李 晨，楊俊安，劉 輝

(國防科技大學(xué)，安徽 合肥 230037)

0 引 言

調(diào)制識別是指在不了解接收信號的情況下，確定其調(diào)制類型的一種技術(shù)手段[1]。它在軍事通信和民用通信領(lǐng)域都有廣泛的應(yīng)用，例如認(rèn)知無線電、頻譜監(jiān)視和電子戰(zhàn)系統(tǒng)[2-4]。傳統(tǒng)的調(diào)制識別算法可以分為兩大類[5]：基于決策理論的方法和基于統(tǒng)計模式識別的方法。決策論方法基于概率論和假設(shè)檢驗原理[6]，計算量大且難處理。相比之下基于統(tǒng)計模式識別的方法比較簡單，它首先提取調(diào)制信號的調(diào)制特征，然后使用特定的分類器完成識別。由于決策論方法的突出缺陷以及機(jī)器學(xué)習(xí)相關(guān)理論發(fā)展如火如荼，現(xiàn)有的調(diào)制識別算法大多數(shù)是基于模式識別的方法。然而，模式識別方法的性能絕大程度上取決于所提取的人工特征，這些人工特征是研究者根據(jù)經(jīng)驗以及大量實驗所得出來的，不一定是最佳的，因此需要尋求一種通過機(jī)器自動尋找和提取最優(yōu)特征的方法。

近年來，深度學(xué)習(xí)在圖像識別領(lǐng)域中取得了廣泛的應(yīng)用[7-9]，它從圖像中自動提取特征，在訓(xùn)練樣本充足的條件下能獲得很高的識別率。由于深度學(xué)習(xí)不需要提取人工特征，有越來越多的學(xué)者將其引入調(diào)制識別的研究當(dāng)中[10-15]，文獻(xiàn)[11]提出了一種基于循環(huán)譜圖和深度稀疏濾波卷積神經(jīng)網(wǎng)絡(luò)(AN-SF-CNN)的調(diào)制識別算法，對7種調(diào)制信號進(jìn)行識別,在0 dB時識別率大于90%，但是這種方法存在訓(xùn)練樣本量過大、訓(xùn)練時間長的問題，實用性較差。文獻(xiàn)[12]提出了一種基于一維相位特征和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的調(diào)制識別算法，在0 dB下識別率能達(dá)到99%，這種算法的缺點(diǎn)是只能識別相移鍵控(PSK)信號和正交幅度調(diào)制(QAM)信號，需要人工提取特征作為CNN輸入，且同樣存在訓(xùn)練樣本多和訓(xùn)練時間長的問題。研究表明，深度學(xué)習(xí)方法具有很高的識別性能，能夠挖掘出調(diào)制信號的內(nèi)在特性，但是缺點(diǎn)也很明顯，模型復(fù)雜、參數(shù)眾多、數(shù)據(jù)量大、訓(xùn)練時間長等問題亟待解決。2015年黃廣斌等在極限學(xué)習(xí)機(jī)的基礎(chǔ)上受CNN思想的啟發(fā)，提出了基于局部感受野的極限學(xué)習(xí)機(jī)。它僅有一個隱含層(包含一個卷積層和一個池化層)，模型參數(shù)和訓(xùn)練時間均較CNN大大減小[16]，分類精度也很高。

受到局部感受野的極限學(xué)習(xí)機(jī)(ELM-LRF)訓(xùn)練速度快的啟發(fā)，本文提出了一種基于循環(huán)譜和ELM-LRF的調(diào)制識別算法，下面分別從循環(huán)譜理論、ELM-LRF原理、算法過程設(shè)計和實驗分析進(jìn)行介紹。

1 循環(huán)譜的基礎(chǔ)理論

首先，假設(shè)有一個帶寬為fx的調(diào)制信號x(t)，它的自相關(guān)函數(shù)是一個隨時間變化的周期函數(shù)：

Rx(t,τ)=Rx(t+T0,τ)

(1)

式中：T0為一個符號的持續(xù)時間。

則自相關(guān)函數(shù)的傅里葉級數(shù)展開如下：

(2)

(3)

式中：α為信號x(t)的循環(huán)頻率；傅里葉系數(shù)RF,x(α,τ)稱為循環(huán)自相關(guān)函數(shù)，它可以進(jìn)一步表示為：

