CN114615118A - 一种基于多端卷积神经网络的调制识别方法 - Google Patents

Abstract

本发明涉及智能调制识别领域，特别涉及一种在复杂信道环境下基于多端卷积神经网络的调制识别方法。本发明MICNN网络利用卷积神经网络优秀的特征提取能力，实现对信号调制方式特征的提取。并且通过对数据进行预处理对比筛选，选取有效的数据预处理作为网络的多端特征联合输入。该网络在复杂信道环境下对信号的调制方式有着优秀的识别性能。

Description

一种基于多端卷积神经网络的调制识别方法

技术领域

本发明涉及智能调制识别领域，特别涉及一种在复杂信道环境下基于多端卷积神经网络(A multi-inputs convolutional neural network，MICNN)的调制识别方法。

背景技术

随着通信技术的飞速发展进步，全球通信业务量激增，这使得频谱、信道等通信资源愈发紧张。为缓解这一问题，人们发展出了多样化的通信手段与调制样式来提高有限频谱资源的利用率。与此同时，繁多的信号调制样式也为信息的获取制造了困难。这时通信信号的调制识别就显得尤为重要，只有明确了所接收到的信号是什么调制样式，人们才能将信号进行解调操作最终得到其传输的信息。所以说信号调制识别是从信号接收到信号解调的必要流程之一，其作用是在缺乏先验信息的情况下对调制样式未知的通信信号进行处理分析得到其确切的调制方式，从而为下一步的信号解调工作提供理论依据。

信号调制识别技术对于整个通信流程都有着重要的意义，有重大使用价值与研究意义。像自适应链路系统中信号调制识别技术就起着重要的作用，此系统是通过信号调制模块对信号进行自适应的调制。所以说在系统通信过程中，调制识别模块输出结果的对错直接决定了自适应链路系统是否可以实现有效的通信。另外在无线电监测领域也有着十分重要的作用，无线电监测是指探测管理区域内的无线电信号,并对该信号进行分析来获取其技术参数等信息的行为。而信号的调制方式更是其中重要的技术参数，需要进行探测获取。

如今通信用户不断增多，现代通信系统提出了更多性能需求，例如传输速率高、响应速度快、数据量大等，特别是在海量数据的处理和数据挖掘方面，现有的理论架构存在根本的局限性。如今大多数调制识别技术是基于特征提取与机器学习分类算法的。但这些方法一般为模型驱动，需要对信号进行预处理，并且适应信道环境单一，在复杂信道环境时识别性能较差。因为传统的特征提取方法是基于统计资料的，分类结果易受环境变化影响。基于机器学习的调制识别方法则需要人为进行信号特征的提取工作，不像深度学习方法可以自主进行信号特征提取。因此，诸多研究者将目光投向了深度学习技术，其被认为是突破性能瓶颈的有效方法。目前基于深度学习的通信技术在信号检测、信道估计和信号调制识别等方面都展现出了巨大的研究价值与发展潜力。

现有的深度学习神经网络方法在复杂信道环境下识别性能较差。基于深度学习的信号调制方法性能一般受两方面影响，一方面是输入深度学习网络的数据集，另一方面是深度学习网络结构参数。数据集方面，因为通信调制信号本身就是人为对需要传输的信息进行调制变换，使信息能够更好的在信道之间进行传输。所以调制信号有许多特征可以人为进行提取，并且这些特征一般都是区分信号最为本质的特征。所以相比于直接把信号本身作为网络输入，以这些特征作为网络的输入必然会带来网络性能的提高。在网络结构参数方面，则是利用一些算法使网络能够自动提取出不同信号之间差异较大的深层特征而不是流于表面特征。另外还需调整网络的参数结构在保证网络识别性能较高的情况下降低网络复杂度从而提高网络算法训练速度。

发明内容

本发明提出了一种基于多端卷积神经网络(A multi-inputs convolutionalneural network，MICNN)的调制识别方法。其利用卷积神经网络优秀的特征提取能力，实现对信号调制方式特征的提取。并且通过对数据进行预处理对比筛选，选取有效的数据预处理作为网络的多端特征联合输入。仿真结果表明，该网络在复杂信道环境下有着优秀的识别性能。

