基于深度学习的电子通信信号调制识别系统设计_谷天苓.pdf

本栏目责任编辑：唐一东人工智能Computer Knowledge and Technology电脑知识与技术第18卷第36期(2022年12月)第18卷第36期(2022年12月)基于深度学习的电子通信信号调制识别系统设计谷天苓（朝阳市人力资源和社会保障信息中心，辽宁 朝阳 122000）摘要：由于传统的电子信号调制识别系统及时性和准确率不是很高，并且过分地依赖人工来提取特征，因此需要设计基于深度学习的电子通信信号调制识别系统。在系统的硬件上，在传统的电子通信设备基础上增加了性能较高的数字信号处理器内部芯片并经过A/D转换器进行数据传输。在系统的软件上，结合原电子通信设备的缺陷增加了卷积神经网络系统，为了设备运行的稳定性基于深度学习增加信号调制识别模式。实验结果表明：电子通信设备的硬件和系统的软件之间有很好的兼容性，在相同的条件下没有特别明显的差异；而且在对电子通信信号使用了深度学习的调制识别时，每50个信号数的错误个数只维持在05个之间，明显比传统电子通信信号调制识别方法的错误个数更少。由此可见，通过对电子通信设备的硬件和软件进行改善，不仅可以实现深度学习对电子通信设备进行信号调制的识别，还提高了该系统的稳定性。关键词：深度学习；电子通信；信号调制；识别系统中图分类号：TN929.11文献标识码：A文章编号：1009-3044(2022)36-0026-03开放科学（资源服务）标识码（OSID）：传统的信号调制识别主要是通过人工来提取从而获得信号调制的特征，并将提取到的特征利用统计学进行分类处理，是我们国家当前信号调制识别中主要采取的方式。传统的电子通信设备在面对信号调制识别系统时，及时性和准确率不是很高并且过分地依赖人工来提取，因此就需要设计一个基于深度学习的电子通信信号调制识别系统。下面是在深度学习的前提下，设计电子通信设备的信号调制识别系统。1 电子通信信号调制识别系统硬件针对电子通信设备中信号调制识别的硬件结构，需要采集电子设备输出时的全部信号，将其统一进行处理。信号的产生主要来自服务器，剩下的其他功能就需要客户端来解决了。服务器产生的信号是由不同调制的信号而产生，需要通过特定的设备来进行传输，在平台显示之后被发布在网络。而用户端主要是对已经发布的数据进行获取，再将获取到的数据输入系统中进行处理，再将结果传输回去。系统硬件结构如图1所示。数字信号处理器A/D转换器多媒体播放器RAM内存条电脑显示器网络图1 系统硬件结构示意图由图1可知，在系统硬件结构中，可以看出基本上是以数字信号处理器为主，A/D转换器、多媒体播放器和RAM内存条为辅，再加上网络和电脑显示器所组成的1。因此可以在电子通信信号调制识别系统硬件中，改变处理器内部的芯片，可以将处理器内部的芯片改为TMS320VC5510A型号的。它主要的特点就是性能比之前型号的要好，并且功耗比较低，处理器的外部还会有连接端口。数字信号处理器的外部，主要传输路径是由传感器传出的信号，再经过A/D转换器把信号转换之后，再传到数字信号处理器进行处理。这样的过程是需要20bit的定时器、DMA控制器和信号端口，进行连接组成的。采用上述的方法进行连接，可以使电子通信信号更加准确地传输到数字信号处理器之中，是可以有效地改善通信信号调制的识别系统2。收稿日期：2022-06-05作者简介：谷天苓（1980），女，本科，工程师，研究方向为电子专业。E-mail：http：/Tel：+86-551-65690963 65690964ISSN 1009-3044Computer Knowledge and Technology电脑知识与技术Vol.18,No.36，December202226DOI:10.14004/ki.ckt.2022.2290人工智能本栏目责任编辑：唐一东Computer Knowledge and Technology电脑知识与技术第18卷第36期(2022年12月)第18卷第36期(2022年12月)2 电子通信信号调制识别系统软件2.1 电子通信中增加卷积神经网络系统当通过卷积网来实现局部的连接时，在网络中和图像上的特征比对时不需考虑特征的位置，这就减少了被处理的信息量。