基于CNN的PCMA信号调制识别方法

李林俊，戴旭初

基于CNN的PCMA信号调制识别方法

李林俊，戴旭初

（中国科学技术大学电子工程与信息科学系 合肥 230027）

已有的针对成对载波多址（PCMA）信号调制识别的方法，其主要思想是利用高阶统计量构造识别特征量对调制类型进行识别。由于高阶统计量的估计需要较多的符号数才能达到较高的精度，故在符号数较少的情况下，这些方法的性能较差。基于深度学习的思想和卷积神经网络（CNN）的特点，提出一种新的PCMA信号调制类型识别方法，仅需要较少的符号数就能够有效识别PCMA信号调制类型。卷积神经网络的应用使得该方法对频偏和相偏具有很强的鲁棒性，且在不同的信噪比下都能够保持良好的识别性能。仿真实验结果表明，利用1000个符号，在信噪比为10dB时，新方法的调制类型正确识别率达到90%，明显优于其它方法，但是其算法复杂度较高。

成对载波多址；调制识别；卷积神经网络；深度学习

引 言

在卫星通信中，成对载波多址PCMA（Paired Carrier Multiple Access）技术通过在同一频点上发送两个数字调制方式的信号来进行通信[1]。PCMA信号的两个分量信号在时域和频域完全重叠，如何对其进行调制方式识别是后续信号处理的基础，是非合作通信中亟需解决的一个问题。

概括来说，调制识别方法分为基于假设检验的方法与基于特征的方法两大类[2,3]。针对PCMA信号，目前已有一些利用高阶统计量进行调制识别的方法[4-6]。文献[4]分析了PCMA信号的高阶累积量特征和四次方谱的离散谱线特征，提出了一种PCMA信号调制方式识别方法。文献[5]从累积量、谱线、幅度包络平坦度中提取特征参数，提出了联合特征参数的调制识别算法，在信噪比大于15dB时，其正确识别率在90%以上。文献[6]先对接收数据进行预处理，在此基础上提取4个高阶累积量特征和1个似然特征进行调制识别。它们的共同特点是通过计算高阶累积量来提取信号特征，并设计判决规则，实现信号调制识别。由于高阶统计量的估计需要较多的符号数才能达到较高的精度，故在符号数较少的情况下，这些方法的性能较差。

本文基于深度学习的方法对PCMA信号进行调制识别，对模型参数的不确定性具有良好的适应能力，在信噪比、频偏和相偏等参数未知的情况下也能准确地识别调制方式，避免了参数估计误差对调制识别性能的影响。仿真实验表明，本文方法能够有效识别由BPSK、QPSK、8PSK、16QAM调制的PCMA信号的调制方式，在符号数较少、中低信噪比、不同的频偏和相偏参数等情况下都有良好的识别性能。

1 信号模型和识别流程

本文考虑PCMA信号采用BPSK、QPSK、8PSK、16QAM这四种常用的调制方式，它们的基带信号模型分别为

本文利用两个深度卷积神经网络CNN（Convolutional Neural Network）构造一个深度学习系统，实现PCMA信号的调制识别，识别流程如图1所示。其中第一个深度CNN学习网络用于区分BPSK、16QAM、8PSK/QPSK这三类调制方式，第二个深度CNN学习网络用于进一步地识别QPSK和8PSK调制方式。如果第一个深度CNN学习网络识别的结果是BPSK或16QAM，则调制识别流程结束；如果第一个深度CNN学习网络识别的结果是8PSK/QPSK，则用第二个深度CNN学习网络作进一步地识别。

图1 基于深度CNN的PCMA信号调制识别流程

2 深度学习网络的结构和训练

2.1 深度CNN学习网络的结构设计

本文使用基于CNN的深度学习网络进行调制识别，它包括一个输入层、多个卷积层、一个全连接层和一个输出层，如图2所示。

图2 深度CNN结构

第个卷积层对前一层的输出进行卷积运算，增加一个偏置项后，再经过一个非线性函数得到该卷积层的输出，则卷积运算和卷积层的输出可以表示为

深度CNN学习网络2包括：4个卷积层、1个全连接层和1个输出层，用于区分QPSK和8PSK调制方式。卷积层的卷积核大小依次为3×1、3×1、5×1和5×1，特征数量依次为128、256、256和256。全连接层的节点数量为256，输出层使用SoftMax函数，节点数量为2。8PSK和QPSK这两类调制方式分别用10和01来表示，并作为训练和测试时的标签。

