多特征聯合水聲通信信號調制識別方法

吳雄彪，匡 彪，*，劉亞男，張華纓，龐桐桐，劉凇佐

（1.昆明船舶設備研究試驗中心，云南 昆明 650051；2.哈爾濱工程大學 水聲工程學院，黑龍江 哈爾濱 150001；3.中國船舶集團系統工程研究院，北京 100094）

0 引言

水聲通信信號調制識別技術在水聲電子對抗等領域發揮著極其重要的作用，對于提升我方水下戰場態勢感知和偵察預警能力具有重要意義。盡管陸上無線通信的調制識別技術已經發展的很成熟，但對于水下來說，復雜的信道使得許多陸上的調制識別方法在水下無法使用，因此，繼續該技術仍具有重要的意義。

很多科研工作者也對水聲通信信號的調制識別技術進行了研究。2016年，江偉華等人在對信號的功率譜和平方譜分析的基礎上，利用人工神經網絡成功完成了水聲BPSK，QPSK和MFSK信號的識別[1]。2017年，ZHANG等人通過提取信號的循環累積量特征，并利用支持向量機進行分類，仿真表明該方法在α穩定分布噪聲下穩定有效[2]。同年，趙自璐等人提出了一種多特征融合的調制識別方法，仿真表明該方法優于單一特征的識別[3]。2018年，LI等人通過提取OFDM信號的自相關特征，成功實現了水聲 OFDM 信號的識別[4]。2019年，YAO等人利用生成對抗網絡對水聲通信信號進行了識別，結果表明，與深度卷積神經網絡相比，該方法具有更高的識別精度[5]。同年，姜楠等人通過提取信號的功率譜和四次方譜，并利用稀疏自動編碼網絡進行分類，完成了水聲MFSK，MPSK，OFDM以及LFM信號的識別[6]。GE等人通過聯合循環譜和高階累積量特征，實現了水聲 MPSK和MFSK信號的識別[7]。2020年，王彬等人采用遷移學習思想，解決了水聲信號訓練樣本不足的問題，大大提升了小樣本條件下的水聲信號的識別率[8]。同年，WANG等人提出了一種新的混合時間序列網絡結構，顯著提高了通信信號的識別能力[9]。2021年，FANG等人利用基于似然的方法對水聲MPSK信號進行識別，仿真表明，該方法在信噪比高于7 dB時，識別率達95%以上[10]。

本文通過提取CW，LFM，2FSK，4FSK，BPSK，QPSK，DSSS-BPSK（本文簡稱DSSS）以及OFDM這8種信號的時頻特征、二次方譜特征以及自相關特征，并利用基于遷移學習的 ResNet網絡和線性支持向量機進行分類，最終得到了一種多特征聯合水聲通信信號調制識別方法。

1 識別特征提取

1.1 仿真信道及信號參數

本文仿真所用的水聲多徑信道為通過 RLS（Recursive Least Square）估計得到的千島湖實測信道，其沖激響應如圖1所示。

圖1 千島湖實測信道Fig.1 Measured channel of Qiandao Lake

仿真所用信號參數如表1所示，采樣率為48 kHz，本文除CW信號信噪比為全頻帶信噪比，其余信號信噪比均為帶內信噪比。考慮到本文方法的應用場景及低頻噪聲集中的特性，本文除圖2、圖3、圖4、圖7、圖10和圖17這幾張展示特征的圖外，均建立在2 kHz～24 kHz帶通濾波的基礎上。

表1 仿真信號參數Table 1 Parameters of simulation signals

1.2 時頻特征

本文選擇短時傅里葉變換來進行時頻特征提取。圖2給出了本文所研究信號時頻特征的提取結果，信噪比為8 dB。

圖2 時頻特征Fig.2 Time-frequency characteristics

可以看出，除BPSK，QPSK，DSSS和OFDM信號的時頻特征近似外，其它信號的時頻特征均具有明顯的差異，說明利用短時傅里葉變換提取的時頻特征可以實現CW，LFM，2FSK，4FSK和噪聲的識別。

