CN111898583B - 一种基于深度学习的通信信号调制方式识别方法及系统 - Google Patents

Abstract

本发明提供一种基于深度学习的通信信号调制方式识别方法及系统，包括：确定待识别调制方式的通信信号，并确定所述通信信号的同向分量和正交分量；通过训练好的基于深度学习的调制识别网络从所述同向分量和正交分量提取特征，并将提取的同向分量和正交分量浅层特征和提取的同向分量和正交分量深层特征堆叠，以及从堆叠后的特征中抓取同向分量和正交分量之间相关性信息的特征，以根据所述相关性信息的特征识别所述通信信号的调制方式。本发明对不同信噪比条件下多种调制信号的识别过程中，都可以达到较高的准确率，并且网络结构具有很好的设计灵活性。

Description

一种基于深度学习的通信信号调制方式识别方法及系统

技术领域

本发明属于通信领域，更具体地，涉及一种基于深度学习的通信信号调制方式识别方法及系统。

背景技术

在接收端为了能够获得基带信号的信息，需要对被调制的载波信号进行解调，然而解调的前提就是需要知道发射端基带信号的调制方式，调制识别正是应用于此。自动调制识别是认知无线电系统中的一个关键技术手段，其目的是在调制信息未知的情况下对通信信号进行估计分析得出信号的调制样式，然后对信号进行解调等后续操作。

为了满足不同的用户需求，通信信号的调制体制方式越来越多样化，也越来越复杂，导致信号之间的干扰变得越来越严重，接收方对于信号调制方式的识别也越来越困难；除此之外，通信信号在外界传播的过程中还会受到多径衰落的影响，场景的多样性也对信号调制识别增加了一定的难度。传统的自动调制识别技术在面对多体制、多场景的调制识别问题时很难设计出适用于多种调制信号的专家特征，也很难同时兼顾到多径衰落、采样率偏移、噪声等因素带来的影响；其次，专家特征的设计以及特征分类算法的选择所形成的多步骤处理过程也是传统的自动调制识别技术的一个缺点，每一个步骤的最优设计并不能保证整个识别系统的最优。利用深度学习技术来实现通信信号的自动调制识别可以形成一个端到端的识别系统，不需要设计专家特征，也不需要选择特征分类算法，而是直接从信号中学习特征并进行自动调制识别，比传统的调制识别具有更高的准确率和鲁棒性。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种基于深度学习的通信信号调制方式识别方法及系统，旨在解决传统的自动调制识别技术在面对多体制、多场景的调制识别问题时很难设计出适用于多种调制信号的专家特征，也很难同时兼顾到多径衰落、采样率偏移、噪声等因素带来的影响的问题。

为实现上述目的，第一方面，本发明提供一种基于深度学习的通信信号调制方式识别方法，包括如下步骤：

确定待识别调制方式的通信信号，并确定所述通信信号的同向分量和正交分量；

通过训练好的基于深度学习的调制识别网络从所述同向分量和正交分量提取特征，并将提取的同向分量和正交分量浅层特征和提取的同向分量和正交分量深层特征堆叠，以及从堆叠后的特征中抓取同向分量和正交分量之间相关性信息的特征，以根据所述相关性信息的特征识别所述通信信号的调制方式。

在一个可选的实施例中，所述基于深度学习的调制识别网络包括：第一卷积模块、第一密集连接模块、过渡模块、第二密集连接模块、第二卷积模块、长短时记忆模块以及全连接模块；

所述第一卷积模块将所述同向分量和正交分量映射到高维特征图；

所述第一密集连接模块从所述高维特征图中分别提取同向分量的浅层特征和深层特征，以及正交分量的浅层特征和深层特征，并将提取的同向分量和正交分量的浅层特征和提取的同向分量和正交分量的深层特征堆叠；

