文獻標識碼: A
DOI:10.16157/j.issn.0258-7998.183300
中文引用格式: 袁冰清,王巖松,,鄭柳剛. 深度學(xué)習(xí)在無線電信號調(diào)制識別中的應(yīng)用綜述[J].電子技術(shù)應(yīng)用,,2019,,45(5):1-4.
英文引用格式: Yuan Bingqing,Wang Yansong,,Zheng Liugang. A survey of deep learning applied to radio signal modulation recognition[J]. Application of Electronic Technique,,2019,45(5):1-4.
0 引言
無線電信號的調(diào)制識別是頻譜監(jiān)測過程中的重要組成部分,,也是難點之一。隨著現(xiàn)代無線電通信技術(shù)的發(fā)展與應(yīng)用,,無線電信號特征與電磁環(huán)境變得更加復(fù)雜,,因此,無線電信號更容易受到外界信號的干擾,,監(jiān)測人員須對監(jiān)測到的信號進行調(diào)制分析,、頻譜波形比較等才能判斷信號的屬性,并與正常登記的臺站比對,,確定是否為干擾信號,,為進一步抗干擾做鋪墊。然而這種傳統(tǒng)的人工分析判斷,,不僅效率低下,,而且存在諸多不可靠因素,并且能識別的信號類型也有限,。為了提高無線電信號的調(diào)制識別效率和準確率,,無線電信號的自動調(diào)制識別的研究勢在必行。
目前,,無線電信號調(diào)制自動識別方法從原理上看主要有兩大類:一類是基于貝葉斯決策論的方法,;一類是基于統(tǒng)計機器學(xué)習(xí)理論的方法[1-3]。貝葉斯決策論的實現(xiàn)方法本質(zhì)上可歸結(jié)為一個多重假設(shè)檢驗的問題,,雖然理論完備,,但是通用性較差,實現(xiàn)復(fù)雜度很高,,而識別率卻一般,,特別是在電磁環(huán)境復(fù)雜、低信噪比條件下,,識別率會急劇下降[3],。隨著人工智能(Artificial Intelligence,,AI)的興起,基于人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,,ANNs)的統(tǒng)計機器學(xué)習(xí)理論的信號調(diào)制識別漸漸成為信號調(diào)制識別領(lǐng)域的主流研究方向,。其優(yōu)勢在于:技術(shù)思路簡單清晰,算法切實可行,,實現(xiàn)流程簡單明了,,性能優(yōu)良,適用于通用的模擬和數(shù)字信號識別,。另外,,基于人工神經(jīng)網(wǎng)絡(luò)的調(diào)制識別分類器具有很好的魯棒性,可以自適應(yīng)電磁環(huán)境的變化,,即使在較低信噪比條件下仍然可以很好完成無線電信號調(diào)制識別任務(wù),。
1 基于人工神經(jīng)網(wǎng)絡(luò)的信號調(diào)制識別
基于人工神經(jīng)網(wǎng)絡(luò)的信號調(diào)制識別的通用流程如圖1所示,包括信號的預(yù)處理和特征提取,,信號分類器的訓(xùn)練學(xué)習(xí),,待分類信號的識別[2]。
其中,,如何提取合適的信號特征來區(qū)分不同的調(diào)制模式對識別效果有重要影響,,一般特征提取方法有:基于信號瞬時特征、基于小波變換,、基于高階累積量,、基于星座圖、基于循環(huán)譜等,。在搭建神經(jīng)網(wǎng)絡(luò)架構(gòu)方面,,大多都是構(gòu)建BP(Back Propagation,,BP)神經(jīng)網(wǎng)絡(luò)或者傳統(tǒng)的多層感知器(Multi-Layer Perceptrons,,MLPs)來實現(xiàn)自動識別。最早可以追溯到1996年AZZOUZ E E,、NANDI A K等提取信號的瞬時值為特征向量,,利用人工神經(jīng)網(wǎng)絡(luò)作為分類器,完成多種模擬數(shù)字信號的調(diào)制識別[4],,指出ANN架構(gòu)優(yōu)于決策論架構(gòu)的原因在于:決策論只能同時考慮信號的一個特征,,而ANN架構(gòu)可以同時考慮信號所有的特征,導(dǎo)致關(guān)鍵特征的時序性不影響信號調(diào)制類型的判斷,。