張聿遠(yuǎn), 閆文君,*, 張立民, 張 媛

(1.海軍航空大學(xué)航空作戰(zhàn)勤務(wù)學(xué)院, 山東 煙臺 264001; 2.海軍航空大學(xué)航空基礎(chǔ)學(xué)院, 山東 煙臺 264001)

0 引 言

多輸入單輸出(multiple input single output, MISO)系統(tǒng)以其對空間的有效利用,已成為無線通信領(lǐng)域內(nèi)的一項重要內(nèi)容。在MISO系統(tǒng)中,空時分組碼(space-time block code, STBC)類型識別作為信號盲識別中的一項關(guān)鍵技術(shù),受到了越來越多的關(guān)注[1]。在通信偵查、頻譜感知等非協(xié)作通信條件下,信道和噪聲的先驗信息常常難以獲得,并且在實際通信過程中,信號還會受到來自敵方設(shè)備的電磁干擾。因此,尋求一種能夠在低信噪比和非協(xié)作條件下對STBC進(jìn)行盲識別的方法,對確保作戰(zhàn)平臺在復(fù)雜環(huán)境下的鏈路通信順暢具有重要意義。

現(xiàn)有的STBC識別方法仍以傳統(tǒng)算法為主,鮮有深度學(xué)習(xí)技術(shù)在該領(lǐng)域的應(yīng)用。傳統(tǒng)方法需對STBC特征進(jìn)行提取,主要利用STBC的相關(guān)性,對計算得到的累積量進(jìn)行假設(shè)檢驗以實現(xiàn)識別,包括基于二階統(tǒng)計特征的算法[1-4],和基于高階統(tǒng)計特征的方法[5-9]等。其中,基于二階統(tǒng)計特征的算法分別通過計算互相關(guān)矩陣[1],相關(guān)矩陣的誘導(dǎo)峰值[2]和二階循環(huán)統(tǒng)計特征的方法[3-4]進(jìn)行識別,基于高階統(tǒng)計特征的方法常采用計算四階統(tǒng)計量[6-8]和循環(huán)累積量[9]的方法來完成識別。除了利用統(tǒng)計特征的識別方法外,文獻(xiàn)[10]提出了通過K-S(kolmogorov-smirnov)檢測的方法對STBC進(jìn)行盲識別。以上算法只對4類STBC進(jìn)行了討論,甚至其中文獻(xiàn)[1,2,4,10]只對最常用的空間復(fù)用(special multiplexing, SM)信號和阿拉莫提(Alamouti，AL)信號進(jìn)行了分析,這是由于現(xiàn)有算法對STBC的識別建立在其相關(guān)性的基礎(chǔ)上,編碼矩陣長度相同的STBC具有相同的相關(guān)性,因而傳統(tǒng)算法無法對這類STBC進(jìn)行區(qū)分。因此,對相關(guān)性分布一致的STBC進(jìn)行識別仍是STBC識別領(lǐng)域的一個難點。

近年來,隨著深度學(xué)習(xí)技術(shù)在計算機(jī)視覺(computer vision, CV)領(lǐng)域的快速發(fā)展,通信領(lǐng)域的研究人員已經(jīng)開始將深度學(xué)習(xí)應(yīng)用于通信信號處理等問題中。文獻(xiàn)[11]利用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)對正交頻分復(fù)用(orthogonal frequency division,OFDM)信號的自相關(guān)灰度圖像進(jìn)行特征提取,以實現(xiàn)OFDM信號頻譜感知。在調(diào)制識別領(lǐng)域,文獻(xiàn)[12]創(chuàng)造性的將深度學(xué)習(xí)技術(shù)應(yīng)用于通信信號調(diào)制識別,提出了一種基于CNN的調(diào)制識別方法,實現(xiàn)了包括模擬和數(shù)字調(diào)制在內(nèi)的多種調(diào)制方式,并在低信噪比下取得了較好的識別性能。文獻(xiàn)[13]引入卷積加長短時深度神經(jīng)網(wǎng)絡(luò)(cnvolutional long short-term deep neural networks, CLDNN),通過將多個時間步內(nèi)的信號特征進(jìn)行融合,進(jìn)一步提升了模型的識別精度。文獻(xiàn)[14]以信號的實部和虛部數(shù)據(jù)、幅度相位數(shù)據(jù)和頻譜幅度等分別建立數(shù)據(jù)庫,基于CNN實現(xiàn)了工業(yè)、科學(xué)和醫(yī)學(xué)(industrial scientific medical, ISM)頻段的無線電干擾識別。文獻(xiàn)[15]在文獻(xiàn)[12]的基礎(chǔ)上,提出了基于VGG(visual geometry group)和ResNet網(wǎng)絡(luò)的深度CNN結(jié)構(gòu),將可識別的調(diào)制信號類型擴(kuò)展到24種,并在通用無線電硬件平臺上實現(xiàn)了識別測試,在頻偏和多徑衰落的影響下取得了較好的識別性能。在雷達(dá)輻射源識別領(lǐng)域,現(xiàn)有算法常采用Choi-Williams分布(Choi-Williams distribution, CWD)時頻變換將時域信號變?yōu)闀r頻圖像,構(gòu)建深度學(xué)習(xí)模型實現(xiàn)輻射源信號識別[16-19]。相對于傳統(tǒng)信號識別算法,深度學(xué)習(xí)算法具有無需人工提取特征、模型自學(xué)習(xí)能力強(qiáng)和數(shù)學(xué)分析較少等特點,但因信號的自身特征與視覺圖像在本質(zhì)上有較大區(qū)別,因此如何構(gòu)建符合信號本質(zhì)特征的神經(jīng)網(wǎng)絡(luò)框架,是深度學(xué)習(xí)技術(shù)應(yīng)用于通信信號處理問題的關(guān)鍵所在。

