李 鑫，張傳武，高 勇

(1.四川大學 電子信息學院，四川 成都610065；2.電子信息工程(西南民族大學)國家民委重點實驗室，四川 成都610225)

0 引言

調制方式自動識別廣泛應用于軍事和民用場合，包括無線電頻譜管理、智能通信、通信抗截獲、電子偵測、電子對抗和電子反對抗等[1]。調制識別的主要任務是在先驗信息不足的情況下，實現(xiàn)對調制信號的智能接收和處理。高階正交振幅調制(MQAM)具有頻帶利用率高、抗噪聲性能強等優(yōu)點，在衛(wèi)星通信和微波通信中得到廣泛應用[2-3]。因此，對于MQAM信號調制識別的研究具有十分重要的現(xiàn)實意義[4-6]。

目前，國內外對于調制信號自動識別的方法分為2類[7-9]：基于決策理論的最大似然估計法和基于特征提取的統(tǒng)計模式識別方法。但是這2種方法都需要大量關于統(tǒng)計量或者特征提取的知識。在先驗信息不足且低信噪比情況下，無論是基于最大似然估計法還是特征提取法，這2種方法的性能和適應性都還有待提高[10]。文獻[11]通過提取信號四階和六階累積量特征，利用遺傳規(guī)劃理論和K最鄰近分類方法，在信噪比為5 dB時，集內BPSK、QPSK、16QAM、64QAM四種調制信號才達到85%的識別準確率。文獻[12]利用信號矢量圖中最小環(huán)帶的方差特征，在信噪比為14 dB時，才能實現(xiàn)對64階以下的QAM信號90%的識別準確率。文獻[13]通過提取集內3種信號的星座圖特征，利用卷積神經網(wǎng)絡實現(xiàn)對4QAM、16QAM、64QAM的識別，集內不包括頻帶利用率更高的128QAM，且星座圖預處理需要消除載波頻偏和定時誤差對星座圖的影響，預處理過程復雜、速度慢。

考慮到深度學習在圖像處理和語音處理等領域的高速發(fā)展[14-15]。本文提出一種利用時頻域對數(shù)特性結合深度學習的調制方式識別算法，對集合內的QPSK、8QAM、16QAM、32QAM、64QAM、128QAM六種信號進行自動識別。仿真結果表明，在信噪比大于4 dB時，該算法具有較好的識別性能，對集內6種信號的識別準確率均能達到90%以上。

1 信號模型

四進制相移鍵控QPSK信號發(fā)送端信號表達式為：

SQPSK(t)=∑nAmsng(t-nTb)ej(2πfct+θn)。

(1)

正交振幅調制MQAM信號發(fā)送端信號表達式為：

SMQAM(t)=∑nAnsng(t-nTb)ej(2πfct+θn)，

(2)

式中，Am，An為調制信號的瞬時幅度，An隨符號的變化而變化；sn為信息序列的第n個發(fā)送符號；g()為基帶波形函數(shù)，通常采用升余弦成型脈沖，周期為Tb；fc，θn分別為載波頻率和載波相位。

調制信號經過加性高斯白噪聲信道(AWGN)后，接收端對其進行采樣，此時接收端信號表達式為：

R(n)=∑nAsng(kTs-nT)ej[2π(fc+Δfc)kTs+θn)]+W(kTs)，

(3)

式中，A為Am或An；Ts為采樣周期；Δfc為頻偏；W(kTs)為均值為0，方差為σ2的加性高斯白噪聲。

2 信號預處理

在實際的非協(xié)作通信系統(tǒng)中，由于存在頻偏以及不能確定碼速率的確切值，將接收到的信號直接作為神經網(wǎng)絡的輸入，已經不能準確地識別集合內的6種信號?？紤]到倒譜變換后的信號能量集中，擴大了動態(tài)分析的頻譜范圍和提高了再變換的精度，能夠增強識別能力。因此，本文算法首先對接收端信號R(n)進行簡單的構造以得到特殊的I/Q重構信號X(n)。需要說明的是：X(n)的I/Q信號并非幅度相等、相位相差90°，僅相當于由2個簡單特征構造而得。本文算法所涉及的信號預處理流程如圖1所示。

圖1 信號預處理流程Fig.1 Signal preprocessing flow chart

相應步驟為：

① 時域對數(shù)。直接對接收端信號R(n)求對數(shù)和求模，得到X(n)的I路信號XI(n)，其中XI(n)=|lg[R(n)]|，lg[·]表示取對數(shù)，| |表示取模值。

