基于VGG16卷積神經網絡的5G高噪調制識別技術

封 晨 紀騰飛 楊 琳

（天津光電通信技術有限公司，天津 300211）

0 引言

隨著人工智能與信息技術的發展，傳統的數字調制識別技術遠不能滿足當代5G通信的需求，如何在低信噪比下提高數字調制識別率成為信號處理領域的一個研究熱點。

國內專家學者在非協作通信的條件下，利用卷積神經網絡自動學習各種數字調制信號的星座圖特征，并對4-正交振幅調制（4-Quadrature Amplitude Modulation，4QAM）、16-正交振幅調制（16-Quadrature Amplitude Modulation，16QAM）和64-正交振幅調制（64-Quadrature Amplitude Modulation，64QAM）3種典型的數字調制方式進行仿真試驗。王建新等人利用盲均衡技術克服信道的多徑效應與系統同步誤差，對信號減法聚類，將提取聚類中心與理想星座圖模型進行匹配，實現識別多進制振幅鍵控（M-Ary Amplitude Shift Keying，MASK）、多進制相移鍵控（M-Ary Phase Shift Keying，MPSK）以及多進制正交振幅調制（M-Ary Quadrature Amplitude Modulation，MQAM）等調制功能。史蘊豪等人采用VGG16深度卷積神經網絡提取信號小波變換后的系數圖像特征，利用自編碼器對高維特征進行降維處理，引入域適應技術提高待測信號識別的準確率。徐旭東等人對VGG16卷積神經網絡進行遷移，完成特征提取任務，改善了網絡的泛化能力，與后向傳播（Back Propagation，BP）神經網絡相比，其識別準確率有所提高。

雖然以上研究人員改進了數字通信調制識別技術，但是在實際工程應用中，信道電磁環境極其復雜，識別率會比理想情況低。因此，需要結合其他領域的相關技術來提高識別率，以滿足工程應用的實際需求。

1 數字調制識別

數字調制識別一直是信號截獲處理方面的熱點話題，也是信號篩選和解調的基礎，在通信對抗中具有重要意義。數字調制識別位于數字通信系統的接收端，在信號解調前須對信號的調制類型進行識別。通過提取接收端信號的某種特征來識別數字調制信號，從而選擇合適的分類器對信號分類進行識別，進而根據識別的調制方式選擇相應的解調器進行解調，以恢復原始信號。

在5G-新射頻（New Radio，NR）通信場景中，數字調制方式更豐富，主要包括載波的相位改變、幅度不變的二進制相移鍵控（π/2-Binary Phase Shift Keying，π/2-BPSK）和四進制相移鍵控（Quaternary Phase Shift Keying，QPSK）的PSK調制方式以及載波相位和幅度均改變的16QAM、64QAM和256QAM等QAM調制方式。其中，下行鏈路支持的調制方式主要為QPSK、16QAM、64QAM及256QAM，上行鏈路支持的調制方式包括2種：對（正交頻分復用Orthogonal Frequency Division Multiplexing，OFDM）+循環前綴（Cycle Prefix，CP）來說，調制方式主要為QPSK、16QAM、64QAM及256QAM。對離散傅里葉變換擴頻的正交頻分復用（Orthogonal Frequency Division Multiplexing with Discrete Fourier Transform Spread Spectrum，DFT-S-OFDM）+CP來說，調制方式主要為π/2-BPSK、QPSK、16QAM、64QAM及256QAM。

2 VGG16卷積神經網絡

2.1 VGG16網絡結構

根據卷積核大小和卷積層數可以將VGG網絡模型分為A、A-局部有響應正則化（A-Local Responsive Regularization，A-LRN）、B、C、D和E共6個卷積神經網絡配置（Convolutional Net -Configuration，ConvNet- Configuration）。其中，D、E配置較為常用，分別為VGG16和VGG19。由于5G數字調制方式僅涉及5種，因此采用結構簡單、層數較少的VGG16網絡進行分析。

VGG16卷積神經網絡模型包括13個卷積層、3個全連接層及5個池化層。其中，卷積層和全連接層具有權重系數，因此也稱權重層（池化層不涉及權重，因此不屬于權重層，不被計數）。

由圖1可知，VGG16網絡模型由若干卷積層和池化層堆疊而成，并且具有簡單的模型結構（卷積層均采用相同的卷積核參數，池化層均采用相同的池化參數）。

圖1 VGG16卷積神經網絡模型Model_Init

2.2 VGG16調制識別算法

基于VGG16卷積神經網絡實現5G高噪背景下的調制識別，設計算法如下。

步驟1，制作5G高噪數字調制星座圖數據集；步驟2，星座圖數據集預處理；步驟3，基于Tensorflow 2.0平臺搭建VGG16卷積神經網絡模型Model；步驟4，設定識別率閾值；步驟5，設置迭代次數，基于Kfolder方法對星座圖數據集進行交叉訓練；步驟6，訓練識別率滿足閾值時訓練完成，保存訓練模型Model并進行測試；步驟7，測試識別率滿足閾值時測試完成，保存最終模型Model并統計各調制方式識別率。

