郭蘊欣 張越 馬宏

摘? 要： 針對4ASK，BPSK，QPSK，2FSK四種數(shù)字調(diào)制信號，提出在深度置信網(wǎng)絡(luò)的深度學(xué)習(xí)模型下調(diào)制模式識別方法。對調(diào)制信號進行預(yù)處理，計算其高階累積量作為輸入訓(xùn)練的特征，在不同信噪比環(huán)境下生成調(diào)制信號，利用深度置信網(wǎng)絡(luò)半監(jiān)督學(xué)習(xí)的特點，將得到數(shù)據(jù)集用以深度置信網(wǎng)絡(luò)的參數(shù)逐層訓(xùn)練來實現(xiàn)調(diào)制模式的特征提取和識別。仿真結(jié)果表明該方法識別率較為理想。

關(guān)鍵詞： 數(shù)字信號; 調(diào)制識別; 高階累積量; 深度學(xué)習(xí); 深度置信網(wǎng)絡(luò); 受限玻爾茲曼機

中圖分類號： TN911?34? ? ? ? ? ? ? ? ? ? ? ? ?文獻標(biāo)識碼： A? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）05?0022?03

Research on digital signal modulation recognition method based on DBN

GUO Yunxin， ZHANG Yue， MA Hong

（Department of Electronic and Optical Engineering， Aerospace Engineering University， Beijing 101416， China）

Abstract： A modulation pattern recognition method on the basis of deep learning model of DBN （deep belief network） is proposed for 4ASK， BPSK， QPSK and 2FSK digital modulation signals. The modulation signal is preprocessed and its high order cumulants are calculated as input training features， and then， modulation signals are generated in different signal noise ratio （SNR） environments. On the basis of the semi?supervised learning characteristics of DBN， the obtained data sets are used for the layer?by?layer parameter training of DBN for feature extraction and recognition of modulation modes. The simulation results show that the recognition rate of this method is satisfied.

Keywords： digital signal; modulation recognition; high order cumulant; deep learning; DBN; restricted Boltzmann machine

0? 引? 言

科技的進步在通信領(lǐng)域的體現(xiàn)之一是通信方式也得到了不斷的更新，在4G通信技術(shù)廣泛應(yīng)用的基礎(chǔ)上，5G網(wǎng)絡(luò)的研究也同樣進行的如火如荼。通信環(huán)境日益復(fù)雜，為了提高頻帶利用率就需要對不同通信信號采用多種調(diào)制方式。而信號調(diào)制方式的多樣化，使得調(diào)制識別技術(shù)得到不斷發(fā)展，對于接收到的信號，在成功識別調(diào)制模式的前提下，才能進行進一步的分析和處理。因此，無論在軍用領(lǐng)域還是民用領(lǐng)域，其重要性不言而喻。

