機場終端區RF 信號深度調制識別方法*

陳 林 唐文波 丁學科 樊 榮

（1.同方電子科技有限公司 九江 332000）（2.中國民用航空飛行學院航空電子電氣學院 廣漢 618307）

1 引言

近年來，機場終端區面臨的電磁環境日益復雜，以VDL 航空數據鏈、PBN 導航、ADS-B 監視為代表的航空設備遭受無線電信號干擾頻次日益增多，干擾信號調制類型種類多達數十種，導致機場終端區的干擾信號調制類型識別難度加大。針對機場終端區的信號調制類型識別方法研究已在機場無線電通信［1～2］、無人機信號檢測［3］、GNSS干擾源排查［4］以及空中交通管理［5］等領域受到廣泛關注。

當前信號調制類型識別方法主要包含三類：即基于似然比準則的信號調制類型識別方法、基于特征提取的信號調制類型識別方法以及基于數據驅動的信號調制類型識別方法。由于基于似然比準則的信號調制識別方法在實際應用中難以獲取信號模型中隨機變量的概率分布，計算復雜度高，且在部分場景下僅在理論上存在計算可能性，故本文不對其作詳細論述；基于特征提取的信號調制類型識別方法，首先提取原始基帶I、Q 信號的特征，再利用分類器對所提取的信號特征進行分類，以實現信號調制類型識別［6～11］。具體上講，文獻［6］從信號調制類型識別原理、算法以及應用角度進行了系統地總結。在文獻［7］中，使用經驗模式分解（Empirical Mode Decomposition，EMD）提取原始信號特征，解決了傳統信號調制識別方法在處理信號時受樣本序列長度以及數據異常值影響的缺點。類似地，Siuly 等利用EMD 方法提取原始腦電信號特征，提出了一種基于EMD 技術的腦電信號診斷方法［8］。與此同時，T.Dutta 等利用變分模態分解（Variational Mode Decomposition，VMD）方法提出了一種基于非高斯脈沖噪聲和加性高斯白噪聲環境下的自動調制分類識別方法，證實了在不同噪聲環境下所提取的信號特征對信號調制類型識別的優越性［9］。除上述EMD、VMD 進行信號特征提取外，多尺度排列熵（Multi-scale Permutation Entropy，MPE）也被作為一種重要的信號特征提取工具［10］，當前主流做法是首先對原始信號采用EMD、VMD 分解得到信號在不同時間尺度下的模態分量，接著采用多尺度排列熵進行特征提取，再將其送入分類器完成信號調制類型識別，提升了低信噪比環境下信號調制類型識別性能，增強了對信號相位噪聲、頻率漂移以及諧波失真等細微特征的識別能力［11］。然而，當機場終端區所面臨的干擾信號調制種類增多（典型值超過10 種）、信號間的特征區分度不明顯以及信噪比降低時，基于特征提取的調制識別方法的識別性能不高，已成為基于特征提取的信號調制類型識別技術工程應用中面臨的主要瓶頸。對此，雷志坤通過提取原始I、Q 數據的高階累積量特征，利用全連接神經網絡具有的非線性深度學習能力，提升了基于特征提取的信號調制識別方法性能［12］，但由于將原始數據的高階累積量特征作為網絡輸入，該方法仍屬于基于特征提取的信號調制識別方法。

基于深度學習端到端的調制信號識別方法已成為新的研究熱點［13～14］。S.Hu 等采用循環神經網絡（Recurrent Neural Networks，RNN），針對高斯白噪聲、高斯色噪聲以及非高斯噪聲場景進行了信號調制類型識別研究［15］。F.Meng等也提出一種基于端到端的調制類型識別神經網絡，所提網絡對信號調制類型識別能力已超過基于特征的信號調制識別方法［16］。然而，上述調制類型識別神經網絡仍存在兩個缺陷：第一，構建的信號調制類型數據集種類有限，面對信號調制種類更多、調制類型間的區分度低的信號調制類型時，網絡的識別性能是否得到保證缺乏實證；第二，若實際環境發生變化，則需更新數據集，并對之前已訓練好的網絡重新訓練。鑒于此，針對上述問題，本文首先構建多達24 種不同調制類型的數據集，超過了上述各文獻中所構建的調制類型種類數量；同時，針對構建的信號調制類型，在網絡卷積層數、卷積核大小、訓練數據集大小對網絡信號識別性能影響基礎上，設計出一款端到端的信號調制識別網絡；此外，針對信道環境變化導致信號調制類型識別性能下降問題，進一步研究了不同訓練數據量場景下的遷移學習方式，提升了網絡在信道環境變化場景下的網絡適應能力和識別性能。

