基于多端卷積神經網絡的調制識別方法

查雄，彭華，秦鑫，李廣，李天昀

（信息工程大學信息系統工程學院，河南 鄭州 450001）

1 引言

信號的自動調制識別[1-2]是指已知信號所在調制集合，利用相關技術正確識別目標信號調制類型。其作為通信偵察和信號盲處理領域的一個重要研究課題，在很多領域都有相當大的需求。隨著通信技術的發展，各種新型調制方式不斷出現，調制識別技術也需要不斷發展以適應不同情況下的識別要求。

自動調制識別方法中，以信號的相位、頻率和幅度等時域信息作為特征的方法運用較廣[3]，但其受噪聲影響較大，在低信噪比情況下性能嚴重下降。基于高階統計量的方法，如利用信號的高階累積量[4-5]或循環譜[6]，具有很好的抗噪聲性能，但特征的選取缺乏理論指導，且在處理復雜多類調制信號識別過程中決策閾值難以設定。

相對于傳統人工設計特征的算法，深度學習技術由于其自學習能力以及對樣本潛在的容錯性，在語音、圖像領域取得了突出成就[7]。近年來，從事通信領域的研究人員也逐步利用深度學習技術來解決信號處理相關問題。在調制識別領域，主要思想為建立信號的淺層特征表達，并構建深度學習網絡對樣本進行學習。例如，直接利用深度學習技術對信號波形數據進行學習[8]，但該類算法未利用信號本身固有先驗知識對信號進行特征變換，直接對樣本進行全盲訓練，識別效果并不理想。基于星座圖的深度學習算法[9]，在一定程度上引入了信號本身的先驗信息，對信號的波形數據降采成符號序列，并重組形成星座圖。該算法較基于波形的深度學習算法性能有進一步提升，但其過多地損失了信號的波形信息，樣本難以反映信號在時序上的相位跳變信息。因此，算法在性能上仍有一定的提升空間。

本文在已有調制識別算法研究的基礎上，構建了基于眼圖和矢量圖的調制信號淺層特征表達形式，在盡可能保留信號原始信息的同時，充分利用了信號不同維度的調制信息。這些預處理過程將信號的調制特性與神經網絡的拓撲結構有機地相結合，相對于基于星座圖算法更能加速網絡對信號的認知。基于此，本文提出了一種基于多端神經網絡的調制識別新方法，實現了對樣本不同維度的特征學習與融合。通過初步實驗證明，所提算法較傳統算法以及現有基于深度學習的處理手段在抗噪聲上有一定的優勢。相對于傳統算法，本文算法克服了人工提取高維統計特征穩健性差等缺陷，樣本獲取復雜度低，自動化程度高。

2 信號模型

2.1 信號時域表達

本文主要討論目前通信過程中常見的幅相調制信號，包括BPSK、QPSK、OQPSK、8PSK、16QAM、16APSK、32APSK 和64QAM。信號的基帶波形可以表示為

其中，v(t)表示加性高斯白噪聲；g(t)表示等效濾波器，包括成型濾波、信道濾波和匹配濾波；an表示發送端所發送的符號序列。不同的調制方式，符號序列呈現的樣式也不盡相同。

對于PSK 類信號，有

對于QAM 類信號，有

其中，M表示調制進制數。

對于APSK 類信號，有

其中，rk為第k個圓的圓周半徑，nk為第k個圓的星座點數，θk為第k個圓的初始相位偏移。在本文實驗過程中，APSK 類信號采用DVB-S2中定義的標準[10]，16APSK 內外環數比為4:12，32APSK 內中外環數比為4:12:16。OQPSK 信號作為QPSK 信號的改進，在正交兩路的碼流的傳輸時間上錯開半個符號周期，因此信號的相位只能跳變0°或±90°，而不會出現QPSK 中±180°的相位跳變。

2.2 信號眼圖以及矢量圖

本文結合已有對信號的相關認知，將信號轉化為更適合神經網絡拓撲結構的樣本表達形式。基于此，本文采用信號眼圖和信號矢量圖作為樣本表達形式，該表達形式相對于傳統的高維統計特征而言更易獲得，且不會損失過多的信號原有信息。相對于波形而言，該表達形式更能夠突出信號的調制特性，更易于神經網絡進行分類。

