基于混合神经网络的无线电信号自动调制识别.pdf

第 40 卷 2023 年第 4 期上海航天（中英文）AEROSPACE SHANGHAI（CHINESE&ENGLISH）基于混合神经网络的无线电信号自动调制识别李立欣1，倪涛2，裘俊2，狄慧2，刘莹2，林文晟1（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）摘要:随着无线电信号数据海量增加，复杂电磁环境下面临着未知威胁和目标侦察识别复杂度高的问题，本文针对未知无线电信号的特征提取任务，设计了一种混合神经网络以提高目标无线电信号的识别能力。先通过胶囊神经网络对未知信号的空间信息进行提取，再进一步运用门控循环单元提取信号在时间上的特征信息。设计混合网络模型将信号的时间和空间特征相结合，提高对目标信号的分类精度。通过 RML2016.04C 调制信号数据集，验证了混合神经网络的识别性能。结果表明：当信噪比为 6 dB 时，混合网络模型对多种不同调制信号的分类精度大于 95%。因此，本文所设计的混合神经网络能够有效对不同调制信号进行准确分类。关键词:混合神经网络；胶囊神经网络；门控循环单元；自动调制识别；特征提取中图分类号:TN 92 文献分类号：A DOI:10.19328/ki.20968655.2023.04.004Radio Signal Modulation Recognition Based on Hybrid Neural NetworkLI Lixin1，NI Tao2，QIU Jun2，DI Hui2，LIU Ying2，LIN Wensheng1（1.School of Electronic Information，Northwestern Polytechnical University，Xi an 710129，Shaanxi，China；2.Shanghai Institute of Satellite Engineering，Shanghai 201109，China）Abstract:With the massive increase in radio signals，in response to the unknown threats and the high complexity of target signal reconnaissance and recognition in complex electromagnetic environments，a hybrid neural network is proposed to extract the characteristic information of target radio signals，so as to achieve accurate target radio signal recognition.First，the capsule network is used to extract the signal space information.Then，the gated loop unit is further used to extract the signal characteristic information in time.The hybrid network model combines the spatiotemporal characteristics of the signals to improve the classification accuracy of the target signals.The RML2016.04C dataset is utilized to verify the classification performance of the hybrid neural network.The results indicate that the classification accuracy of the hybrid network model for different modulation signals is greater than 95%with the signal-to-noise ratio of 6 dB.Consequently，the hybrid neural network designed in this paper can effectively classify diverse modulation signals.Key words:hybrid neural network；capsule network；gated recurrent unit；automatic modulation recognition；feature extraction0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收稿日期：20201201；修回日期：20230525基金项目：上海航天科技创新基金项目（SAST2022052）作者简介：李立欣（1979），男，博士，教授，博士生导师，主要研究方向为空天地一体化通信。通信作者：倪 涛（1984），男，硕士，高级工程师，主要研究方向为卫星系统设计和技术创新体系规划。32第 40 卷 2023 年第 4 期李立欣，等：基于混合神经网络的无线电信号自动调制识别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：y(t)=x(t)+n(t)（1）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。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（AM-SSB）、宽 带 调 频（WBFM）、2/4/8 进 制 相 移 键 控图 1系统模型Fig.1System model33第 40 卷 2023 年第 4 期上海航天（中英文）AEROSPACE SHANGHAI（CHINESE&ENGLISH）（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）。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 2128 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2128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 29，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 64160 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 15，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 64128。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 16，并且采用零填充的方式，输出为 64128 的张量。