本发明采用的技术方案为：一种基于多端卷积神经网络的调制识别方法，该方法包括以下步骤：

S1构造MICNN网络

S1.1构造特征提取模块，特征提取模块由三个相同的CNN卷积模块构成，三个CNN卷积模块的输入分别为信号IQ序列、信号高次方谱、信号眼图。每个卷积模块均由四层Conv1D一维卷积层和一个Flatten层组成，卷积核的尺寸kernel_size＝8，卷积层中滤波器的输出维度filters＝64。卷积层大小依次为1024*64、512*64、256*64、128*64，其中第1层卷积至第4层卷积均在卷积后使用了1x2的一维最大池化层(maxpool1D)，池化层的步长strides＝2，对卷积得到的特征进行切片得到小维度特征，防止网络过度拟合。

每个卷积层均采用ReLU激活函数，在网络优化过程中，采用Adam算法求解网络参数的最优值。Flatten层则是作为卷积层到预测模块中全连接层的过渡，将输出的多维特征一维化。

整个特征提取模块输入数据维度为1024*5，输出特征维度为4096*3。随机初始化特征提取模块即三个CNN卷积模块的网络权重参数θ_c1,θ_c2,θ_c3；

S1.2构造预测模块，预测模块由两个全连接层和softmax激活函数组成，全连接层将输入的特征映射到样本分类空间中，输入特征维度为12288，输出特征维度为N，即为需要分类的N种调制信号类别，N≥2。然后通过softmax激活函数将全连接层的输出转换为识别概率，概率最高的即为网络识别出的调制信号类别。随机初始化预测模块的网络权重参数θ_p

S2数据集预处理

S2.1提取信号IQ序列

对接收到的信号经过下变频和匹配滤波得到基带复信号

x_j(k)表示单个样本采样点处的复信号值，k＝1,2,...,K,K表示单个样本采样点数，通常为1024；j＝1,2,...,W,W表示信号样本个数；信号IQ序列则分别代表基带复信号的实部和虚部，用矩阵形式如下式所示：

单个信号样本的IQ序列为2×K大小的实值矩阵。

S2.2提取基带复信号高次方谱：

n表示对信号进行n次方操作，n＝2为平方谱，n＝4为四次方谱，以此类推，w表示单个样本的不同采样点，本方法需要信号四次方谱S_j，4(w)与八次方谱S_j,8(w)，即n＝4、8。则有信号高次方谱(spc)_j＝[S_j，4(w)；S_j,8(w)]；

S2.3提取信号眼图

信号眼图表征的是多个整数周期信号落于同一张图的现象，物理上表明了解调时可供判决的门限。将信号转换成眼图可看出其带有较为明显的时频特征，不同调制方式对应的眼图也有着明显区别。将基带复信号的实部real[X_j]按时间序列画于坐标图中，便可得到信号眼图(eye)_j。

S3网络训练

S3.1特征提取，将S2中产生的信号IQ序列、信号高次方谱、信号眼图分别输入到MICNN网络特征提取模块中的三个CNN卷积模块进行数据特征的自动提取。每个模块输出为1*4096大小的特征G[(IQ)_j]、G[(spc)_j]、G[(eye)_j]，G为CNN卷积模块。

S3.2特征融合，将三个CNN卷积模块提取出的特征进行concant策略整合，即将三个1*4096大小的特征直接进行串行连接为12288大小的融合特征，融合后的特征F_j＝[G[(IQ)_j]；G[(spc)_j]；G[(eye)_j]]

S3.3预测损失计算，将融合后的特征F_j输入到预测模块中。预测模块会给出识别概率

和识别结果I_j∈{1,2,...,N}，将I_j与数据标签C_j∈{1,2,...,N}进行比对得到符号函数y_j，

将P_j与y_j送入损失函数计算损失值，这里损失函数为交叉熵损失函数(crossentropy)。

其损失值L的计算方法为

S3.4网络权重更新

S3.4.1梯度下降与权重参数更新，优化S3.3中的损失值L。利用Adam算法(KingmaD P,Ba J.Adam:A method for stochastic optimization[J].arXiv preprint arXiv:1412.6980,2014.)对网络进行梯度下降，实时更新网络模型参数θ_c1,θ_c2,θ_c3,θ_p，使S3.3中的损失值L不断下降，识别准确率不断提升。学习率lr＝1e-3。

