張海燕，閆文君，張立民，李忠超

（1.海軍航空大學(xué)，山東 煙臺(tái) 264001；2. 73022部隊(duì)，廣東 惠州 516000）

0 引言

在通信發(fā)展初期，信號(hào)調(diào)制方式的種類只有固定的幾種，且信號(hào)的收發(fā)雙方多是合作方，他們會(huì)提前商定所要使用的調(diào)制樣式，不需要對(duì)接收到的信號(hào)進(jìn)行識(shí)別。隨著網(wǎng)絡(luò)通信技術(shù)的快速發(fā)展，通信管理系統(tǒng)往往會(huì)采用多種調(diào)制方案，從而可以使我們更好地利用頻譜資源，滿足爆發(fā)式增長(zhǎng)的通信市場(chǎng)需求。對(duì)于非合作通信方來說[1-2]，要想獲取有用信息，就需要進(jìn)行調(diào)制識(shí)別。如今，無論在軍用還是民用領(lǐng)域，該技術(shù)的應(yīng)用范圍都十分廣泛，如電子對(duì)抗、戰(zhàn)時(shí)通信偵察、信號(hào)干擾、頻譜監(jiān)測(cè)等。

通信信號(hào)的調(diào)制識(shí)別是介于信號(hào)檢測(cè)和信號(hào)解調(diào)之間的1 項(xiàng)技術(shù)，本質(zhì)上是1 個(gè)模式識(shí)別問題。調(diào)制識(shí)別最早起源于軍事通信領(lǐng)域，信號(hào)的識(shí)別大多依靠人工來完成，耗時(shí)費(fèi)力、識(shí)別率低。直到1969 年，C.S.weaver等人在斯坦福大學(xué)的某項(xiàng)技術(shù)報(bào)告中發(fā)表了首篇關(guān)于研究調(diào)制方式自動(dòng)識(shí)別的論文，從此打開了自動(dòng)調(diào)制識(shí)別（Automatic Modulation Recognition，AMR）的大門。2017 年，美國的國防高級(jí)研究計(jì)劃局DARPA 資助了“調(diào)制識(shí)別之戰(zhàn)”的項(xiàng)目，探索無線電頻譜領(lǐng)域新問題的解決和發(fā)展之道，提出調(diào)制識(shí)別是實(shí)現(xiàn)“無線態(tài)勢(shì)感知”的關(guān)鍵問題，這種發(fā)展態(tài)勢(shì)感知可用來預(yù)測(cè)頻譜使用的不同情況，實(shí)現(xiàn)對(duì)稀缺的頻譜資源更為有效地利用[3]。

目前，調(diào)制識(shí)別從是否運(yùn)用深度學(xué)習(xí)的角度可分為經(jīng)典調(diào)制識(shí)別和基于深度學(xué)習(xí)的調(diào)制識(shí)別。

1 經(jīng)典調(diào)制識(shí)別

1.1 基于最大似然函數(shù)的調(diào)制識(shí)別

首先，根據(jù)信號(hào)模型的統(tǒng)計(jì)特征建立最大似然函數(shù)，推導(dǎo)出信號(hào)的最佳判決門限；然后，將待識(shí)別系統(tǒng)信號(hào)的似然比與門限值要求進(jìn)行分析比較，確定信號(hào)的調(diào)制類型?；谧畲笏迫缓瘮?shù)的調(diào)制識(shí)別的基本原理如圖1所示。

圖1 基于似然函數(shù)的調(diào)制識(shí)別方法流程圖Fig.1 Flow chart of modulation recognition algorithm based on likelihood function

該研究方法主要分為：平均似然比檢測(cè)（Average Likelihood Ratio Test，ALRT）[4]、廣義似然比檢測(cè)（Generalized Likelihood Ratio Test，GLRT）[5]和混合似然比檢測(cè)（Hybrid Likelihood Ration Test，HLRT）[6]。但該類算法需要的先驗(yàn)知識(shí)信息較多，計(jì)算量大，普適性差，對(duì)于非合作通信方，需要對(duì)每1種可獲得的參數(shù)進(jìn)行概率密度函數(shù)的計(jì)算，耗時(shí)較長(zhǎng)，因此，研究該方法的學(xué)者逐漸減少。