信號眼圖，最早是指利用示波器觀察信號基帶波形，當示波器水平掃描周期和接收信號的符號周期一致時，示波器上所呈現的畫面。在通信信號處理過程中，眼圖通常作為一種定性反映碼間串擾和噪聲水平的手段，通過眼圖可以調整接收濾波器，以此改善系統性能。另一方面，由于調制信號本身的特性，不同的調制方式在眼圖上具有很明顯的視覺差異。如圖1所示，由于調制進制的不同，不同信號眼圖中眼的個數也不盡相同。OQPSK 由于正交兩路信號在時間上錯開半個符號周期，不同于其他調制信號眼圖睜開的位置都是同時出現，其眼圖張開的位置總是錯開出現。APSK 類信號由于內外環半徑不同，在眼圖中，眼張開的程度不一致。

圖1 各調制信號的I 路眼圖、Q 路眼圖和矢量圖（15 dB）

信號矢量圖，是指將信號I 路和Q 路波形以對應時間進行重組得到的符號軌跡，與信號的星座圖類似，但相對于星座圖而言，矢量圖能夠反映信號的相位信息，在矢量圖上可以很明顯地看出QPSK 和OQPSK 的區別。由于OQPSK 無180°的相位轉移，其矢量圖中不存在類似QPSK 矢量圖中的符號軌跡，十分適合用于區分QPSK 信號。由于星座圖中不包含相位變化信息，導致其難以對信號進行區分。

由于眼圖和矢量圖在不同層面反映當前調制信號的特性，本文選取信號I 路眼圖、Q 路眼圖和矢量圖作為神經網絡的輸入數據，并通過構建多端卷積神經網絡，實現信號的調制分類。

3 識別算法

3.1 多端卷積神經網絡

卷積神經網絡（CNN,convolution neural network）[11]作為一種特殊的人工神經網絡，由于其良好的特征提取特性，近年來逐步應用于通信領域。其通過結合局部感知、權值共享、池化降采和非線性映射等對數據特征逐層提取并高度抽象，從而進行后續工程應用。卷積神經網絡每一層由多個二維平面組成，稱為卷積層。每個二維平面由卷積核和偏置構成，采用權值共享[11]來減少網絡參數規模。經典的卷積核如拉普拉斯算子、反銳化掩模等，具有旋轉不變性可以提高細節及邊緣的可視性，從而實現定位。梯度類的卷積核如水平算子、垂直算子和Sobel 算子，在重要的變化方向可增強小臺階及其他細節的可見性。由于不同的卷積核能夠實現不同的特征提取功能，卷積神經網絡設置一系列可訓練的核，通過對樣本的學習理解，最終形成最適應該環境的特征提取核。

本文所設計的多端卷積神經網絡結構如圖2所示，對信號特征的提取主要分為3個階段。第一階段，卷積神經網絡分別對I/Q 路眼圖和矢量圖進行7×7的卷積處理。而后對第一層網絡輸出的特征圖進行批量標準化（BN,batch normalization）[12]，從而保證每層神經網絡輸入特征圖的動態范圍統一。對批標準化后的數據進行最大池化（max pool）操作，以減少特征圖尺寸。之后對I/Q 眼圖所得到的特征圖進行連接。第二階段的特征提取過程中，為消除網絡過深導致的退化現象以及使網絡更快地收斂，本文采用了殘差網絡（ResNet,residual network）[13]結構中的ResNet-v1結構，基本結構如圖3所示。經過第二階段的特征提取，對各端特征圖連接，進行第三階段特征提取。由于初始圖片經過卷積神經網絡一系列的下采樣，在第三階段的批標準化后，直接對特征圖進行全局最大抽樣處理，以減少后續網絡所需訓練的參數。網絡除輸出層采用Softmax 激活函數外，其余各層皆采用ReLu 激活函數。網絡優化過程中，采用Adam 算法進行網絡參數的最優解求解。

3.2 訓練數據集的生成

本節主要介紹訓練樣本集的生成，圖4為本文樣本庫構造流程。為了使樣本更具多樣性，考慮到實際接收信號存在多方面因素的影響，樣本產生過程中人為引入采樣相偏、頻偏相偏。在研究初期，為了更好地控制信號的質量，信號集利用Matlab平臺產生。

圖2 多端卷積神經網絡結構

1)特定調制模式與隨機比特數據

本文所需識別的調制類型集為{BPSK，QPSK，OQPSK，8PSK，16QAM，16APSK，32APSK，64QAM}。每次生成樣本時從該集合內隨機選取調制類型，并生成該調制類型所需的比特流數據。

