基于时隙IQ信号的瑞利衰落信道的调制信号识别

马运壮 贺英 郑鑫

摘要：针对瑞利信道调制信号存在的识别困难问题，本文提出一种基于时隙IQ信号的轻量级调制信号识别网络。将输入的IQ信号分不同的时隙，依次经过改进的GhostNet网络，提取信号的空间特征，并将多路时隙特征并行送入双向长短期记忆网络（bi-directional long short-term memory network，BiLSTM），提取信号的时域特征，最后由全连接网络（deep neural network，DNN）完成分类。同时，对仿真得到的多进制数字相位调制（multiple phase shift keying，MPSK）、多进制正交幅度调制（multiple quadrature amplitude Modulation，MQAM）等8种调制信号进行实验。实验结果表明，当慢衰落和快衰落信道在0 dB时，其识别准确率均能达到90%以上，说明GLDN模型具有良好的抗噪声和抗衰落性能，该模型对8种调制方式识别的F1-Score均在0.93以上，有效提升了高阶调制方式的识别性能，而且通过合理划分时隙长度，模型在更少的参数量下取得了较高的精度。该研究在非合作通信系统中具有重要意义。

关键词：调制识别； 瑞利信道； 时隙IQ信号； GhostNet； 双向长短期记忆网络

中图分类号：TN911.3； TP183 文献标识码：A

文章编号：1006-9798（2023）02-0060-08； DOI：10.13306/j.1006-9798.2023.02.009

基金项目：国家自然科学基金资助项目（61701271）

作者简介：马运壮（1997-），男，硕士，主要研究方向为信号处理和机器学习。

通信作者：贺英，女，博士，助理教授，主要研究方向为信号处理和机器学习等。Email：yinghe@qdu.edu.cn

自动信号调制方式识别是信号检测与解调的中间步骤。自动调制识别在自适应调制、通信监视与频谱管理、电子战与情报侦察等领域具有广泛应用。目前，大多数调制信号识别研究是针对高斯信道，而实际通信时还会受到衰落、时延等因素的影响，导致信号调制方式识别困难。在非合作通信中，如何实现瑞利衰落信道下自动调制识别具有重要的研究意义。在调制信号识别研究中主要有两种方法：一种是基于似然的决策理论方法［1］，另一种是特征提取的模式识别方法［2］。决策理论方法采用概率论和假设检验理论进行调制方式识别，K.KIM 等人［3］采用平均似然比的方法成功识别出二进制相移键控（binary phase shift keying，BPSK）和四进制正交相移键控（quadrature phase shift keying，QPSK）；O.A.DOBRE等人［4］在瑞利衰落和莱斯衰落条件下进行仿真实验，应用混合似然比检验方法，对6种常见的调制信号进行识别。由于决策理论方法需要依赖信道环境的先验知识，因此这种方法的实用性不高。基于特征提取的模式识别方法分两步，第1步是提取原始信号的特征，包括瞬时特征［6］、循环谱［7］、小波变换特征［8］等；第2步是将提取到的特征进行分类，采用支持向量机 ［9］（support vector machine，SVM）和决策树［10］等传统的机器学习算法作为分类器。针对高斯白噪声（additive white gaussian noise，AWGN）信道，S.HASSANPOUR等人［9］提取信号的时域、频域、小波域的特征集合，设计了一种改进的SVM作为分类器，能够对BASK、BFSK、BPSK、4ASK、4FSK、QPSK、16QAM七种低进制调制方式准确识别，当信噪比为-10 dB时，算法可以达到98%的识别精度。对于瑞利信道的调制信号识别，ZHU H等人［10］使用信号的四阶累积量和六阶累积量的组合作为输入特征，采用决策树实现了较好的调制信号分类效果，当信噪比大于4 dB时，7种调制信号准确率可达90% 以上，但在0 dB以下，识别性能下降明显。传统机器学习的缺点是特征提取需要依赖人工完成，并且拟合能力有限，不适用于对复杂环境下大规模数据进行建模。近年来，深度学习迅速发展，许多学者将其运用到调制信号识别领域，利用神经网络对调制信号自动提取特征。基于深度学习的调制信号识别方法主要有基于原始同相正交（in-phase-quadrature，IQ）信号的方法和基于图像的方法。基于IQ信号的识别是将原始IQ信号作为神经网络的输入并进行分类。T.J.OSHEA等人［11］对比了卷积神经网络与基于专家特征的方法，实验使用卷积神经网络［12］对IQ信号提取特征，识别精度优于基于专家特征方法；翁建新等人［13］设计了卷积和循环神经网络［14］并联的网络，提取到了IQ信号更丰富的特征，对7种调制信号在低信噪比下具有较好的识别精度。基于图像的信号识别［15］是借助深度学习在图像分类方面的优势，将调制信号识别任务转化成图像分类任务。 S.L.PENG等人［16］不再以信号的二值星座图作为特征输入，而是转化为增强的三通道星座图，采用改进的GoogLeNet［17］模型實现调制分类，与传统的特征提取方法相比，获得了更高的精度；Y ZHOU等人［18］提出了一种时隙星座图的方案，针对瑞利衰落信道下传统星座图的混叠现象明显的问题，将原始信号分时隙，在每个时隙内绘制星座图，利用并行卷积神经网络提取时隙星座图特征，然后利用BiLSTM进一步提取时序特征，在0～23 dB信噪比范围内，取得了良好的分类效果。尽管时隙星座图一定程度上解决了瑞利信道下星座图的混叠问题，但是星座图的分辨率有限，仍损失了原始IQ信号的部分信息。基于此，本文以瑞利信道为研究对象，采用基于深度学习的方法，在文献［18］的基础上进行改进，提出了一种基于时隙IQ信号的调制信号识别模型GLDN。通过改进的GhostNet网络，提取IQ信号的空间特征，利用BiLSTM提取时域特征，经DNN进行分类。仿真结果表明，对不同的衰落环境，GLDN模型具有良好的抗噪声和抗衰落性能，并且模型的复杂度显著低于传统模型。该研究具有一定的创新性和实用价值。