所述过渡模块从第一密集连接模块输出的堆叠后的特征抓取同向分量和正交分量之间相关性的特征，输出包含同向分量和正交分量之间相关性信息的特征图；

所述第二密集连接模块从所述包含同向分量和正交分量之间相关性信息的特征图中提取对应的时域特征，得到包含同向分量和正交分量之间时域相关性信息的特征图；

所述第二卷积模块对所述包含同向分量和正交分量之间时域相关性信息的特征图进行降维，得到降维后的同向分量和正交分量之间时域相关性信息的特征图；

所述长短时记忆模块对第二卷积模块得到的特征图的长时相关性进行建模，得到不包含时间信息的特征图；

所述全连接模块基于所述不包含时间信息的特征图对其进行分类，以确定所述通信信号的调制方式。

在一个可选的实施例中，所述第一密集连接模块和第二密集连接模块均包括多个瓶颈层，所述瓶颈层中引入混合卷积以使得第一密集连接模块和第二密集连接模块能够提取多尺度特征，第一密集连接模块和第二密集连接模块的输出来自不同层级的特征图，不同层级的特征图之间所含有的语义信息不同；以及所述过渡模块中引入混合卷积，以使过渡模块能够提取多尺度特征。

在一个可选的实施例中，每一个瓶颈层的第一层卷积层的卷积核大小为1×1，输出通道数为g；第二层混合卷积层对前一层的输出特征图按通道依次划分为4组，每组的通道数为

每组特征图对应的卷积核大小分别为1×3、1×5、1×7、1×9，每组的输出通道数为g，混合卷积层的输出通道数为4g，g为正整数。

在一个可选的实施例中，所述过渡模块的第一层卷积层的卷积核大小为1×1；第二层混合卷积层对前一层的输出特征图按通道依次划分为4组，每组特征图对应的卷积核大小分别为2×3、2×5、2×7、2×9。

在一个可选的实施例中，所述确定待识别调制方式的通信信号之后，且在确定所述通信信号的同向分量和正交分量之前，还包括如下步骤：

对所述通信信号进行数据增强操作；所述数据增强操作包括：随机擦除、下采样与上采样、随机平移以及时域反转。

第二方面，本发明提供一种基于深度学习的通信信号调制方式识别系统，包括：

通信信号确定单元，用于确定待识别调制方式的通信信号，并确定所述通信信号的同向分量和正交分量；

调制方式确定单元，用于通过训练好的基于深度学习的调制识别网络从所述同向分量和正交分量提取特征，并将提取的同向分量和正交分量浅层特征和提取的同向分量和正交分量深层特征堆叠，以及从堆叠后的特征中抓取同向分量和正交分量之间相关性信息的特征，以根据所述相关性信息的特征识别所述通信信号的调制方式。

在一个可选的实施例中，所述基于深度学习的调制识别网络包括：第一卷积模块、第一密集连接模块、过渡模块、第二密集连接模块、第二卷积模块、长短时记忆模块以及全连接模块；

所述第一卷积模块将所述同向分量和正交分量映射到高维特征图；

所述第一密集连接模块从所述高维特征图中分别提取同向分量的浅层特征和深层特征，以及正交分量的浅层特征和深层特征，并将提取的同向分量和正交分量的浅层特征和提取的同向分量和正交分量的深层特征堆叠；

所述过渡模块从第一密集连接模块输出的堆叠后的特征抓取同向分量和正交分量之间相关性的特征，输出包含同向分量和正交分量之间相关性信息的特征图；

所述第二密集连接模块从所述包含同向分量和正交分量之间相关性信息的特征图中提取对应的时域特征，得到包含同向分量和正交分量之间时域相关性信息的特征图；

所述第二卷积模块对所述包含同向分量和正交分量之间时域相关性信息的特征图进行降维，得到降维后的同向分量和正交分量之间时域相关性信息的特征图；

所述长短时记忆模块对第二卷积模块得到的特征图的长时相关性进行建模，得到不包含时间信息的特征图；

所述全连接模块基于所述不包含时间信息的特征图对其进行分类，以确定所述通信信号的调制方式。

在一个可选的实施例中，所述第一密集连接模块和第二密集连接模块均包括多个瓶颈层，所述瓶颈层中引入混合卷积以使得第一密集连接模块和第二密集连接模块能够提取多尺度特征，第一密集连接模块和第二密集连接模块的输出来自不同层级的特征图，不同层级的特征图之间所含有的语义信息不同；以及所述过渡模块中引入混合卷积，以使过渡模块能够提取多尺度特征。

在一个可选的实施例中，该系统还包括：

数据增强单元，用于对所述通信信号进行数据增强操作；所述数据增强操作包括：随机擦除、下采样与上采样、随机平移以及时域反转。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：

