基于循環譜的去模糊調制識別算法

摘 "要： 針對當前調制識別算法在低信噪比下識別率低和循環譜應用中由于部分信號譜圖相似而性能下降的問題，提出基于二維循環譜灰度圖的去模糊調制識別算法。針對譜圖特征相似的信號構建了二維循環譜灰度圖模板庫，通過與模板庫進行譜圖匹配將信號分流成兩部分：譜圖相似信號和譜圖可區分信號。在信號分流基礎上提出差異化識別方法，針對譜圖可區分信號，通過構建基于二維循環譜灰度圖的卷積神經網絡（CSG?Net）完成識別；針對譜圖相似信號，借助多通道學習深度神經網絡（MCLDNN）完成識別。實驗結果表明，提出的算法綜合了不同網絡的優勢，提升了網絡整體的識別性能，在-10 dB信噪比時依然有接近70%的識別率。

關鍵詞： 循環譜； 深度學習； 卷積神經網絡； 自動調制識別； 低信噪比； 去模糊調制

中圖分類號： TN911.7?34 " " " " " " " " " " " " " 文獻標識碼： A " " " " " " " " " " "文章編號： 1004?373X（2024）15?0047?06

Deblurring modulation recognition algorithm based on cyclic spectrum

CHEN Jiehao1， 2， WANG Jiang2

（1. University of Chinese Academy of Sciences， Beijing 100049， China;

2. Shanghai Institute of Microsystem and Information Technology， Chinese Academy of Sciences， Shanghai 200050， China）

Abstract： In view of the low recognition rate of current modulation recognition algorithms at low signal?to?noise ratio （SNR） and its performance degradation of cyclic spectrum applications due to the spectrum similarity of some signals， a deblurring modulation recognition algorithm based on 2D cyclic spectrum grayscale is proposed. A 2D cyclic spectral grayscale template library is constructed for the signals with similar spectral features. And then， the input signals are streamed into two parts by spectral matching with the template library， including spectrum?similar signals and spectrum?distinguishable signals. A differentiated recognition method is proposed on the basis of signal streaming. For the spectrum?distinguishable signals， a convolutional neural network （CNN） based on 2D cyclic spectrum grayscale （CSG?Net） is constructed to complete the recognition. For the spectrum?similar signals， the recognition is completed with the help of multi?channel learning deep neural network （MCLDNN）. The experimental results show that the advantages of different networks are integrated in the proposed algorithm， which improves the overall recognition performance of the network with a recognition rate close to 70% when the SNR is -10 dB.

Keywords： cyclic spectrum; deep learning; CNN; automatic modulation recognition; low SNR; deblurring modulation

0 "引 "言

調制識別起源于軍事場景，在電子戰、電子監視和威脅分析中具有重要作用。調制識別位于信號檢測之后，通過識別敵方信號的調制方式可以推斷敵方傳輸單元，指導信號解調及干擾策略生成。隨著信息技術發展，調制技術開始從單載波向多載波轉變，電磁環境錯綜復雜，且接收方在非協作通信場景下已知的先驗信息較少，因此調制識別技術仍面臨巨大挑戰。

現有的調制識別框架大致可以分為兩類：基于極大似然的調制識別算法和基于特征提取的調制識別算法。

基于極大似然的調制識別算法的原理是通過最大化接收信號與各個調制類型之間的似然函數來確定調制類型，該算法雖然在理論上能得到最優的結果，但是需要大量的先驗知識，比如信號的載頻、碼率、定時同步、基帶成形脈沖波形等，同時該方法計算量大，因此現有研究較少。

基于特征提取的調制識別算法通過對信號進行預處理，然后提取信號內在獨特的細節特征，最后設計相應的分類器實現分類任務。常見的特征提取方法有信號瞬時特征[1]、頻譜特征[2?4]、高階累積量特征[5?7]、星座圖[8?10]、神經網絡[11]等。文獻[12]通過提取信號的六階累積量、八階累積量和信號四次方譜特征完成了對MPSK和MQAM等7種信號的分類。雖然該方法相比之前的基于高階累積量的研究多考慮了基帶成形的影響，但它的識別對象聚焦于單載波調制，信道條件也僅為加性高斯白噪聲，且該方法在非協作通信中需要進行載波頻率估計。文獻[13]通過設計一個雙分支卷積神經網絡融合信號循環譜圖和星座圖的特征，實現了在公開數據集RML2016.10a中11種信號的識別。但該方法忽略了部分調制信號，比如QPSK、8PSK、16QAM、64QAM循環譜圖相似的問題，最終在高信噪比下的識別率僅為84%左右。文獻[14]基于I/Q序列數據，通過卷積神經網絡和長短時記憶網絡進行淺層和深層特征提取，最終實現了測試集94.9%的識別率。但該方法是以I/Q數據作為輸入，沒有任何預處理手段，所以在低信噪比下識別率較低。

