基于RBF 神经网络的无线电信号自动调制识别方法

张双玲，谷小娅

（河南轻工职业学院，河南 郑州 450001）

0 引 言

无线电信号调制规律化处理电信号控制的振荡参数，从而发挥出天线的辐射能力。以往的信号调制识别方法，只有了解信号的调制方式或传输速率，才能对信号进行正确的分析和识别，影响信号识别准确性。针对此类问题，研究人员设计了多种识别方法。如基于混合神经网络的无线电信号自动调制识别方法，主要是利用胶囊神经网络，提取未知无线电信号的调制信息，并运用门控循环单元，获取调制信息特征[1]。通过混合网络模型，将无线电信号的时间特征与空间特征融合，从而提高信号调制的识别精度。基于联合卷积与记忆神经网络的无线电信号自动调制识别方法，主要是构建了自我学习、决策的识别神经网络，通过并行双路神经网络提取无线电信号的调制信息，实现调制识别任务[2]。以上2 种方法均能够识别无线电信号调制类别，但是受到无线电信号调制信息的影响，识别精准度仍需加强[3]。因此，文章利用径向基函数（Radial Basis Function，RBF）神经网络，设计无线电信号自动调制识别方法。

1 无线电信号自动调制RBF 神经网络识别方法设计

1.1 提取无线电自动调制信号特征

在无线电信号传输的过程中，基带信号频率较低，波长较长，无法有效发射与接收信号[4]。因此，需要提取无线电自动调制信号特征[5]。假设离散信号为x(n)，信号的瞬时功率特征为

式中：Pin为无线电信号的瞬时功率特征。

提取出信号瞬时功率特征后，将无线电调制信号分为若干个信号块，识别信号调制类型。文章采用Transformer 编码器，将若干个信号块进行编码，形成多个信号识别块。将输入矩阵输入变换矩阵，通过不同的权重获取信号块的编码[6]。Transformer 编码的前3 层用于特征提取，后9 层用于识别。获得前3 层调制特征的公式为

式中：Z0为调制特征编码；xclass为编码层的输入标记；为第p层编码的第N个信号序列；Ep为位置编码。

1.2 基于RBF 神经网络构建信号自动调制识别模型

RBF 神经网络的输入层由信号源节点组成，第二层为隐含层，第三层为输出层[7]。将RBF 作为隐单元的“基”，并通过隐单元函数空间，将调制信号矢量特征映射到隐空间中，避免信号识别失误的问题。隐含层空间到输出层空间的映射呈线性，网络的输出是隐单元的线性加权，该权值为RBF网络的可调参数。将信号调制识别问题看作多变量RBF 差值问题，则

式中：X为I维空间点集的输入向量；x(s)为离散信号x的信号序列；RI为I维空间的点集。0 维空间点集的输入向量表示为

式中：Y为0 维空间点集的输入向量；y(s)为映射信号y的信号序列。信号映射时，X→Y。通过RBF 神经网络，获取输出向量。RBF 神经网络结构中，输入层神经元数为I，隐含层神经元数为H，输出层神经元数为O[8]。将x作为输入向量，z为隐含层神经元状态，y为输出向量，构建无线电信号自动调制识别模型，表达式为

式中：yk为经过k次神经变化后识别出的调制输出向量；wjk为隐含层第j个神经元与第k个神经元的连接系数；zj为第j个隐含层神经元的中心矢量。

1.3 识别无线电信号自动调制类型

在提取特征后，通过调制信号瞬时角频率的偏移情况，能够确定自动调制类型[9]。将模拟调制信号与数字调制信号混合在一起，再识别信号的自动调制类型。基于此，无线电信号的频率偏移量表示为

式中：SFM(t)为调制信号FM在t时刻产生的频率的偏移量；A为载波振幅；Kf为调制相位。当SFM(t)＞1 时，调制信号属于正弦波调制类型；当SFM(t)＜1 时，调制信号属于数字调制类型；当SFM(t)=1 时，调制信号属于脉冲调制类型。根据SFM(t)的值，确定调制类型，为无线电信号自动调制识别的准确性提供保障。

2 实 验

2.1 实验过程

本次实验数据来自Deepsig 网站，数据包含中心频率、采样速率、初始相位等参数，使数据中的信号更接近真实无线信道数据。采用RadioML2016.04c数据集提供无线电信号，调制类型分别为正弦波调制、数字调制以及脉冲调制。其中，正弦波调制包括幅移键控（Amplitude Shift Keying，ASK）、频移键控（Frequency Shift Keying，FSK）、相移键控（Phase Shift Keying，PSK）、正交相移键控（Quadrature Phase Shift Keying，QPSK），数字调制包括正交幅度调制（Quadrature Amplitude Modulation，QAM）、 码分多址（Code Division Multiple Access，CDMA）、 时 分多址（Time Division Multiple Access，TDMA）、 正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）、 频 分 多 址（Frequency Division Multiple Access，FDMA），脉冲调制包括单载波频分多址（Single Carrier Frequency Division Multiple Access，SC-FDMA）、多载波码分多址（Multi-Carrier Code Division Multiple Access，MC-CDMA）、多载波空分多址（Multi-Carrier Space Division Multiple Access，MC-SDMA）。样本长度为128，信号格式为同向与正交，信号维度为2×128。在信号采样的过程中，采样频率为1 MHz，每个符号的样本数为8，样本总数为162 060 个，信号比（Signal Noise Ratio，SNR）范围为-20 ～18 dB。不同调制类型的同相正交（In-phase/Quadrature，I/Q）时域信号如图1 所示。

图1 I/Q 时域信号

文章采用Pycharm Community Edition 2020 和Anaconda3 获取I/Q 时域信号，并根据RBF 神经网络模型，划分信号块。信号块相对较小，能够确保RBF网络的有效输入序列满足实验需求。原始输入序列大小为2×128，划分为32×2、16×2、8×2、4×2、1×2 等信号块，分块识别无线电信号，确保识别效果。

2.2 实验结果

文章随机选取ASK、QAM、CDMA 及MC-CDMA这4 种无线电信号自动调制方式，并调整信号的参数规模，使其适应识别需求。在其他条件均已知的情况下，将文献[1]方法的性能指标、文献[2]方法的性能指标与文章设计的基于RBF 神经网络的无线电信号自动调制识别方法的性能指标进行对比。实验结果如图2 所示。图2 中，图例OA为整体准确率，AA为平均准确率，P为精确率，R为召回率，F1值为调和平均数。

图2 实验结果

在其他条件均一致的情况下，使用文献[1]方法后，OA值、AA值在0.75 ～0.84 的范围内变化，P值、R值、F1值在0.73 ～0.84 的范围内变化。由此可见，该方法对无线电调制信号的识别准确率较低，无法发挥出天线的辐射能力。使用文献[2]方法后，OA值、AA值在0.85 ～0.93 的范围内变化，P值、R值、F1值在0.86 ～0.92 的范围内变化。由此可见，该方法的识别性能优于文献[1]方法，但是整体指标仍然偏低，需要进一步优化。而使文章设计方法后，OA值、AA值在0.96 ～1.00 的范围内变化，P值、R值、F1值在0.96 ～1.00 的范围内变化。由此可见，文章设计的方法识别性能更佳，能够发挥出天线的辐射能力，为无线电信号的传输提供保障。

3 结 论

文章结合RBF 神经网络的优势，设计了无线电信号自动调制识别方法。该方法从调制信号特征、识别模型、调制类型识别等方面，快速识别出无线电信号的调制方式，针对不同的调制方式，理解信号的属性与内容，为后续信号处理提供重要信息。