基于深度学习的卫星信号调制识别算法

任 进，姬丽彬，党 柳

(北方工业大学 信息学院，北京 100144)

0 引言

信号的调制识别是指已知信号所在的调制集合，正确识别目标信号的调制类型，是通信侦察以及软件无线电领域的一个重要研究课题[1-3]。调制识别作为非合作通信中的一种关键技术，能够对未知信号的调制方式进行自动判决识别，进而实现对信号的正确解调获取信息[4]。在信号检测与解调的过程中，调制识别这一技术不容忽视，其在军用和民用领域都扮演着不可或缺的角色。在民用通信领域，调制识别技术对频谱监督管理中信号的身份验证和干扰识别至关重要。在军事通信领域，出于一种占据战略主动权的战术手段和战略目的，调制识别技术通常被用于探测敌方信号调制类型，从而进行针对性的侦查与反干扰。

在诸多文献中,识别方法大致可以被划分为2种：基于决策论[5]的最大似然假设检验方法和基于特征提取的统计模式识别方法[6]。基于决策论的最大似然假设检验方法根据接收信号的似然函数，对似然比与阈值做出比较，进而完成决策，其中决策是使用贝叶斯假设的框架做出。以未知量选择模型的分类法为依据，能够将基于最大似然检验的自动调制分类大致划分成3种:平均似然比检验[7-8]、广义似然比检验[9]和混合似然比检验[10]。但是，它存在计算复杂度高和适用范围窄等缺点[11]。基于特征提取的统计模式识别方法首先采用可以表征不同调制样式的信号分类特征，以观察不同通信信号的特征参数差异来进行分类标准的选取，最后对信号的调制方式做出判决。它的缺点是需要人工提取，较为繁琐。总之，上述方法的分类性能和计算复杂度有待进一步提高。

近年来，通信研究者已经开始结合通信系统或者通信信号的本质进行深度学习的研究，如利用卷积神经网络拟合传统通信流程中的匹配滤波器功能，进行调制识别和接收检测[12]。

本文创新性地提出了基于循环神经网络(Recurrent Neural Network，RNN)的卫星调制信号识别算法，在低信噪比(SNR)情况下，识别率高、抗噪性能较强。相比于高阶累积量法下的操作复杂性，神经网络方法的识别性能更为优越。

1 卫星通信信号模型与数据集生成

1.1 接收信号模型

任意调制方式的接收信号的模型为：

ω(t)，

(1)

式中，A为接收信号的幅度；f0为发射机和接收机之间的频偏；θ0为相偏；φ(t)为相位抖动；x(τ)为有用信号；g(t)为成型滤波器的脉冲函数；h(t)为信道的响应函数；ε为传输系统的时间同步的误差；ω(t)为加性高斯噪声[13]。

无线信号在经过衰落信道后的模型为：

y(n)=Aej(2πf0n+θ0)x(n)+ω(n)，

(2)

式中，n取正整数。

1.2 数据集生成

在调制识别领域，大多采用布拉德利大学O’Shea生成并公开的调制数据集RML2016.10a。这一数据集共包括220 000个调制信号，包含11种调制方式，并且每种调制方式都产生了20 000个调制信号。由于本文主要面向卫星调制信号，且数据集中不包括APSK这一重要的卫星调制信号，所以本文将依照RML2016.10a的格式由GNU Radio生成新的包含6种调制信号的数据集。为了更好地模拟地面发射机与卫星之间的无线通信信道的真实环境，对信道进行仿真，选用GNU Radio中的Dynamic Channel模型分层模块，这一模块包括4个部分，如图1所示。同时，还采用GNU Radio Dynamic Channel模型，将真实信号通过不明的信道仿真模型后，再使用切片和矩形滑窗处理512/1 024/2 048个采样，对仿真产生的数据随机挑选时间段完成采样，之后将结果输出存储到输出向量中，整个操作过程如图2所示。

图1 动态信道模型结构

图2 数据集生成流程

2 卫星调制信号的识别

2.1 基于高阶累积量与KNN的调制样式识别算法

通常，高斯噪声加扰后的调制信号的复数表达可以记为：

(3)

式中，L=0,1,…,N,N为发送端码元的序列长度；aL为码元序列；Ts为码元周期；A为信号能量；RNs(·)为基带码元的矩形波形；fc为载波频率；θc为相位抖动；n(t)为零均值的复高斯白噪声，与发送信号x(t)的关系为相互独立。

