基于結合策略的自動調制識別協作模型

馬圣雨，石 堅，宋逸杰，陳麗萍，高 巖

（1.河南理工大學 計算機科學與技術學院，河南 焦作 454000；2.嘉興南湖學院 圖書館；3.嘉興學院 信息網絡與智能研究院，浙江 嘉興 314000；4.江西理工大學 理學院，江西 贛州 341000）

0 引言

在頻譜監測和電子對抗等領域中，自動調制識別（Automatic Modulation Recognition，AMR）作為信號檢測和解調之間的關鍵步驟，無需先驗信息即可在接收端接收并識別出未知信號調制方式［1-2］。高效精準、穩定可靠的調制識別方法對未來日益復雜的通信環境具有重大意義。

早期的調制識別技術受限于科技水平，因此以人工提取特征的方式為主［3-8］，這類傳統方法需要較多的先驗信息，在使用上限制較大。基于深度學習（Deep Learning，DL）的AMR 方法，采用網絡的非線性處理單元，直接從原始信號中獲取深層次特性。O’Shea 等［9］在2016 年首次將深度學習技術運用于調制識別，利用卷積神經網絡（Convolutional Neural Network，CNN）有效區分出了11 種調制方式，并在分類性能上取得了優于傳統方法的效果。West等［10］對不同的深度神經網絡進行對比分析，發現網絡深度對識別精度影響有限。Zhang 等［11］在多通道神經網絡中同時饋入同相正交（In-Phase and Quadrature，IQ）信號數據和四階累積量以補充通過網絡學習到的信息特征，有效改善了CNN 和長短期記憶網絡（Long Short-Term Memory，LSTM）的分類能力。Ramjee 等［12］針對各種經典神經網絡進行分析，并通過子采樣技術對數據特征降維，降低訓練復雜性。Qi 等［13］通過深度殘差網絡（Deep Residual Networks，ResNet）提取多模態信號中的特征，通過并聯特征融合方式補充數據特征，有效識別出16 種調制方式，包括高階的正交振幅調制（Quadrature Amplitude Modulation，QAM），如256QAM 和1 024QAM。Wu 等［14］和Lu 等［15］將CNN 和序列模型的輸出加以拼接，通過并聯方式融合數據特征，以提高模型泛化能力。

鑒于以上研究，當前AMR 模型以CNN、LSTM 及它們的相關變體為主，通過優化網絡結構和加工數據特征等方式改善網絡性能，但識別精度方面仍有待提升。

本文受文獻［14］和文獻［15］的啟發，針對當前AMR方法識別精度低的問題，提出一種基于結合策略的調制識別協同協作模型（CNN-LSTM Collaboration Model，CLCM）。該識別方法通過加權投票結合策略聯合CNN 和LSTM 共同完成調制方式分類任務，實現高精度的調制方式辨識。結果表明，CLCM 可有效識別24 種被廣泛應用的調制方式，平均識別精度超過95%；在高信噪比下，對128QAM 和256QAM 等高階調制方式的識別精度均高于90%，這對于高速數據傳輸應用意義重大。

1 無線通信系統模型及數據預處理

1.1 無線通信系統模型

無線通信系統基本結構如圖1 所示，主要由3 部分組成：發射機、信道和接收機。信號的調制處理通常部署在發射機部分，通過調制可以擴展信號帶寬，提高信號的抗干擾能力。

調制識別的處理模塊通常部署在接收機部分。假設接收機接收到的信號為r(t)，則可以定義為：

其中，s(t)表示由發射機發出的傳輸信號，c(t)表示無線通信信道的脈沖響應，n(t)指加性高斯白噪聲。

1.2 數據預處理形式

本文在接收端得到的信號數據被處理為IQ 信號，這是調制識別任務中被廣泛使用的輸入數據［12-13］。接收端得到符號序列表示為I+jQ，符號序列的I 分量（實部）和Q分量（虛部）分別表示為I=[i1，i2，...，iL]，Q=[q1，q2，...，qL]。L表示序列長度，以此獲得IQ 信號的二維數據表達形式，表示為。

