio 信道模型生成的RML2016.10b 數據集[8]。該數據集包含10 種信號類型和20 種信噪比。10 種信號類型分別是8PSK,BPSK, CPFSK, GFSK, PAM4, QAM16, QAM64, QPSK,AM-DSB 和WBFM，20 種信噪比為-20dB 到18dB，步長為2dB。10 種信號均勻分布，總樣本大小為1200000。使用python 中的numpy 程序庫將數據集存儲格式轉換為Nexamples×Dimen1×Dimen2，其中Nexamples=1200000，Dimen1=2 表示每個樣本包含I/Q 兩路數據，Dimen2=128 表示每個樣本包含128 個采樣點數據，即RML2016.10b 數據集的存儲維度為（1200000,2,128）。

4.2 評價指標

采用損失函數：交叉熵（Categorical Cross Entropy）和識別準確率（Accuracy）作為評價Deep-LSTM 算法分類識別性能的指標。

Categorical Cross Entropy 的計算公式為：式中n表示樣本數目，m表示待分類數，x?im表示期望輸出，xim表示實際輸出。

Accuracy 為識別準確率指標，其計算公式為：

式（10）中M為樣本總數，G(?)表示網絡模型預測函數，xi和yi表示第i個樣本數據和對應的真實標簽值。信號調制類型與對應的真實標簽值如表1 所示。

表1 信號調制類型與對應的真實label 標簽值

4.3 實驗結果

Deep-LSTM 算法使用RML2016.10b 數據集進行了實驗仿真，得到信號集的平均識別準確率，如圖5所示。

圖5 信號集的平均識別準確率

由圖5 可得隨著信噪比從-20dB 到18dB 不斷增加，識別率不斷提高。當SNR≥5dB 時，平均識別率達到95%，說明算法的調制識別性能優越。

圖6 為10 種調制信號在各信噪比下的識別準確率。由圖可知，除了16QAM 和WBFM 信號，Deep-LSTM 算法對大部分信號都能很好地識別出來。

圖6 各調制信號在各信噪比下的識別準確率

4.4 對比實驗

為了進一步驗證Deep-LSTM 算法識別性能的優越性，進行了以下對比實驗。

實驗一：Deep-LSTM 算法與參考文獻算法[9]對比

表2 Deep-LSTM 算法與參考文獻算法識別性能表

表2 為專家系統算法（基于集成循環矩的調制識別方法，分類器分別采用DNN、DTree、KNN、SVM、NaiveBayes）和Deep-LSTM 算法的調制識別性能表。由表可知Deep-LSTM 算法在各信噪比下的識別率均高于專家系統算法，特別是在低信噪比下算法的識別性能優勢更明顯。

實驗二：LSTM 網絡層數對識別性能的影響

表3 LSTM 網絡層數對識別性能的影響

表3 為不同的LSTM 網絡層數對算法識別性能影響的實驗結果。LSTM 的網絡層數直接影響Deep-LSTM 網絡學習信號調制特征的能力；當LSTM 層數太少時，網絡無法有效地學習和提取到信號的調制特征信息，導致算法識別性能低下；當LSTM 層數過多時，網絡訓練參數過多，訓練的時間復雜度較高，也會影響算法的識別性能。由表可知Deep-LSTM 算法網絡中LSTM 網絡層數選取4 層時算法識別性能明顯優于LSTM 網絡層數為1,2,3,5 和6 時，故更加充分地說明Deep-LSTM 算法的可行性和有效性。

實驗三：dropout 值對識別性能的影響

表4 dropout 對識別性能的影響

表4 為dropout 值對識別性能影響的實驗結果。dropout 是為了防止模型過擬合的一個參數。由表可知，當dropout 值從0.2 增加到0.5 時，算法識別性能明顯提高；當dropout 值大于0.5 時，算法識別性能明顯降低了，這是因為dropout 值太大導致模型對樣本數據的擬合能力下降了。實驗四：batch_size 對識別性能的影響

表5 為batch_size 對識別性能影響的實驗結果。batch_size 為批處理樣本數量，其值的大小會影響網絡模型的訓練速度和優化程度，故選擇合適的batch_size值才能使網絡模型同時在時間和精度上達到最優。由表可知Deep-LSTM 算法設置batch_size=1024 時的識別性能明顯比batch_size=512 和2048 更好。

5 結語

針對傳統的基于統計模式的調制識別算法存在識別準確率低，特征提取困難、魯棒性和泛化能力偏差等問題，提出了基于Deep-LSTM 的常規通信信號調制識別方法。仿真實驗結果表明，在SNR≥5dB 時，可以達到95%的平均識別準確率，在識別性能、魯棒性和泛化能力等方面都優于傳統的特征提取算法。但算法目前還有以下需要完善的地方：①算法在SNR≤0dB 時，識別效果不佳，未來可以考慮在深度學習網絡輸入端先對信號進行降噪處理。②算法對16QAM 和WBFM 信號識別效果不佳，需要尋找新的算法來提高16QAM 和WBFM 信號的識別率。