基于深度學(xué)習(xí)的自動調(diào)制識別方法綜述

張茜茜，王 禹，林 云，桂 冠*

(1.南京郵電大學(xué) 通信與信息工程學(xué)院，江蘇 南京 210003；2.哈爾濱工程大學(xué) 信息與通信工程學(xué)院，黑龍江 哈爾濱150001)

0 引言

自動調(diào)制識別(Automatic Modulation Recognition,AMR)是信號檢測和解調(diào)之間的重要步驟，它的目的是在不了解信號先驗(yàn)調(diào)制信息的情況下，通過信號處理技術(shù)識別出接收信號的調(diào)制類型，其在許多無線通信場景中均發(fā)揮著重要的作用[1]。在軍事領(lǐng)域中，AMR廣泛用于信號監(jiān)測、干擾識別和電子對抗等方面[1-4]；在民用領(lǐng)域中，AMR廣泛應(yīng)用于無線電管理、頻譜感知和軟件無線電等場景中[5-6]，因此AMR技術(shù)被國內(nèi)學(xué)者廣泛關(guān)注并且深入研究。傳統(tǒng)的AMR主要分為基于似然函數(shù)的方法[7-8]和基于特征提取的方法[9-10]。基于似然函數(shù)的識別方法理論上確保了識別結(jié)果在貝葉斯最小誤判代價(jià)準(zhǔn)則下是最優(yōu)的,然而該方法計(jì)算復(fù)雜度高且對模型失配和參數(shù)偏差比較敏感，在實(shí)際的復(fù)雜電磁環(huán)境中很難實(shí)現(xiàn)[11-12]。而基于特征提取的方法由經(jīng)典模式識別理論衍生而來，其本質(zhì)可視為一種映射關(guān)系，即從信號空間映射到特征空間。具體來說：一方面，把高維的接收信號空間映射到維數(shù)盡可能小的特征空間，以降低復(fù)雜度；另一方面，提取的特征應(yīng)盡可能地顯示出不同調(diào)制類型之間的差異，以取得更好的識別性能。雖然基于特征提取的方法不是最優(yōu)的，但如果能提取到足夠多的有效特征，性能也會接近最優(yōu)且容易實(shí)現(xiàn)。

近年來，人工智能(Artificial Intelligence,AI)的發(fā)展日益成熟，其中機(jī)器學(xué)習(xí)(Machine Learning,ML)和深度學(xué)習(xí)(Deep Learning,DL)成為AI研究的主流，并在圖像識別[13]、語音識別[14]和自動駕駛[15]等應(yīng)用領(lǐng)域呈現(xiàn)出壓倒性的優(yōu)勢。通常，基于 ML的AMR方法，如決策樹(Decision Tree,DT)[16]、K最鄰近(K-Nearest Neighbor,KNN)[17-18]、支持向量機(jī)(Support Vector Machine,SVM)[19-21]等采用模型驅(qū)動的方法，該方法所提取的特征需要一定的專業(yè)知識與經(jīng)驗(yàn)，并且還需要得知調(diào)制池的先驗(yàn)信息。一旦假設(shè)的信號模型或噪聲模型與實(shí)際的信號或噪聲不匹配，就會發(fā)生誤判別。而基于DL的AMR方法采用數(shù)據(jù)驅(qū)動的方法[22]，該方法所使用的網(wǎng)絡(luò)比以前的神經(jīng)網(wǎng)絡(luò)深得多，它在無需人工干預(yù)的情況下從原始數(shù)據(jù)中自動提取復(fù)雜的特征并做出有效的識別決策，即通過端到端的方式提取和識別信號特征。最近一些研究表明，DL方法可以克服ML的一些障礙并在AMR領(lǐng)域中實(shí)現(xiàn)最先進(jìn)的性能，因?yàn)樗哂袕牟煌{(diào)制格式中學(xué)習(xí)辨別特征的優(yōu)異能力[23]。此外，DL方法已普遍應(yīng)用于各種通信技術(shù)中，如波束形成[24]、非正交多址接入[25-26]和信道估計(jì)[27]等。基于DL的AMR方法具有強(qiáng)大的特征提取能力和分類回歸能力，能夠有效地對調(diào)制信號進(jìn)行預(yù)測和識別。

