基于多特征融合的Chirp擴頻通信調制樣式分類識別方法

王 翔 宋川江* 楊戰鵬

①(國防科技大學電子科學學院 電子信息系統復雜電磁環境效應國家重點實驗室 長沙 410073)

②(中國科學院空天信息創新研究院 北京 100190)

1 引言

自動調制分類指的是對接收到的信號進行分析處理，從而識別信號采用的調制樣式。在認知無線電領域，信號的調制樣式會根據信道環境進行自適應選擇，接收方必須首先識別信號的調制樣式，才能完成信號的正確解調；在非合作信號處理領域，第三方截獲的信號調制信息是未知的，也必須首先識別信號的調制樣式并估計調制參數。因此，AMC是認知無線電、非合作信號處理系統的重要組成部分。目前，學術界研究的AMC方法主要針對模擬和數字調制通信信號。Chirp擴頻通信(CSS)技術作為一種新興通信技術，具有抗干擾、抗低信噪比、發射功率低、對多普勒頻移不敏感等特點，在物聯網、車聯網、測控等領域得到了廣泛應用，但是對CSS信號的AMC方法卻鮮有研究。

經典的通信信號AMC方法可以大致分為兩類：基于似然(Likelihood-Based, LB)的方法和基于特征(Feature-Based, FB)的方法。前者在理論上可以得到最優結果，然而，當似然比函數中的未知參數數目增加時，分類精度會嚴重下降，當調制信號類型增多時，計算復雜度也會大幅增加。相比之下，FB方法能夠以較低的復雜度實現多類型調制識別，應用更為廣泛。近年來，基于深度學習(Deep Learning, DL)的AMC方法引起了學術界的廣泛關注，其避免了繁瑣的特征定義和選擇過程，利用深度學習模型強大的特征表征能力從數據中學習到不同調制信號的特征。O’Shea等人[1]首次提出了一種用于AMC的卷積神經網絡(CNN)模型，將深度學習引入調制識別領域，其中CNN使用時域IQ序列(In-Phase and Quadrature Sequences)數據進行訓練，優于基于傳統FB類的識別方法。O’Shea等人[2]提出了針對RML數據集RML2016.10a，并被學術界廣泛采用作為不同方法比較的基準數據集。Meng等人[3]提出了一種基于CNN的兩步訓練方法來處理不同的信道環境，并使用遷移學習來提高訓練效率。Huang等人[4]設計了一種全卷積網絡來學習每種調制模式的高維表示。Huynh-The等人[5]提出了改進的CNN結構，通過不同的非對稱卷積核學習時空信號相關性，有效實現不同信道影響下的調制識別。Tu等人[6]提出了一種基于復數CNN網絡的識別，在低信噪比下，復值運算比實值運算更能幫助神經網絡提取更穩健的信號特征。隨著深度學習技術的發展，注意力機制、半監督學習、多任務學習等新技術被用來提高調制識別性能。Chen等人[7]提出了一種新的識別架構，由注意力機制和隨機擦除組成，以提高AMC的準確性。Liang等人[8]提出了一種基于ResNet網絡的自適應注意機制，以時頻表示作為模型的輸入，在網絡中嵌入了4個注意力模塊，以提高對信號調制特性的識別。Dong等人[9]提出了一種基于神經網絡和3個損失函數的半監督學習方法，可以有效地從未標記的訓練數據中提取信息，從而克服標記訓練數據不足的困難。Chang等人[10]提出了一種基于多任務學習的深度神經網絡，將信號的IQ序列和幅度相位序列(Amplitude and Phase Sequences, AP)聯合用于AMC。

然而，上述基于DL的方法的都是針對傳統的數字調制和模擬調制信號。CSS信號作為擴頻信號的一種，和傳統數字通信信號差異較大，其特征主要體現在頻率成分的變化上，現有針對通信信號調制識別的方法不能直接應用于CSS信號。此外，目前尚沒有針對CSS信號的數據集供學術界開展算法實驗和對比研究工作。因此，研究針對CSS信號調制識別方法至關重要。

本文提出了一種基于多特征融合的CSS信號調制識別方法。主要貢獻如下：

(1) 提出了一種CSS信號特征預提取的方法。針對CSS信號特點，分別計算其功率譜密度(Power Spectral Density, PSD)和基于短時傅里葉變換(Short-Time Fourier Transform, STFT)的2維時頻圖兩種信號特征預處理方案，并從原理上分析了兩類特征預提取對于表征CSS信號的優勢。

