基于分級(jí)降噪的電磁信號(hào)調(diào)制識(shí)別研究

吳美霖,高瑜翔*,涂雅培,張?chǎng)斡?/p>

(1.成都信息工程大學(xué) 通信工程學(xué)院，四川 成都 610225；2.氣象信息與信號(hào)處理四川省高校重點(diǎn)實(shí)驗(yàn)室，四川 成都 610225)

0 引言

隨著各種無線電設(shè)備的廣泛使用，通信環(huán)境日益密集。電磁信號(hào)調(diào)制方式識(shí)別作為無線通信系統(tǒng)的基礎(chǔ)任務(wù)之一，在電磁頻譜檢測(cè)[1]、認(rèn)知無線電[2]和網(wǎng)絡(luò)安全[3]等領(lǐng)域有著重要研究意義。電磁信號(hào)在復(fù)雜無線通信環(huán)境以及低信噪比(Signal to Noise Ratio，SNR)下的調(diào)制識(shí)別精度驟減問題，成為了無線通信領(lǐng)域的研究熱點(diǎn)。

基于特征提取的調(diào)制識(shí)別方法主要任務(wù)是設(shè)計(jì)分類器來挖掘不同調(diào)制類型的信號(hào)特征，可分為基于人工設(shè)計(jì)特征[4-6]的傳統(tǒng)調(diào)制識(shí)別方法與基于深度學(xué)習(xí)[7-9]的自動(dòng)調(diào)制識(shí)別算法(Automatic Modulation Recognition，AMR)。隨著認(rèn)知智能時(shí)代的到來，深度學(xué)習(xí)重塑了無線電領(lǐng)域研究工作，基于深度學(xué)習(xí)的AMR算法已成為調(diào)制識(shí)別算法研究的主流。AMR通過提取采樣電磁信號(hào)的潛在特征以及設(shè)計(jì)合適的深度學(xué)習(xí)模型，完成電磁信號(hào)調(diào)制方式的智能識(shí)別。

AMR使用的信號(hào)特征形式主要有圖像特征[10]、參數(shù)特征[11]以及不做特征提取的原始采樣數(shù)據(jù)。文獻(xiàn)[12]通過時(shí)頻殘差網(wǎng)絡(luò)提取彩色時(shí)頻圖的LBP紋理特征，完成了10種數(shù)字調(diào)制方式的高精度識(shí)別；文獻(xiàn)[13]提出了一種基于嵌套式跳躍連接結(jié)構(gòu)的殘差網(wǎng)絡(luò)AMR方法，在公開數(shù)據(jù)集0 dB以上達(dá)到92.3%的總體識(shí)別率；文獻(xiàn)[14]首次引入SNR自動(dòng)分級(jí)降噪的概念到AMR領(lǐng)域，證明了分級(jí)降噪后的調(diào)制識(shí)別精度高于電磁信號(hào)不降噪時(shí)的識(shí)別精度。在現(xiàn)有的諸多AMR算法中，發(fā)現(xiàn)仍然還存在以下問題：

① 識(shí)別精度優(yōu)良的調(diào)制識(shí)別框架，往往需要復(fù)雜的數(shù)據(jù)預(yù)處理，其網(wǎng)絡(luò)參數(shù)量龐大，在實(shí)際應(yīng)用中會(huì)受限。

② 現(xiàn)有文獻(xiàn)所提算法大部分適用于提高高SNR下的電磁信號(hào)調(diào)制識(shí)別精度，而在低SNR下缺乏簡(jiǎn)單、有效的調(diào)制識(shí)別算法。

考慮到以上問題，本文提出了一種基于自動(dòng)分級(jí)降噪的調(diào)制識(shí)別框架。將原始數(shù)據(jù)作為輸入，通過SNR分級(jí)網(wǎng)絡(luò)將信號(hào)分為高、低SNR信號(hào)。對(duì)低SNR信號(hào)做降噪處理，再經(jīng)過低復(fù)雜度的調(diào)制識(shí)別算法完成自動(dòng)調(diào)制識(shí)別。整個(gè)識(shí)別過程，無需人工提取調(diào)制特征。本文所做工作如下：

