宋子豪, 程 偉,*, 彭岑昕, 李曉柏

(1.空軍預(yù)警學(xué)院預(yù)警情報(bào)系, 湖北 武漢 430019; 2.中國人民解放軍95246部隊(duì), 廣西 南寧 530001)

0 引 言

通信輻射源信號的調(diào)制方式識別是指在信號接收端對獲取到的調(diào)制信號進(jìn)行處理并識別其調(diào)制方式的技術(shù),在非合作通信及電子對抗領(lǐng)域具有重要的研究意義。傳統(tǒng)的調(diào)制方式識別方法可分為兩類:基于似然比判決理論的識別方法和基于特征提取的識別方法[1]?；谒迫槐扰袥Q理論的識別方法計(jì)算復(fù)雜度及對先驗(yàn)知識依賴度較高,基于特征提取的識別方法存在某些特征提取困難及非高斯信道下所提取特征的準(zhǔn)確性難以保證的問題[2]。

近年來,深度學(xué)習(xí)具有的自動學(xué)習(xí)樣本深層特征的能力越來越受到調(diào)制方式識別領(lǐng)域研究者的關(guān)注,一些典型的深度學(xué)習(xí)方法已經(jīng)被應(yīng)用并取得了良好的效果。文獻(xiàn)[3]首次提出將信號的同相/正交(in-phase/quadrature,IQ)信號合并輸入卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)進(jìn)行通信信號的調(diào)制方式識別的方法,并建立了基準(zhǔn)數(shù)據(jù)集。文獻(xiàn)[4]將時(shí)域復(fù)信號分別直接輸入多種類型的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)中,通過改變網(wǎng)絡(luò)層數(shù)及層內(nèi)參數(shù),研究了各型網(wǎng)絡(luò)的識別性能。文獻(xiàn)[3-4]采用一維時(shí)域信號作為特征,信號受噪聲影響損失了部分有效特征,使得識別準(zhǔn)確率偏低。為了抑制噪聲等干擾對識別性能的影響,提升識別性能,一些變換域上的統(tǒng)計(jì)特征也被應(yīng)用于基于深度學(xué)習(xí)的調(diào)制方式識別方法中,如星座圖[5]、時(shí)頻分布矩陣[6-8]、雙譜[9]等。文獻(xiàn)[5]提取了二進(jìn)制相移鍵控(binary phase shift keying,BPSK)、四進(jìn)制振幅鍵控(4-order amplitude shift keying,4ASK)等8種類型調(diào)制信號的星座圖特征,比較了將星座圖、星座圖灰度圖、星座圖的增強(qiáng)灰度圖、三通道星座圖分別輸入AlexNet中的識別效果,在高斯信道下,信噪比為2 dB時(shí),對8種信號的識別準(zhǔn)確率達(dá)到了97.3%。文獻(xiàn)[6]利用平滑偽Wigner-Ville分布和Born-Jordan分布得到時(shí)頻圖特征,再將其與瞬時(shí)特征結(jié)合,提出了一種基于CNN和融合特征的自動調(diào)制方式識別方案,在高斯信道下,該方案在-4 dB時(shí)對2ASK、4ASK等8種信號的識別準(zhǔn)確率均超過88%。文獻(xiàn)[9]將雙譜和深度神經(jīng)網(wǎng)絡(luò)用于高斯信道下信號的調(diào)制方式識別中,0 dB時(shí)對常規(guī)脈沖(normal pulse,NP)、線性調(diào)頻(linear frequency modulation,LFM)、BPSK、頻移鍵控(frequncy shift keying,FSK)這4種信號的識別準(zhǔn)確率達(dá)到了97%。文獻(xiàn)[5-6,9]所提出方法在高斯信道下識別性能均優(yōu)于將時(shí)域信號作為輸入樣本的深度學(xué)習(xí)方法,但是上述方法未對萊斯信道下信號的識別性能進(jìn)行研究。文獻(xiàn)[7-8]使用短時(shí)傅里葉變換(short time Fourier transform, STFT)將萊斯信道下的一維信號轉(zhuǎn)換為二維時(shí)頻譜圖像,將其作為樣本送入深度神經(jīng)網(wǎng)絡(luò)中。仿真結(jié)果表明,相對于時(shí)域信號作為輸入樣本的深度學(xué)習(xí)方法,上述方法在高信噪比時(shí)性能提升明顯,而低信噪比時(shí)性能有待提高。

