一种基于卷积神经网络的信号调制方式识别方法

桂祥胜，洪居亭，代华建，孙田亮

（四川大学电子信息学院，成都 610065）

1 背景介绍

在通信信号处理领域，特别是在非协作通信信号盲解调研究领域，每时隙突发信号的调制方式不同，必须进行信号的调制方式自动识别。信号的调制方式识别效果会影响整个盲解调系统。传统的专家系统已经被研究多年，然而依然存在准确性低、效率低等问题。近年来，深度学习方法广泛应用于图像处理[1-2]和语音识别[3-4]领域，取得了不错的效果。信号星座图是表征数字调制信号的一种重要方式，它能够直观地将信号以图片几何特征的形式展示出来，便于人们观察和分析。传统的人眼分辨方法依赖于一定的专业知识、耗时且识别准确率较低。我们将深度学习方法引用到通信信号处理领域，提出了一种基于卷积神经网络的信号调制方式自动识别方法。

2 生成数据集

2.1 原始数据的生成

实验需要获取多种调制方式、宽信噪比范围、带有标签的数据，这在短时间内难以通过采集真实信号来实现。本次实验所需数据通过仿真产生，实验选取部分数据进行训练学习，使用另外的数据进行验证测试。仿真生成数据过程主要有生成随机0-M 数字（M为调制阶数）、MQAM/MPSK 调制、成形滤波、载波上变频、信道仿真（加性高斯白噪声信道）、IQ 正交解调、匹配滤波、重构信号星座图并保存。整个生成数据流程如下所示。

图1 生成信号流程图

本次仿真共生成 7 种调制方式（BPSK、QPSK、8PSK、QAM8、QAM16、QAM32、QAM64）信号，每种调制方式信号信噪比为-20dB、-18dB、…、+16dB、+18dB。每种调制方式在某一信噪比下共有1000 条数据，生成1000 张星座图片，每张图片包含1000 符号信息（即每张星座图图上有1000 个点）。仿真生成的基带信号经成形滤波后时域图形如下所示。

图2 经成形滤波后的信号时域图

2.2 IIQQ正交解调和星座图

在通信系统接收方通常需要将接收到的中频信号变成基带信号这就需要数字下变频操作。数字下变频（DDC）通常包括IQ 正交解调和低通滤波两部分。IQ 正交解调需要知道信号的载波频率，低通滤波器截止频率的设置和信号带宽相关。经过低通滤波过后即可得到IQ 两路信号，此时得到的IQ 路信号还需要经过匹配滤波、下采样符号同步等过程，才能重构信号星座图。

图3 数字下变频原理说明图

图4 IQ两路信号和幅度相位关系说明图

IQ 信号能够同时包含信号的幅度和相位等信息，IQ信号可以轻松地形成一个复信号。大多数数字调制将数据映射到IQ 平面中的许多离散点，称之为星座图[5]。

3 基于CNN的调制方式识别工作原理

3.1 卷积网络结构

基于CNN 的调制方式识别模型网络框图如下所示。输入层输入的是150×120 像素尺寸大小的信号星座图，经过3 个卷积层、3 个池化层，扁平层，到最后按照7 种调制类型输出。训练集数据都是带有标签的，即事先知道某信号的调制方式，不断学习图片对应调制类型，整个系统通过梯度反向传播机制，不断调节其中的相关参数，使整个系统的输出结果和标签结果的误差最小。这就是整个模型系统的一个学习过程。

图5 CNN网络模型结构图

图6 卷积操作池化说明图

卷积池化操作是CNN 中重要的组成部分，上图左图中假设了4×5 大小的输入矩阵数据，和3×3 的卷积核进行卷积运算的过程，得到信号的特征图。上图右图是4×4 的特征层进行2×2 最大池化的运算过程。

CNN 的功能是从特定模型中提取特征，然后根据特征进行分类识别、预测或做出决策。在此过程中，最重要的一步是特征提取，即如何提取能够最好地区分事物的特征。如果提取的特征不能进行分类，那么特征提取步骤将毫无意义。网络模型中卷积层层数越多，更容易把握输入信号的细微特征[6]。然而，在深度神经网络的设计中，应该在每个阶段考虑卷积层数和核大小，尝试以最少的计算量获得最佳结果，网络设计需要平衡网络结构的宽度和深度。

对于相同的CNN 网络结构，迭代的次数，数据量的大小和学习率都会影响模型的分类结果和有效性。这些参数的设置都需要在实践中不断尝试、不断分析修改。在本实验中，设计的CNN 模型使用3 层卷积网络层，卷积核大小为3×3，迭代次数为40，随着训练量的变化调整参数大小。

3.2 每层输入和输出大小

输入层：150×120 像素大小的信号星座图。卷积层1（Conv1）：由 3×3 内核生成的 148×118 个特征图。池化层第 1 层（Pooling1）：从 2×2 区域进行二次采样后的74×59 个像素图。卷积层 2（Conv2）：由 3×3 内核生成的 72×57 个特征映射。池化层第 2 层（Pooling2）：从 2×2 区域进行二次采样后的36×28 个特征映射。卷积层3（Conv3）：由 3×3 内核生成的 34×26 个特征映射。池化第 3 层（Pooling3）：从 2×2 区域进行二次采样后的17×13 个特征映射。完全连接层（F1atten）：从 Pooling 3的所有像素转换的 14144 个节点，即 17×13×64=14144。Dense1：64，Dense2（输出层 Output）7 个结点，Softmax 分类器分类输出，输出7 个节点，代表七种不同的调制方法。