(4)

這里需要注意的是，RF,x(α,τ)具有時間τ和循環(huán)頻率α2個參數(shù)。從公式(4)中可以發(fā)現(xiàn)，當(dāng)α=0時，有：

RF,x(0,τ)=Rx(t,τ)

(5)

此時循環(huán)自相關(guān)函數(shù)變成了信號的自相關(guān)函數(shù)?？梢园l(fā)現(xiàn)，RF,x(α,τ)在本質(zhì)上是x(t)x*(t-τ)做傅里葉級數(shù)展開時的系數(shù)。一個循環(huán)平穩(wěn)信號存在零循環(huán)頻率和非零循環(huán)頻率，它的零循環(huán)頻率部分僅表現(xiàn)出信號的平穩(wěn)性，只有非零循環(huán)頻率部分表征出信號的循環(huán)平穩(wěn)特性。

對公式(4)做時間τ的傅里葉變化，然后得到了循環(huán)譜密度函數(shù)：

(6)

為了獲得循環(huán)譜密度SF,x(α,f)，國內(nèi)外學(xué)者提出了許多循環(huán)譜估計的方法，常用的循環(huán)譜估計方法有基于時域平滑的方法和基于頻域平滑的方法，本文中采用的方法為快速傅里葉變換(FFT)累加法(FAM)，它是一種基于快速傅里葉變換的時域平滑方法。

2 超限學(xué)習(xí)機(jī)理論

2.1 經(jīng)典超限學(xué)習(xí)機(jī)

超限學(xué)習(xí)機(jī)于2004年由黃廣斌等人提出[17]，它的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 ELM網(wǎng)絡(luò)結(jié)構(gòu)

由圖1可知，ELM的網(wǎng)絡(luò)結(jié)構(gòu)與傳統(tǒng)的單隱層前饋神經(jīng)網(wǎng)絡(luò)(SLFNs)一樣，它包括輸入層、隱含層和輸出層3層。因此，隱含層的輸出函數(shù)為：

(7)

式中：β=[β1,β2,…,βL]T，為輸出層到隱層的權(quán)值向量；h(x)=[h1(x),h2(x),…,hL(x)]T，為輸入樣本x在隱層的輸出向量。

事實上，h(x)將輸入數(shù)據(jù)從d維的輸入空間映射到L維的隱層特征空間。ELM的訓(xùn)練過程實際上是最小化訓(xùn)練誤差和輸出權(quán)重的范數(shù)：

(8)

式中：C為一個調(diào)整經(jīng)驗風(fēng)險和結(jié)構(gòu)風(fēng)險的尺度參數(shù)；T為訓(xùn)練樣本的標(biāo)簽；H為隱含層的輸出權(quán)值，可以表示為：

(9)

2.2 基于局部感受野的超限學(xué)習(xí)機(jī)

前面介紹了ELM的基本原理，相比于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)需要通過不斷迭代來調(diào)整權(quán)值，ELM不需要進(jìn)行迭代，顯著提高了前饋型神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度。然而，傳統(tǒng)的ELM是在單隱層前饋神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提出來的，它是一種模仿人腦神經(jīng)元信息傳遞過程的全連接結(jié)構(gòu)，但是生物學(xué)研究表明，人的神經(jīng)元還可以通過局部連接來傳遞信息。黃廣斌等人在文獻(xiàn)[16]中指出，雖然傳統(tǒng)ELM在很多應(yīng)用方面都具有良好的泛化性能，但是涉及到圖像處理和語音識別等具有局部相關(guān)性的問題時，ELM由于僅具有全連接結(jié)構(gòu)而不足以解決這些復(fù)雜問題。因此他受到卷積神經(jīng)網(wǎng)絡(luò)的啟發(fā)，引入了局部連接的思想，提出了一種基于局部感受野的超限學(xué)習(xí)機(jī)，它的輸入層和隱層之間是通過連續(xù)概率分布連接的，因此具有局部連接的能力。相比于僅具有全連接結(jié)構(gòu)的傳統(tǒng)ELM，包含了局部連接結(jié)構(gòu)的ELM-LRF更為合理。

根據(jù)文獻(xiàn)[16]中關(guān)于ELM-LRF的介紹，可以得出它的網(wǎng)絡(luò)結(jié)構(gòu)主要由4層組成：輸入層，隱含層(又可以稱為特征層)，組合層和輸出層。ELM-LRF的結(jié)構(gòu)如圖2所示。

