基于多模态时-频特征融合的信号调制格式识别方法_贺超.pdf

h t t p:/ww w.j s j k x.c o mD O I:1 0.1 1 8 9 6/j s j k x.2 2 0 6 0 0 2 4 2到稿日期:2 0 2 2-0 6-2 7 返修日期:2 0 2 2-1 0-1 7通信作者:雷印杰(y i n j i e s c u.e d u.c n)基于多模态时-频特征融合的信号调制格式识别方法贺 超陈进杰金 钊雷印杰四川大学电子信息学院 成都6 1 0 0 6 5(e n a o a n f o x m a i l.c o m)摘 要 自动调制识别(A u t o m a t i cM o d u l a t i o nR e c o g n i t i o n,AMR)是认知无线电中的关键技术,在无线通信中有着广泛应用。针对现有的自动调制识别方法大多都只利用了信号时域或频域的单模态信息,忽略了多模态信息之间的互补性的问题,提出了一种基于多模态时-频特征融合的信号调制格式识别方法。首先,在融合之前利用对比学习对齐信号的时域特征和频域特征,减小时-频特征间的异质性差异。然后,采用跨模态注意力实现时域特征和频域特征的互补性融合。最后,为了进一步提高模型整体的性能,在频域编码器中引入残差收缩模块来提取信号时频图的频域特征,并在时域编码器中引入复数双向门控循环单元,以提取I和Q两路信号之间的相关性特征及信号时序特征。在R a d i o ML 2 0 1 6 a上进行了实验,结果表明,所提方法具有较高的识别准确率和噪声鲁棒性。关键词:自动调制识别;跨模态注意力融合;对比学习;残差收缩模块;复数双向门控循环单元中图法分类号 T P 3 8 9 A u t o m a t i cM o d u l a t i o nR e c o g n i t i o nM e t h o dB a s e do nM u l t i m o d a lT i m e-F r e q u e n c yF e a t u r eF u s i o nHEC h a o,CHE NJ i n j i e,J I NZ h a oa n dL E IY i n j i eC o l l e g eo fE l e c t r o n i c sa n dI n f o r m a t i o nE n g i n e e r i n g,S i c h u a nU n i v e r s i t y,C h e n g d u6 1 0 0 6 5,C h i n a A b s t r a c t A u t o m a t i cm o d u l a t i o nr e c o g n i t i o n(AMR)i s ak e y t e c h n o l o g y i nc o g n i t i v e r a d i oa n dh a s aw i d e r a n g eo f a p p l i c a t i o n s i nw i r e l e s sc o mm u n i c a t i o n.A i m i n ga t t h ep r o b l e mt h a tm o s t o f t h e e x i s t i n ga u t o m a t i cm 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 d s o n l yu s e t h es i n g l e-m o d a l i n f o r m a t i o n i nt h e t i m ed o m a i no r f r e q u e n c yd o m a i n,i g n o r i n gt h ec o m p l e m e n t a r i t yb e t w e e nt h em u l t i-m o d a l i n f o r-m a t i o n,as i g n a lm o d u l a t i o nc l a s s i f i c a t i o nr e c o g n i t i o nm e t h o db a s e do nm u l t i m o d a lt i m e-f r e q u e n c yf e a t u r ef u s i o ni sp r o p o s e d.F i r s t,t h e t i m e-d o m a i n f e a t u r e s a n d f r e q u e n c y-d o m a i n f e a t u r e so f t h e s i g n a l a r e a l i g n e db yc o n t r a s t i v e l e a r n i n gb e f o r e f u s i o n t o r e-d u c e t h eh e t e r o g e n e i t yd i f f e r e n c e.S e c o n d l y,c r o s s-m o d a la t t e n t i o ni su s e dt oa c h i e v ec o m p l e m e n t a r yf u s i o no ft i m e-d o m a i nf e a-t u r e sa n df r e q u e n c y-d o m a i nf e a t u r e s.F i n a l l y,i no r d e r t of u r t h e r i m p r o v et h eo v e r a l lp e r f o r m a n c eo f t h em o d e l,ar e s i d u a