基于循环谱和改进的深度神经网络的频谱分析方法

吴赛 王智慧 邵炜平 林春生 郑伟军 杨德龙

摘要 频谱分析的关键在于准确识别信号的调制方式，而常用的自动调制识别方法在低信噪比下的识别率低，并且能够识别的信号调制方式种类数少。基于此种情况，提出了一种基于循环谱和改进的深度神经网络的频谱分析方法。该方法使用卷积神经网络、长短时记忆和深度神经网络相结合的神经网络（CLDNN）并将循环谱特征作为该网络的原始输入特征。仿真结果显示所提出的方法在信噪比为-2 dB时能够达到90%的识别准确率，极大的提高了低信噪比情况下的信号识别性能。

关 键 词 自动调制分类;循环谱;神经网络;频谱感知

中图分类号 TN911.7     文献标志码 A

Cyclic spectrum and improved deep-neural-network based spectrum analysis method

WU Sai1， WANG Zhihui1， SHAO Weiping2， LIN Chunsheng3，

ZHENG Weijun2， YANG Denglong1

（1. China Electric Power Research Institute， Beijing 100192， China; 2. State Grid Zhejiang Electric Power Co.， LTD， Hangzhou， Zhejiang 310007， China;  3. School of Information and Communication Engineering， Beijing University of Posts and Telecommunications， Beijing 100876， China ）

Abstract The essential of the accurate spectrum sensing is the automatic modulation classification. The commonly used automatic modulation classification （AMC） schemes has inferior classification performance at low signal-to-noise ratio （SNR） scenario and only few modulation formats can be identified. On this situation， a novel cyclic spectrum and improved deep-neural-network based modulation classification scheme is proposed， where convolutional neural network and a long short-term memory assisted deep neural network （CLDNN） structure is utilized and the cyclic spectrum features are the inputs of the network. The simulation results verify that the proposed scheme achieves 90% recognition accuracy at -2 dB SNR， which has greatly improved the recognition accuracy at low SNR and outperforms other recent methods.

Key words automatic modulation classification; cyclic spectrum; neural network; spectrum sensing

無线通信以即时实现固定与移动、移动与移动的无障碍、无缝隙信息覆盖为目标，造成了无线通信业务的指数级增长。然而，承载业务的无线电频谱已经基本分配殆尽且十分拥挤，很难找到剩余的频段来满足日益增长的新业务需求。认知无线电技术通过频谱感知分析电磁环境中授权频段的空闲时段，将空闲时段动态的分配给次要用户。对频谱进行动态分配，极大的提高了频谱的利用效率。而信号调制方式的正确识别是频谱分析的前提，只有在正确的识别信号的调制方式之后，才能进一步进行频谱监测、管理、分配等任务。

现有的关于自动调制分类识别主要采用两类方法[1]：一类是基于最大似然决策理论的方法;另一类是基于特征提取分析的统计模式识别方法。基于最大似然决策理论的方法利用假设检验从理论推导上计算信号的统计特性，此类方法计算复杂且需要知道载波频率、码元速率等先验知识。基于特征提取的统计模式识别方法主要由信号预处理、特征提取以及分类器设计3大部分组成。虽然是一种次优的方法，但是其计算复杂度得到了极大的降低，配合神经网络，使得其具有非常好的鲁棒性。

文献[2]中提出的决策树算法使用时域信号的累积量和循环矩作为特征;文献[3-4]使用高阶累积量作为分类特征;谱相关方程[5-6]等常被用作为数字调制分类算法的特征。相比于传统的基于决策树和SVM[7-8]等算法，最近兴起的神经网络表现出更好的分类能力。文献[9]使用3层隐藏层的DNN全连接神经网络，选取信号瞬时相位、瞬时幅度、瞬时频率和累积量等21个特征，将这21个特征归一化后输入DNN网络进行调制信号的分类识别。此方法的分类识别率得到极大的提升，但是可以识别的调制方式种类数少且在低信噪比下的识别能力有限。文献[10]提出了将已调信号的幅度和相位作为特征直接输入到LSTM（长短时记忆网络）网络中，利用LSTM对信息的长时记忆能力来尽可能多的学习信号的特征，此方法特征简单，极大的降低了计算复杂度，但是不足之处在于分类识别能力较弱。本文基于循环谱特征，通过提取循环谱图的峰值，并将其按位置顺序组成一维向量以保持峰值样点在图中的位置信息，并结合卷积神经网络、长短时记忆和深度神经网络相结合的神经网络（CLDNN）进行分类识别任务。通过仿真表明，所提出的方法大大提高了低信噪比下的识别准确率和可以识别的调制方式种类数目。

