基于VMD-ResNet 的水声通信信号调制识别方法*

王志欣，张博轩

（中国电子科技集团公司第五十四研究所，河北 石家庄 050081）

0 引言

近年来，随着水声通信[1-3]技术的广泛应用，对非合作水下通信信号的侦察已成为研究的重点。水声通信信号调制识别[4-6]作为水声通信信号侦察领域的关键技术，更是受到广泛研究。传统水声通信信号调制识别往往需要较多的调制参数作为先验知识，且受海洋环境噪声和水声信道[7-8]多途、多普勒影响，所提取的信号特征并不明显，往往导致水声通信信号调制识别准确度较低。

变分模态分解[9-10]（Variational Mode Decomposition，VMD）是一种自适应、完全非递归的信号分解方法，可将信号分解为多个具有最佳中心频率和有限带宽的模态分量（Intrinsic Mode Function，IMF），各模态分量之间特征区别明显，不仅能将信号中的噪声良好地分离，还可有效抑制信号分解中的模态混叠。将该方法应用于水声通信信号调制识别可抑制水声信道强背景噪声干扰，有效解决噪声影响导致信号特征不明显的问题。

残差网络[11-12]（Residual Network，ResNet）是基于卷积神经网络（Convolutional Neural Networks，CNN）发展出的一种新型神经网络模型，通过将残差结构引入到神经网络中，解决了CNN 梯度消失的问题，进一步增强了对数据深层特征的提取能力，被广泛应用于图像识别领域。

本文基于VMD-Hilbert 算法实现水声通信信号时频特征的高质量提取，结合ResNet 模型设计了一种涵盖二进制相移键控（Binary Phase Shift Keying，BPSK）、正交相移键控（Quadrature Phase Shift Keying，QPSK）、八 进 制 相 移 键 控（8 Phase Shift Keying，8PSK）、二进制频移键控（2 Frequency Shift Keying，2FSK）、四进制频移键控（4 Frequency Shift Keying，4FSK）、八进制频移键控（8 Frequency Shift Keying，8FSK）、正交频分复 用（Orthogonal Frequency Division Multiplexing，OFDM）、直接序列扩频（Direct Sequence Spread Spectrum，DSSS）等常规水声通信信号的调制识别方法。该方法无需任何先验信息，可有效解决水声信道强背景噪声干扰导致的信号特征失真和不同海况干扰造成的样本特征失配问题，提高了信号调制识别准确率，并且仿真结果验证了算法的有效性。

1 基于VMD-Hilbert 的水声通信信号时频特征提取

1.1 VMD 原理

VMD可将原始信号分解为多个固有模态分量，每个模态分量都具有各自的中心频率和带宽，能够自适应完成信号频域的有效分开，从而能够更好地分离噪声分量[13]。VMD 的核心思想是构建和求解变分问题，假设原始信号分解为K个模态分量，约束条件为所有模态分量之和为原始信号，则构建约束变分模型表达式为：

式中：k为模态分解个数；{uk}为第k个模态分量；{ωk}为第k个模态分量的中心频率；f为原始信号；δ(t)为单位冲击函数；*为卷积运算。

为获得变分约束问题的最优解，引入惩罚因子α和Lagrange 乘子λ，得到增广Lagrange 表达式为：

VMD 算法的具体步骤如下：

（4）更新λ。更新公式为：

式中：τ为噪声容限参数。

（5）判断是否满足迭代终止条件，若满足收敛条件，则循环过程终止，同时输出K个模态分量；否则，重复步骤2～4。迭代终止条件为：

式中：ε为收敛容限。

1.2 信号相关去噪

相关系数[14]能够反映信号之间的相关性，通过计算VMD 分解后各模态分量和原始信号间的相关性，区分信号分量是否包含原始信号的主要特征，进而达到去除噪声分量的目的。相关系数计算公式为：

式中：ρ为向量A和向量B的相关系数；μA和σA分别为向量A的均值和标准差；μB和σB分别为向量B的均值和标准差。

ρ值越接近于1，表明变量之间的相关性越强；ρ值越接近0，表明变量之间的相关性越弱。一般地，在ρ≥0.5 的情况下，认为对应的模态分量uk与原始信号f的相关性较好，并给予保留。