(2) 提出了基于PSD序列和STFT圖像融合學習方法。將PSD序列和STFT圖像以并行方式分別輸入1D-CNN模型和ResNet18模型，并將二者提取的特征以串接方式進行融合。

(3) 在STFT圖像學習模型中設計兩個注意力模塊，即在深度學習模型前端引入一個注意力模塊以增加網絡對輸入STFT圖像的細節和局部信息的關注，在深度學習模型末端引入一個注意力模塊以增強網絡對全局上下文信息的感知能力。從而在不改變網絡結構的同時實現對特征權重的有效分配，使學習模型能夠自動聚焦不同CSS信號時頻特征差異處。

(4) 首次建立了11類CSS信號調制信號數據集，與不同輸入以及不同DL模型進行對比實驗分析，驗證了本文所提方法的優異性能。并為后續開展不同條件下的CSS信號的調制識別方法研究提供數據集。

2 CSS信號模型

CSS信號由多個Chirp信號xi(t)組合而成，其數學模型為

基于CSS信號的調制技術主要分為兩類。第1類是利用Chirp信號本身的參數對基帶信息進行調制，如幅度a(t) 、調頻斜率k、中心頻率f0或者初始頻率等。既可以不同參數對應不同比特數據，又可以聯合多個參數對應一個比特數據進行調制以提高信息傳輸效率。此類調制的典型樣式包括Chirp-Bok[11], ChirpBokBpsk[12], ChirpFsk[13], CrSKMFsk[14], LoRa[15]等5類。其中，ChirpBok調制主要將調制信息和Chirp信號調頻斜率k相對應，Chirp-BokBpsk在ChirpBok的基礎上將調制信息和Chirp信號調頻斜率k及幅度a(t)相對應，而ChirpFsk和CrSK-MFsk則分別將調制信息和調頻斜率k和中心頻率f0相對應。LoRa作為用于低功耗廣域網(Low-Power Wide-Area Networks, LPWAN)最有前景的物理層技術之一，近年來得到了廣泛關注和使用。經典LoRa調制樣式利用Chirp信號的初始頻率對基帶信息進行調制。此外，為了提高LoRa的比特率/頻譜效率比或能效比，研究者在LoRa調制樣式的基礎上提出了多種變體作為LoRa的代替方案，典型樣式有選擇性使用升頻或者降頻Chirp信號的SSKLoRa調制樣式[16]、同時使用升頻和降頻Chirp信號的TDM-CSS調制樣式[17]和同時使用正弦和余弦Chirp信號的IQ-CSS調制樣式[18]等。第2類是在數字調制樣式的基礎上，直接利用Chirp信號作為載波進行調制，典型代表有Qpsk-CSS[19], Bpsk-CSS[20], Fsk-CSS[21]等。CSS信號分類如圖1所示。

圖1 典型CSS信號分類

3 基于多特征融合的Chirp擴頻通信調制樣式識別方法

本文提出了一種基于多特征融合的Chirp擴頻通信調制樣式識別方法，其總體架構如圖2所示。主要包括信號特征預提取、信號調制特征智能提取、 特征融合及分類結果輸出等部分。在信號特征預提取階段，針對CSS信號特征主要體現在頻率成分變化的特點，分別計算功率譜密度和時頻圖像實現信號頻域特征和時頻域特征的預提取；在信號調制特征智能提取階段，功率譜密度和時頻圖像分別輸入1D-CNN模型和ResNet18模型進行調制特征的智能提取。為了進一步提高對低信噪比條件的適應能力，在ResNet18模型中專門設計了兩個注意力機制模塊實現信號調制特征的自適應聚焦。在特征融合及分類結果輸出階段，將功率譜密度和時頻圖像經過各自深度學習模型提取的特征進行串接融合，再使用兩個全連接層進行特征降維，調制樣式分類結果經softmax層輸出。下面詳細介紹3個階段的計算過程。

圖2 MFF方法總體架構

3.1 信號特征預提取

基于DL的AMC方法多是利用信號特征預提取與多特征輸入的深度學習方法進行研究，例如高階累積量[22]、信號瞬時特征[23]、循環平穩特征[24]、時頻分析[25,26]等。由于Chirp信號特征主要體現在頻率的變化上，本文從頻域和時頻域對信號的特征進行預提取。

