利用时频域对数的调制方式识别算法

李 鑫，张传武，高 勇

(1.四川大学 电子信息学院，四川 成都610065；2.电子信息工程(西南民族大学)国家民委重点实验室，四川 成都610225)

0 引言

调制方式自动识别广泛应用于军事和民用场合，包括无线电频谱管理、智能通信、通信抗截获、电子侦测、电子对抗和电子反对抗等[1]。调制识别的主要任务是在先验信息不足的情况下，实现对调制信号的智能接收和处理。高阶正交振幅调制(MQAM)具有频带利用率高、抗噪声性能强等优点，在卫星通信和微波通信中得到广泛应用[2-3]。因此，对于MQAM信号调制识别的研究具有十分重要的现实意义[4-6]。

目前，国内外对于调制信号自动识别的方法分为2类[7-9]：基于决策理论的最大似然估计法和基于特征提取的统计模式识别方法。但是这2种方法都需要大量关于统计量或者特征提取的知识。在先验信息不足且低信噪比情况下，无论是基于最大似然估计法还是特征提取法，这2种方法的性能和适应性都还有待提高[10]。文献[11]通过提取信号四阶和六阶累积量特征，利用遗传规划理论和K最邻近分类方法，在信噪比为5 dB时，集内BPSK、QPSK、16QAM、64QAM四种调制信号才达到85%的识别准确率。文献[12]利用信号矢量图中最小环带的方差特征，在信噪比为14 dB时，才能实现对64阶以下的QAM信号90%的识别准确率。文献[13]通过提取集内3种信号的星座图特征，利用卷积神经网络实现对4QAM、16QAM、64QAM的识别，集内不包括频带利用率更高的128QAM，且星座图预处理需要消除载波频偏和定时误差对星座图的影响，预处理过程复杂、速度慢。

考虑到深度学习在图像处理和语音处理等领域的高速发展[14-15]。本文提出一种利用时频域对数特性结合深度学习的调制方式识别算法，对集合内的QPSK、8QAM、16QAM、32QAM、64QAM、128QAM六种信号进行自动识别。仿真结果表明，在信噪比大于4 dB时，该算法具有较好的识别性能，对集内6种信号的识别准确率均能达到90%以上。

1 信号模型

四进制相移键控QPSK信号发送端信号表达式为：

SQPSK(t)=∑nAmsng(t-nTb)ej(2πfct+θn)。

(1)

正交振幅调制MQAM信号发送端信号表达式为：

SMQAM(t)=∑nAnsng(t-nTb)ej(2πfct+θn)，

(2)

式中，Am，An为调制信号的瞬时幅度，An随符号的变化而变化；sn为信息序列的第n个发送符号；g()为基带波形函数，通常采用升余弦成型脉冲，周期为Tb；fc，θn分别为载波频率和载波相位。

调制信号经过加性高斯白噪声信道(AWGN)后，接收端对其进行采样，此时接收端信号表达式为：

R(n)=∑nAsng(kTs-nT)ej[2π(fc+Δfc)kTs+θn)]+W(kTs)，

(3)

式中，A为Am或An；Ts为采样周期；Δfc为频偏；W(kTs)为均值为0，方差为σ2的加性高斯白噪声。

2 信号预处理

在实际的非协作通信系统中，由于存在频偏以及不能确定码速率的确切值，将接收到的信号直接作为神经网络的输入，已经不能准确地识别集合内的6种信号。考虑到倒谱变换后的信号能量集中，扩大了动态分析的频谱范围和提高了再变换的精度，能够增强识别能力。因此，本文算法首先对接收端信号R(n)进行简单的构造以得到特殊的I/Q重构信号X(n)。需要说明的是：X(n)的I/Q信号并非幅度相等、相位相差90°，仅相当于由2个简单特征构造而得。本文算法所涉及的信号预处理流程如图1所示。

图1 信号预处理流程Fig.1 Signal preprocessing flow chart

相应步骤为：

① 时域对数。直接对接收端信号R(n)求对数和求模，得到X(n)的I路信号XI(n)，其中XI(n)=|lg[R(n)]|，lg[·]表示取对数，| |表示取模值。

