基于卷积神经网络的自动调制识别方法_郝立鑫.pdf

电子设计工程Electronic Design Engineering第31卷Vol.31第4期No.42023年2月Feb.2023收稿日期：2022-01-05稿件编号：202201011作者简介：郝立鑫（1997），男，山东临沂人，硕士研究生。研究方向：信号识别、神经网络等。信号进行调制之后，在无线信道中可以进行更加稳定高效地传输，而接收到信号之后，解调信号的前提条件就是确定信号的调制方式。调制识别1方法基本分为三类，第一类是早期的人工识别，现已经基本被淘汰；第二类是基于决策理论2的最大似然法识别，该种方法运用概率学等相关数学知识进行信号识别，该方法较为复杂；第三类是基于特征提取的统计模式识别，根据信号的不同特征进行识别。调制信号识别技术在不断发展，文献3中将卷积双向长短期神经网络应用于信号识别领域，没有先验信息干扰时提高了识别性能，文献4中将高阶统计量与决策树相结合，以此进行信号识别，模型鲁棒性较强，文献5中将时频特征信号特征作识别信号，信号的时频分析更能反应信号在时间与频率上的变化，且具有普适性。基于卷积神经网络的自动调制识别方法郝立鑫，崔永俊（中北大学 仪器科学与动态测试教育部重点实验室，山西 太原 030051）摘要：针对调制信号识别精度不足的问题，提出了基于卷积神经网络和注意力机制的识别方法。该方法在卷积神经网络的卷积层与池化层之间增加了注意力机制，赋予调制信号关键特征更高的权重，对信号进行时频分析并转换为频谱图作为模型的输入，模型分别对八种数字调制信号及三种模拟调制信号进行识别。按照控制变量原理设置了两组对比实验，将该文方法与现有方法进行对比，实验结果表明，该文方法在信噪比为-1014 dB时，识别准确率提高了0%9%，在信噪比为0 dB时准确率提高了近9%，由实验结果可知该文提出的方法优于现有方法。关键词：深度学习；卷积神经网络；调制识别；注意机制中图分类号：TN911文献标识码：A文章编号：1674-6236（2023）04-0159-05DOI：10.14022/j.issn1674-6236.2023.04.033Automatic modulation recognition method based on convolutional neural networkHAO Lixin，CUI Yongjun（Key Laboratory of Instrumentation Science and Dynamic Measurement，Ministry of Education，NorthUniversity of China，Taiyuan 030051，China）Abstract:Aiming at the problem of insufficient recognition accuracy of modulation signals，a recognitionmethod based on convolutional neural network and attention mechanism is proposed.This method addsan attention mechanism between the convolution layer and the pooling layer of the convolution neuralnetwork，gives higher weight to the key characteristics of the modulation signal，carries out time frequency analysis on the signal and converts it into a spectrum diagram as the input of the model.Themodel respectively analyzes eight kinds of digital modulation signals three kinds of analog modulationsignals for identification.Two groups of comparative experiments are set up according to the principle ofcontrol variables.The experimental results show that the recognition accuracy of this method is improvedby 0%to 9%at-10 dB to 14 dB signaltonoise ratio and nearly 9%at 0 dB signaltonoise ratio.Theexperimental results show that the method proposed in this paper is better than the existing methods.Keywords:deep learning；convolutional neural network；modulation identification；attention mechanism-159电子设计工程 2023年第4期近年来，深度学习在众多领域都取得了不错的进展，其中卷积神经网络6可以自动化地提取特征，在分类问题上有着卓越的性能，该文将其与调制信号识别相结合，并在模型的结构上做出了一定的改进,将信号的频谱图作为信号识别的重要特征。文中进行设计并实验，证明了该文方法在普适性与准确率上均优于现有方法，在信号识别领域有一定意义。1信号频谱表示简单的通信系统如图 1 所示。其中s(t)表示要从发射机发送到接收器的传输符号，调制函数F将s(t)转换为发送信号，信号经过h(t)到达接收机。