然后对输出张量的尺寸和维度进行变换，得到16 组 4128 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uj|i，把向量空图 2所提出的混合网络模型Fig.2The proposed hybrid network model34第 40 卷 2023 年第 4 期李立欣，等：基于混合神经网络的无线电信号自动调制识别间从 4维映射到 16维：uj|i=wijui（2）再对预测向量uj|i加权求和：sj=icijuj|i（3）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：vj=sj21+sj2sjsj（4）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 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；、tanh为激活函数。Zt=(wz yt-1，xt)（5）rt=(wr yt-1，xt)（6）ht=tanh(w rt*yt-1，xt)（7）yt=(1-zt)*yt-1+zt*ht（8）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612 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 利用宽图 3门控循环单元结构Fig.3Structure diagram of the gated recurrent unit35第 40 卷 2023 年第 4 期上海航天（中英文）AEROSPACE SHANGHAI（CHINESE&ENGLISH）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。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。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%。图 5混合网络模型与单一网络模型的分类性能Fig.5Classification performance of the hybrid network model and single network model图 4混合网络模型在不同信噪比下的分类性能Fig.4Classification performance of the hybrid network model under different signal-to-noise ratios36第 40 卷 2023 年第 4 期李立欣，等：基于混合神经网络的无线电信号自动调制识别参考文献1 张宏俊.空天一体联合体系作战及其技术展望 J.上海航天（中英文），2021，38（3）：1-7.2 CHEN Y，SHAO W，LIU J，et al.Automatic modulation classification scheme based on LSTM with random erasing and attention mechanismJ.IEEE Access，2020，8：154290-154300.3 SONG G，JANG M，YOON D.CNN-based automatic modulation classification in OFDM systemsC/International Conference on Computer，Information and Telecommunication Systems（CITS），Piraeus，Greece：IEEE，2022：1-4.4 SOWJANYA P，SATYANARAYANA P.A softwaredefined radio testbed for deep learningbased automatic modulation classificationJ.International Journal of Communication Systems，2020，33（15）：1-15.5 ZHU D，MATHEWS V，DETIENNE D.A likelihood-based algorithm for blind identification of QAM and PSK signalsJ.IEEE Transactions on Wireless Communications，2018，17（5）：3417-3430.6 SHAH M，DANG X.An effective approach for low-complexity maximum likelihood based automatic modulation classification of STBC-MIMO systems J.Frontiers of Information Technology&Electronic Engineering，2020，21（3）：465-476.7 毛琼，吴越，谷源涛.链路自适应下的自动空间调制方式识别 J.计算机仿真，2020，37（9）：136-139，161.8 闫朋展，王振宇.运用高阶累积量和 SVM 的调制自动识别 J.电讯技术，2010，50（10）：36-40.9 刘桥平，高兴宇，邱昕，等.基于 USRP的自动调制识别J.计算机应用与软件，2020，37（08）：110-114，121.10 白鹏.数字通信信号自动调制识别分析 J.信息记录材料，2020，21（7）：181-182.11 吴赛，王智慧，邵炜平，等.基于循环谱和改进的深度神经网络的频谱分析方法 J.河北工业大学学报，2020，49（3）：40-45.12 张磊，吴颖.基于深度学习算法的 HPLC通信信号自动调制识别研究 J.通信电源技术，2020，37（10）：46-48.13 孙玉霖，李军.基于深度学习的信号调制自动识别 J.齐鲁工业大学学报，2020，34（1）：58-63.14 施春强，陈忻.卫星通信常用调制方式的自动识别 J.数字通信世界，2020（2）：49.15 刘桥平，邱昕，郭瑞.基于深度神经网络的自动调制识别 J.电子设计工程，2019，27（23）：116-120，125.16 ZHANG T，SHUAI C，ZHOU Y.Deep learning for robust automatic modulation recognition method for IoT applicationsJ.IEEE Access，2020，8：117689-117697.17 ZHANG H，WANG Y，XU L，et al.Automatic modulation classification using a deep multi-stream neural networkJ.IEEE Access，2020，8：43888-43897.18 LI R，SONG C，SONG Y.et al.Deep geometric convolutional network for automatic modulation classification J.Signal，Image and Video Processing，2020，14：1199-1205.19 ZHANG Z，TU Y.A pruning neural network for automatic modulation classificationC/International Conference on Dependable Systems and Their Applications（DSA）.Yinchuan，China：IEEE，2021：189-194.20 郭坚，漆轩.基于残差网络的自动调制识别 J.计算机工程与设计，2019，40（9）：2406-2410.37