1 基于时隙IQ信号的调制识别方法

1.1 调制信号识别系统模型

给出一个典型的调制信号识别系统，调制信号识别系统流程图如图1所示。图1中，假设接收机和发射机完美同步，原始二进制数据流映射成发送端基带的调制信号x［n］，上变频后经过瑞利信道传输到接收端，最后经下变频和采样后得到接收端的IQ信号y［n］。

瑞利信道下，发送端的基带调制信号x［n］与接收端的信号y［n］之间的关系，可以用离散时间基带等效模型表示，即

式中，w［n］为信道干扰，一般视为均值为零的加性高斯白噪声；h［n］表示n时刻的信道系数，是一个随机过程；*表示卷积运算。调制识别可以视为仅通过接收信号的y［n］来识别调制信号x［n］的格式过程。

1.2 GLDN总体结构

GLDN模型的网络结构如图2所示。首先将输入长度为L的IQ信号序列划分为 N个时隙，然后利用卷积神经网络，分别对每个时隙的IQ信号提取信号的空间特征。

在卷积神经网络部分，与文献［18］提出的并行网络结构不同，GLDN模型仅利用一个改进的GhostNet［18］网络卷积层作为特征提取器，依次对各个时隙的IQ信号进行特征提取，特征提取过程可为

式中，xi为第i个时隙的输入；oi为经GhostNet特征提取后的输出特征；wn为卷积层的权重参数。

由于来自各个时隙的输入共享同一组权重，当划分的时隙个数变化时，卷积层的参数量不变。经GhostNet提取特征后，将每个时隙IQ信号对应的输出并行送入BiLSTM网络，进一步提取时域特征。BiLSTM由2个LSTM组成，分别从2个方向提取时序特征，最后将2部分输出特征进行相加融合。BiLSTM的时间步长个数对应时隙的个数N，每个时间步长输出向量的维度都是32，最后将N个维度为32的向量拼接展平后，送3层DNN完成分类，DNN神经元个数分别为32，16，8。

