基于深度學(xué)習(xí)的單多載波信號(hào)識(shí)別方法*

杜志毅，李保國(guó)，張澄安，徐 強(qiáng)

（國(guó)防科技大學(xué)，湖南 長(zhǎng)沙 410073）

0 引言

正交頻分復(fù)用技術(shù)（Orthogonal Frequency Division Multiplexing，OFDM）是一種在通信領(lǐng)域有著廣泛應(yīng)用的多載波調(diào)制技術(shù)。隨著通信技術(shù)的迅猛發(fā)展，在復(fù)雜電磁環(huán)境下，信號(hào)調(diào)制方式識(shí)別對(duì)信號(hào)的后續(xù)處理解調(diào)顯得十分關(guān)鍵與緊迫。

OFDM 信號(hào)是一種多載波調(diào)制信號(hào)，這導(dǎo)致其識(shí)別過(guò)程與其他單載波調(diào)制信號(hào)不同。識(shí)別OFDM信號(hào)首先需要確定接收到的信號(hào)是單多載波信號(hào)中的哪一種，因?yàn)檫@是解調(diào)OFDM 信號(hào)過(guò)程的先決條件，也為識(shí)別其他單載波信號(hào)提供了幫助。

現(xiàn)有關(guān)于調(diào)制識(shí)別的大多數(shù)技術(shù)一般都是基于特征提取和機(jī)器學(xué)習(xí)分類(lèi)算法[1-2]。但這些方法多數(shù)為模型驅(qū)動(dòng)，需要對(duì)信號(hào)進(jìn)行預(yù)處理，其適應(yīng)信道環(huán)境單一，因此在復(fù)雜信道環(huán)境時(shí)識(shí)別性能較差。另外因?yàn)閭鹘y(tǒng)的特征提取方法是基于統(tǒng)計(jì)資料[3]，所以分類(lèi)結(jié)果易受環(huán)境變化影響。然而，基于機(jī)器學(xué)習(xí)的調(diào)制識(shí)別方法也是需要人為提取信號(hào)的特征，不能像深度學(xué)習(xí)方法自主提取出信號(hào)特征。所以這些方法在復(fù)雜信道環(huán)境下識(shí)別準(zhǔn)確率不會(huì)很高。

深度學(xué)習(xí)的方法[4-5]被認(rèn)為是突破性能瓶頸的有效方法[6]。在此基礎(chǔ)上，本文提出了一種基于改進(jìn)的ResNet 深度學(xué)習(xí)網(wǎng)絡(luò)的調(diào)制識(shí)別方法（Improved ResNet based Modulation Classification method，IRMC）。IRMC 采用了縮放指數(shù)型線性單元SeLU 激活函數(shù)來(lái)對(duì)抗Dead ReLU 的問(wèn)題，并且降低了卷積核的大小，大大減少了運(yùn)算的復(fù)雜度。實(shí)現(xiàn)了單載波信號(hào)和OFDM 信號(hào)的有效區(qū)分。

本文以下內(nèi)容共分為4 個(gè)部分：第1 節(jié)介紹系統(tǒng)模型和OFDM 信號(hào)模型；第2 節(jié)介紹識(shí)別算法；第3 節(jié)給出仿真結(jié)果，通過(guò)不同方法之間的性能對(duì)比來(lái)驗(yàn)證本文提出方法的可行性；第4 節(jié)對(duì)本文進(jìn)行總結(jié)。

1 系統(tǒng)模型

1.1 系統(tǒng)結(jié)構(gòu)

圖1 展示了OFDM 信號(hào)識(shí)別的系統(tǒng)架構(gòu)。信號(hào)源的信息通過(guò)OFDM 調(diào)制轉(zhuǎn)換為OFDM 信號(hào)，通過(guò)信道進(jìn)行傳輸。本文設(shè)置了以下3 種信道環(huán)境進(jìn)行實(shí)驗(yàn)：高斯信道、多徑信道與復(fù)雜萊斯多徑衰落信道。

圖1 OFDM 信號(hào)識(shí)別系統(tǒng)結(jié)構(gòu)