3.1.1 頻域序列

其中，D=BT為CSS信號的時寬帶寬積。將式(8)代入式(7)中可得

利用菲涅爾積分項：

進一步化簡式(9)可得

實際處理過程中，可以通過對數據進行歸一化處理實現幅度為1，為簡化分析，設幅度為±1，故幅度A不 會對P(ω)產生影響。由式(12)可知，功率譜密度P(ω) 主 要受調頻斜率k和兩個菲涅爾積分項影響，而菲涅爾積分項由時寬帶寬積D和中心頻率f0決定。k越大，P(ω) 幅 度越小；時寬帶寬積D越大，幅度譜波形中間的起伏頻率與起伏程度越大，波形邊緣越來越陡峭，其形狀逐漸接近于理想矩形，矩形邊長近似為信號帶寬；中心頻率f0對菲涅爾積分項的影響有限，但會影響P(ω)在頻帶上的位置。

典型CSS調制樣式的功率譜密度P(ω)如圖3、圖4所示，其中信號參數設置見4.1.2節。從圖3(a)可以看出，以調頻斜率k為特征的ChirpFsk調制樣式的功率譜密度相比其他調制樣式譜較寬。而主要以中心頻率f0為特征的CrSK-MFsk調制樣式的功率譜密度相比而言會出現在頻帶不同位置，如圖3(b)所示。

圖3 典型CSS信號的信號歸一化功率譜密度

圖4 典型CSS信號的信號歸一化功率譜密度

ChirpBok和ChirpBokBpsk調制樣式的主要區別在于多個碼元情況下，當前后碼元出現“1,0”和“1,1”(ChirpBokBpsk對應情況為“11,10”和“11,11”)兩種情況時，由于頻率的上升/下降，P(ω)會出現不同形狀。ChirpBok存在規律的周期性峰值，如圖4(a)右上角局部放大圖所示。而ChirpBok-Bpsk信號，由于更多的信息跳躍會帶來高頻成分，表現為更多雜亂的峰值，這種情況在符號數較多時尤為明顯，如圖4(b)中右上角局部放大圖所示。

3.1.2 時頻圖像

STFT是一種線性變換，也是經典的時頻分析方法之一。STFT可以將信號分解為不同時間段的頻譜信息，從而提取信號的時頻域特征。對于Chirp信號這種具有頻率變化的信號，STFT能夠將其在時間和頻率上的變化信息進行刻畫。此外，STFT將信號轉換為時間-頻率2維圖像表示，這種表示形式更適合作為圖像類深度學習模型的輸入。離散樣本的STFT定義為

X(m,ω)是定義在時間和頻率上的2維函數。式(13)中，x(n) 是輸入信號，w(n) 是窗函數，N是窗函數的長度，R是滑動窗重疊長度，本文中選取的窗函數為漢明窗。

將式(1)中的CSS信號抽樣后的表達式代入式(13)中，假設幅度為矩形包絡，得到：

最終，輸入信號的時頻圖定義為S(m,ω)=|X(m,ω)|。

窗函數的長度N決定了時頻圖的頻率分辨率，較短的窗函數可以提供更好的頻率分辨率，但也意味著時間分辨率會較差，較長的窗函數因為無法捕捉到信號的快速變化，則有相反的效果。而窗口滑動的重疊長度R決定了時頻圖的平滑程度，較大的重疊長度使得時頻圖更為平滑，并且可以提供更好的時域分辨率，但隨之而來的是頻域分辨率下降，同時數據量的急速增加。因此，需要權衡N和R的選擇，以滿足具體需求。典型CSS調制樣式的STFT圖像如圖5所示，其中信號參數設置見4.1.2節。

圖5 典型CSS信號的STFT圖像

可以看出STFT圖像上的曲線變化情況反映了CSS信號碼元序列在時頻域上的變化情況，部分CSS信號調制樣式如LoRa和SSK-LoRa之間的STFT圖像區別明顯，而ChirpBok和ChirpBokBpsk兩種調制樣式之間的STFT圖像難以區別，而由圖4可知，這兩種信號的PSD序列是存在差異的。綜上，任意一種CSS調制樣式在PSD或者STFT同時或者單獨存在一定的差異，能夠支撐后續的深度特征提取與分類。