1.3 二次方譜特征

以BPSK信號為例進行公式推導，BPSK信號可以表示為

式中：A=Σang(t-nTs)；an取1或–1；Ts為碼片寬度；g(t)為單個矩形脈沖。

對式（1）平方可得

顯然，平方之后的結果存在明顯的二倍載頻分量。

圖3和圖4分別給出了信噪比為8 dB時，BSPK，QPSK，DSSS和OFDM信號幅度歸一化后的二次方譜和最強的2根譜線提取結果，譜線提取的方法為：搜索譜圖最大值作為第一譜線幅值，然后將以第一譜線為中心的 200 Hz范圍內的譜圖幅值置 0，并搜索此時譜圖的最大值作為第2譜線幅值。

圖3 二次方譜Fig.3 Quadratic spectrum

圖4 最強兩譜線提取結果Fig.4 Extraction results of the strongest two spectral lines

可以看到，BPSK和DSSS信號的第2譜線幅值接近于0，而QPSK和OFDM信號大于0.8。圖5和圖6分別給出了該特征識別性能的仿真結果及8 dB時的分布情況。

圖5 二次方譜第二譜線識別性能仿真Fig.5 Recognition performance simulation of the second spectral line of quadratic spectrum

圖6 二次方譜第二譜線幅值分布Fig.6 Amplitude distribution of the second spectral line of quadratic spectrum

從圖5和圖6可知，當信噪比高于8 dB時，QPSK信號的幅值始終大于0.5，而BPSK和DSSS信號的幅值始終小于 0.1，這說明利用該特征識別水聲QPSK信號是完全可行的。

1.4 自相關特征

對接收到的水聲序列x(n)做自相關

DSSS信號由于PN碼的原因[11]，自相關的結果會出現多個峰值，而BPSK信號只會出現一個峰值。圖7給出了信噪比10 dB時，兩信號自相關且幅度歸一化后的結果。

圖7 BPSK和DSSS信號自相關Fig.7 Autocorrelation of BPSK and DSSS signals

提取信號歸一化自相關結果的第二相關峰幅值，譜峰提取方法同 1.3節譜線提取方法，BSPK信號的相關峰幅值小于0.1，而DSSS信號的相關峰幅值大于0.3。圖8和圖9分別給出了該特征識別性能的仿真結果及10 dB時的分布情況。

圖8 自相關第二相關峰識別性能仿真Fig.8 Recognition performance simulation of the second correlation peak of autocorrelation

圖9 自相關第二相關峰幅值分布Fig.9 Amplitude distribution of the second correlation peak of autocorrelation

從圖8和圖9可知，當信噪比高于10 dB時，DSSS信號的特征幅值始終大于0.3，而BPSK信號的特征峰幅值始終小于 0.1，這說明利用該特征識別水聲BSPK和DSSS信號是完全可行的。

OFDM信號由于循環前綴的原因，自相關后的結果會出現 2個峰值，而 QPSK信號只會出現 1個峰值。圖10給出了信噪比10 dB時，兩信號自相關且幅度歸一化后的結果。

圖10 QPSK和OFDM信號自相關Fig.10 Autocorrelation of QPSK and OFDM signals

提取信號歸一化自相關結果的第二相關峰幅值，QSPK信號的相關峰幅值小于0.1，而OFDM信號的相關峰幅值在0.16左右。

圖11和圖12分別給出了該特征識別性能的仿真結果及10 dB時的分布情況。

圖11 自相關第二相關峰識別性能仿真Fig.11 Recognition performance simulation of the second correlation peak of autocorrelation

圖12 自相關第二相關峰幅值分布Fig.12 Amplitude distribution of the second correlation peak of autocorrelation

從圖11和圖12可知，當信噪比高于10 dB時，OFDM信號的特征幅值始終大于0.1，而QPSK信號的特征峰幅值始終小于0.07，這說明利用該特征識別水聲QSPK和OFDM信號是可行的。

2 調制識別方法

2.1 基于遷移學習的ResNet網絡

遷移學習是一種把一個領域已有知識，遷移到另一領域進行再學習，使得其在新領域獲得更好性能的方法。由于水聲數據獲取困難，因此無法獲得足夠的數據進行神經網絡訓練，但對于遷移學習來說，我們只需要少量數據，就可訓練一個性能良好的模型。

