一種多輸入神經(jīng)網(wǎng)絡(luò)的調(diào)制識別方法

熊一謙，高 勇

(四川大學(xué) 電子信息學(xué)院，四川 成都 610065)

0 引言

在軟件無線電系統(tǒng)中，信號的調(diào)制是必不可少的。為了能在接收端正確地解調(diào)信號，識別其調(diào)制類型是關(guān)鍵的一步。然而，隨著無線通信技術(shù)的快速發(fā)展，日常使用的調(diào)制方法也在迅速增加。因此，如何準確地識別調(diào)制方式變得更具有挑戰(zhàn)性。

傳統(tǒng)的基于特征的調(diào)制識別算法可以通過數(shù)據(jù)預(yù)處理、特征提取和分類決策3個步驟來實現(xiàn)。特征提取可以從信號的各個方面入手，如瞬時振幅、相位、頻率[1]、小波變換[2]、統(tǒng)計特征[3](如高階矩和累積量)和循環(huán)累積量[4]等。近年來，信息熵在信號識別中得到了大量的應(yīng)用。熵是用來度量信號分布的不確定性，表示信號的復(fù)雜程度。因此，信息熵為信號的調(diào)制識別提供了理論依據(jù)。文獻[5]提取接收信號的多維熵特征，并與支持向量機結(jié)合，在不需要知道先驗信息的條件下實現(xiàn)了對多種調(diào)制信號的識別。文獻[6]提出一種基于熵云特征的調(diào)制識別算法，先提取信號的香農(nóng)熵和指數(shù)熵特征，然后將熵理論和云模型理論有效地結(jié)合在一起，在低信噪比的環(huán)境下顯著提高了信號識別效果。

在分類決策中，傳統(tǒng)的分類器包括決策樹、隨機森林、多層感知和支持向量機。這些模型是不同特征提取算法和分類方法的組合，既需要專家知識，又需要人工設(shè)計，因此不可避免地會受到主觀因素的影響，并且在低信噪比下不同類型信號的特征參數(shù)一般會交織在一起，使得傳統(tǒng)的特征提取方法在低信噪比下識別率會不理想。

隨著人工智能的發(fā)展，深度學(xué)習(xí)已被廣泛用作調(diào)制識別的分類器，可以很好地解決在低信噪比下門限設(shè)定的問題。文獻[7]利用卷積神經(jīng)網(wǎng)絡(luò)分別提取時域信號的多通道和分離通道特征，再利用融合特征實現(xiàn)不同信號的分類。文獻[8]將接收到的信號進行預(yù)處理，得到包含同相分量和正交分量的復(fù)基帶信號，作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，當信噪比為0 dB時，信號的平均識別準確率已達94.61%。文獻[9]提出一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(CNN)、長短期記憶(LSTM)網(wǎng)絡(luò)和全連接網(wǎng)絡(luò)(DNN)的新型網(wǎng)絡(luò)，將時域、頻域和自相關(guān)域的原始信號序列作為CNN的輸入，實現(xiàn)了在低信噪比下對雷達信號的識別。

本文基于上述分析中提到的傳統(tǒng)特征提取算法、多網(wǎng)絡(luò)模型和融合特征的思想，將信號多方面的特征并行送入一個多輸入網(wǎng)絡(luò)模型中，再將多路輸出特征依次融合，最后送入輸出層,實現(xiàn)了在低信噪比下識別多種調(diào)制方式。

1 特征提取

1.1 信號預(yù)處理

預(yù)處理分為兩步:先將接收到的信號進行小波降噪，再取其自相關(guān)函數(shù)。

1.1.1 小波降噪理論

小波變換能夠分析出信號的細微變化，并且具有時域局部化和頻域局部化的優(yōu)勢[10]。一般，信號的有效信息多集中在低頻部分，而噪聲通常在高頻部分，小波閾值去噪技術(shù)利用分解后的小波高頻系數(shù)對信號進行閾值處理，然后利用小波逆變換對信號進行重構(gòu)，去除高頻噪聲[11]。

小波閾值去噪的主要步驟如下：

① 選擇合適的小波基函數(shù)和分解層數(shù)對信號進行多尺度分解；

② 設(shè)計了閾值計算方法和閾值處理函數(shù)；

③ 利用步驟②得到的閾值和閾值處理函數(shù)對步驟①得到的小波系數(shù)進行限制；

④ 重構(gòu)信號。

1.1.2 自相關(guān)分析

自相關(guān)函數(shù)可以表示信號在不同時刻的相關(guān)程度。假設(shè)接收到的信號表達式為：

x(t)=s(t)+n(t)，

(1)