圖2 ELM-LRF網(wǎng)絡(luò)結(jié)構(gòu)圖

下面根據(jù)以上網(wǎng)絡(luò)結(jié)構(gòu)圖，按照從輸出到輸入的順序介紹ELM-LRF算法的機(jī)理和實現(xiàn)過程。

(1) 輸入層到隱含層

i,j=1,…,(d-r+1)

(10)

(2) 特征層到組合層

ELM中可以用多個節(jié)點(diǎn)或者節(jié)點(diǎn)構(gòu)成的子網(wǎng)絡(luò)來表示一個節(jié)點(diǎn)，通常稱之為組合節(jié)點(diǎn)，因此不同的節(jié)點(diǎn)里面可能會包含部分相同的特征，這使得ELM-LRF網(wǎng)絡(luò)具有了平移和旋轉(zhuǎn)不變性，它的優(yōu)點(diǎn)是增強(qiáng)了網(wǎng)絡(luò)學(xué)習(xí)局部特征能力。這種組合節(jié)點(diǎn)的方式其實就是一種池化過程，因此，組合層又可以稱為池化層。這里采用平方根池化的方法，從圖中可以發(fā)現(xiàn)，池化圖和特征圖具有一樣的尺寸，大小都為(d-r+1)×(d-r+1)，且他們的數(shù)量都為K個。這里采用hp,q,k表示第k個池化圖中的節(jié)點(diǎn)(p,q)的取值：

(11)

式中：p,q=1,2,…,(d-r+1)。

此時需要注意的是，在腳標(biāo)i和j小于零的情況下，令Ci,j,k=0。

(3) 組合層到輸出層

由圖2可知，組合層到輸出層是一個全連接的結(jié)構(gòu)，此時的輸出權(quán)值可以通過傳統(tǒng)的ELM訓(xùn)練得到，即采用正則化最小二乘法的方法。假設(shè)有N個輸入圖像的訓(xùn)練樣本，可以得到組合層的輸出矩陣H∈RN×K×(d-r+1)2，則β的計算公式為：

(12)

3 算法設(shè)計過程

本文提出的基于循環(huán)譜圖和ELM-LRF的調(diào)制識別算法屬于模式識別方法，整個識別過程如圖3所示。

圖3 識別流程圖

首先需對輸入數(shù)據(jù)進(jìn)行歸一化處理，然后提取11種調(diào)制信號的循環(huán)譜。這里需要對循環(huán)譜進(jìn)行歸一化處理并將數(shù)據(jù)集劃分為訓(xùn)練集和測試集。接著是ELM-LRF網(wǎng)絡(luò)的訓(xùn)練過程，傳統(tǒng)的基于模式識別的調(diào)制識別算法需要提取人工特征，而本文所用網(wǎng)絡(luò)是基于深度學(xué)習(xí)的思想，可以自動從數(shù)據(jù)中提取特征，代替了人工提取特征的過程，因而自動化程度更高。在訓(xùn)練好網(wǎng)絡(luò)之后，用測試集進(jìn)行測試，得到識別結(jié)果。

4 實驗結(jié)果與分析

4.1 數(shù)據(jù)參數(shù)設(shè)置

本文對11種調(diào)制信號進(jìn)行識別，包括二進(jìn)制振幅鍵控(2ASK)、四進(jìn)制振幅鍵控(4ASK)、二進(jìn)制頻移鍵控(2FSK)、四進(jìn)制頻移鍵控(4FSK)、二進(jìn)制相移鍵控(2PSK)、四進(jìn)制相移鍵控(4PSK)、十六進(jìn)制正交調(diào)幅(16QAM)、三十二進(jìn)制正交調(diào)幅(32QAM)、調(diào)幅(AM)、調(diào)頻(FM)、調(diào)相(PM)。其中，調(diào)制信號的參數(shù)設(shè)置為：載波頻率fc=2 kHz,采樣頻率fs=20 kHz，數(shù)字信號符號速率為RS=1 250 B，信號長度為L=2 048。調(diào)制信號的信噪比從-2 dB到16 dB。將生成的數(shù)據(jù)集分為訓(xùn)練集和測試集，每隔一個信噪比，訓(xùn)練集有5 500個樣本，測試集有1 100個樣本。因此，每種調(diào)制類型的信號在每2個信噪比間隔下共生成600個樣本。