Fig.1 Wireless communication system圖1 無線通信系統

利用極坐標的形式可以有效表達出相位和振幅的變化規律，這是考慮到了序列模型對相位和振幅變化的敏感性，類似的應用可見文獻［15］。極坐標表達式表示為P=(ρ，θ)，其中極半徑表示為，極角表示為θ=atan(Q/I)。

2 CLCM模型

2.1 模型整體概述

為實現高精度的調制方式智能辨識，本文設計了一種AMR 協作模型CLCM。CLCM 的具體框架結構如圖2 所示，它包含CNN 和LSTM 兩種分類模型，通過加權投票結合策略聯合兩種模型，達到提高模型泛化能力的目的。

其中，CNN 模型結構如圖3 所示。CNN 用于接收輸入大小為2×1 024 的IQ 信號，提取信號的空間特征。IQ 信號依次經過5 個由卷積層和池化層構成的單元結構處理后，得到的特征通過兩個全連接層的非線性變換，輸出CNN 的預測結果。CNN 中的卷積層用于挖掘數據深層次的抽象特征，其前向傳播過程可以表示為：

其中，x表示CNN 的輸入數據，濾波器（大小為m×n）的權重為w，*代表卷積操作，f(·)代表激活函數，y為該卷積層的輸出。每個卷積層的濾波器大小為1×3，深度為64；池化層通過對數據特征進行下取樣，壓縮數據維度降低計算復雜度，目前常用的池化方法有最大池化和平均池化。最大池化層的池化窗長寬分別設置為1 和2，平均池化層的池化窗長寬分別設置為1 和16。第一個和第二個全連接層的節點數分別設置為128 和24，第二個全連接層使用Softmax 激活函數，設置的節點數與所需分類的信號調制方式類別數一致。Softmax 是一種將多種類別的輸出值映射為介于0和1之間的向量函數，數學表達式為：

Fig.2 CLCM model圖 2 CLCM 模型

Fig.3 CNN model structure圖3 CNN模型結構

其中，K表示所需分類的類別數，xi表示激活函數所在層對應的第i個節點輸出的預測值。

LSTM 作為一種循環神經網絡的改進模型，采用門控機制克服了訓練過程中的梯度爆炸和梯度消失問題，在序列數據建模上具有長時記憶的優勢。LSTM 主要由遺忘門、輸入門、輸出門、臨時單元狀態4 部分組成，基本原理如下：

其中，σ表示Sigmoid 激活函數，·表示向量的元素積，X代表LSTM 的輸入數據，H代表細胞單元的輸出，W代表連接不同門的權重矩陣，b代表相應的偏置。分別表示t時刻下的遺忘門、輸入門、輸出門、臨時單元狀態和新單元狀態。本文設置的LSTM 共有3 層，其中前兩層分別包含128 個LSTM 單元結構，LSTM 單元結構如圖4所示。第三層是一個帶有Softmax 的全連接層，節點數設置為24（調制方式的類別數）。

Fig.4 LSTM unit structure圖4 LSTM 單元結構

2.2 結合策略

針對單個分類模型存在數據擬合程度不高、泛化能力較弱的問題，本文引入結合策略關聯獨立的CNN 和LSTM，通過加權投票結合策略聯合兩種模型協同合作，使某一分類模型造成的誤分類錯誤通過其他分類模型進行校正，平衡單一模型在分類性能上的短板。從假設空間的變化來看，加權投票結合策略有利于擴大分類模型的假設空間［16］，互補特征提取能力的優勢，達到提高模型泛化能力的目的。

本文利用加權投票結合策略互補CNN 和LSTM 的特征提取優勢。加權投票結合策略表示如下：

其中，x表示輸入數據，m表示所使用的分類模型個數，j表示當前參與決策的網絡模型序號，wj表示第j個網絡的權重大小（wj≥0，），∏(·)表示指示函數，y表示真實值。C(j)指當前參與決策的網絡模型的預測結果。通過結合策略匯總多個神經網絡模型對各數據標簽的預測結果，最終選擇概率之和最大的類標簽作為決策結果。這種方式填補了單個CNN 或LSTM 模型對個別信號數據特征表達能力不強的空缺，實現分類模型間的優勢互補。

