《电子技术应用》
您所在的位置:首页 > 嵌入式技术 > 设计应用 > 基于深度学习的通信信号自动调制识别技术
基于深度学习的通信信号自动调制识别技术
2019年电子技术应用第2期
姚宇晨,彭 虎
合肥工业大学 仪器科学与光电工程学院,安徽 合肥230009
摘要: 基于特征提取和模式识别的多体制通信信号自动调制识别技术是软件无线电领域中的重要研究课题,是复杂电磁环境下频谱管理、频谱检测等非协作通信领域的关键技术之一。提出一种基于深度学习的通信信号调制模式识别算法,应用自编码技术进行特征提取,获得具有较好的抗干扰能力的特征集,然后使用 BP神经网络对经过筛选的特征进行分类识别,实现了MQAM通信信号调制模式自动识别。仿真实验结果表明,所提出的方法分类识别效果好,有效提高了数字调制信号自动识别的抗干扰能力。
中图分类号: TN925+.91
文献标识码: A
DOI:10.16157/j.issn.0258-7998.181755
中文引用格式: 姚宇晨,彭虎. 基于深度学习的通信信号自动调制识别技术[J].电子技术应用,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.
Automation modulation recognition of the communication signals based on deep learning
Yao Yuchen,Peng Hu
School of Instrument Science and Opto-electronics Engineering,Hefei University of Technology,Hefei 230009,China
Abstract: Automatic modulation recognition of the multi-system communication signals based on feature extraction and pattern recognition is an important research topic in the field of software radio. It′s one of the key technologies for a complex electromagnetic environment in the field of non-cooperative communications, such as spectrum management, spectrum detection. A new algorithm for communication signals automation modulation recognition based on deep learning is proposed in this paper. It utilizes the autoencoders for feature extraction to obtain feature set with high anti-interference ability, then classifies and identifies the selected features with BP neural network. The algorithm can realize the automatic identification for MQAM communication signal modulation. Simulation results demonstrate that the propsoed algorithm has a good performace in classification and recognition, meanwhile effectively improving the anti-interference ablility of the automatic identification of the digital modulation signal.
Key words : automatic modulation recognition;autoencoders;BP neural network

0 引言

    随着软件无线电和认知无线电技术领域的发展,多体制通信信号自动调制识别(Automation Modulation Recognition,AMR)研究取得了很多进展和成果,虽然通信信号调制方式的识别方法多种多样,但调制识别在本质上是模式分类问题,其识别研究内容主要是分类特征的提取和分类器的设计[1]。在特征提取方面,随着研究的深入发展,已知的调制特征有数百种,其中效果较好的调制特征包括高阶累积量特征[2]、谱相关特征[3]、小波特征[4]和分形理论特征[5]等。在分类器设计方面,有人工神经网络(Artificial Neural Network,ANN)以及近年来流行的支持向量机分类器[6](Support Vector Machine,SVM)等,但传统的神经网络算法存在易陷入维数灾难、陷入局部极小点和泛化能力较差等问题。2006年,Hinton等人在深度信念网络(Deep Belief Network,DBN)方面取得划时代性的成果,基于DNB,Hinton提出了非监督贪心逐层训练算法,在大多数训练中效果显著,成功解决了深层结构相关的优化难题,使多层次神经网络的实现成为可能。近年来,深度学习在越来越多的领域(如语音识别、图像识别等领域)得到良好的应用。本文提出一种基于深度学习的通信信号调制模式识别方法,使用3层堆栈自编码器提取特征,然后使用BP神经网络作为分类器进行调制模式识别,并进行MATLAB仿真,实验结果表明此方法是有效可行的,在0 dB~20 dB信噪比环境下信号的分类识别正确率可达 98%以上。

1 基于深度学习的通信信号自动调制识别算法

    基于深度学习的通信信号自动调制识别方法原理如图1所示,深度学习主要分为两步:(1)自下而上利用无监督学习,采用贪心逐层训练算法逐层进行预训练;(2)自上而下利用监督学习,对神经网络进行微调,训练分类器。然后使用训练好的分类器对信号测试样本集进行测试,统计分类识别结果。

rgzn4-t1.gif

    可以看出图1所示的自动调制识别系统主要由特征提取和分类器两部分组成。下面介绍这两部分的结构及工作原理。

1.1 特征提取

    自编码器是一个无监督学习神经网络,其编解码原理如图2所示,将一组没有类别标签的训练样本输入自编码器,由于该编码器模型能力限制和稀疏性约束,使得其能够自动习得数据本身的结构。简单来说,是当隐藏节点低于可视节点时,自编码器会使原始高维的训练样本“被迫降维”,将高维低层特征降维、抽象、组合成低维高层特征,也就是说如果输入样本数据中某些特征是相关的,那么这组数据中就存在“冗余信息”,自编码器可以在保有原始数据最大信息量的同时去除数据中的“冗余信息”,从而得到比原始输入数据更具有表达能力的特征,以达到特征提取的目的。因此,这一过程可以被看做特征提取的过程。

rgzn4-t2.gif   

    假设的神经元的激活函数是sigmoid函数。假设一个没有类别标签的训练样本{(x(1),y(1)),…,(x(m),y(m))},aj表示输入向量x(i)对各隐藏节点j的激活值。则隐含层隐藏节点的平均激活值为:

    rgzn4-gs1.gif

    所谓稀疏性限制,就是使隐藏节点中被激活的节点数(输出接近1)远远小于被抑制的节点数(输出接近0)。那么,使神经元大部分的时间都是被抑制的限制被称作稀疏性限制[7]。设稀疏性参数?籽,则平均激活值为:

rgzn4-gs2-5.gif

    使用训练样本训练好这个稀疏自编码器,当有新的样本x(i)输入到这个稀疏自编码器中后,隐藏层各节点的激活值组成的向量就可以代表x(i)

