楊 雷，郭恩澤，劉益岑，魏國峰，楊 寧，郭道省

(1.中國人民解放軍陸軍工程大學 通信工程學院， 南京 210007；2.中國人民解放軍陸軍工程大學 通信士官學校， 重慶 400035；3.信號盲處理國家級重點實驗室, 成都 610041)

1 引言

近年來，無人機技術(shù)蓬勃發(fā)展，各類無人機在諸多領域里得到廣泛的應用。由于相關部門的監(jiān)管控制技術(shù)不夠完善，無人機造成的“黑飛事件”也層出不窮，引發(fā)一系列國際社會安全問題。同時，針對應用于6G智能邊緣設備等存儲空間有限的小型嵌入式設備，對算法的模型存儲開銷提出更高的要求。因此，在存儲資源空間有限的情況下，實現(xiàn)對無人機準確高效的識別，對有效進行空中管控、并采取相應反制措施以及維護無人機安全秩序具有重要的現(xiàn)實意義[1-2]。

無人機因其遂行工作任務的不同，其種類型號和圖傳方式也多種多樣。通過識別無人機圖傳信號的調(diào)制方式，可以實現(xiàn)對無人機進行初步的篩選分類[3-4]。目前對無人機信號的調(diào)制識別技術(shù)，大多借助比較傳統(tǒng)的電磁信號識別方法，通過專家挑選關鍵特征，如信號包絡、瞬時相位差、循環(huán)譜和雙譜等不同域的信號特征，最后由固定規(guī)則和學習算法進行分類[5]。但傳統(tǒng)方法計算較為復雜，實際部署困難，并且缺乏普適性。近年來，機器學習在各項研究領域中都取得了突破性的進展，一些研究者利用機器學習算法可以避免基于經(jīng)驗的人工提取特征的不足，在調(diào)制信號識別領域已經(jīng)有了較為豐碩的成果。文獻[6-7]提取原始的時域I/Q特征，利用神經(jīng)網(wǎng)絡實現(xiàn)端對端的識別，但是這種時域非線性特征受噪聲影響較大，識別率有一定局限性。文獻[8-9]對CNN網(wǎng)絡結(jié)構(gòu)進行改進，并考慮了信號的時序特征，采用 CNN+LSTM(long short term memory)的網(wǎng)絡結(jié)構(gòu)進行調(diào)制方式識別。文獻[10]通過將信號的時域變換到頻域，以Welch功率譜信息作為神經(jīng)網(wǎng)絡的輸入，在SNR=10 dB噪聲環(huán)境下對20個zigbee設備識別率達到90%以上。然而，CNN更擅長處理二維圖像特征，上述方法直接識別I/Q、功率譜等一維特征，會導致CNN識別效果產(chǎn)生折扣[11]。鑒于此，部分研究者考慮將信號識別問題轉(zhuǎn)化為圖像識別問題。Peng等將8種調(diào)制信號轉(zhuǎn)換為星座圖，并處理得到灰度圖像，使用深度CNN方法可以有效地對 8 種調(diào)制信號進行分類[12]。周鑫對信號I/Q數(shù)據(jù)通過離散傅里葉變換轉(zhuǎn)化為二維頻譜瀑布圖，輸入到深度神經(jīng)網(wǎng)絡RadioYOLO 模型中，對12種信號的識別率為86.04%[5]。文獻[13]通過借助AlexNet網(wǎng)絡識別無人機目標圖像特征，完成對不同無人機信號的分類。文獻[14]通過GoogleNet神經(jīng)網(wǎng)絡識別雷達探測的多普勒圖像特征，完成對3種型號無人機的分類。文獻[15]利用深層CNN，提取無人機信號的能量光譜特征，從而實現(xiàn)對無人機的啟動、懸停以及飛行狀態(tài)的分類識別。文獻[16]利用深層殘差網(wǎng)絡(residual network，ResNet)識別遙測信號的頻譜圖，實現(xiàn)對無人機的識別。

以上研究成果從不同的角度進行了探索，其主要研究不足在于：一方面，有些利用一維CNN識別一維特征的方法還很難應用于強噪聲環(huán)境下，算法魯棒性差，并且會導致神經(jīng)網(wǎng)絡識別性能發(fā)生折扣；另一方面，有些利用深度學習的方法，使用深度神經(jīng)網(wǎng)絡作為分類器，顯著增加了神經(jīng)網(wǎng)絡的計算復雜度和內(nèi)存消耗，存在著神經(jīng)網(wǎng)絡識別速度慢、模型存儲開銷大、并且方法難以部署于資源受限的設備等問題。