y(t)为接收机接收到的信号，且表达式如下所示：y(t)=F(s(t)*h(t)+n(t)（1）式中，s(t)、h(t)、n(t)分别表示传输符号、脉冲响应和加性高斯白噪声，F 是对信号进行调制的函数。该文的主要工作就是识别F的调制类型。图1通信系统调制信号的调制类型不同，时频变化也不同，因此可以将信号的时频变化作为判断调制类型的依据。频谱图可以表示丰富的信号时频，所以将频谱图作为观察信号时频变化的视觉表示。信号转换为频谱图7的方式，该文选用的是 STFT（短时离散傅里叶变换），将y(t)表示成采样频率fs的离散时间信号y(n)，通过STFT对其进行加窗变为频域，即：Y(m,k)=n=mKmK+(L-1)r(n)w(n-mK)e-j2kLn（2）式中，m和k分别表示时间框架跟频率单元指数，w(n)表示窗口函数，L和 K分别表示帧长度和移帧，频谱图Y=|Y(m,k)2，其中，每个像素对应于频率和时间点。2数据预处理该文采用了 RadioML2016.10a 数据集8，该数据集中有八种数字调制方式9，分别是 CPFSK,GFSK,PAM4,16QAM,64QAM,BPSK,QPSK，8PSK；有三种模拟调制方式，分别是WBFM，AM-SSB,AM-DSB；共有 11种信号调制方式，每种调制方式都有 20 000个调制信号，共有220 000个调制信号。调制信号共有20种信噪比，分别是-20 dB、-18 dB、16 dB、18 dB。每一种信噪比都有 1 000个调制信号。将一维信号转换为二维频谱图，需要使用低通滤波器对信号进行降噪10处理，然后通过 Matlab 2018b中的 spectrogram函数将调制信号转换为频谱图，图片大小设置为1001003。所有调制信号在相同的调制类型不同的信噪比下按照 7 1 2的比例划分为 a组、b组、c组，所有的 a组数据组合起来作为训练数据集，同理，b组、c组分别作为验证数据集和测试数据集。3模型设计3.1卷积神经网络架构卷积神经网络11-12的结构及参数如图2所示。图2卷积神经网络CNN(Convolutional Neural Networks)中有四层卷积层、三层池化层。卷积核尺寸为33，卷积工作过程如图3所示。图3卷积核工作过程卷积层的二维卷积计算公式如式（3）所示：out(Ni,Coutj)=bias(Coutj)+k=0Cin-1weight(Coutj,k)input(Ni,k)（3）式中，代表二维互相关算子，N代表 batchsize，即每次输入图片集合的大小，C代表图片的通-160道，H与W分别代表图片的高与宽。经过卷积之后，图片的输出尺寸如公式（4）、（5）所示：Hout=Hin+2padding-()kernel-1-1stride+1（4）Wout=Win+2padding-()kernel-1-1stride+1（5）式中，padding 代表对输入图片四边边缘的填充，kernel 代表卷积核的大小，stride 代表卷积的步长。在卷积层之后引入了一层注意机制，以便更快、更好地进行模型分类，注意机制之后是池化层，池化层的主要作用是简化特征，在一定尺寸的滤波器内取特征向量的最大值或者平均值，池化层中选择的是最大池化，取值过程如图4所示。图4最大池化取值过程使用 SoftMax 函数进行分类13。模型训练时的优化器采用Adam优化器，网络层的激活函数均采用ReLU激活函数，函数公式如公式（6）所示：f(x)=max(0,x)（6）3.2注意机制模型中引入注意机制14，可以赋予模型分类过程中重要特征更高的权重，以此实现更快、更好地进行分类。综合了 Senet、CBAM、AA-Net等注意力模型，该 文 选 择 将 CBAM15(Convolutional Block AttentionModule)添加到 CNN网络中，CBAM 的结构示意图如图5所示。图5CBAM结构示意图其中，通道注意力模块的结构如图6所示。将大小为CWH的特征图 F 并行进行最大池化与平均池化，大小变为C11，经过一个共享MLP(Multi-Layer Perception)，对输出的特征进行加和，最后经过一个Sigmoid16激活函数得到M1，M1与F相乘得到大小为CWH的F1，计算公式如下：F=F1M（7）式中，表示矩阵元素积，将对应元素进行点乘。空间注意力模块结构如图7所示。图7空间注意力模块对 F1分别进行两种池化操作，然后将得到的张量组合在一起再进行卷积，最后经过一个Sigmoid激活函数得到 M2，M2与F相乘得到大小为CWH的F2。用新的特征图F2代替原先的特征图进入模型中的下一层网络。3.3模型训练测试流程模型的训练测试流程如图 8 所示，用训练数据集训练 CNN，如果训练结果理想，保存模型；如果不理想，则调整参数或者模型结构，然后重新训练直到理想为止，保存模型。最后输入测试数据集，记录结果，完成测试。4实验4.1实验设计该文设计了三个实验进行对比，以便更好地评估该文模型的性能：1）将信号的 IQ 两路采样信息直接作为模型的输入，识别模型为没有注意机制的卷积神经网络，为了更好地进行对比实验，识别模型的其余结构与参数均与该文所提出的一样，设该识别模型为CNN1；2）将信号转换而来的频谱图作为模型的输入，识别模型的结构与1）中相同，设该识别模型为CNN2；3）将信号转换而来的频谱图作为模型的输入，图6通道注意力模块郝立鑫，等基于卷积神经网络的自动调制识别方法-161电子设计工程 2023年第4期识别模型为该文提出的模型，设该模型为CNN3。所有实验都使用相同的数据集，模型都基于TensorFlow框架进行搭建，所有实验都在Nvidia RTX2060 GPU中实现，在训练趋于稳定时结束训练并进行验证与测试。根据控制变量法对 CNN1 与 CNN2 的识别结果进行对比，可以得到信号的频谱图作为输入时对识别模型性能的影响。将 CNN2与 CNN3的识别结果进行对比，可以得到增加注意机制对识别模型的影响。4.2实验结果根据实验