基于CNN和图域理论的BPSK_QPSK信号调制识别方法研究.pdf

第 卷 第期 年月金 陵 科 技 学 院 学 报J OUR NA LO FJ I N L I NGI N S T I TUT EO FT E CHNO L O G YV o l ,N o M a r,D O I:/j c n k i /n 基于C N N和图域理论的B P S K/Q P S K信号调制识别方法研究杨莉,胡国兵(金陵科技学院电子信息工程学院,江苏南京 )摘要:为了增强对信号的调制识别性能,将图域理论与卷积神经网络相结合的方法应用于二进制相移键控/正交相移键控(B P S K/Q P S K)信号的调制识别任务中.首先,计算待识别时域信号的平方谱,并加窗得到截断序列;之后对截断序列进行归一化量化图构建的图域变换,提取图的拉普拉斯矩阵和无符号拉普拉斯矩阵作为卷积神经网络的输入,训练得到分类识别结果.仿真结果表明,在低信噪比条件下,该方法具有较好的识别性能,具有一定的工程应用价值.关键词:B P S K/Q P S K信号;调制识别;图域变换;卷积神经网络中图分类号:TN 文献标识码:A文章编号:X()收稿日期:基金项目:江苏省高等学校自然科学研究重大项目(K J A )作者简介:杨莉(),女,江苏高淳人,高级实验师,硕士,主要从事统计信号处理研究.R e s e a r c ho nM o d u l a t i o nR e c o g n i t i o no fB P S K/Q P S KS i g n a l sB a s e do nC N Na n dG r a p hD o m a i nT h e o r yYANGL i,HUG u o b i n g(J i n l i n gI n s t i t u t eo fT e c h n o l o g y,N a n j i n g ,C h i n a)A b s t r a c t:T oe n h a n c et h em o d u l a t i o nr e c o g n i t i o np e r f o r m a n c eo f t h es i g n a l,am e t h o dc o m b i n i n gg r a p hd o m a i nt h e o r ya n dc o n v o l u t i o n a l n e u r a l n e t w o r k(C NN)w a sa p p l i e dt o t h em o d u l a t i o nr e c o g n i t i o nt a s ko f b i n a r yp h a s e s h i f tk e y i n g/q u a d r a t u r ep h a s e s h i f tk e y i n g(B P S K/Q P S K)s i g n a l s i nt h i sp a p e r F i r s t l y,t h es q u a r es p e c t r u mo ft h et i m ed o m a i ns i g n a l t ob ei d e n t i f i e dw a sc a l c u l a t e d,a n d t h e t r u n c a t e ds e q u e n c ew a so b t a i n e db yw i n d o w i n g;t h e nt h e t r u n c a t e ds e q u e n c ew a s t r a n s f o r m e d i n t og r a p hb yn o r m a l i z a t i o n,q u a n t i z a t i o na n dg r a p hc o n s t r u c t i o n A c c o r d i n g l y,t h eL a p l a c i a nm a t r i xa n du n s i g n e dL a p l a c i a nm a t r i xo f t h eg r a p hw e r ee x t r a c t e da st h e i n p u to ft h eC NNf o rt r a i n i n gt oo b t a i nt h er e c o g n i t i o nr e s u l t s S i m u l a t i o nr e s u l t ss h o wt h a t t h i sp r o p o s e da l g o r i t h ms t i l l h a sg o o d r e c o g n i t i o np e r f o r m a n c eu n d e r l o w e rS N Rc o n d i t i o n sa n dh a sac e r t a i nv a l u e i ne n g i n e e r i n ga p p l i c a t i o n K e yw o r d s:B P S K/Q P S Ks i g n a l;m o d u l a t i o nr e c o g n i t i o n;g r a p hc o n v e r s i o n;c o n v o l u t i o nn e u r a ln e t w o r k调制识别技术在军用和民用领域都具有重要的应用价值,众多学者对其进行了研究.