l s h r i n-k a g em o d u l e i s i n t r o d u c e d i n t ot h e f r e q u e n c yd o m a i ne n c o d e r t oe x t r a c t t h e f r e q u e n c yd o m a i nf e a t u r e so f t h e t i m e-f r e q u e n c ym a pa n dt h ec o m p l e xb i d i r e c t i o n a l g a t e dr e c u r r e n tu n i t i s i n t r o d u c e di n t ot h et i m ed o m a i ne n c o d e rt oe x t r a c t t h ec o r r e l a t i o nf e a t u r e sb e t w e e nt h e I a n dQs i g n a l sa n dt h et i m e-d o m a i nf e a t u r e s.E x p e r i m e n t a l r e s u l t so nR a d i o ML 2 0 1 6 as h o wt h a t t h ep r o p o s e dm e-t h o dh a sh i g h e r r e c o g n i t i o na c c u r a c ya n dn o i s er o b u s t n e s s.K e y w o r d s A u t o m a t i cm o d u l a t i o nr e c o g n i t i o n,C r o s s-m o d a la t t e n t i o nf u s i o n,C o n t r a s t i v el e a r n i n g,R e s i d u a ls h r i n k a g em o d u l e,C o m p l e xb i d i r e c t i o n a l g a t er e c u r r e n tu n i t 1 引言自动调制识别(AMR)指在接收方对接收信号采用的调制方式未知的情况下,根据接收信号确定所用调制类型的技术,是非合作通信系统中介于信号检测与信号解调之间的一项重要工作。例如,在认知无线电环境中,它是应用于频谱管理场景的基础,可以有效减少无线电干扰,同时优化频谱的资源分配和保证通信的质量。在军事电子对抗中,自动调制识别可以通过截获敌方信号并进行破译,来获取敌方信号的具体类型以及有关参数等重要情报。因此,自动调制识别在民用和军用两方面都具有十分重要的作用。传统的调制识别方法可以分为两类:基于似然比判决理论和基于特征提取的识别方法1-2。前者计算复杂度高并且对先验知识的依赖度较高,后者存在某些特征提取困难以及人工提取特征的准确性难以确保的问题。近年来,深度学习在计算机视觉、自然语言处理、卫星通信等领域都取得了显著进展。一些典型的深度学习方法已经被应用在调制识别领域。采用深度学习实现自动调制识别的方法主要分为两种:1)基于一维信号(I/Q序列、幅度谱、相位谱等);2)基于信号的二维特征图(星座图、时频图等)。以上两种主流方法大多只利用了信号时域或频域的单模态信息,忽略了多模态信息之间的互补性。此外,有少数方法利用了信号的多模态信息,但只是将各单模态特征直接对应相加或者拼接,这种线性融合方式难以表示出复杂的特征交互。基于I/Q序列的深度学习方法,大多是将I,Q两路信号视为独立的输入,没有考虑到这两者之间的相关性。此外,以上主流方法中大 多在 网络 设 计中 忽略 了噪 声 对调 制识 别 性 能 的影响。在实际通信环境中,由于多种干扰的存在以及信道环境的变化,进一步提高调制识别的准确性和鲁棒性成为了研究重点。为了达到这一目的,本文提出了一种基于多模态时-频特征融合的信号调制格式识别模型。首先在频域编码器中引入深度残差收缩网络3(D e e pR e s i d u a lS h r i n g k a g eN e t w o r k,D R S N),利用软阈值化和注意力机制降低噪声对分类性能的影响。然后,在时域编码器中引入复数双向门控循环单元4(C o m p l e xB i d i r e c t i o n a lG a t e dR e c u r r e n tU n i t),以提取I/Q复数序列的时序特征以及两者的相关性特征。为了更好地融合信号的时域和频域特征,在融合之前,利用对比学习对齐时、频域特征。最后,采用跨模态注意力机制的特征融合方法5充分融合时、频域特征。本文第2节简述了自动调制识别方法的相关工作;第3节主要介绍了具体实验方法以及网络框架;第4节介绍了实验数据集、实验环境,并对具体的实验结果进行了展示与分析;最后总结全文并展望未来。2 相关工作下文分别对基于似然判决、基于特征提取和基于深度学习的3种信号调制识别方法的相关工作进行了介绍。2.1 基于似然判决理论的方法文献6 基于似然 判决 理 论给 出 了 在 相 干 环 境、非 相干环境和衰落信道 环境 中 的参 数近 似估 计 方法 以及 调制识别方法,并首次提出了复杂场景下为减少参数量而设计的QA L R T(Q u a s i-A L R T,QA L R T)等快速算法。文献7 提出了一种基于G L R T算法的自动调制分类方法,该方法将所有未知参数视为定值,将星座符号作为唯一未知变量,从而解决了A L R T算法中计算指数函数和时的计算复杂度高和数值精度低的问题。2.2 基于特征提取的方法文献8 首次通过计算信号的2,4阶累积量,实现了数字信号的调制识别任务。文献9 提出了一种在AWG N信道下基于4阶累积量的数字信号调制识别方法,该方法中