基于VMD-ResNet 的水聲通信信號調制識別方法*

王志欣，張博軒

（中國電子科技集團公司第五十四研究所，河北 石家莊 050081）

0 引言

近年來，隨著水聲通信[1-3]技術的廣泛應用，對非合作水下通信信號的偵察已成為研究的重點。水聲通信信號調制識別[4-6]作為水聲通信信號偵察領域的關鍵技術，更是受到廣泛研究。傳統水聲通信信號調制識別往往需要較多的調制參數作為先驗知識，且受海洋環境噪聲和水聲信道[7-8]多途、多普勒影響，所提取的信號特征并不明顯，往往導致水聲通信信號調制識別準確度較低。

變分模態分解[9-10]（Variational Mode Decomposition，VMD）是一種自適應、完全非遞歸的信號分解方法，可將信號分解為多個具有最佳中心頻率和有限帶寬的模態分量（Intrinsic Mode Function，IMF），各模態分量之間特征區別明顯，不僅能將信號中的噪聲良好地分離，還可有效抑制信號分解中的模態混疊。將該方法應用于水聲通信信號調制識別可抑制水聲信道強背景噪聲干擾，有效解決噪聲影響導致信號特征不明顯的問題。

殘差網絡[11-12]（Residual Network，ResNet）是基于卷積神經網絡（Convolutional Neural Networks，CNN）發展出的一種新型神經網絡模型，通過將殘差結構引入到神經網絡中，解決了CNN 梯度消失的問題，進一步增強了對數據深層特征的提取能力，被廣泛應用于圖像識別領域。

本文基于VMD-Hilbert 算法實現水聲通信信號時頻特征的高質量提取，結合ResNet 模型設計了一種涵蓋二進制相移鍵控（Binary Phase Shift Keying，BPSK）、正交相移鍵控（Quadrature Phase Shift Keying，QPSK）、八 進 制 相 移 鍵 控（8 Phase Shift Keying，8PSK）、二進制頻移鍵控（2 Frequency Shift Keying，2FSK）、四進制頻移鍵控（4 Frequency Shift Keying，4FSK）、八進制頻移鍵控（8 Frequency Shift Keying，8FSK）、正交頻分復 用（Orthogonal Frequency Division Multiplexing，OFDM）、直接序列擴頻（Direct Sequence Spread Spectrum，DSSS）等常規水聲通信信號的調制識別方法。該方法無需任何先驗信息，可有效解決水聲信道強背景噪聲干擾導致的信號特征失真和不同海況干擾造成的樣本特征失配問題，提高了信號調制識別準確率，并且仿真結果驗證了算法的有效性。

1 基于VMD-Hilbert 的水聲通信信號時頻特征提取

1.1 VMD 原理

VMD可將原始信號分解為多個固有模態分量，每個模態分量都具有各自的中心頻率和帶寬，能夠自適應完成信號頻域的有效分開，從而能夠更好地分離噪聲分量[13]。VMD 的核心思想是構建和求解變分問題，假設原始信號分解為K個模態分量，約束條件為所有模態分量之和為原始信號，則構建約束變分模型表達式為：

式中：k為模態分解個數；{uk}為第k個模態分量；{ωk}為第k個模態分量的中心頻率；f為原始信號；δ(t)為單位沖擊函數；*為卷積運算。

為獲得變分約束問題的最優解，引入懲罰因子α和Lagrange 乘子λ，得到增廣Lagrange 表達式為：

VMD 算法的具體步驟如下：

（4）更新λ。更新公式為：

式中：τ為噪聲容限參數。

（5）判斷是否滿足迭代終止條件，若滿足收斂條件，則循環過程終止，同時輸出K個模態分量；否則，重復步驟2～4。迭代終止條件為：

式中：ε為收斂容限。

1.2 信號相關去噪

相關系數[14]能夠反映信號之間的相關性，通過計算VMD 分解后各模態分量和原始信號間的相關性，區分信號分量是否包含原始信號的主要特征，進而達到去除噪聲分量的目的。相關系數計算公式為：

式中：ρ為向量A和向量B的相關系數；μA和σA分別為向量A的均值和標準差；μB和σB分別為向量B的均值和標準差。

ρ值越接近于1，表明變量之間的相關性越強；ρ值越接近0，表明變量之間的相關性越弱。一般地，在ρ≥0.5 的情況下，認為對應的模態分量uk與原始信號f的相關性較好，并給予保留。

