徐亞軍,郭恩豪,陳 林,司成可

(1.中國民用航空飛行學院航空工程學院,四川 廣漢 618307; 2.同方電子科技有限公司,江西 九江 332000)

0 引 言

隨著軟件無線電技術快速進步，各類用頻設備數(shù)量不斷增多，電磁環(huán)境中的信號調制種類日益復雜，能否在實際電磁環(huán)境中快速、準確地識別出信號調制類型，對于提升頻譜利用效率以及信號深度分析均具有重要意義，關于對信號調制類型識別的各種技術已在認知無線通信[1-2]、電子對抗[3-4]、信號偵察[5-6]等領域受到廣泛關注。

目前，針對無線電信號的調制識別方法大致分為基于特征的(Feature Based, FB)信號調制類型識別法和基于數(shù)據(jù)驅動的深度調制識別法2類。在基于特征的調制識別技術中，首先對原始I、Q數(shù)據(jù)通過某種變換(例如：高階累積量計算[7]、多尺度熵[8]、WVD變換[9]、HHT變換[10]、STFT[11]等)提取信號特征，隨后通過各種分類器(例如：SVM[12]、決策樹[13]、KNN[14]以及全連接神經(jīng)網(wǎng)絡[15]等)對信號特征作進一步分類，最終實現(xiàn)信號調制類型識別。然而，基于信號特征的調制識別方法對于信噪比高、且信號類型種類少時(典型值信噪比不小于8 dB且信號種類在10種以內(nèi))，其識別性能較好。當信號自身調制類型復雜，信號識別種類多，尤其在低信噪比場景下對信號特征提取不充分時，其調制識別性能急劇下降。截止目前，絕大多數(shù)研究如文獻[15-19]中所研究的信號調制類型種類均不超過20種，對于調制類型相似、調制樣式復雜且調制樣式同時超過20種的信號調制類型識別研究公開報道較少，鑒于此，本文不對其進行專門研究。與基于信號特征的調制識別類方法不同，基于數(shù)據(jù)驅動的信號調制識別方法實現(xiàn)了從原始I、Q數(shù)據(jù)直接識別出信號調制類型，既簡化識別流程的同時又提高了調制識別性能[16-19]。具體上講，O’Shea等人[16]最先利用信號I、Q數(shù)據(jù)訓練卷積神經(jīng)網(wǎng)絡(CNN)，并對不同調制類型信號進行識別，研究結果證實了CNN網(wǎng)絡能夠對不同調制類型信號進行分類識別。接著，Meng等人[17]采用經(jīng)過專門設計的CNN網(wǎng)絡對匹配濾波器輸出的調制信號進行分類識別，對比之前的CNN網(wǎng)絡，該網(wǎng)絡的識別性能獲得進一步提升。與此同時，文獻[18]中還提出了一種基于端到端的調制類型識別神經(jīng)網(wǎng)絡，研究結果表明所提網(wǎng)絡對信號調制類型的識別能力超過了基于特征類的識別方法。除此之外，Zhang等人[19]采用組合特征作為信號識別網(wǎng)絡的輸入，研究不同類型的神經(jīng)網(wǎng)絡對組合特征的識別性能，由于長短時記憶網(wǎng)絡(LSTM)進一步考慮了信號的時間相關性，其識別性能更好。然而，上述報道的研究內(nèi)容仍存在幾點不足：1)信號調制樣式種類不豐富。上述所介紹的信號調制類型數(shù)量大多在20種以內(nèi)，面對更多種類的調制類型時，網(wǎng)絡識別性能下降。2)大都照搬現(xiàn)有的圖像識別領域的神經(jīng)網(wǎng)絡進行信號調制類型識別，未充分考慮無線電信號數(shù)據(jù)自身特性，導致網(wǎng)絡結構過于復雜且識別性能不高。3)現(xiàn)有深度調制識別方法對信號調制識別的環(huán)境適應能力不足，當環(huán)境發(fā)生變化時，網(wǎng)絡需要大量樣本數(shù)據(jù)重新訓練網(wǎng)絡參數(shù)，即便采用遷移學習提升現(xiàn)有網(wǎng)絡在新信道環(huán)境下適應能力，其識別性能仍然不佳。

