CN113343801A - 基于轻量化卷积神经网络的无线信号自动调制识别方法 - Google Patents

Abstract

本发明公开了基于轻量化卷积神经网络的无线信号自动调制识别方法，包括如下步骤：步骤A、对于待识别接收信号，进行一次含多个卷积核的标准卷积运算，以从原始信号中获取充足的信息；步骤B、使用深度可分离卷积设计了深度可分离卷积残差单元和深度可分离卷积残差栈用于特征提取；步骤C、使用一层线性激活的点卷积层进行特征升维；步骤D、针对最后一层特征图，使用非线性激活的全局深度卷积进行特征重构；步骤E、针对判别特征向量，使用一层全连接层完成信号分类。该算法同现有算法相比，分类准确率非常接近当前最优算法且优于其它深度学习算法，同时模型空间复杂度和推理速度方面有着显著改善。

Description

基于轻量化卷积神经网络的无线信号自动调制识别方法

技术领域

本发明涉及无线通信技术领域，尤其涉及基于轻量化卷积神经网络的无线信号自动调制识别方法。

背景技术

目前，调制识别，即根据接收到的无线电信号，判断信号采用的调制方式，是对接收信号进一步处理的基础。现代通信系统中的调制方式呈现越来越多、越来越复杂的趋势，调制识别任务愈加具有挑战性。快速准确地无线电信号自动调制识别是频谱干扰监控、无线电故障检测、动态频谱接入以及众多监管和防御应用的关键。

传统的自动调制识别方法可以分为基于似然和基于特征两类。基于似然的方法将调制识别问题看作一个多重假设检验问题，这种方法计算复杂度较高，实现较为困难。基于特征的方法在一些无线通信系统中具有良好的性能，但识别效果受限于人工特征的设计，且当调制方式较为复杂时分类特征难以构造，例如应对高阶调制128APSK、256QAM。

当下，深度学习在人脸识别、目标检测、自然语言处理等任务中已经被证明是十分有效的。目前，深度学习也被用于信号处理和调制识别任务中，其强大的特征自动学习能力相较于传统方法取得了更高的准确性。Long short-term memory(LSTM)是RNN的一种有效结构，擅长于时序数据的特征学习，S.Rajendran等(2018)将接收信号预处理为幅度和相位送入LSTM学习信号特征。T.J.O’shea等(2018)设计了一种残差结构用于调制识别任务，在24种调制方式的DeepSig数据集上取得出色性能。T.Huynh-The等(2020)使用多个非对称的卷积核并行提取信号的多尺度信息。C.Lin等(2020)在一个残差栈中部署了更多的跳跃连接以加强特征传递。然而，现存的深度学习模型普遍存在泛化性能差、复杂度高的缺点。为满足无线通信系统超可靠性和低延迟方面的基本要求，研究高精度和轻量化的调制识别模型是十分重要的。

发明内容

本发明的目的是提供基于轻量化卷积神经网络的无线信号自动调制识别方法，能够实现了高精度、低复杂度的无线信号调制识别。

本发明采用的技术方案为：

基于轻量化卷积神经网络的无线信号自动调制识别方法，包括如下步骤：

步骤A、对于接收端待识别的正交信号，进行一次含多个卷积核的标准卷积运算，以从接收的正交信号中提取充足的初级特征；

步骤B、使用深度可分离卷积设计了深度可分离卷积残差单元和深度可分离卷积残差栈对步骤A的输出的初级特征进行更深层次特征提取，得到信号的浅层特征；

步骤C、使用一层线性激活的点卷积层对针对步骤B中输出的浅层特征进行特征升维，得到信号的高维特征图；

步骤D、使用非线性全局深度卷积对步骤C中输出的高维特征图进行特征重构，得到最终的判别特征向量；

步骤E、使用一层全连接层对步骤D中最终的判别特征向量进行分类，即完成信号调制识别。

在步骤B中，所述的深度可分离卷积残差单元结构具体为：首先第一层深度可分离卷积使用ReLU函数激活，然后连接线性激活的第二层深度可分离卷积，同时在第一层深度可分离卷积输入端和第二层深度可分离卷积输出端部署跳跃连接。

在步骤B中，所述的深度可分离卷积残差栈结构为：首先使用一层线性激活的点卷积，在其后串接两个深度可分离卷积残差单元，最后连接最大池化层。

在步骤D中，使用非线性全局深度卷积对最后一层特征图进行特征重构，具体采用ReLU函数激活的全局深度卷积对高维特征图进行特征重构，输出表示为：

G_m＝σ_ReLU(∑_i,jK_i,j,m·F_i,j,m+B_m)

