DP-DRCnet卷積神經網絡信號調制識別算法

王洋， 馮永新， 宋碧雪， 田秉禾

(沈陽理工大學 遼寧省信息網絡與信息對抗重點實驗室， 遼寧 沈陽 110159)

0 引言

認知化是未來電子對抗技術發展的必然趨勢，認知化電子對抗系統通過對周邊環境信息的感知，并融合動態歷史資源庫形成完備的作戰策略，從而提升信息對抗的作戰效能[1]。

當前隨著通信終端數量的與日俱增，電磁環境復雜化、調制波形先進化以及頻譜擁塞等多種因素均給信息感知帶來巨大困難。調制方式的識別是信號分析的先決條件，對認知化電子對抗系統的發展有著重大的意義。

目前，常見的調制識別算法有兩類，Huang等[2]和Shi等[3]提出的基于最大似然估計的調制識別算法，其思想是在對信號特征量統計分析的基礎上，采用概率理論、決策理論及假設檢驗理論實現信號的識別，該算法受限于計算量大和復雜度高的問題，難以在實際中應用。張笑宇等[4]、Dong等[5]、Liang等[6]提出的基于特征分類識別的算法，利用信號時域瞬時特征、高階統計量特征以及變域特征等進行分類。當信噪比大于5 dB時，該算法可對給定信號調制方式實現有效的識別，但當信噪比低于5 dB時，其識別能力明顯下降。

近年來，深度學習在調制自動識別領域得到了廣泛的應用[7]，目前基于深度學習的調制自動識別算法主要包含兩類：一類是基于特征圖像的識別算法，包括目標信號的時頻特征圖[8]、星座圖[9]、高階譜相關圖[10]等，此類算法在特征解釋上有較強的說服力，不過在圖像生成前的預處理及圖像輸入網絡模型后的處理上都將產生額外的資源開銷；另一類是直接利用深度學習網絡對原始信號進行處理[11-12]，實現調制自動識別。該方法不需要對原始信號進行預處理，避免了在預處理過程中加入先驗因素，確保原始特征的完整，但同時也保留了通信系統中的大量噪聲，從而增加了網絡的開銷，如Lin等[13]提出的HybridNet網絡，該網絡通過融合信道注意力機制和信號的時間相關性機制對信號在不同信噪比下的特征進行提取，并實現了高效的分類識別，但因其參數量較大、訓練時間較長限制了其應用場景。此外，很多學者通過將傳統信號處理技術與深度神經網絡進行結合，實現了調制方式的有效識別，如張天騏等[14]提出一種基于獨立分量分析與神經網絡相結合的調制識別算法，實現了調制方式的高效識別；江偉華等[15]提出了一種基于獨立變量分析與神經網絡相結合的調制識別算法，實現了調制方式的高效識別；安澤亮等[16]首先采用迫零盲均衡技術對信號表征能力進行增強，然后利用卷積神經網絡(CNN)實現對信號調制方式的準確識別。

從實際應用性出發，盡管傳統深度神經網絡具有良好的特征提取能力、較高的識別準確率及泛化能力，但由于其自身網絡結構復雜度高、參數量和計算量大等不足，很大程度上限制了它在實際環境中的應用。

針對以上問題，本文提出了雙路降維CNN(DP-DRCnet)，以非合作通信接收方為背景，對多種不同信號調制方式的識別能力進行研究分析，并對該網絡的參數量及計算量進行評估。

1 卷積層特征提取及開銷控制分析

卷積層是CNN的核心，卷積層中卷積核的合理設計有助于準確提取數據的特征及控制網絡的開銷[17]。

一般地，需要提取的特征都是高度非線性的，對于傳統的CNN網絡，為更好地提取潛在的特征，通常需要選擇超完備的卷積層把所有可能的特征全部覆蓋，但將使得網絡參數量十分龐大，導致網絡性能較差。因此依據數據樣本結構設計相對合理的卷積層，是實現高性能網絡的有效手段。

文獻[11]中，選用1×8維卷積核對I/Q兩路數據進行獨立的縱向自相關特征提取；文獻[12]中，首先選用1×3維卷積核對I/Q兩路數據進行縱向自相關特征提取，之后選用2×3維卷積核獲取橫向的互相關特征；文獻[18]是在文獻[11]基礎上的改進，先選用2×1維卷積核對數據特征進行提取，后選取1×3維卷積核，從而有效降低了網絡開銷。