本发明提供一种基于深度学习的通信信号调制方式识别方法及系统，通过引入密集连接和混合卷积充分提取了通信信号中同向分量和正交分量之间相关性的多尺度特征，在对不同信噪比条件下多种调制信号的识别过程中，都可以达到较高的准确率，并且网络结构具有很好的设计灵活性。本发明设计了随机擦除、下采样与上采样、随机平移、时域反转四种通信信号数据增强算法，既提升了网络对于相似调制类型信号的识别准确率，也提升了网络对于噪声的鲁棒性。

附图说明

图1是本发明实施例提供的基于深度学习的通信信号调制方式识别方法流程图；

图2是本发明实施例提供的密集连接模块结构图；

图3是本发明实施例提供的瓶颈层结构图；

图4是本发明实施例提供的过渡模块结构图；

图5是本发明实施例提供的Dense-MixCLDNN工作流程图；

图6是本发明实施例提供的2-LSTM、CLDNN、没有使用数据增强训练的Dense-MixCLDNN(w/o aug)、混合使用四种数据增强训练的Dense-MixCLDNN(with aug)对11种调制类型信号在不同信噪比下的识别准确率对比图；

图7是本发明实施例提供的2-LSTM、CLDNN、Dense-MixCLDNN(w/o aug)、Dense-MixCLDNN(with aug)在不同信噪比下对于QAM(QAM16、QAM64)信号的识别准确率对比图；

图8是本发明实施例提供的2-LSTM、CLDNN、Dense-MixCLDNN的训练损失变化情况对比图；

图9是本发明实施例提供的基于深度学习的通信信号调制方式识别系统架构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提出了一种基于深度学习的通信信号调制识别技术，同时设计了适用于通信信号的数据增强算法。本发明提出了一种灵活可变的网络结构，即基于深度学习的调制识别网络：Dense-Mix CLDNN(Dense-Mix Convolution LSTM Deep Neural Network)，通过引入密集连接(Dense)充分提取IQ信号中I分量和Q分量之间相关性特征，同时引入混合卷积(Mix)使Dense-Mix CLDNN能够提取多尺度特征。其次，将数据增强技术应用到基于深度学习的调制识别研究领域，并设计四种用于通信信号的数据增强算法：随机擦除、下采样与上采样、随机平移、时域反转。

图1是本发明提供的基于深度学习的通信信号调制方式识别方法流程图，如图1所示，包括如下步骤：

S110，确定待识别调制方式的通信信号，并确定所述通信信号的同向分量和正交分量；

S120，通过训练好的基于深度学习的调制识别网络从所述同向分量和正交分量提取特征，并将提取的同向分量和正交分量浅层特征和提取的同向分量和正交分量深层特征堆叠，以及从堆叠后的特征中抓取同向分量和正交分量之间相关性信息的特征，以根据所述相关性信息的特征识别所述通信信号的调制方式。

具体地，本发明采用的神经网络结构如下表1所示，称为Dense-Mix CLDNN。

表1 Dense-MixCLDNN结构

表1中的第一列Layers代表每一层的名称，第二列Outputsize表示每一层输出特征图的大小(假设IQ数据的维度为[2,N])，第三列Operation表示每一层的操作；网络中的每一个卷积层都包含了卷积操作和ReLU激活函数，除了Transition_Block中的MixGroupConv采用1×2的卷积步长，其余卷积层都采用1×1的卷积步长。

进一步地，表1中，Conv1为第一卷积模块、Dense_Block(1)为第一密集连接模块、Transition_Block为过渡模块、Dense_Block(2)为第二密集连接模块、Conv2为第二卷积模块、LSTM为长短时记忆模块；DNN1和DNN2组成全连接模块。

下面对Dense-MixCLDNN每一个部分的详细参数进行说明：

Conv1：卷积核conv大小为1×3，输出通道数为256。

Dense_Block(1)：包含m个瓶颈层Bottleneck，每一个Bottleneck中的第一层Conv1的卷积核大小为1×1，输出通道数为g；第二层MixGroupConv混合卷积将对前一层的输出特征图按通道依次划分为4组，每组的通道数为

每组特征图对应的卷积核大小分别为1×3、1×5、1×7、1×9，每组的输出通道数out_channel为g，MixGroupConv层的输出通道数为4g。Dense_Block(1)的输入通道数为256，输出通道数为256+m×4g。

Transition_Block：输入通道数为256+m×4g；第一层Conv1的卷积核大小为1×1，输出通道数为(256+m×4g)×r；第二层MixGroupConv将对前一层的输出特征图按通道依次划分为4组，每组的通道数为