    本文使用3层稀疏自编码器组成通过堆栈叠加组成栈式自编码器,实现深度神经网络,通过非监督贪心逐层训练算法求每一隐层的特征及参数,成功克服传统多层次神经网络在反向传播过程中出现的梯度弥散、过拟合等问题。其原理简单来说,如图3所示,是一个两层栈式自编码器,假设一个没有类别标签的训练样本x(i),输入该自编码器,通过稀疏自编码算法训练第一层的自编码器,当第一层的自编码器训练结束后,得到第一隐藏层,即Hidden1层的编码参数及各节点激活值,即x(i)在新特征下的特征值;然后,用Hidden1层作为第二层的自编码器的输入层,同样用稀疏自编码算法训练得到Hidden2层的编码参数及特征值,这样就可以得到输入数据通过两层栈式自编码进行特征提取后的特征值;对多层栈式自编码器,同理,将前一层自编码器的输出作为其下一层自编码器的输入,最终得到的是x(i)在新特征下的特征值。

rgzn4-t3.gif

1.2 分类器 

    本文使用BP神经网络作为分类器,BP算法的基本思想是,信号正向传播,训练样本从输入层输入,经过隐层处理后,传向输出层,若输出层的实际输出与样本标签不符时,将误差反向传播,将此误差作为修正各单元权值的依据。如此迭代,直至误差小到满足需求,即训练好各层参数及权值。

    传统BP神经网络可能出现收敛到局部最小值的问题,在层次深的情况下,梯度下降法在训练过程中,容 易出现梯度消失的问题,且随网络层数的增加,梯度消失问题随之加重,导致其对权重的调整作用越来越小。

    本文通过栈式自编码器自动习得训练样本特征,然后使用BP神经网络通过带标签的数据去训练,误差自顶而下传输,对整体多层次神经网络进行微调。

2 仿真实验及结果分析

    根据图4所示,仿真实验步骤为:

    (1)通过MATLAB仿真MQAM调制信号。信号集合为{4QAM、16QAM、32QAM、64QAM、128QAM、256QAM},共6种调制信号,其中载波频率为47 MHz,采样频率为40 kHz,码元长度为500,信道环境采用高斯白噪声信道,信噪比范围为SNR=[0:20] dB,间隔2 dB,每个信噪比下进行1 100次仿真,组成调制信号样本集,取其中1 000次组成训练样本集,剩余100次组成测试样本集。

rgzn4-t4.gif

    (2)用栈式稀疏自编码器对训练样本进行特征提取。这是一种无监督自主筛选过程,步骤(1)得到的训练样本作为网络的输入层,采用含有3层隐含层的栈式自编码网络进行提取,最终筛选出6种具有良好分类能力的特征组成特征集。因为高度抽象得到的特征集并不具备明确的物理意义,所以将这6种特征依次命名为T1、T2、T3、T4、T5和T6。

    图5~图10为T1、T2、T3、T4、T5和T6特征参数仿真曲线,4QAM、16QAM、32QAM、64QAM、128QAM、256QAM 共6种调制信号的各特征在随信噪比(SNR)增大而变化的曲线显示通过栈式稀疏编码器自主提取的6种特征相关性低,每种信号特征分类明显,且每种特征随噪声波动都不大,即抗噪声干扰能力强。该特征集是通过学习输入数据的结构习得的,所以更接近全局最优,也就是说通过本文所提出的方法提取的特征具有良好的分类能力,由此推断基于对这6种特征进行通信信号调制模式的分类识别能够取得良好的分类效果。

rgzn4-t5.gif

rgzn4-t6.gif

rgzn4-t7.gif

rgzn4-t8.gif

rgzn4-t9.gif

rgzn4-t10.gif

    (3)使用BP神经网络有监督微调。使用步骤(2)提取的特征集对BP神经网络进行带标签有监督训练,通过反向传播算法调整神经网络权值。训练好分类器后,通过测试样本进行测试,计算不同MQAM信号在不同信噪比下分类识别率,验证本文提出的分类识别方法的有效性。分类识别结果如表1所示。

rgzn4-b1.gif

    总体来说,由分类识别结果可得出结论,本文提出的基于深度学习设计的分类识别算法对MQAM类内识别,在信噪比0 dB~20 dB之间分类识别率都能达98%以上,当信噪比大于10 dB时能100%准确识别调制信号,故使用本文的提出的算法对于MQAM调制信号的分类识别效果明显。

3 结论 

    本文从特征提取入手,使用堆栈自编码器自动提取调制信号的特征集,并使用BP神经网络作为分类器,在MATLAB环境下,对算法的分类识别性能进行了仿真实验,实验结果证明,该算法在信噪比动态快速变化的情况下依然具有良好分类识别能力,且其计算复杂度低,推广能力强,对于通信信号自动调制模式识别的发展具有重要的理论和实际意义。

参考文献

[1] 邓文林.大动态信噪比下的多体制通信信号自动调制识别算法研究[D].哈尔滨:哈尔滨工业大学,2014.

[2] 李月贞,郭敏.高阶累积量调制识别改进算法的FPGA实现[J].现代电子技术,2010,33(21):1-4.

[3] 孙钢灿,王忠勇,刘正威.基于高阶累积量实现数字调相信号调制识别[J].电波科学学报,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] 姜园,张朝阳,罗智勇.小波变换与模式识别用于自动识别调制模式[J].电路与系统学报,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] 吴岸城.神经网络与深度学习[M].北京:电子工业出版社,2016.



作者信息:

姚宇晨,彭  虎

(合肥工业大学 仪器科学与光电工程学院,安徽 合肥230009)