① 提出了一種新的低復(fù)雜度的調(diào)制信號(hào)SNR自動(dòng)分級(jí)降噪的通用框架，對(duì)低SNR數(shù)據(jù)做濾波降噪處理，能有效提高低SNR數(shù)據(jù)的識(shí)別精度，同時(shí)減少了低SNR數(shù)據(jù)對(duì)高SNR數(shù)據(jù)的干擾，有助于提高高SNR下的識(shí)別精度。

② 提出了一種低復(fù)雜度的高精度自動(dòng)調(diào)制識(shí)別方法，將分級(jí)降噪后的數(shù)據(jù)作為輸入，利用卷積長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)充分提取分級(jí)降噪后的電磁信號(hào)的時(shí)間和空間特征，完成信號(hào)的調(diào)制識(shí)別；相比于同類算法，使用較少數(shù)量的神經(jīng)元達(dá)到了較高識(shí)別精度，降低了調(diào)制識(shí)別模型的復(fù)雜度。

③ 在開源數(shù)據(jù)集上仿真驗(yàn)證，將所提算法與其他AMR主流算法做對(duì)比試驗(yàn)，本文所提算法性能最佳，將分級(jí)降噪用于其他調(diào)制識(shí)別算法時(shí)，其他算法調(diào)制識(shí)別準(zhǔn)確率也得到了穩(wěn)定提升，擴(kuò)展了低SNR下的調(diào)制識(shí)別性能提升方法。

1 相關(guān)工作

1.1 調(diào)制信號(hào)模型

對(duì)于調(diào)制后的電磁信號(hào)，通常以IQ數(shù)據(jù)的形式進(jìn)行采樣存儲(chǔ)，因此可將接收到的電磁信號(hào)表示為：

x[i]=xI[i]+jxQ[i]，

(1)

式中，xI[i]與xQ[i]分別表示第i個(gè)信號(hào)同相分量與正交分量的采樣值集合。

隨著電子環(huán)境和物理環(huán)境愈加復(fù)雜，電磁信號(hào)在較差的通信環(huán)境下發(fā)生嚴(yán)重失真。在信號(hào)傳輸過程中存在多種干擾噪聲，本文按信號(hào)與噪聲的關(guān)系將噪聲分為加性噪聲s1與乘性噪聲s2，其表達(dá)式為：

s1=s(t)+n(t)，

(2)

s2=s(t)[1+n(t)]，

(3)

式中，n(t)表示電磁信號(hào)產(chǎn)生、傳播和接收時(shí)噪聲的總和；s(t)表示信號(hào)信息。

由于低SNR下直接進(jìn)行電磁信號(hào)的調(diào)制識(shí)別時(shí)，調(diào)制識(shí)別準(zhǔn)確率處于一個(gè)極低的水平且難以提高。因此，將結(jié)合深度學(xué)習(xí)對(duì)失真嚴(yán)重的電磁信號(hào)做分級(jí)降噪處理，用于提高低SNR下電磁信號(hào)調(diào)制方式的識(shí)別準(zhǔn)確率。

1.2 分級(jí)降噪邊界確定

對(duì)于高、低SNR電磁信號(hào)的分級(jí)降噪，首要任務(wù)是確定自動(dòng)分級(jí)降噪的SNR邊界。文獻(xiàn)[14]中最先提出SNR分級(jí)的概念，研究人員通過傳統(tǒng)的K均值聚類算法，得到高、低SNR聚類類標(biāo)；再以2 dB為間隔得到各個(gè)SNR下的人工類標(biāo)，將2種類標(biāo)的重合率最大時(shí)所對(duì)應(yīng)的SNR作為SNR分級(jí)邊界，分級(jí)準(zhǔn)確率如表1所示。

表1 文獻(xiàn)[14]SNR分級(jí)準(zhǔn)確率Tab.1 Classification accuracy of SNR in literature[14]