針對上述問題,本文提出一種基于CNN的串行STBC識別方法。首先將CNN應(yīng)用于STBC識別問題中,給出了基本CNN(CNN basic, CNN-B)模型;然后在分析STBC信號相關(guān)性的基礎(chǔ)上,針對SM和AL信號在低信噪比下的混疊問題,設(shè)計了基于相關(guān)性的CNN(CNN based on correlation, CNN-BC)模型;最后將6類STBC數(shù)據(jù)集輸入模型進(jìn)行訓(xùn)練和測試,完成STBC識別。仿真實驗表明,該方法輸入的數(shù)據(jù)量較少,僅需少量帶標(biāo)簽的數(shù)據(jù)即可獲得較好的識別性能,并且得益于GPU并行運算能力的提升,STBC識別過程可控制在微秒級別,具有較強(qiáng)的實時處理能力,非常適合于實際的工程應(yīng)用。

1 信號模型

考慮采用ns個發(fā)射天線,1個接收天線的STBC通信系統(tǒng),則接收端的STBC信號為串行序列。若每組STBC需要傳輸?shù)姆枖?shù)為n,待傳輸?shù)姆栂蛄繛镾=[s1,s2,…,sn]T,用一組STBC傳輸n個符號所需的時間為L,則STBC碼[6]傳輸矩陣G的維數(shù)為ns×L,具體表示為

(1)

y(t)=HG(t)+b(t)

(2)

2 基于CNN的STBC識別

深度學(xué)習(xí)技術(shù)實現(xiàn)的難點在于設(shè)計適合的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和預(yù)處理方法。在STBC識別領(lǐng)域,現(xiàn)有算法仍以傳統(tǒng)的特征提取算法為主,鮮有深度學(xué)習(xí)技術(shù)的應(yīng)用,因此需要探索針對STBC的識別方法。考慮到在調(diào)制識別領(lǐng)域常采用信號的實部和虛部兩路作為訓(xùn)練數(shù)據(jù),搭建CNN等神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)調(diào)制識別[12-15],本文借鑒了該數(shù)據(jù)采集方法,并針對STBC自身特性設(shè)計出更加適合STBC識別的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

2.1 CNN

CNN作為一種典型的人工神經(jīng)網(wǎng)絡(luò)模型,其本質(zhì)是通過簡單的激活函數(shù)和深層的網(wǎng)絡(luò)結(jié)構(gòu)對輸入樣本的特征進(jìn)行提取,以實現(xiàn)對未知復(fù)雜函數(shù)的逼近。CNN的優(yōu)勢在于不需要對接收信號進(jìn)行額外的處理,可自行提取接收端串行序列的時域特征,避免了傳統(tǒng)STBC識別算法復(fù)雜的特征提取過程,且不需要人工設(shè)計假設(shè)檢驗的閾值和相關(guān)參數(shù),避免了因調(diào)試經(jīng)驗不足而導(dǎo)致的識別誤差。

卷積層的作用是對輸入樣本的特征進(jìn)行提取?；具^程是對上一層輸出的每一個樣本與本層的卷積核進(jìn)行卷積運算,與偏置單元相加后代入激活函數(shù),作為本層的輸出樣本:

(3)