DL方法在大數(shù)據(jù)驅(qū)動下，依靠自主學(xué)習(xí)分析數(shù)據(jù)規(guī)律。概括出更多層面更有代表性的數(shù)據(jù)特征，從而脫離了對特征工程的依賴，在圖像、語音等任務(wù)上取得了超過其他算法的效果。基于DL的AMR方法主要包括卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)、循環(huán)神經(jīng)網(wǎng)路(Recurrent Neural Network,RNN)和自動架構(gòu)搜索(Automatic Architecture Search,NAS)等方法。CNN作為一種重要的具有深層結(jié)構(gòu)且包含卷積計(jì)算的前饋神經(jīng)網(wǎng)絡(luò)，其通過權(quán)值共享和稀疏連接來降低模型的復(fù)雜度，并從接收信號中自動提取特征信息，發(fā)現(xiàn)接收樣本中的特征規(guī)律，從而實(shí)現(xiàn)調(diào)制信號的有效識別[28]。RNN有一個(gè)內(nèi)存來存儲它已經(jīng)從之前的輸入數(shù)據(jù)中學(xué)到的輸出，它可以處理一段時(shí)間內(nèi)的向量序列[29]。但是 RNN 存在短期記憶問題，而長短時(shí)記憶(Long and Short Term Memory,LSTM)作為RNN的一種優(yōu)化算法可以保留較長序列數(shù)據(jù)中的重要信息，忽略不重要的信息，從而解決RNN 短期記憶的問題。NAS可以認(rèn)為是一種任務(wù)驅(qū)動的方法，該方法可以根據(jù)樣本集自動設(shè)計(jì)出優(yōu)異的深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network,DNN)模型，而無需大量的專業(yè)知識和反復(fù)的試驗(yàn)，降低成本的同時(shí)，甚至?xí)l(fā)現(xiàn)人類專家之前未曾提出的網(wǎng)絡(luò)結(jié)構(gòu)[30]。

本文將近年來提出的AMR方法按照經(jīng)過預(yù)處理后的信號表示方式分為三類：

第一類是直接從接收到的信號中提取專家經(jīng)驗(yàn)特征，然后再利用神經(jīng)網(wǎng)絡(luò)進(jìn)行識別。Hassank等人[31]將連續(xù)小波變換的高階統(tǒng)計(jì)矩作為特征集，輸入到多層前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行識別，并利用主成分分析(Principal Component Analysis,PCA)降低網(wǎng)絡(luò)復(fù)雜度，以提高識別器的性能。Li等人[32]提出了一種基于抗噪聲處理和深度稀疏濾波CNN模型的甚高頻信號調(diào)制識別方法,首先提取采樣信號的循環(huán)譜并用低秩表示，然后采用稀疏濾波對CNN進(jìn)行訓(xùn)練，以高模型的泛化能力。

第二類是直接將同相正交(In-Phase Quadrature,IQ)信號作為神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)。 Wang等人[22]設(shè)計(jì)的CNN模型可以在時(shí)變信噪比(Signal to Noise Ratio,SNR)條件下學(xué)習(xí)IQ樣本的特征，該CNN模型具有更強(qiáng)大的識別能力，且在實(shí)際應(yīng)用中具有更高的魯棒性。Liu等人[33]提出了一種雙向卷積選通遞歸深度網(wǎng)絡(luò)架構(gòu)，其將CNN、門控循環(huán)單元(Gated Circulation Unit,GRU)和DNN三種網(wǎng)絡(luò)各自的優(yōu)點(diǎn)結(jié)合起來，從而實(shí)現(xiàn)高精度的調(diào)制識別。文獻(xiàn)[34]提出了一種用于AMR的經(jīng)濟(jì)且高效的CNN，其輸入為IQ分量。

第三類是將采樣得到的IQ信號轉(zhuǎn)換為圖像的形式，如星座圖、時(shí)頻圖和循環(huán)譜圖等，這樣就將信號識別問題轉(zhuǎn)換為圖像識別問題，然后利用計(jì)算機(jī)視覺(Computer Vision,CV)領(lǐng)域中的DL算法對其進(jìn)行識別。為了在困難的調(diào)制類型上獲得更高的精度，文獻(xiàn)[35]設(shè)計(jì)了基于星座圖的模型，實(shí)驗(yàn)結(jié)果表明，即使在低SNR的情況下，該模型也能有效地識別出16QAM和64QAM。文獻(xiàn)[36]將接收信號轉(zhuǎn)換為時(shí)頻圖像，并采用多模融合模型對手工特征與圖像特征進(jìn)行融合，其采用ResNet作為特征提取器。文獻(xiàn)[37]提出一種基于CNN二維循環(huán)譜圖的AMR方法，仿真結(jié)果表明，該系統(tǒng)能有效地識別出RadioML2016.10a數(shù)據(jù)集中的11種調(diào)制信號，且在較高的識別精度下，只占用較低的內(nèi)存和計(jì)算開銷。

1 系統(tǒng)模型和問題描述

AMR系統(tǒng)模型如圖1所示。在發(fā)射端，輸入信息i(t)經(jīng)過調(diào)制得到調(diào)制信號s(t)。s(t)在傳輸過程中會受到信道衰落和噪聲干擾的影響。在接收端，接收信號x(t)表示為：

