無線電智能感知儀的設(shè)計與實現(xiàn)

王睿奇，付丁一，馬鵬，陳熙來，侯長波

哈爾濱工程大學 信息與通信工程學院，黑龍江 哈爾濱 150001

隨著科技的進步，影響現(xiàn)代戰(zhàn)爭勝負的關(guān)鍵因素逐漸演變到信息化戰(zhàn)場層面[1]。現(xiàn)在信息化戰(zhàn)場上各種雷達、導航、無人機等電子裝備的輻射源數(shù)量愈發(fā)增多，信號的調(diào)制方式也越來越多樣，致使戰(zhàn)場中的電磁環(huán)境日益復雜[2]。如何在復雜多變的戰(zhàn)場中，對多信號進行檢測和識別，為我軍在電磁頻譜戰(zhàn)領(lǐng)域取得優(yōu)勢奠定堅實的基礎(chǔ)，具有重要的軍事價值[3?4]。

在大多數(shù)非合作通信場景下，調(diào)制識別是實現(xiàn)頻譜感知的關(guān)鍵一環(huán)，也是進行高效信號處理的重要前提。但面對日益復雜的電磁環(huán)境，一般信號檢測方法和傳統(tǒng)信號識別技術(shù)往往無法滿足環(huán)境所需的頻譜感知性能，使得電磁感知設(shè)備的準確性、抗干擾性和魯棒性受到了挑戰(zhàn)。同時，過去傳統(tǒng)的電磁感知設(shè)備笨重且體積龐大，使得電子作戰(zhàn)部隊在機動性和靈活性上存在不足，難以在瞬息萬變的戰(zhàn)場環(huán)境中有效展開行動。因此，設(shè)計開發(fā)出解決上述問題的電磁作戰(zhàn)設(shè)備，已經(jīng)成為我軍電磁頻譜領(lǐng)域目前的一種需求[5]。

近年來，深度學習成為了一項熱點技術(shù)，相較于基于目標建模和人工特征的傳統(tǒng)信號識別，基于深度學習的信號識別算法識別準確率高，人工成本低，然而計算量龐大，對硬件設(shè)備要求高。文獻[6]提出了基于信號的頻譜和幅度特征，對信號進行識別；文獻[7]通過使用卷積神經(jīng)網(wǎng)絡完成多種信號的識別，識別準確率高，但計算復雜度大且計算時間長；文獻[8]提出通過在網(wǎng)絡權(quán)重上引入稀疏限制，在訓練過程對模型進行通道裁剪，減少網(wǎng)絡參數(shù)量，但剪枝要求訓練計算量較高；文獻[9]提出將模型網(wǎng)絡參數(shù)量化成16 位，在盡可能保證識別精度的情況下減少內(nèi)存的占用和浮點數(shù)運算量。

本文提出了一種便攜式無線電智能感知儀，通過基于滑動窗的信號頻譜能量檢測方法，提高了檢測概率，采用卷積神經(jīng)網(wǎng)絡來提取信號的I/Q 兩路的特征信息，進行信號的調(diào)制方式識別，設(shè)備識別準確率得到提升；設(shè)計并搭建了系統(tǒng)的硬件平臺，解決傳統(tǒng)電磁感知設(shè)備笨重、體積龐大的問題；對模型進行輕量化處理，將32 位浮點數(shù)模型參數(shù)量化為8 位整型數(shù)據(jù)，部署到硬件平臺上，在不損失識別精度的前提下，極大減少內(nèi)存的占用情況和浮點運算量，加快模型推理速度。

1 系統(tǒng)整體設(shè)計方案

智能信號處理模塊主要包含2 個模塊，分別為信號檢測接收模塊和后端的基于神經(jīng)網(wǎng)絡的信號識別模塊，如圖1 所示。信號檢測模塊能夠?qū)χ付▽掝l段信號自動掃描，檢測是否有危險信號的存在；然后收集頻段內(nèi)的I/Q 兩路信號送入信號識別模塊；最后通過卷積神經(jīng)網(wǎng)絡識別出信號的調(diào)制方式。

圖1 智能偵察模塊架構(gòu)

本文研發(fā)的便攜式智能電磁感知儀的整體設(shè)計方案如圖2 所示。該系統(tǒng)由信號檢測平臺、信號識別平臺這2 部分組成，2 部分模塊中的神經(jīng)網(wǎng)絡模型均使用線性量化方法實現(xiàn)輕量化部署。

圖2 系統(tǒng)整體設(shè)計

在一次完整的系統(tǒng)工作流程中，系統(tǒng)將偵察天線接收到的信號進行微波變頻，然后將中頻信號輸入至數(shù)字信號檢測模塊中，從中提取出頻率信息、脈寬信息、功率信息。其中頻率信息、脈寬信息、功率信息在信號識別中得到信號的調(diào)制類型。在感知到電磁環(huán)境信息之后，如需要對非合作方的電磁信號做下一步處理，信號分析識別模塊輸出的信息可以作為智能決策的依據(jù)。

