基于混合神经网络的无线电信号自动调制识别

李立欣，倪 涛，裘 俊，狄 慧，刘 莹，林文晟

（1.西北工业大学 电子信息学院，陕西 西安 710129；2.上海卫星工程研究所，上海 201109）

0 引言

随着科学技术和国防的深度发展，现代军事对抗已经朝着陆、海、空、天等更为广阔领域发展［1］，无线电信号调制识别技术近年来受到了广泛关注。通过对敌方的电子信号进行识别与跟踪，实现监视、侦察/反侦察等。自动调制识别主要用于确定复杂环境下信号的调制方式，为后续信号处理提供调制方式和工作频率等参数［2-3］。

传统上主要有2 种调制信号识别方法：1）基于似然比（Likelihood Ratio，LR）判决理论。首先需要获得信号的概率分布；然后用理论推导分析的方法求出检验统计量；再从似然函数中寻找合适的分类依据以形成判决准则；最后根据判决准则确定信号的调制类型［4-7］。文献［5］通过将信号对数似然函数最大化，区分不同的调制信号。从理论和可解释性的角度来看，似然比判决方法能够达到不俗的分类精度，但需要很强的关于调制信号的先验知识，并且还要经过繁杂的推导与分析，一旦缺乏调制信号的部分特征和参数时，则一般难以实现不错的分类精度。2）基于统计模式的判别方法［8-16］。通过分析信号的瞬时幅度、频率和相位判断信号的调制类型；通过统计信号序列的高阶量而进行判别；通过分析信号的时频特性用于区分信号的调制类型。信号特征值的提取是基于统计模式判别以分析不同信号的关键，但只采用阈值来对不同的调制信号进行划分的方式，会由于受到噪声的影响而使得判决结果仍然存在偏差。

近年来，人工神经网络、支持向量机和决策树等机器学习算法在自动调制识别中得到了广泛的应用［8-16］。文献［8］作者采用不同特征参数的分层支持向量机来判断信号的调制类型，解决了阈值选择问题。文献［12］作者提出使用人工神经网络，并设计了一个自适应神经网络模型来区分多个不同的调制信号。这些机器学习算法对自动调制识别产生了深远的影响，但仍具有较高的计算复杂度。

随着业界在深度学习领域的不断深耕，学者们开始研究如何使用不同的神经网络结构对不同调制信号进行判别［11-20］。文献［11］利用卷积神经网络分析不同信号的频谱特性，实现调制信号的分类；文献［15］提出将神经网络结构RESNET 应用与自动调制识别，与其他神经网络结构相比，分类准确度提高了近12%。但是由于不同神经网络具有不同的特性，使用单一的网络结构往往无法充分提取信号的特征信息。因此，在信号自动调制识别领域，有必要研究混合神经网络的设计。

为了能够充分提取信号在时间和空间的特征信息，本文将新型的胶囊神经网络与门控循环单元相结合，形成新的混合神经网络模型。首先基于胶囊网络实现对调制信号空间特征信息的提取；然后运用门控循环单元分析调制信号在时间上的特征；最终对未知调制信号实现识别和分类。实验结果表明，在信噪比等于2 dB 时，所提出的混合网络模型对多种不同调制信号的分类精度大于80%，随着信噪比的增大，当信噪比为6 dB 时，混合网络模型对不同调制信号的分类精度大于95%。

1 系统模型

假设接收到的调制信号y(t)如下：

式中：x(t)为无噪声的接收信号；n(t)为高斯白噪声。

接收到的信号y(t)被送入自动调制分类系统，通过特征提取和分类决策，输出调制信号的调制类型。系统模型如图1 所示。神经网络作为自动调制分类系统，用于处理接收到的调制信号。神经网络的基本结构有卷积神经网络和循环神经网络，前者无需对数据进行复杂的预处理，直接输入原始数据即可进行训练，其中二维卷积神经网络还适用于对信号空间特征信息的提取，常应用于图像识别等任务。后者具有对序列数据建模泛化的能力，当前的输出取决于历史输入过的信息，实现长期的记忆。其中门控循环单元还引入了门控机制，它可以使神经网络针对性地忘记某些重要程度较低的历史信息，但又保留一部分之前记忆的重要历史信息，从而一方面对重要历史序列信息能够长期保留，另一方面还能够有效避免梯度消失。