图1 所示为2FSK 信号VMD 各模态分量时域波形和频谱，图2 所示为各模态分量与原始信号相关性。可见，模态分量2 和模态分量4 包含原始信号的主要信息，各模态分量与原始信号相关系数分别为0.249，0.714，0.239 和0.679。因此，模态分量2 和模态分量4 的合成信号即为去噪信号，可作为后续时频特征提取的输入信号。

图1 2FSK 信号VMD 各模态分量时域波形和频谱

图2 各模态分量与原始信号相关性

1.3 时频特征提取

水声通信信号经过VMD 去噪处理后，通过Hilbert 变换，获取信号瞬时幅度和瞬时频率，根据所需时间分辨率和频率分辨率，完成信号时频特征的高质量提取。

图3 所示为VMD 去噪前后信号时频谱。可见，经过VMD 去噪处理后，获得的信号时频特征已消除了水声信道环境噪声影响，可有效提升信号调制识别能力。

图3 VMD 去噪前后信号时频谱

2 基于ResNet 的水声通信信号调制识别架构

2.1 ResNet 模型

海洋环境具有复杂多变的特性，基于CNN 模型[15]的水声通信信号调制识别方法在不同海况条件下存在样本特征失配的问题，从而导致模型稳定性差、泛化能力弱。ResNet 模型相较于CNN 的主要创新之处在于把残差块引入到了深度卷积神经网络中，并将深层网络模型构建为浅层网络模型和自身映射层的组合，再通过残差块将它们巧妙地结合在一起。残差块的结构如图4 所示。

图4 ResNet 网络残差块结构

在ResNet 模型的训练过程中，底层误差可以先通过短接路快速向上一层传递，再通过加深深度神经网络模型的网络层数提取到更深层的目标特征。利用以上结构，可以缓解层数加深造成的梯度消失现象，但是为了进一步预防模型过拟合现象的产生，需要研究更适配海洋信道的结构。

2.2 调制识别架构

本文在ResNet-18 模型[16]的基础上进行了改进，引入了Dropout、L2 正则化和Early stopping 选项以应对模型过拟合问题，有效提升了识别模型的泛化能力和信号的识别准确度。基于ResNet 的水声通信信号调制识别模型在Tensorflow 架构上利用Python 语言编码实现。模型架构如图5 所示。

图5 基于ResNet 的水声通信信号调制识别架构

基于ResNet 的水声通信信号调制识别模型的输入为接收信号的时频谱图。模型首先使用大小为3×3 的卷积核对信号时频谱图进行初次卷积以提取特征图像的表层特征，其次重复使用4 个不同维度、不同大小的残差块进行输入图像的深度特征提取，再次利用2层全连接层完成高维特征的解构与表征，最后结合输出维度可调的Softmax 分类器输出水声通信信号调制识别结果。

3 基于VMD-ResNet 的水声通信信号调制识别

针对海洋环境噪声干扰严重、水声信道复杂多变导致的水声通信信号调制识别过程中信号特征不明显、样本特征失配问题，本文利用VMDHilbert 实现低信噪比下信号时频谱图的高质量提取，并结合ResNet 模型设计了一种水声通信信号的调制识别方法。该方法可在无任何先验信息的条件下，针对不同海洋声信道实现对BPSK、QPSK、8PSK、2FSK、4FSK、8FSK、OFDM、DSSS 等常规水声通信信号的调制识别，并具有较高的识别准确率。

基于VMD-ResNet 的水声通信信号调制识别方法流程如图6 所示，其具体步骤如下：

图6 基于VMD-ResNet 的水声通信信号调制识别流程

（1）对采集的水声通信信号进行VMD 分解，得到分解的各模态分量，本文设置的信号VMD 分解层数为4；

（2）计算分解得到的各模态分量与原始信号的相关性，获取各模态分量与原始信号的相关系数，将相关系数大于判决门限的模态分量进行合成，获得去噪后的水声通信信号，本文设置的相关系数判决门限为0.5；