池化層的作用是減少網(wǎng)絡(luò)參數(shù),優(yōu)化訓(xùn)練過程。CNN的待訓(xùn)練參數(shù)主要集中在卷積層,利用池化層對卷積層輸出樣本進(jìn)行降維,能夠在樣本數(shù)不變的情況下減少網(wǎng)絡(luò)參數(shù),加快模型收斂,池化過程可表示為

(4)

全連接層一般位于網(wǎng)絡(luò)的末端,將學(xué)習(xí)到的特征轉(zhuǎn)化為容易理解的結(jié)果形式,實現(xiàn)卷積層與輸出結(jié)果的過渡。最后一層全連接的單元個數(shù)與分類個數(shù)相同,且常采用Softmax激活函數(shù),以實現(xiàn)對網(wǎng)絡(luò)輸出特征的分類。卷積層與池化層學(xué)習(xí)到的高階復(fù)雜特征通過全連接層后,能夠?qū)⑵滢D(zhuǎn)化為易于理解的標(biāo)簽類型形式,因此全連接層亦可理解為實現(xiàn)了“分類器”的作用。

2.2 CNN-B網(wǎng)絡(luò)結(jié)構(gòu)

考慮到CNN在調(diào)制識別領(lǐng)域已取得的成果[12-15],本文設(shè)計的CNN對文獻(xiàn)[12]中的結(jié)構(gòu)進(jìn)行了參考。文獻(xiàn)[12]創(chuàng)造性地將深度學(xué)習(xí)技術(shù)應(yīng)用到通信信號調(diào)制識別領(lǐng)域中,提出了一種基于CNN的調(diào)制識別方法,該方法能夠在低信噪比下有效識別包括模擬和數(shù)字調(diào)制在內(nèi)的多種調(diào)制信號,是調(diào)制識別領(lǐng)域的經(jīng)典網(wǎng)絡(luò)。本文對文獻(xiàn)[12]的網(wǎng)絡(luò)參數(shù)進(jìn)行了如下調(diào)整:一方面,將全連接層D2的單元數(shù)設(shè)置為與待識別的STBC種類數(shù)相同,以適應(yīng)網(wǎng)絡(luò)的輸出結(jié)果;另一方面,為了更好地對STBC進(jìn)行識別,將卷積層C1和C2的卷積核個數(shù)分別增加為256個和80個,全連接層D1的單元數(shù)增加為256個。

調(diào)整參數(shù)后的基本CNN模型CNN-B如表1所示。輸入層由STBC信號的實部和虛部兩行組成,大小為2×128。模型中的C表示卷積層,D為全連接層,卷積層C1、卷積層C2與全連接層D1的激活函數(shù)均為線性整流函數(shù)ReLU,全連接層D2使用歸一化指數(shù)函數(shù)Softmax作為激活函數(shù),輸出6類STBC信號的識別結(jié)果。

表1 CNN-B模型結(jié)構(gòu)

2.3 基于STBC相關(guān)性的CNN-BC網(wǎng)絡(luò)結(jié)構(gòu)

本文采用的CNN-B網(wǎng)絡(luò)取得了較好的識別性能,并且將傳統(tǒng)算法能夠識別的4類STBC信號擴(kuò)展到了6種,尤其是能夠?qū)崿F(xiàn)對具有相同編碼矩陣長度STBC的識別。在單接收天線下,編碼矩陣長度相同的串行STBC序列具有相同的相關(guān)性,因而利用相關(guān)性的傳統(tǒng)算法無法實現(xiàn)對這兩組信號的區(qū)分[1-10]。但是,CNN-B網(wǎng)絡(luò)在低信噪比下仍存在SM和AL信號混疊的問題,兩類信號的預(yù)測標(biāo)簽與真實標(biāo)簽產(chǎn)生了部分交叉。為進(jìn)一步提升網(wǎng)絡(luò)識別性能,解決該混疊問題,本文基于STBC信號的相關(guān)性對CNN-B網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了改進(jìn)。

考慮長度為K(K為偶數(shù))的接收序列y=[y(0),y(1),…,y(K-1)],定義序列y在時延向量[0,1]下的二階時延相關(guān)函數(shù)為

R(l)=y(2l)y(2l+1),l=0,1,…,K/2-1

(5)

進(jìn)一步可定義其二階統(tǒng)計量:

(6)

在時延向量[0,1]下,對于SM信號,以接受端第1個信號ySM(0)和第2個信號ySM(1)為例,由式(2)可知,這兩個連續(xù)時鐘信號可表示為

ySM(0)=h1s1+h2s2+b0

(7)

ySM(1)=h1s3+h2s4+b1

(8)