3.2 不同网络模型的对比

实验所用特征为循环谱特征，并选取单一的LSTM和DNN网络与本文的CLDNN网络作对比实验。从图7中可以看出，DNN网络在低信噪比下的识别率明显低于其他两种方法。DNN网络是将特征映射到更容易分类的空间，所以对特征要求高，然而在低信噪比下，特征显著性较差，故而DNN网络在低信噪比下的性能较差，而LSTM网络对信息的长时记忆能力一定程度上弥补这一缺点，这使得信噪比低于-1 dB时，LSTM网络的识别性能明显优于DNN网络。但是随着信噪比的提高，特征显著性越来越高，DNN网络的优势显现出来，在信噪比高于-1 dB时，DNN网络的识别性能反超LSTM。在信噪比大于4 dB时，DNN网络的识别性能和本文所提出的CLDNN网络相差无几。而CLDNN网络综合LSTM和DNN两种网络的特点，无论低信噪比还是高信噪比下的识别性能都不低于其他两种网络。

3.3 所提出的方法与不同调制方式的识别性能对比

图8对10种不同调制方式进行调制分类识别实验，展示了不同调制方式的识别准确率，可以看出，在信噪比大于3 dB时，所有的调制方式的识别率均达到80%以上。80%识别准确率是研究区分不同调制方式的最低参考界限，一般认为，最低信噪比是在样本数目一定的条件下，准确识别率达到80%时所对应的SNR值。在信噪比大于4 dB时，10种调制方式的识别率稳定在90%以上，在信噪比大于8 dB時，10中调制方式的识别率基本都稳定在100%左右。在低信噪比场景下，各调制方式信号的特征显著性和稳定性较差，难以稳定的表征不同调制方式信号且表征能力也随信噪比的变化而变化，这是低信噪比下调制方式识别率呈现非单调递增的主要原因。

图9给出本文所用方法在-14 dB、-4 dB和8 dB下的混淆矩阵。可以看出在-14 dB信噪比时，由于受强噪声带来的随机性影响，误判频频发生，且没有一定误判规律性。在信噪比为-4 dB时，误判主要发生在16QAM和64QAM以及QPSK和MSK的相互识别中， 这主要是QAM类信号的嵌套星座图样导致的。在8 dB情况下，没有任何误判事件发生。

4 结论

本文提出一种基于循环谱和CLDNN网络的调制方式分类方法。该方法使用差异性高的循环谱特征作为分类特征，利用CLDNN网络接收循环谱特征并对特征进行更深层的优化表征。CLDNN网络综合利用CNN减小频域变化、LSTM长时记忆和DNN将特征映射到更容易分类的特征空间的能力，进一步提升网络在各信噪比下的分类识别性能。实验结果显示所提出的方法的分类识别准确率相比传统方法获得了极大的提升，并在低信噪比场景下表现出不错的分类性能。在信噪比为-6 dB时的识别率准确率达到80%，并且在-2 dB时能够达到90%的识别准确率。

参考文献：

[1]    DOBRE O A，ABDI A，BAR-NESS Y，et al. Survey of automatic modulation classification techniques：classical approaches and new trends[J]. IET communications，2007，1（2）：137-156.

[2]    SWAMI A，SADLER B，BRIAN M. Hierarchical digital modulation classification using cumulants[J]. IEEE Transactions on Communications，2000，48（3）：416-429.

[3]    WU H C，SAQUIB M，YUN Z. Novel automatic modulation classification using cumulant features for communications via multipath channels[J]. IEEE Transactions on Wireless Communications，2008，7（8）：3098-3105.

[4]    ELDEMERDASH Y A，MAREY M，DOBRE O A，et al. Fourth-order statistics for blind classification of spatial multiplexing and Alamouti space-time block code signals[J]. IEEE Transactions on Communications，2013，61（6）：2420-2431.

[5]    GARDNER W A，BROWN W A I，CHEN C K. Spectral correlation of modulated signals：Part ii-digital modulation[J]. IEEE Transactions on Communications，1987，35（6）：595-601.

[6]    YAN X，FENG G，WU H C，et al. Innovative robust modulation classification using graph-based cyclic-spectrum analysis[J]. IEEE Communication Leters，2017，21（1）：16-19.

[7]    TENG X ，TIAN P ，YU H. Modulation classification based on spectral correlation and SVM[C]// International Conference on Wireless Communications. IEEE，2008：1-4.

[8]    HE X ，ZENG Z ，GUO C . Signal classification based on cyclostationary spectral analysis and HMM/SVM in cognitive radio[C]// International Conference on Measuring Technology & Mechatronics Automation. IEEE Computer Society，2009：309-312.

[9]    KIM B，KIM J，CHAE H，et al. Deep neural network-based automatic modulation classification technique[C]// International Conference on Information & Communication Technology Convergence. IEEE，2016：579-582.

[10]  RAJENDRAN S，MEERT W，Giustiniano D，et al. Deep learning models for wireless signal classification with distributed low-cost spectrum sensors[J]. IEEE Transactions on Cognitive Communications and Networking，2018，4（3）：433-445.

[责任编辑    田    丰]