基于多特征信息的深度學習網絡調制識別算法

張 航，吳泓霖，余 勤，黃承釗，歐陽厚德，雒瑞森

(四川大學 電氣工程學院，四川 成都 610065)

0 引 言

自動調制識別技術是通信過程中進行準確信息提取的基石。在非合作通信中，由于復雜電磁環境的影響和無線電信號調制方式的未知，要想準確地識別無線電信號的調制方式存在巨大的挑戰。當前，調制識別算法主要分為兩大類：基于似然比的方法[1,2]和基于特征的方法[3,4]。這兩類傳統的方法需要較多的先驗知識，嚴重依賴人為設定的閾值，以及受人工特征選取的影響，在未知電磁環境下缺乏魯棒性，應用范圍存在一定的局限性。

如今，隨著深度學習展現出的巨大潛力，大量的研究者開始著手研究基于深度學習的調制識別算法。這類算法可通過神經網絡進行自動特征提取，避免了手工特征提取的繁瑣，且魯棒性較高。為了便于研究的規范以及方便對照各種算法的優劣，文獻[5]公布了一個無線電信號標準數據集RML2016.10a。文獻[6]設計了一種較為簡單的卷積神經網絡來進行調制識別，表現了神經網絡相較于傳統算法的優越性。隨后，文獻[7]設計了一種結合卷積神經網絡和循環神經網絡的模型，實現了更高準確率。而考慮到調制信號內在的時序特性，文獻[8]利用改良后的循環神經網絡—GRU(gated recurrent unit)，也取得了不錯的調制識別效果。文獻[9]將調制信號的瞬時特征輸入到長短期記憶網絡(LSTM)中進行處理，最終可實現0 dB以上，接近90%的準確率。而在復雜電磁環境下，目前這些基于神經網絡的調制識別算法，僅僅利用I/Q信號或者單一瞬時特征，一定程度上限制了模型的性能。因此，為了豐富各種調制信號的特征表達形式和提高算法魯棒性，本文提出了一種基于深度學習的多特征信息調制識別算法，實驗結果表明，所提方法可以得到更高更穩定的調制識別準確率，可行性較高。

1 基于多特征信息的調制識別算法

為了克服通信過程中復雜電磁環境的影響，更加有效地提取調制信號的高階特征，本文提出了一種基于多特征信息的調制識別算法，將I/Q調制信號與瞬時特征信息相結合，豐富了調制信號的有效特征信息，并設計了一種高效的神經網絡模型，以自動提取多種調制信號的隱藏特征，可實現對多種調制信號的高精度識別。

1.1 調制信號模型

由于在現實生活中，大多數有效信息都屬于低頻信息，無法直接作為傳輸信號，為了更有效地遠距離傳輸，需要采用調制技術對基帶信號進行頻譜搬移，保證其穩定高效傳輸。對于接收機所接收到的調制信號模型如下

y(t)=s(t)*h(t)+n(t)

(1)

其中，y(t) 表示實際接收到的I/Q調制信號，s(t) 表示調制后的信號，h(t) 代表信道脈沖響應，n(t) 代表信道中的加性高斯白噪聲。

1.2 基于深度學習網絡的調制識別算法框架

1.2.1 多特征信息結合

調制信號本身蘊含豐富的特征信息，如何挖掘并提取其有效信息是非常關鍵的步驟。而傳統的專家特征提取方法是對原始信號進行一系列的數學運算，最終得到對應的特征值，再對特征值進行分析，這些特征差異性較明顯，可看作對該信號的高度凝練，但在復雜的電磁環境下以及各種信道干擾的影響下，容易出現與理想條件計算結果存在較大差異的情況，導致調制類型識別困難。而調制信號的瞬時幅度和相位值，計算簡單且含有豐富信息，因此，為了更加充分地挖掘I/Q調制信號的特征，以及避免經過多次復雜計算而造成的有效信息丟失，本文提出將調制信號的瞬時幅度和相位值與原始I/Q信號相結合，再送入神經網絡進行自動特征提取以提高各種調制方式的識別率。本文提出的調制識別算法處理步驟如圖1所示。首先將I/Q調制信號進行瞬時特征提取，包括瞬時幅度和瞬時相位值。由于I/Q調制信號分為I、Q兩路正交信號，令I通道信號為x(t)，Q通道信號為y(t)，則瞬時幅度A(t)和瞬時相位P(t)可由以下公式所得