K阶矩计算公式可以表示为：

Mk(τ1,τ2,…,τK-1)=E{x(t)x(t+τ1)…x(t+τK-1)},

(4)

式中，τ1,τ2,…,τK-1是延迟时间。

K阶累积量可以表示为：

CK(τ1,τ2,…,τK-1)=cum{x(t),x(t+τ1),…,x(t+τK-1)}。

(5)

由以上推导，可得到：

C20(x(t))=M20=E[x(t)x(t)],

(6)

C21(x(t))=M21=E[x(t)x*(t)],

(7)

(8)

C41(x(t))=M41-3M20M21,

(9)

(10)

(11)

(12)

(13)

式中，x*(t)为x(t)的共轭取值。根据现代信号处理理论可知,零均值高斯白噪声的高阶累积量[14](大于二阶)为零，由以上推导公式能够分别计算取得它们的各阶累积量值如表1所示。为了有效识别这6种信号，本文构造高阶累积量特征参数[15]F={C21,C40,C42,C63,C80}。

表1 不同调制信号的高阶累积量

在确定了本文所需的高阶累积量特征参数后，还需要分类器依据选取的特征参数对信号分类。KNN[16]是一种经典的统计模式识别算法，它的设计思想是对于那些需要分类的样本，首先通过公式计算待分类的样本与已知类别的训练样本之间的距离或相似度,找到距离或相似度与待分类样本数据最近的K个邻居;之后，通过这些邻居类别的范畴来分析判定待分类样本的类别。它在训练大型数据方面具有有效性，并且对嘈杂数据具有鲁棒性。因此，选取KNN作为分类器，实现对信号的分类。其调制识别流程如下：

① 输入6种调制信号数据集；

② 选取的5种特征构成特征集；

③ 分割数据集为训练集和测试集；

④ 计算输入样本和训练样本之间的距离；

⑤ 找到训练数据的K近邻；

⑥ 将K的最大标签类设置为训练数据；

⑦ 如果信号未分类，则对输入信号进行分类训练；如果信号被分类，应用KNN分类器；

⑧ 预测信号调制方式，计算并输出识别准确率。

2.2 基于RNN的卫星调制信号识别算法

RNN[17]被广泛用于从时间序列数据中学习持久特征。RNN与一个隐藏层的单元连接到下一隐藏层的全连接神经网络不同，RNN中一个隐藏层的单元与自身循环连接，如图3所示，其中W，U，V分别表示输入到记忆、记忆到记忆、记忆到输出的权重矩阵。

图3 RNN的一般结构

但是，传统的RNN在梯度下降更新过程中存在梯度消失问题。因此，RNN不适合学习长期依赖关系。为了克服这种局限性，引入了LSTM模型。LSTM神经网络[18]是一种以长短期记忆网络为单元的有门限的RNN，其结构如图4所示。

图4 一个LSTM单元的结构

LSTM单元背后的核心思想是除了外部循环单元，还有内部循环的LSTM细胞(自我循环)。每个细胞都有与传统RNN相同的输入和输出，但引入了更多的参数和一个由几个门组成的系统来控制信息流。LSTM单元中的3个门定义为:

it=σ(Wiht-1+Uixt+bi)，

(14)

ft=σ(Wfht-1+Ufxt+bf)，

(15)

ot=σ(Woht-1+Uoxt+bo)，

(16)

式中，σ(·)为Sigmoid激活函数，取值为0～1；it，ft，ot分别为输入门限层、忘记门限层、输出门限层；Wi，Ui，Wf，Uf，Wo，Uo和bi，bf，bo分别为对应的权重矩阵和偏差。上述门限层允许LSTM单元学习在长距离单元上存储和访问信息，从而避免了梯度消失问题。在自我循环中，将细胞记忆ct置于具有自我循环权值ft的下一个单元中，以决定向下一个细胞记忆中删除或添加信息：

ct=ft·ct-1+it·tanh(Wcht-1+Ucxt+bc)。

(17)

当前时间步长ht的输出由当前细胞记忆ct和输出门限层ot决定：

ht=ot·tanh(ct)。

(18)

通过对以上2种深度学习模型的分析，本文提出了基于RNN的卫星调制信号识别算法。在整个模型中，RNN-LSTM采用信号的IQ数据作为模型的输入，表2给出了该模型的参数设置。其中，网络包括一层LSTM层和一层全连接层，LSTM出于分时特征提取的目的，而全连接层则是为了分类而存在。模型的输入为512×2，LSTM胞元的数目为40，全连接层胞元的数目为32，最后输出长度为6的one-hot矢量，代表6种调制方式。