2 系統(tǒng)的檢測與識別算法

2.1 基于滑動窗的多信號檢測技術(shù)

信號檢測技術(shù)的研究是信號識別方法的基礎(chǔ)。經(jīng)典的信號檢測方法有能量檢測方法[10?12]、匹配濾波器法[13]和循環(huán)平穩(wěn)檢測法[14]。其中能量檢測方法計算復雜度低、成本小，易于在算力有限的邊緣設(shè)備中部署[15]。并且，信號在頻譜上的能量分布可以區(qū)別開信號和噪聲，因此本文使用基于掃頻檢測的信號感知方法。算法流程如圖3所示。

圖3 信號檢測接收模塊工作流程

由于信號頻譜數(shù)據(jù)涉及不同的調(diào)制類型且缺乏關(guān)于信號頻率分布的先驗信息，如果直接采用卷積神經(jīng)網(wǎng)絡進行識別，隨著采樣點數(shù)以及信號數(shù)目的增多會導致計算復雜度的大幅度提升，識別準確率也隨之下降。因此本文提出了一種基于信號能量感應檢測的頻域基帶預處理方法。

首先將頻域上的所有待識別信號進行幅度歸一化處理，使待檢測信號和分類識別網(wǎng)絡訓練集信號幅度匹配，在卷積網(wǎng)絡進行訓練時，數(shù)據(jù)集中的數(shù)據(jù)在載入網(wǎng)絡之前進行了相關(guān)的預處理，將信號幅度范圍限制在了[?1,1]。信噪比較高的信號一般都位于幅值較大的區(qū)域，通過頻域的能量分布對多分量信號頻譜進行分割，并進行幅度歸一化以及基帶調(diào)整。為此，本設(shè)計在快速傅里葉變化（fast Fourier transformation，F(xiàn)FT）的基礎(chǔ)上，提出了一種基于滑動窗的信號頻譜能量檢測方法，窗函數(shù)的定義如下式所示：

式中a動態(tài)比例因子，大小隨著輸入窗函數(shù)的最大值emax自動調(diào)節(jié)，a和emax的關(guān)系滿足下式：

通過滑動窗中心感知區(qū)與入窗區(qū)和出窗區(qū)的數(shù)值進行比較，當一段頻譜區(qū)間內(nèi)的信號能量最大值出現(xiàn)在中心感知區(qū)時，認為截取到的即為一個完整的信號。

2.2 基于輕量級卷積神經(jīng)網(wǎng)絡的調(diào)制識別技術(shù)

信號調(diào)制識別的準確率對于電磁態(tài)勢感知是一項重要的指標，相較于傳統(tǒng)人工特征提取方法[16?17]，基于卷積神經(jīng)網(wǎng)絡的信號調(diào)制識別可以實現(xiàn)特征的自動提取與分類，具有較高的識別準確率。Tu 等[18]提出了將深度復數(shù)網(wǎng)絡應用于調(diào)制識別，提高了識別效果，但大幅增加了模型的計算量，在存儲資源受限制的嵌入式設(shè)備上難以應用，且復數(shù)卷積層在現(xiàn)有的部署工具上并不支持。因此，需要一種可部署于嵌入式設(shè)備中輕量化網(wǎng)絡作為信號識別使用的神經(jīng)網(wǎng)絡，該神經(jīng)網(wǎng)絡應具備算力需求低、網(wǎng)絡層算子可部署的特點。文獻[19]提出了一種基于輕量化神經(jīng)網(wǎng)絡用于手勢識別的方法，該網(wǎng)絡經(jīng)過輕量化后可直接部署于嵌入式平臺，有算力需求低的優(yōu)點。結(jié)合以上研究，本文提出了一種基于INT8 量化的輕量級卷積神經(jīng)網(wǎng)絡方法實現(xiàn)對信號進行調(diào)制識別。

2.2.1 卷積神經(jīng)網(wǎng)絡

1）卷積層

神經(jīng)網(wǎng)絡卷積層用來提取數(shù)據(jù)的局部特征，并將輸出的特征圖傳遞給下一層。其卷積層的輸出可以表示為

式中：Zl+1和Zl分別為第l層卷積核的輸入和輸出，Ml+1為第l+1層的卷積核，b為偏置項，Kl為第l層特征圖通道數(shù)，f為卷積核尺寸，s0為步長。

2）激活函數(shù)層

ReLU 激活函數(shù)其表達式為

3）平均池化層

使用平均池化層使最主要的特征保留，而次要特征被刪除，另外還可以減少參數(shù)量，使模型不易過擬合。本文采用的結(jié)構(gòu)如圖4 所示。

圖4 調(diào)制識別網(wǎng)絡結(jié)構(gòu)