3.2 信號調制特征智能提取

本文使用適合處理序列的1D-CNN來提取Chirp信號PSD序列的深層特征，使用添加了注意力機制的ResNet18模型提取信號時頻圖像的深層特征。下面進行詳細描述。

3.2.1 1D-CNN網絡模型

PSD序列是一種能量密度數據，其表示了信號在不同頻率上的能量分布情況，序列相鄰頻率點之間存在一定的相關性，1D-CNN網絡能夠通過卷積操作捕捉到這種局部的相關性，從而提取到頻率特征。此外，1D-CNN網絡中的卷積核是共享的，這意味著網絡可以通過少量的參數提取多個頻率上的特征。故使用該網絡模型提取信號頻域的深層特征。其可以通過改變卷積核的大小和移動方向來提取序列的深度特征，考慮到計算量和所需的分類數量，本文選擇3個卷積層來構建模型，網絡結構如表1所示。PSD序列作為網絡的輸入，之后輸出的是網絡提取的信號頻域的深度特征向量Fp。

表1 1D-CNN模型的層數和每層的激活函數和輸出維度

3.2.2 基于注意力機制的ResNet網絡模型

信號經過STFT處理后的特征以圖像的形式呈現，而ResNet18網絡模型是一種2維卷積神經網絡，適合用于圖像分類任務。同時由于其內部殘差塊使用跳躍連接，可以有效緩解神經網絡中因深度增加而導致的梯度消失，能較好地處理復雜的時頻譜數據，故使用該網絡模型提取信號時頻域的深層特征。本文在基礎ResNet18網絡模型的基礎上，在第一層殘差層之前和最后一層殘差層之后設計添加了注意力模塊，進一步提高特征提取能力，網絡模型如圖6所示。下面將分別介紹卷積注意力模塊和模型具體結構參數。

圖6 ResNet18網絡模型圖

(1) 注意力模塊

卷積注意力模塊(Convolution Block AttentionModule, CBAM)[27]是一種結合空間和通道的前饋卷積神經網絡注意模塊。給定一個特征圖，CBAM模塊會沿著兩個獨立的維度(通道和空間)依次計算注意力圖，然后將注意力圖與輸入特征圖相乘進行自適應特征優化以進一步提高對時頻圖細節特征的聚焦能力。相比于SENet(Sequeeze and Excitation Networks)只關注通道的注意力機制可以取得更好的效果。此外，CBAM計算復雜度低，因此模型可以在引入較小計算代價的前提下更加關注有效信息，提高整體識別效率。

圖7為CBAM卷積注意力模塊結構。其中，通道注意力模塊將輸入特征向量F ∈RC×T×W(其中C, T, W分別為特征的通道量、高度和寬度)按通道維進行全局最大池化和平均池化，再進行特征映射。為減少冗余計算，本文選擇卷積操作代替全連接層進行特征映射，由于卷積神經網絡具有參數共享的特性，可以減少通道注意力模塊的計算參數，降低計算時間，提高運算效率。特征向量經過1維卷積運算后進行整形相加，再通過激活函數得到通道注意力矩陣MC(F)∈RC×1×1。通道注意力矩陣的計算過程為

圖7 CBAM模塊結構

其中，σ表示sigmoid函數，f21D和f22D表示兩個不同的卷積核尺寸為3的共享2維卷積運算，AvgPool和MaxPool分別表示平均池化和最大池化。將MC(F) 與輸入特征向量F點乘得到空間注意力模塊的輸入F′。

空間注意力模塊對F′沿通道維進行全局平均池化和最大池化操作，生成空間范圍特征描述值FASvg和FMSax。再將二者沿通道維拼接，經過2維卷積運算對空間區域特征聚合，得到空間注意力矩陣MS(F)∈R1×T×W。卷積核常選用尺寸為7×7或者3×3，但大感受野聚合空間特征的同時會額外增加計算參數和計算次數，對于3×3的卷積核，一個卷積核有9個參數，每次計算需要9次乘法和8次加法，而對于7×7的卷積核，一個卷積核有49個參數，每次計算需要49次乘法和48次加法。經過實驗分析，卷積核大小對算法性能影響不大，因此選用尺寸為3×3的小卷積核可以在不影響識別準確率的同時減少計算量，空間注意力矩陣的計算過程為

