基于FACAM-Efficient Net的通信信號調制方式識別

劉誠健 鄭航 李智

四川大學電子信息學院 四川 成都 610000

引言

近年來，深度學習技術快速發展及其在多個領域的成功應用為調制識別研究提供了新的思路和研究工具[1]。Zeng Y等人[2]證明了采用時頻變換作為信號表征的可行性，利用短時傅里葉變換得到的時頻圖具有更豐富的信號表征，比前人工作有更好的識別分類效果。邢科[3]將Inception-V4模型應用到信號調制方式識別領域，通過特征灰度圖生成算法，將復雜信號數據轉化為灰度圖，從而將通信領域的信號問題轉化為圖像分類問題。本文首先調制信號進行時頻分析，使用高階累積量時頻分析方法，將一維信號轉換為二維時頻圖像，并設計一種基于FACAM-Efficient Net網絡模型進行自動調制識別。

1 信號預處理

1.1 高階累積量時頻分析方法

高階累積量時頻分析方法首先通過對輸入的信號進行時域截斷；然后對截斷的信號再進行頻域截斷，即經過濾波器組進行濾波；最后對濾波后的信號分別進行高階累積量計算，形成的高階累積量矩陣映射成為時頻圖，具體步驟如下：①根據自身對時域分辨率的要求，對時域信號進行截斷；②建立一個符合自身頻率分辨率要求的濾波器組；③對步驟①截斷的時域信號調用步驟②的濾波器組分別濾波；④對步驟③濾波后的信號計算高階累計量，并映射成為信號時頻圖；如圖1所示為4PSK的未加噪聲與加噪聲（-6dB）的高階累計量時頻圖（HOC），可以觀察到高階累積量時頻圖有較好的抑制噪聲能力，提高了時頻圖表達信號特征能力及魯棒性。

圖1 4PSK未加噪聲與加噪聲（-6dB）高階累積量時頻圖對比

2 基于FACAM-Efficient Net的調制識別

2.1 Efficient NetB0基礎網絡

本文采用EfficientNet作為特征提取的網絡模型，該模型高效、輕量。Efficient Net—B0由16個移動翻轉瓶頸卷積模塊，2個卷積層，1個全局平均池化層和1個分類層構成。

2.2 FACAM頻域通道注意力機制

2.2.1 FA頻域注意力機制。由于本文所使用的數據集為高階累積量時頻圖像，可以看到，HOC時頻圖像是沿圖像縱軸分布，因此圖像在頻域（圖像縱軸）蘊含了許多信號的特征。為了進一步幫助模型捕獲到對識別任務更有幫助的特征信息，增強有用信息，本文提出一種基于CAM通道注意力機制改進的FA頻域注意力機制。進一步提取時頻圖像的頻域特征，給予時頻圖像每個頻域不同的權重，使具有更多有用信息的頻域權重變得更大。FA模塊如圖2所示。假定輸入注意力模塊的特征圖尺寸為W×H，通道數為C，H則為頻域通道個數。區別于CAM模塊，FA注意力模塊主要將CAM模塊的全局最大池化層和全局平均池化層替換為池化核大小為1×W的最大池化層和平均池化層。用于提取每個頻域的特征。這樣經過池化層后，將每個通道的二維特征維度從W×H壓縮為1×H的維度，然后經過Shared MLP部分，給每個頻域生成一個權重值，最后通過Add和Sigmod層，將歸一化的權重加權到每個頻域上。

圖2 FA注意力模塊

2.2.2 FACAM頻域通道混合注意力機制。CAM通道注意力機制使具有更多有用信息的特征圖的權重變得更大，基于CAM改進的FA頻域注意力機制使每張特征圖中更重要的頻域的權重變得更大，為了同時提升網絡對于重要通道和重要頻域的注意力，本文提出一種FACAM頻域通道混合注意力機制，并引入殘差的思想，從通道和頻域兩個角度進一步增強了卷積神經網絡的表達能力。FACAM模塊如圖3所示。