仿真实验中采用Tensorflow框架[10]搭建相应的卷积神经网络。

2.2 深度CNN学习网络的训练过程

2.教师要深入备学生，找准学生的学习起点。读懂学生，分析学生的实际情况，了解学生的已有知识及活动经验，分析学生学习时可能存在的困难，从而找准学生学习起点，才能准确地把握教材内容，不应过难或过易，让教学设计更有效。

为了防止训练中的过拟合，采用了Dropout方法[11]。Dropout是一种在深度学习中应用的正则化手段，其原理是：在一个mini-batch的训练过程中，先随机选择神经层中的一些单元并将其临时隐藏，然后再进行深度学习网络的训练和优化过程；在下一个mini-batch的训练过程中又将另外一些神经元隐藏，如此直至训练结束。

训练过程中每个mini-batch的大小为32，学习率为0.01，Dropout参数为0.5，并采用正态分布随机初始化CNN的卷积核权重和偏置参数。另外，训练的优化方法选取为Adam，且在单个GPU GeForce GTX 1060进行训练和测试。实验表明，训练样本数在40万个左右时就能够保证两个网络稳定地收敛。

3 仿真实验及分析

为了评估深度CNN学习网络的性能，根据信号模型式（1）~式（3）产生PCMA信号，对已训练完成的学习网络进行测试。

实验中，深度学习方法利用Tensorflow架构实现，文献[4]~文献[6]的方法使用Matlab实现。

调制识别正确率r定义为

其中t为某种调制类型的实验总次数，rt为t次实验中调制方式识别正确的次数。

基于CNN方法的r与SNR的关系如图3所示。

由图3可见，随着信噪比的增加，每种调制类型的识别正确率都逐渐增加。当SNR为10dB时，r几乎都在90%以上；当SNR增加到20dB时，BPSK的识别正确率接近100%，另外几种类型的r也都超过98%，这表明算法在中、高信噪比下具有较高的调制识别正确率。比较这四种调制类型的r与SNR的关系曲线可以发现，在相同信噪比的情况下，BPSK、QPSK、8PSK和16QAM的识别正确率依次降低，即高阶调制方式具有相对较低的识别正确率。

实验二：不同方法的平均识别正确率与信噪比的关系

其中为实验的总次数，r为次实验中调制方式识别正确的次数。

图3 Pr与SNR的关系曲线

图4 不同方法的与SNR的关系曲线

从图4可知，在高信噪比下，本文方法与其它文献方法的平均识别正确率都接近100%，但在中等信噪比的条件下，本文方法的平均识别正确率在93%以上，明显优于其它方法。当信噪比为10dB时，本文方法的平均识别正确率达93%，其它方法的平均识别正确率仅为30%~50%。

实验三：本文方法识别正确率与混合幅度比的关系

图5 Pr与h的关系曲线

图5表明，在不同的混合幅度比下，本文方法对BPSK的识别正确率达到96%~98%，对QPSK和8PSK的识别正确率在92%左右，对16QAM的识别正确率为86%~90%，即本文方法在为0.5~1的情况下具有较为稳定的性能。

实验四：不同算法的运行时间比较

表1 不同算法的运行时间比较

根据表1，本文方法进行单次识别所需要的平均时间是文献[4]、文献[5]和文献[6]方法的3~4倍。本文算法的运行时间更长，这是由于本文为了使深度学习网络具有相对较高的识别正确率，构造了较为复杂的网络，即通过牺牲算法复杂度换取高识别性能。

4 结束语

借鉴机器学习从数据中学习特征的思想，本文提出了基于深度卷积神经网络的PCMA信号调制类型识别方法。本质上，深度卷积网络可以看作是一个基于数据驱动的最大似然估计器，即给定输入信号样本和输出类别标签，通过训练（学习）来获得最优或近最优的非线性网络，从而得到一个性能优良的调制类型估计器。仿真实验结果表明，基于CNN的PCMA信号调制类型识别方法，只需要1000个符号就能获得较高的识别正确率，识别性能明显优于现有的其它方法，但其算法复杂度较高。因此，在PCMA信号样本数较少、识别正确率要求较高且运算资源充足的应用场景下，本文方法优势明显，具有一定的实用价值。

[1] DANKBERG M. Paired carrier multiple access(PCMA) for satellite communications[C]// 17th AIAA International Communications Satellite Systems Conference and Exhibit, Yokohama, Japan, 1998.