數(shù)據(jù)集RML2016.10a[15]中加入了萊斯衰落、多徑等干擾，而數(shù)據(jù)集RML2016.4c干擾少、信號(hào)整體質(zhì)量更好。由表1中數(shù)據(jù)可知，由傳統(tǒng)的K均值聚類算法得到的SNR邊界，在更復(fù)雜的RML2016.10a數(shù)據(jù)集上的SNR分級(jí)準(zhǔn)確率還有待提高。

高、低SNR下的電磁信號(hào)最直觀的差異就是低SNR下信號(hào)會(huì)發(fā)生更嚴(yán)重的畸變，對(duì)嚴(yán)重畸變的電磁信號(hào)進(jìn)行濾波降噪，更加能夠發(fā)揮分級(jí)降噪的有效性。根據(jù)K均值聚類算法所獲得的SNR分類邊界，是通過數(shù)據(jù)挖掘相似特征劃分的數(shù)據(jù)簇。由于信號(hào)失真嚴(yán)重程度將直接影響識(shí)別精度，本文將信號(hào)失真程度與K均值聚類算法得到的SNR邊界共同作為SNR分級(jí)邊界確定的依據(jù)。SNR由低往高改變時(shí)，信號(hào)失真程度降低，調(diào)制識(shí)別精度提升，因此可以間接使用調(diào)制識(shí)別精度變化速率來表征信號(hào)失真程度的變化。在調(diào)制識(shí)別準(zhǔn)確率變化最快處，所對(duì)應(yīng)的SNR對(duì)調(diào)制識(shí)別性能影響最大。在自動(dòng)調(diào)制識(shí)別領(lǐng)域經(jīng)典文獻(xiàn)[15]中，O’Shea等提出了一種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)級(jí)聯(lián)結(jié)構(gòu)用于自動(dòng)調(diào)制識(shí)別，記作O’Shea_CNN。使用O’Shea_CNN對(duì)RML2016.10a原始數(shù)據(jù)集進(jìn)行調(diào)制識(shí)別的識(shí)別準(zhǔn)確率曲線如圖1所示，本文將其用于衡量SNR變化時(shí)信號(hào)失真程度的變換。

圖1 O’Shea_CNN調(diào)制識(shí)別準(zhǔn)確率Fig.1 Modulation recognition accuracy of O’Shea_CNN

由圖1可知，-8～-4 dB的識(shí)別曲線的斜率最大。濾波降噪對(duì)質(zhì)量越好的信號(hào)，降噪作用越小，甚至?xí)茐男盘?hào)原有特征。為充分發(fā)揮分級(jí)降噪算法的有效性，在-8～-4 dB中，可知-8 dB下的信號(hào)失真最嚴(yán)重，因此本文選擇其中最低的SNR=-8 dB作為本文分級(jí)降噪的信噪比邊界。在3.4節(jié)將分別以-4，-8 dB為分級(jí)降噪邊界，進(jìn)行不同SNR邊界下的調(diào)制識(shí)別仿真，驗(yàn)證-8 dB更適合作為分級(jí)降噪的SNR邊界。

1.3 低SNR電磁信號(hào)降噪

分級(jí)降噪的初衷就是對(duì)高、低SNR的電磁信號(hào)做更合適的預(yù)處理，高SNR的信號(hào)經(jīng)過濾波降噪后反而會(huì)破壞原本的時(shí)序特征與空間特征，會(huì)降低高SNR下的調(diào)制識(shí)別精度。在1.2節(jié)中得到的分級(jí)降噪邊界為-8 dB，為了更好地提高自動(dòng)調(diào)制識(shí)別整體精度，本文將-20～-8 dB的數(shù)據(jù)定義為低SNR數(shù)據(jù)，對(duì)其進(jìn)行濾波降噪處理，而-8～18 dB的數(shù)據(jù)不做降噪處理。