針對萊斯信道下傳統(tǒng)識別方法特征提取準(zhǔn)確性難以保證、深度學(xué)習(xí)方法在低信噪比下識別率較低的問題,本文提出了一種基于Choi-Williams分布(Choi-William distribution, CWD)和深度殘差收縮網(wǎng)絡(luò)(deep residual shrinkage network, DRSN)的通信輻射源信號調(diào)制方式識別方法,利用CWD將一維復(fù)信號變換為二維時(shí)頻分布矩陣,獲取更本質(zhì)特征,通過殘差網(wǎng)絡(luò)、軟閾值化提升低信噪比下的識別能力。

1 輻射源信號及信道模型

本文選用O’Shea于2016年建立的開源基準(zhǔn)數(shù)據(jù)集RadioML2016.10a作為實(shí)驗(yàn)數(shù)據(jù)集[3],該數(shù)據(jù)通過GNUradio軟件無線電平臺生成,包含有11種調(diào)制信號;信道環(huán)境為混有高斯白噪聲的萊斯信道;同一信噪比下各調(diào)制方式各有1 000個(gè)樣本,信噪比范圍為-20～18 dB,步進(jìn)2 dB,共有220 000個(gè)樣本;每個(gè)樣本包含同相和正交分量,采樣點(diǎn)數(shù)為128。

數(shù)據(jù)集信道模型為

(1)

2 數(shù)據(jù)預(yù)處理方法及網(wǎng)絡(luò)描述

本文方法運(yùn)用CWD相關(guān)理論對復(fù)信號進(jìn)行時(shí)頻變換,得到時(shí)頻分布矩陣。利用Z-Score標(biāo)準(zhǔn)化方法對時(shí)頻分布矩陣進(jìn)行標(biāo)準(zhǔn)化,保證數(shù)據(jù)的可比性。本文運(yùn)用的深度學(xué)習(xí)網(wǎng)絡(luò)模型為添加軟閾值化的DRSN。

2.1 CWD分布及標(biāo)準(zhǔn)化

傅里葉變換(Fourier transform, FT)是信號分析領(lǐng)域應(yīng)用廣泛的算法,但是其不能同時(shí)進(jìn)行時(shí)間-頻率局域性分析,也不適用于非平穩(wěn)信號。短時(shí)FT(short time FT, STFT)可以同時(shí)獲取信號的時(shí)頻域特征,但是受測不準(zhǔn)定理約束,時(shí)頻分辨率有一定局限。針對萊斯信道下信號存在時(shí)延及多普勒頻移的情況,Cohen類時(shí)頻分析方法因?yàn)榫哂袝r(shí)移不變性和頻移不變性,能在一定程度上規(guī)避二者對接收信號特征的影響,更適合對此類信號進(jìn)行時(shí)頻分析。

Cohen類時(shí)頻分布可由模糊函數(shù)定義[11],即

Cx(t,Ω)=?Ax(θ,τ)g(θ,τ)e-j(tθ+Ωτ)dτdθ

(2)

rx(t,τ)=x(t+τ/2)x*(t-τ/2)

(3)

(4)

式中：x(t)為某一復(fù)信號；(·)*表示取共軛；rx(t,τ)、Ax(θ,τ)分別是x(t)的瞬時(shí)自相關(guān)函數(shù)及模糊函數(shù)；g(θ,τ)是(θ,τ)平面上的核函數(shù),其目的是為了抑制交叉項(xiàng)。給定不同的核函數(shù),就可以產(chǎn)生不同的Cohen類時(shí)頻分析方法。CWD的核函數(shù)為e-θ2τ2/σ,表達(dá)式[12]為