從數據特征提取的角度分析，文獻[11]選用單路自相關方案獲取I/Q兩路數據縱向自相關特征；文獻[12]和文獻[18]選用自相關和互相關混合方案獲取I、Q路混合相關特征。圖1、圖2分別給出了文獻[11]和文獻[18]的特征提取可視化過程。從圖1、圖2中可以看出，對于相同的輸入樣本，不同提取方案輸出的特征存在很大差異，同時文獻[18]也證明了混合相關特征比單獨自相關特征更有利于信號的識別。但是，由于自相關和互相關特征混合會產生部分特征的抵消，從而降低了信號識別的準確度。

圖1 卷積層(1×8)特征提取可視化過程[11]Fig.1 Visualization process of the extraction of convolution layers (1×8) features[11]

圖2 卷積層(2×1) (1×3)特征提取可視化過程[18]Fig.2 Visualization process of the extraction of convolution layers (2×1) (1×3)features[18]

CNN的開銷主要來源于卷積層的參數量和計算量。

Pm=Wk×Hk×Ni×No+K×No

(1)

式中：Pm為卷積層的參數量；Wk、Hk分別為卷積核的寬和高，(Wk×Hk)為卷積核的維度；Ni為輸入通道數；No為輸出通道數；K為偏置項參數。

從卷積層參數量的角度分析，式(1)為卷積層參數量的計算通用公式，當卷積層偏置項bias=Ture時K=1；當bias=False時K=0；當采用BN層時K=3。由式(1)可知，Pm由卷積核的維度和輸入輸出的通道數(即卷積核的數量)決定。文獻[11]中指出，將I/Q原始信號作為輸入信號的CNN，適當減少卷積層中卷積核的數量對特征提取的性能不會產生明顯的影響，因此降低卷積層輸入和輸出的通道數可有效降低卷積層的參數量。

另一方面，小維度卷積核的使用同樣可以控制網絡參數量的使用，但同時也限制了網絡提取特征的能力。文獻[19]和文獻[20]指出，小維度卷積核對特征提取能力的影響可通過增加網絡層的深度和寬度來解決。

從卷積層計算量的角度分析，式(2)給出了單個卷積層計算量公式，式(3)和式(4)給出了輸入特征維度和輸出特征維度關系：

Cm=Wk×Hk×Ni×No×Swo×Sho

(2)

(3)

(4)

式中：Cm為卷積層的計算量；S為步長；Swo、Sho分別為輸出特征的寬和高，(Swo×Sho)為卷積層輸出特征維度；Swi、Shi分別為輸入特征的寬和高，(Swi×Shi)為卷積層輸入特征維度；Pwp、Php分別為填充數據的寬和高，(Pwp×Php)為卷積核的填充維度。

不失一般性，令Swi=Sho、Wk=Hk、Pwp=Php、S=1，可得到計算量與輸入特征維度之間關系式。

由式(5)可看出，在給定卷積核維度和輸入輸出通道數的前提下，隨著卷積層輸入特征的維度增大，卷積層的計算量近乎以平方數列形式增長。因此限制網絡模型中每個卷積層輸入特征的維度可有效控制網絡的計算量。

(5)

2 DP-DRCnet網絡結構及特征提取算法

本文提出的DP-DRCnet網絡模型是對傳統CNN的一種改進。首先，本文網絡模型采用兩路并行從兩個維度對數據的特征進行提取，在保證特征提取全面性的同時避免了不同特征間產生交叉影響；其次，采用小維度卷積核和恒定通道數控制網絡模型的參數量；最后，在每層卷積層輸出后，采用自適應池化方案對輸出特征進行降維處理，實現了網絡模型計算量的有效控制，并保證了網絡模型的可擴展性。

DP-DRCnet網絡采用的是雙路、兩類特征并行提取的方案，以2×128維I/Q數據為例，式(6)給出了單樣本數據的樣式。

(6)

為便于描述起見，設卷積層為單通道輸入輸出，步長S=1，padding=0，上下兩路卷積核可表示為

(7)

(8)

式中：ωu1、ωu2與ωd1、ωd2、ωd3均為卷積核的權重。則上下兩路輸出的特征為

outu=[y′1…y′i…y′128]

(9)

(10)

圖3以8相相移調制(8PSK)信號的I/Q兩路數據為例，作為雙路CNN的輸入信號，給出了其特征提取可視化過程。考慮到感受野和網絡開銷的因素，本文網絡卷積層采用1×3和2×1維度卷積核，分別對I/Q兩路數據縱向自相關和橫向互相關的特征進行提取，再將特征合并后輸出。從圖3中可以看出，該網絡提取的特征具有互補性優勢，提高了網絡特征獲取能力。