GLDN模型的训练分2个阶段，第1阶段是在输入信号长度为单个时隙长度的IQ信号数据集上预训练GhostNet，将训练好的GhostNet卷积层嵌入GLDN模型，提取不同时隙IQ信号的空间特征；第2阶段训练GLDN整体模型，包括DNN层的训练和对GhostNet的卷积层进行微调。对于长度为36 000个采样点的输入信号，模型最终以选择1 200个采样点作为单个时隙长度，以更少的参数量获得较高的精度，并在实验部分对时隙划分的合理性进行验证。

1.3 GhostNet特征提取层

长度为L的IQ信号维度为2×L，考虑到IQ信号的I分量和Q分量之间的相关性，首先使用卷积核大小为2×3的卷积操作融合两路信号，得到X∈R1×l×c，即输出特征图的宽度为1，长度为l，通道数为c。GhostNet［19］是华为提出的轻量级网络结构，GhostNet模型提出了一种新颖的Ghost module，以更少的参数量和计算量得到更多的特征图，并基于Ghost module设计了类似残差的Ghost bottleneck（G-bneck）结构。由于Ghost module是专门为图像识别所设计的结构，不适于直接对X∈R1×l×c这种形状的特征图进行卷积。因此，在 Ghost module内部采用卷积核大小为1×d的深度卷积，适用于IQ信号的GhostNet的网络结构如图3所示。

由图3a可知，Ghost module首先使用点卷积生成m个特征图{yi}mi=1，然后将生成的特征图利用深度卷积再生成对应的m个特征图，最后将两部分特征图进行拼接输出2 m个特征图。与传统的卷积相比，Ghost module拥有更少的参数量。给定输入X∈R1×l×c，输出Y∈R1×l′×n，n为输出特征图的通道数，l′为输出特征图的长度，使用卷积核大小为1×d的普通卷积对应的参数量为n×c×d，然而Ghost module对应的参数量为cn+nd/2。理论上，相对于普通卷积的参数量，改进的Ghost module的压缩比rs为

由于输入特征图通道c的取值通常远大于卷积核的大小d，因此理论上，Ghost module的参数量大约比传统的卷积压缩了2d倍。在最终模型中，卷积核大小选择d=3，此时Ghost module 的参数量大约是普通卷积的1/6倍。

由图3b可知，利用Ghost module模块轻量级的优势，设计了S=2的G-bneck，其由2个堆叠的Ghost module构成。第1个Ghost module为输出32个特征图的通道扩展层，第2个Ghost module输出16个特征图，用于减少输出层的通道数量。

由图3c可知，将shortcut连接到图3b中2个Ghost module的输入和输出之间，并在内部使用BN和ReLU激活函数，同时利用7个改进的G-bneck模块和3层DNN，搭建适用于IQ信号特征提取的GhostNet网络。进一步证明GLDN结构的有效性，在实验部分，将GhostNet直接对IQ信号序列建模的结果与GLDN进行对比分析。

2 實验分析

2.1 实验数据与实验具体细节

本文实验数据由Matlab仿真生成，信道模型为瑞利衰落信道，慢衰落信道最大多普勒频移为10～30 Hz，快衰落信道最大多普勒频移为150～300 Hz，噪声环境为0～23 dB。调制方式包括BPSK、QPSK、8PSK、16QAM、32QAM、64QAM、128QAM和256QAM共8种类型。调制信号仿真参数如表1所示。

神经网络算法是基于Python3.6和keras 2.2.4框架实现，模型训练和测试环境为Amax服务器，处理器为Intel i9-10940X CPU，3.30 GHz，内存为64 GB，GPU为Nvidia GeForce GTX 2080Ti （11 GB）。神经网络的优化器均选择Adam优化器，损失函数选择交叉熵损失。为防止过拟合，训练时设置了earlystop，如果连续20个epoch模型的精度没有提升，则提前停止训练。

