楊 雷，郭恩澤，劉益岑，魏國(guó)峰，楊 寧，郭道省

(1.中國(guó)人民解放軍陸軍工程大學(xué) 通信工程學(xué)院， 南京 210007；2.中國(guó)人民解放軍陸軍工程大學(xué) 通信士官學(xué)校， 重慶 400035；3.信號(hào)盲處理國(guó)家級(jí)重點(diǎn)實(shí)驗(yàn)室, 成都 610041)

1 引言

近年來(lái)，無(wú)人機(jī)技術(shù)蓬勃發(fā)展，各類(lèi)無(wú)人機(jī)在諸多領(lǐng)域里得到廣泛的應(yīng)用。由于相關(guān)部門(mén)的監(jiān)管控制技術(shù)不夠完善，無(wú)人機(jī)造成的“黑飛事件”也層出不窮，引發(fā)一系列國(guó)際社會(huì)安全問(wèn)題。同時(shí)，針對(duì)應(yīng)用于6G智能邊緣設(shè)備等存儲(chǔ)空間有限的小型嵌入式設(shè)備，對(duì)算法的模型存儲(chǔ)開(kāi)銷(xiāo)提出更高的要求。因此，在存儲(chǔ)資源空間有限的情況下，實(shí)現(xiàn)對(duì)無(wú)人機(jī)準(zhǔn)確高效的識(shí)別，對(duì)有效進(jìn)行空中管控、并采取相應(yīng)反制措施以及維護(hù)無(wú)人機(jī)安全秩序具有重要的現(xiàn)實(shí)意義[1-2]。

無(wú)人機(jī)因其遂行工作任務(wù)的不同，其種類(lèi)型號(hào)和圖傳方式也多種多樣。通過(guò)識(shí)別無(wú)人機(jī)圖傳信號(hào)的調(diào)制方式，可以實(shí)現(xiàn)對(duì)無(wú)人機(jī)進(jìn)行初步的篩選分類(lèi)[3-4]。目前對(duì)無(wú)人機(jī)信號(hào)的調(diào)制識(shí)別技術(shù)，大多借助比較傳統(tǒng)的電磁信號(hào)識(shí)別方法，通過(guò)專家挑選關(guān)鍵特征，如信號(hào)包絡(luò)、瞬時(shí)相位差、循環(huán)譜和雙譜等不同域的信號(hào)特征，最后由固定規(guī)則和學(xué)習(xí)算法進(jìn)行分類(lèi)[5]。但傳統(tǒng)方法計(jì)算較為復(fù)雜，實(shí)際部署困難，并且缺乏普適性。近年來(lái)，機(jī)器學(xué)習(xí)在各項(xiàng)研究領(lǐng)域中都取得了突破性的進(jìn)展，一些研究者利用機(jī)器學(xué)習(xí)算法可以避免基于經(jīng)驗(yàn)的人工提取特征的不足，在調(diào)制信號(hào)識(shí)別領(lǐng)域已經(jīng)有了較為豐碩的成果。文獻(xiàn)[6-7]提取原始的時(shí)域I/Q特征，利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)端對(duì)端的識(shí)別，但是這種時(shí)域非線性特征受噪聲影響較大，識(shí)別率有一定局限性。文獻(xiàn)[8-9]對(duì)CNN網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，并考慮了信號(hào)的時(shí)序特征，采用 CNN+LSTM(long short term memory)的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行調(diào)制方式識(shí)別。文獻(xiàn)[10]通過(guò)將信號(hào)的時(shí)域變換到頻域，以Welch功率譜信息作為神經(jīng)網(wǎng)絡(luò)的輸入，在SNR=10 dB噪聲環(huán)境下對(duì)20個(gè)zigbee設(shè)備識(shí)別率達(dá)到90%以上。然而，CNN更擅長(zhǎng)處理二維圖像特征，上述方法直接識(shí)別I/Q、功率譜等一維特征，會(huì)導(dǎo)致CNN識(shí)別效果產(chǎn)生折扣[11]。鑒于此，部分研究者考慮將信號(hào)識(shí)別問(wèn)題轉(zhuǎn)化為圖像識(shí)別問(wèn)題。Peng等將8種調(diào)制信號(hào)轉(zhuǎn)換為星座圖，并處理得到灰度圖像，使用深度CNN方法可以有效地對(duì) 8 種調(diào)制信號(hào)進(jìn)行分類(lèi)[12]。周鑫對(duì)信號(hào)I/Q數(shù)據(jù)通過(guò)離散傅里葉變換轉(zhuǎn)化為二維頻譜瀑布圖，輸入到深度神經(jīng)網(wǎng)絡(luò)RadioYOLO 模型中，對(duì)12種信號(hào)的識(shí)別率為86.04%[5]。文獻(xiàn)[13]通過(guò)借助AlexNet網(wǎng)絡(luò)識(shí)別無(wú)人機(jī)目標(biāo)圖像特征，完成對(duì)不同無(wú)人機(jī)信號(hào)的分類(lèi)。文獻(xiàn)[14]通過(guò)GoogleNet神經(jīng)網(wǎng)絡(luò)識(shí)別雷達(dá)探測(cè)的多普勒?qǐng)D像特征，完成對(duì)3種型號(hào)無(wú)人機(jī)的分類(lèi)。文獻(xiàn)[15]利用深層CNN，提取無(wú)人機(jī)信號(hào)的能量光譜特征，從而實(shí)現(xiàn)對(duì)無(wú)人機(jī)的啟動(dòng)、懸停以及飛行狀態(tài)的分類(lèi)識(shí)別。文獻(xiàn)[16]利用深層殘差網(wǎng)絡(luò)(residual network，ResNet)識(shí)別遙測(cè)信號(hào)的頻譜圖，實(shí)現(xiàn)對(duì)無(wú)人機(jī)的識(shí)別。

