基于信噪比分類(lèi)網(wǎng)絡(luò)的調(diào)制信號(hào)分類(lèi)識(shí)別算法

郭業(yè)才 姚文強(qiáng)

(南京信息工程大學(xué)電子與信息工程學(xué)院 南京 210044)

1 引言

自動(dòng)調(diào)制分類(lèi)(Automatic Modulation Classification, AMC)是一種在不知道接收信號(hào)調(diào)制類(lèi)型的情況下，自動(dòng)對(duì)信號(hào)調(diào)制類(lèi)型進(jìn)行分類(lèi)的過(guò)程。AMC在民用和軍事實(shí)際應(yīng)用中發(fā)揮著重要作用[1]。隨著調(diào)制技術(shù)的發(fā)展和信道的不斷變換，AMC面臨著信號(hào)調(diào)制類(lèi)型種類(lèi)繁多、信號(hào)受噪聲影響大、數(shù)據(jù)量大、識(shí)別準(zhǔn)確率低等問(wèn)題，這對(duì)信號(hào)調(diào)制識(shí)別方法提出了更高的要求。

傳統(tǒng)調(diào)制方式識(shí)別方法包括基于最大似然(Likelihood-Based, LB)的識(shí)別方法和基于特征提取(Feature-Based, FB)的識(shí)別方法。LB方法使用概率模型，借助假設(shè)檢測(cè)理論和決策準(zhǔn)則方法來(lái)實(shí)現(xiàn)調(diào)制信號(hào)的分類(lèi)。LB方法對(duì)調(diào)制信號(hào)有較好的識(shí)別率，但是其復(fù)雜程度很高，局限性較大[2]。FB方法通過(guò)提取接收信號(hào)的瞬時(shí)特征[3]、高階累積量[4]、循環(huán)譜特征[5]、時(shí)頻信息[6]等特征，用分類(lèi)器進(jìn)行識(shí)別分類(lèi)。FB方法能夠有效地降低算法的復(fù)雜度。但不論是LB方法還是FB方法都需要大量的先驗(yàn)條件的支持，對(duì)于先驗(yàn)條件不足的調(diào)制信號(hào)，識(shí)別率則會(huì)大大降低。如何降低算法復(fù)雜度和找到更多更有效的先驗(yàn)條件來(lái)提高識(shí)別率成了許多學(xué)者的研究?jī)?nèi)容。

近年來(lái)，深度學(xué)習(xí)的方法已經(jīng)廣泛應(yīng)用于圖像處理[7]和語(yǔ)音識(shí)別[8]等領(lǐng)域。基于深度學(xué)習(xí)的調(diào)制類(lèi)型識(shí)別方法也取得了很好的效果，如基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)的調(diào)制識(shí)別[9]、基于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)的調(diào)制識(shí)別[10]等。相比于傳統(tǒng)調(diào)制方式識(shí)別方法，深度學(xué)習(xí)可以自主地進(jìn)行特征提取，省去了對(duì)信號(hào)預(yù)處理的復(fù)雜步驟。文獻(xiàn)[11]通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)樣本信號(hào)自動(dòng)提取特征，證實(shí)了卷積神經(jīng)網(wǎng)絡(luò)相比于專(zhuān)家特征進(jìn)行樣本信號(hào)識(shí)別更加簡(jiǎn)單、高效。但卷積神經(jīng)網(wǎng)絡(luò)不能提取時(shí)間特征信號(hào)，識(shí)別精度還有很大的提升空間。文獻(xiàn)[12]將樣本信號(hào)的I/Q分量轉(zhuǎn)換為星座圖，并輸入到深層卷積神經(jīng)網(wǎng)絡(luò)中識(shí)別，信號(hào)的識(shí)別準(zhǔn)確率得到較大提升，但星座圖轉(zhuǎn)換算法和深度卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜度過(guò)高。文獻(xiàn)[13]使用循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)串聯(lián)的網(wǎng)絡(luò)，彌補(bǔ)了卷積神經(jīng)網(wǎng)絡(luò)只能提取樣本信號(hào)空間特征的短板，但未使用降噪算法對(duì)信號(hào)進(jìn)行處理。文獻(xiàn)[14]使用深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network, DNN)對(duì)樣本信號(hào)進(jìn)行處理，該算法對(duì)信號(hào)分類(lèi)也有較好的準(zhǔn)確率，但由于隱藏層和神經(jīng)元的數(shù)量過(guò)多，也存在復(fù)雜度高的問(wèn)題。