常見的信號(hào)降噪處理算法有中值濾波、均值濾波、小波變換和奇異值分解[16]等。為了抑制低SNR下信號(hào)中的高密度脈沖噪聲，盡量恢復(fù)信號(hào)原有特征，需要一個(gè)高功率濾波器，本文選用中值濾波對(duì)低SNR數(shù)據(jù)進(jìn)行降噪處理。利用中值濾波器的非線性性能消除脈沖噪聲，濾波尺寸設(shè)置為1×5。8PSK，QAM64，QPSK在-8 dB時(shí)降噪前后的時(shí)域波形對(duì)比如圖2所示，紅色、藍(lán)色波形分別表示IQ數(shù)據(jù)的實(shí)部、虛部數(shù)據(jù)的時(shí)域波形。經(jīng)過降噪后，可以觀測(cè)到信號(hào)波形特征有所恢復(fù)，這也是低SNR信號(hào)調(diào)制識(shí)別準(zhǔn)確率提高的主要原因。

(a)降噪前波形圖 (b)降噪后波形圖圖2 降噪前、后波形圖Fig.2 Waveform before and after noise reduction

2 基于分級(jí)降噪的自動(dòng)調(diào)制識(shí)別網(wǎng)絡(luò)設(shè)計(jì)

本文提出的基于分級(jí)降噪的自動(dòng)調(diào)制識(shí)別方法的整體處理流程如圖3所示。下面將對(duì)SNR分級(jí)網(wǎng)絡(luò)和自動(dòng)調(diào)制識(shí)別網(wǎng)絡(luò)2部分的設(shè)計(jì)過程進(jìn)行描述。

圖3 基于分級(jí)降噪的自動(dòng)調(diào)制識(shí)別流程Fig.3 AMR flowchart based on partial noise reduction

2.1 SNR分級(jí)網(wǎng)絡(luò)

SNR分級(jí)網(wǎng)絡(luò)包含輸入層、CNN、選通遞歸單元(Gated Recurrent Unit，GRU)、全連接層和輸出層，網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 SNR分級(jí)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 SNR partial network structure diagram

在SNR分級(jí)網(wǎng)絡(luò)中，CNN層濾波器數(shù)量設(shè)置為128，目的是提取電磁信號(hào)的空間特征；接著使用2層GRU提取電磁信號(hào)的時(shí)間相關(guān)性，每層GRU后通過衰減層去除不重要參數(shù)，減少網(wǎng)絡(luò)訓(xùn)練參數(shù)量；最后使用2層全連接層的堆疊結(jié)構(gòu)，可以更好地處理非線性問題，提高分類準(zhǔn)確率。在CNN和第1層全連接層中，使用線性整流函數(shù)ReLU作為激活函數(shù)，提高網(wǎng)絡(luò)的收斂速度；在輸出層使用Softmax回歸模型，完成高、低SNR的電磁信號(hào)二分類任務(wù)。

2.2 自動(dòng)調(diào)制識(shí)別網(wǎng)絡(luò)

長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Long Short-Term Memory，LSTM)在循環(huán)神經(jīng)網(wǎng)絡(luò)中添加了記憶處理模塊，因此十分適合于提取時(shí)間序列的時(shí)間特征。本文所提自動(dòng)調(diào)制識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 自動(dòng)調(diào)制識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 AMR network structure diagram

自動(dòng)調(diào)制識(shí)別網(wǎng)絡(luò)的輸入為經(jīng)過分級(jí)降噪后的IQ采樣信號(hào)，不再對(duì)信號(hào)做傳統(tǒng)的調(diào)制特征提取操作，因此需要一種特征提取能力更強(qiáng)的自動(dòng)調(diào)制識(shí)別算法。使用CNN級(jí)聯(lián)2層LSTM的結(jié)構(gòu)，即卷積長(zhǎng)短時(shí)神經(jīng)網(wǎng)絡(luò)，可從空間和時(shí)間角度充分提取電磁信號(hào)調(diào)制特征。為了避免LSTM疊加造成數(shù)據(jù)冗余，使用衰減層來提高網(wǎng)絡(luò)處理速度。自動(dòng)調(diào)制識(shí)別網(wǎng)絡(luò)使用的神經(jīng)元個(gè)數(shù)較少，整個(gè)網(wǎng)絡(luò)訓(xùn)練參數(shù)量不到11k，但在處理AMR任務(wù)時(shí)可獲得較高識(shí)別精度。將本節(jié)所提的調(diào)制識(shí)別模型記作CLNN。