S3.4.1网络保存，在经过多轮训练更新参数后，损失值L与识别准确率趋于稳定。此时网络为收敛状态即网络达到稳态，及时停止训练，保存最优网络模型参数θ_c1-op,θ_c2-op,θ_c3-op,θ_p-op。

S4目标识别

S4.1建立网络模型，按照S1的方式重新构造MICNN网络，将S3.4.1中保存的最优网络模型参数θ_c1-op,θ_c2-op,θ_c3-op,θ_p-op加载到MICNN网络中。

S4.2目标信号预处理，将需要识别的目标信号按照S2的方式预处理获得(IQ)_j、(spc)_j、(eye)_j。

S4.3特征融合，将(IQ)_j、(spc)_j、(eye)_j按照S3.2的方式进行特征融合，得到F_j＝[G[(IQ)_j]；G[(spc)_j]；G[(eye)_j]]，输出维度为12288。

S4.4用拼接融合后的特征F_j输入MICNN网络的预测模块，最终得到目标信号调制方式的识别结果。

本发明具有以下有益效果：MICNN网络利用卷积神经网络优秀的特征提取能力，实现对信号调制方式特征的提取。并且通过对数据进行预处理对比筛选，选取有效的数据预处理作为网络的多端特征联合输入。该网络在复杂信道环境下对信号的调制方式有着优秀的识别性能。

附图说明

图1是MICNN网络结构图；

图2是CNN网络结构图；

图3是本发明方法的流程图；

图4是数据集构造流程；

图5是网络算法识别性能-AWGN信道；

图6是CNN-AWGN信道信号识别混淆矩阵：a.0dB,b.5dB,c.10dB；

图7是CNN-复杂莱斯多径信道信号识别混淆矩阵：a.0dB,b.5dB,c.10Db；

图8是不同预处理组合作为输入的识别效果；

图9是MICNN网络识别性能对比-复杂莱斯多径信道；

图10是MICNN-复杂莱斯多径信道信号识别混淆矩阵：a.0dB,b.5dB,c.10dB；

图11是样本尺寸对算法识别性能的影响；

图12是不同epoch下算法的识别准确率迭代曲线；

图13是不同epoch下算法的误差loss迭代曲线；

图14是不同批尺寸(batch size)下算法识别性能。

具体实施方式

下面结合仿真实验结果对本发明具体实施方式进一步说明。图1是MICNN网络结构图，主要由S1中的特征提取模块与预测模块构成。

图2是CNN网络结构图，是仿真实验中用于对比的网络结构。

图3是本发明方法的流程图。

仿真实验及分析

图4是数据集构造流程，制作流程依次分别为数据源，信号调制方式，信号生成，信道环境，信号预处理，存储6个部分：

1.数据源

由MATLAB生成的随机比特数据作为信号码元进行调制。

2.信号调制方式

本文数据集的调制类型包含11种常见信号，按顺序分别为'BPSK'，'QPSK'，'8PSK'，'16QAM'，'2FSK'，'MSK'，'FM'，'AM'，'2ASK'，'4FSK'，'OQPSK'。

3.信号生成

数字信号中心频率为902MHz，模拟信号中心频率为100MHz，脉冲成型滤波器采用根升余弦成型滤波器(rcosdesign函数)，滚降系数为0.35，采样频率是200KHz，每个符号采样点数为8，单个样本长度为1024，每一帧长度为1024/8＝128。

4.信道环境

信道环境为两种，一种为理想高斯白噪声信道，另一种为复杂莱斯多径衰落信道考虑了采样率偏移，中心频率偏移，最大多普勒频移(MaximumDopplerShift＝4)，莱斯多径衰落信道(平均路径增益＝[0-2-10]dB，延迟分布＝[0 1.8 3.4])。信噪比范围0-10dB，步进为1，11种信号每种调制方式在每种信噪比下样本数目为400个，样本数为400*11*11＝48400个。

