基于深度學習網絡的信號識別研究?

韓 璐

（92941部隊44分隊 葫蘆島 125000）

1 引言

在通信傳輸技術中，通信信號的識別是一個重要的研究方向，特別是在空間通信、衛星通信、水下通信等領域。信號識別受傳輸環境、信號幅度因子、頻率因子和相位因子的約束，尤其是在衰落信道條件下。

在相關研究文獻中，對于通信信號識別有兩種研究趨勢，一種趨勢是基于特征參數估計的極大似然函數方法，通過估計參數可以優化最大似然法，例如調制模式、載波頻率、相位、信道響應等，然而，在特定的多徑衰落信道環境下，多徑衰落引起的載波不同步、相位噪聲、定時異步會嚴重影響信號識別［1～3］。另一種趨勢是基于信號統計特征進行信號識別，通過獲得不同的統計特征特征，如高階累積量、小波特征、多維信號特征等。大多數通信信號識別算法都在AWGN范圍內。事實上，由于信道多徑衰落，許多信號識別算法的應用已經大大減少［4～6］。近幾年來，由于人工智能領域的快速發展，研究者們將人工智能學習算法引入到信號識別中，并給出了相關的理論推導證明。

本文針對多徑衰落信道中的信號識別問題，提出了一種基于深度學習網絡的深度學習體系結構。通過能量自然對數模型建立了DLN，通過幅值加權子網絡、相位加權子網絡和頻率加權子網絡，能夠有效地降低BER。

2 系統模型和問題闡述

定義通信系統通過AWGN，其噪聲環境符合均值為0、方差為的高斯分布，代表模數采樣加性AWGN信號的均值和方差。具體來說，AWGN信號通過相關接收或匹配濾波器，形成離散隨機過程的均值為0，方差為的輸出信號。DLN網絡系統端到端信號流程框圖，如圖1所示。

圖1 DLN網絡系統端到端信號處理框圖

接收信號通過理想匹配濾波器，經模數轉換后，通過均衡器消除符號間干擾，該均衡器為理想的符號均衡器。為討論方便，假設基帶信號周期小于信道相干時間，通信信道為多徑衰落，系統采用理想信道均衡器來降低符號間干擾。

3 DLN算法

根據圖2，DLN算法流程是針對振幅、相位和頻率的，可通過下列算法求得。

圖2 DLN網絡框架

4 仿真結果與分析

深度學習DLN網絡的信號識別，通過蒙特卡洛仿真，隨機生成包括二相相移鍵控（BPSK）、四相相移鍵控（QPSK）、八相相移鍵控（8PSK）、正交幅度調制（QAM）調制方法。載波信號頻率為fc=100kHz，抽樣頻率為fs=4fc=400kHz。

針對本文提出的DLN網絡，進行如下仿真，蒙特卡羅法模擬2000次試驗，信噪比范圍1dB～7dB，假設將512個信號樣本構造成一個數據幀，數據幀為1000組。前100組作為訓練，剩下900組用于測試。信道模型為典型多徑模型，信道模型參數表，如表1所示，瑞利衰落信道。主信道作為萊斯Rice信道模型，二徑模型作為瑞利Rayleigh信道模型。

表1 信道模型參數表

為便于仿真，用三個子網絡來設定DLN深度學習網絡，每個子網絡有30層，隱藏節點數為100。接收信號的幅度、相位和頻率通過相應的加權訓練網絡來實現。信號的幅度特征、相位特征和頻率特征信息通過相應的權值網絡或隱層網絡獲得。DLN網絡對不同調制模式的分類，建立了誤碼率仿真模型，DLN網絡的SNR變化范圍1dB至7dB，每512個模擬信號樣本夠成一個數據幀。對通信信號進行六組識別仿真，曲線分別為無分類檢測識別、最小均方誤差（MMSE）分類算法、DLN算法一次迭代、DLN算法二次迭代、DLN算法三次迭代、理想分類檢測識別。基于不同信噪比的DLN識別誤碼率仿真結果，如圖3所示。

圖3 基于不同信噪比的DLN識別誤碼率

圖3顯示了BPSK、QPSK、8PSK、16QAM調制模式在不同信噪比下的信號識別誤碼率。通信信號識別中分別采用DLN算法和MMSE算法，在SNR變化范圍從1dB～7dB，與理想分類檢測、無分類檢測，對誤碼率進行了比對。仿真結果表明，當SNR大于6dB時，DLN算法的信號識別誤碼率達到10-2，低于MMSE算法，且DLN算法隨著迭代次數的增加，誤碼率會降低，接近理想情況。

5 結語

本文提出了一種自適應深度學習網絡，用于多徑衰落信道下的信號識別。通過建立期望模型的自然對數能量模型，深度學習網絡分為幅值加權子網絡、相位加權子網絡和頻率加權子網絡，可通過每個子網絡獲取信號特征。仿真結果表明，與傳統算法相比，本文提出的DLN算法，具有高效的分類性能和小樣本分類能力，能夠自適應訓練序列長度相同、SNR相同的多徑衰落信道，對通信信號的識別具有更低的BER。