2.2 不同信噪比环境下多模型准确率对比

MCBLDN是基于时隙星座图构建的多输入网络，时隙星座图的分辨率选择64×64。文献［20］提出了基于IQ信号的一维卷积神经网络ResNet。实验1对比了GLDN和GhostNet及这2个模型在0～23 dB时的识别准确率，不同模型准确率随信噪比变化曲线如图4所示。

由图4a可以看出，GLDN模型利用时隙IQ信号作为输入，利用卷积神经网络和循环神经网络提取IQ信号的空间特征和时域特征，模型具有良好的抗噪声性能，信噪比为0 dB时，准确率达90%，随着信噪比的增高，准确率不断提升，在高信噪比时，准确率可以达到100%。由于GhostNet仅使用卷积神经网络对IQ信号特征提取，对时域特征的提取能力有限，模型在0～23 dB与GLDN有着明显的差距，在0 dB时低于GLDN模型近10%。MCBLDN以时隙星座图作为输入，在0 dB时与GLDN有15%的差距，说明时隙IQ信号比时隙星座图具有更好的特征表达能力。ResNet同样使用卷积神经网络提取信号的时域特征，其准确率远低于GhostNet，说明GhostNet的网络结构对IQ信号特征提取能力更强。

由图4b可以看出，通过对快衰落信道下的模型性能进行比较，当移动端快速移动时，信道冲激响应在符号周期内变化很快，通信环境变差，信道变为快衰落信道。当瑞利信道的最大多普勒频移增大到150～300 Hz时，本文的GLDN模型仍然能保持90%以上的准确率，在0～23 dB时明显优于其他3个模型，MCBLDN、GhostNet、ResNet模型的准确率随信噪比变化的曲线变得更平缓，模型对噪声的敏感度降低，但是模型在高信噪比的表现急剧下降。实验结果表明，GLDN在不同的信道环境下具有良好的鲁棒性。

2.3 具体调制方式的识别性能对比

实验2采用F1-score，评估不同模型具体调制方式的分类性能，不同调制方式下的F1-Score识别对比结果如表2所示。

由表2可以看出，对于低阶的PSK调制信号，以上4种模型均能达到较高的识别精度，而随着调制信号阶数的提高，模型的识别性能逐渐变差，尤其是对64QAM和256QAM这两种高阶QAM调制方式的识别最困难，原因是这两种调制信号的分布相似，容易混淆。在慢衰落信道下，GLDN模型仅在64QAM和256QAM两种调制方式上不能达到100%的精度，而其它3个模型对后4种QAM调制方式识别效果普遍较差。当信道环境改成快衰落信道，ResNet的F1-score下降最为明显，在 64QAM和256QAM下降20%以上，MCBLDN在64QAM降低6%，256QAM降低5%，GhostNet在64QAM降低6%，256QAM降低13%，而GLDN的精度仅在后4种高阶调制方式降低了1%左右。

以上分析可知，GLDN在快衰落和慢衰落信道下，都能准确识别8種调制方式，尤其能够显著提升快衰落信道下高阶QAM的识别效果。

2.4 时隙长度对精度的影响

实验3研究了单个时隙长度Nst对模型准确率的影响，模型精度随Nst变化曲线如图5所示。由图5可以看出，无论是慢衰落还是快衰落信道，GLDN和MCBLDN 2种模型的准确率都随单个时隙长度的增大而下降，基于时隙IQ信号的GLDN模型，相对于基于时隙星座图的MCBLDN模型，在不同的Nst都有显著提高，尤其在快衰落信道下，提升更明显。而在快衰落信道下，模型精度对Nst的变化更敏感，当Nst从400变化到9 000时，在慢衰落信道，GLDN的准确率下降3.2%，而在快衰落信道，GLDN的准确率下降4.1%。在MCBLDN上，同样的现象更显著，当Nst从400变化到9 000时，在慢衰落信道，模型准确率下降4.3%，而在快衰落信道，模型准确率下降6.2%，MCBLDN需要更短的Nst才能实现较高的精度，对时隙划分的方式依赖较高。