图1 系统模型Fig.1 System model

2 混合网络模型

在本节中，提出了一种新的混合神经网络用于提取特征信息。如图2 所示，所提出混合网络模型共分为5 层（输入层、卷积层、胶囊层、门控循环单元层、输出层），针对以下11 种调制信号类型进行分类：双边带调幅（AM-DSB）、单边带调幅（AMSSB）、宽带调频（WBFM）、2/4/8 进制相移键控（BPSK/QPSK/8PSK）、16/64 进制正交振幅调制（QAM16/QAM64）、连续相频移键控（CPFSK）、高斯频移键控（GFSK）、4 进制脉冲幅度调制（PAM4）。

图2 所提出的混合网络模型Fig.2 The proposed hybrid network model

2.1 输入层

每个调制信号都包含了I/Q 样本，采样长度为128，样本数据类型为浮点复数，因此调制信号的数据结构是2×128 的张量。则I/Q 样本将从输入层送到卷积层进行后续的特征提取。

2.2 卷积层

卷积层由两部分组成：1）卷积运算。每个神经元不必对完整信号长度的数据进行卷积操作，只需要提取信号的局部特征，通过综合局部神经元的信息，在高层就能提取出信号完整的特征信息；2）非线性映射。为实现将低级特征映射到高级特征，需要使用相应的激活函数来完成这种非线性映射。为了解决梯度爆炸的问题，本文采用整流线性单元（Rectified Linear Unit，ReLU）作为激活函数。

为了能够更加充分的提取信号的深层特征，对信号进行2 次卷积操作。如图1 所示，输入信号是2×128 的张量，后续的卷积操作采用的卷积核共有64 个，每个卷积核的大小均是2×9，并且应用了零填充的方式，激活函数则选用了ReLU。第1 次卷积的输出是64×1×60 的张量，进一步提取信号的深层特征信息时，需要再使用64 个卷积核，每个卷积核的大小为1×5，填充方式为零填充，步长为2，激活函数同样选用ReLU，因此第2 次卷积输出维度为64×1×28。

2.3 胶囊层

在胶囊网络中，特征信息通过胶囊神经元进行传递。不同于传统神经元结构，胶囊神经元以向量的形式存在。胶囊网络在进行分类时不仅判断特征信息是否存在，同时充分考虑了特征之间的对应位置关系，强化整体特征的识别，使得胶囊网络即使在小样本下依然具有出色的表现。

本文的胶囊层对卷积层的输出张量继续卷积，使用的卷积核共有64 个，每个卷积核的大小为1×6，并且采用零填充的方式，输出为64×1×28 的张量。然后对输出张量的尺寸和维度进行变换，得到16 组4×1×28 的输出张量，即将64 个维度分成16组，每4 个维度1 组。

利用转换矩阵wij计算预测向量，把向量空间从4 维映射到16 维：

式中：sj为高层胶囊j的总输入；cij为权重系数。

调制信号类型对应的概率可以用胶囊向量的模来表示。为了确保向量的方向不变，且能够将向量的模压缩到0 到1 之间，此处的激活函数不使用传统的ReLU，而是采用非线性函数squashing。最终可得到胶囊向量输出vj的表达式：

2.4 门控循环单元层

如图3 所示，门控循环单元内部采用重置门和更新门。历史状态信息的保留权重由更新门决定，要使历史状态信息保留的越多，则需要赋予更新门更高的权重。而重置门则相反，它的值越小说明历史信息遗忘得越多，因此重置门可以用于控制遗忘历史状态信息的程度。本文设置门控循环单元的数量为32，通过2 种门来提取时间相关的调制信号特征信息，从而对时间序列进行长期记忆。

图3 门控循环单元结构Fig.3 Structure diagram of the gated recurrent unit

图3 展示了门控循环单元层的结构，用yt-1、xt分别表示上一个历史状态和当前节点输入，通过两者来获取两个门控状态。zt、rt分别为控制更新的门控和控制重置的门控；ht、yt分别为候选隐藏层和输出层；wz、wr、w分别为重置门、更新门、隐藏层的权重；σ、tanh 为激活函数。