鑒于此，本文通過實驗室桌面仿真和外場實測數(shù)據(jù)采集相結合的方式，構建24種不同調制類型信號數(shù)據(jù)集；同時針對無線電信號自身特征，在繼承殘差神經(jīng)網(wǎng)絡(ResNet)結構基礎上，研究網(wǎng)絡層數(shù)、卷積層步長、卷積核大小以及訓練集大小對神經(jīng)網(wǎng)絡識別性能的影響，針對性地設計出一款具有緊致殘差結構的信號調制類型識別神經(jīng)網(wǎng)絡，實現(xiàn)在有效降低網(wǎng)絡結構復雜度的同時保證網(wǎng)絡識別性能；不僅如此，利用遷移學習研究環(huán)境信道變化場合下的遷移學習策略，避免因信道環(huán)境變化而重新訓練網(wǎng)絡，加快網(wǎng)絡收斂速度，提升神經(jīng)網(wǎng)絡對環(huán)境的適應能力。

1 數(shù)據(jù)集構造與對比識別網(wǎng)絡

1.1 數(shù)據(jù)集構造

一方面，在上位機上采用MATLAB軟件開發(fā)了22種不同調制類型的基帶波形(各種波形的最大符號速率設為1 MSPS)，每種基帶調制類型信號波形的I、Q數(shù)據(jù)長度設為100萬點。將開發(fā)的基帶波形通過矢量信號發(fā)生器(VSG)完成調制，并上變頻至載波頻率為666 MHz形成已調信號，后經(jīng)放大輸出(輸出功率為0 dBm)。接收端，通過有線連接至RF信號采集板卡進行0中頻采樣(采集卡工作頻段范圍為70 MHz至700 MHz，采集卡AD采樣率設為200 MHz)，AD量化位數(shù)為16 bit量化，通過采集板卡將接收信號進行下變頻至0中頻并經(jīng)25倍抽取后以8 MSPS的基帶I、Q速率輸出。每類調制類型輸出信號的采集時長為10 s，依次生成22種不同調制類型的基帶I、Q數(shù)據(jù)；另一方面，利用智能頻譜傳感器(由同方電子科技有限公司提供)作為I、Q數(shù)據(jù)采集設備，對廣漢機場專用的2個VHF通信頻點分別進行數(shù)據(jù)采集，最終構造出24種不同調制類型信號集。具體包括256-QAM、128-QAM、64-QAM、32-QAM、16-QAM、32-PSK、16-PSK、4-ASK；2-ASK、8-PAM、2-PAM、8-PSK、QPSK、OQPSK、MSK、DQPSK、D8PSK、DBPSK、AM、FM、GFSK、GMSK、廣漢-VHF1、廣漢-VHF2。在此基礎上，進一步對調制類型數(shù)據(jù)集手動添加不同強度的噪聲(SNR=-4 dB～12 dB)生成新的不同噪聲強度下的信號集。隨后再對含噪信號集樣本進行分段切片處理，形成固定長度的數(shù)據(jù)集。完整的數(shù)據(jù)集生成流程如圖1所示。

圖1 數(shù)據(jù)集生成流程圖

1.2 基線對比網(wǎng)絡

鑒于CNN網(wǎng)絡出色的識別性能，本文將其作為信號調制識別性能的對比網(wǎng)絡。該網(wǎng)絡包括2個卷積層和3個全連接層，網(wǎng)絡輸入樣本為1024點長度的原始I、Q數(shù)據(jù)。卷積層主要對輸入數(shù)據(jù)進行特征提取，通過卷積操作生成特征圖[20]。每個卷積層中包含多個卷積核，卷積步幅設為1。網(wǎng)絡中的激活函數(shù)采用ReLU函數(shù)，其函數(shù)表達式如式(1)所示。網(wǎng)絡中的池化窗口大小設為1×2，采用最大池化方式，池化步長設為1，沿著同一維度對特征平面進行降維。對比網(wǎng)絡的具體結構如表1所示。

f(z)=max(0,z)