如圖4所示，DP-DRCnet網絡由上下兩路組成，借鑒文獻[19-20]卷積核的設計理論思想，兩路并行采用多個2×1和1×3的小維度卷積核進行特征提取。在每個卷積層后，利用自適應池化層將原有的輸出維度降低為原來的一半，之后將兩路特征合并，通過全連接層進行分類輸出。

圖5給出了DP-DRCnet網絡特征提取算法，該算法可靈活地對上下兩路網絡深度進行配置，具備較強的擴展性(見圖6)。此外r(n)可為多種不同維度(例如2×128，2×256，…)的輸入信號，不會被全連接層輸入特征維度的固定性所局限[21]。

圖3 雙路卷積層(1×3)、(2×1)特征提取Fig.3 Feature extraction of two-path convolution layers (1×3)，(2×1)

圖7給出了DP-DRCnet網絡中自適應池化層的輸出維度，該維度由全連接層輸入特征維度、卷積核數量和該自適應池化層所處的層數所決定。文獻[19-21]指出，池化層的輸出特征維度通常隨著網絡層深度加深而減小，一般情況下兩層間輸出維度相差2倍。

使用DP-DRCnet(numu，numd，numk)來表示網絡中的具體參數，上路由numu個convu和avgu組成，下路由numd個convd和avgd組成，其中卷積層中卷積核的數目為numk。表1以輸入信號的維算法：DP-DRCnet網絡特征提取算法度2×128為例，給出了DP-DRCnet(2，2，32)網絡的具體參數。

圖4 DP-DRCnet網絡結構Fig.4 Structure of the DP-DPCnet network

表1 DP-DRCnet(2，2，32)網絡模型參數Table 1 Model parameters of DP-DRCnet(2，2，32)

3 對比網絡模型的參數配置

將DP-DRCnet網絡兩路卷積核的維度均改為 1×3 和2×1，生成單獨縱向自相關網絡模型和橫向互相關模型，分別記作DP-DRCnetd和DP-DRCnetu，與DP-DRCnet網絡進行調制識別準確度對比，用于驗證雙路網絡不同卷積核對特征提取的有效性。以輸入信號維度為2×128為例，表2、表3分別給出了DP-DRCnetd(2，2，32)和DP-DRCnetu(2，2，32)，網絡模型的參數。

表2 DP-DRCnetdown(2，2，32)網絡模型參數Table 2 Model parameters of DP-DRCnetd(2，2，32)

此外，為驗證DP-DRCnet網絡性能，本文選擇CLDNN[11]、CNN_LSTM[12]及IQCNet[18]網絡模型，與DP-DRCnet(4，4，32)網絡進行調制識別準確度及網絡開銷對比。

表3 DP-DRCnetup(2，2，32)網絡模型參數Table 3 Model parameters of DP- DRCnetu(2，2，32)

CLDNN網絡由CNN、LSTM與DNN構成，其主要特點是具有良好的時間相關特征提取能力；CNN_LSTM網絡是在CLDNN網絡基礎上的改進，利用LSTM代替全連接層，在減少網絡計算量的同時提高了調制識別的準確率。以上兩種網絡模型均采用較大的參數量或計算量來達到提高識別準確率的目的；IQCNet網絡是一種輕量級CNN，通過改變卷積核的維度降低了輸入數據的尺度，從而使該網絡的參數量僅為CNN_LSTM網絡的10%，可達到近乎相同的識別準確度。表4給出了以上3種網絡的參數配置。

表4 對比網絡的模型參數Table 4 Model parameters of the network for comparison

4 仿真實驗及分析

4.1 仿真數據

實驗數據采用Tim O’SheaTim的RLM2016.10a數據集[11]，此數據集中包含11種不同調制方式，分別為8PSK、AM-DSB、AM-SSB、BPSK、CPFSK、GFSK、PAM4、16QAM、64QAM、QPSK和WBFM。每種調制方式有10 000個樣本，平均分布在-6～12 dB信噪比內，總樣本數為110 000。同一信噪比下的樣本數為11 000。

在同一信噪比下，將數據集的80%作為訓練集和驗證集，記作A，20%為測試集，記作T。將A隨機均分成8份，循環選擇其中1份作為驗證集，記作Vi，剩余部分為訓練集，記作Pi，其中i為循環次數，取值范圍為{1≤i≤8，i∈Z}，可獲得每次訓練和驗證數據對，記作{Pi，Vi}。