圖1 基于DL的AMR系統(tǒng)模型

x(t)=s(t)*h(t)+n(t)，

其中，h(t)代表多徑信道，n(t)代表加性噪聲。

基于DL的AMR方法可以同時(shí)實(shí)現(xiàn)特征提取和識別，從而擺脫復(fù)雜且困難的人工特征設(shè)計(jì)部分。具體而言，基于DL的AMR通常分為兩個(gè)階段：在第一個(gè)階段中，對接收到的信號進(jìn)行預(yù)處理，預(yù)處理是指對采集到的信號進(jìn)行分析和處理，以獲得良好的信號表示(如振幅、相位、星座圖或更復(fù)雜的特征)；在第二個(gè)階段中，利用CNN、RNN和NAS等DL算法來自動提取信號特征并預(yù)測信號的調(diào)制類型。前一個(gè)階段比較耗時(shí)，但可以事先離線執(zhí)行。而第二個(gè)階段花費(fèi)時(shí)間少，但需要在線執(zhí)行，這有助于在復(fù)雜多變的電磁環(huán)境中進(jìn)行實(shí)時(shí)的AMR。如圖2所示，本文分別綜述數(shù)據(jù)集、信號的表示方式和基于DL的算法。

圖2 基于DL的AMR方法總體組織結(jié)構(gòu)圖

1.1 數(shù)據(jù)集

在數(shù)據(jù)驅(qū)動的DL模型中，訓(xùn)練、驗(yàn)證和測試神經(jīng)網(wǎng)絡(luò)都需要海量的信號數(shù)據(jù)。一些研究人員使用Matlab模擬的數(shù)據(jù)集[38-39]，而另一些研究人員更喜歡使用一些開源數(shù)據(jù)集[40- 42]。文獻(xiàn)[40]提出了一項(xiàng)關(guān)于ML在無線電信號處理領(lǐng)域新興應(yīng)用的調(diào)查，并合成了RadioML 2016.10A數(shù)據(jù)集。該數(shù)據(jù)集基于GNU Radio環(huán)境生成，包含11種調(diào)制信號，每種調(diào)制信號包括20種SNR，每種SNR有1 000個(gè)樣本，每個(gè)樣本有I和Q兩路信號，每路信號包含128個(gè)采樣點(diǎn)。此外，這個(gè)數(shù)據(jù)集有一個(gè)更大的版本，叫做RadioML 2016.10B[41]。文獻(xiàn)[42]介紹了一個(gè)更具挑戰(zhàn)性的調(diào)制識別數(shù)據(jù)集RadioML 2018.10A，它包含24種調(diào)制方案，每種調(diào)制信號包括26種SNR，每種SNR有4 096個(gè)樣本，每個(gè)樣本有I和Q兩路信號，每路信號包含1 024個(gè)采樣點(diǎn)。表1總結(jié)了關(guān)于數(shù)據(jù)集的調(diào)制方案、SNR范圍、樣本總量以及影響因素。Zhang等人[38]提出了一種適用于5G NR系統(tǒng)的通用信道數(shù)據(jù)集生成器，該數(shù)據(jù)集生成器可以根據(jù)用戶的需求設(shè)置不同的信道參數(shù)，也可以生成大量的多輸入多輸出(Multiple Input Multiple Output,MIMO)信道。West等人[39]介紹了一種用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的新數(shù)據(jù)集，以執(zhí)行寬帶信號識別。

表1 數(shù)據(jù)集總結(jié)

1.2 信號表示方式

在基于DL的調(diào)制識別中，將接收到的信號輸入神經(jīng)網(wǎng)絡(luò)之前，需要對信號進(jìn)行預(yù)處理，從而以恰當(dāng)?shù)男问阶鳛樯窠?jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。現(xiàn)有的基于DL的調(diào)制識別算法的信號表示主要分為專家特征表示、序列表示和圖像表示三大類，表2對這三類信號表示及其特點(diǎn)進(jìn)行了概述。