(1)

其中z為激活函數(shù)的輸入特征。

表1 CNN神經(jīng)網(wǎng)絡結構

2 信號調制識別網(wǎng)絡設計

借鑒計算機視覺和圖像識別領域已獲得廣泛應用的殘差神經(jīng)網(wǎng)絡(ResNet)結構[21]，在CNN網(wǎng)絡基礎上增加恒等映射，采用類似并聯(lián)(而非級聯(lián))的形式調整優(yōu)化網(wǎng)絡參數(shù)，有效避免了CNN網(wǎng)絡隨網(wǎng)絡層數(shù)加深、迭代次數(shù)過多所導致的梯度爆炸和梯度消失等問題[22]。然而，當前殘差神經(jīng)網(wǎng)絡的典型網(wǎng)絡層數(shù)大多設置為18、50、101層等類型，若在信號調制識別中照搬殘差網(wǎng)絡的深度層數(shù)，將直接導致網(wǎng)絡結構過于復雜、網(wǎng)絡參數(shù)大、所需訓練樣本數(shù)量多、消耗硬件資源等問題。同時，由于未充分考慮無線電信號I、Q數(shù)據(jù)特性，直接照搬圖像識別領域成熟的殘差神經(jīng)網(wǎng)絡進行信號調制類型識別，將導致網(wǎng)絡的識別性能不佳，這在基于CNN網(wǎng)絡的信號調制識別研究中已得到證實。

因此，文中結合無線電信號的I、Q數(shù)據(jù)特征，利用基本卷積層、殘差單元、殘差塊以及全連接層搭建信號調制識別神經(jīng)網(wǎng)絡，所構建的網(wǎng)絡架構如圖2所示，根據(jù)不同的網(wǎng)絡結構及網(wǎng)絡超參數(shù)條件所表現(xiàn)出的識別性能確定網(wǎng)絡最終結構。

圖2 所提的DeepResNet-RF網(wǎng)絡基本架構

在網(wǎng)絡訓練階段，網(wǎng)絡全連接層的丟棄率設為0.3，使用Adam優(yōu)化器作為網(wǎng)絡優(yōu)化器，超參數(shù)學習率設為0.001，模糊因子設為10-8，每次更新后學習率的衰減值為0，每輪訓練數(shù)據(jù)均隨機洗牌，數(shù)據(jù)集總樣本數(shù)為26萬個，選取數(shù)據(jù)集中的80%作為訓練數(shù)據(jù)，20%作為測試數(shù)據(jù)，每批次樣本數(shù)為1000。采用多類別交叉熵作為損失函數(shù)。

(2)

(3)

其中?yj/?wj=bj，根據(jù)f(yj)′=f(yj)(1-f(yj))，f為每層網(wǎng)絡的激活函數(shù)，最后一層采用softmax(.)函數(shù)，各神經(jīng)元的權值梯度為：

(4)

因此，最后一層網(wǎng)絡的權值梯度向量表示如下：

?Θ=[?w0,?w1,…,?wj]

(5)

進一步，采用梯度下降法更新網(wǎng)絡權值。

Θ=Θ1-α·?Θ

(6)

其中，?Θ表示每層網(wǎng)絡權值的梯度，α為學習率，Θ為待更新的網(wǎng)絡權值，Θ1為上一次迭代更新的網(wǎng)絡權值。最后反向依次完成每層網(wǎng)絡權值更新。