而由假設(shè)3可知信號之間獨立同分布,即s1、s2、s3和s4相互獨立,故ySM(0)與ySM(1)獨立。同理,在計算相關(guān)函數(shù)RSM(l)時,該獨立性對任意的l成立,因此SM接收信號的二階統(tǒng)計量滿足：

CSM=0

(9)

對于AL信號,由式(2)可知,相同的連續(xù)兩個時鐘信號可表示為

yAL(0)=h1s1+h2s2+b0

(10)

(11)

CAL=m

(12)

式中:m為常數(shù)。由式(7)～式(12)可知,由于SM和AL信號編碼矩陣的不同,兩類信號在接收端展現(xiàn)出不同的相關(guān)性,進(jìn)而導(dǎo)致其二階統(tǒng)計量的差異,其相關(guān)性分布如圖1所示。

圖1 SM和AL信號相關(guān)性分布

由圖1可知,采用1×2維卷積核對STBC信號特征進(jìn)行提取時,由于SM和AL相關(guān)性不同,其卷積得到的深層特征必然呈現(xiàn)出不同的規(guī)律。實際上,采用1×2維卷積核對接收序列y進(jìn)行卷積的過程與計算其在時延向量[0,1]下的二階統(tǒng)計量是相類似的,傳統(tǒng)的特征提取算法在識別SM和AL信號時,也是通過計算其四階時延統(tǒng)計量實現(xiàn)識別的[6]。但對于時延τ>1的AL信號,其二階相關(guān)函數(shù)不再具備相關(guān)性,因此長度超過1×2維的卷積核不具有此區(qū)分優(yōu)勢。因此,本文借鑒了特征提取算法的識別原理,對CNN-B網(wǎng)絡(luò)進(jìn)行了如下改進(jìn)。

(1)將卷積層C1的卷積核大小改為2×1。由于輸入樣本為接收端信號的實部和虛部,而非接收序列y=[y(0),y(1),…,y(K-1)],因此需要首先將STBC信號對應(yīng)的實部和虛部合并,再進(jìn)一步根據(jù)相關(guān)性提取特征。

(2)將卷積層C2的卷積核大小改為1×2。根據(jù)SM和AL信號相關(guān)性分布的差異性,采用1×2維卷積核對C1層輸出特征進(jìn)行卷積,得到更加符合STBC信號本質(zhì)的相關(guān)性特征。

(3)增加卷積核大小為1×2的卷積層C3。增加該層的目的是在C2層相關(guān)性特征的基礎(chǔ)上,進(jìn)一步提取STBC信號的深層統(tǒng)計特征,強(qiáng)化CNN對信號本質(zhì)特征的映射能力。

CNN-BC模型如圖2所示,除卷積層部分改變外,網(wǎng)絡(luò)的其他部分不變。改進(jìn)后的網(wǎng)絡(luò)借鑒了傳統(tǒng)的特征提取算法,結(jié)合STBC相關(guān)性對網(wǎng)絡(luò)結(jié)構(gòu)重新進(jìn)行了設(shè)計,更加符合STBC信號的本質(zhì)特征。

圖2 基于相關(guān)性的CNN-BC模型

2.4 CNN訓(xùn)練過程

考慮一個有N層網(wǎng)絡(luò)的CNN模型,其訓(xùn)練過程包括數(shù)據(jù)從第1層傳播到第N層的前向傳播階段和將誤差從第N層傳播到第1層反向傳播階段。具體過程如圖3所示,初始化網(wǎng)絡(luò)的權(quán)值;訓(xùn)練數(shù)據(jù)經(jīng)過輸入層、卷積層、池化層和全連接層后輸出結(jié)果;計算輸出結(jié)果與目標(biāo)值之間的誤差;當(dāng)誤差大于期望值時,將誤差傳回網(wǎng)絡(luò)中,依次求得全連接層、池化層、卷積層和輸入層的誤差;根據(jù)誤差更新權(quán)值,重復(fù)初始化之后的過程。

圖3 CNN訓(xùn)練過程

考慮訓(xùn)練樣本大小為m的訓(xùn)練數(shù)據(jù){(x(1),y(1)),(x(2),y(2)),…,(x(m),y(m))},其中x(i)(i=1,…,m)為STBC信號的輸入數(shù)據(jù),y(i)(i=1,…,m)為該類型STBC的標(biāo)簽,記第k層的節(jié)點數(shù)為Sk,采用均方誤差作為損失函數(shù),則網(wǎng)絡(luò)訓(xùn)練過程中的損失函數(shù)可表示為

(13)