針對當前調制識別對象多為單載波調制且在低信噪比下識別性能不佳的問題，本文將研究對象進行了擴展，除公開數據集RML2016.10a中11種常規調制外，還包括正交頻分復用（Orthogonal Frequency Division Multiplexing， OFDM）多載波調制和直接序列擴頻（Direct Sequence Spread Spectrum， DSSS）信號。針對13種信號，本文提出了基于二維循環譜的去模糊調制識別算法。其次針對部分信號循環譜圖相似問題引入了模板庫，起到信號分流作用。針對譜圖相似信號，借助文獻[15]所提的MCLDNN網絡進行識別；針對譜圖可區分信號，本文提出基于二維循環譜灰度圖的卷積神經網絡進行識別，最后統計兩個網絡的識別結果。仿真結果表明，這種基于二維循環譜圖的去模糊調制識別算法提升了整體的識別率，特別在-10 dB低信噪比下，依然有將近70%的識別率。

1 "基于二維循環譜灰度圖的去模糊調制識別算法

在缺乏先驗知識以及無線衰落信道環境背景下，循環譜可以直接對中頻信號進行分析，且抗噪性能好，因此十分適用于非協作通信場景。

1.1 "信號模型

假設發射機發射的無噪聲單載波信號和OFDM信號的數學模型分別為：

[st=n=-∞+∞angTt-nTs×ej2πfct] （1）

[st=PNkn=0N-1cn，kej2πfc+nΔft-kTsgTt-kTs "] （2）

式中：[an]表示符號序列；[gTt]表示根升余弦發送濾波器的響應函數；[fc]表示載波頻率；[N]表示子載波個數；[P]為信號功率；[cn，k]表示第[n]個OFDM符號在第[k]個子載波傳輸的數據；[Δf]表示子載波間隔；[Ts]表示符號周期。考慮萊斯及加性高斯白噪聲信道，接收的中頻信號可表示為：

[rt=st+nt=i=0msit+nt " " " =i=0mlisit-τi×ej2πf0tej2πΔf0t+nt] （3）

式中：[m]為多徑數目；[li]和[τi]分別為第[i]條路徑的衰落系數和時延；[f0]為多普勒頻移；[Δf0]為載波頻率偏差；[nt]是均值為0、方差為[σ2]的加性高斯白噪聲。

本文仿真數據集的具體參數設置如表1所示。

1.2 "二維循環譜灰度圖的獲取

通信信號由于編碼、調制等周期性的操作具備循環平穩特性，傳統的功率譜不能有效提取其隱藏的周期性，而循環譜通過對循環自相關進行兩次傅里葉變換操作，構建了一個頻率和循環頻率的雙頻函數，能有效提取信號的周期特性。本文采用時域平滑算法[16]化簡循環譜的計算，具體公式如下：

[SαXNn，f=1Nn=0N-11NXNn，f+α2X?Nn，f-α2] （4）

式中：[XNn，f=n=0Nwnxne-j2πfnN]，為短時傅里葉變換，[wn]為漢寧窗函數，[N]為窗的長度；[SαXNn，f]為循環譜函數，[α]為循環頻率，[f]為頻率；[N]為信號總長度。

由于篇幅有限，本文以DSSS信號為例展示二維循環譜灰度圖的生成過程。如圖1所示是DSSS的三維循環譜圖，將其沿著[f]和[α]構成的平面投影，可以得到如圖2所示的DSSS二維循環譜RGB圖。為了進一步減少存儲空間，把RGB圖轉換為灰度圖，如圖3所示。

圖4給出了13種調制信號在SNR=0 dB下的二維循環譜灰度圖。從圖中可以看出，除了4種譜圖相似信號{16QAM，64QAM，8PSK，QPSK}外，其余信號的二維循環譜灰度圖都存在明顯差異，且在信噪比SNR=0 dB時循環譜圖依然保持穩定可區分。因此可以將通信信號調制識別問題轉換為圖像分類問題，借助卷積神經網絡完成調制識別任務。

1.3 "基于模板匹配的去模糊設計

根據上文分析可知，由于存在4種信號譜圖相似的問題，基于二維循環譜灰度圖的卷積神經網絡無法實現正確分類，因此僅通過循環譜無法完成13種信號的分類。事實上僅依靠單一特征完成多種信號的調制識別任務是困難的，需要聯合多種特征來完成分類任務。循環譜是信號的一種身份表征，因此可以設置一個模板庫，將相似循環譜圖制作成模板放置于庫中，如圖5所示是{16QAM，64QAM，8PSK，QPSK}4種譜圖相似信號的模板，該模板是取信噪比為0～18 dB內所有譜圖相似信號的二維循環譜灰度圖逐像素點相加然后取平均得到的。