(2)

(3)

然后將得到的瞬時幅度和相位值進行歸一化處理，再將原始I/Q信號和瞬時特征值進行拼接融合。其中原始I/Q信號維度為2*N, 2代表I路和Q路，N代表采樣點數，融合瞬時幅度和相位信息后的數據維度變為4*N。再將其輸入到設計好的神經網絡模型，以提取不同類型調制信號潛在的特征信息，最后得到該信號所屬每一類的概率分布，概率值最大的那一類則為最終調制類型識別結果。

1.2.2 基于深度學習的調制識別模型

一直以來，許多相關研究者都致力于探究設計一種高效的神經網絡模型，對無線電信號進行特征提取并完成識別任務。出色的網絡模型在調制識別任務中扮演著重要的角色。本文提出的模型包括兩部分，通過將Attention-SCNN和引入注意力機制的雙向LSTM(BiLSTM)相級聯,以期望模型從多方位、多維度提取調制信號內部的時空特征信息。

Attention-SCNN：經過多特征信息的融合之后，原始信號數據從I/Q雙通道數據擴展到了I/Q信號和瞬時特征結合的多維信息4*N，使得調制信號特征信息更加豐富，便于神經網絡模型提取更多有用的特征，實現復雜電磁環境下對多種調制信號的高精度識別。融合后的數據首先輸入到本文所設計的Attention-SCNN結構，如圖2所示，它主要由若干個深度可分離卷積塊(SepaConvBlock)和一個逐點卷積層構成，其中SepaConvBlock內部結構如圖2(b)所示。為了減少模型的參數量，提高網絡特征提取的效率，在SepaConvBlock中，我們以深度可分離卷積層[10]為基礎層，相比于普通卷積，其卷積過程如圖3所示，主要分為深度卷積和逐點卷積兩步，其在輕量化網絡結構中被廣泛使用[11,12]。

在SepaConvBlock結構中，首先利用1*1卷積層實現跨通道的交互與信息整合，并控制通道數量，然后再通過批歸一化[13]，緩解內部數據分布偏移的影響并加速網絡訓練。接下來將批歸一化的結果輸入到兩個深度可分離卷積層中，其中卷積核尺寸為2*2，輸出通道數為32。考慮到特征映射圖的不同通道的影響不一致，為了進一步提升有用信息的利用率和網絡性能，還引入了通道注意力機制[14]。其主要通過對通道間的依賴關系進行建模，以自適應調整每個通道之間的特征響應值。這種注意力機制的實現如圖4所示，主要包括壓縮(Squeeze)和激勵(Excitation)兩部分，壓縮部分是利用全局平均池化技術(GAP)，將特征映射U壓縮到通道描述符z∈Rc,z的第c個元素zc可以通過以下公式計算

(4)

