文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.181755
中文引用格式: 姚宇晨,,彭虎. 基于深度學(xué)習(xí)的通信信號(hào)自動(dòng)調(diào)制識(shí)別技術(shù)[J].電子技術(shù)應(yīng)用,,2019,45(2):12-15.
英文引用格式: Yao Yuchen,,Peng Hu. Automation modulation recognition of the communication signals based on deep learning[J]. Application of Electronic Technique,,2019,45(2):12-15.
0 引言
隨著軟件無線電和認(rèn)知無線電技術(shù)領(lǐng)域的發(fā)展,,多體制通信信號(hào)自動(dòng)調(diào)制識(shí)別(Automation Modulation Recognition,,AMR)研究取得了很多進(jìn)展和成果,雖然通信信號(hào)調(diào)制方式的識(shí)別方法多種多樣,,但調(diào)制識(shí)別在本質(zhì)上是模式分類問題,,其識(shí)別研究內(nèi)容主要是分類特征的提取和分類器的設(shè)計(jì)[1]。在特征提取方面,隨著研究的深入發(fā)展,,已知的調(diào)制特征有數(shù)百種,,其中效果較好的調(diào)制特征包括高階累積量特征[2]、譜相關(guān)特征[3],、小波特征[4]和分形理論特征[5]等,。在分類器設(shè)計(jì)方面,有人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,,ANN)以及近年來流行的支持向量機(jī)分類器[6](Support Vector Machine,,SVM)等,但傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法存在易陷入維數(shù)災(zāi)難,、陷入局部極小點(diǎn)和泛化能力較差等問題,。2006年,Hinton等人在深度信念網(wǎng)絡(luò)(Deep Belief Network,,DBN)方面取得劃時(shí)代性的成果,,基于DNB,Hinton提出了非監(jiān)督貪心逐層訓(xùn)練算法,,在大多數(shù)訓(xùn)練中效果顯著,,成功解決了深層結(jié)構(gòu)相關(guān)的優(yōu)化難題,使多層次神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)成為可能,。近年來,,深度學(xué)習(xí)在越來越多的領(lǐng)域(如語音識(shí)別、圖像識(shí)別等領(lǐng)域)得到良好的應(yīng)用,。本文提出一種基于深度學(xué)習(xí)的通信信號(hào)調(diào)制模式識(shí)別方法,,使用3層堆棧自編碼器提取特征,然后使用BP神經(jīng)網(wǎng)絡(luò)作為分類器進(jìn)行調(diào)制模式識(shí)別,,并進(jìn)行MATLAB仿真,,實(shí)驗(yàn)結(jié)果表明此方法是有效可行的,在0 dB~20 dB信噪比環(huán)境下信號(hào)的分類識(shí)別正確率可達(dá) 98%以上,。
1 基于深度學(xué)習(xí)的通信信號(hào)自動(dòng)調(diào)制識(shí)別算法
基于深度學(xué)習(xí)的通信信號(hào)自動(dòng)調(diào)制識(shí)別方法原理如圖1所示,,深度學(xué)習(xí)主要分為兩步:(1)自下而上利用無監(jiān)督學(xué)習(xí),采用貪心逐層訓(xùn)練算法逐層進(jìn)行預(yù)訓(xùn)練,;(2)自上而下利用監(jiān)督學(xué)習(xí),對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行微調(diào),,訓(xùn)練分類器,。然后使用訓(xùn)練好的分類器對(duì)信號(hào)測(cè)試樣本集進(jìn)行測(cè)試,統(tǒng)計(jì)分類識(shí)別結(jié)果,。
可以看出圖1所示的自動(dòng)調(diào)制識(shí)別系統(tǒng)主要由特征提取和分類器兩部分組成,。下面介紹這兩部分的結(jié)構(gòu)及工作原理。
1.1 特征提取
自編碼器是一個(gè)無監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò),其編解碼原理如圖2所示,,將一組沒有類別標(biāo)簽的訓(xùn)練樣本輸入自編碼器,,由于該編碼器模型能力限制和稀疏性約束,使得其能夠自動(dòng)習(xí)得數(shù)據(jù)本身的結(jié)構(gòu),。簡單來說,,是當(dāng)隱藏節(jié)點(diǎn)低于可視節(jié)點(diǎn)時(shí),自編碼器會(huì)使原始高維的訓(xùn)練樣本“被迫降維”,,將高維低層特征降維,、抽象、組合成低維高層特征,,也就是說如果輸入樣本數(shù)據(jù)中某些特征是相關(guān)的,,那么這組數(shù)據(jù)中就存在“冗余信息”,自編碼器可以在保有原始數(shù)據(jù)最大信息量的同時(shí)去除數(shù)據(jù)中的“冗余信息”,,從而得到比原始輸入數(shù)據(jù)更具有表達(dá)能力的特征,,以達(dá)到特征提取的目的。因此,,這一過程可以被看做特征提取的過程,。