1)網(wǎng)絡輸入樣本長度。

首先，啟發(fā)式給定網(wǎng)絡結構參數(shù)。其中殘差塊數(shù)設為6，每個殘差塊中卷積層數(shù)為5，卷積核大小設為4×2。在此基礎上，采用不同長度的數(shù)據(jù)樣本對網(wǎng)絡進行訓練與測試，以此確定網(wǎng)絡的最佳輸入樣本長度。分別計算了樣本長度為128、256、512和1024幾種情況下的網(wǎng)絡識別性能，測試結果如圖3所示。結果表明，當輸入數(shù)據(jù)維度為2×1024×1(I、Q這2路)時，網(wǎng)絡在-4 dB信噪比條件下的識別性能超過75%。信噪比超過4 dB時，其識別性能趨于100%。進一步增加數(shù)據(jù)維度至2×2048×1，網(wǎng)絡識別性能沒有顯著提升，但訓練網(wǎng)絡所需的時間成本卻成倍增加。折中考慮，網(wǎng)絡輸入樣本長度設置為1024合理，故網(wǎng)絡輸入數(shù)據(jù)維度為2×1024×1。

圖3 不同樣本長度下識別性能隨信噪比變化曲線

2)殘差塊個數(shù)。

給定網(wǎng)絡輸入數(shù)據(jù)維度為2×1024×1條件下，進一步測試網(wǎng)絡中包含不同殘差塊個數(shù)對應的網(wǎng)絡識別性能。結果表明，針對文中所采集的數(shù)據(jù)樣本而言，不同數(shù)量的殘差塊對網(wǎng)絡識別性能影響不明顯，當網(wǎng)絡中使用的殘差塊數(shù)為5時，網(wǎng)絡在-4 dB信噪比條件下的識別準確性達到74%，6 dB信噪比條件下趨近100%，若繼續(xù)增加網(wǎng)絡的殘差塊數(shù)，其識別精度并沒有顯著提升。鑒于此，當深度殘差調制識別網(wǎng)絡的殘差塊數(shù)設為5時，網(wǎng)絡能達到最佳的調制識別性能。

3)殘差塊內(nèi)包含的卷積層數(shù)。

在確定數(shù)據(jù)樣本維度(2×1024×1)和殘差塊數(shù)(5個)后，進一步對殘差塊中包含的卷積層數(shù)進行研究，分析了殘差塊中卷積層從1層逐次遞增至6層時的網(wǎng)絡識別性能，測試結果如圖4所示。當卷積層數(shù)設為4時，網(wǎng)絡在-4 dB信噪比條件下的識別精度達到73%，超過8 dB信噪比時的識別精度趨于100%。若繼續(xù)增加殘差塊中的卷積層數(shù)，其網(wǎng)絡識別性能無明顯提升。故深度殘差調制識別網(wǎng)絡的殘差塊中的卷積層數(shù)設為4是合理的。

圖4 殘差塊內(nèi)包含不同卷積層數(shù)的網(wǎng)絡識別性能

4)網(wǎng)絡卷積核大小。

在確定了網(wǎng)絡輸入樣本數(shù)據(jù)維度、殘差塊數(shù)(5個)以及卷積層數(shù)(4層)等網(wǎng)絡超參數(shù)條件下，進一步對卷積層中不同卷積核尺寸進行研究，分析了卷積核尺寸從2層逐次遞增至6層時的網(wǎng)絡識別性能，測試結果如圖5所示。當卷積核長度設為5時，相較于其他數(shù)據(jù)長度而言，網(wǎng)絡在-4 dB信噪比條件下的識別性能達到78%，在4 dB信噪比下接近100%，進一步增加卷積核尺寸反而導致網(wǎng)絡識別性能下降。因此，折中考慮網(wǎng)絡識別性能以及網(wǎng)絡復雜度等因素，將網(wǎng)絡卷積核尺寸設為5。

最終，在以上各網(wǎng)絡超參數(shù)選取基礎上，直接確定出最終的信號調制識別網(wǎng)絡結構，所提的緊致DeepResNet-RF網(wǎng)絡結構參數(shù)如表2所示。