(5)

(6)

2.2 DRSN

為了解決多層CNN結(jié)構(gòu)模型退化的問題,He提出了跳層連接的深度殘差網(wǎng)絡(luò)(residual networks, ResNets)[13]。DRSN作為ResNets的變體,最早用于故障振動信號的分類識別。由于在殘差模塊的基礎(chǔ)上引入了軟閾值化,其在含噪信號的分類識別上有著更好的效果[14]。

軟閾值化是小波降噪算法中的核心步驟,在小波軟閾值降噪算法中,往往需要經(jīng)過選擇小波基、分解信號得到小波系數(shù)和近似系數(shù)、選擇固定閾值、估計(jì)小波系數(shù)等步驟達(dá)到數(shù)據(jù)降噪目的,而選取的固定閾值往往不適應(yīng)于所有樣本[15]。深度神經(jīng)網(wǎng)絡(luò)提供了解決這個(gè)問題的新方法,通過設(shè)置子網(wǎng)絡(luò)獲取當(dāng)前層輸出特征圖各通道的閾值,隨后將閾值輸入至軟閾值函數(shù)中,軟閾值函數(shù)的輸出值即為降噪后的各通道特征圖數(shù)值。深度學(xué)習(xí)和軟閾值的結(jié)合可以自適應(yīng)獲取閾值,消除噪聲相關(guān)信息及重構(gòu)特征,從而有利于分類任務(wù)性能的提升。軟閾值函數(shù)[15]的表達(dá)式為

(7)

式中:din表示輸入特征;y表示輸出特征;τ表示閾值,是一個(gè)恒正數(shù)。深度殘差收縮模塊(deep residual shrinkage module, DRSM)如圖1所示。

圖1 DRSM結(jié)構(gòu)

輸入經(jīng)過第l卷積層,通過批標(biāo)準(zhǔn)化(batch normalization, BN)、ReLU函數(shù)得到Al+1,將其作為第l+1卷積層的輸入。在第l+1卷積層構(gòu)造一個(gè)獲取閾值的子網(wǎng)絡(luò),對第l+1卷積層的輸出X完成取絕對值操作、全局均值量化得到均值參數(shù)β,β為一個(gè)一維向量。隨后,經(jīng)過兩層全連接層,通過Sigmoid函數(shù)輸出一組取值在0和1之間的縮放參數(shù)α,之后將縮放參數(shù)α與β對應(yīng)項(xiàng)相乘,得到一組閾值τ,其維度為(C,1)。最終,每個(gè)特征圖的通道將擁有獨(dú)立的閾值。各通道閾值獲取的具體過程表示為

(8)

(9)

τc=αcβc

(10)

(11)

Al+2=As+f(Al)

(12)

本文定義的DRSN結(jié)構(gòu)及參數(shù)如圖2所示。其中,Conv代表卷積層,S代表步進(jìn)數(shù);DRSM代表深度殘差收縮模塊,FCL代表全連接層;(128×128×30)代表上一層輸出特征圖的尺寸為128×128,通道數(shù)為30。輸入樣本經(jīng)過1層卷積層、8層殘差收縮模塊及BN、ReLu函數(shù)處理后,多通道特征圖最終展開為一維向量并輸入到全連接層,隨后通過Softmax函數(shù)得到調(diào)制方式識別結(jié)果,其中第一層卷積層的卷積核尺寸為5×5,DRSM塊內(nèi)卷積層尺寸為3×3。卷積層采用文獻(xiàn)[13]提出的正態(tài)分布初始化方法以及l(fā)2正則化。利用添加l2正則化項(xiàng)的交叉熵函數(shù)計(jì)算網(wǎng)絡(luò)損失值,以此作為網(wǎng)絡(luò)性能指標(biāo)[16],表達(dá)式為

圖2 DRSN結(jié)構(gòu)及參數(shù)

(13)

3 調(diào)制方式識別流程

調(diào)制方式識別的具體步驟如下。

步驟 1隨機(jī)初始化DRSN,抽取訓(xùn)練集規(guī)定個(gè)數(shù)的樣本輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