3.3 星座图

由于卷积和池化操作，CNN 可以从图像细微差别中检测到信号特征，来分类识别信号。我们使用七种最常用的调制方法（BPSK，QPSK，8PSK,QAM8,QAM16，QAM32，QAM64）作为例子来说明。从下图可以看出，BPSK 信号星座图分布在x=0 轴两端，成2 个块团状；QPSK 信号分布X 轴Y 轴正负两侧。呈现4 个团块状；8PSK 分布成8 个块团，且每个块团离坐标原点的距离相等，8 个块团形成了一个圆。QAM16 均匀分布在坐标轴四个象限，每个现象有四个团块，共16 个团块。综上所述，不同数字调制信号星座图的几何形状不同，在实际工程中，通信工程师经常会根据星座图形状来判断信号的调制方式。

图7 在SNR为10dB时BPSK、QPAK、8PSK、QAM8、QAM16、QAM64调制信号的星座图

4 实验和结果

4.1 机器学习模型的选择

实验时选择了通信系统中常用的七种调制方式，并在不同数量的训练集下进行训练分类识别测试。基于其他研究人员以前的工作，知道卷积神经网络具有计算复杂度低和识别准确率高的优点[7-8]。特别是在图像处理领域，卷积神经网络更是具有其他模型结构不可替代的效果，实验中选择卷积神经网络模型来训练星座图。

4.2 图片尺寸

当执行CNN 图像分类时，不可避免地要考虑模型输入图像的大小，图像越大，模型计算量就越大，分类识别也就越耗时；图像太小又会看不清图像几何轮廓，影响模型判断识别。经过多次反复尝试，最终确定输入的星座图像大小为150×120 像素。

4.3 图片类型

为了得到最佳分类识别效果，选择信号不同的特征图，分别进行实验。选择相同的信号，分别生成相同图像大小的时域频域星座图形，利用相同的模型进行训练测试，信噪比为8 时的识别效果如下表1 所示。从表1 可以看出，星座图具有更好的特征表现效果。

表1 当SNR 为8dB 时，不同的特征图像分类识别精度

在某一信噪比下，训练集中包含了7 种调制方式信号星座图，每种调制方式400 张图片，共2800 张星座图片。验证集数量和训练集一样，总共也是2800 张图片。测试集包含7 种调制方式信星座图，每种信号200 张图片，总共有1400 张图片。部分信噪比下，模型的训练表现如图8 所示。

图8 不同信噪比下的训练表现

如图8 所示，不同信噪比下的信号随着训练迭代次数的增加，模型的损失值越来越小，模型验证的准确率越来越高。信号信噪比较低时，损失函数起始瞬时值较大，损失值下降较慢。在-20dB 和-6dB 时，信号起始损失值均大于1.5。信噪比较低时，模型的验证准确率也较低，比如在-20dB 是，模型的准确率在76%左右。

4.4 验证结果

在每个SNR 下，选择七种调制方式共1400 张图片输入到已经训练的模型网络中进行分类识别，实验结果如图9。

图9 不同信噪比下的测试表现

从实验结果来看，利用星座图特征，基于卷积神经网络的识别模型识别准确率高。在-20dB 下，识别效果得到77%，-10dB 及以上，模型的分类识别准确率趋近100%。分类效果远优于传统分类方法。

5 结语

在图像分类领域，CNN 训练模型具有其他机器学习方法所不具备的优点。通信信号星座图蕴藏着调制特征信息，卷积神经网络具有较强的特征学习能力，利用卷积神经网络模型能够很好的实现调制分类识别。本文提出的一种基于CNN 的信号调制方式识别方法，选用七种常用的数字调制信号进行实验，结果表明该方法能够高效准确实现信号调制方式自动识别。与其他调制分类方法相比，CNN 使用少量数据集图片，花费较少的训练时间，即可获得理想的分类结果。对于信噪比大于-10dB 的信号，模型分类准确率接近100%。结果表明，本文提出的分类识别方法切实有效。同时，它还为我们提供了一种新的思维方式，当一维数据信号进行实验效果不佳时，我们可以考虑换种思路，例如增加特征的维度，将一维数据转换成二维图像，可以从二维图像方面着手开始解决问题，可能效果会变得更好。

6 未来工作

实验结果比传统专家系统产生了更好的结果，但对于新兴的机器学习领域（深度学习），信号处理缺乏大量真实有效带标签的数据。本文在实验中使用的数据采用仿真产生，与实际接收的通信信号数据之间存在差异，特别是实际信号中的频偏、相偏、多径干扰等，都会对实验结果产生影响。仅依靠机器学习（深度学习）本身并不是有效的解决方案，期待能够在不久的将来结合机器学习方法与信号处理方法，在通信信号处理领域取得突破。虽然我们也在努力优化CNN 的网络结构，不断调整模型参数，但仍然有很大的空间来优化模型，以期达到最佳的分类结果。例如卷积层的层数增加，卷积核的大小变化，迭代次数修改等。当然，在实验中将训练数据集从一维数据转换为二维图像是一种处理思想上的突破。研究人员[9]已经在时域和频域进行了语音信号分析，无论数据信号是否可以转换到其他域进行训练分析，或者转换为多维域进行测试和分析，还有很多工作需要去做。