當前模型的復雜度和算力需求門檻越來越高。2012 年，Hinton 團隊在ImageNet 比賽中首次使用深度學習用于圖像分類任務，當時的神經(jīng)網(wǎng)絡層數(shù)還是個位數(shù)；2015 年來自微軟的ResNet 做到152 層；現(xiàn)在很多團隊都在做上萬層的深度學習模型。模型深度的增加有可能帶來表達能力的進一步拓展和突破，但同時也帶來了模型復雜度的飛升[20]。

2.2.2 量化網(wǎng)絡模型

目前大多數(shù)的深度學習網(wǎng)絡框架在訓練模型時，大多采用32 位浮點數(shù)（32-bit floating point，F(xiàn)P32）類型的數(shù)據(jù)來表示權(quán)重數(shù)據(jù)、偏置數(shù)據(jù)和激活值數(shù)據(jù)[21]。這樣的模型搭建完成后，往往由于計算量較大，對于硬件內(nèi)存的需求較高，難以在嵌入式設(shè)備上部署。

為了使系統(tǒng)運行的速度更快，內(nèi)存占用需求更小，本文采用訓練后量化的方法，通過對訓練好的模型進行量化處理來提供在開發(fā)板上的運行支持。Tensorflow Lite 支持神經(jīng)網(wǎng)絡中的卷積層、池化層和全連接層等[22]。使用該工具并采用之前訓練好的模型，最后輸入用于校準的數(shù)據(jù)集。根據(jù)這些輸入，可以生成8 位輕量級的整數(shù)模型，量化后無需再重新訓練網(wǎng)絡。

在企業(yè)管理中，為了應對如今變幻莫測的市場環(huán)境以及企業(yè)內(nèi)部的動態(tài)變化，需要對信息進行全面的采集以及整理，這樣可以讓生產(chǎn)經(jīng)營的實際狀況得到明確，便于企業(yè)管理者進行科學決策，提升企業(yè)的管理水平，讓企業(yè)的經(jīng)營目標順利實現(xiàn)。這就需要借助數(shù)字技術(shù)讓數(shù)據(jù)采集以及提取效果更高，分析更加有效，因此數(shù)字技術(shù)在工業(yè)企業(yè)的管理工作中也是得到廣泛運用。在設(shè)備方面，如今的工業(yè)發(fā)展中，數(shù)字技術(shù)在各類電氣設(shè)備中實現(xiàn)運用已經(jīng)是一種必然的趨勢，尤其是傳感器以及執(zhí)行器與數(shù)字技術(shù)的融合，以及光纖技術(shù)的普遍運用，在網(wǎng)絡技術(shù)的支持以及平臺的搭建基礎(chǔ)上，可以讓企業(yè)的生產(chǎn)效率得到明顯提升。

線性量化公式為

式中：X為原始的FP32 數(shù)值，Xint為量化后的一個整數(shù)值，Z為映射的零點（Zero point），S為縮放因子（scale）。

量化后的模型參數(shù)和神經(jīng)網(wǎng)絡結(jié)構(gòu)會發(fā)生一些改變，對模型的最終計算結(jié)果產(chǎn)生一定的影響。圖5 為模型量化的示意。使用整型（integer，INT）線性量化可以完成神經(jīng)網(wǎng)絡的輕量化實現(xiàn)，有計算量小、硬件需求低的優(yōu)點。

圖5 量化示意

3 無線電智能感知儀的硬件設(shè)計

3.1 硬件架構(gòu)設(shè)計

本文針對復雜作戰(zhàn)環(huán)境的需求，設(shè)計并搭建了一種便攜式無線電智能感知儀，整個設(shè)備的實物搭建如圖6 所示。整個設(shè)備的硬件組成由嵌入式硬件設(shè)備和軟件無線電硬件設(shè)備2 部分組成。

圖6 實物搭建框圖

3.2 嵌入式硬件設(shè)備

隨著圖形處理器（graphics processing unit，GPU）性能的不斷增強和可編程性的日漸提高，GPU 的用途不再局限于傳統(tǒng)的圖形圖像處理。目前，GPU 已經(jīng)廣泛應用于從小到圖像解碼，大到超級計算機的各種計算領(lǐng)域，進入到了高性能計算的主流行列[23]。

嵌入式硬件設(shè)備作為模型算法的處理核心，內(nèi)部部署神經(jīng)網(wǎng)絡模型算法，利用GPU 并行計算的優(yōu)勢，對數(shù)據(jù)并行處理，使模型進行快速推理。