以上研究成果從不同的角度進(jìn)行了探索，其主要研究不足在于：一方面，有些利用一維CNN識(shí)別一維特征的方法還很難應(yīng)用于強(qiáng)噪聲環(huán)境下，算法魯棒性差，并且會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)識(shí)別性能發(fā)生折扣；另一方面，有些利用深度學(xué)習(xí)的方法，使用深度神經(jīng)網(wǎng)絡(luò)作為分類(lèi)器，顯著增加了神經(jīng)網(wǎng)絡(luò)的計(jì)算復(fù)雜度和內(nèi)存消耗，存在著神經(jīng)網(wǎng)絡(luò)識(shí)別速度慢、模型存儲(chǔ)開(kāi)銷(xiāo)大、并且方法難以部署于資源受限的設(shè)備等問(wèn)題。

基于上述分析，提出了基于MobileNetv2輕量級(jí)神經(jīng)網(wǎng)絡(luò)的無(wú)人機(jī)信號(hào)調(diào)制識(shí)別方法。針對(duì)利用一維CNN識(shí)別一維特征在噪聲環(huán)境下抗干擾性差并且導(dǎo)致CNN識(shí)別性能發(fā)生折扣等問(wèn)題，由于STFT是時(shí)間與頻率的二維函數(shù)，可以將信號(hào)經(jīng)STFT得到時(shí)頻圖特征，有效克服一維時(shí)域信號(hào)特征在實(shí)際噪聲環(huán)境下魯棒性差的缺點(diǎn)，同時(shí)利用能量門(mén)限降噪的方法對(duì)時(shí)頻圖像進(jìn)行降噪處理，提高CNN對(duì)STFT圖像的識(shí)別效果；針對(duì)大多數(shù)方法使用深度神經(jīng)網(wǎng)絡(luò)作為分類(lèi)器，存在著神經(jīng)網(wǎng)絡(luò)識(shí)別速度慢、模型存儲(chǔ)開(kāi)銷(xiāo)大并且方法難以部署于資源受限的設(shè)備等問(wèn)題，利用MobileNetv2輕量級(jí)神經(jīng)網(wǎng)絡(luò)在識(shí)別圖像領(lǐng)域中的良好性能，通過(guò)MobileNetv2網(wǎng)絡(luò)識(shí)別提取的STFT圖像特征，從而實(shí)現(xiàn)對(duì)無(wú)人機(jī)信號(hào)調(diào)制方式的高效識(shí)別。實(shí)驗(yàn)結(jié)果證明，所提方法對(duì)7種信號(hào)在信噪比為-12～0 dB的噪聲環(huán)境下獲得93.33%綜合識(shí)別率，并且完成一次識(shí)別所需的計(jì)算量約為313 M次，模型參數(shù)量約為3.5 M，網(wǎng)絡(luò)模型大小約為13 M。相比于其他經(jīng)典深度神經(jīng)網(wǎng)絡(luò)模型的識(shí)別性能，所提方法在識(shí)別率得到保證的情況下，模型參數(shù)量、模型規(guī)模以及算法計(jì)算量都具有明顯優(yōu)勢(shì)，顯著提升了識(shí)別效率，更適合在資源受限的設(shè)備中推廣應(yīng)用。

2 基于MobileNetv2神經(jīng)網(wǎng)絡(luò)的調(diào)制識(shí)別算法模型

2.1 算法模型總體框架描述

本文中所提出的算法模型流程如圖1所示。首先，對(duì)4ASK、BFSK、BPSK、QPSK、8PSK、16QAM、OFDM等7種常用的數(shù)字調(diào)制方式的無(wú)人機(jī)圖傳信號(hào)進(jìn)行仿真生成，作為樣本數(shù)據(jù)集[3-4]；其次，對(duì)7種類(lèi)型信號(hào)進(jìn)行短時(shí)傅里葉變換，將信號(hào)由時(shí)域數(shù)據(jù)變換到特征更加豐富的時(shí)頻域，得到時(shí)頻矩陣；然后對(duì)獲取的時(shí)頻矩陣特征進(jìn)行能量門(mén)限降噪、歸一化處理，得到預(yù)處理后的圖像樣本訓(xùn)練集和測(cè)試集；最后，將得到的圖像樣本訓(xùn)練集作為信號(hào)特征送入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和優(yōu)化，當(dāng)訓(xùn)練進(jìn)度達(dá)到穩(wěn)定或者損失函數(shù)值幾乎不再下降時(shí)，則神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成；再利用測(cè)試集數(shù)據(jù)來(lái)驗(yàn)證網(wǎng)絡(luò)模型的分類(lèi)效果，從而驗(yàn)證算法的識(shí)別性能。