每组特征图对应的卷积核大小分别为2×3、2×5、2×7、2×9，每组的输出通道数为

MixGroupConv层的输出通道数也即Transition_Block的输出通道数为(256+m×4g)×r。

Dense_Block(2)：包含n个Bottleneck层，每一个Bottleneck中的第一层Conv1的卷积核大小为1×1，输出通道数为g；第二层MixGroupConv将对前一层的输出特征图按通道依次划分为4组，每组的通道数为

每组特征图对应的卷积核大小分别为1×3、1×5、1×7、1×9，每组的输出通道数为g，MixGroupConv层的输出通道数为4g。Dense_Block(2)的输入通道数为(256+m×4g)×r，输出通道数为(256+m×4g)×r+n×4g。

Conv2：卷积核大小为1×1，输出通道数为128。

LSTM：输出节点数为128。

DNN1：输出节点数为256。fully-connected指的是全连接层，ReLU为线性整流激励函数。

DNN2：输出节点数为包含的调制类型的类别数num_class。Softmax为归一化指数函数。

对于Dense-MixCLDNN中的Dense_Block模块(包括Dense_Block(1)和Dense_Block(2))，其结构如图2所示，在Dense_Block中，包含多个Bottleneck操作层，该Dense_Block模块的输入特征图X(图2中的第一个特征图)将作为每一个后续Bottleneck层的输入特征图；每一个Bottleneck层的输出特征图X_i(i＝1,2,…,m-1)也将作为其每一个后续Bottleneck层的输入特征图，而且不同的特征图之间通过拼接(concatenate)的方式结合作为后续操作的输入特征图，这样一种密集连接方式使得Dense_Block模块的输出包含不同层级的特征图。该Dense_Block的输出是[X,X₁,X₂,…,X_m-1,X_m]，即该Dense_Block的输入特征图和每一个Bottleneck层的输出特征图以拼接方式而形成的特征图。

对于Dense_Block中的Bottleneck层，其结构如图3所示，包含两个卷积层Conv1和Conv2(由于每一个卷积层后都会有一个ReLU激活函数操作，故把一个卷积操作加上一个ReLU激活函数操作简称为一个卷积操作)，Conv1的卷积核数量为g(g为一个结构参数)，卷积核的大小为1×1；Conv2的卷积核数量为4g，对于Conv2输入特征图，将其分为4组，每一组的卷积核数量为g，每一组采用不同大小的卷积核进行卷积操作，该层的卷积操作称为混合卷积。

对于Dense-MixCLDNN中的Transition_Block模块，其结构如图4所示。

Transition_Block模块的结构和Dense_Block中Bottleneck层的结构类似，包含Conv1和Conv2两个卷积层，Conv1的卷积核数量由其输入特征图的通道数和缩减因子r(一般r取值为0.5)共同确定。在Conv2中，也进行混合卷积操作，将其输入特征图分为4组，每一组采用不同大小的卷积核进行卷积操作。

可选地，本发明设计四种用于IQ数据的数据增强算法，分别为随机擦除(RandomErasing)、下采样(Down Sample)与上采样(Up Sample)、随机平移(Random Shift)、时域反转(Time-Domain Inverse)。各种数据增强算法的流程如下：

随机擦除：随机擦除是将IQ数据中某段连续采样点的值设置为0，即(I_i,Q_i)＝(0,0)，i＝s，s+1，…，s+l-1，其中，l为擦除连续段的长度，s为擦除连续段的起始位置。随机擦除操作可以减少过拟合的风险，同时可以提升网络对于遮挡因素影响的鲁棒性。

下采样与上采样：下采样算法是对信号每隔M-1个点抽取一个点然后形成一个新序列，即下采样后的信号可表示为

其中M为下采样倍数；信号的上采样是对信号的每两个采样点之间插入L-1个点然后形成一个新序列，即上采用后的信号可表示为

其中L为内插倍数。

随机平移：随机平移是将有限长度的离散信号平移k个时间点，对于平移后时间点小于N-1的采样点IQ数据可表示为

将平移后时间点超过N-1的k个数据采样点转移到n＝0,1,…,k-1的位置，IQ数据可表示为

其中k为平移量。

时域反转：对有限长度的离散信号x(n)(n＝0,1,…,N-1)，其时域反转信号x′(n)为：x′(n)＝x(N-1-n),n＝0,1,…,N-1，对于IQ数据可表示为

