基于深度学习的异常动态射频信号检测分类

蔡克辉

（慧与（中国）有限公司 北京市 100027）

1 引言

无线网络具有网络内干扰（来自其他网络内用户）、网络外干扰（来自其他通信系统）、干扰器、信道效应（如路径损失、衰落、多径和多普勒效应）和流量拥塞等特点。为了支持动态频谱接入(DSA)，网络中用户需要感知频谱并表征隐藏在频谱动态中的干扰源。

机器学习提供了对接收信号进行分类的自动化方法，伴随算法的发展，深度学习有望实现传统机器学习算法无法完成的频谱数据潜在表示。特别是深度学习可以根据信号的调制类型对信号进行有效分类[1-2]。在训练无线信号分类器的可用数据集，以往研究中常见的做法是假设信号类型是已知的，保持不变，并且没有任何干扰和欺骗影响。然而，在现实的无线网络中，这些假设通常是无效的，因为信号类型普遍随时间变化并且部分信号类型是未知的。

在构建射频信号分类器时，必须结合这两种实际情况：随时间变化的信号和未知信号。以便其结果能够在DSA协议中实际使用。工业中需要无线信号分类器，它可以根据调制类型将信号分类为空闲、网络内用户（如次级用户）、网络外用户（如主要用户）和干扰者。假设不同的信号类型使用不同的调制方式，我们提出了一个卷积神经网络(CNN)，它将接收到的I/Q样本分类为空闲、网络内信号、干扰信号或网络外信号。我们从简单的基线场景开始，即所有信号类型都是固定的和已知的，并且没有叠加信号。

本文组织结构如下：第二节讨论了相关工作；第三节介绍了基于深度学习的未知动态频谱环境下的信号分类器设计；第四节给出了本文分类器的试验结果分析。第五部分对全文进行总结。

2 相关工作

信号分类是认知无线电应用的一项重要功能，可提高态势感知（如识别干扰源）并支持DSA。传统的信号分类方法包括基于似然的方法或基于接收I/Q样本的特征分析[3,4]。然而，这两种方法需要专家设计或信号知识。它们还增加了接收器的复杂性，因为原始I/Q数据必须在分类之前进行处理。

通过从频谱数据学习，机器学习在无线通信中有着丰富的应用[5,6]。特别是，深度学习已被应用于学习复杂的频谱环境，包括CNN的频谱感知[7]，生成对抗网络（GAN）的频谱数据增强[8,9]，前馈神经网络（FNN）的信道估计[10]，以及训练和测试时间内FNN的干扰/抗干扰[11-13]。调制分类已通过深度神经网络进行了广泛研究，其目标是将给定的隔离信号分类为已知的调制类型。在文献[2]中，通过测量评估调制分类的性能表明，真实世界系统的性能取决于训练数据集是否完全捕获真实无线电环境中的各种干扰和硬件类型。这些方法不能轻易地应用于无线网络设置中，因为它们不捕获动态和未知信号类型、可能欺骗信号类型的智能干扰机以及由于并发传输而导致的信号类型叠加。在本文中，我们解决这些问题，使信号分类适用于DSA协议。

3 基于深度学习的频谱分析

我们考虑不同类型的用户在单个信道上发送的不同调制方案。从基线情况开始，不同用户类型使用的调制已知，并且没有信号叠加（即干扰源已经分离）。我们将调制分为四种信号类型：

（1）空闲：无信号；

（2）网内用户信号：QPSK、8PSK、CPFSK；

（3）干扰信号：QAM16、QAM64、PAM4、WBFM；

（4）出网用户信号：AM-SSB、AM-DSB、GFSK。

存在网络内用户（试图机会主义地访问信道）、网络外用户（信道访问中具有优先级）和干扰机，它们都共存。外部网络用户被视为主要用户，其通信应受到保护。在没有训练数据以外的先验领域知识的情况下，网内用户将接收到的信号分类为空闲信号、网内信号、干扰信号或网外信号。分类器为每个实例计算得分向量（p0，pin，pjam，pout），其中p0，pin，pjam和pout分别是将信号分类为空闲、网络内、干扰机和网络外的可能性得分。如果一个分数大于其他三个，则该实例被归类为相应的案例。

3.1 基于深度学习的分类器结构设计

我们使用文献[1]中的数据集。数据集中的每个样本由128个复值数据点组成，即每个数据点的维数为（128,2,1），以表示实部和虚部。我们使用10种调制（QPSK、8PSK、QAM16、QAM64、CPFSK、GFSK、PAM4、WBFM、AM-SSB和AM-DSB），以2 dB的增量在-20 dB到18 dB的范围内收集。如前所述，这些调制被分类为信号类型。在每个信噪比（signal-to-noise-ratios, SNR）下，每个调制类型有1000个样本。我们不使用传统的特征提取或现成的深层神经网络结构（如ResNet），而是构建一个以I/Q数据为输入的定制深层神经网络。