其中，f2D(·)是卷積尺寸為3×3的2維卷積運算。最后將空間注意力矩陣MS(F′)與F′點乘得到最終輸出特征向量F′′。

(2) 網絡結構參數

圖6中第1個CBAM模塊的輸入來自沒有經過殘差結構的最大池化層的輸出，經過第1個CBAM模塊處理后輸入4個殘差層處理。處理后的輸出再輸入第2個CBAM模塊，經過第2個CBAM模塊處理后輸出信號時頻域的深度特征向量Fs。網絡具體參數如表2所示。

表2 ResNet18模型參數描述

3.2.3 特征融合及分類結果輸出

其中，Y為輸出，B1和B2分別為兩次全連接層的偏置向量，W1和W2分別為兩次全連接層的權重矩陣，σ表示sigmoid函數。

4 仿真實驗及分析

本節首先給出了11類CSS調制信號的數據集描述。其次，為了證明本文所提MFF方法的有效性，與單一輸入條件下的基于DL的不同模型方法進行了比較，并對模型超參數設置進行分析討論。后續實驗沒有與非DL方法進行比較，主要原因包括：一是目前公開發表的文獻中，尚未有針對CSS信號的非DL調制識別研究成果；二是由于傳統數字、模擬信號的識別特征如高階累積量、高次譜等特征并不適用于CSS信號，已有的通信信號非DL調制識別方法無法直接應用。

4.1 實驗參數設置

4.1.1 仿真碼元個數設置

由于不同CSS信號調制樣式的符號與信號之間的映射關系各不相同，為了使采樣后的信號序列有相同長度，不同調制樣式的仿真碼元個數也不同。由式(1)可知CSS信號包括Q個Chirp信號，則對應ChirpBok, Qpsk-CSS, Bpsk-CSS和Fsk-CSS調制樣式需要的碼元個數為Q，對應ChirpBokBpsk,ChirpFsk和CrSK-MFsk調制樣式需要的碼元個數為 2Q，對應LoRa調制樣式需要的碼元個數為SF×Q，對應SSK-LoRa調制樣式需要的碼元個數為(SF+1)×Q，以及IQ-CSS和TDM-CSS調制樣式的碼元個數為 2SF×Q。本文中，Q設置為8。

4.1.2 訓練樣本信號參數設置

訓練樣本的參數設置如下：帶寬B為 1×105Hz，采樣頻率 Fs 為 1×106Hz，LoRa調制樣式調頻因子SF=6， 單個Chirp信號的持續時間T=2SF/B=6.4×10-4s ， 調頻斜率k=B/T=1.5625×108Hz/s，所有信號為基帶信號，同時規定Qpsk-CSS, Bpsk-CSS和Fsk-CSS調制樣式每4個碼元發射一段信號，根據以上條件，每個采樣信號長度為5 120。經過實驗，STFT參數本文中選擇N=64,R=62。時頻圖像分辨率設為 64×512。

4.1.3 測試樣本參數設置

為了充分驗證本文方法對CSS信號調制識別的魯棒性，測試樣本在調頻斜率和信噪比仿真方面與訓練樣本設置不同。測試集Dtest中所有樣本數據以調頻斜率 0.75k生成，其他參數和D1保持一致。SNR設置為–10～20 dB，步進2 dB，在每種信噪比條件下每種調制樣式各生成100個樣本。

綜上可知，訓練集Dtrain樣本數為112 200，而測試集Dtest樣本數為17 600。

4.2 實驗結果與討論

4.2.1 方法有效性驗證

(1) 與單一特征識別性能比較

經典深度學習網絡包括ResNet18網絡模型[28]、VGG11網絡模型[29]等，網絡輸入有FFT序列[30]、IQ序列[1]等，故這幾種方法可以分別表示為FFT序列+V G G 1 1、F F T 序 列+R e s N e t 1 8、I Q 序列+VGG11和IQ序列+ResNet18。在本文所提的MFF方法中，包括兩個支路，即圖2中ResNet18模型支路和CNN模型支路，支路的輸入分別為STFT圖像和PSD序列，故兩個支路方法可以表示為STFT圖像+ResNet18和PSD序列+CNN。圖8給出了不同SNR下MFF方法與上述6種方法識別準確率變化曲線。