假設(shè)的神經(jīng)元的激活函數(shù)是sigmoid函數(shù)。假設(shè)一個(gè)沒有類別標(biāo)簽的訓(xùn)練樣本{(x(1),,y(1)),,…,(x(m),,y(m))},,aj表示輸入向量x(i)對(duì)各隱藏節(jié)點(diǎn)j的激活值。則隱含層隱藏節(jié)點(diǎn)的平均激活值為:
所謂稀疏性限制,,就是使隱藏節(jié)點(diǎn)中被激活的節(jié)點(diǎn)數(shù)(輸出接近1)遠(yuǎn)遠(yuǎn)小于被抑制的節(jié)點(diǎn)數(shù)(輸出接近0),。那么,使神經(jīng)元大部分的時(shí)間都是被抑制的限制被稱作稀疏性限制[7],。設(shè)稀疏性參數(shù)?籽,,則平均激活值為:
使用訓(xùn)練樣本訓(xùn)練好這個(gè)稀疏自編碼器,當(dāng)有新的樣本x(i)輸入到這個(gè)稀疏自編碼器中后,,隱藏層各節(jié)點(diǎn)的激活值組成的向量就可以代表x(i),。
本文使用3層稀疏自編碼器組成通過堆棧疊加組成棧式自編碼器,實(shí)現(xiàn)深度神經(jīng)網(wǎng)絡(luò),,通過非監(jiān)督貪心逐層訓(xùn)練算法求每一隱層的特征及參數(shù),,成功克服傳統(tǒng)多層次神經(jīng)網(wǎng)絡(luò)在反向傳播過程中出現(xiàn)的梯度彌散、過擬合等問題,。其原理簡單來說,,如圖3所示,是一個(gè)兩層棧式自編碼器,假設(shè)一個(gè)沒有類別標(biāo)簽的訓(xùn)練樣本x(i),,輸入該自編碼器,,通過稀疏自編碼算法訓(xùn)練第一層的自編碼器,當(dāng)?shù)谝粚拥淖跃幋a器訓(xùn)練結(jié)束后,,得到第一隱藏層,,即Hidden1層的編碼參數(shù)及各節(jié)點(diǎn)激活值,即x(i)在新特征下的特征值,;然后,,用Hidden1層作為第二層的自編碼器的輸入層,同樣用稀疏自編碼算法訓(xùn)練得到Hidden2層的編碼參數(shù)及特征值,,這樣就可以得到輸入數(shù)據(jù)通過兩層棧式自編碼進(jìn)行特征提取后的特征值,;對(duì)多層棧式自編碼器,同理,,將前一層自編碼器的輸出作為其下一層自編碼器的輸入,,最終得到的是x(i)在新特征下的特征值。
1.2 分類器
本文使用BP神經(jīng)網(wǎng)絡(luò)作為分類器,,BP算法的基本思想是,,信號(hào)正向傳播,訓(xùn)練樣本從輸入層輸入,,經(jīng)過隱層處理后,,傳向輸出層,若輸出層的實(shí)際輸出與樣本標(biāo)簽不符時(shí),,將誤差反向傳播,,將此誤差作為修正各單元權(quán)值的依據(jù)。如此迭代,,直至誤差小到滿足需求,,即訓(xùn)練好各層參數(shù)及權(quán)值。
傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)可能出現(xiàn)收斂到局部最小值的問題,,在層次深的情況下,,梯度下降法在訓(xùn)練過程中,容 易出現(xiàn)梯度消失的問題,,且隨網(wǎng)絡(luò)層數(shù)的增加,,梯度消失問題隨之加重,導(dǎo)致其對(duì)權(quán)重的調(diào)整作用越來越小,。
本文通過棧式自編碼器自動(dòng)習(xí)得訓(xùn)練樣本特征,,然后使用BP神經(jīng)網(wǎng)絡(luò)通過帶標(biāo)簽的數(shù)據(jù)去訓(xùn)練,誤差自頂而下傳輸,,對(duì)整體多層次神經(jīng)網(wǎng)絡(luò)進(jìn)行微調(diào)。
2 仿真實(shí)驗(yàn)及結(jié)果分析
根據(jù)圖4所示,仿真實(shí)驗(yàn)步驟為:
(1)通過MATLAB仿真MQAM調(diào)制信號(hào),。信號(hào)集合為{4QAM,、16QAM、32QAM,、64QAM,、128QAM、256QAM},,共6種調(diào)制信號(hào),,其中載波頻率為47 MHz,采樣頻率為40 kHz,,碼元長度為500,,信道環(huán)境采用高斯白噪聲信道,信噪比范圍為SNR=[0:20] dB,,間隔2 dB,,每個(gè)信噪比下進(jìn)行1 100次仿真,組成調(diào)制信號(hào)樣本集,,取其中1 000次組成訓(xùn)練樣本集,,剩余100次組成測(cè)試樣本集。
(2)用棧式稀疏自編碼器對(duì)訓(xùn)練樣本進(jìn)行特征提取,。這是一種無監(jiān)督自主篩選過程,,步驟(1)得到的訓(xùn)練樣本作為網(wǎng)絡(luò)的輸入層,采用含有3層隱含層的棧式自編碼網(wǎng)絡(luò)進(jìn)行提取,,最終篩選出6種具有良好分類能力的特征組成特征集,。因?yàn)楦叨瘸橄蟮玫降奶卣骷⒉痪邆涿鞔_的物理意義,所以將這6種特征依次命名為T1,、T2,、T3、T4,、T5和T6,。