4.2 仿真實驗

在每個信噪比下進(jìn)行了100次仿真實驗，對實驗結(jié)果取平均后，得到了每個調(diào)制信號的平均識別率如表1所示，算法的總體識別率如圖4所示。對表1分析可以發(fā)現(xiàn)，當(dāng)信噪比低于0 dB時，2ASK，4ASK和32QAM的識別率最差，2FSK，4FSK和FM的識別率最好，均能準(zhǔn)確識別出來。隨著信噪比的提升，識別效果逐漸改善，在4 dB時，除了2ASK和4ASK，大部分調(diào)制信號的識別率都得到了改善。由圖4可知，隨著信噪比的提升，算法的總體識別率也不斷提高，當(dāng)信噪比大于4 dB時，算法的平均識別率超過了96%，說明ELM-LRF網(wǎng)絡(luò)從循環(huán)譜中自動學(xué)習(xí)出的特征是有效的，實驗結(jié)果驗證了本文算法的有效性。

表1 總體識別率

圖4 GA-ELM總體識別率

為了找到2ASK,4ASK和32QAM這3類信號在低信噪比下識別率低的原因，我們構(gòu)建了-2 dB、0 dB、4 dB、6 dB、10 dB和16 dB下的混淆矩陣圖，如圖5所示。

由圖5可以清晰地看到，在低信噪比下，2ASK和4ASK信號產(chǎn)生了嚴(yán)重的混淆，16QAM和32QAM同樣產(chǎn)生了嚴(yán)重的混淆。隨著信噪比的不斷提高，16QAM和32QAM識別率逐漸提高不再產(chǎn)生混淆，而2ASK和4ASK識別率提升不明顯，且混淆依然嚴(yán)重。直到16 dB，在其他調(diào)制樣式識別率收斂到100%時，2ASK和4ASK依舊存在識別錯誤的情況。分析原因，可能是因為在循環(huán)譜估計的過程中，調(diào)制信號的部分信息丟失，導(dǎo)致2ASK和4ASK之間區(qū)分困難。

文獻(xiàn)[16]中指出，ELM-LRF具有非常快的訓(xùn)練速度。為了驗證本文算法的運(yùn)行速度，在訓(xùn)練集和測試集上進(jìn)行100次試驗，分別對總的訓(xùn)練時間和測試時間取平均。表2為在1臺CPU為I7-9 700 kHz，內(nèi)存48 GB的電腦上本文算法的實際運(yùn)行時間情況。

表2 算法運(yùn)行時間

由表2可知，相比于深度學(xué)習(xí)少則十幾個小時、多則好幾天的學(xué)習(xí)時間，ELM-LRF具有極快的訓(xùn)練速度，在幾分鐘以內(nèi)就能學(xué)習(xí)到數(shù)據(jù)的內(nèi)在特性。

5 結(jié)束語

本文提出了一種基于循環(huán)譜和ELM-LRF的調(diào)制識別算法，所用的ELM-LRF網(wǎng)絡(luò)是一種基于CNN架構(gòu)的網(wǎng)絡(luò)，具有深度學(xué)習(xí)的功能，因此它能夠自動地從循環(huán)譜圖中提取特征，避免了人工提取特征的過程。同時本文對11種調(diào)制信號進(jìn)行了分類識別，在0 dB時的識別率達(dá)到了95%，驗證了算法在低信噪比下對模擬調(diào)制和數(shù)字調(diào)制信號都具有較高的識別率，同時，算法對于16QAM和32QAM等高階調(diào)制樣式具有很高的識別效果。此外通過實驗驗證了ELM-LRF具有極快的訓(xùn)練速度。與文獻(xiàn)[10]中的方法進(jìn)行對比，本文使用的樣本量更小，獲得的識別率更高，而且相對于傳統(tǒng)深度學(xué)習(xí)方法，本文算法還具有極快的訓(xùn)練速度、較大的應(yīng)用潛力。下一步工作將對64QAM、128QAM和256QAM等高階調(diào)制樣式進(jìn)行實驗。

圖5 算法在-2 dB、0 dB、4 dB、6dB、10 dB和16 dB下的混淆矩陣圖