表2 信號表示方式及特點(diǎn)概述

1.2.1 專家經(jīng)驗(yàn)表示

在特定條件下專家經(jīng)驗(yàn)特征(包括瞬時(shí)參數(shù)統(tǒng)計(jì)特征、高階統(tǒng)計(jì)量特征和頻譜特征等)能夠取得較好的識別效果，但該特征依賴于專家設(shè)計(jì)和信號條件。文獻(xiàn)[43]將瞬時(shí)特征和高階統(tǒng)計(jì)特征等手動提取的特征與CNN提取的上下文特征串聯(lián)，以解決11種不同類型的調(diào)制識別任務(wù)。文獻(xiàn)[44]中特征提取結(jié)構(gòu)由兩個(gè)組件構(gòu)成：第一部分從接收信號中提取四階累積量，第二部分從接收到的IQ信號中提取極坐標(biāo)。此外，作者在低SNR條件下，通過使用深度信念網(wǎng)絡(luò)平臺和尖峰神經(jīng)網(wǎng)絡(luò)平臺，克服與DL體系結(jié)構(gòu)相關(guān)的執(zhí)行延遲問題，有助于提高分類精度。文獻(xiàn)[45]對于每種調(diào)制方案，針對不同的SNR值提取不同的頻譜特征(如最大頻譜功率密度、瞬時(shí)相位標(biāo)準(zhǔn)差、直接瞬時(shí)值的標(biāo)準(zhǔn)偏差等)。基于所提取的有效特征，訓(xùn)練神經(jīng)網(wǎng)絡(luò)以識別不同的調(diào)制類型。Kim等人[46]提出了DNN的模型，且從基帶信號中提取的21種不同特征來識別具有低淺層結(jié)構(gòu)的BPSK、QPSK、8PSK、16QAM和64QAM信號。文獻(xiàn)[47]討論了從接收到的復(fù)雜信號中提取的5種特征，這些特征是通過在不同調(diào)制方案下改變SNR獲得的，作者采用了前饋神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)進(jìn)行調(diào)制識別。Yao等人[48]使用小波變換峰值搜索對16QAM和64QAM進(jìn)行識別，仿真結(jié)果表明，在SNR為10 dB時(shí)，平均識別率提高了11.5%。

1.2.2 序列表示

接收信號通常可以用IQ序列和振幅相位(Amplitude Phase,AP)序列來表示。文獻(xiàn)[40]首次提出利用IQ序列進(jìn)行基于DL的調(diào)制識別，其識別了11種調(diào)制信號(包括8種數(shù)字調(diào)制類型和三種模擬調(diào)制類型)。隨后，許多研究人員選擇使用現(xiàn)有的IQ信號數(shù)據(jù)集作為CNN的輸入。文獻(xiàn)[49]使用純IQ數(shù)據(jù)進(jìn)行模擬實(shí)驗(yàn)，論證了CNN、殘差網(wǎng)絡(luò)(ResNet)等網(wǎng)絡(luò)結(jié)構(gòu)在調(diào)制識別任務(wù)中的性能，首次提出識別精度不受網(wǎng)絡(luò)深度的限制。文獻(xiàn)[50]使用由兩個(gè)卷積層和三個(gè)全連接層組成的CNN來處理正交頻分多址(Orthogonal Frequency Division Multiple Access,OFDMA)系統(tǒng)中的IQ序列，以實(shí)現(xiàn)對接收信號高魯棒的AMR。此外，文獻(xiàn)[51]消除了OFDM系統(tǒng)中載波相位的有害影響，以進(jìn)一步提高識別的精度。在文獻(xiàn)[52]中，超長IQ序列被劃分為多個(gè)子序列，以適應(yīng)不同的序列長度，并運(yùn)用遷移學(xué)習(xí)來提高再訓(xùn)練效率。文獻(xiàn)[53]研究了在MIMO系統(tǒng)中，使用多個(gè)天線接收的IQ序列的協(xié)作調(diào)制識別，與傳統(tǒng)的專家設(shè)計(jì)特征方法相比，基于CNN的協(xié)同AMR方法具有更好的性能。

Chen等人[54]通過提取AP信息和數(shù)據(jù)增強(qiáng)操作，使得DL模型具有更強(qiáng)的泛化能力和更高的魯棒性。Rajendran等人[55]提出，通過將IQ數(shù)據(jù)轉(zhuǎn)換為AP信息并使用LSTM模型，以實(shí)現(xiàn)良好的識別準(zhǔn)確率，該模型能夠自動從訓(xùn)練數(shù)據(jù)中獲得信號的時(shí)間特征，而無需人工提取專家特征。Zhang等人[56]提出了基于CNN-LSTM的AMR雙流結(jié)構(gòu)，一個(gè)流從原始的IQ信號中提取局部原始時(shí)間特征，另一個(gè)流從AP信息中學(xué)習(xí)空間知識。從兩個(gè)流中訓(xùn)練的特征成對交互，豐富了特征的多樣性，進(jìn)一步提高了模型的性能。Zhang等人[57]提出一種預(yù)處理方法，即通過將輸入數(shù)據(jù)從IQ序列轉(zhuǎn)換為AP序列，并針對此AP序列設(shè)計(jì)了一個(gè)帶有殘余塊的CNN，從而形成了一個(gè)具有高識別精度的AMR系統(tǒng)。文獻(xiàn)[40]提出了用于AMR的CNN模型，其中CNN通過使用IQ數(shù)據(jù)進(jìn)行訓(xùn)練，該方法優(yōu)于基于專家特征的傳統(tǒng)方法。此后，Kulin等人[58]采用CNN模型對接收信號的AP信息進(jìn)行操作，并獲得了輕微的性能改進(jìn)。