2.3 FACAM-Efficient Net網絡模型設計

本文以EfficientNet-B0為基礎網絡，引入本文提出的FACAM頻域通道混合注意力對Efficient Net進行改進，以加強對時頻圖像識別過程中起重要作用的頻域和通道信息的學習。將Efficient Net原網絡中的每個MBConv模塊內SE模塊替換為FACAM模塊。具體來說，將深度可分離卷積模塊之后原有的SE模塊替換成FACAM模塊，從通道和頻域兩個角度進一步增強了卷積神經網絡的表達能力。

3 實驗與分析

3.1 實驗環境

本實驗采用 Python 編程語言，開發框架為Tensor Flow2.3。本文實驗的硬件環境是64bit Windows 10專業版操作系統，CPU處理器為 Intel（R）Core（TM）i7-4790 CPU @ 3.60GHz，GPU處理器為NVIDIA GeForce GTX 1070，內存（RAM）為 8GB。

3.2 數據集和實驗設置

本實驗使用的數據均是由 MATLAB仿真生成，信號包含的調制方式有6種，分別為2ASK、2FSK、4FSK、2PSK、4PSK、16QAM。信號仿真參數符號率設為40kHz ，采樣率設為2MHz，載頻為0.5MHz，信號持續時間為0.2s，經過高階累積量（C42）時頻分析后的生成時頻圖，對每一類調制信號在－12～0dB 信噪比變化范圍內，每隔2dB 產生100個樣本。把生成的數據按照6∶2∶2的比例構成訓練集、驗證集和測試集。將輸入圖像統一調整到224×224大小，圖片像素值除以255，歸一化到0~1之間，選擇 Adam 作為模型參數優化器，每一個批次訓練32張圖片，損失函數采用softmax交叉熵損失函數；訓練周期為100輪；學習率設置為0.0005。

3.3 FACAM-Efficient Net的識別性能

FACAM-Efficient Net模型在信號高階累積量時頻圖數據驗證集的混淆矩陣如圖4所示。

圖4 驗證集混淆矩陣

由圖4可知，在-12～0dB信噪比條件下，FACAM-Efficient Net模型對6種調制信號的平均識別準確率均在91%以上，對于16QAM、2FSK、4FSK的識別準確率均在93%以上，可見該模型在低信噪比下對于6種調制信號有較好的識別分類效果。

3.4 FACAM-Efficient Net的消融實驗

為進一步驗證本文所提出的FACAM-Efficient Net模型的有效性以及在各信噪比下的分類效果，在不同信噪比下用測試集進行實驗測試，識別結果如下圖5所示。

整體來看，四種方法下的模型的識別準確率與信噪比成正相關。當信噪比大于-4dB時，FACAM-EfficientNet模型的調制識別模型效果與前3個方法模型的性能接近。而當信噪比在-12dB到-8dB下，FACAM-Efficient Net模型對比其他3種方法的識別準確率提升較多，當信噪比取-12dB 時，本文出FACAM-Efficient Net模型的識別準確率為76.67%，而未改進的Efficient Net識別準確率為57.50%。這說明FACAM-Efficient Net模型在低信噪比下從通道和頻域兩個角度進一步增強了卷積神經網絡的表達能力，對低信噪比下6種信號的識別表現優異。

圖5 不同信噪比下的四種模型的識別準確率

4 結束語

本文提出了一種基于FACAM-Efficient Net的信號調制方式識別方法，首先將一維信號轉換成二維高階累積量時頻圖像進行處理。然后根據高階累積量時頻圖的圖像特征，本文對傳統的CAM通道注意力機制進行改進，提出了FA頻域注意力機制和FACAM頻域通道混合注意力機制兩種注意力機制，并引入FACAM改進Efficient Net-B0的主體結構，以便更好地提取時頻圖像頻域和通道的特征。通過對六種調制信號進行調識別，改進后的 Efficient Net-B0模型在低信噪比下有較好的識別效果。