基于特征融合和MACLNN的通信信號自動調制識別

吳美霖,高瑜翔*,涂雅培,覃鏡濤,唐芷宣,胡 斐

(1.成都信息工程大學 通信工程學院,四川 成都 610225；2.氣象信息與信號處理四川省高校重點實驗室，四川 成都 610225)

0 引言

自動調制識別(Automatic Modulation Classification，AMC)技術在電子偵察、認知無線電等[1-2]智能通信應用中一直發揮著重要作用。隨著通信信號調制方式的激增以及通信電磁環境愈加復雜，如何提高調制識別的精度、降低特征提取的復雜度已成為通信領域研究的熱點。

傳統的調制識別方式識別性能嚴重依賴于人工提取特征的區分度，對于多種調制方式的識別需要設計的特征個數增加，對特征區分度的要求也更高。近年來，無線通信技術的發展逐步進入認知智能時代，大量研究人員將深度學習應用到AMC領域。文獻[3]將時頻圖像處理為二值圖像，利用卷積神經網絡(Convolutional Neural Network，CNN)完成8種認知無線電波形的分類。文獻[4]通過生成對抗網絡增強數據集，生成輪廓星座圖用于數字調制方式的識別。文獻[5]通過平滑循環相關熵譜和殘差網絡完成了Alpha穩定分布噪聲下的調制識別。調制信號圖像特征集的制作及后續一系列圖像處理操作，將會引入圖像處理領域的難題到原本的調制識別工作中。

目前,AMC的調制信號分類特征參數已經非常成熟，其中不乏計算量低、分類效果好的特征參數。研究表明，多輸入結構有利于調制信號隱藏特征的充分提取及融合，有利于提高AMC的識別精度。注意力機制能夠改變輸入特征不同維度的權重，應用于AMC中，可以為神經網絡學習到的調制信號特征分配權重，進而減少數據冗余。據此，本文提出了一種基于特征融合和自注意力機制的并聯調制識別算法——MACLNN。提出的模型不再依賴于復雜冗長的網絡結構，無需制作調制信號的圖像特征集。將原始采樣數據和特征參數組合作為網絡的輸入，使用復雜度更低的淺層網絡完成11類數字和模擬調制信號的高精度識別。

1 特征參數提取

1.1 高階累積量

通信信號的特征分為統計量特征、譜相關特征和小波變換特征等，主要表征為特征參數和圖像的形式。出于探尋一種便于在硬件平臺部署、可作為數模調制信號混合識別工作通用模型的目的，使用復雜度更低的特征參數組合作為分支模型的輸入。實驗原始數據集為IQ數據集，因此接收到的數據可以表示為：

x[i]=xI[i]+jxQ[i]，

(1)

式中，x[i]表示第i個信號樣本；xI[i]和xQ[i]分別表示第i個信號的同相分量和正交分量。由于高斯噪聲在二階以上的統計量為零，高階累積量對高斯噪聲具有魯棒性，因此其常用于信號的調制方式識別。

通過累積量-矩公式(C-M公式)和矩-累積量公式(M-C公式)[6]，對于零均值復隨機信號x[i]的p階矩和q階累積量可表示為：

E[x(i)p-qx*(i)q]，

(2)

(3)

式中，*表示復共軛；p為階數(p>q)；q為取復共軛的序列個數；E表示求均值，下同。經過推導，可得到x(i)的常用高階累積量表達式[7]為：

C21=M21，

(4)

(5)

C41=M41-3M20M21，

(6)

(7)

(8)

(9)

(10)

(11)

因為各種調制方式的高階累積量不完全相同，所以從中提取的信號特征可用于信號的調制方式識別。為節約計算開銷，根據經驗構造以下3種分類特征參數：

(12)

(13)

(14)

1.2 特征參數集

為了進一步區分模擬調制方式寬帶調頻(Wide Band Frequency Modulation,WBFM)和雙邊帶抑制載波調幅(Amplitude Modulation-Double Side Band,AM-DSB)，本文引入了零中心歸一化瞬時幅度譜密度最大值Rmax[8]作為第4個調制特征參數：

(15)

式中，N為每條采樣信號的采樣點數，即128；Acn(i)為零中心歸一化瞬時幅度，計算式為：

(16)