圖1 算法模型流程框圖

2.2 基于短時(shí)傅里葉變換的信號(hào)特征提取

在電磁環(huán)境中，特別是低信噪比的環(huán)境下，僅分析時(shí)域或者頻域內(nèi)信號(hào)特征是單一的，但時(shí)頻分析可以反映著信號(hào)時(shí)間與頻率的分布關(guān)系，是信號(hào)處理領(lǐng)域中十分常用的方法。其中，短時(shí)傅里葉變換是將一個(gè)較長(zhǎng)的時(shí)域信號(hào)分割成長(zhǎng)度相等的較短的段，并在每個(gè)較短的段上分別計(jì)算其離散傅里葉變換。短時(shí)傅里葉變換在以損失一定頻率分辨率為代價(jià)，能夠恢復(fù)時(shí)間分辨率，具體操作就是利用窗函數(shù)將長(zhǎng)的非平穩(wěn)信號(hào)分割成一系列短視的隨機(jī)平穩(wěn)信號(hào)[17]。

短時(shí)傅里葉變換的公式為：

(1)

式中：z(t)是源信號(hào)；g(t)為窗函數(shù)。為方便處理，一般把信號(hào)進(jìn)行離散化處理，具體表示為：

(2)

式中：STFTZ(m,n)為時(shí)頻矩陣的每個(gè)離散時(shí)頻點(diǎn)的數(shù)值；M為時(shí)間塊的數(shù)量；N為頻率分量的個(gè)數(shù)，且m∈[1,M],n∈[1,N]。

在短時(shí)傅里葉變換中，窗函數(shù)的長(zhǎng)度直接影響著時(shí)頻圖的時(shí)間分辨率和頻率分辨率。當(dāng)窗函數(shù)的長(zhǎng)度越長(zhǎng)時(shí)，則截取信號(hào)越長(zhǎng)，則時(shí)頻變換得到的頻率分辨率越高，時(shí)間分辨率就越差。因此，必須根據(jù)實(shí)際的實(shí)驗(yàn)需求來(lái)選擇最佳的窗口長(zhǎng)度。

2.3 圖像預(yù)處理

2.3.1能量門(mén)限降噪

噪聲對(duì)信號(hào)的時(shí)頻特征產(chǎn)生嚴(yán)重的干擾，為了降低噪聲對(duì)識(shí)別帶來(lái)的不良影響，改善時(shí)頻圖質(zhì)量，降噪是十分必要的。其中，能量門(mén)限降噪方法的核心在于通過(guò)利用時(shí)頻矩陣來(lái)選取一個(gè)合適的閾值[18]。

其降噪的具體操作為：

1) 設(shè)定一組權(quán)值w，并按照式(3)，對(duì)每個(gè)權(quán)值計(jì)算一個(gè)門(mén)限，從而得到一組離散的門(mén)限。

(3)

式中：threhold(j)為門(mén)限值；w為權(quán)重值；STFT(m,n)為時(shí)頻矩陣每個(gè)時(shí)頻點(diǎn)的數(shù)值；M為時(shí)間塊的數(shù)量；N為頻率分量的個(gè)數(shù)，m∈[1,M],n∈[1,N]。

2) 再對(duì)每組門(mén)限依次進(jìn)行計(jì)算，對(duì)其中低于門(mén)限的值視為噪聲，進(jìn)而統(tǒng)計(jì)高于門(mén)限的個(gè)數(shù)，式(4)為：

(4)

式中：c(j)為高于門(mén)限值threhold(j)的個(gè)數(shù)；STFT(m,n)為時(shí)頻矩陣每個(gè)時(shí)頻點(diǎn)的數(shù)值。

3) 再對(duì)c(j)的數(shù)組求二次差分，找到縱坐標(biāo)首次接近零點(diǎn)的橫坐標(biāo)，將該數(shù)值設(shè)定為臨界值，即權(quán)值w。

4) 利用最優(yōu)的權(quán)值，計(jì)算去噪的最優(yōu)門(mén)限，設(shè)該門(mén)限為threopt，將時(shí)頻矩陣中低于threopt數(shù)值，全部置零，從而得到降噪后的時(shí)頻矩陣。

2.3.2圖像歸一化處理

由于時(shí)頻圖中數(shù)值差異性較大，為使得到的時(shí)頻分布中的所有數(shù)值在某個(gè)固定范圍，故對(duì)時(shí)頻分布圖進(jìn)行標(biāo)準(zhǔn)區(qū)間縮放處理[19]。首先，將時(shí)頻圖矩陣表示成向量b=(b1,b2,…,bi,…,bn)，對(duì)內(nèi)部所有向量bi做區(qū)間縮放，具體操作可表示為：

(5)

式中：max(·)與min(·)分別為向量的最大值與最小值。用批量修改圖像尺寸的函數(shù)，將時(shí)頻圖修改成和網(wǎng)絡(luò)模型輸入相匹配的尺寸。