2 數據集構造

一方面，通過上位機Matlab 軟件仿真生成22種不同調制類型的基帶波形數據文件（最大符號速率限為1MSPS），每種調制類型信號波形I、Q 數據長度為106；通過網口下載到矢量信號發生器（VSG）作為基帶周期調制波形，經過VSG上變頻調制至載波頻率為666MHz 后經放大射頻輸出（輸出功率為0dBm）。輸出的射頻信號通過射頻線纜連接至信號采集卡，其中采集卡工作頻率范圍為70MHz～800MHz。經信號采集卡在射頻以200MHz采樣率低通采樣并做16bit 量化后、將其下變頻至零中頻25 倍抽取輸出，最終獲得8MSPS 速率的基帶I、Q 信號。每種調制識別信號采集時長為10s。另一方面，利用智能頻譜傳感器（由同方電子科技有限公司提供）采集了廣漢機場專用的VHF 電臺基帶I、Q數據，共同構成24種不同調制信號類型原始數據，信號調制類型分別為256-QAM、128-QAM、64-QAM、32-QAM、16-QAM、32-PSK、16-PSK、4-ASK；2-ASK、8-PAM、2-PAM、8-PSK、QPSK、OQPSK、MSK、DQPSK、D8PSK、DBPSK、AM、FM、GFSK、GMSK、VHF-1（廣漢）、VHF-2（廣漢）。數據采集原理框圖如圖1所示。

圖1 原始I、Q數據采集原理框圖

對于采集的24種原始I、Q數據，針對每種調制類型數據進一步人工添加不同強度噪聲（SNR=-4dB～12dB）后，再對各種生成的含噪信號進行分段，并將分段數據構造成數據集。原始I、Q數據加噪后的信號s?(k)建模為

其中，σs，σn和SNR 分別表示原始I、Q 信號功率、噪聲功率以及信噪比值（單位：dB）；s(k)為信號采集卡得到的第k點原始I、Q數據；N為采集的原始信號數據總長度；ξ(k)為0 均值且方差為1 的隨機量。

3 深度調制識別方法

3.1 深度調制識別神經網絡架構

文中構建的深度信號調制識別神經網絡主要基于卷積神經網絡（Convolutional Neural Networks，CNN）結構，包括預處理層、卷積層、池化層、展平層、全連接層等。網絡輸入端為基帶I、Q 數據，輸出端為信號調制類型分類概率，采取的網絡架構及處理流程如圖2所示。

圖2 CNN網絡結構與處理流程

1）預處理層

用于圖像識別的CNN 網絡無法直接用于處理基帶I、Q復數數據，在使用CNN網絡對輸入基帶復數信號序列進行調制識別時，需對符號序列進行預處理以匹配網絡卷積層，具體預處理過程如下：

其中，? 表示數據的實部，? 表示數據的虛部，r為I、Q數據序列，L為數據預處理長度。

2）卷積層

在CNN 網絡結構的卷積層中，影響網絡性能的主要超參數有卷積核大小、步長、數量以及邊界填充方式等。數據經過卷積層輸出包含若干特征平面，同一特征平面的神經元共享權值，特征平面個數即為卷積核數。卷積核每次計算一個局部感受野后需要平移計算下一局部感受野的值，移動偏移量即為步長，卷積核提取特征方式如下：

其中，yi,j是卷積核進行卷積運算后的結果；f(·)為激活函數；θij、xij為卷積核、卷積塊的設置參數；n為卷積塊大小。

3）池化層

卷積后得到的特征維度通常很大，通過池化處理將特征分割成多個子區域，取其最大值或平均值得到新的、維度較小的特征。若網絡輸入維度為W1×H1×D1，每層池化大小為F×F，且步長設置為S，則數據經過池化后的輸出維數為

式（6）中的第一項代表交叉熵，后一項為正則化項；yi(k)和y?i(k;W,b)為輸入數據所對應的標簽結果以及網絡識別輸出；R(·)、W、b表示正則化函數、網絡層權值和偏置；λ、N、M表示正則化系數、每次訓練的批次大小以及信號調制類別數。