5.信号预处理

对基带信号按照S2的方式处理得到信号IQ序列、信号高次方谱、信号眼图。

6.储存

数据样本被存为HDF5格式，包含/Data，/Type，/Snr三个Groups。/Data为数据样本，其大小为N×5×spf，其中N为样本数量，spf为每个样本的长度为1024，数据类型为Double；/Type为样本的标签独热码，其大小为N×numModulationTypes，其中N为样本数量，numModulationTypes为调制类型的数量，数据类型为Int8；/Snr存储样本的信噪比，其大小为N×1，其中N为样本数量，数据类型为Int8。

定义的调制识别性能指标为

首先对本发明提出的CNN网络算法进行性能测试。下面给出仿真测试的结果图，展示CNN网络在AWGN信道和复杂莱斯多径信道下不同信噪比的信号识别率如图5所示。从图中可以看出在复杂莱斯多径信道下，CNN算法的识别性能有着明显的下降，这是因为复杂莱斯多径信道相比于高斯白噪声信道有着采样率偏移、多普勒频移、多径衰落等因素存在。这些因素会影响到信号的特征表现，从而降低算法的信号识别性能。在复杂莱斯多径信道下，CNN网络算法在信噪比10dB情况下识别率只有90％。

图6则给出了CNN网络算法在AWGN信道下0dB，5dB，10dB三种信噪比的信号识别混淆矩阵，从图中可以看出，本文算法在低信噪比下相移键控信号8PSK与正交振幅调制信号16QAM识别效果较差。而对于幅度键控调制、频移键控调制和模拟调制信号在0dB条件下，识别效果仍能接近94％。

图7给出了CNN网络算法在复杂莱斯多径信道下0dB，5dB，10dB三种信噪比的信号识别混淆矩阵，从图中可以看出，主要是调制信号中的QPSK信号与8PSK信号难以区分，这个问题我们通过信号预处理构建多端联合特征输入进行解决。

从混淆矩阵可以看出，CNN网络算法对于QPSK信号与8PSK信号在复杂莱斯多径信道下难以区分，导致信噪比提高后总体的识别率难以进一步提升。这是因为神经网络是自主进行信号特征提取的，有一些信号本质特征并不能精确的提取到，这就导致了复杂莱斯多径信道下QPSK信号与8PSK信号本质区别特征没有被提取到，难以进行区分。

针对这种情况，本发明提出的MICNN网络算法，利用信号预处理人工提取信号本质区别特征作为网络的多端特征联合输入来提高算法的识别性能。这里对不同预处理作为输入的识别效果进行对比，以此筛选出最符合MICNN网络算法的多端特征联合输入。这里进行对比的预处理方式有信号高次方谱、包络谱、眼图、双谱四种。信道环境只考虑复杂莱斯多径信道，下面给出不同预处理作为多端特征联合输入的识别效果如表1所示：

表1不同预处理组合作为输入的识别效果

表1给出了不同预处理组合作为多端特征联合输入的识别效果，为了更加直观的对不同组合的识别效果进行对比，本节将表中的数据用直方图8进行表示。从图表中可以看出，信号高次方谱与眼图对信号识别效率有正面增益效果，在信噪比10dB情况下高次方谱将信号识别率从90％提升到了95％,眼图则是从90％提升到92％。双谱则是没有效果，和仅仅输入信号IQ序列的识别效果相差无几。信号包络谱不仅没有增益效果，还降低了信号识别效果，在信噪比10dB情况下识别率从90％降到89％。综合九种预处理组合方式来看，识别效果最好的是第七种组合即信号IQ序列+高次方谱+眼图，其识别率在10dB的情况下能够达到97％。虽然第九种组合也能达到97％的识别率但没必要强行增加无意义的计算复杂度。

不同预处理组合作为输入的识别效果也符合了上一节混淆矩阵中反映出的情况，对于CNN网络算法在复杂莱斯多径信道下的识别难点在于QPSK信号与8PSK信号。而信号高次方谱与信号眼图这两种预处理方式中QPSK信号与8PSK信号区别十分明显，这就帮助了神经网络中的分类识别网络进行识别。而信号包络谱与双谱在QPSK信号与8PSK信号两者上的区分不明显，对算法识别没有帮助甚至降低了识别效果。