3 實驗結(jié)果與分析

選取SM信號和5種常用的STBC檢測本文算法的識別性能,6種STBC的具體編碼方式如下。

(1)SM信號

發(fā)射天線數(shù)ns=2,碼率r=2,編碼矩陣長度為L=1,依次對信號進(jìn)行傳輸,編碼矩陣的具體表示為

(14)

(2)AL信號

發(fā)射天線數(shù)ns=2,碼率r=1,編碼矩陣長度為L=2,則每組STBC可傳輸?shù)姆枖?shù)為n=2,編碼矩陣的具體表示為

(15)

(3)STBC3-1信號

發(fā)射天線數(shù)ns=3,碼率r=3/4,編碼矩陣長度為L=4,則每組STBC可傳輸?shù)姆枖?shù)為n=3,編碼矩陣的具體表示為

(16)

(4)STBC3-2信號

發(fā)射天線數(shù)ns=3,碼率r=3/4,編碼矩陣長度為L=4,則每組STBC可傳輸?shù)姆枖?shù)為n=3,編碼矩陣的具體表示為

(17)

(5)STBC3-3信號

發(fā)射天線數(shù)ns=3,碼率r=1/2,編碼矩陣長度為L=8,則每組STBC可傳輸?shù)姆枖?shù)為n=4,編碼矩陣的具體表示為

(18)

(6)STBC4信號

發(fā)射天線數(shù)ns=4,碼率r=1/2,編碼矩陣長度為L=8,則每組STBC可傳輸?shù)姆枖?shù)為n=4,編碼矩陣的具體表示為

(19)

本文仿真過程使用的STBC信號采用正交相移鍵控(quadrature phase shift keying,QPSK)調(diào)制方式,信道為頻率平坦的Nakagami-3衰落信道。在接收端每隔128個時鐘信號截取一段數(shù)據(jù),然后將128個信號的實部和虛部分別放在矩陣的第1行和第2行,得到2×128維矩陣作為一個輸入樣本。STBC數(shù)據(jù)集大小如表2所示,設(shè)置0～5的標(biāo)簽分別對應(yīng)6類待識別的STBC,信噪比選取-10～10 dB之間的整數(shù),每種STBC在給定信噪比下產(chǎn)生1 000個樣本,因而每種信號類型共有21 000個樣本,6類信號的總樣本數(shù)為126 000。在網(wǎng)絡(luò)訓(xùn)練過程中,隨機(jī)抽取總樣本的50%作為訓(xùn)練數(shù)據(jù),其余50%作為測試數(shù)據(jù)。

表2 STBC數(shù)據(jù)集

本文的仿真實驗在window10系統(tǒng)下運行,使用基于TensorFlow后端的keras深度學(xué)習(xí)框架進(jìn)行模型搭建和訓(xùn)練,硬件環(huán)境為core(TM)i7-9700K CPU,運行內(nèi)存16 GB,使用支持NVIDIA CUDA環(huán)境的RTX2080ti GPU對訓(xùn)練過程進(jìn)行加速。

3.1 CNN-BC網(wǎng)絡(luò)的設(shè)計與分析

考慮到CNN不同的網(wǎng)絡(luò)參數(shù)會對識別性能產(chǎn)生影響,因此本文對CNN-BC網(wǎng)絡(luò)的卷積核大小進(jìn)行了分析。在圖2的基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)上,通過改變卷積核維度,測試出適合于STBC信號識別的CNN參數(shù)。由于CNN-BC的C1層卷積核只有為2×1時才能利用信號的相關(guān)性,因此本文在設(shè)置參數(shù)時主要從C2層和C3層的卷積核大小來考慮,在給定C2層卷積核大小的情況下,分析識別準(zhǔn)確率隨C3層卷積核維度的變化情況,實驗結(jié)果如圖4所示。圖4為-5 dB時CNN-BC網(wǎng)絡(luò)的識別性能。由該圖可知,在給定C2層卷積核大小的情況下,識別準(zhǔn)確率隨C3層卷積核大小增加呈起伏變化,且C2層卷積核越大,準(zhǔn)確率的波動程度越大,說明更長的卷積核維度并不能給網(wǎng)絡(luò)帶來更好的性能,反而導(dǎo)致網(wǎng)絡(luò)的魯棒性更差。從圖中可以看出,本文設(shè)計的CNN-BC結(jié)構(gòu)識別性能在35種卷積核維度組合中性能最優(yōu),且所需的卷積核維度最小,網(wǎng)絡(luò)需優(yōu)化的參數(shù)最少。這說明利用1×2的卷積核提取STBC特征時可充分利用SM和AL信號的相關(guān)性差異,而其他尺度的卷積核則不具備這一特質(zhì),使得本文的CNN-BC網(wǎng)絡(luò)非常適合STBC信號的識別。