步驟 2將網(wǎng)絡(luò)最后一層得到的分類結(jié)果和實(shí)際類型比較,利用添加l2正則化項(xiàng)的交叉熵函數(shù)計(jì)算網(wǎng)絡(luò)損失值,通過優(yōu)化算法反向調(diào)節(jié)網(wǎng)絡(luò)權(quán)值。

步驟 3在每輪訓(xùn)練開始之前,調(diào)取測試集損失值,以此為標(biāo)準(zhǔn)衡量網(wǎng)絡(luò)性能。當(dāng)其5輪之內(nèi)未下降則中止訓(xùn)練。

步驟 4重復(fù)步驟2～步驟4,直到達(dá)到訓(xùn)練次數(shù)上限或滿足提前中止訓(xùn)練條件,訓(xùn)練結(jié)束后保存權(quán)值輸出分類模型。

步驟 5將驗(yàn)證集輸入分類模型,得到分類結(jié)果。

4 仿真實(shí)驗(yàn)與結(jié)果分析

4.1 仿真實(shí)驗(yàn)條件

本文使用RadioML2016.10a數(shù)據(jù)集中八進(jìn)制相移鍵控(8 phase frequency shift keying, 8PSK)、雙邊帶幅度調(diào)制(double-sideband amplitude modulation, AM-DSB)、單邊帶幅度調(diào)制(single-sideband amplitude modulation, AM-SSB)、BPSK、連續(xù)相移鍵控(continuous phase frequency shift keying, CPFSK)、高斯頻移鍵控(Gauss frequency shift keying, GFSK)、四脈沖振幅調(diào)制(4 pulse amplitude modulation, PAM4)、十六進(jìn)制正交振幅調(diào)制(16 quadrature amplitude modulation, 16QAM)、六十四進(jìn)制正交振幅調(diào)制(64 quadrature amplitude modulation, 64QAM)、正交相移鍵控(quadrature phase shift keying，QPSK)、寬帶調(diào)頻(wide band frequency modulation, WBFM)的11種信號樣本作為研究對象,信噪比范圍為-20～18 dB,各信噪比下每種調(diào)制方式樣本數(shù)為1 000,按照0.6∶0.2∶0.2的比例劃分訓(xùn)練集、測試集、驗(yàn)證集。本文采用文獻(xiàn)[7]思路,分信噪比建立識別網(wǎng)絡(luò),單次訓(xùn)練輸入的樣本數(shù)為100,網(wǎng)絡(luò)優(yōu)化函數(shù)采用Adam算法[17]。迭代次數(shù)上限設(shè)置為200,為避免網(wǎng)絡(luò)過擬合,在訓(xùn)練過程中設(shè)立早停機(jī)制,以測試集損失值為監(jiān)測指標(biāo),當(dāng)其5輪之內(nèi)未下降則停止訓(xùn)練,輸出分類模型。

本文利用Matlab 2020a軟件進(jìn)行信號CWD變換,利用Python及相關(guān)庫進(jìn)行標(biāo)準(zhǔn)化、樣本劃分,依托Tensorflow1.13.1、Keras2.2.4搭建網(wǎng)絡(luò)并完成測試分析工作。本文實(shí)驗(yàn)硬件平臺搭載Intel Core i5 10200H型CPU,內(nèi)存為16 GB,顯卡為Nvidia GTX2060 6 G,硬盤大小為512 GB。

4.2 不同信噪比下的調(diào)制方式識別性能仿真

設(shè)Nall為樣本總數(shù),Ncorr為分類結(jié)果正確的樣本個(gè)數(shù),定義總體識別準(zhǔn)確率:

(14)

圖3表示本文方法在不同信噪比下總體識別準(zhǔn)確率。

圖3 不同信噪比下的總體識別準(zhǔn)確率

由圖3可知,總體識別準(zhǔn)確率隨信噪比的提高而提高。得益于軟閾值化和殘差網(wǎng)絡(luò)的優(yōu)良表現(xiàn),本文方法在低信噪比時(shí)表現(xiàn)良好。0 dB時(shí),總體識別準(zhǔn)確率達(dá)到了89.95%;0 dB以上時(shí),總體識別準(zhǔn)確率均超過91%。