圖3 殘差單元基本結構

圖4 樣本庫構造流程

2)標準信號的生成

采用根升余弦成型濾波器形成標準樣本，過采倍數為32，滾降系數為0.35。

3)隨機采樣相偏

考慮到實際信號采用過程中可能存在的定時偏差，因此在仿真信號過程中，人為引入定時偏差。定時偏差值在一定范圍內隨機取值，且單個樣本在其持續時間內，定時偏差值一致。

4)隨機頻偏相偏

同樣地，考慮到實際參數估計過程中對載頻估計的不精確，在仿真信號過程中，人為引入頻偏相偏。其取值的選取同采樣相偏過程。

5)高斯信道

本文針對的是衛星通信系統，信道采用高斯信道。而后利用根升余弦濾波器進行匹配濾波，得到目標信號。

考慮到傳統的眼圖和矢量圖都為二值圖像，未將信號在某一位置的聚集程度進行完整的考慮。基于此，本文對傳統的眼圖和矢量圖進行改進，將信號轉化為基于灰度圖像的眼圖和矢量圖，將信號在某一點的聚集程度反映在圖像灰度值上。具體生成過程如下：為更好地反映信號的時序結構，本文選取4個符號為一組波形對眼圖進行生成，信號采用32倍過采，每幅圖片由800個符號構成。眼圖橫軸像素點與波形持續時間相對應，從而保證圖片在橫軸的連續性。為實現后續不同圖片特征圖能夠更加方便地進行連接，對信號幅度在[-1.05,1.05]范圍內進行4×32間隔的量化，每個像素點的值為落在該像素區域內樣本點的個數。為使圖像內細節更加突出，對圖片進行如下操作

其中，Im0為原始圖像，I1m 為增強后的圖像，α為縮放因子。

3.3 算法識別流程

根據前面的分析，本文算法流程如下。

1)構建網絡模型，利用預先制作好的訓練樣本對網絡進行訓練，當網絡達到穩態時，保存網絡。

2)對于目標測試信號，通過傅里葉變換進行載頻粗估，并利用包絡譜線估計出符號速率，用估計出的載頻對信號進行下變頻，根據符號速率計算方根升余弦函數進行匹配濾波。

3)若目標信號存在定時偏差，需提取信號在最佳采樣位置處的樣點值以保證眼圖的張開程度，本文參考文獻[14]中的非數據輔助的定時估計算法。具體計算式為

其中，L0為符號長度，N為過采倍數，T為采樣周期，則為定時抽取后的序列。

4)對目標信號進行采樣率變換，得到32倍過采基帶數據。對處理好的數據進行歸一化和分塊處理，對分塊完的數據進行眼圖和矢量圖的呈現。

5)利用所保存的網絡對已進行預處理的信號進行調制識別，最終得到信號調制類別。

4 性能測試與分析

本節對調制識別性能進行仿真，待識別調制集為{BPSK,QPSK,OQPSK,8PSK,16QAM,16APSK,32APSK,64QAM}。如不做特殊說明，仿真條件為：符號隨機均勻產生且統計獨立，成型濾波器和匹配濾波器均為根余弦濾波器，滾降系數在0.2～0.35內隨機選取，過采倍數為32，每個樣本符號數為800。測試過程中，產生的信噪比范圍為0～10 dB，間隔為1 dB，各信噪比下每類信號樣本個數為1000。本文實驗是在CPU 為Intel(R)Xeon(R)E5-2650 v4×2，GPU 為GTX1080×2，內存為64 GB DDR4的環境下進行的。本文中定義的調制識別性能指標為

4.1 模型總體識別性能

圖5為各調制信號的在不同信噪比下的識別結果。從圖5可以看出，本文算法在低信噪比下仍能取得較好的性能，64QAM 由于本身的復雜度，識別效果與低階信號相比較差。低進制調制信號（BPSK、OQPSK）由于本身調制方式的特性，在眼圖和矢量圖中與其他信號的視覺特性有明顯區分，在0 dB 條件下，識別效果仍能接近100%。從圖5中還可以看出，圓形調制方式信號（8PSK、16APSK、32APSK）的識別性能好于QAM 調制方式信號。

圖5 不同信噪比下各調制類型信號識別結果

4.2 含頻偏下模型識別性能

考慮到實際中通過FFT 估計信號載頻時誤差較大，為了驗證此種情況下的算法性能，本文將相對符號速率的歸一化載頻誤差分為不同的范圍。圖6為信號在不同頻偏條件下的識別結果。從圖6可以看出，相對于無頻偏下的識別性能，信號在有頻偏情況下識別準確率有一定的降低。且隨著頻偏的范圍的加大，算法性能也逐步下降，并且在大頻偏的情況下，本文算法不再適用。如何求解在大頻偏條件下利用深度學習技術實現調制識別也是本文的改進方向之一。