（3）对去噪后的水声通信信号进行Hilbert 变换，获取信号瞬时幅度和瞬时频率，根据所设定的频率分辨率和时间分辨率，构建信号时频谱图，本文信号时频谱图的分辨率为256×256；

（4）将得到的信号时频谱图作为本文所设计的ResNet 模型的输入，通过提取时频谱图的特征信息，完成水声通信信号调制方式的自主识别。

4 仿真数据验证

为验证本文所提方法在不同接收信噪比和信道环境下对水声通信信号进行调制识别的性能，使用Bellhop 模型对3 种不同水声环境下的信道进行仿真，并分别对3 种水声信道在-6 dB、0 dB、6 dB 信噪比下构建2FSK、4FSK、8FSK、BPSK、QPSK、8PSK、OFDM、DSSS 水声通信信号的仿真数据集。不同信道环境、不同信噪比下每种通信方式的样本数均为2 000，单个信号样本长度为0.512 s。Bellhop 模型仿真信道如图7 所示。

图7 水声信道

本文利用Tensorflow 架构实现模型的训练和测试。在模型训练和测试过程中，数据集随机打乱为训练集、验证集和测试集，反复训练、测试6 次后取平均值，并根据测试结果形成混淆矩阵，得到匹配和失配数据集下的综合识别率。

本文首先对原始信号和去噪信号在不同信噪比（-6 dB、0 dB、6 dB）下的调制识别性能进行对比，以验证去噪后信号调制识别性能的提升效果。图8 所示为相同信道环境不同信噪比下的调制识别结果。其中，纵坐标代表真实标签，横坐标代表模型部署后预测得到的标签，1～8 分别对应BPSK、QPSK、8PSK、DSSS、2FSK、4FSK、8FSK和OFDM 信号，格子的数值和颜色的深浅代表了统计后得到的识别准确率。

图8 相同信道环境不同信噪比下调制识别混淆矩阵

在信噪比为-6 dB、0 dB、6 dB 的情况下，原始信号调制识别综合准确率分别为37.625%，54%和68.75%，去噪信号调制识别综合准确率分别为75.875%，80%和98.6%。可见，相较于原始信号，经VMD 去噪后的信号在不同信噪比下均具有更高的调制识别准确率，且在信噪比为6 dB 时，对BPSK、QPSK、8PSK、DSSS、2FSK、4FSK、8FSK和OFDM 信号的识别准确率均大于95%，具有较高的识别准确度。

本文进一步对去噪信号在有或者无信道参与训练的情况下的信号调制识别性能进行测试，以验证模型对不同信道环境的泛化能力。图9 所示为在6 dB 信噪比有或者无信道参与训练情况下的调制识别结果。其中图9（a）为信道H3 随机打乱为训练集、验证集，在参与训练的情况下的信号调制识别结果；图9（b）为信道H1、H2 作为训练集、H3 作为验证集不参与训练的情况下的信号调制识别结果。

图9 6 dB 信噪比有无信道参与训练调制识别混淆矩阵

在信噪比为6 dB 的情况下，有参与训练的信号调制识别综合识别率为98.6%，未参与训练的信号调制识别综合识别率为94.75%。虽然其综合识别率有所降低，但除了对8FSK 的识别准确率为85%以外，对其余BPSK、QPSK、8PSK、DSSS、2FSK、4FSK 和OFDM 信号的识别准确率均大于90%。可见，本文所用模型具有一定的信道环境泛化能力，针对信道失配的情况，仍具有较高的识别准确率。

5 结语

传统水声通信信号调制识别方法往往需要较多的调制参数作为先验信息，且海洋环境噪声干扰严重、水声信道复杂多变使得水声通信信号调制识别过程中提取的信号特征不明显，存在样本特征失配的问题，致使水声通信信号调制识别准确率较低。本文基于VMD-Hilbert 算法实现水声通信信号时频特征的高质量提取，结合ResNet 模型设计了一种针 对BPSK、QPSK、8PSK、2FSK、4FSK、8FSK、OFDM、DSSS 等常规水声通信信号的调制识别方法。该方法无需任何先验信息，可有效解决水声信道强背景噪声干扰导致的信号特征失真和不同海况干扰造成的样本特征失配问题，有效提高了信号调制识别准确率。