传统的调制识别技术主要分为两大类:基于似然(l i k e l i h o o d b a s e d,L B)的方法和基于特征(f e a t u r e b a s e d,F B)的方法.L B调制识别方法能够达到识别性能的上边界,但依赖先验信息且计算复杂度较高.F B调制识别金陵科技学院学报第 卷方法主要有自相关函数、高阶累积量、平方谱、星座图等,该类方法计算复杂度较低,便于工程实现,但是在较低信噪比条件下识别性能通常不高.随着人工智能的发展,基于深度学习的调制识别技术日渐成为图像识别领域的热点,也相继被很多学者应用到调制识别任务中.该类技术中神经网络的输入一般为信号的时域形式或者其他变换域形式,神经网络能够自动学习输入层的深层特征.此类特征虽然缺乏可解释性,但能使待识别样本具有更好的区分性.卷积神经网络(c o n v o l u t i o n a l n e u r a l n e t w o r k,C NN)是经典的神经网络之一,它在卷积层使用的权重和偏置的参数较少,计算量也相对较小.文献 详细阐述了C NN对信号调制识别的性能有很大提高.近年来,一种新的图域理论应用于信号识别任务中,该方法将时域信号或者其他变换域形式转换成由顶点和边构成的无向图,即将信号的检测或识别问题转换成研究图的边与边拓扑关系强弱问题,其优势在于综合了信号时域特性与图拓扑特性,从而有利于增加识别性能.目前,尚未发现该方法与深度学习相结合的信号调制识别研究.本文在文献 成果的基础上,初步将图域理论与深度学习中的C NN相结合并应用于B P S K/Q P S K信号调制识别问题中,为该领域的研究提供新的途径.信号模型及图域变换 信号模型假设待识别信号为x(n)si(n)w(n)Ae x pj fntdi(n)w(n),nN,i,()式中,s(n)为B P S K信号;s(n)为Q P S K信号;di(n)为相应的编码函数;A为信号幅度;j为虚数单位;N为信号样本个数;f为信号载频;t为采样间隔;为信号的初始相位;w(n)为零均值高斯白噪声过程,实部与虚部独立,方差为,且与信号互不相关.将本文调制识别问题定义为如下假设检验问题:H:待识别信号为B P S K信号.H:待识别信号为Q P S K信号.图域变换文献 提出了一种将序列(时域或其他变换域)转换为图的变换方法.假设现有一离散序列Y(k),k,M,其图域变换的主要步骤如下:)归一化.对序列Y(k)进行归一化处理,即UY(k)Y(k)Ym i n(k)Ym a x(k)Ym i n(k)()式中,Ym a x(k)和Ym i n(k)分别为序列Y(k)的最大值和最小值.)量化.选择特定的量化级数N对UY(k)进行均匀量化,即QY(k)i()式中,iNUY(k)iN,iN.)图域变换.将QY(k)转换为具有顶点集Vv,v,vN 和边集合Ee,vV,vV 的图结构GE,V.具体为:从QY(k)到QY(k)遍历,当存在v到v的电平跳变时,则两个顶点相连,即e,;反之,则两个顶点无连接,即e,.定义拉普拉斯矩阵 假设图的度矩阵为D(G)d i a g(d(v),d(vi),d(vNq),d(vi)为顶点vi的度.邻接矩阵为A(G)(ei j)NN,则L(G)D(G)A(G)为图的拉普拉斯矩阵.定义无符号拉普拉斯矩阵S(G)D(G)A(G)为图的无符号拉普拉斯矩阵.第期杨莉,等:基于C NN和图域理论的B P S K/Q P S K信号调制识别方法研究 基于C N N和图域理论的调制识别 基本思路本文基于C NN和图域理论的调制识别方案主要分为个步骤(图).)信号预处理.对待识别信号提取平方谱,并加窗得到截断序列.)图域变换与特征提取.对截断序列进行归一化量化图构建,提取拉普拉斯矩阵的特征值和无符号拉普拉斯矩阵,并分别计算特征值向量.)训练和测试.将特征值向量输入到C NN中进行训练,然后将测试样本经过预处理、图域变换和特征提取,再将测试数据输入到训练好的C NN中自动学习从而输出识别结果.图基于C N N和图域理论的调制识别方案 信号预处理图为两种假设下待识别时域信号经过快速傅里叶变换(F F T)后提取的平方谱,B P S K信号的平方谱仅含有根类似于冲激的大值谱线,Q P S K信号的平方谱含有较多类似于冲激的大值谱线.图为两种假设下平方谱加窗以后得到的截断序列,显然,经过加窗处理的截断序列并不会改变平方谱的特征.(a)H:B P S K(b)H:Q P S K图待识别信号B P S K/Q P S K的平方谱(a)H:B P S K(b)H:Q P S K图待识别信号B P S K/Q P S K的截断序列金陵科技学院学报第 卷 图域变换和特征提取图为两种假设下截断序列经过图域变换的生成图.