其中，F表示最后一层特征图，K为全局深度卷积核，B为偏置项，G为特征重构输出的判别特征向量，i和j表示F或K的空间位置，m表示通道数，此外σ_ReLU表示修正线性单元ReLU激活函数，其定义为σ_ReLU(x)＝max(0,x)，max代表求最大值的函数。

本发明在无线信号的调制识别任务中，提出基于轻量化卷积神经网络的无线信号自动调制识别方法。首先使用含多个卷积核的标准卷积运算从待识别信号中获取充足信息；通过深度可分离卷积设计了深度可分离卷积残差单元和深度可分离卷积残差栈用于特征取，在网络中串联六个深度可分离卷积残差栈使用，紧接着使用一层线性激活的点卷积层进行特征升维；然后在最后一层特征图后使用非线性激活的全局深度卷积进行特征重构；最后将重构后特征连接一层全连接层完成分类；由于步骤B中深度可分离卷积残差结构的有效设计以及步骤A、C、D中各卷积层的合理部署，本算法同现有算法相比，分类准确率非常接近当前最优算法且优于其它深度学习算法；同时由于步骤B中深度可分离卷积以及步骤D中全局深度卷积的部署，本算法较现有深度学习算法于模型参数量和推理时间方面有着显著改善。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的模型结构图；

图2为算法流程图；

图3为深度可分离卷积残差单元结构示意图；

图4为深度可分离卷积残差栈结构示意图；

图5为不同方法识别率对比仿真结果示意图；

图6为不同方法参数量和推理时间对比仿真结果示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1、2和3所示，本发明包括如下步骤：

步骤A、对于待识别接收信号，首先进行一次含多个卷积核的标准卷积运算，以从原始信号中获取充足的信息；

步骤B、针步骤A的输出，使用深度可分离卷积设计了深度可分离卷积残差单元和深度可分离卷积残差栈用于特征提取，在网络中串联六个深度可分离卷积残差栈使用；

步骤C、针对步骤B中输出特征，使用一层线性激活的点卷积层进行特征升维；

步骤D、针对步骤C中输出的最后一层特征图，使用非线性激活的全局深度卷积进行特征重构；

步骤E、针对步骤D中特征重构输出的判别特征向量，使用一层全连接层完成信号分类；

在步骤A中，使用所述的含多个卷积核的标准卷积运算从原始信号中获取充分信息，由于信号样本为单通道数据，步骤A中存在较少的待优化参数。

在上述基础上，所述步骤B中所设计的深度可分离卷积残差单元如图2所示，使用一层非线性激活的深度可分离卷积连接一层线性激活的深度可分离卷积，同时在第一层深度可分离卷积输入端和第二层深度可分离卷积输出端部署跳跃连接。

所述步骤B中所设计的深度可分离卷积残差栈如图3所示，首先使用一层线性激活的点卷积，在其后串接两个深度可分离卷积残差单元，最后连接最大池化层。

优选的，所述步骤B中串联六个深度可分离卷积残差栈使用，用于特征提取。

在上述基础上，所述步骤C中使用一层线性激活的点卷积层进行特征升维，由于使用的是点卷积操作，这一层存在较少的参数量。

另外，优选的，所述步骤D使用非线性全局深度卷积对最后一层特征图进行特征重构，输出可以表示为：

G_m＝σ_ReLU(∑_i,jK_i,j,m·F_i,j,m+B_m)

其中，F表示最后一层特征图，K为深度卷积核，B为偏置项，G为特征重构输出的判别特征向量，(i,j)表示F和K中的空间位置，m表示通道数。此外σ_ReLU表示修正线性单元ReLU激活函数，其定义为σ_ReLU(x)＝max(0,x)，max代表求最大值的函数。

最后，所述步骤E中，对步骤D中特征重构输出的判别特征向量，使用一层全连接层完成信号分类；

本发明在无线信号的调制识别任务中，提出基于轻量化卷积神经网络的无线信号自动调制识别方法。首先使用含多个卷积核的标准卷积运算从待识别信号中获取充足信息；通过深度可分离卷积设计了深度可分离卷积残差单元和深度可分离卷积残差栈用于特征取，在网络中串联六个深度可分离卷积残差栈使用，紧接着使用一层线性激活的点卷积层进行特征升维；然后在最后一层特征图后使用非线性激活的全局深度卷积进行特征重构；最后将重构后特征连接一层全连接层完成分类；由于步骤B中深度可分离卷积残差结构的有效设计以及步骤A、C、D中各卷积层的合理部署，本算法同现有算法相比，分类准确率非常接近当前最优算法且优于其它深度学习算法；同时由于步骤B中深度可分离卷积以及步骤D中全局深度卷积的部署，本算法较现有深度学习算法于模型参数量和推理时间方面有着显著改善。