具体地，根据Dense-MixCLDNN结构和四种数据增强算法，整个Dense-MixCLDNN工作流程如图5所示，总共包括两个模式：训练流程和识别流程。在训练流程，如果不采用数据增强算法对训练数据进行增强，则直接将训练数据输入Dense-MixCLDNN进行训练(如图5中的①)；如果采用数据增强算法对数据进行增强，则将原始数据和经过数据增强后的数据一起输入Dense-MixCLDNN进行训练(如图5中的①和②)；训练过程中所采用的损失函数为交叉熵损失函数。在识别流程，对于未知的待识别信号，将其输入已经训练好的Dense-MixCLDNN，从而得到识别结果。

本发明为了能够从更多的特征图中学习I分量和Q分量的相关性，设计一种Dense_Block模块先从IQ数据的时域提取特征，并且将网络浅层所学到的特征和深层所学到的特征堆叠起来。当采用Dense_Block中这样一种密集连接的方式，使得网络中的特征得到重复利用，减少了网络的参数量。另外由于这样一种密集连接的方式，改善了网络中的信息流和梯度流，从而加速网络的训练过程。极其重要地是Dense_Block的输出包括了来自不同层级的特征图，不同层级的特征图之间所含有的语义信息不同，使得输出特征图含有丰富的语义信息，同时引入混合卷积(Mix)输出特征图的每一个值所具有不同的感受野，使Dense-Mix CLDNN能够提取多尺度特征。

然后设计一个Transition_Block模块从Dense_Block模块中所学到浅层特征和深层特征中抓取I分量和Q分量之间的相关性，得到更易于识别的特征。Transition_Block模块的输出是包含I分量和Q分量相关性的特征图，为了能够在此基础上继续抓取时域上的特征，在Transition_Block模块之后，增加一个Dense_Block模块进行特征提取。将Dense-MixCLDNN卷积层部分提取的特征输入LSTM层，然后利用两个全连接层进行分类得到最终的分类结果。

本发明提出的一种基于深度学习的调制方式识别方法，识别射频信号调制方式简单方便且识别准确率高，包括以下几个步骤：

步骤1、射频信号数据的生成或采集

利用软件无线电软件GNU Radio仿真现实生活中各种调制信号，包括三种模拟调制信号WBFM、AM-SSB、AM-DSB，八种数字调制信号BPSK、QPSK、8PSK、QAM16、QAM64、GFSK、CPFSK、PAM4；信噪比覆盖范围从-20dB到+18dB，间隔2dB，采样长度为128，样本数据量为220000。仿真系统包括发射调制模块、信道仿真模块、数据采集模块，也可以利用通用无线电接收设备(USRP)和GNU Radio软件接收现实中的各种射频信号(例如FM调频广播信号)。同时也可以用于第三方较权威的数据集的调制识别。

步骤2、数据标注

射频信号数据按照调制方式分类和整理实验产生的数据总共有11种调制方式(3种模拟调制和8种数字调制)，每类分别包含11种调制方式，在同一信噪比下，每种调制方式包含1000个数据，给每条数据打上SNR和调制方式标签。

步骤3、数据集划分

为了获取训练集和测试集，需要对采集得到的数据集进行划分。由于数据集中包含11种调制类型，每一个调制类型的数据样本均匀分布在20个信噪比值上，如果采取随机划分的方式，可能会使得不同调制类型的数据在训练集和测试集上的分布差异较大，以及不同信噪比值的数据在训练集和测试集上的分布差异较大。因此本发明采用一种更合理的划分方式，对于每一个调制类型的信号，从每一个信噪比值的数据中随机选择70％作为训练集，30％作为测试集；这样在训练集和测试集中每一个调制类型的信号在每一个信噪比值下的样本数量各为700个和300个，最终得到的训练集样本数量为154000，测试集样本数量为66000。