2009年HASSAN K基于小波變化理論利用多層神經(jīng)網(wǎng)絡(luò)對不同的M進制移位鍵控類型(M-ASK,,M-FSK,M-PSK等)的信號進行調(diào)制識別[5],;2010年Qian Lanjun基于循環(huán)譜的差異設(shè)計的BP神經(jīng)網(wǎng)絡(luò)調(diào)制分類器[6],,但是對于16QAM與64QAM區(qū)分效果不太理想,;2015年ADZHEMOV S S基于信號的二階及四階統(tǒng)計量設(shè)計的MLPs兩層神經(jīng)網(wǎng)絡(luò)調(diào)制分類器[7],對FSK,、PSK,、ASK、QAM的識別率高達0.7~0.99,,但是對PSK-4信號識別率僅僅為0.7,。國內(nèi)文獻顯示基于BP神經(jīng)網(wǎng)絡(luò)或者多層感知器(MLPs)的信號分類系統(tǒng),對某一類的數(shù)字信號的自動識別效果也很好[8],,特別是在信噪比SNR≥10時,,如2007年電子科技大學(xué)的潘明從信號的瞬時幅度、瞬時相位,、瞬時頻率特征中提取5種特征參數(shù),,設(shè)計了一種分層式結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)分類器對2ASK、4ASK,、2FSK,、4FSK、BPSK,、QPSK 6種調(diào)制信號進行分類,,采用動量梯度算法分類器的正確識別率達到98%以上(SNR>10 dB時)[3,9],;此外,,基于人工神經(jīng)網(wǎng)絡(luò)對某一特定波段內(nèi)的信號類型的識別也是很好的,如2015年于成龍基于BP神經(jīng)網(wǎng)絡(luò)利用偏差權(quán)重法的特征提取方法對C波段無線電信號分類識別[10],。但是以上設(shè)計的神經(jīng)網(wǎng)絡(luò)模型都是屬于淺層神經(jīng)網(wǎng)絡(luò)分類識別器范疇[11],,設(shè)計者需要從原始的信號采樣數(shù)據(jù)中人工設(shè)計和提取特征,用于優(yōu)化網(wǎng)絡(luò)的輸入,,因此最終模型識別的準確率很大部分取決于信號特征這部分,,這要求特征設(shè)計者具備良好通信和信號領(lǐng)域的專業(yè)知識 。如果一旦選擇的分類器不合適,,那么就可能造成分類效果極差,,也就是說,基于人為的特征提取的方法,,泛化能力弱,。另外,基于一般ANN的識別分類器,,對全波段的所有類型的信號識別率有待提高,。因此,需要一種神經(jīng)網(wǎng)絡(luò)架構(gòu),,弱化前期的特征提取部分而達到自動識別的功能,,并且提高所有類型的信號識別率,。因此,有必要找到一種更加魯棒和有效的方法,,基于深度學(xué)習(xí)的深度神經(jīng)網(wǎng)絡(luò)架構(gòu)的信號調(diào)制識別系統(tǒng)應(yīng)運而生,。
2 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)
2.1 深度學(xué)習(xí)的起源與主要思想
2006年,HINTON G E等人提出深度信念網(wǎng)絡(luò)[12](Deep Belief Network,,DBN)及其相應(yīng)的非監(jiān)督貪心逐層訓(xùn)練算法,,解決了深層結(jié)構(gòu)相關(guān)的優(yōu)化難題,并以此引入了深度學(xué)習(xí)的概念,。如圖2所示,,傳統(tǒng)的ANN的淺層結(jié)構(gòu)(即通常只包含1層或2層)直接將原始輸入信號或特征轉(zhuǎn)換到待求解問題的特征空間中,因而對復(fù)雜函數(shù)的表示能力有限,。
而深度學(xué)習(xí)可通過學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu),,實現(xiàn)復(fù)雜函數(shù)逼近,本質(zhì)上是構(gòu)建含有多層隱層的機器學(xué)習(xí)架構(gòu)模型[13],,將特征和分類器結(jié)合到一起,,通過大規(guī)模數(shù)據(jù)進行訓(xùn)練學(xué)習(xí)大量更具代表性的特征信息,減少了手工設(shè)計特征的巨大工作量,。因此,,深度學(xué)習(xí)是一種可以自動地學(xué)習(xí)特征的方法。
2.2 深度學(xué)習(xí)主要的兩個模型
目前,,深度學(xué)習(xí)算法廣泛應(yīng)用在計算機視覺和語音識別等領(lǐng)域,。卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)是其中最典型的模型。
2.2.1 卷積神經(jīng)網(wǎng)絡(luò)
卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network,,CNN)最早由LECUN Y提出并應(yīng)用在手寫字體識別上(MINST),,2012年,HINTON G E課題組構(gòu)建的CNN網(wǎng)絡(luò)AlexNet參加ImageNet圖像識別比賽一舉奪得冠而吸引了眾多研究者對深度學(xué)習(xí)的注意與研究熱情,,隨后各種更多層的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如GoogleNet,、Residual Net被相繼發(fā)明。
卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示,,包含卷積層,、池化層,、全連接層[14-15],。
卷積層是CNN的核心,在卷積層中,,每個神經(jīng)元看做一個濾波器(filter)或內(nèi)核(kernel),,具有小的視覺感受野,共享權(quán)值,。一組內(nèi)核對層(layer l)的輸入出數(shù)據(jù)進行卷積(即計算內(nèi)核與輸入數(shù)據(jù)之間的點積),,對應(yīng)的輸出稱之為特征圖,,用于后一層即池化層(layer l+1)的輸入數(shù)據(jù)。如果標記dl[x,,y,,c]為三維數(shù)據(jù)中某一點的數(shù)據(jù),標記Kl為卷積層的某一個卷積核,,該卷積核表征了一個四維的數(shù)據(jù)[kx,,ky,cl,,cl+1],,且0≤kx≤Kx-1,0≤ky≤Ky-1,,卷積層的輸出數(shù)據(jù)dl+1[x,,y,c]與各卷積核和輸入數(shù)據(jù)的關(guān)系可表達為式(1)[14]:
池化層又稱下采樣,,它的作用是減少訓(xùn)練參數(shù)的數(shù)量并降低卷積層輸出的特征向量的維度,,同時保留有用特征信息。最常見的兩種池化層的形式:最大池化,,選取指定區(qū)域內(nèi)最大的一個數(shù)來代表正片區(qū)域,;均值池化,選取指定區(qū)域內(nèi)數(shù)值的平均值來代表整片區(qū)域,。
全連接層的工作原理與一般的淺層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)很類似,,只需把池化層輸出的張量重新排布成向量,乘上權(quán)重矩陣,,加上偏置值,,然后對其使用ReLU激活函數(shù),之后用梯度下降法優(yōu)化網(wǎng)絡(luò)參數(shù)即可,。
2.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks ,,RNNs)的結(jié)構(gòu)如圖4所示,RNN與各層按單一方向相連接的基本前向全連接神經(jīng)網(wǎng)絡(luò)相比,,多了一層從前一隱層輸出反饋到當前輸入的循環(huán)層,,因此,RNN表現(xiàn)出了在時間維度上的深度結(jié)構(gòu)特性,。它的深度是時間的長度按時間序列展開來看,,就是當前隱藏層的輸出值不僅與當前的輸入值有關(guān),還取決于上一次隱藏層的值,。對于給定的輸入序列X=(x1,,…,xT),RNN通過式(2),、式(3)循環(huán)迭代計算從t=1到t=T時刻,,隱層的矢量輸出序列H=(h1,…,,hT)和輸出層的矢量序列Y=(y1,,…,yT)[15],。
式中,,Wxh、Why,、Whh分別代表了輸入層與隱層,、輸出層與隱層、隱層之間的權(quán)重矩陣,,bh和by分別表征了隱層和輸出層的偏置向量,,σ為隱層的激活函數(shù),一般選為sigmoid函數(shù),。循環(huán)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法是BP算法的變體BPTT(Back Propagation Trough Time),。在實踐中,為了更好解決長時的依賴問題,,通常使用一種改進的循環(huán)神經(jīng)網(wǎng)絡(luò)如長短時記憶網(wǎng)絡(luò)(Long Short Term Memory Network,,LSTM)及其變體GRU(Gated Recurrent Unit)。
3 基于深度學(xué)習(xí)的無線電信號調(diào)制識別的研究現(xiàn)狀