4.2 模型訓練流程

信噪比范圍為-6～12 dB，間隔為2 dB，在同一信噪比下進行8次實驗，具體訓練流程如圖8所示，從{Pi，Vi}中選擇Pi對DP-DRCnet網絡模型進行訓練，利用Vi對已訓練好的模型進行驗證，得到該訓練模型的識別準確率，經過8次試驗后計算識別準確率的均值acc，找出距離acc最近的識別準確率acci，選擇獲得acci的模型作為最終模型，利用測試集T對生成的最終模型進行測試，最后得到該模型調制識別的準確率。

4.3 仿真結果分析

4.3.1 特征提取有效性驗證

實驗分別選擇不同支路深度的DP-DRCnet、DP-DRCnetd和DP-DRCnetu網絡進行對比。驗證DP-DRCnet網絡在同等條件下對信號特征提取的有效性，是否有助于識別準確度的提高。

圖8 模型訓練流程Fig.8 Model training process

圖9給出了采用32個卷積核在不同深度下的DP-DRCnet、DP-DRCnetd和DP-DRCnetu網絡識別準確率。圖10給出了DP-DRCnet(4，4，32)、DP-DRCnet(4，4，24)和DP-DRCnet(4，4，16)網絡識別準確率。

圖9 不同深度識別度對比Fig.9 Comparsion of recognition at different depths

圖10 相同深度不同數量卷積核識別度對比Fig.10 Comparison of recognition of convolution kernels with different numbers butthe same depth

由圖9、圖10可知：DP-DRCnet網絡隨著支路網絡層深度的增加，平均識別率有明顯的提升；在相同的深度下，卷積核的數量對DP-DRCnet網絡的平均識別率影響較小。

圖11、圖12分別給出了DP-DRCnet(4，4，32)、DP-DRCnetu(4，4，32)和DP-DRCnetu(4，4，32)網絡信噪比在0 dB和12 dB時11種信號的F1-score得分柱狀圖。圖8、圖9從對不同調制信號識別的角度進行了分析。由圖8、圖9可知，在0 dB和12 dB條件下，DP-DRCnet(4，4，32)網絡對11種調制信號識別的F1-score得分均高于另外兩種網絡。

圖11 F1-score對比(SNR=0)Fig.11 F1 score comparison (SNR=0)

圖12 F1-score對比(SNR=12)Fig.12 F1 score comparison (SNR=12)

表5分段列出了信噪比在-6～12 dB范圍內信號的平均識別率。DP-DRCnet網絡在支路深度為2時，其平均識別準確率超過相同條件下另兩個網絡1.4%左右；當深度為3時超出值為3.1%左右；當深度為4時該值達到4.5%左右。

表5 識別率對比Table 5 Comparison of recognition rate %

由此可見，當網絡層支路深度增加時，DP-DRCnet的識別度準確率有顯著的提升。當支路深度大于1時，DP-DRCnet的平均識別度均高于其他兩種網絡，并且隨著支路網絡深度增加，該網絡的優勢將更加明顯，從而證明本網絡特征提取的有效性。

4.3.2 網絡性能對比

實驗選擇CLDNN、CNN_LSTM和IQNet(5，32)與DP-DRCnet(4，4，32)進行對比，圖13給出了4種網絡的在不同信噪比下的識別準確度對比；表6分段列出了4種網絡在不同信噪比下的平均識別準確率。

圖13 識別率對比Fig.13 Comparison of recognition rate

由圖13和表6可知，信噪比在-6～0 dB條件下，DP-DRCnet(4，4，32)網絡的平均識別準確率為76.59%，相比CLDNN、CNN_LSTM和IQNet(5，32)網絡分別提升了10.64%、4.72%和8.58%；信噪比在2～6 dB條件下，DP-DRCnet(4，4，32)網絡的平均識別準確率達到90.2%，相比CLDNN、CNN_LSTM和IQNet(5，32)網絡分別提升了7.38%、4.13%和2.55%；信噪比在8～12 dB條件下，DP-DRCnet(4，4，32)網絡的平均識別準確率達到92.71%，相比CLDNN、CNN_LSTM和IQNet(5，32)網絡分別提升了8.04%、4.23%和4.09%。