本文设计并训练了一个由几个卷积层和完全连接层组成的CNN分类器。但是，当卷积层中的滤波器大小不能被步长整除时，它会产生棋盘效应。本文提出的基于深度学习的信号分类器解决了棋盘效应的问题，图1给出了本文CNN算法的结构，其中网络详细定义如下（分别对应图1中从左到右的层结构）：

图1：用于射频信号分类的CNN分类器结构

·输入数据尺寸：（128，2）；

·尺寸为（1,1）的二维零填充；

·卷积层（Convolutional）：128个滤波器，卷积核尺寸为（3,3）；

·池化层（MaxPooling）：尺寸（2,2）和步长为1；

·以下结构重复五次并做级联：1）尺寸为（1,1）的二维零填充；2）卷积层：256个滤波器，卷积核尺寸为（3,3）；3）池化层（MaxPooling）：尺寸（2,2）和步长为1；

·全连接层：具有256个神经元和标度指数线性单元（SELU）作为激活函数；

·全连接层：具有64个神经元和SELU激活函数；

·全连接层：具有4个神经元和SELU激活功能；

分类器采用TensorFlow进行训练。ADAM优化器的步长为5×10-5，采用分类交叉熵损失函数进行训练。交叉熵函数如公式（1）所示：

3.2 面向未知类型信号的分类器设计

到目前为止，我们假设所有信号都为已知信号，因此可以将它们包含在训练数据中以构建分类器，这种假设适用于网内和网外用户信号。然而，干扰信号可能属于未知类型（异常值）。然而，基于已知信号构建的分类器无法准确检测干扰信号。如果（干扰）信号已知或未知，则需要异常值检测作为一种稳健的检测方法。如果信号未知，则用户可以记录该信号并相互交换新发现的标签。如果信号已知，则信号通过分类器进行标记。对于异常检测，由于波形维数较大，我们重用分类器的卷积层来提取接收信号的特征。然后，我们对这些特征应用两种不同的离群点检测方法。从而提出了基于最小协方差的未知信号检测方法（我们称之为MCD算法），具体实现如下：

方法的原理是将测试数据拟合到椭圆包络附近，并定义椭圆外的任何数据点都被视为异常值。本算法采用马氏距离识别异常值如公式（2）所示。

其中，μx和Sx分别是数据x的平均值和协方差。

为了进一步优化性能，我们先进行特征提取再进行离群点检测。在特征提取步骤中，我们将模型冻结在分类器中并重用卷积层。然后将冻结模型中卷积层的输出，输入给MCD算法。MCD算法中有一个称为污染的变量，需要进行调整。污染占数据集中异常值的估计比例。在MCD分类器的训练步骤中，我们只给出已知信号（网内和网外用户信号）的训练集，而在验证步骤中，我们使用内联测试集测试内联检测精度，并使用离群集（干扰信号）测试离群检测精度。当某些干扰机特性已知时，MCD算法的性能可以进一步提高。因此，这种方法提供了异常检测的最坏情况。

4 试验结果分析

我们将文献[1]中提供的数据集按照8:2进行随机分为两组，其中80%的数据用于训练本文信号分类器的CNN网络，其余20%用于测试网络性能。最终得到本文算法的损失函数变化和精度结果变化曲线，如图2所示，测试精度和训练精度拟合较为完善，未出现过拟合现象，测试精度最终可以高达93.4%。表1给出了本文算法在不同信噪比下的分类精度，每个信噪比下的分类精度为所有信号对应分类精度的平均值。

图2：CNN分类器性能

表1：CNN分类器精度

为了进一步验证本文算法对于未知信号的分类性能，对添加异常信号的数据集进行了测试，具体的评估设置如下所示：

·内部信号：QPSK、8PSK、CPFSK、AM-SSB、AM、DSB、GFSK；

·异常信号：QAM16、QAM64、PAM4、WBFM；

表2给出了本文提出的基于最小协方差的未知信号检测方法在不同信噪比下，对异常离群点的分类精度，每个信噪比下的分类精度为所有信号对应分类精度的平均值。

表2：基于最小协方差的离群点检测精度

5 结论

面向现实无线网络中信号类型的两种信号：机变信号和未知信号，本文结合深度学习技术，设计了基于持续学习的CNN网络结构来进行信号分类。同时，为了进一步优化分类算法的性能，针对未知信号，提出了基于最小协方差的异常信号检测算法。实验结果表明，本文算法对未知和动态射频信号有较好的分类效果，在基准数据集和不同的信噪比条件下，平均分类精度可以达到93.4%，而且算法对于信噪比的鲁棒性较强。