一種基于深度學習的輻射源信號調(diào)制識別新算法

陶冠宏， 周 林

(1.中電科大數(shù)據(jù)研究院有限公司成都分公司，成都 610000；2.提升政府治理能力大數(shù)據(jù)應用技術(shù)國家工程實驗室，貴陽 550000；3.西南電子設備研究所，成都 610036)

隨著各類無線電設備的廣泛使用，電磁環(huán)境中的輻射源目標越來越多，電磁頻譜越來越擁堵，不同用途的電磁信號在時、空、頻域相互交疊，常常面臨數(shù)以千計的電磁目標，信號密度更是高達每秒幾百萬脈沖。在如此復雜電磁環(huán)境中對不同輻射源進行有效分類識別變得愈發(fā)困難。其中，調(diào)制識別是電磁頻譜感知的一個重要的研究領(lǐng)域。調(diào)制識別技術(shù)在民用和軍事領(lǐng)域中的無線中的信號監(jiān)測、信息截獲、干擾識別和電子對抗等方面有著廣泛的應用，是認知無線電、頻譜感知等領(lǐng)域研究的基礎。

現(xiàn)階段大多數(shù)的自動調(diào)制識別方法主要的技術(shù)手段是基于特征設計和分類器選擇，如傳統(tǒng)的似然比檢測法[1]，需較多先驗信息和人工經(jīng)驗[2-3]，才能獲取最優(yōu)的分類性能；而基于特征提取方法，依賴于瞬時特征[4]或高階累積量等統(tǒng)計特征[5]，并采用機器學習的淺層分類器實現(xiàn)性能次優(yōu)[6-8]。這兩類算法的分類識別準確率取決于統(tǒng)計量和專家知識，在面對新的調(diào)制方式時需要重新設計特征并進行大量的實驗驗證，無法滿足復雜電磁環(huán)境對處理時效性的需求，存在一定的應用局限性。

近年來，深度學習的技術(shù)已經(jīng)在諸如計算機視覺和聲音識別等領(lǐng)域取得了突破性的進展[9-10]，深度學習的突出優(yōu)勢在于直接從原始數(shù)據(jù)出發(fā)自動學習到數(shù)據(jù)特征。文獻[11]提出了利用卷積神經(jīng)網(wǎng)絡的框架對時域IQ通道進行自動特征提取，該算法直接利用接收到的原始信號進行分類，相比于傳統(tǒng)的機器學習算法如SVM和決策樹等，識別率有了較大的提升。但是直接使用IQ通道原始數(shù)據(jù)在低信噪比下受噪聲的影響較大，使得模型對噪聲更敏感，導致識別率降低。

針對上述問題，鑒于時域數(shù)據(jù)包含的調(diào)制信息有限，提出了一種基于深度學習的輻射源信號調(diào)制識別新算法，通過對輻射源信號進行幅-相域二維圖像表征，采用多層卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)來進行目標多層次特征提取，實現(xiàn)了識別性能提升。

1 基于幅-相域的二維圖像輻射源表征方法

電磁信號可以用如下數(shù)學模型描述：

(1)

式(1)中：n為符號序號；An為第n個符號的幅度；ωn為第n個符號的頻率；φn為第n個符號的頻率相位；θ為第n個符號的初始相位；g(t)為成形函數(shù)；T為符號周期。通過這些參數(shù)的不同組合得到多種調(diào)制類型，如相位調(diào)制、幅度調(diào)制、頻率調(diào)制、混合調(diào)制等。

當電磁信號經(jīng)過接收機信道后，信號形式可描述為

(2)

式(2)中：hn(t)和ω0分別為信道響應和接收機頻率。頻率、幅度和相位信息會受到信道響應和接收機頻率失配等影響，產(chǎn)生一定失真。

由于調(diào)制信息蘊含在頻率、幅度和相位中，直接使用文獻[11]中時域IQ通道信號作為卷積神經(jīng)網(wǎng)絡輸入使得相位信息無法得到直接利用，因此對輻射源信號進行幅-相域二維圖像表征，將幅度和相位信息進行直接體現(xiàn)。

(3)

(4)