本文采用信號(hào)的同向正交IQ 序列進(jìn)行識(shí)別，考慮接收到的信號(hào)經(jīng)過(guò)下變頻和匹配濾波得到基帶復(fù)信號(hào)，IQ 序列則分別代表接收到信號(hào)為2×K大小的實(shí)值矩陣：

1.2 OFDM 信號(hào)產(chǎn)生

OFDM 系統(tǒng)的原理框圖如圖2 所示。

圖2 OFDM 系統(tǒng)原理

OFDM 系統(tǒng)主要是源于多載波調(diào)制與模擬調(diào)制的頻分復(fù)用技術(shù)。在連續(xù)信號(hào)模型中，某個(gè)頻率值為fk的信號(hào)?(t)為：

式（2）中，fk=f0+k?f，f0是初始頻率，?f是頻率間隔，Xk是頻率fk處的幅度。累加N個(gè)頻率上的值得到式（3）：

假定t=nTs，對(duì)式（3）進(jìn)行采樣周期Ts的采樣則實(shí)部和虛部如式（4）所示：

令f0=0，?f=1/nTs，式（5）則為：

式（5）中，增加系數(shù)1/N使離散化后信號(hào)功率恒定。該式即為OFDM 基帶調(diào)制信號(hào)的表達(dá)式。

2 識(shí)別算法

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

本文使用的深度學(xué)習(xí)網(wǎng)絡(luò)是在經(jīng)典深度殘差網(wǎng)絡(luò)（Deep Residual Networks，ResNet）模型[7]上進(jìn)行改進(jìn)的，將除了第一個(gè)Residual Stack 單元之外的其余Residual Stack 單元中卷積核設(shè)置為3×1 大小，這樣可以大大減少參數(shù)數(shù)量。

模型的結(jié)構(gòu)如圖3 所示，其中Residual Unit 就是殘差網(wǎng)絡(luò)中的殘差塊，即ResNet 原始單元結(jié)構(gòu)，由線性卷積層、卷積層ReLU 激活函數(shù)與跳躍連接（即恒等映射）組成，能夠很好地防止由網(wǎng)絡(luò)層數(shù)增加而導(dǎo)致的退化及梯度彌散問(wèn)題。

另外在殘差塊的基礎(chǔ)上，構(gòu)建了Residual Stack單元。每個(gè)Stack 單元包括一個(gè)卷積核大小為1×1的卷積層，用于channel 維度上的計(jì)算，此外還包含兩個(gè)殘差塊，以及一個(gè)最大池化層（Max Pooling）來(lái)減少特征圖尺寸。在整個(gè)模型中一共包含6 個(gè)Residual Stack 單元，數(shù)據(jù)每經(jīng)過(guò)一個(gè)Residual Stack 單元維度減半。模型中所有卷積層的卷積核數(shù)量均為32，卷積核大小3×2。

圖3 IRMC 網(wǎng)絡(luò)模型結(jié)構(gòu)

本文所提出IRMC 網(wǎng)絡(luò)參數(shù)表如表1 所示。

表1 IRMC 網(wǎng)絡(luò)參數(shù)

輸入為2×1 024 大小的同向正交IQ 序列，通過(guò)6 個(gè)Residual Stack 單元后輸出為32×16 大小的特征圖，最后經(jīng)過(guò)全連接層輸出分類(lèi)結(jié)果。網(wǎng)絡(luò)中Residual Stack 單元都是使用ReLU 激活函數(shù)，最后的全連接輸出層采用Softmax 激活函數(shù)，值得注意的是兩層全連接層并沒(méi)有采用ReLU 激活函數(shù)，而是使用了縮放指數(shù)型線性單元SeLU 激活函數(shù)[8]，其表達(dá)式如下：

SeLU 激活函數(shù)帶有自歸一化屬性，可以歸一化映射前后的兩層神經(jīng)網(wǎng)絡(luò)的均值和方差。其相比于ReLU 激活函數(shù)不會(huì)產(chǎn)生Dead ReLU 的問(wèn)題，輸出均值接近0（zero-centered）。