仿真条件如下:B P S K信号选取的 位码为,Q P S K信号选取的 位码为,采样间隔t s,载波频率f MH z,样本数N ,初相位/,信噪比为d B,图顶点个数N .由图可见,在H假设下,图的连通性较弱,仅有顶点和顶点 相连;在H假设下,图的连通性相对较强,除了孤点顶点、和以外,其他顶点之间均有较多的连通关系.据此,对B P S K和Q P S K信号的调制方式识别可转化为对图的连通性判断.(a)H:B P S K(b)H:Q P S K图待识别信号B P S K/Q P S K截断序列的生成图在相同仿真条件下,对H假设下的生成图提取拉普拉斯矩阵L(G)并计算其特征值向量p,提取无符号拉普拉斯矩阵S(G)并计算其特征值向量q,;对H假设下的生成图提取拉普拉斯矩阵L(G)并计算其特征值向量p,提取无符号拉普拉斯矩阵S(G)并计算其特征值向量q,.可以看出,在H假设下拉普拉斯矩阵特征值和无符号拉普拉斯矩阵特征值中的个数之和明显多于H假设下.由此可知,图的连通性可以由拉普拉斯矩阵和无符号拉普拉斯矩阵的特征值向量来表征.训练和测试训练阶段采用的C NN结构如表所示.为了使网络模型的泛化误差最小,将训练数据分出一小部分作为验证集.首先使用训练集训练出模型,然后用验证集进行验证,选出最好的网络模型并记录其各项设置,据此再用训练集数据验证集数据训练出一个新模型作为最终的模型,最后用测试集数据评估最终的模型.图为本文算法训练过程中损失值随迭代次数变化的曲线.由图可见,随着迭代次数的增加,训练集和验证集数据都得到了较好的收敛.图训练过程中损失值曲线表训练阶段采用的C N N结构序号类型参数步长激励函数输入尺寸输出尺寸输入层 卷积层 R e L U 卷积层 R e L U 展平层 全连接层 R e L U 全连接层 R e L U 输出层S o f t m a x 算法流程本文调制识别算法流程总结如下:)平方谱计算:对待识别信号x(n)作平方运算并做F F T变换取平方,得到X(k).)平方谱加窗:找出平方谱X(k)的极值谱线,以其为中心加长度为D的窗对平方谱截断,得到截断第期杨莉,等:基于C NN和图域理论的B P S K/Q P S K信号调制识别方法研究序列Y(k).)图域变换:将截断序列Y(k)转化为具有N个顶点的图GE,V.)特征提取:计算图GE,V 的拉普拉斯矩阵特征值向量p和q.)网络训练:根据步骤)将训练信号提取的p和q输入到C NN中进行训练.)信号识别:将测试信号提取的p和q输入到训练好的C NN中,得到识别结果.仿真实验本节将讨论在不同仿真条件下本文算法的识别性能,以及本文算法与其他文献算法的性能对比.仿真条件待识别信号设为:B P S K信号采用,Q P S K信号采用,信噪比为 d B(步长为d B),采样间隔t s,载频f MH z,样本数N ,初相位/,图顶点个数N,矩形窗宽度D .测试信号的信噪比为 d B(步长为d B),服从均匀分布,每一个信噪比条件下均通过蒙特卡洛实验产生 个样本,最终取平均值得到每种信号的调制识别正确率,即当B P S K信号的识别正确率为PB、Q P S K信号的识别正确率为PQ时,平均识别正确率Pa v e(PBPQ)/.网络训练参数设为:学习率为 ,更新参数为,.训练集与验证集的比例为,优化方法为A d a m,模糊因子为,迭代次数e p o c h ,每次迭代使用的数据b a t c h_s i z e .本文算法在不同条件下的识别性能 不同样本数图为不同样本数条件下本文算法的平均识别正确率.由图可见,当信噪比为 d B时,信号样本数越大则平均识别正确率越高.信噪比大于d B的情况下,N 、时的平均识别正确率基本达到 ;N 时的平均识别正确率明显低于其他仿真样本数.由此可见,信号的样本数过少会影响算法的识别性能;如果样本数过大,算法的识别性能提高,但是运行时间增加.因此,样本数应折中选取,一般取N .不同初相位图为不同初相位条件下本文算法的平均识别正确率.由图可见,在同一信噪比条件下,初相位的改变对平均识别正确率基本没有影响.图不同样本数时本文算法的平均识别正确率图不同初相位时本文算法的平均识别正确率 不同顶点数图为不同顶点数条件下本文算法的平均识别正确率.由图可见,同一信噪比条件下,图的顶点数变化,平均识别正确率基本不变.但需要注意的是,C NN的输入是个尺寸为N的向量,而卷积层的卷积核分别为和,如果顶点数N过小(N),一方面要重新设计卷积核尺寸,另一方面C NN的输入向量长度明显变短必然会影响网络参数训练的效果,使得算法的识别性能受影响.因此,图的顶点数应折中选取,一般取N.金陵科技学院学报第 卷 不同训练样本数图为不同训练样本数条件下本文的平均识别正确率.由图可见,当训练样本达到 时,平均识别正确率基本不会随训练样本数的增加而增加.在信噪比为d B的情况下,训练样本较少(Nt r a i n )时的识别性能明显不如训练样本较多时.