3 仿真驗(yàn)證

3.1 數(shù)據(jù)集及仿真條件

為了更好地驗(yàn)證所提方法在低SNR下和高SNR下調(diào)制信號(hào)識(shí)別率的提升程度以及普適性，本文所有仿真實(shí)驗(yàn)均在數(shù)據(jù)集RML2016.10a上進(jìn)行。該數(shù)據(jù)集的相關(guān)參數(shù)介紹如表2所示。

表2 RML2016.10a參數(shù)介紹Tab.2 Parameters description of RML2016.10a

劃分RML2016.10a中70%的采樣樣本作為訓(xùn)練集，15%的采樣樣本作為驗(yàn)證集，15%的采樣樣本作為測(cè)試集。仿真環(huán)境為Windows11操作系統(tǒng)，搭載NVIDIA RTX 3060 GPU，使用python接口的tensorflow2.4.0深度學(xué)習(xí)框架完成仿真實(shí)驗(yàn)。

3.2 評(píng)價(jià)指標(biāo)

在SNR分級(jí)仿真驗(yàn)證中，使用分類識(shí)別準(zhǔn)確率(Accuracy)和網(wǎng)絡(luò)參數(shù)量作為評(píng)價(jià)指標(biāo)。此部分準(zhǔn)確率用于評(píng)估SNR分級(jí)網(wǎng)絡(luò)對(duì)于高、低SNR電磁信號(hào)的分類能力。網(wǎng)絡(luò)參數(shù)量用于衡量識(shí)別算法網(wǎng)絡(luò)的復(fù)雜度與計(jì)算開銷，識(shí)別性能相近時(shí)參數(shù)量越少的分類網(wǎng)絡(luò)越優(yōu)。Accuracy計(jì)算公式為：

(4)

式中，TP表示正類預(yù)測(cè)為正類的樣本數(shù)；TN表示負(fù)類預(yù)測(cè)為負(fù)類的樣本數(shù)；P，N分別表示正類、負(fù)類的樣本總數(shù)。

在基于分級(jí)降噪的自動(dòng)調(diào)制識(shí)別仿真驗(yàn)證中，使用網(wǎng)絡(luò)參數(shù)量、分類識(shí)別準(zhǔn)確率和混淆矩陣作為評(píng)價(jià)指標(biāo)。其中，分類識(shí)別準(zhǔn)確率用于觀測(cè)各SNR下的識(shí)別精度及其變化趨勢(shì)，也能更方便和其他調(diào)制識(shí)別算法做對(duì)比。混淆矩陣可以更加方便地觀察到各類調(diào)制方式識(shí)別的正確率與誤識(shí)別率，其縱坐標(biāo)表示真實(shí)標(biāo)簽，橫坐標(biāo)表示預(yù)測(cè)標(biāo)簽，混淆矩陣的對(duì)角線越明顯，表示各類調(diào)制方式的類間識(shí)別越準(zhǔn)確。

3.3 SNR分級(jí)仿真驗(yàn)證

文獻(xiàn)[14,17]中使用-4 dB作為SNR分級(jí)邊界，本文選用-8 dB作為邊界SNR，均使用深度學(xué)習(xí)的方法完成高、低SNR調(diào)制信號(hào)的自動(dòng)分類。文獻(xiàn)[14]使用2層LSTM的網(wǎng)絡(luò)結(jié)構(gòu)，記作2_LSTM；文獻(xiàn)[17]使用2層CNN的網(wǎng)絡(luò)結(jié)構(gòu)，記作2_CNN。但2種方法的網(wǎng)絡(luò)層中均使用了大量的神經(jīng)元，用于提高高、低SNR分類精度，一定程度上造成SNR分級(jí)網(wǎng)絡(luò)的參數(shù)冗余。

將本文的SNR分級(jí)網(wǎng)絡(luò)結(jié)構(gòu)記作CNN_GRU,根據(jù)文獻(xiàn)[14,17]中公布的參數(shù)設(shè)置，將2_LSTM，2_CNN和CNN_GRU三種方法在同一硬件環(huán)境下進(jìn)行仿真。3種方法的網(wǎng)絡(luò)參數(shù)量和測(cè)試集上的SNR分級(jí)準(zhǔn)確率對(duì)比如表3所示。