圖6 不同頻偏條件下的本文算法識別結果

4.3 識別性能對比

圖7為本文算法和傳統算法（文獻[4]和文獻[5]）以及現有深度學習算法（文獻[8]和文獻[9]）的識別性能對比，由于本文算法利用了信號的先驗知識，且結合了深度學習算法強大的自學習能力，性能在一定程度上優于其他算法。

圖7 不同算法識別率對比

表1為不同算法對目標信號進行識別的時間復雜度，實驗結果為對3000個實驗樣本的統計平均。可以看出，傳統方法由于人工提取特征存在指導性，樣本生成過程和識別過程的時間復雜度均低于深度學習方法。但是得益于GPU 并行運算能力的提高，神經網絡大部分運算都可以并行完成。利用計算開銷換取計算速度，最終能夠實現快速運算。總體可以看出，所有算法的運行時間都可以控制在毫秒級別，完全可以滿足實時性處理的需求。基于深度學習的算法也能較快地完成任務且識別效果優于傳統算法，具有較好的工業應用前景和研究價值。

4.4 網絡參數對性能的影響

本節主要測試網絡參數對本文算法性能的影響，主要考慮2個方面：輸入樣本與網絡結構。在輸入樣本上，本文首先對二值圖像識別效果和灰度圖像識別效果進行對比，如圖8所示，基于灰度圖像的識別效果好于二值圖像，低信噪比下灰度圖像識別性能較二值圖像好1 dB 左右。但總體來說，性能提升并不明顯，產生該現象的因素可能是由于像素區域內樣本數過于稀疏，導致不同像素之間差異不是很明顯。如何改進眼圖和矢量圖的生成也是后期值得改進的方向。

圖8 不同圖像預處理方法下的算法識別率

像素區域內樣本數過于稀疏，一方面是由產生眼圖和矢量圖的符號數決定的。符號數越多，像素區域內包含的樣本數也就相對越多。圖9為不同符號數N下算法的識別性能，符號數選取為200、400、800、1000。符號數的選取在一定程度上影響著算法性能，隨著符號數的增多，模型整體識別率也在逐步上升。但從圖9中可以看出，當符號數為800和1000時，性能提升不是很明顯，最終本文選取符號數為800生成眼圖和矢量圖。

輸入樣本中，樣本的尺寸同樣對信號的識別產生影響。本文通過實驗驗證不同圖片尺寸下算法的性能，圖片的尺寸主要受到采樣率影響（幅度量化精度同樣影響圖片尺寸，由于本文需保證圖片為矩形，量化精度不能隨意設定，因此本文暫不考慮量化的影響）。本文設置過采倍數Nsamp 為32、64、128進行實驗，對應圖片尺寸大小為128像素×128像素、256像素×256像素、512像素×512像素。實驗結果如圖10所示。從圖10可以看出，當過采倍數為32與64時性能差異不大，而過采倍數為128的識別效果在低信噪比的情況下遠劣于前兩者，且過大的圖像尺寸對網絡訓練造成極大的負擔，最終本文選取過采倍數為32作為樣本生成參數。

表1 不同算法時間復雜度對比

圖9 符號數對算法識別性能的影響

圖10 過采倍數對算法識別性能的影響

考慮網絡結構對性能的影響時，本文主要考慮基于單輸入端和多輸入網絡結構的性能進行對比，具體如圖11所示。從圖11可以看出，基于單路眼圖的調制識別算法由于損失過多信號的調制信息，識別性能不理想。其中，I 路眼圖識別性能較Q 路眼圖有一定差距，這可能與調制方式中初相的設置有關（本文對BPSK 信號的初相設置為0，導致I路有眼圖的呈現，Q 路無眼圖的呈現）。基于矢量圖的調制識別中，由于損失了信號的時序信息，在一定程度上劣于本文算法。通過實驗最終證明了本文算法的可行性。

圖11 單輸入網絡結構與多輸入網絡結構下的算法識別率

5 結束語

本文基于信號眼圖和矢量圖的表達形式，提出了多端卷積神經網絡模型，并較好地解決了衛星幅相信號調制識別問題。實驗結果表明，由于本文所提算法在一定程度上結合了通信信號的固有調制屬性，性能上較其他基于深度學習算法進一步提高。且基于多端處理的思想能夠在不同角度指導網絡挖掘和融合信號的內在特征，在一定程度上降低了對網絡自身要求。本文提供了一類在神經網絡架構下，構造適合神經網絡拓撲表達的信號表現形式的調制識別求解思路。該思路可以推廣到其他通信信號處理的問題上，利用信號已有的先驗認知，尋求一種能夠更有利于神經網絡學習的表達形式，最終實現更好的算法性能。