2.5 输出层

输出层的维度由数据集中调制信号的种类数量所确定，类型为全连接层，根据矢量特征来将隐层信息映射成调制信号类型的概率输出，从而完成调制信号的分类。

3 模型性能分析

在本节中，首先，介绍了实验中使用的数据集；其次，讨论所提出混合网络模型在不同信噪比下的分类性能；最后，分析混合网络模型与单一网络模型的分类性能。

3.1 数据集

RML2016.04C 作为数据集来训练和评估所提出的网络结构。对数据集RML2016.04C 进行处理，数据选用-6～12 dB 的调制信号，间隔为2 dB 进行分析。数据集中共81 030 个信号样本，调制信号共有11 种类型。分为3 种模拟信号和8 种数字信号，即：AM-DSB、AM-SSB、WBFM、BPSK、QPSK、8PSK、QAM16、QAM64、CPFSK、GFSK、PAM4。

为了保证数据分布在数据集划分过程中的一致性，使用“留出法”将70%的数据集用于训练，剩余的数据用于测试模型的可靠性。

3.2 混合网络模型在不同信噪比下的分类性能

通过混淆矩阵分析不同信噪比下所提出混合网络模型对不同调制信号的分类性能。如图4（a）所示，当信噪比为-4 dB 时，对于大多数调制信号而言，所提出的网络模型可以有效的区分不同信号的调制类型。但是对于以下4 种信号无法准确的识别，如8PSK 和QPSK，WBFM 和AM-SSB。8PSK与QPSK 都采用相位键控信号，即用不同的载波初始相位来表示数字信号。在QPSK 中，载波的初始相 位分别为0o，90o，180o，270o。在8PSK 中，载波的初始相位分别为0o、45o、90o、135o、180o、225o、270o、315o。QPSK 的初始相位与8PSK 的初始相位存在重合，导致所提出网络无法准确区分2 种调制类型。WBFM 和AM-SSB 属于模拟信号，WBFM 利用宽带调频，而AM-SSB 和DSB 通过抑制载波调幅，虽然增加功率效率，但两个边带均传输相同的信息。因此无法准确的进行区分。

图4 混合网络模型在不同信噪比下的分类性能Fig.4 Classification performance of the hybrid network model under different signal-to-noise ratios

随着信噪比的增加，如图4（b）所示，对于大多数调制信号，分类精度显著提高，对于8PSK 而言，分类精度由0.59 提升到0.82；对于WBFM 而言，分类精度由0.36 提升到0.41。如图4（c）所示，对于AM-SSB 的分类精度达到1，对QPSK 的分类精度达到0.95，进一步说明所提出网络的有效性和可靠性。

3.3 混合网络模型与单一网络模型的分类性能

如图5 所示，分析混合网络模型与单一的胶囊网络和门控循环单元的分类性能，其中胶囊网络善于分析信号的空间特征信息。在信号的时间特征信息提取方面，门控循环单元更具优势。混合神经网络通过整合门控循环单元和胶囊网络，实现优势互补。从总体上看，混合网络模型的分类性能优于单一的胶囊网络和门控循环单元，随着信噪比的增大，混合网络模型对调制信号的分类精度保持在0.9；胶囊网络对调制信号的分类精度保持在0.86；门控循环单元对调制信号的分类精度保持在0.67。混合网络通过结合信号的空间和时间特征信息，进一步提高调制信号的分类精度。

图5 混合网络模型与单一网络模型的分类性能Fig.5 Classification performance of the hybrid network model and single network model

4 结束语

面对复杂电磁环境目标信号无法准确识别的问题。为了提取不同调制信号的时空特征信息，本文通过提出新的混合神经网络模型来判断信号的调制类型。具体而言，通过胶囊网络提取信号空间信息，运用门控循环单元提取信号在时间上的特征信息。混合网络模型能够整合调制信号的时空特征，进而提高对目标信号的分类精度。实验结果显示，在2 dB 信噪比的条件下，本文设计的混合神经网络对8 种不同信号的调制类型分类精度大于80%，随着信噪比的增大，当信噪比为6 dB时，混合网络模型对9 种不同调制信号的分类精度大于95%。