但同时在处理的过程中，选择出正确的卷积核并由此来获取输入信号时的信息。获取样本的特征之后，这些获取到的特征主要是被用在分类中。如果直接使用所得到的特征分类，就可能会产生大量的计算，可能比较容易产生过拟合。为了避免这样的情况发生，在得到样本的特征之后，可以通过减采集来对特征进行降维的处理。减采集通过使用的方法就是池化，其中主要就是最大值和平均值，这种方法是将得到的卷积特征分为不同的区域，用这部分区域的最大值和平均值来表示被降维处理后的特征，这样进行处理后，更加容易进行分类处理3。2.2 基于深度学习增加信号调制识别模式电子通信信号调制识别的处理过程主要是分为两个阶段。第一个阶段是在计算机上进行深度学习分类的网络训练，它主要就是通过模拟信号的数据，来构建深度学习模式，得到网络模型的固定参数。第二个阶段则是在信号调制识别系统中增加嵌入式GPU，主要是将第一阶段得到的深度学习模型植入到嵌入式GPU中，来实现在线的信号识别以及处理。具体过程如图2所示。电子通信调制信号电子通信调制信号深度学习网络模式深度学习网络模式深度学习网络分类深度学习网络分类信号识别结果信号识别结果嵌入式GPU嵌入式GPU模拟训练图2 电子通信信号调制识别处理过程示意图两个阶段中最主要的就是基于深度学习进行分类的网络训练。计算机上进行深度学习分类的网络训练主要是分为三个步骤来进行。第一步就是电子通信信号调制的模拟。等待识别的调制信息大致包括了十一类，其中比较常见的就是 GFSK、六四-QAM、SB-AM、B-FM 和 DSB-AM 等。其中，SB-AM、B-FM 和 DSB-AM 的工作频段都为100MHz，而其余的工作频段都为902MHz，因此SNR也被设计为四个档位。在对电子通信数据调制的模拟中出现了较多的延时和衰减问题，以及时钟和采样率之间的时间偏移问题4。第二步是平面图的数据生成。对每个获取到的信号进行短时的傅里叶变换（简称STFT）计算，其中宽则是8个信号，相邻两个信号重合为7个5。对每个信号再进行快速的傅里叶变换，得到平面的数据图。第三步是深度学习网络模式的分类。因为深度学习网络模式可能会有复杂性和识别性的存在，所以可以选择ResNet50网络为主要信号调制的网络进行识别处理。为了适应此模式，将原本的数据进行修改重合得到10类的数据结果6。将信号变成射频的信号再发射出来，再准备另一个系统负责接收发射出来的信号收集后获得数据图，再根据深度学习进行预测来实现信号调制的识别。3 测试与分析3.1 实验测试目的将此次设计的电子通信信号调制识别系统作为本次测试的对象，找出此系统与设计中存在矛盾的内容，然后再针对此类问题进行后续的修改，保证该系统可以在实际生活工作中使用。因此测试系统各个硬件之间是否可以更稳定地兼容，同时与软件方面衔接得是否准确。最后将此系统应用到实际工作环境中去，比较此次设计的信号调制识别系统与传统系统的不同之处。3.2系统兼容性效果测试为了保证此次所设计的系统具有信号调制识别的功能，验证系统稳定性首先需要对系统硬件与软件之间是否兼容进行测试，下图3为传输信号时系统的兼容性检测结果。0 051015205101520传输信号时间4:008:0012:0016:0020:0024:004:008:0012:0016:0020:0024:00接收信号次数系统硬件系统软件图3 传输信号时系统的兼容性检测结果根据上图中的曲线分布情况可以看出，系统的硬件和软件在接收信号时的次数，基本上是没有太大的差异的。由此可以看出，此次设计的系统硬件和软件之间的兼容性是可以满足测试要求的。