圖4 卷積核大小對識別性能的影響

圖5給出了不同樣本長度下的識別準(zhǔn)確率,由該圖可知,隨著樣本長度的增加,CNN-BC網(wǎng)絡(luò)的識別性能進(jìn)一步提升,在樣本長度為1 024時,模型在-8 dB下的準(zhǔn)確率達(dá)到了98.7%,在低信噪比下識別性能優(yōu)異。樣本長度從128增加為256時性能提升明顯,但考慮到接收信號數(shù)僅為原來的一半,并且在實際電子偵察過程中,敵方平臺的通信時間往往很短,難以采集大量的數(shù)據(jù)用于訓(xùn)練,因此本文仍選取樣本長度為128。本文的CNN-BC模型在較少信號數(shù)下仍能保持高識別率,十分適合于對短突發(fā)信號的處理,這對非協(xié)作通信下的STBC識別具有重要意義。

圖5 不同樣本長度對識別性能的影響

3.2 實驗參數(shù)對網(wǎng)絡(luò)性能的影響

為驗證本文模型的泛化性和有效性,本節(jié)對調(diào)制方式、信道條件和數(shù)據(jù)集劃分比例對網(wǎng)絡(luò)性能的影響進(jìn)行分析,圖6給出了不同調(diào)制下的識別準(zhǔn)確率圖像。從圖6中可以看出,CNN-BC模型在BPSK下的識別性能最優(yōu),-8 dB下達(dá)到了97.7%,低信噪比下識別性能優(yōu)異。算法性能隨調(diào)制方式復(fù)雜度的增加而逐漸被削弱,但在高階調(diào)制下仍能保持良好的識別性能。

圖6 不同調(diào)制方式對識別性能的影響

除引入的信道外,本實驗還分析了Nakagami信道參數(shù)m對性能的影響。由圖7可知,識別準(zhǔn)確率隨Nakagami信道階數(shù)m的減小而有所下降,但仍能獲得較穩(wěn)定的識別性能。

圖7 不同Nakagami信道參數(shù)對識別性能的影響

圖8給出了本文網(wǎng)絡(luò)在不同訓(xùn)練集劃分比例下的圖像。由該圖可知,不同比例下的識別準(zhǔn)確率差別不大,識別性能均隨信噪比穩(wěn)步增加,樣本比例選取50%或80%均可。

圖8 不同樣本比例對識別性能的影響

3.3 CNN-BC模型泛化性驗證

為分析不同信道環(huán)境對模型的影響,進(jìn)一步考察CNN-BC模型的泛化性和有效性,本文引入了較常用的塊衰落(block fading, BF)信道[21-23]和更接近真實信道的第3代合作伙伴計劃(3rd generation partnership project,3GPP)空間信道擴(kuò)展模型(spatical channel model extend,SCME)[24-27]。由于BF信道增益在獨立衰落子塊內(nèi)保持不變,而不同衰落子塊的信道系數(shù)獨立同分布[21-23],本實驗采用了文獻(xiàn)[22]的平坦瑞利BF信道,將同一衰落子塊內(nèi)的信道系數(shù)設(shè)置為相同,各衰落子塊的衰落系數(shù)服從瑞利分布。3GPP/3GPP2組織發(fā)布的SCM[24]、SCME[25]均為標(biāo)準(zhǔn)的MIMO信道模型[26],并且更接近實際的衰落信道。仿真過程采用3GPP SCME信道定義的城區(qū)宏小區(qū)(urban macro-cell, UMA)場景,以模擬真實信道下的通信環(huán)境。BF信道、3GPP SCME信道和Nakagami信道三者綜合對比的準(zhǔn)確率圖像如圖9所示。