2.4 輕量級(jí)MobileNetv2神經(jīng)網(wǎng)絡(luò)的模型描述

2.4.1輕量級(jí)神經(jīng)網(wǎng)絡(luò)的生成

對(duì)無(wú)人機(jī)識(shí)別的工作，往往是對(duì)無(wú)人機(jī)個(gè)體進(jìn)行有效而精確的分類(lèi)操作。近年來(lái)，一些研究者已經(jīng)將深度學(xué)習(xí)應(yīng)用到無(wú)人機(jī)的識(shí)別工作上來(lái)。常用的深度學(xué)習(xí)方式包括有監(jiān)督、無(wú)監(jiān)督以及增強(qiáng)式的學(xué)習(xí)，典型的分類(lèi)器有卷積神經(jīng)網(wǎng)絡(luò)、聚類(lèi)以及其他深度學(xué)習(xí)架構(gòu)等。AlexNet、VGGNet、GoogleNet和ResNet也隨之慢慢興起。但傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型較大且參數(shù)量多，計(jì)算較為復(fù)雜，不易在工程上存儲(chǔ)能力有限的移動(dòng)設(shè)備和嵌入式設(shè)備上使用。但在2017年4月，一種輕量級(jí)神經(jīng)網(wǎng)絡(luò)MobileNet網(wǎng)絡(luò)模型被谷歌公司提出，它為神經(jīng)網(wǎng)絡(luò)在小型移動(dòng)式設(shè)備上應(yīng)用做出了重要的貢獻(xiàn)[20-21]。在輕量級(jí)神經(jīng)網(wǎng)絡(luò)中，以深度可分離卷積代替標(biāo)準(zhǔn)的卷積運(yùn)算，深度可分離卷積包括深度卷積和逐點(diǎn)卷積。其中，設(shè)計(jì)深度卷積以減少特征通道數(shù),設(shè)計(jì)逐點(diǎn)卷積以減少特征通道之間的冗余。

2.4.2MobileNetv2輕量級(jí)神經(jīng)網(wǎng)絡(luò)的細(xì)節(jié)分析

本文中采用MobileNetv2輕量級(jí)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行實(shí)驗(yàn)，其網(wǎng)絡(luò)的模型結(jié)構(gòu)如表1所示。

表1 MobileNetv2神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)Table 1 MobileNetv2 network structure model

在表1中，s代表第一層步長(zhǎng)；n代表重復(fù)操作次數(shù)；c代表輸出特征矩陣深度；t代表擴(kuò)展因子。擴(kuò)展因子的作用是提升通道數(shù)，有利于網(wǎng)絡(luò)提取更多特征。MobileNetv2神經(jīng)網(wǎng)絡(luò)架構(gòu)包括17個(gè)倒置殘差結(jié)構(gòu)(inverted residual structure)和3個(gè)卷積結(jié)構(gòu)[22]，該結(jié)構(gòu)是對(duì)傳統(tǒng)殘差結(jié)構(gòu)的改進(jìn)。其中，第一、三層中的逐點(diǎn)卷積主要是為了進(jìn)行升維和降維的目的，第二層中的深度卷積是使用3×3大小卷積核來(lái)進(jìn)行運(yùn)算。它與正常殘差結(jié)構(gòu)做了如下創(chuàng)新：① 與之前的殘差分支不同，該殘差結(jié)構(gòu)首先使用逐點(diǎn)卷積來(lái)對(duì)特征通道數(shù)進(jìn)行改變，將特征的通道數(shù)進(jìn)行先增加后減少的操作，從而使得深度卷積層可以在高維的特征中工作，并可以保證激活函數(shù)增加其非線性能力。② 激活函數(shù)會(huì)在第2個(gè)逐點(diǎn)卷積降維的低維空間中，影響特征的表達(dá)能力，所以去掉第2個(gè)逐點(diǎn)卷積之后的激活層[23]。③ 通常一個(gè)ReLU非線性激活函數(shù)會(huì)緊跟在一次卷積操作之后。但是如果對(duì)ReLU的激活范圍不加限制，低精度的設(shè)備無(wú)法得到較好的數(shù)值分辨率。因此，該結(jié)構(gòu)使用非線性激活函數(shù)ReLU6，將ReLU中最大輸出值限制為6。

輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了更加高效的計(jì)算方式，通過(guò)深度可分離卷積代替標(biāo)準(zhǔn)卷積計(jì)算。以特征圖片作為神經(jīng)網(wǎng)絡(luò)的輸入為例說(shuō)明，假設(shè)D表示為輸入特征圖邊長(zhǎng)，C為卷積核邊長(zhǎng)，且特征圖和卷積核均保持長(zhǎng)寬大小一致，M、N分別為輸入通道數(shù)和輸出通道數(shù)，則標(biāo)準(zhǔn)卷積的計(jì)算量為：O(D*D*C*C*M*N)次；深度卷積的計(jì)算量為：O(D*D*C*C*M)次；逐點(diǎn)卷積的計(jì)算量為：O(D*D*M*N)次。則一次深度可分離卷積的計(jì)算量與一次標(biāo)準(zhǔn)卷積的計(jì)算量相比：

(6)