基于上述分析，提出了基于MobileNetv2輕量級神經(jīng)網(wǎng)絡的無人機信號調(diào)制識別方法。針對利用一維CNN識別一維特征在噪聲環(huán)境下抗干擾性差并且導致CNN識別性能發(fā)生折扣等問題，由于STFT是時間與頻率的二維函數(shù)，可以將信號經(jīng)STFT得到時頻圖特征，有效克服一維時域信號特征在實際噪聲環(huán)境下魯棒性差的缺點，同時利用能量門限降噪的方法對時頻圖像進行降噪處理，提高CNN對STFT圖像的識別效果；針對大多數(shù)方法使用深度神經(jīng)網(wǎng)絡作為分類器，存在著神經(jīng)網(wǎng)絡識別速度慢、模型存儲開銷大并且方法難以部署于資源受限的設備等問題，利用MobileNetv2輕量級神經(jīng)網(wǎng)絡在識別圖像領域中的良好性能，通過MobileNetv2網(wǎng)絡識別提取的STFT圖像特征，從而實現(xiàn)對無人機信號調(diào)制方式的高效識別。實驗結(jié)果證明，所提方法對7種信號在信噪比為-12～0 dB的噪聲環(huán)境下獲得93.33%綜合識別率，并且完成一次識別所需的計算量約為313 M次，模型參數(shù)量約為3.5 M，網(wǎng)絡模型大小約為13 M。相比于其他經(jīng)典深度神經(jīng)網(wǎng)絡模型的識別性能，所提方法在識別率得到保證的情況下，模型參數(shù)量、模型規(guī)模以及算法計算量都具有明顯優(yōu)勢，顯著提升了識別效率，更適合在資源受限的設備中推廣應用。

2 基于MobileNetv2神經(jīng)網(wǎng)絡的調(diào)制識別算法模型

2.1 算法模型總體框架描述

本文中所提出的算法模型流程如圖1所示。首先，對4ASK、BFSK、BPSK、QPSK、8PSK、16QAM、OFDM等7種常用的數(shù)字調(diào)制方式的無人機圖傳信號進行仿真生成，作為樣本數(shù)據(jù)集[3-4]；其次，對7種類型信號進行短時傅里葉變換，將信號由時域數(shù)據(jù)變換到特征更加豐富的時頻域，得到時頻矩陣；然后對獲取的時頻矩陣特征進行能量門限降噪、歸一化處理，得到預處理后的圖像樣本訓練集和測試集；最后，將得到的圖像樣本訓練集作為信號特征送入神經(jīng)網(wǎng)絡進行訓練和優(yōu)化，當訓練進度達到穩(wěn)定或者損失函數(shù)值幾乎不再下降時，則神經(jīng)網(wǎng)絡訓練完成；再利用測試集數(shù)據(jù)來驗證網(wǎng)絡模型的分類效果，從而驗證算法的識別性能。

圖1 算法模型流程框圖

2.2 基于短時傅里葉變換的信號特征提取

在電磁環(huán)境中，特別是低信噪比的環(huán)境下，僅分析時域或者頻域內(nèi)信號特征是單一的，但時頻分析可以反映著信號時間與頻率的分布關系，是信號處理領域中十分常用的方法。其中，短時傅里葉變換是將一個較長的時域信號分割成長度相等的較短的段，并在每個較短的段上分別計算其離散傅里葉變換。短時傅里葉變換在以損失一定頻率分辨率為代價，能夠恢復時間分辨率，具體操作就是利用窗函數(shù)將長的非平穩(wěn)信號分割成一系列短視的隨機平穩(wěn)信號[17]。

短時傅里葉變換的公式為：

(1)

式中：z(t)是源信號；g(t)為窗函數(shù)。為方便處理，一般把信號進行離散化處理，具體表示為：

(2)

式中：STFTZ(m,n)為時頻矩陣的每個離散時頻點的數(shù)值；M為時間塊的數(shù)量；N為頻率分量的個數(shù)，且m∈[1,M],n∈[1,N]。

在短時傅里葉變換中，窗函數(shù)的長度直接影響著時頻圖的時間分辨率和頻率分辨率。當窗函數(shù)的長度越長時，則截取信號越長，則時頻變換得到的頻率分辨率越高，時間分辨率就越差。因此，必須根據(jù)實際的實驗需求來選擇最佳的窗口長度。

2.3 圖像預處理

2.3.1能量門限降噪

噪聲對信號的時頻特征產(chǎn)生嚴重的干擾，為了降低噪聲對識別帶來的不良影響，改善時頻圖質(zhì)量，降噪是十分必要的。其中，能量門限降噪方法的核心在于通過利用時頻矩陣來選取一個合適的閾值[18]。