表3 SNR分級(jí)準(zhǔn)確率Tab.3 Accuracy of SNR classification

在-4，-8 dB下，CNN_GRU的SNR分級(jí)準(zhǔn)確率均為最高，且參數(shù)量少于另外2種方法。這表明CNN_GRU在處理高、低SNR分級(jí)任務(wù)時(shí)，是一種更有效的深度學(xué)習(xí)結(jié)構(gòu)。雖然CNN_GRU在-4 dB時(shí)的SNR分級(jí)準(zhǔn)確率高于其在-8 dB時(shí)的準(zhǔn)確率，但-4 dB時(shí)信號(hào)質(zhì)量?jī)?yōu)于-8 dB的信號(hào)，以-8 dB作為分級(jí)降噪的邊界更能充分發(fā)揮分級(jí)降噪的作用。

3.4 基于分級(jí)降噪的自動(dòng)調(diào)制識(shí)別仿真驗(yàn)證

為了驗(yàn)證基于分級(jí)降噪的自動(dòng)調(diào)制識(shí)別方法的有效性，在RML2016.10a數(shù)據(jù)集上分別進(jìn)行數(shù)據(jù)不降噪(None Noise Reduction)和數(shù)據(jù)分級(jí)降噪(Partial Noise Reduction)的調(diào)制識(shí)別仿真，使用2.2節(jié)中所提CLNN網(wǎng)絡(luò)作為自動(dòng)調(diào)制識(shí)別網(wǎng)絡(luò)。為了驗(yàn)證1.2節(jié)所確定的高、低SNR邊界-8 dB為最佳分類邊界，增加-4 dB分級(jí)降噪后的調(diào)制識(shí)別效果進(jìn)行對(duì)比。共設(shè)3個(gè)仿真實(shí)驗(yàn)，分別記作-8 dB_NNR+CLNN，-4 dB_PNR+CLNN和NNR+CLNN，11種模擬調(diào)制和數(shù)字調(diào)制方式的混合識(shí)別仿真實(shí)驗(yàn)結(jié)果如圖6所示。

圖6 不同SNR邊界下的調(diào)制識(shí)別準(zhǔn)確率Fig.6 Modulation recognition accuracy under different SNR boundaries

由圖6可知，分級(jí)降噪的調(diào)制識(shí)別效果整體上優(yōu)于不降噪的調(diào)制識(shí)別效果，因此分級(jí)降噪作為數(shù)據(jù)預(yù)處理，可以有效提高調(diào)制識(shí)別精度。-8 dB_PNR+CLNN的調(diào)制識(shí)別準(zhǔn)確率始終高于-4 dB_PNR+CLNN，因此-8 dB是最佳SNR分級(jí)邊界。分級(jí)降噪的調(diào)制識(shí)別準(zhǔn)確率有一定的抖動(dòng)，一部分原因是分級(jí)降噪準(zhǔn)確率有待提高，另一部分原因是SNR邊界處對(duì)高、低SNR不同的預(yù)處理造成的。

為了進(jìn)一步評(píng)估所提方法在調(diào)制識(shí)別任務(wù)上的性能與模型復(fù)雜度，將-8 dB分級(jí)降噪的CLNN方法(記作PNR+CLNN)，與NNR+CLNN和3種AMR基準(zhǔn)模型進(jìn)行仿真對(duì)比，即GRU2[18]，OLCN[19]和LSTM2[20]。5種方法仿真結(jié)果如圖7所示。

圖7 不同算法調(diào)制識(shí)別準(zhǔn)確率Fig.7 Modulation recognition accuracy of different algorithms

由圖7可知，相較于其他算法，經(jīng)過分級(jí)降噪后的PNR+CLNN在低SNR部分的調(diào)制識(shí)別性能有明顯提升，在高SNR部分最高識(shí)別精度可達(dá)94.3%，達(dá)到了同類研究在128采樣點(diǎn)數(shù)的數(shù)據(jù)集上的識(shí)別性能的較高水平。

