基于卷積神經網絡的調制信號識別算法

邵敏蘭， 周鴻漸， 張浩然

（南京信息工程大學a.總務處；b.教務處；c.電子與信息工程學院，南京210044）

0 引 言

自動調制識別（Automatic Modulation Recognition，AMR）是解調前的一項重要的技術，主要應用于軍事中的電子戰［1］和民用領域中的非法監管。AMR技術還可提高認知無線電［2］和軟件無線電［3］中的頻譜使用效率［4］。研究高效可靠的調制識別技術具有重要學術價值和工程實踐意義。

AMR算法分為兩類：一是基于決策理論的最大似然假設檢驗識別算法，包括廣義似然比、平均似然比和混合似然識別算法［5］；二是基于特征提取的模式識別算法［6］。由于后者的計算量小，所需先驗信息少，所以基于特征提取的模式識別算法被廣泛研究，主要步驟有：數據預處理，特征提取和分類識別。常用的信號特征包括高階累積量［7］、小波特征［8］和信號瞬時特征［9］等。分類識別算法有：支持向量機（Support Vector Machine，SVM）［10］，K最鄰近（K Nearest Neighbor，KNN）［11］和樸素貝葉斯等［12］，這些算法需要進行提取專家特征的過程，且識別準確率較低。因深度學習算法在圖像識別領域中表現出優勢［13］，眾多研究者將其引入各種模式識別的應用場景。深度學習算法中的卷積神經網絡可以高效記憶和學習樣本特征，并且對數據沒有附加的特征提取要求，因此適合應用在調制信號的分類識別中。

利用卷積神經網絡進行自動調制信號識別，主要的工作如下：為符合實際的信號傳輸環境，采用國際標準的調制信號數據集RaidoML2016.10a。將數據集中的信號IQ分量直接作為神經網絡的輸入，避免傳統特征提取的計算步驟；設計兩層卷積層的CNN，增加樣本特征學習的多樣性，減小由網絡深度增加帶來的特征退化。實驗結果表明，本文設計的CNN的識別準確率優于對比的調制信號識別算法。

1 信號模型和累積量特征

1.1 調制信號模型

圖1所示為典型的無線通信系統，其包括發射器、信道和接收器。接收器處的連續時間信號為

圖1 無線通信系統組成

式中：x（t）為按照時間t發送的信號；f（t）為調制類型；符號“?”為卷積操作；h（t）為信道效應；n（t）為加性噪聲。給定接收信號y（t），調制識別旨在預測f（t）的調制類型。

1.2 調制信號的累積量特征

對于一、二階統計量，通常不能用于處理非線性、非高斯性或非最小相位系統相關的信號處理問題。而高階統計量通常被用于解決這些類型的信號處理問題，對比的特征提取算法使用高階累積量作為樣本特征。

令y（n）表示在時間n處的離散時間接收信號，復數值接收信號y（n）的二階統計量可以表示為：C20＝E［y2（n）］和C21＝E［｜y（n）｜n］，其中E（·）是期望函數。本文使用的特征為y（n）的四階統計量。復數值信號y（n）的四階統計量為

式中，C40、C41和C42為四階統計量。具體而言，四階統計量的聯合累積量函數表示為

2 基于卷積神經網絡的調制信號識別

2.1 基于CNN的調制信號識別

在使用CNN模型［14-17］進行調制識別時，由于CNN具有空間特征學習能力，可直接對調制信號的IQ分量進行處理，本節將信號的原始樣本作為網絡的輸入。信號樣本采用國際標準數據集RML2016.10a＿dict［19］。樣本χ由信號的同相和正交分量組成。由于樣本維度較小，本文設計的CNN不采用池化層來進行特征的降維，具體的網絡結構和部分參數如圖2所示。

圖2 基于CNN的調制識別模型

輸入層Input，輸入的樣本大小為2×128。輸入樣本采取補零操作，即在樣本兩側補上零矩陣，以保證樣本的邊緣特征能夠被學習到。網絡第2層為Conv1，卷積核個數為256，對應輸出特征圖通道數也為256。此外，本層卷積核尺寸為1×3，滑動步長為1。激活函數設置為Relu，為更好滿足非線性需求，同時防止訓練陷入局部最小。本層的輸出x1計算式為