模板匹配的過程是：首先作出輸入信號的二維循環譜灰度圖，然后與模板進行相似度度量，本文相似度度量公式如下：

[Sim=i=1Mj=1NA（i，j）-B（i，j）2M×N] （5）

式中：[Sim]表示相似度；[Ai，j]和[Bi，j]分別表示輸入信號圖片和模板圖片的像素值；[M×N]為圖片的大小。圖6給出了13種調制信號與該模板在不同信噪比下的相似度值。可以看出，通過設定合適的閾值Threshold，可以將上述4種具有相似循環譜的信號分流出來。

1.4 "整體網絡設計

本文整體的網絡結構如圖7所示。

整體網絡結構主要包括CSG?Net、MCLDNN和Template Library三個部分。其中CSG?Net是針對二維循環譜灰度圖輸入所設計的卷積神經網絡，它包括3個卷積層、2個下采樣、1個全連接層、1個Softmax輸出層。MCLDNN網絡將中頻I/Q數據分解成I/Q、I和Q三路輸入網絡，充分提取I、Q兩路數據的關聯性，同時在網絡中還引入了LSTM，進一步提取序列的時間相關性，最后經過2層全連接層和1層Softmax輸出層輸出分類結果。整個識別過程如下。

步驟1：首先作出輸入中頻信號的二維循環譜灰度圖，將其大小歸一化為[300×300]。

步驟2：將輸入信號的二維循環譜灰度圖與模板庫中的模板進行相似度計算，計算公式為式（5）。

步驟3：將計算結果Sim與閾值Threshold進行比較。如果小于閾值，表明該信號屬于譜圖相似信號，截取I/Q數據前1 024點，輸入MCLDNN網絡進行識別分類；如果大于閾值，表明該信號為可區分信號，則將其二維循環譜圖輸入CSG?Net進行識別分類。

步驟4：最后統計合并兩個網絡的識別結果。

2 "仿真與分析

2.1 "實驗設置

由于本文所提算法結合了去模糊模塊，循環譜圖和I/Q數據，因此將其稱為DeBlur?CSGIQNet。為了展示本文算法的性能，本文將給出消融實驗和對比實驗結果。

本文選用1.1節描述的數據集作為所有實驗的基準數據，具體數據集參數設置見表1。本文所有實驗都是基于深度學習Keras框架編寫的，在GPU為NVIDIA GeForce RTX 3060平臺上統一訓練測試。本實驗分為訓練和測試兩個部分。訓練集、驗證集和測試集比例是2∶1∶1。訓練時，MCLDNN網絡和CSG?Net網絡是獨立訓練的，選用Adam作為優化器。MCLDNN初始學習率設置為0.001，CSG?Net初始學習率設置為0.000 001，訓練輪次設置為500，當驗證集損失在50輪次內沒有性能提升，則提前中止訓練。

2.2 "實驗結果與分析

圖8是CSG?Net和MCLDNN網絡的識別率。從圖中可以看出，基于二維循環譜灰度圖輸入的CSG?Net網絡在低信噪比下識別性能優越，在-10 dB依然有接近70%的識別率，但在高信噪比下識別性能不佳。而反觀MCLDNN網絡在高信噪比下識別率較高，在低信噪比下識別率較低。從圖9混淆矩陣可以看出，CSG?Net對4種信號{16QAM，64QAM，8PSK，QPSK}的區分能力不足，這是由1.3節描述的譜圖相似問題所引起的。而從MCLDNN網絡的混淆矩陣（見圖10）可以看出，其對上述4種譜圖相似信號的分類較為準確。可以得出，單一算法難以在高信噪比和低信噪比下同時具有較好的識別性能。

因此，本文算法通過去模糊模塊，將上述兩個網絡結合。本文算法DeBlur?CSGIQNet的識別率和混淆矩陣如圖11、圖12所示。可以看出，該算法在高信噪比下綜合了兩個網絡的優勢，識別率相比MCLDNN網絡有進一步的提升，同時在低信噪比下保持了高識別率。

為了進一步說明本文算法的優勢，本文對比了文獻[17]所提CNN網絡、文獻[18]所提LSTM網絡和文獻[14]所提CLDNN網絡。

圖13展示了對比實驗的結果，本文算法在整體識別率上優于其他算法，特別在低信噪比下與其他算法相比具有較大優勢。

本文算法整體識別率高的原因是：

1） 基于循環譜具有良好的抗噪性能的特點，本文對接收的原始I/Q數據進行了循環譜特征的提取。

2） 本文算法針對譜圖特征相似信號構建了模板庫，基于模板匹配實現了信號分流；其次提出了差異化的識別方法，綜合了不同網絡的優勢。

3 "結 "論

針對調制識別算法在低信噪比下識別率低的問題，本文提出一種基于循環譜的去模糊調制識別算法，給循環譜工程應用中出現的混淆問題提供了解決方案。通過與CNN、LSTM、CLDNN這3種方案進行仿真實驗對比，表明了本文算法的整體識別率優于其他算法，特別在低信噪比下性能優越。

注：本文通訊作者為王江。

參考文獻

[1] KIM B， KIM J， CHAE H， et al. Deep neural network?based automatic modulation classification technique [C]// 2016 International Conference on Information and Communication Technology Convergence （ICTC）. New York： IEEE， 2016： 579?582.