这里给出MICNN网络算法最终识别性能如图9所示：

从图9中可以看出MICNN网络算法识别性能相比于其他几种网络有着明显的提升，相比于传统卷积网络CNN提升了将近10％的识别准确率。图10给出了MICNN网络信号识别混淆矩阵，可以看出在使用多端特征联合输入后，MICNN网络算法能够顺利分类QPSK信号和8PSK信号，也就提升了总体的识别性能。

下面测试不同参数对本文算法性能的影响，主要考虑2个方面：输入样本与网络结构。在输入样本上，本文首先通过实验验证不同样本尺寸下算法的性能，测试样本尺寸分别为64*5、128*5、256*5、512*5、1024*5、2048*5。实验结果如图11所示：

从图11中可以看出，当样本尺寸减小，信号识别性能随之下降，并且下降幅度也会越来越大，这是因为当样本尺寸减小，样本中包含的信息也会越来越少，这当然会导致识别性能的下降。当信号样本尺寸为1024*5时信号识别效果已经达到最高，当信号尺寸再增加到2048*5时，信号识别性能并没有进一步增加了。所以本文算法采用样本尺寸大小为1024*5。这样既保持最好的识别性能，同时也不会增加算法的时间复杂度。

接下来验证不同网络结构参数对本文算法性能的影响。首先是不同epoch(一个epoch就是将所有的训练样本训练一次)下算法的性能实验结果如图12、图13所示，这里信号识别率为0-10dB混合信噪比的信号识别准确率。

从网络训练过程中准确率和损失函数变化曲线看出，网络训练过程正常，网络已达到收敛状态。在训练epoch为10次的时候，训练准确率就已经达到最高点，之后在进行训练识别率也不再增加。所以本文算法训练epoch定为10次。这是在本文数据集大小确定情况下的最佳epoch次数，当数据集大小发生变化时还需重新调整。

接下来是对不同批尺寸(batch size)大小下算法识别性能进行测试，batch size定义为一次训练所提取的样本点数。通常batch size设置的偏大比较好，因为当batchsize越大时网络下降的方向则会越准确，这可以使网络训练震荡减小。另外其训练一次epoch所需的次数也越少，即面对相同数据量时处理时间更短。但是不能盲目增大batchsize，太大的batch size容易收敛成“sharp minimizers”，使其泛化性能变差。所以本节对不同batch size大小下算法性能进行测试来确定最佳batch size参数设置。测试batchsize大小分别为8、16、32、64、128、256、512、1024。其结果如图14所示。

表2不同批尺寸(batch size)下算法训练时长

表2则给出了不同批尺寸(batch size)下算法训练时长，从图表中可以看出，当batch size大小为128时算法识别性能最佳，其每个epoch的训练时长也比较适中。所以本文算法采用batch size大小为128。

Claims (4)

1.一种基于多端卷积神经网络的调制识别方法，其特征在于，该该方法包括以下步骤：

S1构造MICNN网络

S1.1构造特征提取模块，特征提取模块由三个相同的CNN卷积模块构成，三个CNN卷积模块的输入分别为信号IQ序列、信号高次方谱、信号眼图；每个卷积模块均由四层Conv1D一维卷积层和一个Flatten层组成，卷积核的尺寸kernel_size＝8，卷积层中滤波器的输出维度filters＝64；卷积层大小依次为1024*64、512*64、256*64、128*64，其中第1层卷积至第4层卷积均在卷积后使用了1x2的一维最大池化层，池化层的步长strides＝2，对卷积得到的特征进行切片得到小维度特征，防止网络过度拟合；

每个卷积层均采用ReLU激活函数，在网络优化过程中，采用Adam算法求解网络参数的最优值；Flatten层则是作为卷积层到预测模块中全连接层的过渡，将输出的多维特征一维化；