式中：xiq為補零后的IQ分量樣本；σ（·）為Relu函數；W1、b1分別為第1層卷積層里的權重和偏置。

網絡的第3層為Conv2，該層卷積核個數為128，卷積核尺寸為2×3，其余設置同卷積層1。這里增大了卷積核的尺寸，是為了學習二維信號特征的關聯性，減少冗余特征，本層輸出的特征圖尺寸較上一層卷積層的1輸出會有所減小。本層的輸出為

網絡的最后兩層為全連接層，第1層全連接層的神經元個數為256，它接收上層輸出的特征。在此之前，需對Conv2輸出的特征圖進行壓平操作得到x′2，即將二維的特征壓平為一維。本全連接層的激活函數也為Relu，輸出的特征尺寸大小為1×256。其輸出的計算過程為

式中：x′2為x2被拉平后的一維特征；Wd1和bd1分別為第1層全連接層里的權重和偏置。

網絡最后的全連接層也為輸出層，激活函數為Softmax，以滿足多分類的目的，神經元個數與分類的類別數相同，這里為信號的類別數11。此處的輸出預測標簽為

式中，ο（·）為Softmax函數。此外，設置網絡中前3層特征提取層的dropout系數為0.5，即同一時刻，只有一半神經元處在激活狀態，防止網絡訓練時發生過擬合現象。

2.2 CNN中激活函數的選擇

Relu函數是當前人工神經網絡中常用的激活函數，它在一定程度上緩解了梯度問題，計算速度非常快。Relu被使用在卷積層和全連接層，可加快模型的收斂速度，提高神經網絡的訓練性能。

網絡輸出層的激活函數為Softmax，也稱為歸一化指數函數。它是深度學習中非常普遍且重要的一種函數。Softmax常用于多分類過程，將多個神經元的輸出映射到（0，1）間隔中，并將其理解為計算多分類的概率。其工作原理可解釋為某種類型的特征加權，將這些特征轉換為確定這種類型的可能性。涉及信號分類識別問題，在CNN中，最后一層全連接層使用Softmax激活函數進行分類識別，最終輸出的是每個信號的概率。

2.3 識別準確率評價指標

準確率計算公式為

式中：n為樣本數；＾yi為第i個樣本的預測標簽；yi為第i個樣本的真實標簽。

3 實驗與分析

3.1 數據集

實驗中，使用了RadioML2016.10a數據集作為輸入數據，該數據集是目前調制識別研究中常被使用的數據樣本，有關生成此數據集的詳細信息可以在文獻［19］中找到。該數據集包含11種調制信號類型，為8種數字調制和3種模擬調制，它們為BPSK、QPSK、8PSK、16QAM、64QAM、BFSK、CPFSK和4PAM數字調制信號，以及WBFM、AM-DSB和AM-SSB 3種模擬調制信號。該數據集是利用開源軟件無線電平臺GNU Radio生成，在產生過程中除了采用了大量真實語音信號，采用了GNU Radio中動態信道模型模擬信道效應，包括頻率偏、相位偏、高斯白噪聲和頻率選擇性衰落等。具體數據集的參數見表1。

表1 RaidoML2016.10a數據集的相關參數

3.2 CNN的識別準確率

實驗中，將數據集220 000個樣本劃分為訓練集和測試集，各占樣本總量的80%和20%。實驗使用tensorflow作為后端，使用keras庫搭建神經網絡訓練，并基于Nvidia GEFORCE GTX1050Ti圖形處理器進行神經網絡的計算。使用的優化算法為Adam［20］，Adam優化算法是改進的隨機梯度下降算法，是Momentum算法和RMSprop算法的結合體。網絡的損失函數設置為交叉熵損失函數，它刻畫的是網絡輸出概率與實際輸出概率的距離，即交叉熵越小，兩者概率分布越接近。在實驗環境配置完畢后，將樣本輸入設置好參數的兩種網絡中，先后進行訓練與測試，分別得到識別結果。CNN的識別準確率隨信噪比的變化，如圖3所示。