為了進(jìn)一步展示基于似然函數(shù)的信號(hào)調(diào)制識(shí)別方法，表1 從分類器、候選調(diào)制類型、信道以及未知參數(shù)方面對(duì)該方法進(jìn)行了總結(jié)。

表1 基于似然函數(shù)的信號(hào)調(diào)制識(shí)別方法Tab.1 Signal modulation recognition method based on likelihood function

1.2 基于特征提取的調(diào)制識(shí)別

利用不同調(diào)制方式之間的頻譜特性的差異提取不同特征，再構(gòu)造分類器對(duì)這些特征信息進(jìn)行分類，達(dá)到對(duì)未知調(diào)制方式準(zhǔn)確識(shí)別的目的，其原理如圖2所示。

圖2 基于特征提取的識(shí)別方法流程圖Fig.2 Flow chart of recognition method based on feature extraction

此算法具有不同算法復(fù)雜度低、易于仿真實(shí)現(xiàn)的特點(diǎn)，但對(duì)提取到的特征有很高的要求，其計(jì)算量較似然函數(shù)的方法要小。

當(dāng)前，特征提取的識(shí)別方法中使用的特征主要包括：

1）瞬時(shí)幅度、相位、頻率的時(shí)域特征；

2）循環(huán)譜、功率譜和高階累積量的頻域特征；

3）星座圖、小波變換的變換域特征。

表2對(duì)當(dāng)前基于特征進(jìn)行提取方法的調(diào)制識(shí)別系統(tǒng)研究問題進(jìn)行了列舉。

表2 基于特征提取的信號(hào)調(diào)制識(shí)別方法Tab.2 Signal modulation recognition method based on feature extraction

2 基于深度學(xué)習(xí)的調(diào)制識(shí)別

2.1 常用數(shù)據(jù)集

為便于評(píng)估和對(duì)比不同的調(diào)制識(shí)別方法的性能，研究者們創(chuàng)建了一些公開的數(shù)據(jù)集，其中最為流行的是 RadioML 數(shù) 據(jù) 集 ，包 括 RML2016.10a、RML2016.10b和RML2018.01a，如表3所示。

表3 常用RadioML數(shù)據(jù)集Tab.3 Commonly used RadioML data sets

2.2 深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）

深度學(xué)習(xí)以其強(qiáng)大的學(xué)習(xí)能力，被廣泛應(yīng)用于語音、醫(yī)療和圖像處理等方面，將其與調(diào)制識(shí)別相結(jié)合，在短短幾年里就取得了識(shí)別領(lǐng)域的重大突破。

2.2.1 卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）

CNN 通過卷積核自動(dòng)學(xué)習(xí)圖像在各個(gè)層次上的關(guān)聯(lián)性，基本結(jié)構(gòu)，如圖3所示。

圖3 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)Fig.3 Basic structure of convolutional neural network

1）卷積層

卷積層是通過卷積核的滑動(dòng)對(duì)輸入的圖像做卷積操作，其中每層卷積層都需要多個(gè)卷積核，對(duì)特征圖分別進(jìn)行卷積來提取到多個(gè)特征，每個(gè)特征中都包含輸入圖像的部分特征。卷積層的計(jì)算公式如下：

2）池化層

池化層主要是通過對(duì)卷積得到的特征圖進(jìn)行下采樣，以達(dá)到對(duì)輸出特征進(jìn)行選擇和降維的目的。應(yīng)用較廣泛的池化操作有最大池化和平均池化2 種，如圖4所示。

圖4 最大池化和平均池化Fig.4 Max pooling and average pooling

3）全連接層

最大池化是在選取的2×2的卷積核的范圍內(nèi)找到最大值作為下1 層的輸入；平均池化則是在所選的2×2 的卷積核區(qū)域求出平均值作為下1 層的輸入，步長(zhǎng)則是卷積核每次移動(dòng)的距離。