圖8 不同SNR下MFF方法和單一特征方法識別準確率

從圖8可以看出：第一，網絡輸入為IQ序列的方法識別準確率較低，基本不能正確識別CSS信號，而網絡輸入為FFT序列的方法識別準確率差強人意，即使是最好的FFT序列-ResNet18方法，其在高信噪比條件下的最佳性能僅為79%左右。這說明了本文所提的信號特征預提取方法是保證CSS信號取得高識別率的重要因素之一。第二，PSD序列+CNN和STFT圖像+ResNet18的兩個單一輸入支路方法比4種經典DL方法的識別準確率高，但是PSD序列+CNN方法最佳性能不超過85%，而STFT圖像+ResNet18方法雖然在低信噪比條件下有較高的平均識別準確率，但最佳性能僅有90%左右。而MFF方法平均識別準確率隨著信噪比條件改善逐漸上升，在超過12 dB時平均識別準確率超過99%。為進一步探究不同調制樣式識別率的差異，繪制SNR=10 dB條件下混淆矩陣如圖9所示。

圖9 SNR=10 dB不同方法的混淆矩陣

對比圖9(a)、圖9(b)、圖9(c)可以看出，僅利用STFT圖像難以區別ChirpBok與ChirpBok-Bpsk調制樣式，并且會把Qpsk-CSS調制樣式誤識別為Fsk-CSS調制樣式，故該方法最佳性能只有90%。僅利用PSD序列可以區分ChirpBok與Chirp-BokBpsk調制樣式，但是在分類TDM-CSS, Bpsk-CSS和Fsk-CSS調制樣式的能力上較弱。

綜上，單一輸入無法充分表征CSS信號特征。通過綜合兩個預處理特征進行融合可以實現對不同調制信號特征提取的優勢互補，使得識別準確率提升。

(2) 有無注意力機制識別性能比較

為了更好地驗證注意力機制的作用，設計了沒有CBAM模塊的ResNet18作為網絡模型，輸入為STFT圖像的方法，該方法表示為不帶有CBAM模塊的ResNet18+STFT圖像。以及以不帶有CBAM模塊的ResNet18作為支路，CNN模型作為另一個支路，輸入分別為STFT圖像和PSD序列的方法，該方法表示不帶有CBAM模塊的MFF方法。將圖9中的MFF方法和ResNet18+STFT圖像方法與以上描述的兩種方法的識別準確率進行比較，識別率隨信噪比變化曲線如圖10所示。

圖10 不同SNR下MFF方法、支路方法以及不帶有CBAM模塊方法的識別準確率

從圖10可以看出，引入注意力機制的方法與沒有引入了注意力機制的方法相比，識別準確率都有所提升。此外，沒有使用注意力機制而只是單純的特征融合，并不能帶來性能的提升。SNR=10 dB的條件下兩種不帶有CBAM模塊方法的混淆矩陣如圖11所示。

圖11 SNR=10 dB條件下不帶有CBAM模塊方法的混淆矩陣

對比圖11和圖9(a)、圖9(c)可以發現，注意力機制的引入大幅提升了ChirpBokBpsk, Chirp-Bok, Fsk-CSS, Qpsk-CSS等調制樣式的識別準確率。這是由于注意力機制重新分配了特征的權重，使權重更傾向于能夠辨識不同調制樣式的特征關鍵成分。

綜上所述，本文MFF方法對所有CSS信號都具有良好的分類能力，且優于現有的基于DL的AMC方法。其優異性歸因于3個因素：一是有效信號特征預提取，二是特殊的融合機制，三是CBAM模塊的應用。