針對(duì)以上問(wèn)題，本文提出一種分類(lèi)降噪的調(diào)制信號(hào)分類(lèi)識(shí)別算法。通過(guò)信噪比分類(lèi)網(wǎng)絡(luò)對(duì)樣本信號(hào)進(jìn)行高低信噪比分類(lèi)，低信噪比信號(hào)采用改進(jìn)中值濾波算法降噪。將降噪完畢的低信噪比信號(hào)與高信噪比信號(hào)輸入到并聯(lián)卷積長(zhǎng)短時(shí)(Convolutional neural network and Long-short term memory Parallel, P-CL)網(wǎng)絡(luò)中進(jìn)行信號(hào)識(shí)別。本文的主要工作為：提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的信噪比分類(lèi)網(wǎng)絡(luò)，對(duì)其中的K-means算法初始點(diǎn)的確定進(jìn)行改進(jìn)，提高高低信噪比信號(hào)分類(lèi)的精確度；對(duì)中值濾波算法進(jìn)行改進(jìn)，通過(guò)增加采樣窗口的關(guān)聯(lián)機(jī)制，改善中值濾波算法處理連續(xù)噪聲效果不佳的問(wèn)題；提出了一種CNN網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Long-Short Term Memory, LSTM)并聯(lián)的P-CL網(wǎng)絡(luò)，充分提取樣本信號(hào)的空間特征和時(shí)間特征信息，改善傳統(tǒng)網(wǎng)絡(luò)對(duì)信號(hào)樣本的特征提取不全的問(wèn)題，而且P-CL網(wǎng)絡(luò)相較于傳統(tǒng)的CNN-LSTM網(wǎng)絡(luò)訓(xùn)練時(shí)間也有很大的提升。通過(guò)實(shí)驗(yàn)，本文提出P-CL網(wǎng)絡(luò)(不包括信噪比分類(lèi)模塊和去噪模塊)識(shí)別準(zhǔn)確率為86%，相對(duì)于性能最好的CNN-LSTM網(wǎng)絡(luò)提高了4%。

2 調(diào)制信號(hào)模型

信號(hào)調(diào)制技術(shù)在無(wú)線通信系統(tǒng)中發(fā)揮著十分重要的作用。無(wú)線通信系統(tǒng)由發(fā)射器、信道和接收器組成，如圖1所示。接收器接收到的信號(hào)可用式(1)表示

其中，α(t)表示瑞利衰落信道，f0和?0(t)表示頻率和相位偏移，它們分別由不同的本地振蕩器和多普勒效應(yīng)引起。

3 基于信噪比分類(lèi)網(wǎng)絡(luò)的調(diào)制類(lèi)型識(shí)別算法

基于信噪比分類(lèi)網(wǎng)絡(luò)的調(diào)制類(lèi)型識(shí)別算法包括預(yù)處理模塊、信噪比分類(lèi)模塊和調(diào)制類(lèi)型識(shí)別模塊，整體網(wǎng)絡(luò)架構(gòu)如圖2所示。

3.1 信噪比分類(lèi)網(wǎng)絡(luò)

3.1.1 信噪比分類(lèi)網(wǎng)絡(luò)架構(gòu)

信噪比分類(lèi)網(wǎng)絡(luò)由輸入層、卷積神經(jīng)網(wǎng)絡(luò)層、全連接層和輸出層組成，網(wǎng)絡(luò)架構(gòu)如圖3所示。信噪比分類(lèi)網(wǎng)絡(luò)以信噪比為標(biāo)簽，對(duì)信號(hào)樣本進(jìn)行訓(xùn)練。其中信噪比分類(lèi)網(wǎng)絡(luò)的訓(xùn)練優(yōu)化函數(shù)可用式(4)表示