3 實驗環境與參數選擇

3.1 實驗環境

本文基于Python 匯編語言，運用Tensorflow 深度學習開源框架及Keras 高階應用程序接口進行實驗。實驗環境具體配置如表1所示。

Table 1 Experimental environment表1 實驗環境

3.2 實驗數據集與評價指標

為驗證CLCM 模型有效性，采用開源調制識別數據集RadioML2018.01a 并進行離線實驗。RadioML2018.01a［17］基于GnuRadio 平臺產生，模擬了真實無線通信系統中常見的損傷，涵蓋了24 種廣泛使用的單子載波調制方式，具體信息如表2所示。

調制識別可以看作是一項多分類任務，常采用準確率評價模型分類性能，準確率的定義如下：

其中，TP、TN、FP 和FN 分別表示統計得到的真正例、真反例、假正例和假反例的個數。

4 實驗仿真與分析

4.1 模型性能比較

為驗證CLCM 模型的有效性，與XGBoost［17］、VGG［17］、ResNet［17］和DrCNN［18］等4 種當前先進的調制識別模型對比，所有模型均在相同條件下進行訓練和測試。各模型準確率曲線如圖5 所示，隨著信噪比的增加，各模型識別精度開始增加。在信噪比超過12 dB 后，大多數模型的識別精度趨于穩定，其中CLCM 的識別精度超過95%，比其他對比模型高20%以上。

Table 2 RadioML2018.01a parameters表2 RadioML2018.01a參數

Fig.5 Recognition performance comparison圖5 識別性能比較

4.2 調制方式分類表現

以準確率作為評價指標，通過準確率曲線和混淆矩陣進一步驗證所提方法的識別性能。圖6 呈現了多種調制方式的識別精度隨信噪比增加的變化軌跡。

圖6（a）給出了CLCM 對PSK 調制信號和APSK 調制信號的識別精度結果。這些調制方式在信噪比超過10 dB時，識別精度均達到95%以上。

圖6（b）給出了低階數字調制方式和模擬調制方式的準確率曲線。可以看出，大多數數字調制方式得到了有效識別。當信噪比超過0 dB 時，各數字調制方式的識別精度超過90%；當信噪比大于10 dB 時，模擬調制方式FM、AM-SSB-SC、AM-SSB-WC、AM-DSB-SC 和AM-DSB-WC的識別精度均超過70%。

Fig.6 Accuracy curve of modulation classification圖6 調制分類的準確率曲線

圖6（c）給出了ASK 和QAM 調制方式的識別準確率曲線。CLCM 在信噪比超過14 dB 的情況下，對高階調制方式的識別精度均超過90%。高階QAM 調制方式的識別性能受信道影響較大，往往識別難度較高，這是因為QAM 類型的調制方式在數字域中的星座點存在重合。

圖7 為CLCM 在高信噪比條件（信噪比=18 dB）下的混淆矩陣。在混淆矩陣中，對角線上的顏色深淺代表著各調制方式識別精度的高低，顏色越深代表該類調制方式被正確分類的可能性越高。對角線以外區域表示某種調制方式被誤判為另一種調制方式的概率。可以看出，CLCM能有效識別絕大多數調制方式，包括64QAM、128QAM 和256QAM 等高階QAM 調制方式；對于單邊帶模擬調制方式（AM-SSB-SC 和AM-SSB-WC）和雙邊帶模擬調制方式（AM-DSB-SC 和AM-DSB-WC）的識別存在輕微混淆，這是由于模擬調制方式數據經由音頻信號采樣獲得，具有靜音周期，相對難以識別。

Fig.7 Confusion matrix at the signal to noise ratio of 18 dB圖7 混淆矩陣（信噪比=18 dB）

5 結語

為實現高效精準的無線通信信號調制方式辨識，提出了一種基于加權投票結合策略的協作模型CLCM。仿真實驗表明，CLCM 在高信噪比上的識別精度比當前多數先進模型（例如XGBoost、VGG 等）高20%以上；能有效識別24種被廣泛應用的調制方式，平均識別精度超過95%；對64QAM、128QAM 和256QAM 等易混淆的高階調制方式的識別精度均超過90%，這在高速數據傳輸應用中意義重大。

然而，實驗具有一定局限性。深度學習模型由數據驅動，足夠的數據量才能保證模型具有良好的魯棒性，而在實際場景中獲取數據較為困難。此外，網絡模型能否勝任復雜多變的實際場景有待進一步考究。