目前深度學(xué)習(xí)在無線電信號調(diào)制識別的研究中主要是基于CNN及LSTM架構(gòu),。最早在深度學(xué)習(xí)網(wǎng)絡(luò)信號調(diào)制識別分類器中,,特別是在CNN分類器中,一般根據(jù)CNN對圖片識別的原理,,對接收到的信號進行預(yù)處理,,生成循環(huán)譜圖或者星座圖[16]等,并將生成的圖形作為CNN網(wǎng)絡(luò)的輸入,,通過卷積層和子采樣層交替進行對循環(huán)譜圖或星座圖的特征提取并完成自動識別,。其中利用信號的循環(huán)譜特征識別方法是早前比較受歡迎的識別方法,因為每一個調(diào)制信號的循環(huán)譜都是不一樣的,,所以可以根據(jù)信號的循環(huán)譜中峰值個數(shù)排列方式等特點來對不同的調(diào)制信號進行識別[17-18],。同時因為譜相關(guān)函數(shù)對噪聲的抑制能力很強,即使在低信噪比的情況下,,依然能夠檢測出信號的類型,。這些方法本質(zhì)也需要特征提取,并且需要對信號進行預(yù)處理,,形成圖片模式,,再通過卷積神經(jīng)網(wǎng)絡(luò)自動學(xué)習(xí)圖片的特征,,進而對原始信號進行分類,。而在2016年O′SHEA T J提出了利用CNNs的框架對通信信號中11種調(diào)制信號進行自動調(diào)制識別[19],,并且是對接收信號的原始采集數(shù)據(jù)進行自動學(xué)習(xí)分類,相比于傳統(tǒng)的機器學(xué)習(xí)算法,,識別率有了很大的提升,。O′SHEA T J提出的調(diào)制識別分類器的模型是一個四層的卷積神經(jīng)網(wǎng)絡(luò),兩個卷積層和兩個全連接層,,前三層使用ReLU函數(shù)作為激活函數(shù),,在最后的輸出層使用SoftMax激活函數(shù),經(jīng)過最后一層SoftMax激活函數(shù)的計算,,得到概率最大的輸出即為當前數(shù)據(jù)的分類結(jié)果,。
后續(xù)研究發(fā)現(xiàn),LSTM模型中隱含層中的節(jié)點保留了信號的動態(tài)時域特性[20],,因此,,在目前流行的調(diào)制識別分類器中,結(jié)合了CNN和LSTM的結(jié)構(gòu),,即一般在卷積層與全連接層中間插入一層LSTM層,,在同等條件下,這種混合結(jié)構(gòu)的分類器的識別率要高于單一的CNN模型,。
綜合國內(nèi)外各種文獻發(fā)現(xiàn),,基于深度學(xué)習(xí)的信號調(diào)制識別模型的識別率隨著信噪比的減小而降低,一般在10 dB以上信噪比識別率達到90%,,0 dB以上信噪比條件下識別率最高能達到80%,,但是一般0 dB以下信噪比的識別率一般不到50%。因此,,除了結(jié)合CNN與LSTM的優(yōu)點,,搭建一種混合神經(jīng)網(wǎng)絡(luò)架構(gòu),提高0 dB以下信噪比的信號識別率之外,,進一步的工作應(yīng)該側(cè)重于設(shè)計新型的架構(gòu),,比如結(jié)合CNN與GRU的架構(gòu),或者通過新穎的訓(xùn)練方法來達到省事省力并且高效的識別率,。
4 結(jié)論
本文主要介紹了深度學(xué)習(xí)在無線電信號調(diào)制識別中的應(yīng)用,。由于基于人工神經(jīng)網(wǎng)絡(luò)的信號調(diào)制識別沒有完善明確統(tǒng)一的理論,特別是基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型更是沒有統(tǒng)一明確的理論,,而處于探索摸索的階段,。因此綜合以上發(fā)現(xiàn)及結(jié)合無線電監(jiān)測工作,未來深度學(xué)習(xí)在無線電信號調(diào)制識別中的應(yīng)用可以發(fā)展提升的地方有以下幾個方面:提高低信噪比信號的調(diào)制識別率,,特別是信噪比0 dB以下信號的識別率,;對于CNN-LSTM混合架構(gòu),在不降低識別率的條件下,探索新的訓(xùn)練方法,,減少模型參數(shù),,達到省力而有效的自動學(xué)習(xí)方法;探索CNN-GUR網(wǎng)絡(luò)模型,,對某一段波段(如短波,、超短波、C波段等)內(nèi)所有類型信號的自動識別并保證模型的泛化性,;在特定的業(yè)務(wù)頻段,,如廣播業(yè)務(wù)頻段,深度利用RNN-HMM混合聲學(xué)模型對整個無線電頻段內(nèi)可能的非法發(fā)射的廣播進行自動識別,。
參考文獻
[1] 楊敏,,王金庭,朱靜.一種PSK/QAM數(shù)字調(diào)制方式識別方法[J].電子技術(shù)應(yīng)用,,2013,,41(11):11-13.