圖5 不同卷積核大小的網(wǎng)絡識別性能

表2 所提的DeepResNet-RF網(wǎng)絡結構

所謂緊致，主要體現(xiàn)在3個方面。①傳統(tǒng)的ResNet在下采樣過程中，通道數(shù)是不斷翻倍的，而本文中的通道數(shù)固定為32，避免了網(wǎng)絡因通道數(shù)的增加而導致網(wǎng)絡的計算復雜度急劇上升；②本文使用的網(wǎng)絡層數(shù)為24層，相較于ResNet50以及ResNet101等傳統(tǒng)殘差網(wǎng)絡而言，所設計網(wǎng)絡在保證識別精度的同時大大減少了網(wǎng)絡總層數(shù)，降低了網(wǎng)絡結構復雜度；③本文所采用的的數(shù)據(jù)維度為2×1024×1。對此，通過反復的實驗比對發(fā)現(xiàn)，選用卷積核大小為5×2，相較于傳統(tǒng)卷積核大小為3×3而言，在加快網(wǎng)絡運行速度的同時，也能保證網(wǎng)絡的識別準確性。

2.1 存在的局限及分析

在移動場景中，信號源到接收機間的信道環(huán)境通常會發(fā)生變化，因此，需要驗證所提網(wǎng)絡在時變信道環(huán)境下的適應能力。接下來，在采集的原始數(shù)據(jù)集基礎上，對原始數(shù)據(jù)集樣本仿真加入瑞利衰落效應模擬信道環(huán)境發(fā)生變化后的數(shù)據(jù)集，利用原數(shù)據(jù)集訓練的網(wǎng)絡對加入瑞利衰落效應的新數(shù)據(jù)集進行調制類型識別性能測試，不同信噪比下的識別性能測試結果如表3所示。結果表明：網(wǎng)絡在原信道數(shù)據(jù)集上的測試具有極高的識別性能(整體上超過90%)，但采用經(jīng)瑞利衰落效應后的新數(shù)據(jù)對網(wǎng)絡進行測試時，其識別性能最高僅達41%，所提網(wǎng)絡對時變系統(tǒng)的識別效果性能極差。因此，對新信道環(huán)境下的信號進行調制識別時，需要使用新信道環(huán)境下的訓練數(shù)據(jù)對網(wǎng)絡進行重新訓練以更新網(wǎng)絡參數(shù)。然而，如果完全重新訓練網(wǎng)絡，不僅需要的數(shù)據(jù)量龐大而且時間成本會急劇上升，不能滿足實時性要求較高的場合。鑒于此，采用遷移學習技術，采用新環(huán)境下的訓練數(shù)據(jù)對網(wǎng)絡參數(shù)進行微調，利用部分調整后的神經(jīng)網(wǎng)絡進行調制識別[23]。

表3 信道變化條件下的網(wǎng)絡識別性能對比

2.2 遷移學習策略選用

遷移學習理論是對源域與目標域兩者之間的數(shù)據(jù)相關性進行研究。本文中，結合神經(jīng)網(wǎng)絡的深度遷移學習使用源域即原始信道的數(shù)據(jù)對所搭建的網(wǎng)絡進行訓練、測試，當所在域發(fā)生變化時，原先已訓練好的網(wǎng)絡對于目標域即在新信道下的分類識別效果極差。這時，利用少量目標域中的樣本數(shù)據(jù)對源域中已訓練好的網(wǎng)絡進行網(wǎng)絡微調，以此完成神經(jīng)網(wǎng)絡的遷移學習。在這里，源域和目標域兩者之間的相似性主要體現(xiàn)在信號數(shù)據(jù)的無線電特性、數(shù)據(jù)分布是保持一致的。這也是為什么遷移學習能夠解決信道環(huán)境改變時的網(wǎng)絡性能惡化問題。本文針對基于神經(jīng)網(wǎng)絡的深度遷移學習提出3種遷移學習方式：1)微調網(wǎng)絡所有層權值；2)網(wǎng)絡全連接層權值不變、微調卷積層權值；3)網(wǎng)絡卷積層權值不變、微調全連接層權值。