整个特征提取模块输入数据维度为1024*5，输出特征维度为4096*3；随机初始化特征提取模块即三个CNN卷积模块的网络权重参数θ_c1,θ_c2,θ_c3；

S1.2构造预测模块，预测模块由两个全连接层和softmax激活函数组成，全连接层将输入的特征映射到样本分类空间中，输入特征维度为12288，输出特征维度为N，即为需要分类的N种调制信号类别，N≥2；然后通过softmax激活函数将全连接层的输出转换为识别概率，概率最高的即为网络识别出的调制信号类别；随机初始化预测模块的网络权重参数θ_p；

S2数据集预处理

S2.1提取信号IQ序列

对接收到的信号经过下变频和匹配滤波得到基带复信号

x_j(k)表示单个样本采样点处的复信号值，k＝1,2,...,K,K表示单个样本采样点数，通常为1024；j＝1,2,...,W,W表示信号样本个数；信号IQ序列则分别代表基带复信号的实部和虚部，用矩阵形式如下式所示：

单个信号样本的IQ序列为2×K大小的实值矩阵；

S2.2提取基带复信号高次方谱：

n表示对信号进行n次方操作，w表示单个样本的不同采样点；

S2.3提取信号眼图

将基带复信号的实部real[X_j]按时间序列画于坐标图中，得到信号眼图(eye)_j；

S3网络训练

S3.1特征提取，将S2中产生的信号IQ序列、信号高次方谱、信号眼图分别输入到MICNN网络特征提取模块中的三个CNN卷积模块进行数据特征的自动提取；每个模块输出为1*4096大小的特征G[(IQ)_j]、G[(spc)_j]、G[(eye)_j]，G为CNN卷积模块；

S3.2特征融合，将三个CNN卷积模块提取出的特征进行concant策略整合，即将三个1*4096大小的特征直接进行串行连接为12288大小的融合特征，融合后的特征F_j＝[G[(IQ)_j]；G[(spc)_j]；G[(eye)_j]]；

S3.3预测损失计算，将融合后的特征F_j输入到预测模块中；预测模块给出识别概率

和识别结果I_j∈{1,2,...,N}，将I_j与数据标签C_j∈{1,2,...,N}进行比对得到符号函数y_j，

将P_j与y_j送入损失函数计算损失值L；

S3.4网络权重更新

S3.4.1梯度下降与权重参数更新，优化S3.3中的损失值L；利用Adam算法对网络进行梯度下降，实时更新网络模型参数θ_c1,θ_c2,θ_c3,θ_p，使S3.3中的损失值L不断下降，识别准确率不断提升；

S3.4.1网络保存，在经过多轮训练更新参数后，损失值L与识别准确率趋于稳定；此时网络为收敛状态即网络达到稳态，及时停止训练，保存最优网络模型参数θ_c1-op,θ_c2-op,θ_c3-op,θ_p-op；

S4目标识别

S4.1建立网络模型，按照S1的方式重新构造MICNN网络，将S3.4.1中保存的最优网络模型参数θ_c1-op,θ_c2-op,θ_c3-op,θ_p-op加载到MICNN网络中；

S4.2目标信号预处理，将需要识别的目标信号按照S2的方式预处理获得(IQ)_j、(spc)_j、(eye)_j；

S4.3特征融合，将(IQ)_j、(spc)_j、(eye)_j按照S3.2的方式进行特征融合，得到F_j＝[G[(IQ)_j]；G[(spc)_j]；G[(eye)_j]]，输出维度为12288；

S4.4用拼接融合后的特征F_j输入MICNN网络的预测模块，最终得到目标信号调制方式的识别结果。

2.一种根据权利要求1所述基于多端卷积神经网络的调制识别方法，其特征在于：S2.2中，即n＝4、8时，则有信号高次方谱(spc)_j＝[S_j，4(w)；S_j,8(w)]。

3.一种根据权利要求1所述基于多端卷积神经网络的调制识别方法，其特征在于：S3.3中，损失函数为交叉熵损失函数，损失值L的计算方法为

4.一种根据权利要求1所述基于多端卷积神经网络的调制识别方法，其特征在于：S3.4.1中，学习率lr＝1e-3。

Images