桂祥勝，洪居亭，代華建，孫田亮

（四川大學電子信息學院，成都 610065）

1 背景介紹

在通信信號處理領域，特別是在非協(xié)作通信信號盲解調研究領域，每時隙突發(fā)信號的調制方式不同，必須進行信號的調制方式自動識別。信號的調制方式識別效果會影響整個盲解調系統(tǒng)。傳統(tǒng)的專家系統(tǒng)已經(jīng)被研究多年，然而依然存在準確性低、效率低等問題。近年來，深度學習方法廣泛應用于圖像處理[1-2]和語音識別[3-4]領域，取得了不錯的效果。信號星座圖是表征數(shù)字調制信號的一種重要方式，它能夠直觀地將信號以圖片幾何特征的形式展示出來，便于人們觀察和分析。傳統(tǒng)的人眼分辨方法依賴于一定的專業(yè)知識、耗時且識別準確率較低。我們將深度學習方法引用到通信信號處理領域，提出了一種基于卷積神經(jīng)網(wǎng)絡的信號調制方式自動識別方法。

2 生成數(shù)據(jù)集

2.1 原始數(shù)據(jù)的生成

實驗需要獲取多種調制方式、寬信噪比范圍、帶有標簽的數(shù)據(jù)，這在短時間內難以通過采集真實信號來實現(xiàn)。本次實驗所需數(shù)據(jù)通過仿真產(chǎn)生，實驗選取部分數(shù)據(jù)進行訓練學習，使用另外的數(shù)據(jù)進行驗證測試。仿真生成數(shù)據(jù)過程主要有生成隨機0-M 數(shù)字（M為調制階數(shù)）、MQAM/MPSK 調制、成形濾波、載波上變頻、信道仿真（加性高斯白噪聲信道）、IQ 正交解調、匹配濾波、重構信號星座圖并保存。整個生成數(shù)據(jù)流程如下所示。

圖1 生成信號流程圖

本次仿真共生成 7 種調制方式（BPSK、QPSK、8PSK、QAM8、QAM16、QAM32、QAM64）信號，每種調制方式信號信噪比為-20dB、-18dB、…、+16dB、+18dB。每種調制方式在某一信噪比下共有1000 條數(shù)據(jù)，生成1000 張星座圖片，每張圖片包含1000 符號信息（即每張星座圖圖上有1000 個點）。仿真生成的基帶信號經(jīng)成形濾波后時域圖形如下所示。

圖2 經(jīng)成形濾波后的信號時域圖

2.2 IIQQ正交解調和星座圖

在通信系統(tǒng)接收方通常需要將接收到的中頻信號變成基帶信號這就需要數(shù)字下變頻操作。數(shù)字下變頻（DDC）通常包括IQ 正交解調和低通濾波兩部分。IQ 正交解調需要知道信號的載波頻率，低通濾波器截止頻率的設置和信號帶寬相關。經(jīng)過低通濾波過后即可得到IQ 兩路信號，此時得到的IQ 路信號還需要經(jīng)過匹配濾波、下采樣符號同步等過程，才能重構信號星座圖。

圖3 數(shù)字下變頻原理說明圖

圖4 IQ兩路信號和幅度相位關系說明圖

IQ 信號能夠同時包含信號的幅度和相位等信息，IQ信號可以輕松地形成一個復信號。大多數(shù)數(shù)字調制將數(shù)據(jù)映射到IQ 平面中的許多離散點，稱之為星座圖[5]。

3 基于CNN的調制方式識別工作原理

3.1 卷積網(wǎng)絡結構

基于CNN 的調制方式識別模型網(wǎng)絡框圖如下所示。輸入層輸入的是150×120 像素尺寸大小的信號星座圖，經(jīng)過3 個卷積層、3 個池化層，扁平層，到最后按照7 種調制類型輸出。訓練集數(shù)據(jù)都是帶有標簽的，即事先知道某信號的調制方式，不斷學習圖片對應調制類型，整個系統(tǒng)通過梯度反向傳播機制，不斷調節(jié)其中的相關參數(shù)，使整個系統(tǒng)的輸出結果和標簽結果的誤差最小。這就是整個模型系統(tǒng)的一個學習過程。