其中， Fsq(uc) 代表對第c個通道的特征映射uc進行壓縮操作，H代表通道的高度，W代表通道的寬度。

時序特征提取：由于調制信號本身屬于時序信號，而循環神經網絡在時序數據處理方面取得了巨大成功和廣泛應用。因此，為了進一步提取調制信號潛在的時序特征，在本文所設計的模型中，還引入了優化后的循環神經網絡——LSTM，其主要采用門控機制，可選擇性地記憶有效的信息，可以有效解決神經網絡中長序列依賴問題。在本文提出的模型中，通過將Attention-SCNN的輸出送入到BiLSTM，其節點數為64，使得網絡可以提取數據過去和未來的關聯信息，捕獲更加全面的時序特征。而BiLSTM中存儲有大量的信息，為了降低冗余信息的影響，使得模型關注更有效的特征信息，我們還在LSTM中添加了注意力機制[16]，以期望能過濾掉不相關的信息，提升模型的效率。其實現主要是提取位于BiLSTM中間的輸出向量，再利用全連接層作為投影，得到查詢向量，然后與輸出做點積操作，再利用Softmax函數進行歸一化操作，得到注意力權重向量。最后將該注意力分布值與BiLSTM的輸出做點積操作，得到最終的特征向量。接下來，再利用兩個全連接層，將該特征向量映射到容易分離的假設空間，其中激活函數采用“Relu”，并添加Dropout[17]策略，防止過擬合現象出現。最后再利用一個節點個數為需要識別的調制類型數量的全連接層，其激活函數采用“Softmax”，得到調制信號對應于每一種類的概率分布，其中最大值所對應的類別即為識別結果。

2 實驗結果分析

本文以無線電調制信號標準數據集RML2016.10a[5]為研究對象，將提出的調制識別算法與其它相關文獻進行了對比，分析了不同算法在不同信噪比下的調制識別準確率，還探討了網絡深度對實驗結果的影響，并對比了添加瞬時特征與不添加瞬時特征對實驗的影響，實驗結果表明了本文提出算法的有效性。

2.1 實驗數據

在本文的實驗中，采用的是2016年公開的由GNU Radio軟件生成的標準數據集RML2016.10a，一共包括11類常見的調制信號，如：8PSK、AM-SSB、AM-DSB、BPSK、CPFSK、GFSK、PAM4、16QAM、64QAM、WBFM 和QPSK。每種調制類型的信噪比分布在-18 dB～20 dB區間, 每種信噪比下的每一類調制信號數量為1000條，信號樣本尺寸為2*128，一共220 000條樣本。在樣本生成過程，除加入噪聲外，還考慮了多徑衰落、采樣率偏移和頻率偏移等信道傳輸影響，以模擬真實的通信環境，具備較高的研究價值。

2.2 實驗設置

2.3 結果與討論

為了對比評估本文所提出的算法，我們與之前流行的算法[6-9]進行了對比，分別名為VTCNN2、CLDNN、GRU2、LSTM-AP。對于整個實驗，本文主要討論了不同信噪比條件下、不同調制類型的識別準確率，還分析了SepaConvBlock個數對識別效果的影響，并比較了不添加瞬時特征和融合瞬時特征的識別效果，從多方面、多角度分析說明了所提出算法的優良性。

2.3.1 不同信噪比下準確率對比

圖5顯示了不同算法在不同信噪比條件下的識別準確率。由于在低信噪比階段，調制信號受噪聲干擾較大，信號失真嚴重，本文提出的算法準確率與其它算法準確率相當。當信噪比高于0 dB時，所提算法識別準確率明顯高于其它幾種算法，0 dB～18 dB平均準確率達到91.5%，同比提升1.1%～17.7%，見表1。當信噪比大于4 dB時，識別準確率均高于92%，最高可達到93%，說明了本文提出算法的穩健性。這是因為，該算法從調制信號本身出發，充分考慮到其多種特征表達形式，將簡單但信息量豐富的瞬時特征和I/Q數據結合，并利用卷積神經網絡和循環神經網絡各自的優點，從時序和空間維度，多方位有效提取每種調制類型的潛在特征，繼而實現了對多種調制信號的高精度識別。

表1 0 dB～18 dB信噪比區間的不同算法 平均識別準確率/%

2.3.2 模型效果的混淆矩陣對比

圖6展現了其它各種調制識別模型在SNR=4dB時生成的混淆矩陣。其橫軸代表預測的調制類型，縱軸代表真實的調制類型，對角線表示每一種調制種類的識別準確率，顏色越深，表示準確率越高。可以發現，對于所有模型來說，其中最難區分的兩類調制方式是AM-DSB和WBFM，這是因為它們都屬于模擬調制方式，是通過采樣模擬聲音信號產生的，而該聲信號存在靜默期，使得識別困難加劇。而對于16QAM和64QAM,它們同屬于正交幅度調制，具有重疊的星座映射形式，這使得模型在較低信噪比識別時具有一定難度。從圖6可以發現，相比于其它算法，本文模型可以較大程度緩解這一問題，降低對這兩類調制方式的識別混淆難度，提升了對多進制正交幅度調制(MQAM)的識別精度，說明了所提算法具有較高魯棒性，可有效提升調制識別任務的性能。