3.2 深度調制識別神經網絡設計

通過在網絡訓練后的測試性能指導下迭代設計深度調制識別神經網絡。網絡訓練過程中，使用Adam 優化器求解，學習率取為0.0001，模糊因子設為10-8，每次更新后學習率的衰減值為0.9，每輪訓練數據均隨機洗牌，數據集總樣本數為26 萬，選取數據集中80%作為訓練數據，20%作為測試數據，每次調整網絡參數前選取的樣本數量為256。

1）網絡輸入數據維度選取

分別按照128、256、512 和1024 長度的分段方式構建訓練數據集，測試結果表明：當輸入數據維度為1024 點數據分割方式時，網絡在低信噪比條件下（-4dB）識別性能達到60%，在高信噪比（＞8dB）條件下識別性能達到80%。若繼續增加數據維度，網絡的運算時間將會成倍增加，而網絡的識別精度則不會顯著提升。綜合考慮，本文按1024點I、Q 數據長度分段生成訓練數據集。即網絡輸入數據維度設為2×1024×1。

2）網絡卷積層數選取

在給定網絡輸入數據維度下（2×1024×1），進一步測試了信號調制識別網絡分別在不同卷積層數（2層依次增至6層）下的識別性能，結果表明：不同層卷積神經網絡的性能相差不明顯，當卷積層數為2 層時，在低信噪比條件下的識別準確性達到60%，高信噪比場景下達到80%，繼續增加卷積層數，其識別精度并沒有明顯提升，相反還略微有所下降。鑒于此，在信號調制類型識別神經網絡的卷積層數設為2層，即保證網絡識別性能。

3）網絡卷積核大小選取

在給定網絡輸入數據維度（2×1024×1）和2層卷積層數條件下，進一步研究了不同卷積核大小（卷積核大小分別取為2、3、4、5）時神經網絡的識別性能。測試結果表明：卷積核長度設置為4 或5時，均能均相似且達到最佳。鑒于此，綜合網絡性能和網絡復雜度因素，卷積核長度取為4。

經過上述步驟確定網絡超參數后，最終設計的信號調制識別網絡結構超參數如表1所示。

表1 信號調制識別網絡結構超參數

3.3 信號調制識別網絡遷移學習

采取表1 所示的網絡架構及超參數對網絡訓練，若信道環境發生變化，將導致信號調制識別性能嚴重惡化。而在目前的移動平臺（例如，機載、艦載、車載）的信號調制識別場景中，傳播信號由于多徑效應而引起的信道衰落等原因，到達接收機的信道環境通常會發生變化，即實際場景下的信道為時變信道。這大大限制了所提信號調制識別網絡的性能。實際上，作者對測試數據人工添加瑞利衰落效應模擬信道發生變化，采用新的模擬數據再次測試網絡識別性能，發現網絡識別性能從80%直降至40%，亦證實了上述所提網絡不能直接用于移動平臺下的信號調制識別場景。若對信道發生改變后的信號進行調制識別時，需要使用新信道環境下的訓練數據對網絡進行重新訓練以更新網絡參數。然而，如果完全重新訓練網絡，則需大量訓練數據，增大了網絡訓練的時間成本，不能滿足實時性要求高的場景。

鑒于此，采用遷移學習思路，利用信道變化后的數據對舊信道環境下已訓練好的網絡進行權值微調，利用微調后的神經網絡進行新信道下的信號調制類型識別，可以充分利用舊信道環境下的知識，避免了對網絡完全重新訓練，僅需采用新信道環境下的少量訓練數據對網絡進行微調便能達到同樣的識別性能，同時提高了信道變化環境下的網絡訓練速度和識別實時性。本文具體研究了三種遷移學習方案：方式一，網絡所有層參數微調；方式二，網絡全連接層參數不變、卷積層參數微調；方式三，網絡卷積層參數不變，全連接層參數微調。

4 調制識別性能分析

下面通過多個試驗與文中所提的方法進行驗證，揭示了本文所提信號調制識別方法的性能優勢。

4.1 所提神經網絡的識別性能

為揭示所提調制識別網絡的識別性能和泛化能力，計算了網絡訓練過程中損失值和識別性能隨著迭代次數的變化曲線，結果如圖3 所示。結果表明：網絡訓練與測試損失總體上均呈現下降趨勢，網絡具有良好的學習能力。迭代次數超過30 次后，識別精度大于95%。順便指出，本文設計的信號調制識別網絡在不同信噪比和信號類型的數據集上的整體識別精度為80%。整體識別精度統計公式為