3.1.2 FK-means算法

K-means算法[15]是根據(jù)“物以類(lèi)聚”的原理，將本身沒(méi)有類(lèi)別的樣本聚集成不同的組，這樣的一組數(shù)據(jù)對(duì)象稱(chēng)為簇，并且對(duì)每一個(gè)這樣的簇進(jìn)行標(biāo)記。傳統(tǒng)的K-means算法在信號(hào)樣本中隨機(jī)確定K個(gè)初始聚類(lèi)中心點(diǎn)，通過(guò)計(jì)算其余樣本信號(hào)與初始聚類(lèi)中心點(diǎn)的位置，把每個(gè)樣本信號(hào)分配到最相似的簇中，再計(jì)算每個(gè)簇的聚類(lèi)中心點(diǎn)。樣本信號(hào)的分配按照最小距離原則，最小距離公式可用式(5)表示

重復(fù)上述過(guò)程，直到樣本信號(hào)收斂，即收斂函數(shù)的值達(dá)到最小。收斂函數(shù)可用式(6)表示

K-means算法中，初始聚類(lèi)中心點(diǎn)的位置選擇對(duì)最后的聚類(lèi)效果和訓(xùn)練時(shí)間有很大影響。傳統(tǒng)的K-means算法完全隨機(jī)選擇聚類(lèi)中心點(diǎn)會(huì)導(dǎo)致算法收斂變慢，甚至陷入局部收斂。本文改進(jìn)了K-means算法，對(duì)初始聚類(lèi)中心點(diǎn)的確定做了調(diào)整，F(xiàn)Kmeans算法的K個(gè)初始聚類(lèi)中心點(diǎn)確定方法如下：

(1)從信號(hào)樣本中隨機(jī)選擇一個(gè)樣本信號(hào)作為初始聚類(lèi)中心點(diǎn)μ1；

(2)計(jì)算其余樣本信號(hào)與μ1的距離；

(3)選擇一個(gè)新的樣本信號(hào)作為初始聚類(lèi)中心點(diǎn)，選擇原則可用式(7)表示

(4)重復(fù)步驟(2)和步驟(3)，直到選出K個(gè)初始聚類(lèi)中心點(diǎn)。

3.2 改進(jìn)中值濾波算法

中值濾波算法[16]是一種非線性平滑技術(shù)，該算法的基本原理是把數(shù)字序列中一點(diǎn)的值用該點(diǎn)的一個(gè)鄰域中各點(diǎn)值的中值代替，從而達(dá)到消除噪聲的目的。中值濾波的滑動(dòng)窗口通常選為奇數(shù)，本文選用1×3的滑動(dòng)窗口。當(dāng)滑動(dòng)窗口n=2k+1時(shí)，中值濾波器的輸入與輸出關(guān)系可表示為

傳統(tǒng)的中值濾波算法在滑動(dòng)窗口較小，又遇到連續(xù)噪聲時(shí)，很容易將噪聲信號(hào)作為中值，導(dǎo)致降噪能力下降。本文提出一種改進(jìn)算法，在進(jìn)行中值濾波時(shí)，將本窗口的中值與上一個(gè)窗口的中值進(jìn)行對(duì)比，如果兩者差距超過(guò)設(shè)定的閾值，則把上一個(gè)窗口的中值作為本窗口的中值，從而改善傳統(tǒng)中值濾波去除連續(xù)噪聲效果不佳的問(wèn)題。

3.3 P-CL網(wǎng)絡(luò)架構(gòu)

3.3.1 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)

長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)是RNN的一種特殊形式，通過(guò)在RNN中加入記憶模塊，解決RNN無(wú)法學(xué)習(xí)某一時(shí)刻時(shí)間的前后關(guān)聯(lián)性而導(dǎo)致的梯度消失等問(wèn)題。