式中，s(t)為調(diào)制信號；n(t)為高斯白噪聲。

則x(t)的自相關(guān)函數(shù)為：

R(τ)=E[x(t)x(t+τ)]=

E[(s(t)+n(t))(s(t+τ)+n(t+τ))]=

Rss(τ)+Rsn(τ)+Rns(τ)+Rnn(τ)，

(2)

式中，Rss(τ)為調(diào)制信號自相關(guān)函數(shù)；Rsn(τ)為信號與噪聲互相關(guān)函數(shù)；Rns(τ)為噪聲與信號互相關(guān)函數(shù)；Rnn(τ)為噪聲自相關(guān)函數(shù)。

由于調(diào)制信號和噪聲是相互獨立的。所以當τ不為0時，R(τ)≈Rss(τ)。

1.2 熵值特征

在信息論中，“熵”可以測量事物的不確定性，可以用來描述信號的復(fù)雜性特征，定量地描述信號所包含的內(nèi)部信息特征。因此，熵特征可以用來提取調(diào)制信號復(fù)雜的內(nèi)部特征。

常用的香農(nóng)熵的表達式為：

(3)

1.2.1 奇異譜熵

經(jīng)過預(yù)處理后的信號可以表示為：X=[x1,x2,…，xn]，先截取X中的前M個元素作為重構(gòu)矩陣的第1行，再截取X中的第2～M+1個元素作為第2行，以此類推得到最后一行[5]。則重構(gòu)后的矩陣為：

(4)

對A矩陣進行奇異值分解得到奇異值：

{δi,1≤i≤N-M+1}。

1.2.2 功率譜熵和二次功率譜熵

(5)

二次功率譜熵是將預(yù)處理后的序列X取平方后代入式(3)中，再經(jīng)過上述計算便可得二次功率譜熵，記為F3。

1.3 高階累積量

假設(shè)一個零均值離散基帶信號序列的表達式為：yk=ak+jbk。其p階混合矩的定義為：

Mpq=E[yp-q(y*)q]，

(6)

則yk的高階累積量定義為[13]：

(7)

通過推導(dǎo)可得信號的高階累積量(C21，C40，C61，C63)的理論值，如表1所示，其中E表示信號的能量[13]。

表1 信號高階累積量理論值

表2 信號特征參數(shù)的理論值

2 多輸入網(wǎng)絡(luò)的設(shè)計

2.1 多輸入網(wǎng)絡(luò)模型

傳統(tǒng)的特征提取算法的重點在于尋找具有良好分類特性的信號特征，但決策樹分類器受噪聲影響較大，十分依賴提取的信號特征。智能算法出現(xiàn)后，研究人員將BP神經(jīng)網(wǎng)絡(luò)、CNN、ResNet、LSTM等分類器與調(diào)制識別結(jié)合，在低信噪比下分類效果比傳統(tǒng)的決策樹好，解決了人工設(shè)置門限值所帶來的誤差。于是本文將傳統(tǒng)的特征提取算法和智能算法結(jié)合，構(gòu)建了一種多輸入的神經(jīng)網(wǎng)絡(luò)，其整體網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 多輸入網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of multi-input network

特征提取層由全連接網(wǎng)絡(luò)、LSTM網(wǎng)絡(luò)和殘差模塊組成，其中LSTM層神經(jīng)元個數(shù)為128個；全連接網(wǎng)絡(luò)包含2層，每層神經(jīng)元個數(shù)為64個，網(wǎng)絡(luò)中的激活函數(shù)為Relu函數(shù)，dropout值為0.5；殘差模塊的結(jié)構(gòu)如圖2所示，卷積層的卷積核大小為1×4、濾波器個數(shù)為128、步長為1×1。

圖2 殘差模塊結(jié)構(gòu)Fig.2 Structure of residual block

網(wǎng)絡(luò)的運行步驟為先將4種輸入數(shù)據(jù)送入網(wǎng)絡(luò)，得到特征F1，F(xiàn)2，F(xiàn)3和F4；再將F3和F4拼接起來，送入一個殘差模塊，得到特征F5；再將F2和F5拼接起來，送入一個殘差模塊，得到特征F6；再將F1和F6拼接起來，最后再經(jīng)過一個全連接網(wǎng)絡(luò)后送入輸出層。輸出層使用Softmax回歸模型對樣本屬于每個類別的概率進行估計。通過多次融合特征操作，實現(xiàn)了對調(diào)制信號的多種不同類型的數(shù)據(jù)進行特征提取，得到融合特征矢量，提升了分類性能。

2.2 長短期記憶網(wǎng)絡(luò)

LSTM網(wǎng)絡(luò)是RNN的一種特殊類型，主要由遺忘門、輸入門、輸出門和細胞狀態(tài)4個部分組成[14]，基本LSTM單元結(jié)構(gòu)如圖3所示。