圖5 CNN網(wǎng)絡模型結構圖

圖6 卷積操作池化說明圖

卷積池化操作是CNN 中重要的組成部分，上圖左圖中假設了4×5 大小的輸入矩陣數(shù)據(jù)，和3×3 的卷積核進行卷積運算的過程，得到信號的特征圖。上圖右圖是4×4 的特征層進行2×2 最大池化的運算過程。

CNN 的功能是從特定模型中提取特征，然后根據(jù)特征進行分類識別、預測或做出決策。在此過程中，最重要的一步是特征提取，即如何提取能夠最好地區(qū)分事物的特征。如果提取的特征不能進行分類，那么特征提取步驟將毫無意義。網(wǎng)絡模型中卷積層層數(shù)越多，更容易把握輸入信號的細微特征[6]。然而，在深度神經(jīng)網(wǎng)絡的設計中，應該在每個階段考慮卷積層數(shù)和核大小，嘗試以最少的計算量獲得最佳結果，網(wǎng)絡設計需要平衡網(wǎng)絡結構的寬度和深度。

對于相同的CNN 網(wǎng)絡結構，迭代的次數(shù)，數(shù)據(jù)量的大小和學習率都會影響模型的分類結果和有效性。這些參數(shù)的設置都需要在實踐中不斷嘗試、不斷分析修改。在本實驗中，設計的CNN 模型使用3 層卷積網(wǎng)絡層，卷積核大小為3×3，迭代次數(shù)為40，隨著訓練量的變化調整參數(shù)大小。

3.2 每層輸入和輸出大小

輸入層：150×120 像素大小的信號星座圖。卷積層1（Conv1）：由 3×3 內核生成的 148×118 個特征圖。池化層第 1 層（Pooling1）：從 2×2 區(qū)域進行二次采樣后的74×59 個像素圖。卷積層 2（Conv2）：由 3×3 內核生成的 72×57 個特征映射。池化層第 2 層（Pooling2）：從 2×2 區(qū)域進行二次采樣后的36×28 個特征映射。卷積層3（Conv3）：由 3×3 內核生成的 34×26 個特征映射。池化第 3 層（Pooling3）：從 2×2 區(qū)域進行二次采樣后的17×13 個特征映射。完全連接層（F1atten）：從 Pooling 3的所有像素轉換的 14144 個節(jié)點，即 17×13×64=14144。Dense1：64，Dense2（輸出層 Output）7 個結點，Softmax 分類器分類輸出，輸出7 個節(jié)點，代表七種不同的調制方法。

3.3 星座圖

由于卷積和池化操作，CNN 可以從圖像細微差別中檢測到信號特征，來分類識別信號。我們使用七種最常用的調制方法（BPSK，QPSK，8PSK,QAM8,QAM16，QAM32，QAM64）作為例子來說明。從下圖可以看出，BPSK 信號星座圖分布在x=0 軸兩端，成2 個塊團狀；QPSK 信號分布X 軸Y 軸正負兩側。呈現(xiàn)4 個團塊狀；8PSK 分布成8 個塊團，且每個塊團離坐標原點的距離相等，8 個塊團形成了一個圓。QAM16 均勻分布在坐標軸四個象限，每個現(xiàn)象有四個團塊，共16 個團塊。綜上所述，不同數(shù)字調制信號星座圖的幾何形狀不同，在實際工程中，通信工程師經(jīng)常會根據(jù)星座圖形狀來判斷信號的調制方式。

圖7 在SNR為10dB時BPSK、QPAK、8PSK、QAM8、QAM16、QAM64調制信號的星座圖

4 實驗和結果

4.1 機器學習模型的選擇

實驗時選擇了通信系統(tǒng)中常用的七種調制方式，并在不同數(shù)量的訓練集下進行訓練分類識別測試。基于其他研究人員以前的工作，知道卷積神經(jīng)網(wǎng)絡具有計算復雜度低和識別準確率高的優(yōu)點[7-8]。特別是在圖像處理領域，卷積神經(jīng)網(wǎng)絡更是具有其他模型結構不可替代的效果，實驗中選擇卷積神經(jīng)網(wǎng)絡模型來訓練星座圖。

4.2 圖片尺寸

當執(zhí)行CNN 圖像分類時，不可避免地要考慮模型輸入圖像的大小，圖像越大，模型計算量就越大，分類識別也就越耗時；圖像太小又會看不清圖像幾何輪廓，影響模型判斷識別。經(jīng)過多次反復嘗試，最終確定輸入的星座圖像大小為150×120 像素。