以此為指標(biāo)評判對不同調(diào)制方式的分類能力。圖4為不同信噪比下各調(diào)制方式的召回率。

圖4 各調(diào)制方式在不同信噪比下的召回率

由圖3和圖4可知,除AM-DSB、WBFM信號外,各調(diào)制方式召回率隨信噪比的提高而提高。得益于軟閾值化和殘差網(wǎng)絡(luò)的優(yōu)良表現(xiàn),本文方法在低信噪比時(shí)表現(xiàn)良好。0 dB時(shí),對除AM-DSB、WB-FM信號外的其他類型調(diào)制信號召回率超過89%,總體識別準(zhǔn)確率達(dá)到89.95%;0 dB以上時(shí),對除AM-DSB、WBFM信號外的其他類型調(diào)制信號召回率均超過88%,總體識別準(zhǔn)確率均超過91%。

不同信噪比條件下分類混淆矩陣如圖5所示。由圖4及圖5可知,本文方法在區(qū)分WBFM和AM-DSB信號時(shí)出現(xiàn)困難,這是由于原始數(shù)據(jù)集中這兩種調(diào)制方式的樣本是由實(shí)際音頻流生成,在這個(gè)過程中有一段音頻流的中斷期,導(dǎo)致這兩種調(diào)制方式存在許多相似的樣本,影響了識別的準(zhǔn)確率。此外,圖5結(jié)果顯示,QAM類信號發(fā)生了少量樣本的類內(nèi)錯判,這是由于QAM類信號相位模式差異細(xì)微,載波相位變換在每個(gè)周期內(nèi)僅出現(xiàn)一次,使得雙線性變換后部分時(shí)頻圖的相似度較高,區(qū)分度受到影響,但召回率仍保持在88%以上。

圖5 不同信噪比條件下分類混淆矩陣

4.3 不同時(shí)頻方法下的識別性能仿真

選取Cohen類時(shí)頻分析方法中常用的Wigner-Ville分布(Wigner-Ville distribution, WVD)[18]、CWD、Zhao-Atlas-Mark分布(Zhao-Atlas-Marks distribution, ZAMD)[19]、譜圖分布(spectrogram, SP)[11]作為時(shí)頻變換方法,窗口大小均設(shè)置為21,分別得到維度為128×128的分布矩陣。將4種方法所得時(shí)頻矩陣以及原始信號分別輸入網(wǎng)絡(luò)中進(jìn)行訓(xùn)練,訓(xùn)練結(jié)束后利用驗(yàn)證集對比不同方法下的識別性能,如圖6所示。

圖6 不同時(shí)頻方法下的總體識別準(zhǔn)確率

由圖6可知,在絕大多數(shù)信噪比下,時(shí)頻分布矩陣作為輸入的方法性能要優(yōu)于將原始信號作為輸入的方法。使用CWD作為時(shí)頻分析方法得到的矩陣作為樣本時(shí),識別性能表現(xiàn)最優(yōu),而使用WVD獲取的總體識別準(zhǔn)確率最低。WVD雖然不受測不準(zhǔn)原理限制,時(shí)頻分辨率較高,但是其引入了交叉項(xiàng)干擾,從而對識別性能造成了嚴(yán)重影響。SP沒有引入交叉項(xiàng)影響,但是其較低的時(shí)頻分辨率對識別性能造成了負(fù)面影響。ZAMD可消弱交叉項(xiàng)干擾,使得低信噪比下的識別性能得以提升。但是當(dāng)信噪比大于6 dB時(shí),識別性能出現(xiàn)下滑。綜合來看,CWD時(shí)頻聚集度高,抑制交叉項(xiàng)表現(xiàn)好,相同條件下識別性能最優(yōu)。