[2] KUBANKOVA A, KUBANEK D, PRINOSIL J. Digital modulation classification based on characteristic features and GentleBoost algorithm [C]//IEEE International Conference on Telecommunications and Signal Processing, Budapest, Hungary, 2011: 448–451.

[3] BAI Dongwoon, LEE Jungwon, KIM Sungsoo, et al. Near ML modulation classification[C]// IEEE Vehicular Technology Conference, Quebec City, QC, Canada, 2012.

[4] 金元盛, 戴旭初, 李辉. 一种有效的PCMA信号调制识别方法[J]. 遥测遥控, 2010, 31(3): 12–20. JIN Yuansheng, DAI Xuchu, LI Hui. An effective modulation identification approach for PCMA signals[J]. Jonrnal of Telemetry, Tracking and Command, 2010, 31(3): 12–20.

[5] 杨欣, 黄焱, 张冬玲, 等. 基于联合特征参数的PCMA信号调制识别算法[J]. 信息工程大学学报, 2013, 14(1): 78–83,90. YANG Xin, HUANG Yan, ZHANG Dongling, et al. Modulation identification algorithm for PCMA signals based on combined characteristic parameters[J]. Journal of Information Engineering University, 2013, 14(1): 78–83,90.

[6] 廖灿辉, 万坚, 周世东. 利用累积量和似然特征的卫星单-混信号调制识别算法[J]. 电讯技术, 2010, 50(7): 44–48. LIAO Canhui, WAN Jian, ZHOU Shidong. Modulation classification algorithm for satellite single-mixed signal using cumulants and likehood features[J]. Telecommunication Engineering, 2010, 50(7): 44–48.

[7] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[C]//the 26th Annual Conference on Neural Information Processing Systems, 2012: 1097–1105.

[8] GOODFELLOW I, BENGIO Y, COURVILLE A. Deep Learning[M]. USA:MIT, 2016: 326–329.

[9] HE Kaiming, ZHANG Xiangyu, REN Shaoqing, et al. Deep residual learning for image recognition[C]//IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, United States, 2016: 770–778.

[10] ABADI M, AGARWAL A, BARHAM P, et al. TensorFlow: Large-scale machine learning on heterogeneous systems[C]//the 12th USENIX Conference on Operating Systems Design and Implementation, 2016: 265–283.

[11] SRIVASTAVA N, HINTON G, KRIZHEVSKY A, et al. Dropout: a simple way to prevent neural networks from overfitting[J]. Journal of Machine Learning Research, 2014, 15: 1929–1958.

A modulation identification approach for PCMA signals based on convolutional neural networks

LI Linjun, DAI Xuchu

（Department of Electronic Engineering and Information Science, University of Science and Technology of China, Hefei 230027, China）

The basic idea of the existing methods for modulation identification of PCMA signals is to utilize the high-order statistics of the signals to construct the corresponding features for modulation recognition. However, sufficient transmitted symbols are needed to achieve high estimation accuracy for high-order statistics. Therefore, the existing methods possess poor identification performance without sufficient transmitted symbols. Based on the idea of deep learning and the property of CNN, a novel approach for modulation recognition of PCMA signals is proposed, which can effectively identify the modulation type of the PCMA signals and achieve high identification accuracy with less transmitted symbols. Moreover, the application of CNN makes the proposed approach much robust to frequency offset and phase offset, and the approach has good identification performance under different SNR. The simulation results show that the correct modulation recognition rate of the proposed approach is more than 90% with 10dB SNR and 1000 transmitted symbols, which obviously outperforms the existing methods. However, the time consumption of the proposed approach is higher than the existing methods.

PCMA; Modulation identification; CNN; Deep learning

TN92

A

CN11-1780(2019)04-0017-06

李林俊 1997年生，硕士研究生在读，主要研究方向为通信信号处理与应用。

戴旭初 1963年生，博士，教授，主要研究方向为宽带无线通信、智能信号处理。

Email:ycyk704@163.com TEL:010-68382327 010-68382557

2018-11-15

2019-06-25