表6 識別率對比Table 6 Comparison of recognition rate %

表7給出了4種網絡的參數量和單次樣本計算量，DP-DRCnet(4，4，32)網絡的參數量和單次樣本計算量明顯少于其他3種網絡，CLDNN、CNN_LSTM、IQNet(5，32)網絡的參數量和單樣本計算量分別為DP-DRCnet(4，4，32)網絡的5.16、41.05、1.26倍和36.94、17.98、3.08倍，此外在RTX3090，內存32G訓練平臺上，當每批訓練數據(batch size)大小為512時，CLDNN、CNN_LSTM、IQNet(5，32)網絡的訓練時間和測試時間分別為DP-DRCnet(4，4，32)網絡的32.18、12.46、1.6倍和20.64、9.81、2.07倍。

表7 網絡參數與計算量Table 7 Network parameters and computational load

總體來看，DP-DRCnet(4，4，32)網絡的平均識別率高于其他3種網絡。CLDNN網絡的平均識別率最低，IQNet(5，32)網絡的平均識別率略低于CNN_LSTM網絡，但其網絡參數量和單次樣本計算量遠低于CNN_LSTM網絡，因此IQNet(5，32)網絡性能優于CNN_LSTM網絡，DP-DRCnet(4，4，32)網絡性能為最佳。

4.3.3 信號調制識別能力驗證

本節給出DP-DRCnet(4，4，32)網絡和IQNet(5，32)網絡對不同調制方式信號的識別率。為更客觀地評測網絡性能，采用F1-score作為測評標準，給出網絡對單個信號識別能力的得分；此外利用混淆圖，給出網絡對多個信號分辨能力的仿真結果。

圖14、圖15給出了DP-DRCnet(4，4，32)和IQNet(5，32)網絡在0 dB和12 dB下11種信號的F1-score得分柱狀圖。由圖14、圖15可知：DP-DRCnet(4，4，32)網絡在0 dB條件下，11種信號識別的F1-score得分均高于IQNet(5，32)網絡，其中有10種信號的得分超過0.7，7種信號的得分超過0.9；在12 dB條件下，除AM-DSB信號得分略低于IQNet(5，32)網絡得分外，其余信號得分均高于IQNet(5，32)網絡，且有9種信號的得分超過0.9。

圖14 F1-score對比(SNR=0)Fig.14 F1 score comparison(SNR=0)

圖15 F1-score得分對比(SNR=12)Fig.15 F1 score comparison (SNR=12)

圖16、圖17、圖18、圖19分別給出了DP-DRCnet(4，4，32)網絡和IQNet(5，32)網絡，在0 dB和12 dB條件下信號識別的混淆圖。通過對比圖16～圖19可知，隨著信噪比的提高，IQNet(5，32)網絡和DP-DRCnet(4，4，32)網絡均可緩解QPSK和BPSK信號混淆的問題，但由于信噪比的提升，QAM16和QAM64兩種調制方式的特征相似性將更加明顯，IQNet(5，32)網絡喪失了對這兩種信號特征的分辨能力。而DP-DRCnet(4，4，32)網絡可有效地對QAM16和QAM64兩種調制方式的識別。

圖16 DP-DRCnet(4，4，32)識別混淆圖(SNR=0)Fig.16 Recognition confusion map of DP-DRCnet (4，4，32)(SNR=0)

圖17 DP-DRCnet(4，4，32)識別混淆圖(SNR=12)Fig.17 Recognition confussion map of DP-DRCnet(4， 4，32)(SNR=12)

圖18 IQNet(5，32)識別混淆圖(SNR=0)Fig.18 Recognition confusion map of IQNet(5，32) (SNR=0)

圖19 IQNet(5，32)識別混淆圖(SNR=12)Fig.19 Recognition confusion map of IQNet(5，32) (SNR=12)

值得注意的是，為客觀地驗證DP-DRCne網絡的性能，本文采用的是RLM2016.10a公開數據集，在該數據集中WBFM和AM-DSB樣本是通過采樣模擬音頻信號生成的，其中存在較多的靜默周期[11]，因此導致WBFM和AM-DSB產生嚴重的混淆。

5 結論

本文提出了一種輕量級的CNN，采用雙路降維的方法并行提取I/Q信號的縱向自相關特征和I/Q信號的橫向互相關特征，在保證調制自動識別準確率的同時，也有效地控制了網絡參數量和計算量。本文采用RLM2016.10a數據集，信噪比在-6～12 dB條件下，對11種調制方式進行驗證。

仿真結果表明：DP-DRCnet網絡模型具有較高的調制自動識別能力，同時網絡參數量及計算量均低于目前高識別率的輕量級CNN模型，證明DP-DRCnet網絡模型是一種高效率、高準確率的輕量級網絡模型，適合應用在極端環境的調制自動識別系統中。