LSTM层的激活函数为ReLu，输出层的激活函数为Softmax，由于最后输出为6类不同的调制方式，所以采用Categorical-crossentropy这一多分类的交叉熵损失函数。除此之外，本模型还采用了Adam优化器，在训练的过程中使学习率随着训练过程自动修改，以便加快训练，提高模型性能。

基于上述设计，本文所采用LSTM模型的结构如图5所示。

图5 单层LSTM网络的结构

3 结果与分析

为了验证算法的有效性，本节将对基于高阶累积量和RNN的卫星信号识别性能分别进行仿真。

3.1 基于高阶累积量识别算法的仿真

针对高阶累积量识别算法，设置对应的待识别调制集为Ω={QPSK,8PSK,64QAM,256QAM,16APSK,32APSK}。其中，仿真信号SNR取值范围-4～16 dB。SNR每次变化间隔为2 dB，接收信号采样长度依次设定为128，512，1 024点。而对于每个SNR和样本数，都产生了1 000个实现，输入到构造好的KNN分类器中对信号的调制方式进行识别,仿真结果如图6、表3、图7和图8所示。可以看出，方案能够有效地识别这6个调制样式。当SNR>0 dB时，不同采样长度信号的平均识别率都达到了50%以上;当SNR>10 dB时，信号的平均识别率达到了90%以上。从表3可以看出，随着采样长度的增加，信号的识别率显著增加，当SNR>12 dB时，信号的调制方式可以高效地被识别出来，识别率逼近100%。从图7和图8可以看出，低SNR情况下，与其他2种调制相比，64QAM和256QAM信号的识别率最高，抗噪性能较强。通常，MQAM的高阶调制识别问题是调制识别领域会遇到的经典问题，而本文所用方法能够在低SNR情况下对该类信号完成较好的识别。混淆矩阵右侧的数字代表预测标签的概率，颜色越深代表预测越准确。

图6 不同采样长度下信号正确识别概率

表3 不同采样长度和SNR下信号正确识别概率

图7 SNR=-4 dB时6种信号混淆矩阵

图8 SNR=4 dB时6种信号混淆矩阵

3.2 基于RNN的调制信号识别算法仿真

针对基于RNN的卫星信号识别算法，将第一节生成的数据集导入，按照表2设置的参数完成仿真,仿真结果如图9～13所示。由图9可以看出，当Epoch增加时，网络在训练集的准确率逐步上升后趋于稳定，之后处于较高的水平，这意味着对模型的训练十分有效且没有出现过拟合现象。由图10可以看出，当Epoch增加时，模型的损失函数逐渐下降，与准确率恰好相反，这是符合正常规律的。

图9 LSTM网络准确率曲线

图10 LSTM网络损失函数变化曲线

由图11可以看出，随着采样率的增加，相同SNR下本算法的识别率有着较为明显的增长。在采样长度等于512，SNR>4 dB时，识别率趋近100%，可以准确识别出6种调制信号。由图12和图13可以看出，低SNR情况下，与其他2种调制相比，在RNN算法下，仍是MQAM信号的识别率最高，抗噪性能较强，SNR>0 dB时，所有信号已经基本可以被识别；SNR>4 dB时，信号的识别率接近100%。

图11 RNN下不同采样率的识别率对比

图12 SNR=-4 dB时6种信号混淆矩阵

图13 SNR=4 dB时6种信号混淆矩阵

4 结束语

在无线电监测以及频谱管理领域，通信信号调制样式的准确识别地位显著，出于在复杂电磁环境和恶劣卫星通信环境下提高信号识别性能的目的，本文提出了一种基于高阶累积量的调制识别算法，该算法利用高阶累积量具有良好的抗噪性能的特性，提取二阶、四阶、六阶及八阶高阶累积量作为信号识别的特征，并通过KNN算法实现了调制方式的良好分类，这种分类方案在存在载波频偏的情况下是鲁棒的。同时，面对KNN算法低SNR下识别率较低的情况，本文将RNN和LSTM网络用于调制识别算法，实现了低SNR下的高效识别，同时这一深度学习算法无需人工提取特征，可以快速适应未知信号。调制信号识别可以依据信号自身的瞬时幅度和相位等特征达到目的。得益于强大的神经网络优势，将信号自身特性与神经网络联系起来进行调制信号识别也将是不错的方法。