② 頻域對數(shù)。對接收端信號R(n)做倒譜變換和求模，得到X(n)的Q路信號XQ(n)，其中XQ(n)=|IFFT{lg[FFT(R(n))]}|，F(xiàn)FT( )表示快速傅里葉變換，IFFT{ }表示快速傅里葉反變換。

③ 對X(n)=XI(n)+jXQ(n)進行幅值歸一化處理，得到重構信號X(n)，其中

倒譜變換具體步驟為：

首先，對接收端信號R(n)做FFT得到：

FN=FFT(R(n))，

(4)

然后，對頻域的FN求對數(shù)：

LN=lg[FN]=lg[FFT(R(n))]，

(5)

最后，對LN做IFFT，求模得XQ(n)：

XQ(n)=|IFFT{LN}|=

|IFFT{lg[FFT(R(n))]}| 。

(6)

本文提出的預處理算法，既利用了原始信號的時域對數(shù)特征，又利用了頻域對數(shù)特征，即倒譜特征，將二者進行融合，得到神經網(wǎng)絡的輸入信號X(n)，通過仿真實驗證明了本文預處理算法的有效性。

3 基于CNN的調制方式識別算法

本文算法結合正交振幅調制信號特征，首先對接收端信號進行時頻域對數(shù)預處理，再通過深度卷積神經網(wǎng)絡進行深度特征提取，softmax邏輯回歸分類器進行分類。在無任何先驗信息的情況下，設計了一種利用時頻域對數(shù)結合深度學習的調制信號自動識別算法，識別流程如圖2所示。

圖2 算法識別流程Fig.2 Algorithm identification flow chart

本文所使用的卷積神經網(wǎng)絡模型結構如圖3所示。輸入為經過預處理之后的I/Q兩路重構信號，卷積層對I/Q兩路數(shù)據(jù)進行自學習，池化層通過降采樣提高深度分類特征的魯棒性，將自學習的深度分類特征輸入到所設計的分類器，通過計算當前深度特征對應標簽信號的概率，實現(xiàn)調制信號方式自動識別。該算法模型避免繁瑣的人工選擇和分類特征不易選取的缺陷[16-17]。

圖3 卷積神經網(wǎng)絡結構Fig.3 Structure of CNN

該模型共3層卷積層，其中第1層和第2層卷積層的卷積核大小設置為1×6，步長均設置為2，第3層卷積層的卷積核大小設置為1×3，步長設置為1；初始學習率設置為0.000 1。重構信號經過3個卷積層、3個池化層、2個全連接層之后，按照6種調制方式輸出。

卷積層通過使用卷積核對輸入的調制信號進行卷積以得到不同的特征映射。在每層卷積層后添加一層最大池化層，以達到對特征映射降維和減少運算量的目的。通過引入激活函數(shù)，將非線性特征引入到網(wǎng)絡中，把網(wǎng)絡的輸入映射到輸出端，采用CNN中常用的線性整流單元ReLU作為激活函數(shù)。設置2個全連接層，第1個全連接層的輸出元素個數(shù)為1 024；第2個全連接層的輸出元素個數(shù)設置為6，代表6種調制信號類型。

通過softmax回歸進行歸一化處理，得到分類類別概率。代價函數(shù)通過交叉熵來確定。采用隨機失活(dropout=0.5)對CNN網(wǎng)絡進行優(yōu)化，以解決可能出現(xiàn)的過擬合和梯度消失的問題。

訓練集數(shù)據(jù)帶有標簽，本文使用的網(wǎng)絡模型通過不斷學習重構信號的深度特征，整個系統(tǒng)通過梯度反向傳播機制，不斷調節(jié)網(wǎng)絡中的參數(shù)，使得系統(tǒng)輸出結果與標簽結果的誤差達到最小。

4 算法仿真以及性能分析

4.1 仿真數(shù)據(jù)集

為了得到目標CNN模型，需要通過大量樣本數(shù)據(jù)對CNN進行有監(jiān)督的訓練；為了驗證訓練好的網(wǎng)絡的泛化能力，需要用測試樣本進行測試以驗證本文算法的可行性。

仿真實驗的數(shù)據(jù)集由QPSK、8QAM、16QAM、32QAM、64QAM、128QAM六種信號組成。碼速率設置為50 kbps～5 Mbps，采樣頻率為4～6倍的碼速率，頻偏為-0.1～0.1倍碼速率，根升余弦濾波器系數(shù)R=0.35，采樣點數(shù)設置為6 000點。