圖1 所示為2FSK 信號VMD 各模態分量時域波形和頻譜，圖2 所示為各模態分量與原始信號相關性。可見，模態分量2 和模態分量4 包含原始信號的主要信息，各模態分量與原始信號相關系數分別為0.249，0.714，0.239 和0.679。因此，模態分量2 和模態分量4 的合成信號即為去噪信號，可作為后續時頻特征提取的輸入信號。

圖1 2FSK 信號VMD 各模態分量時域波形和頻譜

圖2 各模態分量與原始信號相關性

1.3 時頻特征提取

水聲通信信號經過VMD 去噪處理后，通過Hilbert 變換，獲取信號瞬時幅度和瞬時頻率，根據所需時間分辨率和頻率分辨率，完成信號時頻特征的高質量提取。

圖3 所示為VMD 去噪前后信號時頻譜。可見，經過VMD 去噪處理后，獲得的信號時頻特征已消除了水聲信道環境噪聲影響，可有效提升信號調制識別能力。

圖3 VMD 去噪前后信號時頻譜

2 基于ResNet 的水聲通信信號調制識別架構

2.1 ResNet 模型

海洋環境具有復雜多變的特性，基于CNN 模型[15]的水聲通信信號調制識別方法在不同海況條件下存在樣本特征失配的問題，從而導致模型穩定性差、泛化能力弱。ResNet 模型相較于CNN 的主要創新之處在于把殘差塊引入到了深度卷積神經網絡中，并將深層網絡模型構建為淺層網絡模型和自身映射層的組合，再通過殘差塊將它們巧妙地結合在一起。殘差塊的結構如圖4 所示。

圖4 ResNet 網絡殘差塊結構

在ResNet 模型的訓練過程中，底層誤差可以先通過短接路快速向上一層傳遞，再通過加深深度神經網絡模型的網絡層數提取到更深層的目標特征。利用以上結構，可以緩解層數加深造成的梯度消失現象，但是為了進一步預防模型過擬合現象的產生，需要研究更適配海洋信道的結構。

2.2 調制識別架構

本文在ResNet-18 模型[16]的基礎上進行了改進，引入了Dropout、L2 正則化和Early stopping 選項以應對模型過擬合問題，有效提升了識別模型的泛化能力和信號的識別準確度。基于ResNet 的水聲通信信號調制識別模型在Tensorflow 架構上利用Python 語言編碼實現。模型架構如圖5 所示。

圖5 基于ResNet 的水聲通信信號調制識別架構

基于ResNet 的水聲通信信號調制識別模型的輸入為接收信號的時頻譜圖。模型首先使用大小為3×3 的卷積核對信號時頻譜圖進行初次卷積以提取特征圖像的表層特征，其次重復使用4 個不同維度、不同大小的殘差塊進行輸入圖像的深度特征提取，再次利用2層全連接層完成高維特征的解構與表征，最后結合輸出維度可調的Softmax 分類器輸出水聲通信信號調制識別結果。

3 基于VMD-ResNet 的水聲通信信號調制識別

針對海洋環境噪聲干擾嚴重、水聲信道復雜多變導致的水聲通信信號調制識別過程中信號特征不明顯、樣本特征失配問題，本文利用VMDHilbert 實現低信噪比下信號時頻譜圖的高質量提取，并結合ResNet 模型設計了一種水聲通信信號的調制識別方法。該方法可在無任何先驗信息的條件下，針對不同海洋聲信道實現對BPSK、QPSK、8PSK、2FSK、4FSK、8FSK、OFDM、DSSS 等常規水聲通信信號的調制識別，并具有較高的識別準確率。

基于VMD-ResNet 的水聲通信信號調制識別方法流程如圖6 所示，其具體步驟如下：

圖6 基于VMD-ResNet 的水聲通信信號調制識別流程

（1）對采集的水聲通信信號進行VMD 分解，得到分解的各模態分量，本文設置的信號VMD 分解層數為4；

（2）計算分解得到的各模態分量與原始信號的相關性，獲取各模態分量與原始信號的相關系數，將相關系數大于判決門限的模態分量進行合成，獲得去噪后的水聲通信信號，本文設置的相關系數判決門限為0.5；