分別以CPFSK、BPSK、QPSK、PAM4、QAM16、QAM64、GFSK、8PSK信號為例，圖 1所示為信號的二維幅-相域灰度圖像表示形式。這種表征方式一方面能夠?qū)⑿盘柕姆群拖辔恍畔⒅苯颖磉_，最大化利用信號的調(diào)制信息；另一方面這種建模方式非常適合作為深度學習中卷積神經(jīng)網(wǎng)絡的輸入，有利于利用圖像識別算法和加速框架，實現(xiàn)高速智能化識別。

2 深度學習的輻射源調(diào)制識別方法

基于深度學習的調(diào)制方式識別方法主要解決輻射源的分類與識別問題，將中頻信號表征為二維幅-相域圖像輸入卷積神經(jīng)網(wǎng)絡，實現(xiàn)對輻射源電磁信號調(diào)制方式的分類輸出。該方法主要包括設計卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)，然后利用數(shù)據(jù)對神經(jīng)網(wǎng)絡進行訓練，最終通過大規(guī)模測試對神經(jīng)網(wǎng)絡進行調(diào)優(yōu)，得到最優(yōu)化模型。通過反復測試，最優(yōu)化的卷積神經(jīng)網(wǎng)絡整體架構(gòu)如表 1所示，其中，卷積神經(jīng)網(wǎng)絡由4層組成，分別為2個卷積層和2個全連接層，最后一層使用Softmax分類器，其他每層使用ReLU作為激活函數(shù)。模型損失函數(shù)使用categorical_crossentropy，優(yōu)化器使用的是Adam。為了防止梯度彌散，模型中在卷積層加入50%的Dropout處理。

表1 卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)

3 基于深度學習的輻射源調(diào)制識別方法

3.1 調(diào)制識別數(shù)據(jù)集

為驗證基于幅-相域信號的深度學習自動調(diào)制識別算法，采用 O′Shea等[11]公開的調(diào)制信號數(shù)據(jù)集作為實驗數(shù)據(jù)，選取數(shù)據(jù)集中數(shù)字調(diào)制信號BPSK、QPSK、8PSK、PAM4、QAM16、QAM64、CPFSK、GFSK作為實驗數(shù)據(jù)，信噪比跨越-6～+18 dB，步進2 dB。每種調(diào)制方式在每種SNR下共有8 000個2×128信號數(shù)據(jù)，8種調(diào)制方式共有104 000個數(shù)據(jù)。在數(shù)據(jù)集中每一個信號樣本長度為128 μs，符號速率為125 kBd，采樣率為1 MHz，每個信號樣本包含8～16個符號。每種調(diào)制類型信號樣本中含有隨機時域偏移、旋轉(zhuǎn)、相位偏移、噪聲等信息，數(shù)據(jù)集中的信號不僅能夠真實反映調(diào)制的數(shù)據(jù)信息，還包含信道對信號的影響以及信號經(jīng)過發(fā)射機和接收機所產(chǎn)生的變化。

3.2 卷積神經(jīng)網(wǎng)絡訓練與調(diào)優(yōu)

通過計算統(tǒng)計，整個卷積神經(jīng)網(wǎng)絡的所需要訓練的參數(shù)個數(shù)為2 829 656個，參數(shù)數(shù)據(jù)類型為32位浮點。在訓練過程中，利用數(shù)據(jù)集中的90%數(shù)據(jù)進行訓練，保留其余的10%數(shù)據(jù)進行測試，即訓練樣本數(shù)為93 600個，測試樣本數(shù)為10 400個。實驗模型損失函數(shù)采用categorical_crossentropy，優(yōu)化器采用的是Adam。為了防止梯度彌散，模型中在卷積層加入dropout處理。模型的構(gòu)建和訓練采用的軟件平臺為tensorflow1.8、cuda9.0、keras2.2，進行模型訓練的硬件平臺為Intel Xeon E5-2630 CPU和Nvidia K4200 GPU。

實驗中分別利用本文方法(用符號CNNA/φ表示)與文獻[11](用符號CNNIQ表示)的方法進行訓練，訓練過程采用批處理的大小為1 024，每個訓練完成一輪93 600個樣本點的迭代，每次迭代后數(shù)據(jù)被打亂再重新開始下一輪迭代。每次迭代結(jié)束后會檢查驗證損失值(val_error)，如果驗證損失值連續(xù)多次不再發(fā)生變化，則表明模型參數(shù)訓練充分，則終止訓練過程，并輸出訓練結(jié)果，以CNNA/φ模型為例，圖2所示為訓練過程損失值隨訓練輪數(shù)的變化情況。