當信噪比處于較高階段時，調制信號所蘊含的特征更加清晰，使得模型提取更加容易。表2反映了各種算法在高信噪比18 dB時,對每一種調制類型的具體識別準確率。當SNR=18dB本文所提算法所實現的平均準確率相比較高，達到92.7%，而對于調制識別較困難的類型，如16QAM、64QAM、WBFM等類型，所提出模型實現的準確率也都達到了最高，且都具有明顯的提升幅度。這些結果表明了本文算法的優越性，說明了結合多特征信息，并有效挖掘調制信號內部的時序和空間特征，可以提升調制識別任務的效果，提高對某些容易混淆的調制類別的識別準確率。

2.3.3 融合瞬時特征與不加瞬時特征的效果對比

為了探究瞬時特征在調制識別任務中所起到的作用，本文主要是通過改變輸入數據的形式以進行對比實驗。即直接將I/Q信號送入所設計的網絡中進行調制識別，以及將瞬時特征與I/Q信號合并后再送入相同的網絡進行調制識別。從圖7(其中Our_features代表添加了瞬時特征的效果，Our_non_features代表不加瞬時特征的效果)可以看出，在0 dB～18 dB之間，融合了瞬時特征后的調制識別準確率高于直接將I/Q信號送入模型進行識別的準確率。它揭示了多特征信息的結合對于自動調制識別的有效性，也反映了I/Q信號本身所攜帶的潛在特征對于調制識別可能存在一定的欠缺。將I/Q信號與瞬時特征的結合，豐富了每一種調制方式的特征表示形式，便于神經網絡理清每種調制方式的內在關系，從而提升調制識別的準確率。

2.3.4 SepaConvBlock個數對實驗結果的影響

在深度學習領域，神經網絡模型性能通常會受到網絡深度的影響。因此，為了探究網絡深度對自動調制識別的影響，本文主要通過改變模型中所設計的SepaConvBlock數量來控制網絡深度。從圖8可以看出，在0 dB～18 dB之間,隨著SepaConvBlock個數的變化，模型的識別準確率總

表2 當SNR=18 dB,不同算法對于每種調制 類型的識別準確率/%

體呈先上升后下降的趨勢。當SepaConvBlock數量為4時，0 dB～18 dB平均準確率達到最高，為91.5%(本文其它未特加說明的地方，模型中的SepaConvBlock個數都為4)。這說明了網絡深度對調制識別具有一定的影響，但過于復雜的模型可能會造成過擬合現象的出現，在設計模型時應當合理控制模型容量。

3 結束語

本文提出了一種結合多特征信息的調制識別算法，從調制信號本身出發，將調制信號的瞬時幅度和瞬時相位與I/Q信號相結合，豐富了每一種調制方式的數據表示形式，可實現不同類型數據特征之間的互補。還設計了一個基于深度可分離卷積塊和LSTM的高效網絡結構，并引入了注意力機制，有利于挖掘調制信號內部潛在的時空特征。通過在標準數據集上的實驗，表明了本文所提算法的優越性，說明了對于調制識別任務，特別是在受到各種干擾條件下，多類型數據源可以給模型提供多種觀察視圖，降低調制識別的難度。而結合網絡特性，設計一種較好的模型結構對于調制識別也是至關重要的。

總的來說，當前調制識別領域還存在很多亟待解決的問題，例如低信噪比下，如何提高調制識別的準確率，以及在調制信號存在一定程度混疊時，如何準確識別其調制方式都是值得進一步研究的。