然而,這些特征對于多進制正交幅度調制(Multiple Quadrature Amplitude Modulation，MQAM)的分類效果不佳，因此加入歸一化采樣信號的功率譜密度最大值(PSD)、峰均方根比(PRR)和峰均比(PAR)這3個特征參數，分別作為特征參數集的F5，F6，F7：

(17)

(18)

(19)

式中，N為接收信號x(i)的采樣點數；x(:)為x(i)的所有采樣點；max()表示x(i)中采樣點最大值。

由Rmax，PSD，PRR，PAR以及3種組合重構的高階累積量共同構成特征參數數據集F=[F1,F2,F3,F4,F5,F6,F7,F8]。

2 MACLNN網絡設計

2.1 MACLNN網絡結構

本文網絡MACLNN為雙路輸入的并聯結構，其中分支1使用2層CNN代替決策樹等傳統方法對調制特征參數進行特征提取，加入自注意力機制進一步獲取信號的關鍵特征，是對參數類調制數據集特征提取的一種新結構。本分支是對參數類調制數據集的一種新的處理思路，使用深度學習的方法對參數數據集進行特征提取處理。

分支2為了充分提取時間序列的特征，使用一層CNN和2層長短期神經網絡串聯的結構，同時加入自注意力機制，減少網絡疊加帶來的數據冗余。分支2進行原始調制信號的調制方式識別時，其在公開數據集上具有較好的識別性能。

經過并聯層拼接2路分支模型所提取的特征，進行展平后通過Dense層完成調制分類識別。MACLNN的結構如圖1所示。

圖1 MACLNN結構

2.2 CNN

CNN是一種由卷積運算和深層結構組成的前反饋神經網絡，其基本結構單元有卷積層、激活層、池化層和全連接層，CNN的作用可看作輸入到輸出的映射。隨著智能信息處理領域的發展，CNN分類的能力逐漸被研究人員應用到調制識別技術中并加以改進。

無論是特征參數還是原始數據集的分支模型輸入，卷積層均使用一維卷積。MACLNN的分支1用于特征參數組合的輸入，因此將卷積層的核尺寸設為1，且不使用池化層；分支2用于采樣序列的輸入，根據其輸入結構將核尺寸設計為8，2條分支模型所使用的卷積層濾波器個數均為64。

2.3 長短時記憶網絡

為了更好地提取原始序列的特征信息，本文引入了長短時記憶網絡(Long Short-term Memory，LSTM)。LSTM在文獻[9]中首次提出，被廣泛應用于處理時間序列數據。相較于循環神經網絡(Recurrent Neural Network，RNN)，LSTM引入了輸入門、遺忘門和輸出門，以及與隱藏狀態相同的記憶單元，用于記錄附加信息，其單元結構如圖2所示。

圖2 LSTM結構

圖2中，Ct和Ct-1分別表示當前時刻和上一時刻的細胞狀態；ft表示遺忘門；it表示輸入門；ht表示輸出門。計算過程如下：

ft=σ(Wf·[ht-1,xt]+bf)，

(20)

it=σ(Wi·[ht-1,xt]+bi)，

(21)

(22)

(23)

ht=σ(W0[ht-1,xt]+bo)?tanh(Ct)。

(24)

由于LSTM的閘門機制有利于長時間儲存有用的歷史信息，因此可以持續地學習數據特征。LSTM在處理時間序列任務時，表現出優良的性能。MACLNN的分支2使用了2層LSTM結構來提取時間序列的特征，每層LSTM后使用Dropout層來防止過擬合，所提取的特征經過并聯層與特征參數輸入層得到的特征進行拼接，送入全連接層進行分類處理。

2.4 注意力機制

深度學習領域存在信息過載的問題，為了更好地分配資源，將有限的計算資源用于處理更重要的信息，本文引入了注意力機制。注意力機制可以為關鍵特征分配更大的權重，使模型的注意力更集中于關鍵的部分特征。研究表明[10]，注意力機制的加入有助于提高AMC的精度。同時，考慮到后續工作以及AMC工作的難度將逐漸加大，所需特征數也隨之增加，因此在分支網絡的末端均加入自注意力機制，用于改變時間維度的權重，使得深度學習模型關注到更關鍵的特征參數。