[2] XING Z， GAO Y. A modulation classification algorithm for multipath signals based on cepstrum [J]. IEEE transactions on instrumentation and measurement， 2020， 69（7）： 4742?4752.

[3] WU H， LI Y X， GUO Y， et al. Modulation classification of VHF communication system based on CNN and cyclic spectrum graphs [C]// 2019 Joint International Symposium on Electromagnetic Compatibility， Sapporo and Asia?pacific International Symposium on Electromagnetic Compatibility （EMC Sapporo/APEMC）. New York： IEEE， 2019： 556?559.

[4] LIU K， XIANG X， ZHENG W Z， et al. Spectrum analysis for modulation classification in aeronautical wireless communication systems [C]// 2022 IEEE 22nd International Conference on Communication Technology （ICCT）. New York： IEEE， 2022： 762?766.

[5] SHI F N， JING X J， HE Y， et al. Classification model of wireless signals based on higher?order statistics [C]// 2020 IEEE International Symposium on Broadband Multimedia Systems and Broadcasting （BMSB）. New York： IEEE， 2020： 1?5.

[6] SUETRONG N， TAPARUGSSANAGORN A， PROMSUK N. Deep learning?based robust automatic modulation classification using higher order cumulant features [C]// 2023 15th International Conference on Information Technology and Electrical Engineering （ICITEE）. New York： IEEE， 2023： 1?6.

[7] RAHIM V C A， PREMA S C. Performance analysis of cooperative automatic modulation classification using higher order statistics [C]// 2022 National Conference on Communications （NCC）. New York： IEEE， 2022： 136?141.

[8] SAMARKANDI A， ALMARHABI A， ALHAZMI H， et al. Combined signal representations for modulation classification using deep learning： Ambiguity function， constellation diagram， and eye diagram [C]// 2023 32nd Wireless and Optical Communications Conference （WOCC）. New York： IEEE， 2023： 1?4.

[9] ABDEL?MONEIM M A， EL?RABAIE S， ABD EL?SAMIE F E， et al. Efficient CNN?based automatic modulation classification in UWA communication systems using constellation diagrams and Gabor filtering [C]// 2023 3rd International Conference on Electronic Engineering （ICEEM）. New York： IEEE， 2023： 1?6.

[10] KUMAR Y， SHEORAN M， JAJOO G， et al. Automatic modulation classification based on constellation density using deep learning [J]. IEEE communications letters， 2020， 24（6）： 1275?1278.

[11] ZHOU Q， JING X J， HE Y， et al. LSTM?based automatic modulation classification [C]// 2020 IEEE International Symposium on Broadband Multimedia Systems and Broadcasting （BMSB）. New York： IEEE， 2020： 1?4.

[12] 劉鵬飛，克兢，王雪，等.一種基于高階累積量和譜特征結合的衛星信號調制識別方法[J].時間頻率學報，2023，46（1）：71?83.

[13] WU H， LI Y X， ZHOU L， et al. Convolutional neural network and multi?feature fusion for automatic modulation classification [J]. Electronics letters， 2019， 55（16）： 895?897.

[14] GUO Z H， YAN T F. Improved CLDNN signal modulation recognition based on feature fusion [C]// 2022 IEEE 10th International Conference on Information， Communication and Networks （ICICN）. New York： IEEE， 2022： 412?416.

[15] XU J L， LUO C B， PARR G， et al. A spatiotemporal multi?channel learning framework for automatic modulation recognition [J]. IEEE wireless communications letters， 2020， 9（10）： 1629?1632.

[16] 宋鵬，張麟兮，張曼，等.基于時域平滑FFT累加算法的循環譜實現方法[J].電子設計工程，2013，21（11）：97?100.

[17] O′SHEA T J， CORGAN J， CLANCY T C. Convolutional radio modulation recognition networks [C]// 17th International Conference on Engineering Applications of Neural Networks. Heidelberg， Germany： Springer， 2016： 213?226.

[18] RAJENDRAN S， MEERT W， GIUSTINIANO D， et al. Deep learning models for wireless signal classification with distri?buted low?cost spectrum sensors [J]. IEEE transactions on cognitive communications and networking， 2018， 4（3）： 433?445.