可見，CNN算法的識別準確率均隨著信噪比的增加而逐漸增高。在信噪比為－20～－14 dB時，算法的識別準確率在10%左右。當信噪比高于－4 dB時，CNN的準確率開始高于60%。當信噪比為－2 dB時，CNN的識別準確率約為70%。當信噪比在6～18 dB時，CNN的識別準確率都趨于平緩。當信噪比為18 dB時，CNN的識別準確率為78.5%。

3.3 不同算法的對比

將CNN與兩種特征提取的調制識別算法進行對比。特征提取的調制識別算法使用的信號專家特征為1.2節中提到的四階累積量特征。對比的是SVM和KNN兩種算法，準確率對比如圖3所示。

圖3 CNN與SVM、KNN的識別準確率對比

可見，在信噪比為－20～－16 dB時，CNN、SVM以及KNN算法的識別準確率均在10%左右。隨著信噪比的增加，3種算法的識別準確率均呈現增高的趨勢。其中，CNN的識別準確率增長最快。在信噪比為0 dB時，CNN的識別率值則最高，為75%，而SVM和KNN的識別準確率低于25%。在信噪比為2 dB時，SVM和KNN的識別準確率呈現陡然上升趨勢。當信噪比增加至4 dB之后，3種算法的識別準確率均趨于平緩狀態，CNN比SVM的準確率高出約17%，比KNN的準確率高出約20%。在信噪比為18 dB時，CNN的識別率為78.5%，SVM為66.6%，KNN為67.0%。可見，特征提取的調制識別算法幾乎在所有信噪比下識別準確率都低于卷積神經網絡。說明，卷積神經網絡的調制識別算法不僅可以避免特征提取的計算步驟，還取得優異的識別性能。

3.4 CNN識別結果的混淆矩陣

針對RML2016.10a數據集中多種調制類型，進一步研究CNN的識別性能，利用混淆矩陣來觀察每個類型的識別情況。混淆矩陣的橫坐標為樣本的網絡預測信號類型（預測標簽），縱坐標為這些樣本的實際信號類型（真實標簽）。圖4為CNN在信噪比為－18 dB時的識別結果混淆矩陣。

圖4 在信噪比為－18 dB時CNN的混淆矩陣

在混淆矩陣的網格中，每格中的數字表示樣本數量。以圖4為例，對于縱坐標為8PSK的這一行數據，對應到橫坐標可見：網絡將8PSK正確預測為8PSK的樣本數量只有5個，而將8PSK預測為AM-SSB的樣本數量為191個，出現了嚴重的混淆。說明由于低信噪比的影響，CNN的識別準確率較差，對任意種類的信號都難以識別。

圖5為CNN在信噪比為0 dB時的識別結果混淆矩陣。圖5表明，CNN對大部分信號類型都能進行準確識別，而對于AM-DSB和WBFM，16QAM和64QAM的識別效果較差。因為生成數據集時，觀測窗口小，信息率低，信息之間關聯性小，所以難以區分AM-DSB和WBFM。而對于16QAM和64QAM，這兩種信號的IQ信息相似，也難以進行分類識別。另外，在0dB情況，QPSK和8PSK兩種信號也有較少的混淆。

圖5 在信噪比為0 dB時CNN的混淆矩陣

圖6為CNN在信噪比為18 dB時的識別結果混淆矩陣。圖6表明，在信噪比為18 dB時，CNN對BPSK信號的識別準確率較0 dB時有少許的提高，對于AM-DSB和WBFM，16QAM和64QAM的識別，CNN表現的效果仍然較差，而對于其他類型信號，CNN取得了較好的識別性能。

圖6 在信噪比為18 dB時CNN的混淆矩陣

4 結 語

針對基于特征提取的調制信號識別算法準確率不高的問題，本文采用卷積神經網絡（CNN）用于調制信號的識別。卷積神經網絡可以直接對二維樣本進行特征學習，避免專家特征計算過程，直接將調制信號的IQ分量作為網絡輸入。利用卷積層提取空間特征，還能學習到樣本的時序特征。本文采用國際標準數據集，其中的信號受多種信道效應影響，接近真實通信環境。仿真結果表明，在信噪比大于－16 dB情況下，CNN的調制信號識別準確率遠遠高于SVM和KNN，說明基于卷積神經網絡的調制識別算法不僅可以避免人工提取專家特征，而且在性能上也有很大的優勢。