基于卷积神经网络和半监督学...的无线电信号检测和识别分析_王瀚霆.pdf

64 电子技术 第 52 卷 第 2 期（总第 555 期）2023 年 2 月Computer Engineering计算机工程0 引言AI技术快速发展背景下，深度学习技术覆盖范围逐步扩大，其在图像分析、自然语言识别等方面发挥着巨大作用。借助深度学习技术，工作人员可以在海量数据中快速检索出特定数据的共性特征并对该特征进行深度学习，大幅度提升目标检测算法精度与效率。而无线电信号检测与识别作为一种典型的模式识别工作，与深度学习技术有着很强的相关性。因此，研究人员积极尝试利用基于伪标签、自训练以及协同训练等技术，为无线电信号检测与识别技术开辟出一条全新的发展路径。1 基于卷积神经网络技术无线电信号检测与识别研究人员基于深度学习理论以及卷积神经网络技术，尝试构建一种全新的无线电信号检测与识别技术框架，基于该框架布置目标检测网络，通过这种方式提高信号识别精度。1.1 搭建技术框架无线电信号检测识别技术分为两部分，（1）即时频图生成，（2）目标检测（如图1所示）。第二个模块接收到的数据以无线电信号时频图为主，此类数据能够同时体现信号频域以及时域特点，能够在复杂且数量庞大的无线电信号中，快速区分不同波形的无线电信号。在此基础上确定无线电信号频率范围以及时长，达到精准检测无线电信号的效果。实际开始检测工作时，无线电信号接收装置将采集到的I/O信号转变为时频图，并将该数据传送至目标检测单元，通过内置的卷积神经网络对无线电信号的时频以及频域进行特征提取，利用这种方式完成对于无线电时频数据的分类，并将分类好的数据传输至信号输出层，以直观的方式展示无线电信号的时频坐标1。1.2 目标检测网络基于Anchor算法，能够对无线电信号进行高精度检测，但是该算法存在一些局限性：（1）Anchor技术检测的信号尺寸超参数，尽管该问题能够通过人工调整的方式解决，但是需要投入大量成本，经过反复实验才能得到最优参数。（2）该算法要利用网络输出数据生成Anchor的终值并对该数据进行解码，如果预设参数过多或者数据流过大，会作者简介：王瀚霆，上海卫星工程研究所；研究方向：智能检测技术。收稿日期：2022-10-25；修回日期：2023-02-12。摘要：阐述对未知信号进行精准检测与识别，采用半监督学习以及卷积神经网络技术，搭建全新的无线电信号检测与识别框架，并对现有的网络结构进行优化设计。关键词：卷积神经网络，半监督学习，无线电信号，检测与识别。中图分类号：TP18，TN925文章编号：1000-0755(2023)02-0064-03文献引用格式：王瀚霆，曹岸杰，李文龙，范迎春，狄慧.基于卷积神经网络和半监督学习的无线电信号检测和识别分析J.电子技术,2023,52(02):64-66.基于卷积神经网络和半监督学习的无线电信号检测和识别分析王瀚霆，曹岸杰，李文龙，范迎春，狄慧（上海卫星工程研究所，上海 201109）Abstract This paper describes the precise detection and recognition of unknown signals,uses semi-supervised learning and convolution neural network technology to build a new radio signal detection and recognition framework,and optimizes the existing network structure.Index Terms convolutional neural network,semi-supervised learning,radio signal,detection andrecognition.Analysis of Radio Signal Detection and RecognitionBased on Convolution Neural Network and Semi-Supervised LearningWANG Hanting,CAO Anjie,LI Wenlong,FAN Yingchun,DI Hui(Shanghai Institute of Satellite Engineering,Shanghai 201109,China.)图1 无线电信号检测与识别框架电子技术 第 52 卷 第 2 期（总第 555 期）2023 年 2 月 65Computer Engineering计算机工程影响信号检测效率。为了解决上述两个问题，相关研究人员积极尝试利用CenterNet技术代替Anchor技术对无线电信号进行检测与识别。（1）CenterNet技术。CenterNet技术以Hourglass网络作为编码基础，从类型方面看，Hourglass网络属于卷积神经网络（如图2所示），其中的每一个模块由独立的卷积层、池化层以及反卷积层构成。实际工作中，Hourglass网络提取无线电信号特征，并在池化层中对无线电数据进行采样，通过反卷积层对无线电信号特征进行归类，进而完成对于无线电信号的识别。该系统中的两个模块都没有进行最大池化，而是选择利用卷积网络对无线电信号特征数据进行压缩，将数据的体量压缩至原体积的12.5%，以此来提升无线电信号检测与识别效率。（2）损失函数。利用CenterNet技术会产生损失函数，损失函数主要由中心点偏移量、中心点损失函数以及目标尺寸构成，其表达式为式（1）。（1）式中，LK表示中心点损失函数，Lsize表示目标数据尺寸损失量，Loff为中心点偏移损失。且本次研究中，为size设定为0.1，off设定为1。基于该公式，利用卷积神经网络对目标检测网络模型进行训练，先针对目标函数进行预处理，在目标数据左上角与右下角分别标注坐标(x1,y1)以及(x2,y2)，将数据采样倍数设定为R，得到原始图像中的待检测目标坐标pin以及输出特征图pout。