本設(shè)備采用NVIDIA 公司的Jetson AGX Orin模組，如圖7 所示，基于NVIDIA Pascal? GPU 架構(gòu)，搭載 8 GB 內(nèi)存，且內(nèi)存帶寬為 59.7 GB/s。

圖7 嵌入式硬件設(shè)備

3.3 軟件無線電硬件設(shè)備

軟件無線電硬件底層鏡通過Petalinux 工具配置系統(tǒng)設(shè)備樹、構(gòu)建內(nèi)核和根文件系統(tǒng)將導出的底層硬件設(shè)計文件轉(zhuǎn)化為可在ZYNQ-7020 芯片上運行的Linux 系統(tǒng)鏡像，然后將打包好的系統(tǒng)鏡像燒錄至SD 卡完成對軟件無線電的底層驅(qū)動鏡像開發(fā)。

4 測試結(jié)果分析

4.1 模型數(shù)據(jù)集

智能信號識別部分需要制作深度學習的訓練集和測試集，本文采用正交相移鍵控（quadrature phase shift keying， QPSK） 、 二進制相移鍵控（binary phase shift keying，BPSK）、高斯頻移鍵控（gauss frequency shift keying，GFSK）、16 進制振幅調(diào)制（quadrature amplitude modulation 16，QAM16）、第四代脈沖幅度調(diào)制（4 pulse amplitude modulation，PAM4）以及連續(xù)相位頻移鍵控（continuous phase frequency shift keying，CPFSK）6 種調(diào)制信號制作數(shù)據(jù)集。每種調(diào)制類型為6 000 組信號樣本，訓練集、驗證集和測試集劃分比例為8∶1∶1。

4.2 測試結(jié)果分析

4.2.1 準確率

利用卷積神經(jīng)網(wǎng)絡對在6 dB 信噪比進行預測得到的混淆矩陣如圖8 所示，在6 dB 信噪比的情況下，模型識別的準確率約為97.94%。而利用INT8量化后的網(wǎng)絡模型對數(shù)據(jù)集進行預測得到的混淆矩陣識別的準確率約為97.69%，下降了0.25%。

圖8 量化前后模型在6 dB 情況下的混淆矩陣

量化前后對全部測試集進行預測，得到的識別準確率如圖9 所示。

圖9 量化前后模型的準確率曲線

從圖9 中可以看出，量化前后模型的準確率曲線幾近重合，在有效降低存儲空間要求的情況下，神經(jīng)網(wǎng)絡模型的識別精度幾乎不損失。

4.2.2 召回率與精準度

加入檢測模塊后，對測試模型的召回率和精準度結(jié)果進行分析，其中召回率用來表示模型對某一類數(shù)據(jù)的分類能力，精準度表示模型某一類輸出結(jié)果的可信度。量化前后模型的召回率和精準度分別如圖10 所示。可以發(fā)現(xiàn)量化前后的2 個模型對6 種信號的召回率和精準度都在93%以上，說明模型的虛警與漏判現(xiàn)象少。具有基本相同的召回率和精準度，也說明量化對模型的識別能力沒有產(chǎn)生影響。

圖10 量化前后模型的召回率與精準率

4.2.3 模型規(guī)律

采用模型的浮點運算量分析模型的規(guī)模，量化前后的模型在模型中的浮點運算量對比見表1。由表1 可以發(fā)現(xiàn)，INT8 量化后模型在浮點運算量方面相較于原模型下降了99.07%。

表1 原模型和輕量化模型的浮點運算量

查看模型文件的體積如圖11 所示，量化后為166 600 Byte，量化前為1 739 520 Byte，節(jié)約90.4%的磁盤空間。

圖11 模型文件的大小

4.2.4 模型運行情況

使用訓練好的模型進行推理，通過對程序運行情況進行監(jiān)控得到程序的運行時間和內(nèi)存資源的占用情況，如圖12 所示。可以明顯看出輕量化后的INT8 模型在推理時間上所需時間更少，內(nèi)存占用資源更少。

圖12 量化前后模型運行時內(nèi)存占用情況

5 結(jié)論

本文設(shè)計了一款便攜式無線電智能感知儀，主要結(jié)論如下：

1）通過改進檢測算法，提高了檢測概率，采用基于I/Q 兩路信號的神經(jīng)網(wǎng)絡實現(xiàn)信號調(diào)制識別，解決傳統(tǒng)信號調(diào)制識別準確率低的問題。在0 dB 及以上的信噪比環(huán)境下，調(diào)制識別的準確率可達到95%以上，對不同的信號調(diào)制類型的召回率和精準度均在93%以上。

2）為降低運算復雜度，對模型進行輕量化處理，優(yōu)化了模型的網(wǎng)絡結(jié)構(gòu)，減少了網(wǎng)絡推理運算量，提升了推理速度。模型輕量化部署后降低了99.07%的浮點運算量，而準確率僅下降了0.25%。