3 實驗與結果分析

3.1 數據集

為方便驗證和對比MACLNN的性能，使用文獻[11]提供的RadioML2016.10a數據集進行實驗,此數據集包括11種調制類型:8PSK,BPSK,CPFSK,GFSK,PAM4,QAM16,QAM64,QPSK,AM-DSB,AM-SSB,WBFM。在18 dB下的可視化結果如圖3所示,橫坐標表示采樣點，縱坐標表示IQ數據的采樣值大小，紅色曲線、藍色曲線分別表示采樣信號實部、虛部在時域的采樣值。

(a)8PSK

圖3的數據可視化中，信號樣本的信噪比區間為[-20,18]dB，以2 dB為間隔，采樣長度為128，數據存儲為IQ信號。采樣數據使用真實的文本信號和語言信號，在通信信道中添加了加性高斯白噪聲、多徑衰落、中心頻率偏移和采樣率偏移等干擾，因此十分接近真實場景下的采樣數據。

3.2 仿真條件及評估方法

將RadioML2016.10a數據集中70%的數據樣本作為訓練集，15%的數據樣本作為驗證集，15%的數據樣本作為測試集。實驗環境為Windows操作系統，搭載NVIDIA RTX 3060 GPU，使用Python接口的tensorflow2.4.0深度學習框架完成仿真實驗。仿真實驗部分采用分類識別準確率對網絡模型分類精度進行度量，使用混淆矩陣對各類調制方式的識別準確率及錯誤識別情況進行分析與對比，使用網絡參數量作為網絡模型復雜度的衡量指標。

3.3 仿真分析

使用相同的數據集，本文按照AMC中的經典模型結構設計了3種模型與MACLNN進行對比，用于驗證所提方法是否能有效提取調制信號特征，是否能提高AMC的識別率。其中IQ_CNN為3層CNN，IQ_CLNN為1層CNN和2層LSTM，IQ_BiLSTM為1層CNN和2層BiLSTM，以上算法均為級聯結構。仿真實驗所用CNN均為一維CNN，3種對比模型與MACLNN的分支2所涉及的濾波器個數、卷積核尺寸等參數均相同。

不同算法精度對比如圖4所示。由圖4可知，相較于其他3種模型，MACLNN的識別準確率有明顯提升，在信噪比達到-12 dB后，MACLNN性能開始優于其他算法模型。在0 dB識別準確率達到89%，在高信噪比處MACLNN精度最高達到94.1%，相較于其他3種算法模型，高信噪比處的識別精度高出3%以上。

圖4 不同算法精度對比

為了更好地說明MACLNN對不同調制方式識別性能的改善，使用混淆矩陣對4 dB下的IQ_CNN，IQ_CLNN和MACLNN進行對比分析。混淆矩陣中，橫、縱指標相同時對應值越大表示此類調制方式識別率越高。3種算法在4 dB時的混淆矩陣如圖5～圖7所示。

圖5 SNR=4 dB，IQ_CNN混淆矩陣

圖6 SNR=4 dB，IQ_CLNN混淆矩陣

圖7 SNR=4 dB，MACLNN混淆矩陣

為了進一步評估MACLNN的性能及模型復雜度，將其與使用相同數據集的同類型算法對比，將對比算法分別記為1_CNN-BiLSTM[11]，2_CLDNN[12]，3_CLSNN[13]，4_CNN-LSTM[14]和5_HNIC[15]，將訓練參數、最高識別精度作為指標，對比結果如表1所示。

表1 同類型算法對比

相較于對比的5種算法，MACLNN以較少的訓練參數，僅使用原始數據和少量特征參數作為模型輸入，在128采樣長度的模擬、數字調制數據集中實現了最高94.1%的AMC精度，達到了當前的最高精度。

4 結束語

針對模擬、數字調制混合識別復雜度高和精度低的問題，提出了一種基于特征融合和自注意力機制的并聯調制識別模型。MACLNN使用更簡單的特征參數組合與原始數據集作為數據輸入，同時降低了分類網絡的復雜度，實現了數字、模擬調制信號的高精度識別。實驗結果表明，MACLNN在RML2016.10a的識別準確率高于同類算法，最高識別準確率為94.1%。而引入的特征參數組合方式有效提高了16QAM，64QAM和WBFM的識別精度，在信噪比4 dB時這3種調制方式均達到了95%以上的平均識別率。為降低數字、模擬調制方式的AMC技術的難度提供了一種新思路，模型復雜度低也使得所提算法更具實際應用價值。