步骤4、对训练集实行数据增强操作

按照本发明所设计的数据增强算法，分别采用其中的一种数据增强算法对划分得到的原始训练集进行增强操作，得到增强后的数据。

步骤5、构建网络模型

采用Tensorflow深度学习框架构建Dense-MixCLDNN结构。

步骤6、模型训练

如果不采用数据增强算法对训练数据进行增强，则跳过步骤4，直接将原始的训练集用于训练Dense-Mix CLDNN，训练采用交叉熵损失函数，优化器采用Adam梯度下降优化器；然后将训练好的Dense-MixCLDNN模型参数保存下来以用于测试使用；如果采用数据增强算法对训练数据进行增强，则通过步骤4获得每一种数据增强算法增强后的数据，并与原始训练集的数据一起组成新的训练集用于训练Dense-Mix CLDNN，同样将训练好的Dense-MixCLDNN模型参数保存下来用于测试使用。

步骤7、模型测试

将划分好的测试集输入训练好的Dense-MixCLDNN，将Dense-MixCLDNN的输出类别与每一个数据的标签类别进行判断，计算模型在测试集上的准确率。

在一个具体的实施例中，本发明对所提出的调制识别方法进行分析，并与基于2-LSTM结构和基于CLDNN结构的调制识别方法进行对比。2016年Tim O'Shea等首次将深度学习技术应用到通信信号的调制识别领域中，提出了一个权威的数据集RML2016.10a，并被广泛应用于调制识别方法性能测试中。X.Liu等在Tim O'Shea的研究基础上，详细探讨了4种最具代表性的网络结构，包括基本的CNN，以及ResNet、DenseNet、CLDNN，实验结果表明同时具有卷积层和LSTM层的CLDNN结构的识别性能优于前3种网络结构；2018年S.Rajendran等提出了具有两层LSTM和两层全连接层组成的2-LSTM模型，采用幅度相位作为2-LSTM模型的输入。结果表明CLDNN结构和2-LSTM模型明显优于传统调制识别方法，但是在对于相似调制类型信号和低信噪比的情况下识别准确率较低。针对上述缺点，本发明引入了引入密集连接方式和混合卷积方式，可明显提升识别准确率和收敛速度。下面详细叙述对比实验中选用的参数，以及与CLDNN、2-LSTM的对比结果。

本发明选取(m，n，g)＝(4，6，8)所对应的Dense-MixCLDNN结构(以下简称Dense-MixCLDNN)进行实验分析；采选取数据集RML2016.10a中70％的数据作为训练集，30％的数据作为测试集进行仿真实验；RML2016.10a数据集在通信信号的调制识别研究领域是一个十分权威的公用数据集，其中的数据是采用GNUradio软件平台仿真而得到的；在仿真的过程中还考虑了一些真实信道的影响因素，比如采样率偏移、中心频率偏移、多径衰落以及加性高斯白噪声。该数据集所包含的调制类型信息、数据样本总量、信噪比范围、采样长度如表2所示。

表2 RML2016.10a数据集参数

结合RML2018.10a数据集中IQ数据的采样长度是128，所以每一个数据增强算法的一些参数选取如下：

随机擦除：擦除数据段长度l从{16,32,64}中随机选取，起始位置s从{0,1,2,…,127-l}中随机选取。

下采样与上采样：下采样倍数M＝2，内插倍数L＝2。

随机平移：平移量k从{16,17,18,…,112}中随机选取。

时域反转：无参数。

如图6所示为2-LSTM、CLDNN、没有使用数据增强训练的Dense-MixCLDNN(w/oaug)、混合使用四种数据增强训练的Dense-MixCLDNN(with aug)对11种调制类型信号在不同信噪比下的识别准确率对比图，表3为相应网络在不同信噪比范围的识别准确率。

表3网络在不同信噪比范围的识别准确率

由图2和表3可知，即使不采用数据增强算法，Dense-MixCLDNN也要优于CLDNN结构和2-LSTM结构。在SNR<-4dB时，Dense-MixCLDNN(w/o aug)的识别准确率几乎和CLDNN、2-LSTM相同；而在SNR≥-4dB时，Dense-MixCLDNN(w/o aug)在每一个信噪比下的识别准确率都要高于CLDNN和2-LSTM。特别是在SNR≥0dB时，Dense-MixCLDNN(w/o aug)的识别准确率达到了92.09％，高出CLDNN结构1.42％，高出2-LSTM结构2.16％，充分说明了所提出的Dense-MixCLDNN结构具有一定的优势。通过四种数据增强算法对数据进行增强后训练的Dense-Mix CLDNN(withaug)，更是进一步提高了网络的识别准确率；在SNR≥-20dB时的识别准确率上，比CLDNN高2.42个百分点，比2-LSTM高3.16个百分点；在SNR≥0dB时，达到93.40％的识别准确率，分别高于CLDNN、2-LSTM各2.73％和3.47％。

