吳賽 王智慧 邵煒平 林春生 鄭偉軍 楊德龍

摘要 頻譜分析的關(guān)鍵在于準(zhǔn)確識(shí)別信號(hào)的調(diào)制方式，而常用的自動(dòng)調(diào)制識(shí)別方法在低信噪比下的識(shí)別率低，并且能夠識(shí)別的信號(hào)調(diào)制方式種類數(shù)少?；诖朔N情況，提出了一種基于循環(huán)譜和改進(jìn)的深度神經(jīng)網(wǎng)絡(luò)的頻譜分析方法。該方法使用卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短時(shí)記憶和深度神經(jīng)網(wǎng)絡(luò)相結(jié)合的神經(jīng)網(wǎng)絡(luò)（CLDNN）并將循環(huán)譜特征作為該網(wǎng)絡(luò)的原始輸入特征。仿真結(jié)果顯示所提出的方法在信噪比為-2 dB時(shí)能夠達(dá)到90%的識(shí)別準(zhǔn)確率，極大的提高了低信噪比情況下的信號(hào)識(shí)別性能。

關(guān) 鍵 詞 自動(dòng)調(diào)制分類;循環(huán)譜;神經(jīng)網(wǎng)絡(luò);頻譜感知

中圖分類號(hào) TN911.7 ? ? 文獻(xiàn)標(biāo)志碼 A

Cyclic spectrum and improved deep-neural-network based spectrum analysis method

WU Sai1， WANG Zhihui1， SHAO Weiping2， LIN Chunsheng3，

ZHENG Weijun2， YANG Denglong1

（1. China Electric Power Research Institute， Beijing 100192， China; 2. State Grid Zhejiang Electric Power Co.， LTD， Hangzhou， Zhejiang 310007， China; ?3. School of Information and Communication Engineering， Beijing University of Posts and Telecommunications， Beijing 100876， China ）

Abstract The essential of the accurate spectrum sensing is the automatic modulation classification. The commonly used automatic modulation classification （AMC） schemes has inferior classification performance at low signal-to-noise ratio （SNR） scenario and only few modulation formats can be identified. On this situation， a novel cyclic spectrum and improved deep-neural-network based modulation classification scheme is proposed， where convolutional neural network and a long short-term memory assisted deep neural network （CLDNN） structure is utilized and the cyclic spectrum features are the inputs of the network. The simulation results verify that the proposed scheme achieves 90% recognition accuracy at -2 dB SNR， which has greatly improved the recognition accuracy at low SNR and outperforms other recent methods.

Key words automatic modulation classification; cyclic spectrum; neural network; spectrum sensing

無(wú)線通信以即時(shí)實(shí)現(xiàn)固定與移動(dòng)、移動(dòng)與移動(dòng)的無(wú)障礙、無(wú)縫隙信息覆蓋為目標(biāo)，造成了無(wú)線通信業(yè)務(wù)的指數(shù)級(jí)增長(zhǎng)。然而，承載業(yè)務(wù)的無(wú)線電頻譜已經(jīng)基本分配殆盡且十分擁擠，很難找到剩余的頻段來(lái)滿足日益增長(zhǎng)的新業(yè)務(wù)需求。認(rèn)知無(wú)線電技術(shù)通過(guò)頻譜感知分析電磁環(huán)境中授權(quán)頻段的空閑時(shí)段，將空閑時(shí)段動(dòng)態(tài)的分配給次要用戶。對(duì)頻譜進(jìn)行動(dòng)態(tài)分配，極大的提高了頻譜的利用效率。而信號(hào)調(diào)制方式的正確識(shí)別是頻譜分析的前提，只有在正確的識(shí)別信號(hào)的調(diào)制方式之后，才能進(jìn)一步進(jìn)行頻譜監(jiān)測(cè)、管理、分配等任務(wù)。

現(xiàn)有的關(guān)于自動(dòng)調(diào)制分類識(shí)別主要采用兩類方法[1]：一類是基于最大似然決策理論的方法;另一類是基于特征提取分析的統(tǒng)計(jì)模式識(shí)別方法?；谧畲笏迫粵Q策理論的方法利用假設(shè)檢驗(yàn)從理論推導(dǎo)上計(jì)算信號(hào)的統(tǒng)計(jì)特性，此類方法計(jì)算復(fù)雜且需要知道載波頻率、碼元速率等先驗(yàn)知識(shí)。基于特征提取的統(tǒng)計(jì)模式識(shí)別方法主要由信號(hào)預(yù)處理、特征提取以及分類器設(shè)計(jì)3大部分組成。雖然是一種次優(yōu)的方法，但是其計(jì)算復(fù)雜度得到了極大的降低，配合神經(jīng)網(wǎng)絡(luò)，使得其具有非常好的魯棒性。