通信信號的調(diào)制識別主要分為兩種方法：基于決策論的分類識別方法與基于統(tǒng)計模式識別的調(diào)制分類識別方法。前者方法簡單，但是對信號的先驗信息要求較高，同時，需要人為設(shè)置的判決門限也限制了該方法的性能;后者關(guān)鍵技術(shù)在于特征提取和分類器的選擇，對先驗信息要求較低，是現(xiàn)階段使用較廣泛的方法。現(xiàn)如今，人工智能的研究飛速發(fā)展，在調(diào)制識別技術(shù)上也得到了充分體現(xiàn)。基于統(tǒng)計模式識別的調(diào)制識別分類方法中，關(guān)鍵在于分類器的選擇，基于機器學(xué)習(xí)的分類器不斷被應(yīng)用。機器學(xué)習(xí)存在諸多模型，應(yīng)用較早的決策樹，通過每層的門限值進行比較判別進入下一層，算法較為簡單，在相對短的時間內(nèi)能夠?qū)Υ笮蛿?shù)據(jù)源做出可行且效果良好的結(jié)果[1?2]。支持向量機（SVM）完備的理論依據(jù)和較好的實踐效果，使得基于SVM作為分類器的調(diào)制識別方法層出不窮：利用通信信號的循環(huán)累積量[3]、高階累積量[4]、小波變換[5]作為分類特征矢量，采用支持矢量機實現(xiàn)對多類數(shù)字調(diào)制信號的自動識別，文獻[6]針對SVM調(diào)制類型較多，存在所需提取特征較多、計算量較大、速度較慢的問題，采用分級的思想取得了較好的結(jié)果。在低信噪比條件下，針對低階數(shù)字調(diào)制信號克服決策樹方法的過擬合問題，采用隨機森林算法有著良好的識別效果[7]。而機器學(xué)習(xí)中最具有代表性的就是神經(jīng)網(wǎng)絡(luò)，E E Azzouz等人選擇通信信號的瞬時值為特征，利用人工神經(jīng)網(wǎng)絡(luò)作為分類器，實現(xiàn)了多種模擬數(shù)字信號的調(diào)制識別[8?10]。文獻[11]利用決策樹與神經(jīng)網(wǎng)絡(luò)對高斯信道下的數(shù)字調(diào)制信號進行識別。而神經(jīng)網(wǎng)絡(luò)中最為常用的是BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)。該模型是一種多層前饋神經(jīng)網(wǎng)絡(luò)，因為其神經(jīng)元連接的權(quán)值采用反向傳播的方法，因此也稱為BP網(wǎng)絡(luò)。文獻[12]中利用反向傳播神經(jīng)網(wǎng)絡(luò)對基于小波變換提取的特征參數(shù)進行信號識別。以上的機器學(xué)習(xí)模型多為淺層的網(wǎng)絡(luò)模型，而隨著2006年由Hinton教授[13]首次提出了深度置信網(wǎng)絡(luò)揭開了深度學(xué)習(xí)的序幕。

深度學(xué)習(xí)作為機器學(xué)習(xí)近些年來發(fā)展較快的領(lǐng)域，在語音識別、圖像識別、自然語言處理等很多領(lǐng)域都顯現(xiàn)出特有的技術(shù)優(yōu)勢，在通信信號的調(diào)制識別方面的應(yīng)用也層出不窮。提出的基于深度學(xué)習(xí)的調(diào)制模式分類算法，其結(jié)果顯示都達到了不錯的分類性能[14?16]。本文提出基于深度置信網(wǎng)絡(luò)（Deep Belief Network，DBN）的調(diào)制識別方法，利用其半監(jiān)督學(xué)習(xí)的性能，輸入4ASK，BPSK，QPSK，2FSK四種數(shù)字調(diào)制信號的高階累積量特征的訓(xùn)練集來訓(xùn)練網(wǎng)絡(luò)，并對網(wǎng)絡(luò)進行了測試，測試結(jié)果顯示，對于4種信號的識別率較好。

1? 高階累積量理論

對于復(fù)平穩(wěn)隨機信號[X（t）]，其高階矩為：

[M（p+q）（p）=E[Xp（X*）q]]

式中“*”表示共軛。復(fù)平穩(wěn)隨機信號的高階累積量表示為：

[C（p+q）（q）=cum[X，…，X，X*，…，X*]]

式中：[X]為[p]項;[X*]為[q]項。則各階累積量的表達式如下：

1） 二階累積量

[C20=cum（X，X）=M20C21=cum（X，X*）=M21]

2） 四階累積量

[C40=cum（X，X，X，X）=M40-3M220C41=cum（X，X，X，X*）=M41-3M20M21C42=cum（X，X，X*，X*）=M42-M202-2M221]

3） 六階累積量

[C60=cum（X，X，X，X，X，X）=M60-15M20M40+30M220C63=cum（X，X，X，X*，X*，X*）=M63-6M41M20-9M42M21+18（M20）2M21+12M321]

4） 八階累積量

[C80=cum（X，X，X，X，X，X，X，X）=M80-28M60M20-35M240+420M40M220-630M420]

設(shè)信號的能量用[E]表示，則由表1可得不同信號的高階累積量理論值。

2? 深度置信網(wǎng)絡(luò)

