基于Inception-V4 模型的通信信號調制方式識別新方法

邢科，呂澤均

（四川大學計算機學院，成都610065）

0 引言

目前，無線電自動調制識別算法一般分為兩類[1]：一類是基于貝葉斯決策論的方法，一類是基于統計模式識別的方法。基于貝葉斯決策論的方法[2-3]使用最大似然法實現信號的調制識別，為每個樣本選擇后驗結果最優的類別標記，但是似然比分類的充分統計量表達式很復雜，計算量大，難于實時處理。基于統計模式的方法[4-6]是從接收到的信號中提取若干特征后用分類器進行識別分類，實現流程如圖1。

圖1 基于統計模式識別的調制分類識別方法流程

近年來，機器學習已經在自動調制識別（AMC）領域廣泛應用，比較常見的機器學習分類器主要有決策樹[7-8]、支持向量機（SVM）[9]、隨機森林[10]等。上述算法都已經有完善的理論支撐和成熟的結構，但是在信號特征提取方面主要依賴人工進行標記提取，對于機器學習中系統的學習能力還有很大的提升空間。

針對以上問題，深度學習方法已經被用于自動調制識別。2017 年陳敏華等人[11]通過實驗驗證了在相同信噪比條件下，基于卷積神經網絡的信道均衡算法對QPSK 恢復的誤碼率相比RLS 算法和MLP 算法分別降低了20%和5%。2018 年彭超然等人[12]將信號數據轉換為星座圖，然后利用訓練好的VGG-19 網絡模型進行星座圖分類識別，同步實現了特征提取和分類識別，流程簡單且保證了信號調制識別過程中的魯棒性。2019 年周鑫等人[13]提出了RadioImageDet 算法，把無線電信號具象化為二維圖片，將圖像作為網絡模型的輸入進行分類識別，成功將無線電信號識別問題轉化為圖像分類問題，并取得86.04%識別準確率。

上述深度卷積網絡模型只是在關注如何在不過擬合的情況下加深網絡的結構，很少關注網絡的寬度，而GoogLeNet 系列不僅著手加深網絡的深度而且加深了網絡寬度。因此，本文將Inception-v4 模型引入到調制信號識別網絡中，該網絡通過深度和并行網絡結構充分提取星座圖輸入特征，以識別數字信號的調制模式，并提高信號在低信噪比環境下的識別精度。

1 信號調制模型

根據基帶波形所控制的不同載波參數，可以將調制類型分為振幅鍵控（ASK）、相移鍵控（PSK）、頻移鍵控（FSK）和正交振幅調制（QAM）4 種[14]。針對這4 種數字調制信號，我們給出對應的數學建模如下：

多進制頻移鍵控MFSK（Multi-band Frequency Shift Keying）：

由（1）、（2）、（3）、（4）可得調制信號的一般表達式為：

其中：s(t)表示連續時間序列信號，A(t)為信號調制振幅。

根據上述公式的信號模型，分別改變其頻率、相位、振幅的一個或者多個參數組合，可以得到多種調制模 型，例 如：BPSK、4ASK、QPSK、OQPSK、8PSK、16QAM、32QAM、64QAM 等。

2 基于Inception-V4的數字信號調制識別

基于Inception-V4 的通信信號調制方式識別新方法包括三個步驟：信號預處理、特征提取和分類識別。為了利用Inception-V4 網絡進行調制方式識別，需要在預處理操作中，將信號轉換為星座灰度圖。然后利用Inception-V4 網絡在圖像識別領域的突出表現，對信號星座灰度圖進行特征提取和分類，最終完成信號調試識別。

2.1 數據集

DL 依賴于大量數據，并且對于研究和應用而言，這可以在通信系統中輕松獲得。我們利用Python 模擬出帶有高斯白噪聲的復雜樣本的基帶序列，考慮了8種可能的調制方式作為數據集，包括BPSK、4ASK、QPSK、OQPSK、8PSK、16QAM、32QAM、64QAM，在SNR=4dB 環境下生成星座圖，然后轉化為灰度圖用于訓練，每張星座圖和灰度圖包含1000 個星座符號，灰度圖的數據類型為299×299×3 的三維矩陣，訓練樣本為每種調制方式200000 張灰度圖。