文獻(xiàn)[2]中提出的決策樹(shù)算法使用時(shí)域信號(hào)的累積量和循環(huán)矩作為特征;文獻(xiàn)[3-4]使用高階累積量作為分類特征;譜相關(guān)方程[5-6]等常被用作為數(shù)字調(diào)制分類算法的特征。相比于傳統(tǒng)的基于決策樹(shù)和SVM[7-8]等算法，最近興起的神經(jīng)網(wǎng)絡(luò)表現(xiàn)出更好的分類能力。文獻(xiàn)[9]使用3層隱藏層的DNN全連接神經(jīng)網(wǎng)絡(luò)，選取信號(hào)瞬時(shí)相位、瞬時(shí)幅度、瞬時(shí)頻率和累積量等21個(gè)特征，將這21個(gè)特征歸一化后輸入DNN網(wǎng)絡(luò)進(jìn)行調(diào)制信號(hào)的分類識(shí)別。此方法的分類識(shí)別率得到極大的提升，但是可以識(shí)別的調(diào)制方式種類數(shù)少且在低信噪比下的識(shí)別能力有限。文獻(xiàn)[10]提出了將已調(diào)信號(hào)的幅度和相位作為特征直接輸入到LSTM（長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)）網(wǎng)絡(luò)中，利用LSTM對(duì)信息的長(zhǎng)時(shí)記憶能力來(lái)盡可能多的學(xué)習(xí)信號(hào)的特征，此方法特征簡(jiǎn)單，極大的降低了計(jì)算復(fù)雜度，但是不足之處在于分類識(shí)別能力較弱。本文基于循環(huán)譜特征，通過(guò)提取循環(huán)譜圖的峰值，并將其按位置順序組成一維向量以保持峰值樣點(diǎn)在圖中的位置信息，并結(jié)合卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短時(shí)記憶和深度神經(jīng)網(wǎng)絡(luò)相結(jié)合的神經(jīng)網(wǎng)絡(luò)（CLDNN）進(jìn)行分類識(shí)別任務(wù)。通過(guò)仿真表明，所提出的方法大大提高了低信噪比下的識(shí)別準(zhǔn)確率和可以識(shí)別的調(diào)制方式種類數(shù)目。

3.2 不同網(wǎng)絡(luò)模型的對(duì)比

實(shí)驗(yàn)所用特征為循環(huán)譜特征，并選取單一的LSTM和DNN網(wǎng)絡(luò)與本文的CLDNN網(wǎng)絡(luò)作對(duì)比實(shí)驗(yàn)。從圖7中可以看出，DNN網(wǎng)絡(luò)在低信噪比下的識(shí)別率明顯低于其他兩種方法。DNN網(wǎng)絡(luò)是將特征映射到更容易分類的空間，所以對(duì)特征要求高，然而在低信噪比下，特征顯著性較差，故而DNN網(wǎng)絡(luò)在低信噪比下的性能較差，而LSTM網(wǎng)絡(luò)對(duì)信息的長(zhǎng)時(shí)記憶能力一定程度上彌補(bǔ)這一缺點(diǎn)，這使得信噪比低于-1 dB時(shí)，LSTM網(wǎng)絡(luò)的識(shí)別性能明顯優(yōu)于DNN網(wǎng)絡(luò)。但是隨著信噪比的提高，特征顯著性越來(lái)越高，DNN網(wǎng)絡(luò)的優(yōu)勢(shì)顯現(xiàn)出來(lái)，在信噪比高于-1 dB時(shí)，DNN網(wǎng)絡(luò)的識(shí)別性能反超LSTM。在信噪比大于4 dB時(shí)，DNN網(wǎng)絡(luò)的識(shí)別性能和本文所提出的CLDNN網(wǎng)絡(luò)相差無(wú)幾。而CLDNN網(wǎng)絡(luò)綜合LSTM和DNN兩種網(wǎng)絡(luò)的特點(diǎn)，無(wú)論低信噪比還是高信噪比下的識(shí)別性能都不低于其他兩種網(wǎng)絡(luò)。

3.3 所提出的方法與不同調(diào)制方式的識(shí)別性能對(duì)比

圖8對(duì)10種不同調(diào)制方式進(jìn)行調(diào)制分類識(shí)別實(shí)驗(yàn)，展示了不同調(diào)制方式的識(shí)別準(zhǔn)確率，可以看出，在信噪比大于3 dB時(shí)，所有的調(diào)制方式的識(shí)別率均達(dá)到80%以上。80%識(shí)別準(zhǔn)確率是研究區(qū)分不同調(diào)制方式的最低參考界限，一般認(rèn)為，最低信噪比是在樣本數(shù)目一定的條件下，準(zhǔn)確識(shí)別率達(dá)到80%時(shí)所對(duì)應(yīng)的SNR值。在信噪比大于4 dB時(shí)，10種調(diào)制方式的識(shí)別率穩(wěn)定在90%以上，在信噪比大于8 dB時(shí)，10中調(diào)制方式的識(shí)別率基本都穩(wěn)定在100%左右。在低信噪比場(chǎng)景下，各調(diào)制方式信號(hào)的特征顯著性和穩(wěn)定性較差，難以穩(wěn)定的表征不同調(diào)制方式信號(hào)且表征能力也隨信噪比的變化而變化，這是低信噪比下調(diào)制方式識(shí)別率呈現(xiàn)非單調(diào)遞增的主要原因。