[2] 潘明.基于神經(jīng)網(wǎng)絡(luò)的軟件無線電信號調(diào)制識別[D].成都:電子科技大學(xué),2007.
[3] 周江.基于神經(jīng)網(wǎng)絡(luò)的通信信號調(diào)制識別研究及實現(xiàn)[D].成都:電子科技大學(xué),,2018.
[4] AZZOUZ E E,,NANDI A K.Modulation recognition using artificial neural networks[J].Signal Processing,1996,,56(2):165-175.
[5] HASSAN K,,DAYOUB,HAMOUDA H,,et al.Automatic modulation recognition using wavelet transform and neural network[C].IEEE International Conference on Intelligent Transport Systems Telecommunications,,2010.
[6] QIAN L J,ZHU C Y.Modulation classification based on cyclic spectral features and neural network[C].IEEE International Congress on Image & Signal Processing,,2010.
[7] ADZHEMOV S S,,TERESHONOK M V,CHIROW D S.Type recognition of the digital modulation of radio signals using neural networks[J].Engineering Physics,,2015,,70(1):23-28.
[8] 馮濤.基于人工神經(jīng)網(wǎng)絡(luò)的通信信號分類識別[J].Radio Engineering,2006,,36(6):24-26.
[9] 王康利,,謝建菲,趙蘭華.基于神經(jīng)網(wǎng)絡(luò)的軟件無線電信號的調(diào)制識別[J].計算機測量與控制,,2004,,12(9):877-894.
[10] 于成龍,趙寶江.基于BP神經(jīng)網(wǎng)絡(luò)的C波段無線電信號分類識別[J].牡丹江師范學(xué)院學(xué)報,,2015(2):21-22.
[11] 李佳宸.基于深度學(xué)習(xí)的數(shù)字調(diào)制信號識別方法研究[D].哈爾濱:哈爾濱工程大學(xué),,2017.
[12] HINTON G E,,OSINDERO S,TEH Y W.A fast learning algorithm for deep belief nets[J].Neural Computation,,2006,,18(7):1527-1554.
[13] LECUN Y,BENGIO Y,,HINTON G.Deep learning[J].Nature,,2015,,521:436-444.
[14] SONG L H,,QIAN X H,CHEN Y R,,et al.A pipelined ReRAM-based accelerator for deep learning[C].IEEE International Symposium on High Performance Computer Architecture,,2017.
[15] GUAN Y G,YUAN Z H,,SUN G Y,,et al.FPGA-based accelerator for long short-term memory recurrent neural networks[C].IEEE Asia and South Pacific Design Automation Conference,2017.
[16] 彭超然,,刁偉鶴,,杜振宇.基于深度卷積神經(jīng)網(wǎng)絡(luò)的數(shù)字調(diào)制方式識別[J].計算機測量與控制,2018,,26(8):222-226.
[17] WEST N E,,O′SHEA T J.Deep architectures for modulation recognition[C].2017 IEEE International Symposium on Dynamic Spectrum Access Networks,2017.
[18] 張永樂.基于CNN架構(gòu)的通信信號調(diào)制模式分類識別研究[D].沈陽:沈陽航空航天大學(xué),,2018.
[19] O′SHEA T J,,CORGAN J,CLANCY T C.Convolutional radio modulation recognition networks[C].International Conference on Engineering Applications of Neutral Networks,,2016.
[20] ZHANG M,,ZENG Y,HAN Z D,,et al.Automatic modulation recognition using deep learning architectures[C].2018 IEEE 19th International Workshop on Signal Processing Advances in Wireless Communications(SPAWC),,2018.
作者信息:
袁冰清,王巖松,,鄭柳剛
(國家無線電監(jiān)測中心上海監(jiān)測站,,上海201419)