2.2 數據轉換

2.2.1 星座圖

為了利用現有的Inception-V4 網絡模型，我們可以將復雜的數據樣本轉換為圖像。星座圖可以將信號樣本映射到復平面上的散射點，已被廣泛用作調制信號的2D 表示。但是，復平面無限延伸，而圖像可描繪的區域卻受到限制。如果所選區域太小，則可能會由于嚴重的噪聲水平而從圖像中排除某些信號樣本，并放棄這些信號樣本。相反，如果面積太大，信號樣本可能會聚集在一個很小的區域中，并且可能會重疊。除非另有說明，本文選擇星座圖生成在3.5×3.5 復平面上，如圖2。

圖2 QPSK 星座圖

2.2.2 灰度圖

如果像素密度足夠大，則可以將星座圖圖像視為信號樣本的完整表示。在這種情況下，每個樣本可以由一個或多個像素表示。然而，由于有限的像素密度，一個像素內可能存在多個樣本，如圖3 所示。為了考慮多個采樣點的影響，我們將每個像素內的采樣數量表示為強度值（例如，像素1、2 和14 的強度值為1、0和5）然后可以將二進制星座圖轉換為灰度圖像，如圖4 所示。

圖3 像素點

圖4 QPSK 灰度圖

2.3 Inception-V4模型介紹

近年來，非常深的卷積網絡一直是圖像識別性能最大進步的核心。以GoogLeNet 為代表的Inception 體系結構已顯示出用相對較低的計算成本實現非常好的識別性能。

Inception-V1[15]主要是引入1×1 的卷積層，大大的減小權值參數數量，同時增強了網絡的非線性能力。同時使用了1×1、3×3、5×5 的卷積，增加了網絡對尺度的適應性。

Inception-V2[16]加入了批量歸一化層，減少了內部neuron 的數據分布發生變化，使每一層的輸出都標準化到具有相同的均值0 和方差1。用2 個連續的3×3卷積替代模塊中的5×5 的卷積，進一步增加網絡的深度，并且減少了很多參數。

Inception-V3[17]在V2 的基礎上，提出在神經網絡中分解卷積和降維辦法，將7×7 和3×3 卷積分別分解成兩個一維的卷積（1×7，7×1）和（1×3，3×1）的非對稱的卷積結構，增加特征多樣性，并且在減少計算量的基礎上處理更多的空間特征。

InceptionV1-V3 采用通過分布式進行訓練的模式，以便能夠將整個模型適配到內存中。但是，Incep?tion 體系結構是高度可調的[18]，這意味著各個層中的過濾器數量有很多可能的變化，但這些變化不會影響整個訓練網絡的質量。為了優化訓練速度，需要仔細地調整網絡模型的層大小，以平衡各種模型子網之間的計算。

隨著TensorFlow 的引入，大部分最新的模型無需分布式的對副本進行訓練。Inception-v4[19]網絡的大規模結構針對Inception 塊的每種網格尺寸做出統一的選擇。Inception-v4 網絡的大規模結構參見圖5，對于其組件的詳細結構，參見圖6、7、8、9、10 和11。所有圖中沒有標記“V”的卷積使用same 的填充原則，使用“V”標記的卷積使用valid 的填充原則。

圖5 Inception-v4網絡的大規模結構

圖6 Inception-v4網絡的35×35網格模塊結構

圖7 Inception-v4網絡的17×17網格模塊結構

圖8 35×35到17×17縮小模塊的結構。k，l，m，n表示濾波器組大小（見表1）

圖9 Inception-v4網絡的8×8網格模塊結構

圖10 17×17至8×8網格縮減模塊的結構

表1 Inception-V4 的Reduction-A 模塊的濾波器數量

圖11 Inception-v4網絡的stem模塊

3 仿真實驗和分析

3.1 實驗環境

本文利用擁有強大的算力和11 Gb 顯存的Titan XP 平臺，構建了一個TensorFlow-2.1.0+Keras-2.3.1 框架來訓練InceptionV4 網絡。其中數據集和數據轉換都用Python 實現。