圖9給出本文所用方法在-14 dB、-4 dB和8 dB下的混淆矩陣?？梢钥闯鲈?14 dB信噪比時(shí)，由于受強(qiáng)噪聲帶來(lái)的隨機(jī)性影響，誤判頻頻發(fā)生，且沒(méi)有一定誤判規(guī)律性。在信噪比為-4 dB時(shí)，誤判主要發(fā)生在16QAM和64QAM以及QPSK和MSK的相互識(shí)別中， 這主要是QAM類信號(hào)的嵌套星座圖樣導(dǎo)致的。在8 dB情況下，沒(méi)有任何誤判事件發(fā)生。

4 結(jié)論

本文提出一種基于循環(huán)譜和CLDNN網(wǎng)絡(luò)的調(diào)制方式分類方法。該方法使用差異性高的循環(huán)譜特征作為分類特征，利用CLDNN網(wǎng)絡(luò)接收循環(huán)譜特征并對(duì)特征進(jìn)行更深層的優(yōu)化表征。CLDNN網(wǎng)絡(luò)綜合利用CNN減小頻域變化、LSTM長(zhǎng)時(shí)記憶和DNN將特征映射到更容易分類的特征空間的能力，進(jìn)一步提升網(wǎng)絡(luò)在各信噪比下的分類識(shí)別性能。實(shí)驗(yàn)結(jié)果顯示所提出的方法的分類識(shí)別準(zhǔn)確率相比傳統(tǒng)方法獲得了極大的提升，并在低信噪比場(chǎng)景下表現(xiàn)出不錯(cuò)的分類性能。在信噪比為-6 dB時(shí)的識(shí)別率準(zhǔn)確率達(dá)到80%，并且在-2 dB時(shí)能夠達(dá)到90%的識(shí)別準(zhǔn)確率。

參考文獻(xiàn)：

[1] ? ?DOBRE O A，ABDI A，BAR-NESS Y，et al. Survey of automatic modulation classification techniques：classical approaches and new trends[J]. IET communications，2007，1（2）：137-156.

[2] ? ?SWAMI A，SADLER B，BRIAN M. Hierarchical digital modulation classification using cumulants[J]. IEEE Transactions on Communications，2000，48（3）：416-429.

[3] ? ?WU H C，SAQUIB M，YUN Z. Novel automatic modulation classification using cumulant features for communications via multipath channels[J]. IEEE Transactions on Wireless Communications，2008，7（8）：3098-3105.

[4] ? ?ELDEMERDASH Y A，MAREY M，DOBRE O A，et al. Fourth-order statistics for blind classification of spatial multiplexing and Alamouti space-time block code signals[J]. IEEE Transactions on Communications，2013，61（6）：2420-2431.

[5] ? ?GARDNER W A，BROWN W A I，CHEN C K. Spectral correlation of modulated signals：Part ii-digital modulation[J]. IEEE Transactions on Communications，1987，35（6）：595-601.

[6] ? ?YAN X，F(xiàn)ENG G，WU H C，et al. Innovative robust modulation classification using graph-based cyclic-spectrum analysis[J]. IEEE Communication Leters，2017，21（1）：16-19.

[7] ? ?TENG X ，TIAN P ，YU H. Modulation classification based on spectral correlation and SVM[C]// International Conference on Wireless Communications. IEEE，2008：1-4.

[8] ? ?HE X ，ZENG Z ，GUO C . Signal classification based on cyclostationary spectral analysis and HMM/SVM in cognitive radio[C]// International Conference on Measuring Technology & Mechatronics Automation. IEEE Computer Society，2009：309-312.

[9] ? ?KIM B，KIM J，CHAE H，et al. Deep neural network-based automatic modulation classification technique[C]// International Conference on Information & Communication Technology Convergence. IEEE，2016：579-582.

[10] ?RAJENDRAN S，MEERT W，Giustiniano D，et al. Deep learning models for wireless signal classification with distributed low-cost spectrum sensors[J]. IEEE Transactions on Cognitive Communications and Networking，2018，4（3）：433-445.

[責(zé)任編輯 ? ?田 ? ?豐]