（3）對去噪后的水聲通信信號進行Hilbert 變換，獲取信號瞬時幅度和瞬時頻率，根據所設定的頻率分辨率和時間分辨率，構建信號時頻譜圖，本文信號時頻譜圖的分辨率為256×256；

（4）將得到的信號時頻譜圖作為本文所設計的ResNet 模型的輸入，通過提取時頻譜圖的特征信息，完成水聲通信信號調制方式的自主識別。

4 仿真數據驗證

為驗證本文所提方法在不同接收信噪比和信道環境下對水聲通信信號進行調制識別的性能，使用Bellhop 模型對3 種不同水聲環境下的信道進行仿真，并分別對3 種水聲信道在-6 dB、0 dB、6 dB 信噪比下構建2FSK、4FSK、8FSK、BPSK、QPSK、8PSK、OFDM、DSSS 水聲通信信號的仿真數據集。不同信道環境、不同信噪比下每種通信方式的樣本數均為2 000，單個信號樣本長度為0.512 s。Bellhop 模型仿真信道如圖7 所示。

圖7 水聲信道

本文利用Tensorflow 架構實現模型的訓練和測試。在模型訓練和測試過程中，數據集隨機打亂為訓練集、驗證集和測試集，反復訓練、測試6 次后取平均值，并根據測試結果形成混淆矩陣，得到匹配和失配數據集下的綜合識別率。

本文首先對原始信號和去噪信號在不同信噪比（-6 dB、0 dB、6 dB）下的調制識別性能進行對比，以驗證去噪后信號調制識別性能的提升效果。圖8 所示為相同信道環境不同信噪比下的調制識別結果。其中，縱坐標代表真實標簽，橫坐標代表模型部署后預測得到的標簽，1～8 分別對應BPSK、QPSK、8PSK、DSSS、2FSK、4FSK、8FSK和OFDM 信號，格子的數值和顏色的深淺代表了統計后得到的識別準確率。

圖8 相同信道環境不同信噪比下調制識別混淆矩陣

在信噪比為-6 dB、0 dB、6 dB 的情況下，原始信號調制識別綜合準確率分別為37.625%，54%和68.75%，去噪信號調制識別綜合準確率分別為75.875%，80%和98.6%。可見，相較于原始信號，經VMD 去噪后的信號在不同信噪比下均具有更高的調制識別準確率，且在信噪比為6 dB 時，對BPSK、QPSK、8PSK、DSSS、2FSK、4FSK、8FSK和OFDM 信號的識別準確率均大于95%，具有較高的識別準確度。

本文進一步對去噪信號在有或者無信道參與訓練的情況下的信號調制識別性能進行測試，以驗證模型對不同信道環境的泛化能力。圖9 所示為在6 dB 信噪比有或者無信道參與訓練情況下的調制識別結果。其中圖9（a）為信道H3 隨機打亂為訓練集、驗證集，在參與訓練的情況下的信號調制識別結果；圖9（b）為信道H1、H2 作為訓練集、H3 作為驗證集不參與訓練的情況下的信號調制識別結果。

圖9 6 dB 信噪比有無信道參與訓練調制識別混淆矩陣

在信噪比為6 dB 的情況下，有參與訓練的信號調制識別綜合識別率為98.6%，未參與訓練的信號調制識別綜合識別率為94.75%。雖然其綜合識別率有所降低，但除了對8FSK 的識別準確率為85%以外，對其余BPSK、QPSK、8PSK、DSSS、2FSK、4FSK 和OFDM 信號的識別準確率均大于90%。可見，本文所用模型具有一定的信道環境泛化能力，針對信道失配的情況，仍具有較高的識別準確率。

5 結語

傳統水聲通信信號調制識別方法往往需要較多的調制參數作為先驗信息，且海洋環境噪聲干擾嚴重、水聲信道復雜多變使得水聲通信信號調制識別過程中提取的信號特征不明顯，存在樣本特征失配的問題，致使水聲通信信號調制識別準確率較低。本文基于VMD-Hilbert 算法實現水聲通信信號時頻特征的高質量提取，結合ResNet 模型設計了一種針 對BPSK、QPSK、8PSK、2FSK、4FSK、8FSK、OFDM、DSSS 等常規水聲通信信號的調制識別方法。該方法無需任何先驗信息，可有效解決水聲信道強背景噪聲干擾導致的信號特征失真和不同海況干擾造成的樣本特征失配問題，有效提高了信號調制識別準確率。