2.5 模型参数量对比

在实际通信环境中，尤其是硬件限制的条件下，模型的复杂度起决定性作用。实验4通过模型的参数量衡量了不同模型复杂度，不同模型的参数量对比结果如表3所示。

由表3可以看出，本文的GLDN模型参数量显著低于其它模型，拥有更高的实用价值。对于MCLDN，Nst越长，模型的参数量越少，因为对于任意的Nst，时隙星座图都是固定的分辨率，而时隙的个数随着Nst的增大而减少，从而减少了模型整体的复杂度。由于GLDN的输入为原始IQ信号，越大的Nst意味着单个时隙IQ信号越长，从而对应GhostNet输出的特征维度越长，由于输入信号的总长度固定，因此对应时隙的个数越少，模型的参数量和Nst呈非线性关系，导致参数量在一定范围内随Nst增大而减小，当Nst超过一定范围后，模型的参数量则逐渐增大，在1 200时，参数量最小。结合图5，当Nst=1 200时，与Nst=400时相比，在不同的信道，GLDN模型的准确率几乎没有下降，而模型的参数量减少了40%，因此最后选择1 200作为单个时隙的长度，有效平衡了模型的复杂度和精度。根据文献［12］的实验结果，在慢衰落信道下，MCBLDN选择Nst=4 000，在快衰落信道下，MCBLDN选择Nst=1 200。在慢衰落信道下，GLDN参数量比MCBLDN减少54%，而快衰落时减少65%。

3 结束语

本文基于深度学习方法，构建了一种以时隙IQ信号作为输入的神经网络GLDN。首先将IQ信号分时隙输入改进的GhostNet提取信号的空间特征，然后利用BiLSTM进一步提取时域特征。实验结果表明，在瑞利慢衰落和快衰落信道下，GLDN模型明显优于基于时隙星座图的MCBLDN模型，GLDN模型以更少的参数量取得了更高的精度。模型对仿真得到的8种调制方式的识别都能达到较高的识别准确率，尤其是能够显著提升快衰落下高阶QAM的识别精度。模型的准确率随着时隙长度的增大而下降，而模型的复杂度与时隙长度呈非线性关系，选择1 200个采样点作为单个时隙长度，使GLDN拥有较高的精度和更少的参数量。本文仅针对单径瑞利衰落信道进行实验，未来可以考虑将模型应用到更复杂的环境。

参考文献：

［1］ YUAN Y，ZHAO P，WANG B，et al. Hybrid maximum likelihood modulation classifification for continuous phase modulations［J］. IEEE Commun Lett，2016，20（3）：450-453.

［2］ ZHANG Z，WANG C，GAN C，et al. Automatic modulation classifification using convolutional neural network with features fusion of SPWVD and BJD［J］. IEEE Trans Signal Inf. Process. over Netw，2019，5（3）：469-478.

［3］ KIM K，POLYDOROS A. Digital modulation classification：the BPSK versus QPSK case［C］∥Military Communications Conference. San Diego，CA，USA：IEEE，1988：431-436.

［4］ DOBRE O A，ZARZOSO J，BAR-NESS Y，et al. On the classification of linearly modulated signals in fading channels［D］. Princeton：Princeton University，2004.

［5］ HASSANPOUR S，PEZESHK A M，BEHNIA F. Automatic digital modulation recognition based on novel features and support vector machine［C］∥2016 12th International Conference on Signal-Image Technology & Internet-Based Systems （SITIS）. Naples，Italy：IEEE，2016：172-177.

［6］ AZZOUZ E E，NANDI A K. Automatic identification of digit modulation types［J］. Signal Processing，1995，47（1）：55-69.