經(jīng)實(shí)驗(yàn)測(cè)試發(fā)現(xiàn)在信號(hào)調(diào)制識(shí)別這種計(jì)算量不是很大的情況下，表現(xiàn)比ReLU 激活函數(shù)優(yōu)異。網(wǎng)絡(luò)優(yōu)化過(guò)程中，采用Adam 算法進(jìn)行網(wǎng)絡(luò)參數(shù)的最優(yōu)解求解。

2.2 數(shù)據(jù)集制作

本節(jié)主要介紹訓(xùn)練樣本集的生成，圖4 為本文樣本集構(gòu)造流程。為使樣本足夠豐富多樣，本文設(shè)置了3 種信道環(huán)境進(jìn)行數(shù)據(jù)集的制作。在研究初期，為了更好地控制信號(hào)的質(zhì)量，信號(hào)集利用MATLAB平臺(tái)產(chǎn)生。

圖4 樣本集構(gòu)造流程

2.2.1 特定調(diào)制模式與隨機(jī)比特?cái)?shù)據(jù)

仿真數(shù)據(jù)集為2×1 024 大小的IQ 序列，本文所需識(shí)別的調(diào)制類(lèi)型集包含單載波信號(hào)與多載波信號(hào)即OFDM 信號(hào)兩個(gè)種類(lèi)，其中單載波信號(hào)包含以下11 種常見(jiàn)單載波信號(hào)，按順序分別為：BPSK、QPSK、8PSK、QAM16、2FSK、MSK、FM、AM、ASK2、FSK4、OQPSK。信號(hào)碼元由MATLAB 生成隨機(jī)比特?cái)?shù)據(jù)進(jìn)行調(diào)制。

OFDM 信號(hào)采用IEEE802.11a 標(biāo)準(zhǔn)產(chǎn)生[9]，載波數(shù)目有52 個(gè)，其中4 個(gè)作為導(dǎo)頻，48 個(gè)作為數(shù)據(jù)子載波。采用20 MHz 信道帶寬，OFDM 符號(hào)持續(xù)時(shí)間為4 μs，保護(hù)間隔為0.8 μs，占用帶寬16.6 MHz。

2.2.2 標(biāo)準(zhǔn)信號(hào)的生成

數(shù)字信號(hào)中心頻率在902 MHz，模擬信號(hào)中心頻率在100 MHz，脈沖成型濾波器采用根升余弦成型濾波器（rcosdesign 函數(shù)），其滾降系數(shù)為0.35，初始相位在0～2π 范圍內(nèi)隨機(jī)選擇，采樣頻率是200 kHz，每個(gè)符號(hào)采樣點(diǎn)數(shù)為8，單個(gè)樣本長(zhǎng)度為1 024，每一幀長(zhǎng)度為1 024/8=128。OFDM 信號(hào)子載波調(diào)制方式為BPSK、QPSK、8PSK、16QAM 這4 種隨機(jī)。

2.2.3 信道環(huán)境

信道環(huán)境為3 種，第一種為理想高斯白噪聲信道，第二種考慮簡(jiǎn)單多徑信道（多徑幅度為[1 0.2 0.1]，多徑時(shí)延為[0 20 50]），第三種為復(fù)雜萊斯多徑衰落信道考慮了采樣率偏移，中心頻率偏移（MaximumClockOffset=5），最大多普勒頻移（MaximumDopplerShift=4），萊斯多徑衰落信道（平均路徑增益=[0 -2 -10]dB，延遲分布=[0 1.8 3.4]）。

信噪比范圍為0～20 dB，步進(jìn)為2，單載波信號(hào)每種調(diào)制方式在每種信噪比下樣本數(shù)目為400個(gè)，樣本數(shù)48 400 個(gè)，多載波信號(hào)在每種信噪比下樣本數(shù)目為4 400 個(gè)，樣本數(shù)48 400 個(gè)，總樣本數(shù)共計(jì)96 800 個(gè)。

3 性能測(cè)試與分析

深度學(xué)習(xí)的環(huán)境語(yǔ)言配置為Python 3.7，TensorFlow 1.14.0，Keras 2.3.1，計(jì)算機(jī)設(shè)備為CPU:E5-2630，GPU:2080T。