综合训练时间和识别性能两方面考虑,一般设置训练样本数Nt r a i n .图不同顶点数时本文算法的平均识别正确率图不同训练样本数时本文算法的平均识别正确率 不同算法的识别性能对比分析 正确率比较图 为本文算法与其他基于图的调制识别算法 ,在无衰落信道和瑞利衰落信道下的识别性能比较.文献 中窗宽度设为 ,图顶点数设为;文献 中频谱修正点数设为,图顶点数设为;文献 的图域变换过程使用了瑞利分布归一化,图顶点数设为.瑞利衰落信道设置为x(n)si(n)h(n)w(n),h(n)的幅度服从瑞利分布.由图 可见,当信道不存在衰落时,在信噪比为 d B时本文算法的识别性能明显优于文献 ,;当信道存在瑞利衰落时,在整个信噪比仿真范围内本文算法的识别性能均优于文献 ,.综上,与一般的基于图的文献算法相比,本文算法在识别正确率上具有优势.(a)无衰落信道(b)瑞利衰落信道图 本文算法与其他算法的平均识别正确率对比 算法时间比较表为本文算法与文献 ,的算法在完成一次仿真时所需时间的对比.所用的硬件平台是处理器为I n t e lRC o r eTMi U(GH z)的D E L L电脑;软件平台是MAT L A BR a和P y c h a r m .由表可见,本文算法的测试时间约是文献 算法的/,约是文献 和文献 算法的/,但是由于本文算法用到的C NN需要训练,所以本文算法的总时间远高于其他基于图的算法.第期杨莉,等:基于C NN和图域理论的B P S K/Q P S K信号调制识别方法研究表本文算法与其他算法的运行时间对比算法训练时间/m s测试时间/m s总时间/m s本文算法 文献 算法 文献 算法 文献 算法 结语本文提出了一种基于C NN和图域理论的B P S K/Q P S K信号调制识别算法.仿真实验结果表明,本文算法在无衰落信道下和有瑞利衰落信道下的识别性能均优于一般的基于图的算法,且不需要进行门限设置,具有较好的鲁棒性.考虑到本文算法中信号的调制方式种类较少,增加调制信号的种类后如何利用图理论结合深度学习进行有效识别有待进一步研究.参考文献:戴江安,栾声扬,赵明龙,等脉冲噪声下基于平滑循环相关熵谱的调制识别方法J通信学报,():张俊林,王彬,汪洋,等一种稳定分布噪声下O F DM信号调制识别与参数估计算法J电子学报,():史忠亚,吴华,周一鹏,等规范化自相关函数的复杂P R I调制样式识别J空军工程大学学报(自然科学版),():解辉,姚智刚,马俊涛,等一种基于高阶累积量的复杂调制样式识别方法J电讯技术,():赵雄文,郭春霞,李景春基于高阶累积量和循环谱的信号调制方式混合识别算法J电子与信息学报,():许琦敏,万峻,何羚,等基于高阶累积量和信号平方谱特征的复合调制信号盲识别J电子学报,():杨莉,胡国兵,胡学龙基于G P分布拟合检验的B P S K/Q P S K信号调制识别J电讯技术,():杨莉,胡国兵基于G u m b e l分布拟合检验的B P S K/Q P S K信号调制识别算法J金陵科技学院学报,():陆珊珊,王伟,王国玉幅相调制信号的星座图恢复与调制方式识别J国防科技大学学报,():林冲,闫文君,张立民,等通信信号调制识别综述J中国电子科学研究院学报,():叶颖泽,熊辉,钟祎基于时频网络的深度学习调制识别方法J武汉大学学报(工学版),():雷志坤基于深度学习的调制识别技术研究D成都:电子科技大学,YANGL,HUGB,X UXY,e t a l M o d u l a t i o nr e c o g n i t i o no fB P S K/Q P S Ks i g n a l sb a s e do nf e a t u r e s i nt h eg r a p hd o m a i nJ K S I IT r a n s a c t i o n so nI n t e r n e t a n dI n f o r m a t i o nS y s t e m s,():YANK,WU HC,X I AO HL,e t a l N o v e l r o b u s tb a n d l i m i t e ds i g n a l d e t e c t i o na p p r o a c hu s i n gg r a p h sJ I E E EC o m m u n i c a t i o n sL e t t e r s,():张杰图的拉普拉斯与无符号拉普拉斯矩阵D上海:上海交通大学,E L D EME R D A S H YA,D O B R EO A,R E T E N O,e ta l Ar o b u s tm o d u l a t i o nc l a s s i f i c a t i o nm e t h o df o rP S Ks i g n a l su s i n gr a n d o mg r a p h sJ I E E ET r a n s a c t i o n so nI n s t r u m e n t a t i o na n dM e a s u r e m e n t,():(责任编辑:湛江谭彩霞)