4.4 不同數(shù)據(jù)維度下的識別性能仿真

深度學(xué)習(xí)訓(xùn)練中常常利用降維減少訓(xùn)練時(shí)間,但數(shù)據(jù)降維同樣存在著損失有效信息的風(fēng)險(xiǎn)。本節(jié)利用雙三次插值方法對時(shí)頻矩陣進(jìn)行抽樣降維,將維度由128×128分別降至64×64、32×32。將不同維度的時(shí)頻分布矩陣輸入至網(wǎng)絡(luò)中進(jìn)行訓(xùn)練,比較數(shù)據(jù)維度對性能的影響,如圖7所示。

圖7 不同樣本維度下的總體識別準(zhǔn)確率

圖7表明,信噪比為-6 dB以上時(shí),將未進(jìn)行降維的矩陣輸入網(wǎng)絡(luò)的總體識別準(zhǔn)確率均顯著優(yōu)于將降維后的矩陣作為樣本的方法。這說明,降維導(dǎo)致的有效信息的損失,會使得模型總體識別準(zhǔn)確率下滑,直接影響分類性能。

4.5 不同模塊個(gè)數(shù)及模塊內(nèi)卷積核尺寸下的識別性能仿真

本實(shí)驗(yàn)主要探究殘差模塊個(gè)數(shù)及模塊內(nèi)卷積核尺寸對于分類性能的影響。首先,將時(shí)頻分布矩陣預(yù)處理后作為輸入樣本,改變殘差收縮模塊的個(gè)數(shù),對比殘差收縮模塊個(gè)數(shù)對識別性能的影響。將殘差模塊數(shù)量NUM分別設(shè)置為2、4、6、8、10。圖8(a)顯示了不同模塊個(gè)數(shù)下的總體識別率表現(xiàn)。由圖8(a)可知,當(dāng)NUM為8時(shí),識別性能達(dá)到最優(yōu)。NUM為2或4時(shí),網(wǎng)絡(luò)深度不足,模型提取特征的能力受到限制,在0 dB時(shí),總體識別準(zhǔn)確率均低于83%。NUM為6時(shí),總體識別準(zhǔn)確率得到顯著提升,但是識別性能低于NUM為8的方法。而把NUM提升為10時(shí),網(wǎng)絡(luò)復(fù)雜度過高,使得其在某些信噪比下出現(xiàn)過擬合,識別性能退化。

圖8 不同模塊個(gè)數(shù)及卷積核尺寸下的總體識別準(zhǔn)確率

將NUM固定為8,改變塊內(nèi)卷積核尺寸KS, 將KS設(shè)為3、5、7,探究改變卷積核尺寸大小對識別性能的影響,如圖8(b)所示。KS=3時(shí),網(wǎng)絡(luò)識別性能達(dá)到最優(yōu)。當(dāng)KS>3時(shí),模型性能未見明顯提升,信噪比大于10 dB時(shí),總體識別準(zhǔn)確率甚至出現(xiàn)小幅度下滑。這是由于輸入特征圖維度較低時(shí),較大的卷積核不利于局部特征的提取,引起了網(wǎng)絡(luò)退化。

4.6 不同網(wǎng)絡(luò)架構(gòu)下的識別性能仿真

將時(shí)頻分布矩陣分別輸入至模塊數(shù)相同、塊內(nèi)卷積核尺寸一致的CNN、ResNets、DRSN進(jìn)行訓(xùn)練。圖9為3種不同網(wǎng)絡(luò)結(jié)構(gòu)的性能對比。表1為3種網(wǎng)絡(luò)結(jié)構(gòu)單批次訓(xùn)練所需時(shí)間及訓(xùn)練參數(shù)個(gè)數(shù)。本文所采用的DRSN相較于另外兩種網(wǎng)絡(luò),訓(xùn)練參數(shù)更多,單批次訓(xùn)練時(shí)間更長,以增加系統(tǒng)復(fù)雜度和訓(xùn)練時(shí)間換取了更優(yōu)的識別性能。得益于軟閾值的加入,在-2～18 dB時(shí),DRSN識別表現(xiàn)優(yōu)于另外兩種網(wǎng)絡(luò)。