1.2.3 圖像表示

得益于DL在CV領(lǐng)域取得了杰出成就，許多研究人員熱衷于將信號識別問題轉(zhuǎn)換為圖像識別問題[59]。Zhang等人[60]提出了一種基于CNN的AMR方法，該方法使用短時(shí)傅里葉變換(Short Time Fourier Transform,STFT)將各種信號轉(zhuǎn)換為時(shí)頻圖像數(shù)據(jù)集。文獻(xiàn)[36]利用平滑偽Wigner-Ville分布和Born Jordan分布將接收到的信號分別轉(zhuǎn)換為二維頻譜相關(guān)函數(shù)圖和星座圖，然后將這些圖像級聯(lián)來生成融合特征。此外，采用CNN分類器以獲得更多的判別表示，從而改善了最終調(diào)制識別性能。Zhang等人[61]提出了一種基于Choi-Williams分布(Choi-Williams Distribution,CWD)的波形盲識別方法，首先將接收到的信號通過CWD轉(zhuǎn)換為二維圖像；然后使用圖像二值化和圖像去噪算法將它們轉(zhuǎn)換成二值圖像。Yan等人[62]提出將接收信號從循環(huán)頻域變換到圖像域，用來表征原始信號的魯棒特征，從而獲得比現(xiàn)有方法更好的識別精度。文獻(xiàn)[63]進(jìn)行了一項(xiàng)實(shí)驗(yàn)，根據(jù)信號的二次和四次方的傅里葉變換的圖像對相移鍵控調(diào)制信號進(jìn)行識別。實(shí)驗(yàn)表明，該方法能夠良好地識別出低階相移鍵控信號。林等人[37]提出了一種利用CNN對接收信號的二維循環(huán)譜圖進(jìn)行識別的方法。

Luan等人[64]提出將柯西分?jǐn)?shù)星座圖作為脈沖噪聲的魯棒性特征，并設(shè)計(jì)了一種基于洗牌單元和選通遞歸單元作為識別器的輕量級結(jié)構(gòu)，該方法在不損失性能的情況下，降低了計(jì)算復(fù)雜度。Wang等人[35]利用在星座圖上訓(xùn)練的CNN來識別前一個(gè)CNN無法區(qū)分的16QAM和64QAM信號。Zhang等人[65]提出一種多尺度CNN用于信號星座圖的調(diào)制識別。為了克服現(xiàn)有成像方案的不足，開發(fā)了卷積灰度圖像。仿真結(jié)果表明，當(dāng)SNR為4 dB時(shí)，平均識別準(zhǔn)確率約為97.7%，優(yōu)于其他方法。Kumar等人[66]提出了基于星座密度矩陣的調(diào)制識別算法，并使用基于經(jīng)典ResNet-50的轉(zhuǎn)移學(xué)習(xí)和Inception V2深度學(xué)習(xí)模型對信號星座密度生成的彩色圖像進(jìn)行訓(xùn)練。文獻(xiàn)[67]使用多個(gè)類似星座的圖像作為數(shù)據(jù)集，并采用經(jīng)典AlexNet和GoogLeNet的轉(zhuǎn)移學(xué)習(xí)進(jìn)行調(diào)制識別。

2 基于DL算法的AMR方法

2.1 基于CNN的AMR方法

典型的CNN結(jié)構(gòu)如圖3所示，輸入是經(jīng)過預(yù)處理后的信號數(shù)據(jù)，輸出是識別結(jié)果。輸入數(shù)據(jù)經(jīng)過若干個(gè)卷積層和池化層后，在全連接層中實(shí)現(xiàn)與輸出目標(biāo)之間的映射[68]。CNN的本質(zhì)上是一種輸入到輸出的映射。只要用已知的模式對CNN加以訓(xùn)練，網(wǎng)絡(luò)就具備了輸入和輸出之間的映射能力，而不需要輸入和輸出之間精確的數(shù)學(xué)表達(dá)式。CNN的核心思想是局部連接、權(quán)值共享、池化操作和多層使用，這使其具有更好的泛化能力和魯棒性，從而易于訓(xùn)練[1]。CNN從最初的2012年AlexNet橫空出世[69]到2014年VGG[70]席卷世界以及2015年ResNet[71]奠定了該領(lǐng)域的霸主地位，網(wǎng)絡(luò)模型變得原來越深，而且也得以證明，越深的網(wǎng)絡(luò)擬合效果越好，但網(wǎng)絡(luò)相應(yīng)的參數(shù)量急速增加。隨后，出現(xiàn)一些以犧牲少的準(zhǔn)確率為代價(jià)的輕量化網(wǎng)絡(luò)以及為完成不同識別任務(wù)而設(shè)計(jì)的組合網(wǎng)絡(luò)，比如分布式學(xué)習(xí)、遷移學(xué)習(xí)和CNN-LSTM等模型，不但降低了參數(shù)量和計(jì)算開銷，同時(shí)也滿足高精度的識別要求。