DBN是2006年由“深度學(xué)習(xí)之父”Hinton提出的深度學(xué)習(xí)模型，深度置信網(wǎng)絡(luò)是由多層受限玻爾茲曼機（Restricted Boltzmann Machine，RBM）組成的深度學(xué)習(xí)網(wǎng)絡(luò)，RBM是具有二進制的可見層和隱藏層的基于能量的模型。在模型中任意兩個可見層的神經(jīng)元或任意兩個隱藏層的神經(jīng)元之間沒有直接的相互作用，而可見層神經(jīng)元和隱藏層神經(jīng)元之間存在相互連接，如圖1所示。

一個RBM的能量模型為：

[E（v，hθ）=-i=1naivi-j=1mbjhj-i=1nj=1mviwijhj]

[θ={wij，ai，bj}]

式中：[vi]為第[i]個可見層;[hj]為第[j]個隱藏層;[wij]為可見層和隱藏層中神經(jīng)元之間的連接權(quán)重;[ai]，[bj]分別為第[i]個可見層神經(jīng)元和第[j]個隱藏層神經(jīng)元的偏置。

RBM對應(yīng)的系統(tǒng)聯(lián)合概率分布函數(shù)為：

[p（v，hθ）=1Z（θ）exp（-E（v，hθ））]

[Z（θ）=vhexp（-E（v，hθ））]

式中[Z]為配分函數(shù)，規(guī)整所有狀態(tài)的能量。

可見層的邊緣概率分布為：

[p（vθ）=1Z（θ）hexp（-E（v，hθ））]

一個RBM模型的目的就是不斷地對參數(shù)[θ]進行更新迭代，使得[p]即可見層節(jié)點集合處于某一種狀態(tài)分布下的概率達到最大，迭代更新如下式：

[θ（n+1）=θ（n）+η?lg p（vθ）?θ]

式中：[η]為參數(shù)更新的學(xué)習(xí)速率;[n]為迭代次數(shù)。

若干RBM連接構(gòu)成一個DBN，訓(xùn)練過程為：其中，前一個RBM的隱藏層作為后一個RBM的可見層，構(gòu)成逐層訓(xùn)練的模式，在前一個RBM充分訓(xùn)練后，得到穩(wěn)定的權(quán)重[wij]和偏置[bj]，再對后一個RBM訓(xùn)練。

3? 基于深度置信網(wǎng)絡(luò)的調(diào)制識別

基于深度置信網(wǎng)絡(luò)的調(diào)制識別算法，選取4ASK，BPSK，QPSK，2FSK四種數(shù)字調(diào)制信號的高階累積量特征作為訓(xùn)練集和測試集，進行樣本預(yù)處理，在構(gòu)建深度置信網(wǎng)絡(luò)的基礎(chǔ)上進行訓(xùn)練學(xué)習(xí)，并將測試樣本對網(wǎng)絡(luò)進行測試。整個算法流程如圖2所示。

每類信號均隨機生成信噪比分別為0 dB，10 dB和20 dB的信號，基于AWGN的背景條件下，計算其高階累積量，得到樣本，并同時生成標(biāo)簽。由于深度置信網(wǎng)絡(luò)（見圖3）的第一個RBM的輸入數(shù)據(jù)范圍為0～1，由表1可知各信號的各階累積量的理論值，數(shù)據(jù)差異很大，因此需要將其進行歸一化處理。歸一化的作用在于將樣本的統(tǒng)計分布性進行歸納，針對不同的高階累積量，分別對生成樣本的列向量進行歸一化，使其滿足RBM的輸入數(shù)據(jù)范圍，同時保留其特征。

構(gòu)建深度置信網(wǎng)絡(luò)時，輸入層為高階累積量的數(shù)量為7，輸出層為需要判斷的類型，即4種信號，輸入層和輸出層之間包含兩層RBM，每層設(shè)置其包括100個神經(jīng)元。RBM隱藏層的激活函數(shù)為sigm函數(shù)，輸出層的激活函數(shù)為softmax，學(xué)習(xí)率為0.1。