為了觀察分級(jí)降噪對(duì)其他調(diào)制識(shí)別模型性能的改善情況，新增經(jīng)過-8 dB分級(jí)降噪的3種基準(zhǔn)模型調(diào)制識(shí)別仿真實(shí)驗(yàn)，分別記作PNR+GRU2，PNR+OCLN和PNR+LSTM2。為了衡量各調(diào)制識(shí)別模型的復(fù)雜度，將各模型訓(xùn)練參數(shù)量也進(jìn)行對(duì)比。在數(shù)據(jù)集RML201610a上，本文所提方法與基準(zhǔn)模型的網(wǎng)絡(luò)參數(shù)量、各SNR區(qū)間上的識(shí)別率對(duì)比如表4所示。

表4 不同算法網(wǎng)絡(luò)參數(shù)量與識(shí)別精度對(duì)比Tab.4 Comparison of the number of network parameters and recognition accuracy under different algorithms

由表4可知，CLNN，OCLN，GRU2和LSTM2經(jīng)過分級(jí)降噪(即PNR)后，各SNR區(qū)間的調(diào)制識(shí)別精度都有提升。在-20～-4 dB的低SNR區(qū)間上，各模型均有3%左右的精度提升。相較于3種基準(zhǔn)模型，CLNN的調(diào)制識(shí)別方法模型參數(shù)量最少，并且CLNN與PNR+CLNN分別都達(dá)到了同種預(yù)處理下AMR算法中的最高調(diào)制識(shí)別準(zhǔn)確率。

為了查看不同調(diào)制方式的識(shí)別情況，使用混淆矩陣對(duì)所提方法PNR+CLNN在8 dB下的調(diào)制識(shí)別性能進(jìn)行分析，結(jié)果如圖8所示。對(duì)角線上的數(shù)值越大，代表該類調(diào)制方式識(shí)別效果越好。

圖8 SNR=8 dB，PNR+CLNN混淆矩陣Fig.8 SNR=8 dB, confusion matrix of PNR+CLNN

由圖8可知，SNR=8 dB時(shí)，8BPSK，BPSK，CPFSK，GFSK，PAM4，QAM16，QAM64，QPSK和WBFM這9種調(diào)制方式的平均識(shí)別率可達(dá)到99%以上，難以識(shí)別的QAM16與QAM64的識(shí)別率得到了有效提高。與其他調(diào)制方式識(shí)別精度的提升相比，AM-DSB的識(shí)別率還有待提高，這主要是由于信號(hào)采樣長(zhǎng)度為128，AM-DSB由實(shí)際音頻流采樣得到，而在采樣過程中有一段音頻流中斷期，影響了識(shí)別精度。在采樣長(zhǎng)度更長(zhǎng)的數(shù)據(jù)集上，PNR+CLNN將獲得更好的識(shí)別性能。

4 結(jié)束語

針對(duì)低SNR下調(diào)制識(shí)別精度低以及調(diào)制識(shí)別算法復(fù)雜的問題，提出了一種基于分級(jí)降噪的自動(dòng)調(diào)制識(shí)別方法PNR+CLNN。實(shí)驗(yàn)表明，經(jīng)過分級(jí)降噪能有效提高低SNR下調(diào)制方式的識(shí)別準(zhǔn)確率，并且在高SNR下實(shí)現(xiàn)了數(shù)字、模擬調(diào)制方式的高精度識(shí)別，其中9種調(diào)制方式的平均識(shí)別準(zhǔn)確率在高SNR下達(dá)到99%。同時(shí)分級(jí)降噪在其他調(diào)制識(shí)別模型上也有明顯性能提升，具有良好的普適性。所提算法無需額外提取參數(shù)特征、圖像特征以及其他人工調(diào)制特征，直接將采樣數(shù)據(jù)作為輸入，經(jīng)過PNR+CLNN網(wǎng)絡(luò)完成自動(dòng)調(diào)制識(shí)別，整個(gè)算法的低復(fù)雜度特點(diǎn)使其更具實(shí)際應(yīng)用價(jià)值。