LSTM網(wǎng)絡(luò)[17]由記憶單元、輸入門(mén)、輸出門(mén)和遺忘門(mén)組成，如圖4所示。輸入門(mén)控制輸入值的更新單元狀態(tài)，輸出門(mén)控制儲(chǔ)存單元中用于計(jì)算LSTM單元輸出激活程度的數(shù)值，遺忘門(mén)控制信息的傳遞或丟棄，最終輸出由輸出門(mén)和單元狀態(tài)決定。

如圖4所示，LSTM網(wǎng)絡(luò)的工作過(guò)程為：輸入信號(hào)樣本輸入至LSTM網(wǎng)絡(luò)中，LSTM網(wǎng)絡(luò)用兩個(gè)門(mén)來(lái)控制單元狀態(tài)C，一個(gè)為遺忘門(mén)，另一個(gè)為輸入門(mén)。在遺忘門(mén)中，當(dāng)輸入新的信息時(shí)，如需遺忘舊的信息，則需要遺忘門(mén)來(lái)完成。遺忘門(mén)是LSTM單元的關(guān)鍵部分，遺忘門(mén)決定LSTM網(wǎng)絡(luò)從上一時(shí)刻的細(xì)胞狀態(tài)Ct-1中丟棄的信息。該門(mén)讀取上一刻LSTM的輸出值ht-1和當(dāng)前時(shí)刻LSTM的輸入值xt，然后通過(guò)sigmoid函數(shù)將其映射為0～1的數(shù)值，與上一時(shí)刻的細(xì)胞狀態(tài)Ct-1相乘，決定Ct-1該丟棄什么樣的信息。輸入門(mén)則用于控制網(wǎng)絡(luò)當(dāng)前時(shí)刻LSTM的輸入xt有多少可以保存在Ct中。其中，遺忘門(mén)的輸出ft可由式(9)表示

3.3.2 P-CL網(wǎng)絡(luò)

P-CL網(wǎng)絡(luò)是卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)并聯(lián)的深層網(wǎng)絡(luò)結(jié)構(gòu)，P-CL的網(wǎng)絡(luò)架構(gòu)如圖5所示。它由3層卷積神經(jīng)網(wǎng)絡(luò)和兩層長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)組成，卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)分別提取樣本信號(hào)的空間特征和時(shí)間特征，通過(guò)全連接層進(jìn)行特征融合，以緩解梯度消失問(wèn)題，提高分類(lèi)準(zhǔn)確率。

4 實(shí)驗(yàn)與結(jié)果分析

4.1 數(shù)據(jù)集選擇

本文的實(shí)驗(yàn)使用文獻(xiàn)[18]提供的數(shù)據(jù)集RML-2016.10a作為輸入，該數(shù)據(jù)集在研究調(diào)制信號(hào)分類(lèi)算法中常被使用。圖6展示了部分調(diào)制信號(hào)中每個(gè)信號(hào)樣本與振幅之間關(guān)系的I/Q波形。

該數(shù)據(jù)集共有11種調(diào)制類(lèi)型，分別為AM-DSB,AM-SSB, WBFM, 8PSK, QPSK, BPSK, CPFSK,GFSK, PAM4, QAM16, QAM64。數(shù)據(jù)集通過(guò)復(fù)雜信道后由GUN Radio生成，符合實(shí)際場(chǎng)景中的無(wú)線通信環(huán)境。數(shù)據(jù)集的具體參數(shù)如表1所示。

表1 RML2016.10a數(shù)據(jù)集的相關(guān)參數(shù)

將數(shù)據(jù)集RML2016.10a中80%的樣本信號(hào)設(shè)置為訓(xùn)練集，20%的樣本信號(hào)設(shè)置為測(cè)試集。訓(xùn)練集用于訓(xùn)練信噪比分類(lèi)網(wǎng)絡(luò)和P-CL網(wǎng)絡(luò)，測(cè)試集用于評(píng)價(jià)本文模型的性能。所有的訓(xùn)練和測(cè)試都基于Nvidia GTX 1080Ti GPU完成，使用Python軟件進(jìn)行網(wǎng)絡(luò)搭建。