圖3 識別性能與迭代輪數曲線

其中，pi（i=1，2，…，n）為單個信噪比下的識別精度，n為選取的不同信噪比種類數。

4.2 基于遷移學習的網絡調制類型識別

然而，若直接采取上述網絡進行信號類型識別，網絡的可移植性差。鑒于此，作者進一步采取遷移學習技術提升網絡可移植性。文中分別利用2.1 萬（8.1%）、4.2 萬（16.5%）、6.4 萬（24.6%）、8.6 萬（33%）、26 萬（100%）的數據樣本對網絡調制識別進行測試，獲得的調制識別精度分別為77.5%，79%，81.1%，84.1%，86.7%。考慮到采用26 萬個數據樣本重新訓練網絡所需要的運算時間是采用8.6萬數據集對網絡進行微調的運算時間的3 倍以上。因此綜合考慮，在三種遷移學習方式中，將遷移學習數據集樣本數定位8.6萬。采用三種遷移學習方案對網絡進行遷移學習后，其網絡的識別性能如圖4所示。

圖4 三種遷移學習方法在不同信噪比下的識別精度（方式1：CNN_TL1；方式2：CNN_TL2；方式3：CNN_TL3）

由圖4 可知，經過三種遷移學習的網絡對于新信道的數據具有較好的識別性能，尤其是對網絡所有層的權值偏置均進行微調后，其識別精度與采用新數據對網絡進行重新訓練后的識別性能相當。主要原因在于本文設計的信號調制識別神經網絡卷積層較少，導致網絡的全連接層的參數占網絡總參數的60%，若僅更新卷積層參數，網絡的大部分參數并未得到更新，從而導致網絡在進行微調后，對新信道下的測試數據的識別性能不佳；如果網絡僅對全連接層參數進行更新，又因為網絡提取信號特征主要是依靠卷積層對數據進行卷積、池化等運算，若不對卷積層進行更新，網絡則無法學習到新信道下的數據所具有的特征，從而造成網絡識別性能不佳。因此，本文選擇基于網絡所有層參數微調的遷移學習方案對CNN網絡進行遷移學習。

利用基于網絡所有層參數微調的遷移學習方案對原信道下訓練完成的網絡進行遷移學習后，網絡識別性能在典型信噪比下的測試結果如圖5 所示。

圖5測試結果表明：對于所研究的24種信號調制類型而言，本文的遷移學習方法不能對16QAM、8PAM、OQPSK 調制類型信號進行有效遷移學習。而其余21 種波形存在不同程度的遷移學習效果。具體上講，在SNR=-4dB 場景下，所提方法對16QAM、256QAM、2ASK、4PAM、8PAM、DBPSK、OQPSK 信號調制類型的識別精度低于50%，對64QAM、4ASK、8PSK、AM、FM、GFSK、GMSK、MSK、QPSK 信號調制類型的正確識別性能達到90%，剩余8 種信號調制類型識別性能位于56%～86%之間；在SNR=12dB 場景下，所提方法對16PSK、16QAM、8PAM、DQPSK、OQPSK 信號調制類型的正確識別性能低于50%，而對128QAM、2ASK、32QAM、4ASK、4PAM、64QAM、8PSK、AM、FM、GFSK、GMSK、MSK、QPSK、VHF-1信號調制類型的正確識別性能超過90%，剩余5 種信號調制類型識別性能集中在66%～88%區間。

圖5 基于網絡所有層參數微調的遷移學習方案

5 結語

針對基于信號特征的傳統信號調制識別分類方法對多種調制類型（典型值大于10 種）識別性能不足的問題，設計出一種適用于信號調制識別的卷積神經網絡，實現了以原始I、Q 數據流作為算法的輸入數據，避免了傳統方法復雜中的特征選擇、特征提取等問題。針對時變信道應用場景，將深度神經網絡結合遷移學習思想，降低了網絡訓練所需的樣本數，減少了網絡訓練所需的時間成本，提升了網絡對于時變信道環境的快速適應能力，針對所設計的網絡架構給出遷移學習推薦方案。基于實測數據證實了所提方法對信號調制類型識別的有效性。本文識別網絡也可直接用于GNSS干擾源智能識別等應用中，未來主要研究工作是進一步增加信號調制類型和提升信號調制類型的識別性能。