因此，輕量級(jí)神經(jīng)網(wǎng)絡(luò)顯著地減少網(wǎng)絡(luò)的參數(shù)和計(jì)算量，明顯降低了計(jì)算復(fù)雜度和模型開(kāi)銷(xiāo)，極大推動(dòng)了深度學(xué)習(xí)的發(fā)展。

3 仿真實(shí)驗(yàn)與分析

3.1 數(shù)據(jù)來(lái)源

本文中依托Matlab 2020b軟件為仿真平臺(tái)，對(duì)4ASK、BFSK、BPSK、QPSK、8PSK、16QAM、OFDM等7種數(shù)字調(diào)制方式的無(wú)人機(jī)圖傳信號(hào)進(jìn)行仿真生成。這7種信號(hào)的相關(guān)仿真參數(shù)設(shè)置：載頻為2 000 Hz，采樣速率為20 000 Hz，本實(shí)驗(yàn)在高斯白噪聲環(huán)境下進(jìn)行。其中，用于深度神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的樣本是：信噪比從-12 dB到0 dB，間隔為2 dB，每種信噪比下不同調(diào)制類(lèi)型信號(hào)各生成200個(gè)樣本，總共生成7*7*200個(gè)樣本，其中70%為訓(xùn)練集，30%為驗(yàn)證集；用于測(cè)試的樣本是：信噪比從-12 dB到0 dB，間隔為2 dB，每種信噪比下不同調(diào)制類(lèi)型信號(hào)50個(gè)樣本，總共生成7*7*50個(gè)樣本。利用經(jīng)過(guò)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型對(duì)測(cè)試集的樣本進(jìn)行分類(lèi)識(shí)別。

3.2 實(shí)驗(yàn)設(shè)計(jì)

首先利用Matlab軟件生成樣本數(shù)據(jù)；其次對(duì)7種信號(hào)進(jìn)行STFT進(jìn)行時(shí)頻分析，并對(duì)生成的二維時(shí)頻圖像進(jìn)行能量門(mén)限降噪、歸一化等處理，同時(shí)再調(diào)整圖像大小，使得與相應(yīng)的網(wǎng)絡(luò)模型相匹配；再對(duì)生成的圖像樣本數(shù)據(jù)集分成訓(xùn)練集和測(cè)試集；其次，設(shè)計(jì)了2組實(shí)驗(yàn)，在第1組實(shí)驗(yàn)中，利用實(shí)驗(yàn)組的MobileNetv2網(wǎng)絡(luò)模型，分別將未降噪的原始STFT時(shí)頻圖數(shù)據(jù)集和經(jīng)降噪處理后的STFT時(shí)頻圖數(shù)據(jù)集對(duì)MobileNetv2網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練學(xué)習(xí)，對(duì)降噪前后方法的識(shí)別準(zhǔn)確率進(jìn)行比較；在第2組實(shí)驗(yàn)中，分別利用實(shí)驗(yàn)組MobileNetv2[23]網(wǎng)絡(luò)模型和對(duì)照組AlexNet[24]、GoogleNet[25]和ResNet50[26]3種神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測(cè)試和訓(xùn)練，對(duì)比測(cè)試集中各模型對(duì)無(wú)人機(jī)不同調(diào)制方式的圖傳信號(hào)的識(shí)別率，得出仿真結(jié)果，從而分析神經(jīng)網(wǎng)絡(luò)模型對(duì)信號(hào)的分類(lèi)識(shí)別性能。

3.3 圖像降噪操作模塊

以16QAM信號(hào)在信噪比為0 dB環(huán)境下的STFT圖為例，未降噪前的STFT時(shí)頻圖如圖2所示。由圖可見(jiàn)，16 QAM信號(hào)能量較大且分布相對(duì)集中，而噪聲能量較小且分布在整個(gè)時(shí)頻矩陣中，噪聲對(duì)信號(hào)的特征產(chǎn)生不同程度的干擾。為了降低噪聲對(duì)識(shí)別帶來(lái)的不良影響，在不損壞時(shí)頻矩陣特征結(jié)構(gòu)的前提下，對(duì)時(shí)頻矩陣進(jìn)行適當(dāng)?shù)慕翟胧呛苡幸嫣幍?。因此，運(yùn)用能量門(mén)限降噪方法對(duì)STFT得到的時(shí)頻圖進(jìn)行降噪處理。 首先，設(shè)定權(quán)值取值范圍為(1，10)；其次，通過(guò)計(jì)算，得到如圖3所示的時(shí)頻矩陣在不同權(quán)值下的分布，時(shí)頻矩陣大小為128*646，假設(shè)當(dāng)w=3時(shí)，去噪后的信號(hào)點(diǎn)數(shù)為4 000個(gè)。