實驗中，學習率選擇0.001，將每種調制方式的512張圖片打亂順序后，逐次輸入模型進行訓練。為了保證內存可用，最小批次設置為16，同時劃分1%的數據集用于驗證，輸出驗證性能，以便觀測訓練過程，每次訓練進行1 輪，經過400 次迭代后，將模型參數保存用于后期測試和可能的遷移學習。信號樣本標簽編碼格式如表2。

表2 信號樣本標簽具體劃分情況

3.2 Inception-V4 識別效果

我們選取了BPSK、QPSK、16QAM、32QAM、4ASK、OQPSK 和8PSK 作為訓練和識別的調制方式，每種調制方式使用400×512 張灰度圖用于訓練，其信噪比與測試集保持一致。圖12、圖13、圖14 為不同信噪比下識別正確率的混淆矩陣。

圖12 SNR=3.5 dB 的識別率混淆矩陣

圖13 SNR=3 dB 的識別率混淆矩陣

圖14 SNR=2.5 dB 的識別率混淆矩陣

從識別率混淆矩陣可以看出，經過充分訓練后，提出的方案在各信噪比下均能獲得比較高的識別率，這證明了基于Inception-V4 模型的通信信號調制方式識別新方法的可行性。其中在SNR=3.5 dB 時識別率達到95%正確率，SNR=3 dB 時識別率達到了93.8%以上，SNR=2.5 dB 時，由于16QAM 和32QAM 具有相似的正方形星座圖，因此這兩種調制方式的分類能力明顯變差，但是BPSK、QPSK、4ASK、OQPSK、8PSK 的分類能力依然保持在99.3%以上。

3.3 性能對比

在相同數據集的基礎上，將文獻[20]和文獻[21]的方法分別與本文方法進行比較，評估Inception-V4 模型的性能。

3.3.1 與AlexNet 模型[20]的對比

這一節，信號參數、訓練集與文獻[20]保持一致，我們選取BPSK、4ASK、QPSK、OQPSK、8PSK、16QAM、32QAM 和64QAM 作為訓練和識別的調制方式，在同樣使用灰度圖作為訓練集的情況下，信噪比與測試集保持一致。其性能對例如圖15 所示。信號樣本標簽編碼格式如表3。

表3 信號樣本標簽具體劃分情況

圖15 與AlexNet模型中灰度圖部分的性能對比

將每種調制類型的灰度圖饋送到Inception 網絡進行訓練，從而形成訓練有素的網絡。對SNR=2dB 的8PSK 調制信號執行1000 次的分類識別測試，以評估其分類性能，可以看出，針對8PSK 在低信噪比（SNR=2dB）情況下Inception-V4 可以獲得比文獻[20]中的AlexNet 模型更高的識別準確率。

3.3.2 與InceptionResnetV2-TA 模型[21]的對比

這一節中，我們選取與文獻[21]相同的數據集，將BPSK、QPSK 和8PSK 作為訓練和識別的調制方式，其識別性能的對例如圖16 所示。信號樣本標簽編碼格式如表4。

表4 信號樣本標簽具體劃分情況

從圖16 中的分析結果可以看出，在SNR=1dB時，本文方法識別準確率達到98.4%以上，而文獻[21]的識別準確率達到89.33%。在SNR=2dB 時，本文方法識別準確率達到100%，而文獻[21]的識別準確率達到96.33%。在對BPSK、QPSK 和8PSK 三種信號的分類識別中，本文所提出方案可以獲得更好的識別效果，這在有一定先驗信息的場景中將發揮非常重要的作用。

圖16 與InceptionResnetV2-TA模型的性能對比

4 結語

本文研究了Inception-V4 模型在數字信號調制分類中的應用。將復雜數字信號轉化為圖像進行分類識別，仿真結果表明，基于Inception-V4 模型的信號調制方式分類避免了手動選擇信號特征，并且在低信噪比的環境下提供了比較高的分類精度。在多種調制方式的信號中，Inception-V4 的分類能力要優于AlexNet、Incep?tionResnetV2-TA 模型。未來的工作將考慮兩方面的改進，一是在更多種類信號調制方式下采用Inception-V4模型的分類效果研究，二是考慮Inception-V4 模型在非高斯噪聲下的通信信號調制模式中的應用研究。