4.2 網(wǎng)絡(luò)參數(shù)設(shè)置

4.2.1 信噪比分類(lèi)網(wǎng)絡(luò)參數(shù)設(shè)置

信噪比分類(lèi)網(wǎng)絡(luò)由2層卷積層、1層全連接層和1層輸出層構(gòu)成，兩層卷積層中均含有128個(gè)卷積核，其大小分別為1×3, 2×3。卷積層使用線性整流函數(shù)(Rectified Linear Unit, ReLU)作為激活函數(shù)，第1層全連接層含有256個(gè)神經(jīng)元，使用ReLU作為激活函數(shù)，輸出層有20個(gè)神經(jīng)元，使用Softmax函數(shù)進(jìn)行分類(lèi)輸出。

4.2.2 P-CL網(wǎng)絡(luò)參數(shù)設(shè)置

P-CL網(wǎng)絡(luò)共由3層卷積層、2層LSTM層、1層全連接層和1層輸出層組成。第1、第2層卷積層分別含有256個(gè)卷積核，其大小分別為1×3, 2×3。第3層卷積層含有128個(gè)卷積核，其大小為1×3。卷積層都使用ReLU作為激活函數(shù)，采用Adam優(yōu)化器。兩層LSTM層均采用100個(gè)計(jì)算單元。第1層全連接層含有128個(gè)神經(jīng)元，使用ReLU作為激活函數(shù)，輸出層有11個(gè)神經(jīng)元，輸出層使用Softmax函數(shù)進(jìn)行分類(lèi)輸出。在訓(xùn)練過(guò)程中，為避免過(guò)度擬合設(shè)置丟棄因子(Dropout)為0.5。

4.3 實(shí)驗(yàn)與結(jié)果分析

4.3.1 信噪比分類(lèi)網(wǎng)絡(luò)邊界確定

信噪比分類(lèi)網(wǎng)絡(luò)的步驟如下：

(1)數(shù)據(jù)集RML2016.10a作為輸入，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)提取樣本信號(hào)的特征。

(2)設(shè)置FK-means算法的聚類(lèi)數(shù)k=2，對(duì)提取的樣本特征進(jìn)行分類(lèi)。

(3)對(duì)數(shù)據(jù)集RML2016.10a以–20 dB為界進(jìn)行分類(lèi)，并標(biāo)記小于等于–20 dB的樣本信號(hào)為1，大于–20 dB的樣本信號(hào)為2。

(4)以信噪比為標(biāo)簽，對(duì)聚類(lèi)生成的樣本信號(hào)和人工分類(lèi)的樣本信號(hào)進(jìn)行對(duì)比。獲取以–20 dB為分類(lèi)邊界的分類(lèi)準(zhǔn)確率，其中分類(lèi)準(zhǔn)確率的計(jì)算公式可用式(15)表示

其中，Sum為兩個(gè)信號(hào)樣本中都有的信噪比標(biāo)簽，N為樣本信號(hào)的樣本總數(shù)。

(5)選取其余信噪比作為分類(lèi)邊界，重復(fù)步驟(3)和步驟(4)的過(guò)程，獲得最優(yōu)的信噪比分類(lèi)邊界。

通過(guò)實(shí)驗(yàn)，得出數(shù)據(jù)集RML2016.10a的信噪比分類(lèi)準(zhǔn)確率如圖7所示。由圖7可知最優(yōu)信噪比分類(lèi)邊界為–4 dB。

4.3.2 分類(lèi)降噪實(shí)驗(yàn)

為測(cè)試分類(lèi)降噪對(duì)調(diào)制信號(hào)識(shí)別準(zhǔn)確率的影響，對(duì)數(shù)據(jù)集RML2016.10a中的信號(hào)分別做未降噪(P-CL)、全部降噪和分類(lèi)降噪(SNR+MF+P-CL)處理，其中全部降噪分別用改進(jìn)中值濾波算法(MF+P-CL)和傳統(tǒng)中值濾波算法(TMF+P-CL)處理，實(shí)驗(yàn)結(jié)果如圖8所示。