步驟1的詳細描述如下。

基于種數字通信調制原理，每種數字調制方式制作個無噪星座圖數據集，如公式（1）所示。

式中：Δ為第種調制方式的第個星座圖。

確定低信噪比種類，如公式（2）所示。

為數據集添加種信噪比，得到最終的帶噪星座圖數據集，如公式（3）所示。

式中：λΔ為給第種調制方式的第個星座圖添加第種信噪比。

步驟2的詳細描述如下。

為提高星座圖的識別率，將帶噪星座圖數據集預處理為背景黑色，星座點綠色的新星座圖數據集為。由步驟1中的公式（3）可知，中的星座圖數量共計張，按照信噪比分類均勻提出80%的作為訓練驗證集α，20%的作為測試集。

步驟5的詳細描述如下。

設置迭代次數，如公式（4）所示。

式中：為設置的最高迭代次數。

基于Kfolder交叉驗證法，將訓練驗證集打亂后平均分成份，如公式（5）所示。

每次從中拿出β（1≤≤）用于驗證，其他數據集用于訓練。

3 仿真及驗證

制作5G高噪背景下數字調制星座圖數據集。

基于π/2-BPSK、QPSK、16QAM、64QAM及256QAM等5種數字通信調制原理，每種數字調制方式制作1 000個無噪星座圖數據集，如公式（6）所示。

確定低信噪比種類，如公式（7）所示。

式中：-6dB: 3dB: 12dB為初始信噪比為-6 dB，以3 dB為步長遞增，最大信噪比為12 dB。為數據集添加7種信噪比得到最終的帶噪星座圖數據集，如公式（8）所示。

如圖2所示，為提高星座圖的識別率，將帶噪星座圖數據集預處理為背景黑色，星座點綠色的新星座圖數據集為。

圖2 添加0 dB高斯白噪聲預處理后的星座圖

中的星座圖數量共計510007=35000張，按照信噪比分類均勻提出80%的（共計350000.8=28000張）作為訓練驗證集，20%的α_new（共計350000.2=7000張）作為測試集；設定識別率閾值=90%，設置迭代次數，如公式（9）所示。

基于Kfolder交叉驗證法，將訓練驗證集打亂后平均分成5份，如公式（10）所示。

每次從中拿出β（1≤≤5）用于驗證，其他數據集用于訓練。

由于預處理星座圖數據為圖像數據集，計算機在仿真推理時的耗時將會增加，因此，為了更高效地測試算法模型VGG16的有效性，制定少量的數據集進行模擬訓練。為避免出現欠擬合情況，根據工程經驗，將訓練驗證集數據分為5份，每次讓模型在其他4份數據上訓練，剩下1份進行驗證。最后取5次驗證分數的平均數，盡可能客觀地評價算法模型的性能，從而充分利用現有的預處理星座圖數據集。采用Kfolder-5次交叉訓練驗證的模型精確率（包括訓練精確率、驗證精確率）與損耗（包括訓練損耗、驗證損耗）曲線如圖3、圖4所示。

圖3 Kfolder-5次交叉訓練驗證識別率η曲線

圖4 Kfolder-5次交叉訓練驗證損耗Loss曲線

由圖3可知，經過5次交叉訓練取平均后發現，模型精確率在第一輪迭代時逐漸平緩向上至98.25%，在第二、第三輪迭代訓練后，模型精確率出現小幅波動±2.5%，而經過最后兩輪的迭代訓練，模型精確率逐漸趨向收斂，訓練與驗證精確率達到了理想的100%。訓練數據集多次對模型進行迭代訓練，發現在第三輪迭代時，驗證集的精確率要遠高于訓練精確率，證明VGG16模型在第三輪迭代中期逐漸趨于可靠。由圖4可知，經過一輪迭代，損耗值逐漸平緩衰減到0.01，第二輪迭代后，損耗值收斂至0.000 1。因此，考量模型精確率與損耗值的收斂情況，驗證了VGG16算法模型的可靠性。

采用Kfolder方法訓練模型，可提高模型的泛化能力，訓練識別率滿足閾值，保存訓練模型Model并進行測試；將測試集中-6 dB~12 dB下經π/2-BPSK、QPSK、16QAM、64QAM及256QAM預處理后的星座圖集送入訓練好的模型Model，測試不同分貝下各調制方式的識別率。

當測試識別率滿足閾值時測試完成，保存最終模型Model并統計各調制方式識別率。

如圖5所示，π/2-BPSK、QPSK、16QAM、64QAM及256QAM的識別率與信噪比成正比，綜合5種調制方式的識別率發現，經訓練后的VGG16算法模型對π/2-BPSK調制方式較為敏感，整體識別率較高，而對16QAM調制方式不太敏感，整體識別率較低。作為5G高速通信的256QAM調制方式，模型對其具有很好的識別效果。當低信噪比大約為3 dB時，5G通信各調制方式均能達到90%以上。驗證了VGG16卷積神經網絡技術在高噪環境下提高5G調制識別準確率的可行性。

圖5 5G通信各數字調制方式識別率η

4 結語

通過VGG16卷積神經網絡對模擬的5G高噪調制數據集進行分類識別，當信噪比為3 dB時，5種調制方式的識別率均達到了90%以上。因此，基于深度學習技術可提高5G低信噪比下多種數字調制方式的識別率，有利于對各種通信信號進行有效識別。此外，還可以監測低信噪比無線電，避免非法電臺占用有效通信頻帶。