基于RBF 神經網絡的無線電信號自動調制識別方法

張雙玲，谷小婭

（河南輕工職業學院，河南 鄭州 450001）

0 引 言

無線電信號調制規律化處理電信號控制的振蕩參數，從而發揮出天線的輻射能力。以往的信號調制識別方法，只有了解信號的調制方式或傳輸速率，才能對信號進行正確的分析和識別，影響信號識別準確性。針對此類問題，研究人員設計了多種識別方法。如基于混合神經網絡的無線電信號自動調制識別方法，主要是利用膠囊神經網絡，提取未知無線電信號的調制信息，并運用門控循環單元，獲取調制信息特征[1]。通過混合網絡模型，將無線電信號的時間特征與空間特征融合，從而提高信號調制的識別精度?；诼摵暇矸e與記憶神經網絡的無線電信號自動調制識別方法，主要是構建了自我學習、決策的識別神經網絡，通過并行雙路神經網絡提取無線電信號的調制信息，實現調制識別任務[2]。以上2 種方法均能夠識別無線電信號調制類別，但是受到無線電信號調制信息的影響，識別精準度仍需加強[3]。因此，文章利用徑向基函數（Radial Basis Function，RBF）神經網絡，設計無線電信號自動調制識別方法。

1 無線電信號自動調制RBF 神經網絡識別方法設計

1.1 提取無線電自動調制信號特征

在無線電信號傳輸的過程中，基帶信號頻率較低，波長較長，無法有效發射與接收信號[4]。因此，需要提取無線電自動調制信號特征[5]。假設離散信號為x(n)，信號的瞬時功率特征為

式中：Pin為無線電信號的瞬時功率特征。

提取出信號瞬時功率特征后，將無線電調制信號分為若干個信號塊，識別信號調制類型。文章采用Transformer 編碼器，將若干個信號塊進行編碼，形成多個信號識別塊。將輸入矩陣輸入變換矩陣，通過不同的權重獲取信號塊的編碼[6]。Transformer 編碼的前3 層用于特征提取，后9 層用于識別。獲得前3 層調制特征的公式為

式中：Z0為調制特征編碼；xclass為編碼層的輸入標記；為第p層編碼的第N個信號序列；Ep為位置編碼。

1.2 基于RBF 神經網絡構建信號自動調制識別模型

RBF 神經網絡的輸入層由信號源節點組成，第二層為隱含層，第三層為輸出層[7]。將RBF 作為隱單元的“基”，并通過隱單元函數空間，將調制信號矢量特征映射到隱空間中，避免信號識別失誤的問題。隱含層空間到輸出層空間的映射呈線性，網絡的輸出是隱單元的線性加權，該權值為RBF網絡的可調參數。將信號調制識別問題看作多變量RBF 差值問題，則

式中：X為I維空間點集的輸入向量；x(s)為離散信號x的信號序列；RI為I維空間的點集。0 維空間點集的輸入向量表示為

式中：Y為0 維空間點集的輸入向量；y(s)為映射信號y的信號序列。信號映射時，X→Y。通過RBF 神經網絡，獲取輸出向量。RBF 神經網絡結構中，輸入層神經元數為I，隱含層神經元數為H，輸出層神經元數為O[8]。將x作為輸入向量，z為隱含層神經元狀態，y為輸出向量，構建無線電信號自動調制識別模型，表達式為

式中：yk為經過k次神經變化后識別出的調制輸出向量；wjk為隱含層第j個神經元與第k個神經元的連接系數；zj為第j個隱含層神經元的中心矢量。

1.3 識別無線電信號自動調制類型

在提取特征后，通過調制信號瞬時角頻率的偏移情況，能夠確定自動調制類型[9]。將模擬調制信號與數字調制信號混合在一起，再識別信號的自動調制類型?；诖?，無線電信號的頻率偏移量表示為