圖5~圖10為T1、T2,、T3,、T4、T5和T6特征參數(shù)仿真曲線,,4QAM,、16QAM、32QAM,、64QAM,、128QAM,、256QAM 共6種調(diào)制信號(hào)的各特征在隨信噪比(SNR)增大而變化的曲線顯示通過棧式稀疏編碼器自主提取的6種特征相關(guān)性低,每種信號(hào)特征分類明顯,,且每種特征隨噪聲波動(dòng)都不大,,即抗噪聲干擾能力強(qiáng)。該特征集是通過學(xué)習(xí)輸入數(shù)據(jù)的結(jié)構(gòu)習(xí)得的,,所以更接近全局最優(yōu),,也就是說通過本文所提出的方法提取的特征具有良好的分類能力,由此推斷基于對(duì)這6種特征進(jìn)行通信信號(hào)調(diào)制模式的分類識(shí)別能夠取得良好的分類效果,。
(3)使用BP神經(jīng)網(wǎng)絡(luò)有監(jiān)督微調(diào),。使用步驟(2)提取的特征集對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行帶標(biāo)簽有監(jiān)督訓(xùn)練,通過反向傳播算法調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)值,。訓(xùn)練好分類器后,,通過測(cè)試樣本進(jìn)行測(cè)試,計(jì)算不同MQAM信號(hào)在不同信噪比下分類識(shí)別率,,驗(yàn)證本文提出的分類識(shí)別方法的有效性,。分類識(shí)別結(jié)果如表1所示。
總體來說,,由分類識(shí)別結(jié)果可得出結(jié)論,,本文提出的基于深度學(xué)習(xí)設(shè)計(jì)的分類識(shí)別算法對(duì)MQAM類內(nèi)識(shí)別,在信噪比0 dB~20 dB之間分類識(shí)別率都能達(dá)98%以上,,當(dāng)信噪比大于10 dB時(shí)能100%準(zhǔn)確識(shí)別調(diào)制信號(hào),,故使用本文的提出的算法對(duì)于MQAM調(diào)制信號(hào)的分類識(shí)別效果明顯。
3 結(jié)論
本文從特征提取入手,,使用堆棧自編碼器自動(dòng)提取調(diào)制信號(hào)的特征集,,并使用BP神經(jīng)網(wǎng)絡(luò)作為分類器,在MATLAB環(huán)境下,,對(duì)算法的分類識(shí)別性能進(jìn)行了仿真實(shí)驗(yàn),,實(shí)驗(yàn)結(jié)果證明,該算法在信噪比動(dòng)態(tài)快速變化的情況下依然具有良好分類識(shí)別能力,,且其計(jì)算復(fù)雜度低,,推廣能力強(qiáng),對(duì)于通信信號(hào)自動(dòng)調(diào)制模式識(shí)別的發(fā)展具有重要的理論和實(shí)際意義,。
參考文獻(xiàn)
[1] 鄧文林.大動(dòng)態(tài)信噪比下的多體制通信信號(hào)自動(dòng)調(diào)制識(shí)別算法研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),,2014.
[2] 李月貞,郭敏.高階累積量調(diào)制識(shí)別改進(jìn)算法的FPGA實(shí)現(xiàn)[J].現(xiàn)代電子技術(shù),,2010,,33(21):1-4.
[3] 孫鋼燦,王忠勇,,劉正威.基于高階累積量實(shí)現(xiàn)數(shù)字調(diào)相信號(hào)調(diào)制識(shí)別[J].電波科學(xué)學(xué)報(bào),,2012(4):34-35.
[4] LIKE E,,CHAKRAVARTHY V D,RATAZZI P,,et al.Signal classification in fading channels using cyclic spectral analysis[J].EURASIP Journal on Wireless Communications and Networking,,2009(1):879812.
[5] 姜園,,張朝陽,,羅智勇.小波變換與模式識(shí)別用于自動(dòng)識(shí)別調(diào)制模式[J].電路與系統(tǒng)學(xué)報(bào),2006,,11(4):125-130.
[6] 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.IEEE,,2017:172-177.
[7] 吳岸城.神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)[M].北京:電子工業(yè)出版社,,2016.
作者信息:
姚宇晨,彭 虎
(合肥工業(yè)大學(xué) 儀器科學(xué)與光電工程學(xué)院,,安徽 合肥230009)