4? 算法仿真及結(jié)果分析

對網(wǎng)絡(luò)訓(xùn)練和測試在Matlab環(huán)境下進行，在不同信噪比的情況下，對4種信號進行仿真實驗，將信噪比為0 dB的數(shù)據(jù)作為訓(xùn)練樣本對網(wǎng)絡(luò)進行訓(xùn)練，得到不同信噪比下的調(diào)制信號識別率，如表2所示。由結(jié)果可知，在0 dB信噪比下測試結(jié)果良好，識別率都達到94%以上。

5? 結(jié)? 語

本文基于深度置信網(wǎng)絡(luò)在預(yù)訓(xùn)練樣本后，對網(wǎng)絡(luò)進行半監(jiān)督訓(xùn)練，對通信信號中4ASK，BPSK，QPSK，2FSK四種數(shù)字調(diào)制信號進行調(diào)制模式識別。在不同調(diào)制信號中加入高斯白噪聲后不同信噪比環(huán)境下，計算其高階累積量，實驗結(jié)果顯示了信噪比為0 dB的訓(xùn)練集數(shù)據(jù)訓(xùn)練的網(wǎng)絡(luò)，得到了較高的分類識別準(zhǔn)確率。今后將針對更多信號是否適合利用深度置信網(wǎng)絡(luò)識別進行研究。

注：本文通訊作者為馬宏。

參考文獻

[1] 孫閩紅，趙太飛，郭勇，等.基于決策樹的調(diào)制信號自動識別算法及其DSP實現(xiàn)[J].桂林工學(xué)院學(xué)報，2005，25（1）：115?118.

[2] 褚國星.非協(xié)作通信信號調(diào)制識別研究與實現(xiàn)[D].重慶：重慶大學(xué)，2017.

[3] 李建東，馮祥.基于支持矢量機和循環(huán)累積量的調(diào)制識別算法[J].系統(tǒng)工程與電子技術(shù)，2007，29（4）：520?523

[4] 馮祥，元洪波.基于高階循環(huán)累積量和支持矢量機的分級調(diào)制分類算法[J].電訊技術(shù)，2012，52（6）：878?882.

[5] 馮旭哲，羅飛路，楊俊，等.基于小波支持向量機的數(shù)字通信信號調(diào)制識別[J].電子測量與儀器學(xué)報，2009，23（3）：87?92.

[6] 李俊俊，陸明泉，馮振明.基于支持向量機的分級調(diào)制識別方法[J].清華大學(xué)學(xué)報（自然科學(xué)版），2006，46（4）：500?503.

[7] 譚正驕，施繼紅，胡繼峰.基于隨機森林的低階數(shù)字調(diào)制識別算法研究[J].通信技術(shù)，2018，51（3）：527?532.

[8] AZZOUZ E E， NANDI A K. Automatic modulation recognition of communication signal [M]. Boston， US： Springer， 1996.

[9] AZZOUZ E E， NANDI A K. Automatic identification of digital modulation types [J]. Signal processing， 1995， 47（1）： 55?69.

[10] AZZOUZ E E， NANDI A K. Modulation recognition using artificial neural networks [J]. Signal processing， 1996， 56（2）： 165?175.

[11] 張麗，易鴻.利用決策樹和神經(jīng)網(wǎng)絡(luò)對AWGN信道下的綜合調(diào)制識別[J].現(xiàn)代電子技術(shù)，2012，35（12）：160?163.

[12] 梁曉芳，張臻，張東磊，等.一種通信信號的自動調(diào)制識別技術(shù)研究[J].電子技術(shù)與軟件工程，2016（13）：68.

[13] HINTON G E， SALAKHUTDINOV R. Reducing the dimensionality of data with neural networks [J]. Science， 2006， 313（5786）： 504?507.

[14] 楊安鋒，趙知勁，陳穎.基于混合受限波爾茲曼機的調(diào)制樣式識別[J].杭州電子科技大學(xué)學(xué)報（自然科學(xué)版），2017，37（6）：18?23.

[15] 李佳宸.基于深度學(xué)習(xí)的數(shù)字調(diào)制信號識別方法研究[D].哈爾濱：哈爾濱工程大學(xué)，2017.

[16] 黃媛媛，張劍，周興建，等.應(yīng)用深度學(xué)習(xí)的信號解調(diào)[J].電訊技術(shù)，2017，57（7）：741?744.