圖3 CNN的典型結(jié)構(gòu)

Wang等人[35]設(shè)計(jì)了兩個(gè)CNN來識別不同的調(diào)制模式(包括BPSK、QPSK、8PSK、GFSK、CPFSK、PAM4、16QAM和64QAM)，系統(tǒng)結(jié)構(gòu)如圖4所示[35]。

圖4 系統(tǒng)結(jié)構(gòu)

前一個(gè)CNN在IQ采樣信號上進(jìn)行訓(xùn)練，并采用隨機(jī)失活(Dropout)代替池化操作，以獲得更好的性能，但此網(wǎng)絡(luò)只能將QAMs與其他調(diào)制類型區(qū)分開。后一個(gè)CNN在星座圖上進(jìn)行訓(xùn)練，以區(qū)分16QAM和64QAM信號。仿真結(jié)果表明，與基準(zhǔn)方法相比，該方法可以獲得更好的識別準(zhǔn)確率。

Gu等人提出了一種基于兩個(gè)CNN的盲信道識別輔助的廣義AMR方法，其系統(tǒng)架構(gòu)如圖5所示[72]。前一個(gè)CNN在IQ采樣信號上進(jìn)行訓(xùn)練，以區(qū)分盲信道是視距(Line of Sight,LOS)信道還是非視距(Non Line of Sight,NLOS)信道。后一個(gè)CNN分別在LOS和NLOS信道條件下進(jìn)行訓(xùn)練，以識別信號的調(diào)制類型(包括2FSK、DQPSK、16QAM、4PAM、MSK和GMSK)。仿真結(jié)果表明，作者所提出的廣義AMR方法明顯優(yōu)于傳統(tǒng)基于高階累積量的AMR方法。

圖5 盲信道識別輔助的廣泛AMR的系統(tǒng)結(jié)構(gòu)

Zhang等人提出了一種基于CNN的魯棒AMR方法來識別不同的調(diào)制類型(包括FSK、PSK和QAM)，系統(tǒng)結(jié)構(gòu)如圖6所示[73]。CNN在混合SNR數(shù)據(jù)集上進(jìn)行訓(xùn)練，以在不同SNR環(huán)境下提取特征。該方法在混合SNR(范圍為-5～5 dB)下用同一個(gè)CNN識別調(diào)制類型，不僅減少了設(shè)備內(nèi)存還不需要精確的SNR估計(jì)。仿真結(jié)果表明，作者所提出的基于廣義CNN的體系結(jié)構(gòu)比傳統(tǒng)的基于固定CNN的體系結(jié)構(gòu)具有更高的魯棒性。

拉力試驗(yàn)過程中，試驗(yàn)機(jī)下部夾頭夾持夾具保持固定，上部夾頭夾持夾具往+Z方向持續(xù)提拉，使載荷不斷達(dá)到91000 N。

(a) SNR=j dB的樣本訓(xùn)練固定CNN的AMR方法

文獻(xiàn)[9]提出了一種基于循環(huán)熵向量(Cyclic Correntropy Vector,CCV)的長短時(shí)記憶密集連接網(wǎng)絡(luò)(Long Short-term Memory Densely connected network,LSMD)的AMR方法。該方法首先從接收信號中提取包含循環(huán)平穩(wěn)二階特征和高階特征的CCV，然后將提取的CCV特征放入數(shù)據(jù)驅(qū)動的LSMD中，該LSMD是由LSTM和密集網(wǎng)絡(luò)(DenseNet)組成的。文獻(xiàn)[74]所提出的體系結(jié)構(gòu)設(shè)計(jì)為計(jì)算輕量卷積結(jié)構(gòu)，它可以通過降低計(jì)算復(fù)雜度，以考慮認(rèn)知無線電網(wǎng)絡(luò)的實(shí)時(shí)通信，并采用跳連接來提高模型的識別準(zhǔn)確率。Huang等人[75]提出了一種基于網(wǎng)格星座矩陣的AMR方法，該方法將接收信號中提取的網(wǎng)格星座矩陣作為對比全卷積網(wǎng)絡(luò)(Contrast Full Convolution Network,CFCN)的輸入。仿真結(jié)果表明，與現(xiàn)有方法相比，CFCN在訓(xùn)練時(shí)間較短的情況下具有更好的識別精度。Fu等人[76]提出了一種基于模型聚合和輕量化的分布式學(xué)習(xí)的AMR方法。其中，輕量化設(shè)計(jì)采用可分離CNN (Separable-CNN,S-CNN)，該網(wǎng)絡(luò)利用可分離卷積層代替標(biāo)準(zhǔn)卷積層，并切斷大部分全連接的層。仿真結(jié)果表明，與CNN相比，S-CNN的復(fù)雜度降低了90%以上，使得訓(xùn)練效率更高，而識別準(zhǔn)確率降低了不到1%。表3總結(jié)了基于CNN的AMR方法。