1)網(wǎng)絡微調的數(shù)據(jù)集規(guī)模。

文中在不同訓練數(shù)據(jù)集樣本規(guī)模下分別測試網(wǎng)絡識別性能，據(jù)此確定遷移學習所需的最少樣本數(shù)。具體上，分別利用4000(1.5%)、6000(2.3%)、13000(5%)、26000(10%)、52000(20%)、86000(33%)、260000(100%)規(guī)模的訓練數(shù)據(jù)進行網(wǎng)絡訓練后的識別性能如圖6所示。結果表明，當采用86000個樣本構成的微調數(shù)據(jù)集時，網(wǎng)絡的平均識別性能超過90%，與采用全部數(shù)據(jù)集(260000個樣本)對網(wǎng)絡進行重新訓練后的網(wǎng)絡平均識別性能相當，但重新訓練網(wǎng)絡所需要的運算時間卻增加了將近4倍，為此，在后續(xù)遷移學習策略選取中，微調數(shù)據(jù)集樣本數(shù)為86000個。

圖6 不同大小的微調數(shù)據(jù)集下網(wǎng)絡的識別精度

2)不同遷移學習方式下的識別性能。

基于上述3種遷移學習方式，進一步利用微調數(shù)據(jù)集對DeepResNet-RF網(wǎng)絡進行遷移學習，獲得的識別性能結果如圖7所示。結果表明，采用網(wǎng)絡全連接層固定，對卷積層的權值偏置進行微調的遷移學習方法，其對于不同場景下的新數(shù)據(jù)識別效果最好。導致這一現(xiàn)象的原因是因為網(wǎng)絡卷積層所需訓練的參數(shù)量較少，采用較小的訓練集能滿足卷積層參數(shù)進行微調的要求，而全連接層所需要訓練的參數(shù)眾多，僅采用少量數(shù)據(jù)集對其進行調整，不足以完成網(wǎng)絡的權值微調。另外，DeepResNet-RF網(wǎng)絡特征提取主要由卷積層所決定，若僅對全連接層進行權值更新則無法達到網(wǎng)絡的微調效果，故第2種遷移學習方法優(yōu)于其他2種遷移學習方法。

圖7 不同遷移學習方式的識別性能

3 實驗結果與分析

3.1 網(wǎng)絡泛化能力驗證

為證實所提DeepResNet-RF網(wǎng)絡的識別性能，本文采取表2中的網(wǎng)絡結構進行訓練。DeepResNet-RF網(wǎng)絡的損失值隨迭代輪次變化的曲線如圖8所示，從圖中可以發(fā)現(xiàn)，網(wǎng)絡迭代次數(shù)在接近30次時，認定網(wǎng)絡已訓練好。雖然網(wǎng)絡的損失值處于震蕩的形式，但其數(shù)值總體上呈現(xiàn)下降的趨勢，這表明網(wǎng)絡的學習性能良好，魯棒性高。

圖8 網(wǎng)絡損失值隨迭代輪次的變化曲線

本文分別對邊界信噪比(SNR=-4 dB和SNR=12 dB)條件測試了所提網(wǎng)絡的識別性能。測試結果表明，所提的DeepResNet-RF網(wǎng)絡在-4 dB信噪比場景下對不同調制類型信號的識別效果存在一定的差異，整體識別性能約為90%。當信噪比逐漸增加時，網(wǎng)絡的識別性能不斷提升，當信噪比達到12 dB時，DeepResNet-RF網(wǎng)絡在訓練數(shù)據(jù)集上的識別精度達到100%，從而證實本文所設計網(wǎng)絡的有效性。

為進一步驗證網(wǎng)絡識別泛化能力，在相同信道響應條件下，采用未參予網(wǎng)絡訓練的新數(shù)據(jù)對已訓練好的網(wǎng)絡進行測試，分析不同信噪比下所設計網(wǎng)絡的整體識別性能與每種調制信號的識別準確度，測試結果如表4所示。研究結果表明：所提網(wǎng)絡在低信噪比(-4 dB)場景下對于特定的幾種調制信號的識別效果不佳(如DQPSK、16QAM等)，但整體識別性能達到94%。隨著信噪比逐漸增加，網(wǎng)絡的識別性能不斷提升，當信噪比達到12 dB時，網(wǎng)絡的識別精度達到100%，網(wǎng)絡在測試數(shù)據(jù)集與訓練驗證集上的網(wǎng)絡識別性能相當，證實了本文所設計的信號調制識別網(wǎng)絡具有良好的泛化能力。