圖9 不同信道下的識別性能

從圖9中可以看出,本文模型在3GPP SCME信道下的識別性能較差,但在低信噪比下,BF信道性能略優(yōu)于Nakagami-1信道,這是由于m=1時,Nakagami信道退化為瑞利衰落信道[28],而平坦瑞利BF信道較瑞利信道更穩(wěn)定,因此在低信噪比下略優(yōu)于Nakagami-1信道。由于3GPP SCME信道的衰落和噪聲干擾較強(qiáng),為分析CNN-BC模型對復(fù)雜信道的適應(yīng)性,本節(jié)進(jìn)一步對該信道在樣本長度L為512和1 024時的性能進(jìn)行了仿真,實驗結(jié)果如圖10所示。由圖10可知,通過增加樣本長度L的方法可有效地提升識別準(zhǔn)確率,從而緩解因信道衰落導(dǎo)致的性能惡化問題。此外,得益于CNN-BC模型對STBC信號特征強(qiáng)大的自學(xué)習(xí)能力,其在低信噪比下較Nakagami-1信道更優(yōu),說明本文模型對實際衰落信道和強(qiáng)噪聲干擾環(huán)境具有良好的適應(yīng)性,這對該模型的實際應(yīng)用具有重要意義,由此驗證了CNN-BC網(wǎng)絡(luò)的泛化性和有效性。由于本文在單接收天線下進(jìn)行,除增加樣本長度外,采用多接收天線也可改善實際衰落信道下的識別性能,是未來值得研究的方向之一。

圖10 3GPP SCME信道在不同樣本長度下的識別性能

3.4 不同網(wǎng)絡(luò)識別性能對比

本節(jié)對CNN-B、CNN-BC、FDSCF+CNN[29]和CNN-LSTM[30]共4種神經(jīng)網(wǎng)絡(luò)進(jìn)行對比,綜合分析網(wǎng)絡(luò)的識別準(zhǔn)確率、空間復(fù)雜度和時間復(fù)雜度等性能。其中,文獻(xiàn)[29]通過計算信號的頻域自相關(guān)函數(shù)(frequency domain self-correlation function, FDSCF),并將其作為樣本輸入CNN進(jìn)行識別;文獻(xiàn)[30]將長短期記憶(long short-term memory, LSTM)層引入STBC識別,提出了一種利用CNN-LSTM提取空間和時序特征的識別方法,FDSCF+CNN和CNN-LSTM均為STBC識別領(lǐng)域的最新深度學(xué)習(xí)方法。

圖11給出了4種網(wǎng)絡(luò)的識別準(zhǔn)確率圖像。由圖11可知,本文采用和改進(jìn)的CNN-B與CNN-BC的識別性能較FDSCF+CNN和CNN-LSTM更優(yōu),性能增益明顯。CNN-BC在3種網(wǎng)絡(luò)中識別性能最優(yōu),-8 dB下的準(zhǔn)確率仍達(dá)到了90%以上,性能較CNN-B網(wǎng)絡(luò)進(jìn)一步得到提升,從而驗證了本文基于STBC相關(guān)性對CNN進(jìn)行的改進(jìn)的合理性。

圖11 不同網(wǎng)絡(luò)識別準(zhǔn)確率對比

圖12給出了3種信噪比下CNN-B網(wǎng)絡(luò)和改進(jìn)后CNN-BC網(wǎng)絡(luò)的混淆矩陣。由圖12可知,改進(jìn)后網(wǎng)絡(luò)對SM和AL信號的識別能力有較大提升,尤其是AL碼的識別精度有明顯改善,在-6 dB下的準(zhǔn)確率增加了10%,信號混疊的現(xiàn)象明顯減弱,說明本文基于相關(guān)性的改進(jìn)方法符合SM和AL信號識別原理,較原網(wǎng)絡(luò)更適合于STBC識別?？紤]到在實際的工程應(yīng)用中,SM和AL信號為STBC中最常用的編碼類型,因而提升其在低信噪比下識別性能具有重要意義。

圖12 改進(jìn)前后網(wǎng)絡(luò)在不同信噪比下的混淆矩陣對比

表3給出了4種網(wǎng)絡(luò)模型的復(fù)雜度對比。其中,空間復(fù)雜度是指網(wǎng)絡(luò)的待訓(xùn)練參數(shù)量,時間復(fù)雜度從訓(xùn)練總時間和識別耗時兩個角度考慮,其中的訓(xùn)練總時間為網(wǎng)絡(luò)從開始訓(xùn)練至收斂的總時間,識別耗時為63 000個測試樣本識別總耗時的平均值。

表3 不同網(wǎng)絡(luò)模型的復(fù)雜度對比

由表3可知,CNN-BC的卷積核維度較小,故參數(shù)量略小于CNN-B和FDSCF+CNN網(wǎng)絡(luò),訓(xùn)練總時間與識別耗時在4種網(wǎng)絡(luò)中也為最低。CNN-LSTM網(wǎng)絡(luò)的總參數(shù)量雖然最少,但受制于循環(huán)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時需要利用多時間步的信息,其訓(xùn)練和識別耗時較3種CNN網(wǎng)絡(luò)大幅增加,導(dǎo)致網(wǎng)絡(luò)的實時性較差,不適用于通信偵查等需對敵方信號快速精確識別的場景。整體來看,CNN-BC網(wǎng)絡(luò)的訓(xùn)練和識別耗時最短,且識別準(zhǔn)確率最高,在綜合考慮運算代價和模型精度的情況下,本文的CNN-BC網(wǎng)絡(luò)性能最優(yōu)。