② 频域对数。对接收端信号R(n)做倒谱变换和求模，得到X(n)的Q路信号XQ(n)，其中XQ(n)=|IFFT{lg[FFT(R(n))]}|，FFT( )表示快速傅里叶变换，IFFT{ }表示快速傅里叶反变换。

③ 对X(n)=XI(n)+jXQ(n)进行幅值归一化处理，得到重构信号X(n)，其中

倒谱变换具体步骤为：

首先，对接收端信号R(n)做FFT得到：

FN=FFT(R(n))，

(4)

然后，对频域的FN求对数：

LN=lg[FN]=lg[FFT(R(n))]，

(5)

最后，对LN做IFFT，求模得XQ(n)：

XQ(n)=|IFFT{LN}|=

|IFFT{lg[FFT(R(n))]}| 。

(6)

本文提出的预处理算法，既利用了原始信号的时域对数特征，又利用了频域对数特征，即倒谱特征，将二者进行融合，得到神经网络的输入信号X(n)，通过仿真实验证明了本文预处理算法的有效性。

3 基于CNN的调制方式识别算法

本文算法结合正交振幅调制信号特征，首先对接收端信号进行时频域对数预处理，再通过深度卷积神经网络进行深度特征提取，softmax逻辑回归分类器进行分类。在无任何先验信息的情况下，设计了一种利用时频域对数结合深度学习的调制信号自动识别算法，识别流程如图2所示。

图2 算法识别流程Fig.2 Algorithm identification flow chart

本文所使用的卷积神经网络模型结构如图3所示。输入为经过预处理之后的I/Q两路重构信号，卷积层对I/Q两路数据进行自学习，池化层通过降采样提高深度分类特征的鲁棒性，将自学习的深度分类特征输入到所设计的分类器，通过计算当前深度特征对应标签信号的概率，实现调制信号方式自动识别。该算法模型避免繁琐的人工选择和分类特征不易选取的缺陷[16-17]。

图3 卷积神经网络结构Fig.3 Structure of CNN

该模型共3层卷积层，其中第1层和第2层卷积层的卷积核大小设置为1×6，步长均设置为2，第3层卷积层的卷积核大小设置为1×3，步长设置为1；初始学习率设置为0.000 1。重构信号经过3个卷积层、3个池化层、2个全连接层之后，按照6种调制方式输出。

卷积层通过使用卷积核对输入的调制信号进行卷积以得到不同的特征映射。在每层卷积层后添加一层最大池化层，以达到对特征映射降维和减少运算量的目的。通过引入激活函数，将非线性特征引入到网络中，把网络的输入映射到输出端，采用CNN中常用的线性整流单元ReLU作为激活函数。设置2个全连接层，第1个全连接层的输出元素个数为1 024；第2个全连接层的输出元素个数设置为6，代表6种调制信号类型。

通过softmax回归进行归一化处理，得到分类类别概率。代价函数通过交叉熵来确定。采用随机失活(dropout=0.5)对CNN网络进行优化，以解决可能出现的过拟合和梯度消失的问题。

训练集数据带有标签，本文使用的网络模型通过不断学习重构信号的深度特征，整个系统通过梯度反向传播机制，不断调节网络中的参数，使得系统输出结果与标签结果的误差达到最小。

4 算法仿真以及性能分析

4.1 仿真数据集

为了得到目标CNN模型，需要通过大量样本数据对CNN进行有监督的训练；为了验证训练好的网络的泛化能力，需要用测试样本进行测试以验证本文算法的可行性。

仿真实验的数据集由QPSK、8QAM、16QAM、32QAM、64QAM、128QAM六种信号组成。码速率设置为50 kbps～5 Mbps，采样频率为4～6倍的码速率，频偏为-0.1～0.1倍码速率，根升余弦滤波器系数R=0.35，采样点数设置为6 000点。