每個(gè)輸出節(jié)點(diǎn)與全部的輸入節(jié)點(diǎn)相連接，這種網(wǎng)絡(luò)層被稱為全連接層，如圖5 所示。該層一般位于CNN最后一部分，w11、w12等所構(gòu)成的w矩陣叫作全連接層的權(quán)值矩陣，b是偏置向量。

圖5 全連接層Fig.5 Full connection layer

4）激活函數(shù)

激活函數(shù)加入神經(jīng)網(wǎng)絡(luò)后，可以給網(wǎng)絡(luò)添加非線性因素，更好地優(yōu)化了網(wǎng)絡(luò)的性能。常用的激活函數(shù)有Sigmoid、ReLU和Tanh等，其數(shù)學(xué)公式如下。

2.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）

RNN主要處理序列值數(shù)據(jù)，它可以處理類似于局部不相關(guān)的數(shù)據(jù)，或者時(shí)間維度上長(zhǎng)度可變的數(shù)據(jù)。它是由輸入層、隱藏層和輸出層組成，隱藏層中的指向數(shù)據(jù)循環(huán)更新的箭頭，實(shí)現(xiàn)了時(shí)間記憶功能?；窘Y(jié)構(gòu)，如圖6所示。

圖6 RNN的基本結(jié)構(gòu)Fig.6 Basic structure of RNN

2.3 識(shí)別算法

DNN可以對(duì)信號(hào)深層特征進(jìn)行深度提取和挖掘，實(shí)現(xiàn)對(duì)信號(hào)特征的精細(xì)化表達(dá)，應(yīng)用在調(diào)制識(shí)別方面已經(jīng)取得了一定的成果。在對(duì)大量文獻(xiàn)進(jìn)行研究后，列舉了基于深度學(xué)習(xí)的比較有代表性的識(shí)別方法，如表4所示。

表4 基于深度學(xué)習(xí)的調(diào)制識(shí)別方法Tab.4 Modulation recognition method based on deep learning

3 未來發(fā)展方向

基于目前的研究可以看出，調(diào)制識(shí)別已經(jīng)取得一定成果，但仍存在一些不足。

首先，現(xiàn)有算法大多對(duì)特定幾種或者十幾種調(diào)制方式進(jìn)行閉集識(shí)別，而現(xiàn)實(shí)情況是一旦出現(xiàn)了新的調(diào)制方式，直接利用現(xiàn)有的方法進(jìn)行識(shí)別，定會(huì)導(dǎo)致錯(cuò)誤的分類，最終影響對(duì)信號(hào)后續(xù)處理。因此，對(duì)開集識(shí)別的研究十分重要。

其次，目前國內(nèi)外學(xué)者大多偏向于有監(jiān)督深度學(xué)習(xí)算法的研究，研究依賴大量有對(duì)應(yīng)標(biāo)簽樣本，但實(shí)際上卻存在大量無標(biāo)簽的數(shù)據(jù)，因此，基于大量無標(biāo)簽的數(shù)據(jù)的調(diào)制識(shí)別算法值得研究。

最后，現(xiàn)有的識(shí)別算法大都處于仿真階段，很多調(diào)制識(shí)別算法為了提高識(shí)別準(zhǔn)確率，往往需要大量數(shù)據(jù)和強(qiáng)大的硬件平臺(tái)計(jì)算資源，特別是基于深度學(xué)習(xí)的調(diào)制識(shí)別方法，大都需要高性能顯卡的計(jì)算機(jī)長(zhǎng)時(shí)間訓(xùn)練網(wǎng)絡(luò)，這樣才能得到較好的結(jié)果。如何完成算法的工程實(shí)現(xiàn)是我們下一步努力的方向。

4 結(jié)束語

本文首先從定義、原理和現(xiàn)有識(shí)別方法等角度入手，對(duì)經(jīng)典調(diào)制進(jìn)行了總結(jié)；然后，分析了深度學(xué)習(xí)的方法，給出了常用數(shù)據(jù)集，著重分析了深度學(xué)習(xí)網(wǎng)絡(luò)，包括CNN 和RNN，列舉了大量的深度的學(xué)習(xí)識(shí)別方法；最后，展望了調(diào)制識(shí)別技術(shù)的發(fā)展方向，為接下來的研究打下基礎(chǔ)。