圖9 不同網(wǎng)絡(luò)架構(gòu)下的總體識別準(zhǔn)確率

表1 不同網(wǎng)絡(luò)架構(gòu)下單批次訓(xùn)練時(shí)間及訓(xùn)練參數(shù)個(gè)數(shù)

4.7 本文方法與其他文獻(xiàn)識別性能對比

為了評估本文方法的性能，將本文所提出的方法與將IQ信號作為輸入特征的方法進(jìn)行對比。文獻(xiàn)[4]運(yùn)用CNN、密集卷積網(wǎng)絡(luò)(dense convolutional network, DenseNet)、ResNets、卷積長短期記憶全連接深度神經(jīng)網(wǎng)絡(luò)(convolutional, long short-term memory, fully connected deep neural networks, CLDNN)等深度神經(jīng)網(wǎng)絡(luò)，提出了IQ-CNN、IQ-DenseNet、IQ-ResNets、IQ-CLDNN等多種方法。文獻(xiàn)[20]將IQ信號輸入至長短期記憶網(wǎng)絡(luò)(long short-term memory, LSTM)、添加注意力機(jī)制的長短期記憶網(wǎng)絡(luò)(LSTM-attention)中，提出了IQ-LSTM及IQ-LSTM-Attention方法。本文方法與復(fù)時(shí)域信號直接輸入方法的總體識別準(zhǔn)確率如圖10(a)所示?？芍?相較于將復(fù)時(shí)域信號直接輸入的深度學(xué)習(xí)方法,本文方法的識別性能有較大提升,信噪比在-6～18 dB下總體識別準(zhǔn)確率均高于其他文獻(xiàn)方法。信噪比為-2 dB時(shí),本文方法的總體識別準(zhǔn)確率較其他方法提升了約7%,信噪比為18 dB時(shí),本文方法的總體識別準(zhǔn)確率較其他方法提升了約3%。

圖10 本文方法與其他文獻(xiàn)方法的總體識別準(zhǔn)確率對比

將本文所提出的方法與將時(shí)頻圖等二維特征圖作為輸入特征的方法進(jìn)行對比。文獻(xiàn)[6]利用STFT、高斯濾波(Gaussian filter, GF)、模糊函數(shù)(ambiguity function，AF)及譜密度函數(shù)(spectral density function, SCF)等方法提取二維特征，提出了STFT-CNN、STFT-GF-CNN、AF-CNN、SCF-CNN等方法。文獻(xiàn)[8]將利用STFT得到的時(shí)頻特征作為特征向量，提出了基于復(fù)數(shù)CNN(complex CNN, CCNN)、雙向LSTM(bi-directional LSTM, BiLSTM)的STFT-CCNN-LSTM方法。將本文所提出的方法與上述方法對比，如圖10(b)所示。由10(b)可知,在信噪比大于-6 dB時(shí),本文方法識別性能優(yōu)于其他方法。在0 dB時(shí),總體識別準(zhǔn)確率較其他方法高約10%,在18 dB時(shí),總體識別準(zhǔn)確率較其他方法高3%以上。

5 結(jié) 論

本文提出了一種萊斯信道下基于CWD及DRSN的通信輻射源信號調(diào)制方式識別方法,該方法整合CWD、軟閾值化、ResNets,分信噪比建立識別網(wǎng)絡(luò),實(shí)現(xiàn)了對基準(zhǔn)數(shù)據(jù)集RadioML2016.10a中信號的有效識別。在0 dB時(shí),對11類信號的總體識別準(zhǔn)確率達(dá)到了89.95%;在2 dB及以上時(shí),總體識別準(zhǔn)確率均超過91%,優(yōu)于其他同類深度學(xué)習(xí)算法。如何進(jìn)一步建立考慮多載波信號在內(nèi)的調(diào)制識別方法以及結(jié)合實(shí)測數(shù)據(jù)的應(yīng)用將成為下一步的研究方向。