计算为式（2）。（2）利用公式（2）得到待检测目标坐标数据，并数据代入高斯函数为式（3）。（3）式中，为目标尺寸标准差，通过高斯函数转换能够得到热值图。如果待检目标数据类型相同，则其高斯函数重叠，二者最大值即该信号特征；如果待检测目标类型不懂，则信号关键点分布表现出不同特征。本次实验中，研究人员利用(x1(k),y1(k),x2(k),y2(k)代表目标信号边界坐标。该函数式中，变量k为目标函数类别，即Ck，目标数据中心点则为pk。研究人员为了进一步判断目标数据大小，增加新的预测分支，将无线电信号输出值设定为S-，通过损失函数开展深度学习，如式（4）。（4）式中，Spk表示目标数据预测尺寸，Sk为目标数据实际尺寸。1.3 网络结构优化CenterNet网络虽然具有很高的检测精度，但是该网络原始模块体积较大，参与计算的参数数量众多，对于无线电信号检测与识别速度会产生一定影响。针对这一问题，研究人员基于ResNet-50编码网络，提取无线电信号数据特征，并对该编码网络中的Res Block进行优化（如图3所示）。运用卷积神经网络进行深度学习过程中，每一个分支对于特征提取有着不同的贡献度，研究人员选定ResBlock中的某两条分支作为研究对象，观察其在不同学习深度状态下，贡献值的变化情况，基于深度学习权值差异筛选无线电信号数据特征，剔除贡献值低的分支，实现对于模型的精简。1.4 有效性实验为了检验此项技术的检测效果，研究人员选择常见的6种无线电信号进行实验，分别为QPSK、FSK、QAM、AM、ASK以及FM，每一种无线电信号采集300份样本，每一份数据样本中包含一项或多项信号。为了保证实验的真实性，工作人员随机在不同的频率位置采集数据信息。研究人员将学习率初始值设定为0.001，衰减率调整为0.99，利用BN算法对每一个经过卷积的数据分布进行归一化计算，一共进行三轮实验，取三次实验结果的平均值作为最终数据。为了进一步印证实验数据的有效性，研究人员对该数据进行增量有效性验证，针对本次实验中的每一类信号进行数量调整，将原本的300份样本增加至400份，将每一种信号的平均查准率与查全率作为衡量卷积神经网络深度学习效果的指标，得到最终的检测结果（如图4所示）。分析发现，采用卷积神经网络深度学习技术进行无线电信号检测与识别，信号训练量与图2 CenterNet算法结构图图3 可学习残差值示意图66 电子技术 第 52 卷 第 2 期（总第 555 期）2023 年 2 月Computer Engineering计算机工程检测精度成正比，训练量越多则检测精度越高，当训练量达到200张时，检测精度提升放缓并进入平台期，证明无线电信号检测精度处于饱和状态。2 基于半监督学习无线电信号检测与识别 实际工作中，无线电信号检测的一个难点就在于对时频图的标准，传统模式下需要工作人员手动在时频图中进行标准，不仅效率低下而且容易出现错误。因此，研究人员尝试利用半监督分类任务技术，实现对于存在大量未标注信号的检测工作，通过这种方式在保障无线电信号识别效率以及识别精度的前提下，降低人工成本。研究人员基于上文实验中用到的6种无线电信号类型，继续进行实验。上述实验中拥有标注的数据为150张，共计900张，此时无线电信号检测并未达到上限。研究人员对未标注数据进行实验，观察本次实验在加入无标注信号之后的效果。2.1 基于伪标签的半监督分类识别技术（1）算法流程。研究人员利用大量伪标签，成功提取未标注无线电数据，通过控制置信度阈值的方式，在不破坏实验正常收敛的原则上生成全新的数据标签，经过多轮迭代得到最终数据。其过程主要包括四个部分：通过已经标注的数据创建训练模型（ModelA）；利用卷积神经网络深度学习算法对Model A进行训练，并预测未标注信息。在筛选数据过程中将大于预测的标注视为“伪标签”；将完成标注的数据以及带有伪标签的数据集合为ModelB并对其进行训练；基于ModelB对其余无标签数据进行标注，并返回至步骤，直至得到最优解。（2）分析结果。本次实验中，每一种信号类型中，带有标注的数据信号为150张，对其进行半监督分类训练，测得信号检测精准度为96.7。继续使用该模型对未标注数据进行测试，测试数量依然维持在150张，再完成伪标签标注之后进行第三轮实验，并得到实验数据。实验过程中，研究人员引入无标准数据样本。同一张时频图中可能存在若干个待检测目标，当阈值升高，时频图中的某些数据样本会被视为负样本，进而导致漏检现象的出现。针对这一情况，研究人员依据实际情况灵活调整阈值大小，通过反复观察，将阈值固定在0.7时能够得到较好的实验效果。2.2 基于自训练的无线电信号检测与识别技术（1）算法框架。为了避免错误标签对于半监督分类无线电信号检测精度的影响，研究人员尝试利用自训练方式减少错误标签数量。实际工作中，借助Teacher-Student模型以及已标注、未标注数据信息，通过分析无标注数据信息语义，减少由于引入无标注信息而在时频图中出现的噪声，其算法主要包括五个步骤。利用已标注样本对Teacher模型进行训练；将经过训练的模型定义为MoedelA，并检测该模型中有无伪标签；利用高信度样本对Student模型进行训练，并将该模型定义为ModelB；基于ModelB利用有标签样本进行半监督分类自由训练，得到集合ModelC；利用ModelC检测未标注样本，并将样本打上伪标签，重复该步骤直至得到最优解（如图5所示）。（2）结果分析。本次训练中，每一类信号的样本数量为300张，其中有标注与未标注样本各占一半，测试总量为1 000张。采用与基于伪标签的半监督分类识别技术检验相同的实验方法，观察该样本的查全率以及查准率。分析发现，当ModelC模型处于未饱和状态时，该模型的性能与未标注数据样本数量成正比，未标注数据规模大则模型检测效果越显著。有标注数据与未标注数据的比例达到一定程度之后，模型趋于饱和，这种状态下无线电信号检测精度趋于稳定。随着相对节省率下降，模型的检测精度会逐渐提