［7］ SUN X，SU S，ZUO Z，et al. Modulation classification using compressed sensing and decision tree-support vector machine in cognitive radio system［J］. Sensors （Basel，Switzerland），2020，20（5）：1438-1446.

［8］ HO K C，PROKOPIW W，CHAN Y T. Modulation identification by the wavelet transform［C］∥Military Communications Conference. San Diego，CA，USA：IEEE，1995：886-890.

［9］ HASSANPOUR S，PEZESHK A M，BEHNIA F. Automatic digital modulation recognition based on novel features and support vector machine［C］∥International Conference on Signal-Image Technology & Internet-Based Systems. Naples，Italy：IEEE，2017：172-177.

［10］ 朱洪波，張天骐，王志朝，等. 瑞利信道下基于累积量的调制识别方法［J］. 计算机应用，2013，33（10）：2765-2768.

［11］ OSHEA T J，CORGAN J，CLANCY T C. Convolutional radio modulation recognition networks［C］∥International Conference on Engineering Applications of Neural Networks. Aberdeen，UK：Springer，2016：213-226.

［12］ LECUN Y，BENGIO Y，HINTON G. Deep learning［J］. Nature，2015，521（7553）：436-444.

［13］ 翁建新，赵知劲，占锦敏. 利用并联CNN-LSTM的调制样式识别算法［J］. 信号处理，2019，35（5）：870-876.

［14］ KUMAR Y，SHEORAN M，JAJOO G，et al. Automatic modulation classifification based on constellation density using deep learning［J］. IEEE Commun. Lett，2020，24（6）：1275-1278.

［15］ KUMAR Y，SHEORAN M，JAJOO G，et al. Automatic modulation classifification based on constellation density using deep learning［J］. IEEE Commun. Lett，2020，24（6）：1275-1278.

［16］ PENG S L，JIANG H Y，WANG H X，et al. Modulation classification based on signal constellation diagrams and deep learning［J］. IEEE Transactions on Neural Networks and Learning Systems，2019，30（3）：718-727.

［17］ SZEGEDY C，LIU W，JIA Y Q，et al. Going deeper with convolutions［C］∥2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Boston，MA，USA：IEEE，2015.

［18］ ZHOU Y，LIN T，ZHU Y. Automatic modulation classification in time-varying channels based on deep learning［J］. IEEE Access，2020，8（1）：197508-197522.

［19］ HAN K，WANG Y，TIAN Q，et al. GhostNet：More Features from Cheap Operations［C］∥2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle，WA，USA：IEEE，2020：1577-1586.

［20］ OSHEA T J，ROY T，CLANCY T C. Over-the-air deep learning based radio signal classification［J］. IEEE Journal of Selected Topics in Signal Processing，2018，12（1）：168-179.

Abstract：Automatic modulation recognition technology of wireless signal has important research significance in non-cooperative communication system. For the problem that it is difficult to identify modulated signals on the Rayleigh channel，a lightweight modulation signal recognition network named as GLDN is proposed，which is based on slot IQ signal. Firstly，the input IQ signals are divided into different time slots. The IQ signals of each time slot are sequentially processed by the improved GhostNet network，and the spatial features of IQ signals are extracted in the convolution layer. Then，the multi-path time slot features are parallelly input into the Bi-directional Long Short-Term Memory Network （ BiLSTM ） to extract the sequence features. Finally，the type of modulation mode is output by the deep neural network（DNN）. The eight modulation signals of MPSK （multiple phase shift keying） and MQAM （Multiple Quadrature Amplitude Modulation） are obtained by simulation. The experimental results show that GLDN model has better anti-noise performance and anti-fading performance，and can achieve more than 90% recognition accuracy at 0dB in slow fading and fast fading channels. The F1-Score of all eight modulated signals is above 0. 93，which effectively improves the recognition performance of higher-order modulation modes. By properly dividing the length of the time slot，the model can achieve higher accuracy with fewer parameters.

Key words：modulation classification； Rayleigh channel； time slot IQ signal； ghostNet； BiLSTM