4.2.2 STFT參數和生成圖片分辨率對算法性能的影響

在本文MFF方法中，預提取時頻域特征采用了STFT方法處理信號，再將特征以圖像的方式輸入神經網絡。其中，STFT方法中窗函數的長度N和窗口滑動的重疊長度R，以及輸入圖像的分辨率是值得進一步研究的重要超參數。因此，本節將詳細討論這3個超參數對算法性能的影響。(1) STFT窗函數的長度N和窗口滑動的重疊長度R的影響在3.1.2節討論了窗函數的長度N和窗口滑動的重疊長度R對時頻圖的影響。保持其他參數不變，固定窗函數的長度N=64，選擇不同的重疊長度R的MFF方法進行實驗，識別率隨信噪比變化曲線如圖12(a)所示。可以看出，當R值過大或者過小時，分類準確率都不佳。當R過小時，窗口之間的重疊樣本較少，導致時頻圖中的局部特征可能會被截斷或遺漏。這會使得神經網絡難以捕捉到信號的短時變化特征，從而降低了識別準確率。當R過大時，時頻圖的時間分辨率下降，使得短時變化的信號特征無法被準確地捕捉到，窗口之間的重疊樣本較多，進而影響了識別準確率。而在一定適當范圍內選擇R值的算法性能較好。其次，保持其他參數不變，固定窗口滑動的長度為2，選擇不同的窗函數長度N，窗口滑動的重疊長度R保持R=N-2的MFF方法進行實驗，識別率隨信噪比變化曲線如圖12(b)所示。可以看出，當N值過大或者過小時，分類準確率也都不佳。N過小會導致時間分辨率不足，N過大會導致頻率分辨率不足，但是沒有出現明顯的過擬合情況。

圖12 不同STFT參數MFF方法的識別準確率

因此，選擇合適的窗口長度N和窗口滑動的重疊長度R，適應不同場景以平衡頻率分辨率和時間分辨率至關重要。

(2) 輸入圖片分辨率的影響

信號經過STFT特征預提取后，得到的時頻矩陣是以圖像格式輸入神經網絡。從矩陣到圖像的映射過程中可能會經過插值或維度變化等操作。為了研究分辨率對識別準確率的影響，保持其他參數不變，選擇不同圖像分辨率輸入神經網絡的MFF方法進行實驗，識別率隨信噪比變化曲線如圖13所示。

圖13 不同圖像分辨率方法的識別準確率

可以看出，在一定范圍內選擇圖片分辨率對算法性能的影響較小。當圖像的像素分辨率過高，識別率會顯著降低。這主要是由于大分辨率的圖像導致輸入數據維度很高，從而引發兩個問題：一是高特征維度會增加網絡模型的復雜性；二是高分辨率會使圖像中的噪聲和細節信息被過度計算，更容易導致模型過擬合。

4.2.3 CBAM模塊作用性驗證

基于注意力機制，MFF方法中在ResNet18網絡模型中第一層殘差層之前和最后一層殘差層之后都添加了CBAM模塊，通過這種方法重新分配特征的權重，使得特征更集中，在4.2.1節中說明了CBAM模塊具有提升識別準確率的作用。

本節采用Grad-CAM技術進一步分析CBMA模塊的作用。Grad-CAM使用梯度來計算卷積層中空間位置的重要性。由于梯度是針對一個獨特的類計算的，Grad-CAM結果可以清楚地顯示權重分布的區域。通過觀察網絡認為對預測類別重要的區域，可以了解該網絡如何充分利用特征。

選擇注意力機制引入后識別性能提升最明顯的ChirpBok, ChirpBokBpsk, Qpsk-CSS和Fsk-CSS4類信號采用Grad-CAM技術進行分析，圖14給出了SNR為–4 dB條件下是否帶有CBAM模塊的MFF方法的STFT圖像熱力圖。從圖中可以看出，沒有CBAM模塊的模型學習到的特征聚焦到了噪聲和其他背景處，而帶有CBAM模塊的網絡更好地關注到了STFT中信號碼元突變等反映信號特征的位置。

圖14 STFT圖像熱圖

這表明CBAM模塊有助于增加有效信息的權重，具有CBAM模塊的模型可以更好地利用不同CSS信號的差異化特征，從而提高識別準確率。

5 結束語

CSS信號是發展迅速的新體制通信信號，對CSS信號的調制識別在認知無線電、非合作信號處理領域具有廣闊的應用前景。本文提出了一種基于多特征融合的CSS信號調制樣式識別方法，通過對功率譜密度序列和時頻圖像的融合學習，充分利用了不同特征之間的互補關系，實現了對11類CSS信號調制方式的精確識別。此外，通過在特征提取網絡前后端設計兩個注意力機制模塊更好地分配特征權重。仿真實驗結果表明，本文所提出的多特征融合方法的性能優于任意單一輸入的DL方法，在超過12 dB時平均識別準確率超過99%。