对于QAM(QAM16、QAM64)信号，2-LSTM、CLDNN、Dense-MixCLDNN(w/o aug)、Dense-MixCLDNN(with aug)在不同信噪比下的识别准确率如图7所示，在不同信噪比范围的识别准确率如表4所示。

表4网络对QAM信号在不同信噪比范围的识别准确率

图7中，Dense-MixCLDNN(w/o aug)在SNR≥-4dB时对QAM信号的识别准确率要高于CLDNN和2-LSTM；在SNR＝-6dB和-8dB时，其识别准确率要稍小于CLDNN；而Dense-MixCLDNN(with aug)在SNR≥-4dB要明显高于CLDNN和2-LSTM，而且相比于Dense-MixCLDNN(w/oaug)，其对于QAM信号的识别准确率也有大幅度的提升。由表4可知，Dense-MixCLDNN(withaug)对QAM信号在SNR≥0dB时的识别准确率已达到97％以上，相比于Dense-MixCLDNN(w/oaug)提升了5.79％，高于CLDNN和2-LSTM各9.97％、12.47％；这说明Dense-MixCLDNN(withaug)基本消除了识别QAM16和QAM64信号时容易产生的混淆现象。

Dense-MixCLDNN与CLDNN、2-LSTM的网络训练(未采用数据增强操作)时的收敛速度方面对比如图8所示，为2-LSTM、CLDNN、Dense-MixCLDNN的训练损失变化情况。其中，图8的横坐标1个epoch指的是所有训练样本在网络中进行一次正向传递和一次反向传递。从图8可以看出Dense-MixCLDNN的训练损失下降速度明显比2-LSTM和CLDNN快。

图9是本发明提供的基于深度学习的通信信号调制方式识别系统架构图，如图9所示，包括：

通信信号确定单元910，用于确定待识别调制方式的通信信号，并确定所述通信信号的同向分量和正交分量；

调制方式识别单元920，用于通过训练好的基于深度学习的调制识别网络从所述同向分量和正交分量提取特征，并将提取的同向分量和正交分量浅层特征和提取的同向分量和正交分量深层特征堆叠，以及从堆叠后的特征中抓取同向分量和正交分量之间相关性信息的特征，以根据所述相关性信息的特征识别通信信号的调制方式。

数据增强单元930，用于对所述通信信号进行数据增强操作；所述数据增强操作包括：随机擦除、下采样与上采样、随机平移以及时域反转。

具体地，图9中各个单元的功能可参见前述方法实施例中的详细介绍，在此不做赘述。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于深度学习的通信信号调制方式识别方法，其特征在于，包括如下步骤：

确定待识别调制方式的通信信号，并确定所述通信信号的同向分量和正交分量；

通过训练好的基于深度学习的调制识别网络从所述同向分量和正交分量提取特征，并将提取的同向分量和正交分量浅层特征和提取的同向分量和正交分量深层特征堆叠，以及从堆叠后的特征中抓取同向分量和正交分量之间相关性信息的特征，以根据所述相关性信息的特征识别所述通信信号的调制方式；所述基于深度学习的调制识别网络包括：第一卷积模块、第一密集连接模块、过渡模块、第二密集连接模块、第二卷积模块、长短时记忆模块以及全连接模块；所述第一卷积模块将所述同向分量和正交分量映射到高维特征图；所述第一密集连接模块从所述高维特征图中提取同向分量的浅层特征和深层特征，以及提取正交分量的浅层特征和深层特征，并将提取的同向分量的浅层特征、正交分量的浅层特征、同向分量的深层特征以及正交分量的深层特征堆叠；所述过渡模块从第一密集连接模块输出的堆叠后的特征抓取同向分量和正交分量之间相关性的特征，输出包含同向分量和正交分量之间相关性信息的特征图；所述第二密集连接模块从所述包含同向分量和正交分量之间相关性信息的特征图中提取对应的时域特征，得到包含同向分量和正交分量之间时域相关性信息的特征图；所述第二卷积模块对所述包含同向分量和正交分量之间时域相关性信息的特征图进行降维，得到降维后的同向分量和正交分量之间时域相关性信息的特征图；所述长短时记忆模块对第二卷积模块得到的特征图的长时相关性进行建模，得到不包含时间信息的特征图；所述全连接模块基于所述不包含时间信息的特征图对其进行分类，以确定所述通信信号的调制方式。