通過(guò)圖8可以看出，改進(jìn)中值濾波算法的識(shí)別準(zhǔn)確率高于傳統(tǒng)的中值濾波算法。對(duì)比分類(lèi)降噪和改進(jìn)中值濾波算法降噪可以看出，降噪算法對(duì)高信噪比信號(hào)進(jìn)行降噪處理時(shí)，部分有用信號(hào)也被濾除的原因，分類(lèi)降噪的識(shí)別準(zhǔn)確率高于改進(jìn)中值濾波算法降噪的識(shí)別準(zhǔn)確率。實(shí)驗(yàn)表明，分類(lèi)降噪的識(shí)別準(zhǔn)確率最高，為91%。同時(shí)改進(jìn)中值濾波算法降噪的識(shí)別準(zhǔn)確率為88%，高于傳統(tǒng)中值濾波算法降噪的86%的識(shí)別準(zhǔn)確率，說(shuō)明改進(jìn)中值濾波算法對(duì)低信噪比信號(hào)降噪有更好的效果。

為明確影響降噪信號(hào)與未降噪信號(hào)影響信號(hào)分類(lèi)準(zhǔn)確率的因素，使用全部降噪(MF+P-CL)信號(hào)和未降噪(P-CL)信號(hào)的混淆矩陣來(lái)觀察在SNR=–6 dB和SNR=10 dB下的各個(gè)調(diào)制信號(hào)的分類(lèi)精度。如圖9所示。

通過(guò)圖9(a)和圖9(b)可知，改進(jìn)的中值濾波算法對(duì)樣本信號(hào)的降噪效果明顯，降噪之后的各類(lèi)信號(hào)相較于未去噪的信號(hào)的識(shí)別率明顯提高。對(duì)比圖9(c)和圖9(d)可知，在高信噪比的條件下，對(duì)樣本信號(hào)進(jìn)行降噪反而會(huì)影響部分類(lèi)型調(diào)制信號(hào)的識(shí)別率，正交振幅調(diào)制(Quadrature Amplitude Modulation, QAM)信號(hào)和寬帶調(diào)頻(Wide Band Frequency Modulation, WBFM)信號(hào)識(shí)別準(zhǔn)確率有所下降。通過(guò)對(duì)比混淆矩陣進(jìn)一步驗(yàn)證了分類(lèi)降噪方法的有效性。

4.3.3 P-CL網(wǎng)絡(luò)對(duì)比實(shí)驗(yàn)

在本節(jié)實(shí)驗(yàn)中，將P-CL網(wǎng)絡(luò)與CNN[19], CNNLSTM[20], ResNet[13], DenseNet[14]和與K-means算法原理相仿的K最鄰近(K-Nearest Neighbor, KNN)分類(lèi)算法[21]進(jìn)行對(duì)比實(shí)驗(yàn)。信號(hào)識(shí)別準(zhǔn)確率如圖10所示。

通過(guò)圖10可知，由于KNN不適合處理大規(guī)模的數(shù)據(jù)，信號(hào)識(shí)別準(zhǔn)確率最差，識(shí)別準(zhǔn)確率只有69%；CNN網(wǎng)絡(luò)在處理時(shí)間信號(hào)數(shù)據(jù)時(shí)表現(xiàn)不佳，識(shí)別準(zhǔn)確率僅有74%，明顯低于除KNN之外的網(wǎng)絡(luò)模型；ResNet, DenseNet網(wǎng)絡(luò)模型可以緩解梯度消失問(wèn)題，同時(shí)促進(jìn)特征的重復(fù)利用，但不能充分提取樣本信號(hào)的時(shí)間和空間特征，識(shí)別準(zhǔn)確率分別為80%, 82%，均低于P-CL網(wǎng)絡(luò)模型；CNN-LSTM網(wǎng)絡(luò)模型與P-CL網(wǎng)絡(luò)模型有相似的網(wǎng)絡(luò)結(jié)構(gòu)，識(shí)別準(zhǔn)確率在對(duì)比網(wǎng)絡(luò)中最高，為83%；P-CL網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率為86%，均優(yōu)于對(duì)比實(shí)驗(yàn)?zāi)Ｐ汀?/p>