圖3 LSTM單元結(jié)構(gòu)Fig.3 Structure of LSTM unit

由圖3可以看出，ht-1是上一時刻LSTM的輸出，ct-1是上一時刻的記憶單元，xt是此時刻的輸入向量，f表示遺忘門，i表示輸入門，o表示輸出門。在遺忘門、輸入門和輸出門中，輸出ft，it，ot的計算公式為[15]：

ft=σ(Wf[xt,ht-1]+bf)，

it=σ(Wi[xt,ht-1]+bi)，

ot=σ(Wo[xt,ht-1]+bo)，

式中，σ為激活函數(shù)；W為權(quán)值向量；b為偏置向量。

由于獨特的門結(jié)構(gòu)設(shè)計，這些門結(jié)構(gòu)使得LSTM存儲器單元能夠長時間存儲和訪問信息，從而解決了遞歸神經(jīng)網(wǎng)絡(luò)的梯度消失問題。

3 實驗結(jié)果與分析

在實測數(shù)據(jù)集中，每個樣本長度為500個I、Q采樣點，碼速率為500 Kb/s，采樣率為2 MHz，成型濾波器系數(shù)為0.35。在每種信噪比下每類調(diào)制方式樣本為10 000組，共90 000組樣本，按照8∶2生成訓(xùn)練集和測試集。

實驗環(huán)境如下：顯卡為NVIDIA RTX 2080，處理器為Intel(R)Core(TM)i7-8700 CPU@3.2 GHz，內(nèi)存為16 GB。軟件環(huán)境：網(wǎng)絡(luò)由tensorflow1.15.0框架搭建，開發(fā)語言為Python3.6。

待網(wǎng)絡(luò)訓(xùn)練完成后，再使用NI USRP-2930采集以上9種調(diào)制類型的實測數(shù)據(jù)作為驗證集，其中每種調(diào)制方式在每種信噪比下樣本為1 000組，每個樣本長度為500個I、Q采樣點。實驗結(jié)果如下，9種調(diào)制信號的平均識別準確率隨SNR變化的曲線如圖4所示。由圖可知，當信噪比達到0 dB時，平均識別準確率可達93%；當信噪比達到2 dB時，平均識別準確率可達98%。

9種調(diào)制信號分別在各信噪比下的識別準確率如圖5所示。由圖可知，當信噪比達到1 dB時，9種調(diào)制信號的識別率全部達到90%。

為了進一步驗證本算法提出的多輸入網(wǎng)絡(luò)的優(yōu)越性，在使用相同信號數(shù)據(jù)的條件下，設(shè)計了另外3個模型。第1個模型將多輸入網(wǎng)絡(luò)中的殘差模塊改成全連接層；第2個模型將多輸入網(wǎng)絡(luò)的LSTM層改成CNN層；第3個模型將第2個模型中的殘差模塊改成全連接層。所有模型平均識別率的對比如圖6所示。由此可見，多輸入網(wǎng)絡(luò)識別效果優(yōu)于其他模型。

圖4 各信噪比下9種信號平均識別準確率Fig.4 Average recognition rate of 9 types of signals under each SNR

圖5 各調(diào)制信號在各信噪比下的識別準確率Fig.5 Recognition accuracy of each modulation signal under each SNR

圖6 不同模型下信號平均識別準確率Fig.6 Average recognition accuracy of signals under different models

為了評估網(wǎng)絡(luò)的識別性能，在相同數(shù)據(jù)集下，通過將文獻[8]的算法與本文算法進行比較，其平均識別準確率和本文算法的對比如圖7所示。由圖7可以看出，本文算法的平均識別準確率均高于文獻[8]的算法。

圖7 不同算法信號平均識別準確率Fig.7 Average recognition accuracy of different algorithms

4 結(jié)束語

為了在低信噪比下同時識別低階和高階數(shù)字通信信號，提出了一種基于多輸入網(wǎng)絡(luò)的調(diào)制識別算法，利用信號的熵值特征、高階累積量和預(yù)處理后的IQ數(shù)據(jù)作為網(wǎng)絡(luò)的輸入，在網(wǎng)絡(luò)內(nèi)部對不同輸入數(shù)據(jù)提取的特征進行拼接，得到融合后的特征矢量，實現(xiàn)了對2FSK，4FSK，BPSK，QPSK，8PSK，8QAM，16QAM，32QAM，64QAM這9類數(shù)字通信信號的識別。當信噪比達到1 dB時，9種調(diào)制信號的識別率均在90%以上。下一步工作將考慮利用深度學(xué)習(xí)對調(diào)制方式和編碼方式進行聯(lián)合識別。