2.根据权利要求1所述的通信信号调制方式识别方法，其特征在于，所述第一密集连接模块和第二密集连接模块均包括多个瓶颈层，所述瓶颈层中引入混合卷积以使得第一密集连接模块和第二密集连接模块能够提取多尺度特征，第一密集连接模块和第二密集连接模块的输出来自不同层级的特征图，不同层级的特征图之间所含有的语义信息不同；以及所述过渡模块中引入混合卷积，以使过渡模块能够提取多尺度特征。

3.根据权利要求2所述的通信信号调制方式识别方法，其特征在于，每一个瓶颈层的第一层卷积层的卷积核大小为1×1，输出通道数为g；第二层混合卷积层对前一层的输出特征图按通道依次划分为4组，每组的通道数为

每组特征图对应的卷积核大小分别为1×3、1×5、1×7、1×9，每组的输出通道数为g，混合卷积层的输出通道数为4g，g为正整数。

4.根据权利要求2所述的通信信号调制方式识别方法，其特征在于，所述过渡模块的第一层卷积层的卷积核大小为1×1；第二层混合卷积层对前一层的输出特征图按通道依次划分为4组，每组特征图对应的卷积核大小分别为2×3、2×5、2×7、2×9。

5.根据权利要求1至4任一项所述的通信信号调制方式识别方法，其特征在于，所述确定待识别调制方式的通信信号之后，且在确定所述通信信号的同向分量和正交分量之前，还包括如下步骤：

对所述通信信号进行数据增强操作；所述数据增强操作包括：随机擦除、下采样与上采样、随机平移以及时域反转。

6.一种基于深度学习的通信信号调制方式识别系统，其特征在于，包括：

通信信号确定单元，用于确定待识别调制方式的通信信号，并确定所述通信信号的同向分量和正交分量；

调制方式识别单元，用于通过训练好的基于深度学习的调制识别网络从所述同向分量和正交分量提取特征，并将提取的同向分量和正交分量浅层特征和提取的同向分量和正交分量深层特征堆叠，以及从堆叠后的特征中抓取同向分量和正交分量之间相关性信息的特征，以根据所述相关性信息的特征识别所述通信信号的调制方式；所述基于深度学习的调制识别网络包括：第一卷积模块、第一密集连接模块、过渡模块、第二密集连接模块、第二卷积模块、长短时记忆模块以及全连接模块；所述第一卷积模块将所述同向分量和正交分量映射到高维特征图；所述第一密集连接模块从所述高维特征图中提取同向分量的浅层特征和深层特征，以及提取正交分量的浅层特征和深层特征，并将提取的同向分量的浅层特征、正交分量的浅层特征、同向分量的深层特征以及正交分量的深层特征堆叠；所述过渡模块从第一密集连接模块输出的堆叠后的特征抓取同向分量和正交分量之间相关性的特征，输出包含同向分量和正交分量之间相关性信息的特征图；所述第二密集连接模块从所述包含同向分量和正交分量之间相关性信息的特征图中提取对应的时域特征，得到包含同向分量和正交分量之间时域相关性信息的特征图；所述第二卷积模块对所述包含同向分量和正交分量之间时域相关性信息的特征图进行降维，得到降维后的同向分量和正交分量之间时域相关性信息的特征图；所述长短时记忆模块对第二卷积模块得到的特征图的长时相关性进行建模，得到不包含时间信息的特征图；所述全连接模块基于所述不包含时间信息的特征图对其进行分类，以确定所述通信信号的调制方式。

7.根据权利要求6所述的通信信号调制方式识别系统，其特征在于，所述第一密集连接模块和第二密集连接模块均包括多个瓶颈层，所述瓶颈层中引入混合卷积以使得第一密集连接模块和第二密集连接模块能够提取多尺度特征，第一密集连接模块和第二密集连接模块的输出来自不同层级的特征图，不同层级的特征图之间所含有的语义信息不同；以及所述过渡模块中引入混合卷积，以使过渡模块能够提取多尺度特征。

8.根据权利要求6或7所述的通信信号调制方式识别系统，其特征在于，还包括：

数据增强单元，用于对所述通信信号进行数据增强操作；所述数据增强操作包括：随机擦除、下采样与上采样、随机平移以及时域反转。

Images