为了进一步的证明本方法与其它现有方法相比的优点，具体以实际的仿真实例进行了实验，而仿真结果的不同方法准确率、参数量和推理时间对比图如图4-图5所示。仿真数据集使用RadioML(2018.01A)，数据集中含有24种数字和模拟调制方式，通过合成模拟信道效应(载波频率偏移、符号速率偏移、延迟扩展、热噪声)在空中接收得到。从数据集中选取103万个样本用于网络的训练和测试，其中70％作为训练集，30％作为测试集。仿真的硬件配置包括一个Intel(R)Xeon(R)E-5 2640CPU和一个NVIDIA TITAN V GPU。深度学习环境是一个基于TensorFlow的Keras深度学习框架，网络初始化学习速率0.001，批量大小为512，使用Early Stopping和ReduceLROPlateau优化训练。

最后选取的对比算法有“CNN/VGG”结构、“ResNet”结构、“MCNet”结构和“MRNN”结构，本专利提出的结构使用“LWAMCNet”表示。

如图4可以看出，LWAMCNet非常接近当前最优算法ResNet且优于其它几种算法。

如图5可以看出，LWAMCNet在识别率没有明显损失的情况下，在模型参数量和推理时间(CPU)上显著优于其它几种深度学习方法。LWAMCNet较于VGG/VGG、Resnet、MCNet和MRNN，网络参数量分别下降了84％、82％、70％和73％，LWAMCNet相较于分类准确率最高的ResNet，推理时间下降了37％。LWAMCNet消耗了极少的资源，就取得了非常高的分类准确率，这得益于深度可分离卷积和GDWConv特征重构方法的使用。深度可分离卷积残差结构的使用相较于标准卷积减少了5到6倍的计算量，非线性全局深度卷积特征重构方法仅使用544个可训练参数性能已经超过参数量为82176的全连接层方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，但这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

在本发明的描述中，需要说明的是，对于方位词，如有术语“中心”，“横向”、“纵向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示方位和位置关系为基于附图所示的方位或位置关系，仅是为了便于叙述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定方位构造和操作，不能理解为限制本发明的具体保护范围。

需要说明的是，本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

注意，上述仅为本发明的较佳实施例及运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行较详细的说明，但本发明不限于这里所述的特定实施例，在不脱离本发明构思的情况下，还可以包括更多其他等有效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (4)

1.基于轻量化卷积神经网络的无线信号自动调制识别方法，其特征在于：包括如下步骤：

步骤A、对于接收端待识别的正交信号，进行一次含多个卷积核的标准卷积运算，以从接收的正交信号中提取充足的初级特征；

步骤B、使用深度可分离卷积设计了深度可分离卷积残差单元和深度可分离卷积残差栈对步骤A的输出的初级特征进行更深层次特征提取，得到信号的浅层特征；

步骤C、使用一层线性激活的点卷积层对针对步骤B中输出的浅层特征进行特征升维，得到信号的高维特征图；

步骤D、使用非线性全局深度卷积对步骤C中输出的高维特征图进行特征重构，得到最终的判别特征向量；

步骤E、使用一层全连接层对步骤D中最终的判别特征向量进行分类，即完成信号调制识别。

2.根据权利要求1所述的基于轻量化卷积神经网络的无线信号自动调制识别方法，其特征在于，在步骤B中，所述的深度可分离卷积残差单元结构具体为：首先第一层深度可分离卷积使用ReLU函数激活，然后连接线性激活的第二层深度可分离卷积，同时在第一层深度可分离卷积输入端和第二层深度可分离卷积输出端部署跳跃连接。

3.根据权利要求1所述的基于轻量化卷积神经网络的无线信号自动调制识别方法，其特征在于，在步骤B中，所述的深度可分离卷积残差栈结构为：首先使用一层线性激活的点卷积，在其后串接两个深度可分离卷积残差单元，最后连接最大池化层。

4.根据权利要求1所述的基于轻量化卷积神经网络的无线信号自动调制识别方法，其特征在于，在步骤D中，使用非线性全局深度卷积对最后一层特征图进行特征重构，具体采用ReLU函数激活的全局深度卷积对高维特征图进行特征重构，输出表示为：

G_m＝σ_ReLU(∑_i,jK_i,j,m·F_i,j,m+B_m)

其中，F表示最后一层特征图，K为全局深度卷积核，B为偏置项，G为特征重构输出的判别特征向量，i和j表示F或K的空间位置，m表示通道数，此外σ_ReLU表示修正线性单元ReLU激活函数，其定义为σ_ReLU(x)＝max(0,x)，max代表求最大值的函数。

Images