本文所用的ResNet是一個訓練過上百萬張圖片的成熟網絡，其結構如圖13所示，對其微調，并進行在訓練，以此得到能夠識別水聲通信信號的遷移后的模型。

圖13 ResNet網絡結構Fig.13 ResNet network structure

遷移訓練所用的數據集通過仿真得到，參數同表1所示。對仿真得到數據添加圖1所示的水聲多徑信道，并添加不同能量的噪聲，然后繪制信號的時頻圖，最終得到遷移訓練所需的數據集。數據集共有圖片10 368張，每種信號1 152張，將其中的30%劃分為驗證集，70%劃分為訓練集。

2.2 支持向量機

支持向量機按是否線性可分，可分為線性支持向量機和非線性支持向量機，因為本文所處理的數據均線性可分，因此本文重點研究線性支持向量機，式（4）便是其基本形式。

線性支持向量機訓練所需的數據集通過仿真得到，參數同表1所示，對仿真得到數據添加圖1所示的水聲多徑信道，并添加不同能量的噪聲，最終得到了 BSPK，QPSK，DSSS和 OFDM信號組成的數據集，每種信號1 152條，訓練所用驗證方法為交叉驗證，驗證折數為5折。

2.3 多特征分層調制識別方法

基于以上分析，提出了一套多特征聯合水聲通信信號調制識別方法，如圖14所示。

圖14 多特征聯合水聲通信信號調制識別方法Fig.14 Modulation recognition of underwater acoustic communication signals based on multi feature combination

對于接收到的水聲信號，識別方法的第1層通過提取信號的時頻特征，并利用基于遷移學習的ResNet網絡模型，將信號分為以上 6類。識別方法的第2層通過提取信號歸一化后的二次方譜第2譜線的幅值，將{BPSK，QPSK，DSSS，OFDM}信號進一步分為{BPSK，DSSS}和{QPSK，OFDM}2類。識別方法的第3層通過提取歸一化后的自相關第二相關峰幅值，將{BPSK，DSSS}和{QPSK，OFDM}信號進一步分為BPSK，DSSS和QPSK，OFDM。

2.4 仿真結果

為了評估所提方法的性能，仿真了水聲多徑信道下，該方法識別率隨信噪比的變化情況，如圖15所示。

圖15 多特征分層調制識別方法性能仿真Fig.15 Performance simulation of multi feature layered modulation recognition method

從圖15可以看出，本文所提的水聲通信信號調制識別方法能夠完成全部8種水聲信號的識別，且信噪比大于9 dB時，識別率均高于99%。

3 海試驗證

海試地點為威海市東楮島漁港，實驗時收發換能器布放深度約3～4 m，收發距離約300 m，采集到的水聲信號參數如表2所示。

表2 海試采集信號參數Table 2 Parameters of sea trial acquisition signals

首先采集8種信號各10條，對本文訓練完成的模型進行再訓練，然后繼續采集8種信號各100條，并利用該模型進行處理，得到的識別結果如圖16所示。

圖16 海試數據識別結果Fig.16 Recognition results of sea trial data

從圖 16可以看出，8種信號的識別率均在93%以上，其中CW和LFM信號的識別率都達到了100%。海試數據處理結果進一步表明，多特征聯合水聲通信信號調制識別方法是適用于水下信道的。

圖17給出了DSSS信號識別為CW信號時頻圖，可以看出，該DSSS信號受到了強脈沖干擾，能量遠大于DSSS信號能量，體現在時頻圖上是一條細長亮線，滿足CW信號時頻特征，因此識別為了CW信號。

圖17 DSSS信號識別為CW信號時頻圖Fig.17 Time-frequency diagram of DSSS signal recognized as CW signal

4 結束語

本文對水聲CW，LFM，2FSK，4FSK，BPSK，QPSK，DSSS和OFDM信號的調制識別技術進行了研究。通過提取信號的時頻特征、二次方譜特征以及自相關特征，并利用基于遷移學習的 ResNet網絡和線性支持向量機進行分類，最終得到了一套多特征聯合水聲通信信號調制識別方法。仿真表明，該方法在千島湖水聲多徑信道下具有良好的性能。最后，通過本文通過海試進一步驗證了該方法的可行性。