圖2 降噪前16QAM信號(hào)的STFT圖

圖3 權(quán)值w對(duì)應(yīng)的信號(hào)點(diǎn)數(shù)圖

然后，對(duì)上圖求二次差分，如圖4所示。當(dāng)縱坐標(biāo)取值為0時(shí)，w=2.3就是確定的最優(yōu)權(quán)值。

圖4 確定最優(yōu)權(quán)重w圖

最后,將低于去噪門(mén)限的矩陣值置零，得到如圖5所示的16QAM降噪后的時(shí)頻圖。

圖5 降噪后16QAM信號(hào)的STFT圖

對(duì)比圖2和圖5降噪前后的的時(shí)頻圖，可以很明顯的看出，利用能量門(mén)限降噪方法可以很好的濾掉部分噪聲，有效降低噪聲對(duì)時(shí)頻特征的影響，改善了時(shí)頻圖的質(zhì)量，極大的有利于神經(jīng)網(wǎng)絡(luò)模型對(duì)時(shí)頻圖特征的分類(lèi)識(shí)別。

3.4 仿真實(shí)驗(yàn)

為了測(cè)試各神經(jīng)網(wǎng)絡(luò)模型對(duì)無(wú)人機(jī)信號(hào)的識(shí)別性能，設(shè)計(jì)仿真實(shí)驗(yàn)。仿真環(huán)境搭載Intel Core i7 2.8GHz處理器，操作系統(tǒng)為Windows10專業(yè)版64位，使用Matlab 2020b作為仿真平臺(tái)，通過(guò)Matlab中的深度學(xué)習(xí)工具箱來(lái)構(gòu)建用于信號(hào)識(shí)別的神經(jīng)網(wǎng)絡(luò)模型。訓(xùn)練參數(shù)均設(shè)置如下：初始學(xué)習(xí)率為0.000 5；學(xué)習(xí)率減少因子為0.5；減少學(xué)習(xí)率的周期間隔數(shù)2；小批量樣本數(shù)為32；其他參數(shù)設(shè)置均為默認(rèn)值。同時(shí)，為了避免偶然因素影響實(shí)驗(yàn)結(jié)果，每次實(shí)驗(yàn)重復(fù)進(jìn)行20次，求20次的平均數(shù)作為最終的實(shí)驗(yàn)結(jié)果。

圖6展示了4種網(wǎng)絡(luò)模型訓(xùn)練集的準(zhǔn)確率與損失值隨迭代次數(shù)的變化情況。經(jīng)實(shí)驗(yàn)發(fā)現(xiàn)，4種模型對(duì)目標(biāo)的預(yù)測(cè)準(zhǔn)確度隨迭代次數(shù)增加而迅速上升，損失函數(shù)迅速下降，然后，隨著迭代次數(shù)的繼續(xù)增加，模型預(yù)測(cè)準(zhǔn)確度不再明顯上升，損失函數(shù)不再有明顯下降，而是在很小范圍內(nèi)正常波動(dòng)，說(shuō)明網(wǎng)絡(luò)此時(shí)已經(jīng)趨于穩(wěn)定。由4種網(wǎng)絡(luò)模型的訓(xùn)練進(jìn)度圖對(duì)比來(lái)看，4種網(wǎng)絡(luò)模型均適用于無(wú)人機(jī)圖傳信號(hào)的調(diào)制識(shí)別當(dāng)中。在識(shí)別穩(wěn)定性方面，MobileNetv2和ResNet50網(wǎng)絡(luò)識(shí)別率和損失值總體較為穩(wěn)定，只在少數(shù)位置小幅度波動(dòng)，另外2個(gè)網(wǎng)絡(luò)出現(xiàn)較大程度的波動(dòng)，穩(wěn)定性差。在總體識(shí)別準(zhǔn)確率方面，MobileNetv2、AlexNet、GoogleNet和ResNet50四種網(wǎng)絡(luò)模型對(duì)訓(xùn)練集的總體平均識(shí)別準(zhǔn)確率分別為93.33%、90.16%，88.04%和95.32%。由此可知，基于MobileNetv2模型的識(shí)別準(zhǔn)確率高于AlexNet約3%，高于GoogleNet約5%，比ResNet50模型識(shí)別率低2%左右。

圖6 4種網(wǎng)絡(luò)模型訓(xùn)練進(jìn)度圖

3.5 識(shí)別結(jié)果分析

3.5.1特征降噪前后的方法識(shí)別對(duì)比

為了驗(yàn)證利用能量門(mén)限降噪方法對(duì)算法識(shí)別性能的影響，以MobileNetv2輕量級(jí)神經(jīng)網(wǎng)絡(luò)模型為例，分別利用初始未降噪的STFT時(shí)頻圖數(shù)據(jù)集和經(jīng)過(guò)能量門(mén)限降噪后的STFT時(shí)頻圖數(shù)據(jù)集對(duì)MobileNetv2神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，采用不同信噪比的信號(hào)測(cè)試集對(duì)模型進(jìn)行測(cè)試，測(cè)試結(jié)果如圖7所示。

圖7給出了在不同信噪比條件下，未降噪STFT時(shí)頻圖數(shù)據(jù)集和經(jīng)過(guò)能量門(mén)限降噪后的STFT時(shí)頻圖數(shù)據(jù)集在基于MobileNetv2神經(jīng)網(wǎng)絡(luò)模型下的識(shí)別率變化。從實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)：在不同信噪比的噪聲環(huán)境下，基于降噪后的STFT時(shí)頻圖的識(shí)別率明顯高于未降噪的原始時(shí)頻圖數(shù)據(jù)，其中在SNR=-12 dB的條件下，降噪后的數(shù)據(jù)相較于未降噪的數(shù)據(jù)，識(shí)別準(zhǔn)確率提升了約6%。由此可以說(shuō)明，利用能量門(mén)限降噪方法可有效提高STFT時(shí)頻圖在噪聲環(huán)境下的魯棒性，從而提升網(wǎng)絡(luò)模型對(duì)無(wú)人機(jī)圖傳信號(hào)的識(shí)別性能。