式中：SFM(t)為調制信號FM在t時刻產生的頻率的偏移量；A為載波振幅；Kf為調制相位。當SFM(t)＞1 時，調制信號屬于正弦波調制類型；當SFM(t)＜1 時，調制信號屬于數字調制類型；當SFM(t)=1 時，調制信號屬于脈沖調制類型。根據SFM(t)的值，確定調制類型，為無線電信號自動調制識別的準確性提供保障。

2 實 驗

2.1 實驗過程

本次實驗數據來自Deepsig 網站，數據包含中心頻率、采樣速率、初始相位等參數，使數據中的信號更接近真實無線信道數據。采用RadioML2016.04c數據集提供無線電信號，調制類型分別為正弦波調制、數字調制以及脈沖調制。其中，正弦波調制包括幅移鍵控（Amplitude Shift Keying，ASK）、頻移鍵控（Frequency Shift Keying，FSK）、相移鍵控（Phase Shift Keying，PSK）、正交相移鍵控（Quadrature Phase Shift Keying，QPSK），數字調制包括正交幅度調制（Quadrature Amplitude Modulation，QAM）、 碼分多址（Code Division Multiple Access，CDMA）、 時 分多址（Time Division Multiple Access，TDMA）、 正交頻分復用（Orthogonal Frequency Division Multiplexing，OFDM）、 頻 分 多 址（Frequency Division Multiple Access，FDMA），脈沖調制包括單載波頻分多址（Single Carrier Frequency Division Multiple Access，SC-FDMA）、多載波碼分多址（Multi-Carrier Code Division Multiple Access，MC-CDMA）、多載波空分多址（Multi-Carrier Space Division Multiple Access，MC-SDMA）。樣本長度為128，信號格式為同向與正交，信號維度為2×128。在信號采樣的過程中，采樣頻率為1 MHz，每個符號的樣本數為8，樣本總數為162 060 個，信號比（Signal Noise Ratio，SNR）范圍為-20 ～18 dB。不同調制類型的同相正交（In-phase/Quadrature，I/Q）時域信號如圖1 所示。

圖1 I/Q 時域信號

文章采用Pycharm Community Edition 2020 和Anaconda3 獲取I/Q 時域信號，并根據RBF 神經網絡模型，劃分信號塊。信號塊相對較小，能夠確保RBF網絡的有效輸入序列滿足實驗需求。原始輸入序列大小為2×128，劃分為32×2、16×2、8×2、4×2、1×2 等信號塊，分塊識別無線電信號，確保識別效果。

2.2 實驗結果

文章隨機選取ASK、QAM、CDMA 及MC-CDMA這4 種無線電信號自動調制方式，并調整信號的參數規模，使其適應識別需求。在其他條件均已知的情況下，將文獻[1]方法的性能指標、文獻[2]方法的性能指標與文章設計的基于RBF 神經網絡的無線電信號自動調制識別方法的性能指標進行對比。實驗結果如圖2 所示。圖2 中，圖例OA為整體準確率，AA為平均準確率，P為精確率，R為召回率，F1值為調和平均數。

圖2 實驗結果

在其他條件均一致的情況下，使用文獻[1]方法后，OA值、AA值在0.75 ～0.84 的范圍內變化，P值、R值、F1值在0.73 ～0.84 的范圍內變化。由此可見，該方法對無線電調制信號的識別準確率較低，無法發揮出天線的輻射能力。使用文獻[2]方法后，OA值、AA值在0.85 ～0.93 的范圍內變化，P值、R值、F1值在0.86 ～0.92 的范圍內變化。由此可見，該方法的識別性能優于文獻[1]方法，但是整體指標仍然偏低，需要進一步優化。而使文章設計方法后，OA值、AA值在0.96 ～1.00 的范圍內變化，P值、R值、F1值在0.96 ～1.00 的范圍內變化。由此可見，文章設計的方法識別性能更佳，能夠發揮出天線的輻射能力，為無線電信號的傳輸提供保障。

3 結 論

文章結合RBF 神經網絡的優勢，設計了無線電信號自動調制識別方法。該方法從調制信號特征、識別模型、調制類型識別等方面，快速識別出無線電信號的調制方式，針對不同的調制方式，理解信號的屬性與內容，為后續信號處理提供重要信息。