3.3 系统稳定性效果测试为了测试此次设计的系统是否可以在实际生活工作中被应用，我们测试的时候需要把该系统用在某27本栏目责任编辑：唐一东人工智能Computer Knowledge and Technology电脑知识与技术第18卷第36期(2022年12月)第18卷第36期(2022年12月)智能小区电子通信信号调制识别的系统中。在建立的仿真实验平台中，增加电子通信设备的信号调制识别系统，并将电子通信信号设置为固定的量传输速度和对通信信号的采集速度。再通过仿真的实验软件，随机产生100组不同的通信信号，再将这100组信号分为两组相同数量，分别用于传统方法和使用了深度学习后的方法对此电子通信信号进行调制识别处理，从而来比较两种方法哪一种更加稳定。根据上述的实验步骤，将针对传统方法和本文中所设计的方法进行比较。首先将50组传统方法作为对照组，然后再将另外50组通过深度学习所设计的识别系统作为本次实验的测试组。下面是这100组电子通信信号的调制识别结果，如图4所示。信号数/个01020304050信号数/个01020304050102015255102015255使用传统方法的对照组使用深度学习方法的测试组电子通信信号调制识别错误个数使用传统方法的对照组使用深度学习方法的测试组电子通信信号调制识别错误个数图4 两种方法实验测试结果对照图由图4可以看出，提出的基于深度学习的电子通信信号调制识别方法比传统方法更加稳定，减少了错误的个数，从而保证信号可以稳定地传输。4 结束语通过实验数据再次验证此次设计的基于深度学习的电子通信信号调制的识别系统，稳定性和兼容性等方面的特性都优于传统的系统。但此次设计的系统还可能会存在很多不足之处，一方面是此系统在识别的种类上比较单一，在实际运行过程中会出现不同种类的差异比较大；另一方面是输出信号的平台比较受限制，没有办法进行跨平台的数据处理。今后可以在这两方面设计出更加完善的系统。参考文献：1 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):46-48.2 张思成,林云,涂涯,等.基于轻量级深度神经网络的电磁信号调制识别技术J.通信学报,2020,41(11):12-21.3 肖易寒,王亮,郭玉霞.基于去噪卷积神经网络的雷达信号调制类型识别J.电子与信息学报,2021,43(8):2300-2307.4 陈晋音,成凯回,郑海斌.低信噪比下基于深度学习的调制模式识别方法J.计算机科学,2020,47(S1):283-288.5 陶冠宏,周林.一种基于深度学习的辐射源信号调制识别新算法J.科学技术与工程,2020,20(3):1081-1085.6 孙猷,张俊杰.基于深度学习的水下无线光通信信噪比改善研究与实现J.光通信技术,2021,45(1):10-15.【通联编辑：张薇】（上接第25页）号采集的有效性和算法的执行效率。在现有实验的基础上，完全有可能迭代出更高精度的定位计算系统，最终目标是更高难度的三维空间的音源定位。其实，还有另一种优化解决方案。通过分频方式提取人声的效率和准确率都不高，但通过语音识别技术，将采样的声音进行过滤，去除噪声（如背景声，杂音）后，只提取符合要求的声音以提高计算效率，这个方法也将在下一步研究中进行测试。一种最新的声源定位技术也值得关注，这项新技术是利用音视一致性深度学习的方式实现声源定位，这与上述研究中利用声源到达不同麦克风的时差，声强差来定位思路完全不同。深度学习利用大规模视频数据集学习声音与声源物体之间的一致对应关系，进而达到定位的目的。当然，这项技术需要更多专业领域的知识，这将是下一步的研究计划。最后，本研究只是针对特定单一声源方向的一种估算方法。虽然该解决方案有很大的局限性，但在很多作品中都得到了应用，也符合设计目标中的低成本低技术的要求。参考文献：1 包芬.一种时序数据相关性分析方法的研究D.西安:长安大学,2019.2 刘云飞.基于麦克风阵列的声源定位方法的研究D.杭州:杭州电子科技大学,2018.3 张浩华,张梦瑶,赵小姝,等.基于Arduino的校园环境监测系统J.沈阳师范大学学报(自然科学版),2018,36(