圖7 基于MobileNetv2對(duì)降噪前后圖像識(shí)別對(duì)比圖

3.5.2不同網(wǎng)絡(luò)模型的識(shí)別性能對(duì)比

為了驗(yàn)證經(jīng)過(guò)訓(xùn)練集訓(xùn)練過(guò)的4種網(wǎng)絡(luò)模型的泛化能力，采用3.1節(jié)中不同信噪比的降噪后信號(hào)測(cè)試集對(duì)模型進(jìn)行測(cè)試。測(cè)試結(jié)果如圖8所示。

圖8 4種網(wǎng)絡(luò)模型識(shí)別對(duì)比圖

圖8給出了4種模型在不同信噪比條件下的識(shí)別率變化，從圖中可以發(fā)現(xiàn)：在信噪比SNR=-12～0 dB的高斯白噪聲環(huán)境下，隨著信噪比的提高，各模型的識(shí)別率在不斷上升，當(dāng)信噪比大于-2 dB時(shí)，各網(wǎng)絡(luò)模型的識(shí)別率均大于99%。其中從不同信噪比條件來(lái)看，基于輕量級(jí)神經(jīng)網(wǎng)絡(luò)(MobileNetv2)的識(shí)別率幾乎都高于經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)(AlexNet、GoogleNet)、略低于殘差網(wǎng)絡(luò)模型(ResNet50)，特別在低信噪比SNR=-12 dB的環(huán)境下，MobileNetv2網(wǎng)絡(luò)對(duì)無(wú)人機(jī)圖傳信號(hào)的STFT圖像特征識(shí)別能力仍較為理想，識(shí)別準(zhǔn)確率達(dá)到80%以上。同時(shí)，圖9給出了基于MobileNetv2輕量級(jí)神經(jīng)網(wǎng)絡(luò)對(duì)7種調(diào)制信號(hào)在不同信噪比下的驗(yàn)證結(jié)果。

圖9 基于MobileNetv2模型的7種信號(hào)識(shí)別對(duì)比圖

從圖9可以看出，7種調(diào)制信號(hào)識(shí)別率隨信噪比的增大而提高，當(dāng)信噪比大于-2 dB時(shí)，7種調(diào)制信號(hào)的識(shí)別準(zhǔn)確率都能達(dá)到95%以上。其中，OFDM信號(hào)的識(shí)別效果最為理想，在信噪比大于-6 dB條件下識(shí)別率達(dá)到100%，說(shuō)明OFDM信號(hào)的抗干擾能力比較強(qiáng)；而QPSK與8PSK兩種信號(hào)識(shí)別率相對(duì)較低，在信噪比低于-10 dB條件下，MobileNetv2網(wǎng)絡(luò)對(duì)上述2種種信號(hào)的識(shí)別率均低于75%，特別在低信噪比下發(fā)生混淆程度更大，不容易區(qū)分開(kāi)。

3.6 4種網(wǎng)絡(luò)計(jì)算復(fù)雜度分析

以計(jì)算時(shí)間作為指標(biāo)，衡量網(wǎng)絡(luò)模型的復(fù)雜度是不夠科學(xué)準(zhǔn)確的，因?yàn)橥艿礁鞣N不良因素的干擾，比如硬件本身內(nèi)部結(jié)構(gòu)以及仿真設(shè)備的固有特性等等。但是網(wǎng)絡(luò)模型的復(fù)雜度和網(wǎng)絡(luò)的計(jì)算量成正相關(guān)關(guān)系。綜上考慮，將計(jì)算量作為指標(biāo)能較為科學(xué)準(zhǔn)確的衡量網(wǎng)絡(luò)模型復(fù)雜度。

傳統(tǒng)的計(jì)算量統(tǒng)計(jì)方式往往是忽略規(guī)范化操作和激活層等等，只是單純考慮卷積層和全連接層等參數(shù)層的“乘加”操作。同時(shí)，在卷積層和全連接層的計(jì)算量統(tǒng)計(jì)過(guò)程中，也會(huì)忽略如“偏置”等僅“純加法”操作的計(jì)算量[22]。根據(jù)對(duì)MobileNetv2神經(jīng)網(wǎng)絡(luò)架構(gòu)的分析，假設(shè)T表示第一層經(jīng)逐點(diǎn)卷積之后升維的倍數(shù)，S表示卷積的步長(zhǎng)，D、M、N分別表示輸入圖邊長(zhǎng)、輸入通道數(shù)和輸出通道數(shù)。則各層的計(jì)算量：第一層的計(jì)算量為：O(D*D*M*T*M)次；第二層的計(jì)算量為：O(D/S*D/S*3*3*T*M)次；第三層的計(jì)算量為：O(D/S*D/S*T*M*N)次。