4.3 圖片類型

為了得到最佳分類識別效果，選擇信號不同的特征圖，分別進行實驗。選擇相同的信號，分別生成相同圖像大小的時域頻域星座圖形，利用相同的模型進行訓練測試，信噪比為8 時的識別效果如下表1 所示。從表1 可以看出，星座圖具有更好的特征表現(xiàn)效果。

表1 當SNR 為8dB 時，不同的特征圖像分類識別精度

在某一信噪比下，訓練集中包含了7 種調制方式信號星座圖，每種調制方式400 張圖片，共2800 張星座圖片。驗證集數(shù)量和訓練集一樣，總共也是2800 張圖片。測試集包含7 種調制方式信星座圖，每種信號200 張圖片，總共有1400 張圖片。部分信噪比下，模型的訓練表現(xiàn)如圖8 所示。

圖8 不同信噪比下的訓練表現(xiàn)

如圖8 所示，不同信噪比下的信號隨著訓練迭代次數(shù)的增加，模型的損失值越來越小，模型驗證的準確率越來越高。信號信噪比較低時，損失函數(shù)起始瞬時值較大，損失值下降較慢。在-20dB 和-6dB 時，信號起始損失值均大于1.5。信噪比較低時，模型的驗證準確率也較低，比如在-20dB 是，模型的準確率在76%左右。

4.4 驗證結果

在每個SNR 下，選擇七種調制方式共1400 張圖片輸入到已經(jīng)訓練的模型網(wǎng)絡中進行分類識別，實驗結果如圖9。

圖9 不同信噪比下的測試表現(xiàn)

從實驗結果來看，利用星座圖特征，基于卷積神經(jīng)網(wǎng)絡的識別模型識別準確率高。在-20dB 下，識別效果得到77%，-10dB 及以上，模型的分類識別準確率趨近100%。分類效果遠優(yōu)于傳統(tǒng)分類方法。

5 結語

在圖像分類領域，CNN 訓練模型具有其他機器學習方法所不具備的優(yōu)點。通信信號星座圖蘊藏著調制特征信息，卷積神經(jīng)網(wǎng)絡具有較強的特征學習能力，利用卷積神經(jīng)網(wǎng)絡模型能夠很好的實現(xiàn)調制分類識別。本文提出的一種基于CNN 的信號調制方式識別方法，選用七種常用的數(shù)字調制信號進行實驗，結果表明該方法能夠高效準確實現(xiàn)信號調制方式自動識別。與其他調制分類方法相比，CNN 使用少量數(shù)據(jù)集圖片，花費較少的訓練時間，即可獲得理想的分類結果。對于信噪比大于-10dB 的信號，模型分類準確率接近100%。結果表明，本文提出的分類識別方法切實有效。同時，它還為我們提供了一種新的思維方式，當一維數(shù)據(jù)信號進行實驗效果不佳時，我們可以考慮換種思路，例如增加特征的維度，將一維數(shù)據(jù)轉換成二維圖像，可以從二維圖像方面著手開始解決問題，可能效果會變得更好。

6 未來工作

實驗結果比傳統(tǒng)專家系統(tǒng)產(chǎn)生了更好的結果，但對于新興的機器學習領域（深度學習），信號處理缺乏大量真實有效帶標簽的數(shù)據(jù)。本文在實驗中使用的數(shù)據(jù)采用仿真產(chǎn)生，與實際接收的通信信號數(shù)據(jù)之間存在差異，特別是實際信號中的頻偏、相偏、多徑干擾等，都會對實驗結果產(chǎn)生影響。僅依靠機器學習（深度學習）本身并不是有效的解決方案，期待能夠在不久的將來結合機器學習方法與信號處理方法，在通信信號處理領域取得突破。雖然我們也在努力優(yōu)化CNN 的網(wǎng)絡結構，不斷調整模型參數(shù)，但仍然有很大的空間來優(yōu)化模型，以期達到最佳的分類結果。例如卷積層的層數(shù)增加，卷積核的大小變化，迭代次數(shù)修改等。當然，在實驗中將訓練數(shù)據(jù)集從一維數(shù)據(jù)轉換為二維圖像是一種處理思想上的突破。研究人員[9]已經(jīng)在時域和頻域進行了語音信號分析，無論數(shù)據(jù)信號是否可以轉換到其他域進行訓練分析，或者轉換為多維域進行測試和分析，還有很多工作需要去做。