表3 基于CNN的AMR方法總結(jié)

2.2 基于RNN的AMR方法

如圖7所示，RNN與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)最大的區(qū)別在于每次都會將前一次的輸出結(jié)果y，帶到本次的隱藏層h中，并于本次輸入數(shù)據(jù)x一起訓(xùn)練,其中，W{Wx,Wh,Wy}表示共享權(quán)重參數(shù)。RNN能夠從輸入信號中學(xué)習(xí)時(shí)序信息，通過參數(shù)共享以降低網(wǎng)絡(luò)規(guī)模和計(jì)算成本。LSTM作為RNN的一種優(yōu)化算法可以保留較長序列數(shù)據(jù)中的重要信息，忽略不重要的信息，從而解決RNN 短期記憶的問題。

圖7 RNN的典型結(jié)構(gòu)

文獻(xiàn)[81]中提出了一種最先進(jìn)的基于LSTM的AMR方法，并將旋轉(zhuǎn)、翻轉(zhuǎn)和高斯噪聲這三種增強(qiáng)方法應(yīng)用于DL算法的訓(xùn)練階段和推理階段。類似地，文獻(xiàn)[82]針對AMR研究了RNN和LSTM。首先，將接收到的信號轉(zhuǎn)換成兩個(gè)歸一化矩陣，作為RNN的輸入。然后，利用四層雙通道LSTM提取IQ信號分量和AP信號分量的序列相關(guān)特征。Zhang等人[83]提出了IQ樣本和調(diào)制信號的四階累積量的組合，然后將組合向量輸入到CNN和LSTM分類器中。文獻(xiàn)[84]提出了卷積長短時(shí)DNN、LSTM和ResNet三種結(jié)構(gòu)，并通過PCA和子采樣技術(shù)最小化訓(xùn)練數(shù)據(jù)集的大小來減少訓(xùn)練時(shí)間，同時(shí)使分類精度損失最小。仿真結(jié)果表明，這三種結(jié)構(gòu)在高SNR下實(shí)現(xiàn)了約90%的分類精度。表4總結(jié)了基于RNN的AMR方法。

表4 基于RNN的AMR方法總結(jié)

2.3 基于NAS的AMR方法

NAS是解放人力的一種新途徑，它可以針對需要解決的問題自動搜索到最佳的網(wǎng)絡(luò)結(jié)構(gòu)。NAS主要分為搜索空間、搜索策略和性能評估策略這三個(gè)維度，如圖8所示。

圖8 NAS方法的概述

NAS的原理是給定一個(gè)稱為搜索空間的候選神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)集合，用某種策略從中搜索出最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)劣即性能用某些指標(biāo)如精度、速度來度量，稱為性能評估[88]。

Wei等人[89]提出將基于可微的NAS方法應(yīng)用于AMR領(lǐng)域。該方法首先在IQ采樣信號上通過梯度下降的方法有效地搜索出基于單元堆疊的最優(yōu)架構(gòu)。然后，在不同SNR環(huán)境下訓(xùn)練搜索到的最優(yōu)網(wǎng)絡(luò)，以準(zhǔn)確識別出BPSK、QPSK、8PSK、16QAM、2FSK、4FSK、8FSK和MSK這8種調(diào)制信號。實(shí)驗(yàn)結(jié)果表明，基于梯度優(yōu)化的網(wǎng)絡(luò)搜索方法比基線網(wǎng)絡(luò)具有更好的識別精度，并且在不失精度的情況下，使用了較少的參數(shù)和內(nèi)存。

Zhang等人[90]提出通過Wigner-Ville分布將信號轉(zhuǎn)換為時(shí)頻圖像，然后通過基于NAS方法搜索到最優(yōu)神經(jīng)網(wǎng)絡(luò)，以識別出不同種類的時(shí)頻圖像。具體來說：首先在時(shí)頻圖像上通過基于單元的搜索空間和基于梯度的搜索策略得到CNN；然后通過性能評估不斷調(diào)整網(wǎng)絡(luò)和參數(shù)，以獲得最優(yōu)的CNN；最后訓(xùn)練搜索到的最優(yōu)的CNN，以準(zhǔn)確識別出Barker、B-FM、LFM、Rect、CPFSK、DSBAM、GFSK和SSB-AM這8種信號。實(shí)驗(yàn)結(jié)果表明，該方法可以在低參數(shù)和浮點(diǎn)運(yùn)算的情況下達(dá)到最優(yōu)的識別精度。