通過(guò)計(jì)算可以發(fā)現(xiàn)，MobileNetv2模型完成一次識(shí)別需要進(jìn)行大約313 M次的乘加計(jì)算。而其他3種網(wǎng)絡(luò)模型完成一次識(shí)別需要的計(jì)算量分別是：AlexNet模型大約727 M次；GoogleNet模型大約1 550 M次；ResNet50模型大約2 080 M次。MobileNetV2模型的乘加計(jì)算量明顯低于其他3種網(wǎng)絡(luò)模型，約為AlexNet模型的41.2%、GoogleNet模型的19.3%、ResNet50模型的15.1%。

3.7 4種網(wǎng)絡(luò)模型參數(shù)量與模型規(guī)模分析

首先，比較4種網(wǎng)絡(luò)模型的參數(shù)量、規(guī)模大小，查看Matlab中各類(lèi)模型參數(shù)量和模型規(guī)模，得到結(jié)果如下：MobileNetv2模型參數(shù)量大約為3.5 M，模型規(guī)模大約為13 M；AlexNet模型參數(shù)量大約為61 M，模型規(guī)模大約為227 M；GoogLeNet模型參數(shù)量大約為7 M，模型規(guī)模大約為27 M；ResNet50模型參數(shù)量大約為25.6 M，模型規(guī)模大約為96 M。為了使比較結(jié)果數(shù)據(jù)清晰可視化，網(wǎng)絡(luò)模型參數(shù)對(duì)比結(jié)果如條形圖10所示。

圖10 4種網(wǎng)絡(luò)模型參數(shù)量與模型規(guī)模對(duì)比圖

綜上分析，對(duì)比各網(wǎng)絡(luò)模型對(duì)無(wú)人機(jī)圖傳信號(hào)的識(shí)別率及魯棒性，相比于經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型(AlexNet、GoogleNet)和殘差網(wǎng)絡(luò)模型(ResNet50)，基于MobileNetv2輕量級(jí)神經(jīng)網(wǎng)絡(luò)在保證穩(wěn)定性和識(shí)別準(zhǔn)確率前提下，大大減少了識(shí)別所需的計(jì)算量，提高了識(shí)別的時(shí)效性，并且模型參數(shù)量和網(wǎng)絡(luò)模型規(guī)模均小于其他3種卷積神經(jīng)網(wǎng)絡(luò)，更適合在6G智能邊緣設(shè)備等資源受限的便攜設(shè)備中推廣應(yīng)用。

4 結(jié)論

針對(duì)目前無(wú)人機(jī)圖傳信號(hào)的調(diào)制方式識(shí)別方法，在低信噪比條件下識(shí)別率低以及傳統(tǒng)的深度網(wǎng)絡(luò)模型存儲(chǔ)開(kāi)銷(xiāo)大和計(jì)算復(fù)雜度高，難以應(yīng)用于存儲(chǔ)空間受限的6G智能邊緣設(shè)備等問(wèn)題，本文中提出了基于STFT的MobileNetv2輕量級(jí)神經(jīng)網(wǎng)絡(luò)的無(wú)人機(jī)圖傳信號(hào)調(diào)制識(shí)別方法。

1) 該方法通過(guò)對(duì)仿真生成的多種調(diào)制方式的無(wú)人機(jī)圖傳信號(hào)進(jìn)行STFT得到時(shí)頻圖，并對(duì)時(shí)頻圖進(jìn)行能量門(mén)限降噪和標(biāo)準(zhǔn)化處理。以時(shí)頻圖特征作為樣本對(duì)輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)MobileNetv2進(jìn)行訓(xùn)練,從而實(shí)現(xiàn)對(duì)無(wú)人機(jī)圖傳信號(hào)的識(shí)別。

2) 研究表明，該方法充分發(fā)揮了STFT和能量閾值降噪方法在處理信號(hào)方面的優(yōu)勢(shì)和MobileNetv2網(wǎng)絡(luò)強(qiáng)大的圖像分類(lèi)能力。首先，相比于未降噪的時(shí)頻圖數(shù)據(jù)，MobileNetv2網(wǎng)絡(luò)對(duì)降噪后的時(shí)頻圖在SNR=-12 dB時(shí)，識(shí)別準(zhǔn)確率提升了約6%，達(dá)到80%以上。其次，在信噪比為-12～0 dB的加性高斯白噪聲環(huán)境下，對(duì)7種不同調(diào)制方式的無(wú)人機(jī)圖傳信號(hào)獲得了93.33%的準(zhǔn)確率。最后，所提方法完成一次識(shí)別需要進(jìn)行大約313 M次的乘加計(jì)算量，模型參數(shù)量大約為3.5 M，模型規(guī)模大約為13 M。

3) 該方法相比于利用經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)(AlexNet、GoogleNet)和殘差網(wǎng)絡(luò)模型(ResNet50)，不僅識(shí)別準(zhǔn)確率較高、穩(wěn)定性較好，而且計(jì)算復(fù)雜度、網(wǎng)絡(luò)空間復(fù)雜度以及模型規(guī)模大小更低，更適合在6G智能邊緣設(shè)備等資源受限的小型嵌入式設(shè)備中推廣應(yīng)用。