通過仿真產生2個數(shù)據(jù)集，數(shù)據(jù)集1按4∶1的比例分為訓練集和驗證集，信噪比范圍為-10～16 dB，間隔為2 dB，每個樣本包含I/Q兩路數(shù)據(jù)，共67 200個樣本，其中訓練集是用來訓練參數(shù)和梯度下降的，驗證集是在每個epoch(迭代次數(shù))完成后，用來測試一下當前模型的準確率；數(shù)據(jù)集2為測試集，用來檢驗最終選擇最優(yōu)模型的性能，產生100個測試集，對測試結果進行統(tǒng)計平均，計算出每類信號的識別準確率以及6種信號的平均識別準確率。

當信噪比為0 dB，碼速率為2 Mbps，采樣倍數(shù)為5，頻偏為0.05倍碼速率時，集內QPSK，8QAM，16QAM，32QAM，64QAM和128QAM六種信號經過預處理后的重構信號X(n)的I/Q兩路信號時域波形如圖4所示。

圖4 預處理后I/Q兩路重構信號時域波形Fig.4 Time-domain waveforms of two reconstructed I/Q signals after preprocessing

4.2 仿真結果

通過繪制交叉熵損失函數(shù)曲線，如圖5所示?？梢钥闯?，訓練集和驗證集loss都呈下降趨勢，前10次迭代，由于神經網(wǎng)絡還沒學習到數(shù)據(jù)的全部深度特征，驗證集loss波動較大，但隨著epoch增加，訓練集和驗證集loss都逐漸趨于穩(wěn)定，當epoch達到40次時，loss基本不變，此時可以得到最佳epoch數(shù)。

圖5 訓練集和驗證集損失函數(shù)曲線Fig.5 Loss function curves of training and validation sets

CNN神經網(wǎng)絡經過40個epoch之后得到最優(yōu)的網(wǎng)絡模型，通過測試集得到的6種信號的識別準確率如圖6所示。

圖6 識別準確率Fig.6 Recognition accuracy

由圖6可以看出，當信噪比大于4 dB時，6種信號的識別準確率均達到90%以上。

當信噪比為4 dB時，集內6種信號識別準確率的混淆矩陣如圖7所示。

圖7 SNR=4 dB識別準確率的混淆矩陣Fig.7 Confusion matrix of recognition accuracy when SNR=4 dB

本文采用的時頻域對數(shù)特性結合深度學習算法與無任何預處理、僅時域對數(shù)預處理和僅頻域對數(shù)預處理的平均識別準確率對比如圖8所示。

圖8 平均識別準確率對比Fig.8 Comparison of average recognition accuracy

由圖8可以看出，無任何預處理的平均識別準確率很低；僅時域對數(shù)預處理，隨著信噪比增加，平均識別準確率提升不大；僅頻域對數(shù)預處理，平均識別準確率提升較大，但最后平均識別準確率最大在90%左右。本文提出的預處理算法將時域對數(shù)和頻域對數(shù)特性相結合，重構信號作為神經網(wǎng)絡的輸入，使得識別準確率得到了很大的提升。進一步驗證了本文提出的預處理算法的可行性，在信噪比很低的情況下，仍然有較高的識別率。

4.3 實測信號驗證

算法性能通過一個NI USRP-2930硬件平臺發(fā)送信號QPSK、8QAM、16QAM、32QAM、64QAM、128QAM，一個NI USRP-2930硬件平臺接收無線信號的方式來驗證。設置發(fā)送端載波頻率為515 MHz，碼元速率為125 kbps，采樣率為500 kHz，根升余弦系數(shù)為0.35。測試集每類信號產生100條信號，每條信號采樣點數(shù)為6 000。實驗結果如表1所示。

表1 每類信號不同信噪比的識別準確率

由表1可知，在信噪比為7 dB時，每類信號信噪比均達到90%以上，通過實測信號驗證了算法的有效性。實測信號實驗結果與仿真信號實驗結果不一樣的原因是：實測信號集加噪的方式是先用設備將信號采集下來(默認采集下來的信號是不帶噪聲的)，然后通過Matlab加噪。

5 結束語

針對QPSK和MQAM信號調制方式識別的問題，提出了一種利用時頻域對數(shù)結合深度學習的調制信號自動識別算法，實現(xiàn)了在低信噪比的情況下，對QPSK和MQAM信號的有效識別。本文提出的算法無需知道任何先驗信息，通過對接收的信號進行簡單的預處理，將重構信號輸入到已經訓練好的網(wǎng)絡模型中，即可完成對集內6種信號的自動調制方式識別，避免了繁瑣的人工提取特征的過程。相較于已有的關于QAM信號識別的文獻，本文算法通過實測信號驗證在信噪比大于7 dB時，集內每類信號的識別準確率均已達到90%以上，預處理復雜度低，效果較好，具有一定的實用價值。