Du等人[91]提出了一種基于可變網(wǎng)絡(luò)NAS的信號識別方法。信號經(jīng)過STFT轉(zhuǎn)換成時(shí)頻圖像，該時(shí)頻圖像作為搜索和訓(xùn)練模型的數(shù)據(jù)集，通過提取信號的時(shí)頻特征對不同的信號進(jìn)行識別。該方法利用“塊單元”結(jié)構(gòu)和基于控制器的RNN,根據(jù)外部環(huán)境自動設(shè)計(jì)模型,特別是，在平衡NAS框架中還提出并使用了一個(gè)平衡函數(shù)，作用于RNN控制器，在搜索理想模型時(shí)考慮驗(yàn)證準(zhǔn)確率和計(jì)算預(yù)算。通過采用漸進(jìn)策略設(shè)計(jì)簡單和復(fù)雜的子模型，從而進(jìn)一步提高搜索過程的效率。實(shí)驗(yàn)結(jié)果表明，固定結(jié)構(gòu)網(wǎng)絡(luò)通常不適用于可變數(shù)據(jù)集，所提出的平衡函數(shù)可以優(yōu)化搜索策略，并且可以找到精度和效率都很高的模型，這優(yōu)于僅使用精度標(biāo)準(zhǔn)搜索到的網(wǎng)絡(luò)模型。所提出的平衡NAS框架的魯棒性和穩(wěn)定性也得到了定量驗(yàn)證。

3 未來研究方向

(1) 信號數(shù)據(jù)集

現(xiàn)有的大部分生成數(shù)據(jù)集是通過模擬真實(shí)環(huán)境得到的，而在實(shí)際通信環(huán)境中,收集/感知獲取可靠的數(shù)據(jù)集樣本比較復(fù)雜，特別是帶有標(biāo)簽的數(shù)據(jù)集。對于深度神經(jīng)網(wǎng)絡(luò)來說，訓(xùn)練樣本通常成本高昂且困難。未來，調(diào)制識別算法需要克服此困難，研究開集識別技術(shù)以識別未知目標(biāo)，研究無監(jiān)督識別技術(shù)以識別非合作通信場景中海量無標(biāo)簽信號樣本，研究針對極少量數(shù)據(jù)的小樣本識別技術(shù)。

(2) DL模型構(gòu)建

DL在圖像、語音等任務(wù)上的成功很大程度上得益于新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的出現(xiàn)，如ResNet、Inception、DensNet等。但是設(shè)計(jì)出高性能的神經(jīng)網(wǎng)絡(luò)需要大量的專業(yè)知識與反復(fù)調(diào)試，成本極高。因此，根據(jù)輸入數(shù)據(jù)自動搜索最優(yōu)且輕量化的神經(jīng)網(wǎng)絡(luò)架構(gòu)值得深入研究探討。此外，DL的“黑箱”特性限制了深入研究模型的運(yùn)行機(jī)理，針對此問題，DL可視化(包括數(shù)據(jù)可視化、網(wǎng)絡(luò)結(jié)構(gòu)可視化和訓(xùn)練過程可視化等)值得深入研究探討。

(3) AMR的應(yīng)用拓展

未來，可以根據(jù)調(diào)制識別獲得的部分信號先驗(yàn)信息，來支撐輻射源個(gè)體識別處理，精準(zhǔn)識別出信號所屬的輻射源，為無線電頻譜監(jiān)測提供重要支撐。此外，通信頻譜逐漸邁向毫米波、太赫茲等高頻段，導(dǎo)致通信頻譜與傳統(tǒng)的雷達(dá)頻譜相重疊。因此，如何識別出通信感知一體化系統(tǒng)中的雷達(dá)信號、通信信號等電磁信號也是一個(gè)重要的研究方向。

4 結(jié)論

DL在AMR領(lǐng)域越來越流行并已取得了杰出的成果。本文介紹了DL模型的基本原理和發(fā)展，并從數(shù)據(jù)集、信號表示和DL算法三個(gè)角度綜述了基于DL的AMR最新研究進(jìn)展。從神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)類型來看，大多數(shù)識別方案將原始數(shù)據(jù)、專家特征和圖像等形式作為網(wǎng)絡(luò)輸入，研究者們設(shè)計(jì)適當(dāng)?shù)木W(wǎng)絡(luò)以充分學(xué)習(xí)信號表示，從而獲得更高的識別準(zhǔn)確率。此外，本文也討論了需要進(jìn)一步深入研究的研究方向和開放性課題。