表4 信號調制類型識別性能

3.2 信號調制識別性能對比

在信號調制識別性能對比實驗中，基線對比網(wǎng)絡結構如表1所示，DeepResNet-RF網(wǎng)絡結構如表2所示。在網(wǎng)絡訓練過程中，CNN網(wǎng)絡訓練參數(shù)與DeepResNet-RF網(wǎng)絡訓練過程中的損失函數(shù)、優(yōu)化器、學習率、模糊因子、訓練數(shù)據(jù)樣本數(shù)和測試數(shù)據(jù)樣本數(shù)完全相同。CNN網(wǎng)絡和DeepResNet-RF網(wǎng)絡的批量樣本數(shù)目分別設為500和1000。

1)網(wǎng)絡識別性能對比。

在完成上述2種網(wǎng)絡的訓練后，采用測試數(shù)據(jù)集對網(wǎng)絡的識別性能進行測試，在訓練數(shù)據(jù)集上的網(wǎng)絡識別性能與迭代輪次的性能曲線以及網(wǎng)絡在不同信噪比下的識別性能分別如圖9和表5所示。當網(wǎng)絡訓練的迭代次數(shù)達到30輪時，CNN網(wǎng)絡與所提網(wǎng)絡在訓練集上的識別性能均超過95%，但隨著迭代次數(shù)增多，所提網(wǎng)絡識別性能優(yōu)于CNN網(wǎng)絡的識別性能。

圖9 網(wǎng)絡識別性能與迭代輪次的性能曲線

表5 網(wǎng)絡在不同信噪比下的識別性能

根據(jù)表5可知，所提網(wǎng)絡在-4 dB信噪比下的識別精度達到76.4%，而CNN網(wǎng)絡的識別精度僅為64%。本文所提網(wǎng)絡在4 dB信噪比下的識別精度接近于100%，而CNN網(wǎng)絡的識別精度最高也僅達到80%，因此，無論在低信噪比還是在高信噪比場景下，本文所提網(wǎng)絡的識別性能都要優(yōu)于CNN網(wǎng)絡的識別性能。

2)基于遷移學習的網(wǎng)絡識別性能。

基于瑞利衰落數(shù)據(jù)對已完成遷移學習的網(wǎng)絡進行測試，仍然以邊界信噪比為例進行“包線”測試，結果如圖10所示，在-4 dB信噪比條件下，網(wǎng)絡的識別精度整體約為78%左右，而在12 dB信噪比條件下，網(wǎng)絡的識別精度接近于100%，與重新訓練網(wǎng)絡所達到的識別精度近乎一致。

(a) SNR=-4 dB

4 結束語

本文針對無線電信號數(shù)據(jù)特點設計了一種適用于無線電信號調制識別且結構緊致的輕量級神經(jīng)網(wǎng)絡，實現(xiàn)了從原始基帶I、Q數(shù)據(jù)到信號調制類型輸出的端到端識別。在此基礎上，利用遷移學習技術降低了網(wǎng)絡訓練所需的樣本數(shù)目，增強了所提網(wǎng)絡在無線信道響應發(fā)生變化時的環(huán)境適應能力，減少了訓練所需的硬件資源需求和訓練數(shù)據(jù)集規(guī)模。在所構建的信號調制類型數(shù)據(jù)集上的識別性能測試表明：信道響應改變時，所提信號調制識別神經(jīng)網(wǎng)絡在信噪比為12 dB條件下的識別性能達到了95%，通過對比實驗證實了所設計網(wǎng)絡的識別性能優(yōu)勢。下一步的主要工作是構建全部外場實測數(shù)據(jù)集，進一步驗證和改善網(wǎng)絡在實測場景下的穩(wěn)健性。