整個(gè)數(shù)據(jù)隨機(jī)（固定隨機(jī)種子）將其劃分為訓(xùn)練集和測(cè)試集，比例為8:2。批尺寸batch size 為64。本文中定義的調(diào)制識(shí)別性能識(shí)別率為：

3.1 識(shí)別結(jié)果

本文采用Walter Akmouche[10]的經(jīng)典算法作為傳統(tǒng)方法進(jìn)行對(duì)比，該算法利用4 階高斯累積量進(jìn)行單多載波識(shí)別。首先在最為理想的情況下，直接仿真產(chǎn)生單載波基帶信號(hào)無(wú)需進(jìn)行采樣濾波操作，經(jīng)過(guò)高斯白噪聲信道后就進(jìn)行識(shí)別。其結(jié)果如圖5所示，在這種情況下傳統(tǒng)方法的識(shí)別率較高，在4 dB 時(shí)OFDM 信號(hào)的識(shí)別率能夠達(dá)到90%，而本文則是采用的是實(shí)際應(yīng)用中的信號(hào)生成流程。

圖5 單多載波識(shí)別-OFDM 信號(hào)識(shí)別率（理想情況）

如圖6 所示，對(duì)于同樣的高斯白噪聲信道，傳統(tǒng)方法在面對(duì)采用標(biāo)準(zhǔn)信號(hào)生成流程產(chǎn)生的信號(hào)時(shí)識(shí)別率有了明顯的下降，在13 dB 的情況下才達(dá)到90%的識(shí)別率。

這是因?yàn)樾盘?hào)經(jīng)過(guò)上采樣與成型濾波后，信號(hào)的高階累計(jì)量特性會(huì)發(fā)生一定的變化，導(dǎo)致其穩(wěn)定性下降，即使在20 dB 的高信噪比條件下，其識(shí)別率也只能達(dá)到95%，而不是100%。但這并沒(méi)有影響到IRMC 的識(shí)別性能，依舊在0 dB 時(shí)就達(dá)到100%的識(shí)別率。

圖6 單多載波識(shí)別-OFDM 信號(hào)識(shí)別率（實(shí)際情況）

對(duì)于簡(jiǎn)單的多徑信道，傳統(tǒng)方法識(shí)別率有所下降，IRMC 方法則沒(méi)有造成明顯的影響，識(shí)別率與高斯白噪聲信道相差無(wú)幾。而對(duì)于復(fù)雜的萊斯多徑信道，兩種方法的識(shí)別率均出現(xiàn)了明顯的下降，這是因?yàn)樾诺乐刑砑拥母蓴_所造成的。IRMC 識(shí)別率雖然有了大幅度的下降，但傳統(tǒng)方法在20 dB 時(shí)只能達(dá)到87%的正確識(shí)別率，對(duì)比傳統(tǒng)方法有還是有明顯提升。

在三種信道環(huán)境下，IRMC 的識(shí)別效果都要好于傳統(tǒng)方法。這是因?yàn)閭鹘y(tǒng)方法只是通過(guò)高階累積量來(lái)進(jìn)行單多載波識(shí)別，易受到信道環(huán)境的影響導(dǎo)致識(shí)別率下降。而深度學(xué)習(xí)的方法不是通過(guò)單一特征進(jìn)行識(shí)別，深度學(xué)習(xí)網(wǎng)絡(luò)可以通過(guò)卷積層得到許多關(guān)于信號(hào)的特征，利用提取出的所有特征進(jìn)行識(shí)別分析，所以在應(yīng)對(duì)復(fù)雜的信道變化時(shí)，比單一使用高階累計(jì)量進(jìn)行識(shí)別的傳統(tǒng)方法表現(xiàn)要更加優(yōu)異。

本文以85%識(shí)別率的情況下，IRMC 相比于傳統(tǒng)方法的信噪比增益來(lái)量化識(shí)別性能的優(yōu)劣。綜上所述，復(fù)雜萊斯多徑信道上IRMC 相比于傳統(tǒng)方法在85%識(shí)別率下能夠達(dá)到10 dB 的信噪比增益。