通过仿真产生2个数据集，数据集1按4∶1的比例分为训练集和验证集，信噪比范围为-10～16 dB，间隔为2 dB，每个样本包含I/Q两路数据，共67 200个样本，其中训练集是用来训练参数和梯度下降的，验证集是在每个epoch(迭代次数)完成后，用来测试一下当前模型的准确率；数据集2为测试集，用来检验最终选择最优模型的性能，产生100个测试集，对测试结果进行统计平均，计算出每类信号的识别准确率以及6种信号的平均识别准确率。

当信噪比为0 dB，码速率为2 Mbps，采样倍数为5，频偏为0.05倍码速率时，集内QPSK，8QAM，16QAM，32QAM，64QAM和128QAM六种信号经过预处理后的重构信号X(n)的I/Q两路信号时域波形如图4所示。

图4 预处理后I/Q两路重构信号时域波形Fig.4 Time-domain waveforms of two reconstructed I/Q signals after preprocessing

4.2 仿真结果

通过绘制交叉熵损失函数曲线，如图5所示。可以看出，训练集和验证集loss都呈下降趋势，前10次迭代，由于神经网络还没学习到数据的全部深度特征，验证集loss波动较大，但随着epoch增加，训练集和验证集loss都逐渐趋于稳定，当epoch达到40次时，loss基本不变，此时可以得到最佳epoch数。

图5 训练集和验证集损失函数曲线Fig.5 Loss function curves of training and validation sets

CNN神经网络经过40个epoch之后得到最优的网络模型，通过测试集得到的6种信号的识别准确率如图6所示。

图6 识别准确率Fig.6 Recognition accuracy

由图6可以看出，当信噪比大于4 dB时，6种信号的识别准确率均达到90%以上。

当信噪比为4 dB时，集内6种信号识别准确率的混淆矩阵如图7所示。

图7 SNR=4 dB识别准确率的混淆矩阵Fig.7 Confusion matrix of recognition accuracy when SNR=4 dB

本文采用的时频域对数特性结合深度学习算法与无任何预处理、仅时域对数预处理和仅频域对数预处理的平均识别准确率对比如图8所示。

图8 平均识别准确率对比Fig.8 Comparison of average recognition accuracy

由图8可以看出，无任何预处理的平均识别准确率很低；仅时域对数预处理，随着信噪比增加，平均识别准确率提升不大；仅频域对数预处理，平均识别准确率提升较大，但最后平均识别准确率最大在90%左右。本文提出的预处理算法将时域对数和频域对数特性相结合，重构信号作为神经网络的输入，使得识别准确率得到了很大的提升。进一步验证了本文提出的预处理算法的可行性，在信噪比很低的情况下，仍然有较高的识别率。

4.3 实测信号验证

算法性能通过一个NI USRP-2930硬件平台发送信号QPSK、8QAM、16QAM、32QAM、64QAM、128QAM，一个NI USRP-2930硬件平台接收无线信号的方式来验证。设置发送端载波频率为515 MHz，码元速率为125 kbps，采样率为500 kHz，根升余弦系数为0.35。测试集每类信号产生100条信号，每条信号采样点数为6 000。实验结果如表1所示。

表1 每类信号不同信噪比的识别准确率

由表1可知，在信噪比为7 dB时，每类信号信噪比均达到90%以上，通过实测信号验证了算法的有效性。实测信号实验结果与仿真信号实验结果不一样的原因是：实测信号集加噪的方式是先用设备将信号采集下来(默认采集下来的信号是不带噪声的)，然后通过Matlab加噪。

5 结束语

针对QPSK和MQAM信号调制方式识别的问题，提出了一种利用时频域对数结合深度学习的调制信号自动识别算法，实现了在低信噪比的情况下，对QPSK和MQAM信号的有效识别。本文提出的算法无需知道任何先验信息，通过对接收的信号进行简单的预处理，将重构信号输入到已经训练好的网络模型中，即可完成对集内6种信号的自动调制方式识别，避免了繁琐的人工提取特征的过程。相较于已有的关于QAM信号识别的文献，本文算法通过实测信号验证在信噪比大于7 dB时，集内每类信号的识别准确率均已达到90%以上，预处理复杂度低，效果较好，具有一定的实用价值。