3.5 不同方法識別性能對比

現(xiàn)有的串行STBC識別方法仍以傳統(tǒng)的人工提取特征的方法為主,鮮有利用深度學(xué)習(xí)技術(shù)對STBC進(jìn)行識別的算法,因而本文選取采用特征提取方法的文獻(xiàn)[7-10]作為該節(jié)的對比算法。文獻(xiàn)[7]采用高階累積量進(jìn)行STBC識別,文獻(xiàn)[8]和文獻(xiàn)[9]分別計算四階循環(huán)累積量和四階時延累積量,構(gòu)建假設(shè)檢驗實現(xiàn)分類識別,文獻(xiàn)[10]通過計算經(jīng)驗累積分布函數(shù)之間的最大距離,利用K-S檢驗進(jìn)行識別。由于傳統(tǒng)算法大多需要利用STBC的相關(guān)性實現(xiàn)識別,因而文獻(xiàn)[1-10]只能識別編碼矩陣長度不同的4類STBC,在理論上無法區(qū)分本文的STBC3-1與STBC3-2、STBC3-3與STBC4這兩組編碼方式。為更好地對不同識別方法的性能進(jìn)行對比,本節(jié)實驗僅在編碼矩陣長度不同的SM、AL、STBC3-1和STBC3-3的4類STBC下進(jìn)行,其余仿真條件不變,以驗證本文方法的優(yōu)勢,本文方法與文獻(xiàn)[7-10]算法的識別準(zhǔn)確率對比如圖13所示。

圖13 不同方法識別準(zhǔn)確率對比

由圖13可知,本文的CNN-BC模型較其余3種算法的識別性能有明顯提升,低信噪比下(-6 dB)仍能達(dá)到94.7%的準(zhǔn)確率,識別性能優(yōu)異。此外,本文方法不需要知道信道和噪聲的先驗信息,可實現(xiàn)特征自提取,適用于頻譜檢測等非協(xié)作通信情況。

從實時性分析的角度來看,雖然網(wǎng)絡(luò)訓(xùn)練需要一定的時間,但得益于GPU并行運算能力的提升,神經(jīng)網(wǎng)絡(luò)大部分運算都能并行完成,可利用計算開銷換取計算速度,最終使CNN-BC模型的識別時間控制在微秒級別，如表3所示,完全可以滿足實時性處理的需求?；贑NN-BC網(wǎng)絡(luò)的識別方法可直接對STBC時域信號進(jìn)行識別,無需進(jìn)行人工特征提取,且識別性能明顯優(yōu)于傳統(tǒng)算法,具有較好的工程應(yīng)用前景和研究價值。

4 結(jié) 論

本文提出了一種基于CNN的STBC識別算法,將深度學(xué)習(xí)技術(shù)應(yīng)用于STBC識別領(lǐng)域,實現(xiàn)了信號特征自提取和編碼方式自動識別,解決了非協(xié)作通信條件下串行STBC的盲識別問題。仿真實驗表明:

(1)本文基于STBC的相關(guān)性設(shè)計的CNN-BC網(wǎng)絡(luò)非常適合于STBC識別。改進(jìn)后的CNN-BC網(wǎng)絡(luò)識別性能得到明顯改善,解決了低信噪比下SM和AL信號的混疊問題,且具有更低的空間和時間復(fù)雜度,在綜合考慮運算代價和模型精度的情況下,本文方法的識別性能最優(yōu)。

(2)本文方法將可識別的4類STBC碼擴(kuò)展到6類。利用STBC相關(guān)性的傳統(tǒng)算法在理論上無法識別6類STBC,但得益于CNN對信號特征強(qiáng)大的提取能力,本文方法能夠識別編碼矩陣長度相同的STBC3-1與STBC3-2、STBC3-3與STBC4這兩組編碼方式,進(jìn)一步擴(kuò)展了可識別的STBC類型。

(3)本文方法具有較強(qiáng)的實時識別能力。得益于GPU并行運算能力的提升,該方法對STBC的識別可控制在微秒級別,且無需人工提取特征,不需要知道信道和噪聲的先驗信息,可直接對接收端時域信號進(jìn)行盲識別,非常適合于電子偵察等非協(xié)作通信情況,具有較高的工程和實際應(yīng)用價值。