3.2 泛化性檢測(cè)

深度學(xué)習(xí)的泛化性不強(qiáng)一直是亟待解決的問(wèn)題，為驗(yàn)證IRMC 的泛化性能力，本文對(duì)復(fù)雜信道環(huán)境中的不同參數(shù)進(jìn)行調(diào)整，通過(guò)調(diào)整后的數(shù)據(jù)集對(duì)模型進(jìn)行測(cè)試。結(jié)果如圖7 所示，改變信道的5 種參數(shù)分別為：采樣率（200 MHz 變?yōu)?50 MHz）、多普勒頻移（4 變?yōu)?）、平均路徑增益（[0 -2 -10]dB變?yōu)閇0 -5 -15]dB）、時(shí)鐘偏移（5 變?yōu)?）、信道路徑延遲（[0 1.8 3.4]變?yōu)閇0 3.5 6]）。可以看出在改變信道參數(shù)環(huán)境后，識(shí)別率有所下降，但下降幅度較小，在5 dB 時(shí)識(shí)別率下降最大，但也僅下降了5%。可以得出結(jié)論，本文提出的IRMC 在單多載波識(shí)別上有著較好的泛化性能，可以適應(yīng)信道環(huán)境的變化。

圖7 深度學(xué)習(xí)泛化性對(duì)比

3.3 算法時(shí)間對(duì)比度分析

表2 給出了不同算法對(duì)目標(biāo)信號(hào)識(shí)別的時(shí)間復(fù)雜度，實(shí)驗(yàn)結(jié)果是對(duì)20 000 個(gè)樣本的識(shí)別時(shí)間進(jìn)行統(tǒng)計(jì)平均得出的。表中顯示，傳統(tǒng)方法的時(shí)間復(fù)雜度是低于深度學(xué)習(xí)方法的，這是因?yàn)槿斯ぬ卣魈崛∈怯兄笇?dǎo)性的，而深度學(xué)習(xí)方法則需要自主學(xué)習(xí)。但現(xiàn)在GPU 并行運(yùn)算能力大幅提高，可以并行完成神經(jīng)網(wǎng)絡(luò)運(yùn)算，所以深度學(xué)習(xí)方法可以通過(guò)并行計(jì)算減小計(jì)算開(kāi)銷(xiāo)從而提高計(jì)算速度，最終實(shí)現(xiàn)快速運(yùn)算。

表2 不同算法信號(hào)識(shí)別過(guò)程的時(shí)間復(fù)雜度

另外對(duì)比經(jīng)典的ResNet 網(wǎng)絡(luò)[7]，IRMC 的信號(hào)識(shí)別過(guò)程時(shí)間有著明顯的降低。這是因?yàn)镮RMC 單元中卷積核設(shè)置為3×1 大小，大大減少了參數(shù)數(shù)量。總體可以看出，本文提出算法的運(yùn)行時(shí)間在毫秒級(jí)別。雖然高于傳統(tǒng)方法，但相較于經(jīng)典ResNet網(wǎng)絡(luò)有著明顯降低，可以滿(mǎn)足實(shí)時(shí)處理的要求。

4 結(jié)語(yǔ)

本文提出了一種基于改進(jìn)的ResNet 深度學(xué)習(xí)網(wǎng)絡(luò)的調(diào)制識(shí)別方法（IRMC），較好地解決了傳統(tǒng)方法需要預(yù)處理和在復(fù)雜信道環(huán)境下識(shí)別性能較差的問(wèn)題。仿真實(shí)驗(yàn)表明，本文提出的方法應(yīng)用于單多載波識(shí)別上，能夠明顯提高識(shí)別性能，在多種信道環(huán)境下都有著優(yōu)于傳統(tǒng)方法的識(shí)別效果。IRMC 僅利用信號(hào)的IQ 序列進(jìn)行學(xué)習(xí)分類(lèi)，降低了卷積核的大小，大大減少了運(yùn)算的復(fù)雜度，算法時(shí)間可以滿(mǎn)足實(shí)時(shí)性處理的需求，是有效可行的。