圖2 損失值隨訓練輪數(shù)的變化

由圖2可知，隨著訓練迭代數(shù)的增加，訓練集損失值(train_error)和驗證集損失值(val_error)均逐漸減小，當驗證集損失值下降到0.5～0.6時，在第90代以后，驗證集損失值幾乎不再發(fā)生變化，網(wǎng)絡模型參數(shù)訓練充分，故訓練結(jié)束，整個訓練花費時間約為3 h，訓練過程每一代耗時約為60 s。

4 實驗結(jié)果及分析

4.1 識別準確率

實驗中通過將來自8個輻射源的10 400個測試樣本對訓練好的模型進行測試，可以得到在不同信噪比下的分類識別率，圖3所示為CNNA/φ與CNNIQ模型在不同信噪比條件下的模型識別準確率的對比。由圖3可知，在低信噪比條件下，兩種模型識別準確率相差不大，而隨著信噪比逐漸增大，二者的識別準確率均有所提高，在信噪比高于0 dB時，本文方法的識別準確率明顯優(yōu)于CNNIQ。

圖3 不同信噪比條件下模型識別準確率的對比

為了進一步對實驗結(jié)果進行量化比較，表2所示為在3種不同信噪比條件下兩種模型的識別準確率數(shù)值，其中低信噪比為-6～2 dB，中等信噪比為4～10 dB，高信噪比為12～18 dB，其中準確率為多個信噪比下準確率的均值。

由表2可知，提出的CNNA/φ方法在高、中、低3種信噪比條件下一致性地優(yōu)于CNNIQ方法，在中、高信噪比條件下優(yōu)勢尤為明顯，識別準確率分別提高了2.47%和2.26%。而上述性能的提升主要源于信號的幅-相域表征方法的設計，在這種方式下，信號的幅度和相位信息得到了更直接的表達，幅-相域數(shù)據(jù)得到了更進一步地利用，證實了本文算法的有效性。

表2 3種不同信噪比條件下模型識別準確率比較

4.2 識別處理時間

為了衡量單個測試信號的識別時間消耗，實驗中選取了不同大小的批處理大小對將來自8種不同調(diào)制方式的測試樣本進行測試，其中批處理大小的取值為[1, 2, 4, 8,…, 2 048, 4 096],在不同批處理大小下統(tǒng)計處理單個測試樣本的時間(ms)，實驗結(jié)果如圖 4所示。

圖4 不同批處理大小下單個測試樣本的處理時間消耗

由圖4可知，批處理大小對單個測試樣本的時間消耗存在重要的影響，當批處理大小為1的時候，即每次將單個測試樣本輸入模型進行推理，時間消耗最大約為4.5 ms，但是隨著批處理大小逐漸增大，單個測試樣本時間消耗逐漸減小，最終維持在0.1 ms左右，因此每次將多個測試樣本輸入模型進行推理能夠降低單個測試樣本的處理時間。

5 結(jié)論

提出一種基于深度學習的輻射源信號調(diào)制識別算法，通過對輻射源進行二維幅-相域圖像表征，利用卷積神經(jīng)網(wǎng)絡層次化地理解和自動識別電磁信號調(diào)制方式。相比傳統(tǒng)方法，本文算法通過深度學習技術(shù)從大數(shù)據(jù)角度去自動化學習目標的抽象特征，通過多層神經(jīng)網(wǎng)絡結(jié)構(gòu)來進行目標高層特征提取，避免了手工特征設計的困難和信息利用率低的問題。仿真實驗結(jié)果表明，相比于現(xiàn)有基于時域的信號調(diào)制識別算法，本文算法在中、高信噪比下針對數(shù)字型數(shù)字調(diào)制的識別率分別提高了2.5%和2.3%，單信號的識別時間0.1 ms。本文算法在變長、變符號率信號場景下具有一定的局限性，后續(xù)考慮進一步優(yōu)化模型設計來提升算法的適用性。

本文算法作為一種電磁信號智能處理新方法，有利于提高對復雜動態(tài)電磁環(huán)境的認知與適應能力，以及對多類型輻射源的智能分類與識別能力，具有較大實用價值，同時還可以應用于雷達脈內(nèi)分析、雷達指紋識別、通信信號識別等多個潛在領(lǐng)域。