同時(shí)，本次實(shí)驗(yàn)通過(guò)比較網(wǎng)絡(luò)的訓(xùn)練時(shí)間來(lái)對(duì)網(wǎng)絡(luò)算法復(fù)雜度進(jìn)行分析，上述網(wǎng)絡(luò)的訓(xùn)練時(shí)間如表2所示。

對(duì)比表2中不同網(wǎng)絡(luò)模型的訓(xùn)練時(shí)間不難看出，本文提出的P-CL網(wǎng)絡(luò)的算法復(fù)雜度均小于CNNLSTM, ResNet, DenseNet。CNN網(wǎng)絡(luò)算法復(fù)雜度最低，但識(shí)別準(zhǔn)確率較差。實(shí)驗(yàn)表明，P-CL在算法復(fù)雜度方面優(yōu)于其他網(wǎng)絡(luò)模型。

表2 不同網(wǎng)絡(luò)模型的訓(xùn)練時(shí)間對(duì)比

最后，實(shí)驗(yàn)得出本文所提調(diào)制信號(hào)分類(lèi)模型在SNR=18 dB的混淆矩陣，如圖11所示。

從圖11可以看出，大部分的調(diào)制信號(hào)識(shí)別準(zhǔn)確率都在95%以上，有的信號(hào)識(shí)別準(zhǔn)確率達(dá)到100%。同時(shí)還存在部分問(wèn)題：WBFM信號(hào)與AM-DSB信號(hào)之間的混淆，QAM16信號(hào)和QAM64信號(hào)之間的混淆。通過(guò)分析可知WBFM信號(hào)和雙邊帶幅度調(diào)制(Amplitude Modulation -Double Side Band,AM-DSB)信號(hào)在原始模擬信號(hào)采集過(guò)程中受靜默期的影響，在信號(hào)調(diào)制之后只有載波信號(hào)的存在，導(dǎo)致網(wǎng)絡(luò)在識(shí)別WBFM信號(hào)和AM-DSB信號(hào)時(shí)出現(xiàn)較大誤差。QAM16信號(hào)和QAM64信號(hào)非常相似，兩者本身的特征差異極易受到噪聲的影響，導(dǎo)致神經(jīng)網(wǎng)絡(luò)對(duì)該類(lèi)信號(hào)的識(shí)別準(zhǔn)確率變差。

5 結(jié)束語(yǔ)

針對(duì)高信噪比信號(hào)受降噪算法影響造成的信號(hào)識(shí)別準(zhǔn)確率下降的問(wèn)題，本文首先提出了基于CNN的信噪比分類(lèi)網(wǎng)絡(luò)，該網(wǎng)絡(luò)將樣本信號(hào)分類(lèi)成低信噪比信號(hào)和高信噪比信號(hào)。其次本文對(duì)中值濾波算法進(jìn)行改進(jìn)，解決傳統(tǒng)中值濾波算法處理連續(xù)噪聲效果不佳的問(wèn)題。最后提出了一種CNN和LSTM并聯(lián)的新型神經(jīng)網(wǎng)絡(luò)，解決傳統(tǒng)網(wǎng)絡(luò)難以充分提取樣本信號(hào)的時(shí)間特征和空間特征的問(wèn)題，并且減小了訓(xùn)練網(wǎng)絡(luò)的算法復(fù)雜度。實(shí)驗(yàn)結(jié)果顯示，本文所提出的算法能夠提高信號(hào)的識(shí)別準(zhǔn)確率，并且訓(xùn)練時(shí)間也明顯縮短。但本文算法還不能很好地區(qū)別QAM16信號(hào)和QAM64信號(hào)，WBFM信號(hào)和AMDSB信號(hào)，提高此類(lèi)信號(hào)的識(shí)別準(zhǔn)確率，仍是未來(lái)的工作方向。