其降噪的具體操作為：

1) 設定一組權(quán)值w，并按照式(3)，對每個權(quán)值計算一個門限，從而得到一組離散的門限。

(3)

式中：threhold(j)為門限值；w為權(quán)重值；STFT(m,n)為時頻矩陣每個時頻點的數(shù)值；M為時間塊的數(shù)量；N為頻率分量的個數(shù)，m∈[1,M],n∈[1,N]。

2) 再對每組門限依次進行計算，對其中低于門限的值視為噪聲，進而統(tǒng)計高于門限的個數(shù)，式(4)為：

(4)

式中：c(j)為高于門限值threhold(j)的個數(shù)；STFT(m,n)為時頻矩陣每個時頻點的數(shù)值。

3) 再對c(j)的數(shù)組求二次差分，找到縱坐標首次接近零點的橫坐標，將該數(shù)值設定為臨界值，即權(quán)值w。

4) 利用最優(yōu)的權(quán)值，計算去噪的最優(yōu)門限，設該門限為threopt，將時頻矩陣中低于threopt數(shù)值，全部置零，從而得到降噪后的時頻矩陣。

2.3.2圖像歸一化處理

由于時頻圖中數(shù)值差異性較大，為使得到的時頻分布中的所有數(shù)值在某個固定范圍，故對時頻分布圖進行標準區(qū)間縮放處理[19]。首先，將時頻圖矩陣表示成向量b=(b1,b2,…,bi,…,bn)，對內(nèi)部所有向量bi做區(qū)間縮放，具體操作可表示為：

(5)

式中：max(·)與min(·)分別為向量的最大值與最小值。用批量修改圖像尺寸的函數(shù)，將時頻圖修改成和網(wǎng)絡模型輸入相匹配的尺寸。

2.4 輕量級MobileNetv2神經(jīng)網(wǎng)絡的模型描述

2.4.1輕量級神經(jīng)網(wǎng)絡的生成

對無人機識別的工作，往往是對無人機個體進行有效而精確的分類操作。近年來，一些研究者已經(jīng)將深度學習應用到無人機的識別工作上來。常用的深度學習方式包括有監(jiān)督、無監(jiān)督以及增強式的學習，典型的分類器有卷積神經(jīng)網(wǎng)絡、聚類以及其他深度學習架構(gòu)等。AlexNet、VGGNet、GoogleNet和ResNet也隨之慢慢興起。但傳統(tǒng)的神經(jīng)網(wǎng)絡模型較大且參數(shù)量多，計算較為復雜，不易在工程上存儲能力有限的移動設備和嵌入式設備上使用。但在2017年4月，一種輕量級神經(jīng)網(wǎng)絡MobileNet網(wǎng)絡模型被谷歌公司提出，它為神經(jīng)網(wǎng)絡在小型移動式設備上應用做出了重要的貢獻[20-21]。在輕量級神經(jīng)網(wǎng)絡中，以深度可分離卷積代替標準的卷積運算，深度可分離卷積包括深度卷積和逐點卷積。其中，設計深度卷積以減少特征通道數(shù),設計逐點卷積以減少特征通道之間的冗余。

2.4.2MobileNetv2輕量級神經(jīng)網(wǎng)絡的細節(jié)分析

本文中采用MobileNetv2輕量級神經(jīng)網(wǎng)絡模型進行實驗，其網(wǎng)絡的模型結(jié)構(gòu)如表1所示。

表1 MobileNetv2神經(jīng)網(wǎng)絡的模型結(jié)構(gòu)Table 1 MobileNetv2 network structure model

在表1中，s代表第一層步長；n代表重復操作次數(shù)；c代表輸出特征矩陣深度；t代表擴展因子。擴展因子的作用是提升通道數(shù)，有利于網(wǎng)絡提取更多特征。MobileNetv2神經(jīng)網(wǎng)絡架構(gòu)包括17個倒置殘差結(jié)構(gòu)(inverted residual structure)和3個卷積結(jié)構(gòu)[22]，該結(jié)構(gòu)是對傳統(tǒng)殘差結(jié)構(gòu)的改進。其中，第一、三層中的逐點卷積主要是為了進行升維和降維的目的，第二層中的深度卷積是使用3×3大小卷積核來進行運算。它與正常殘差結(jié)構(gòu)做了如下創(chuàng)新：① 與之前的殘差分支不同，該殘差結(jié)構(gòu)首先使用逐點卷積來對特征通道數(shù)進行改變，將特征的通道數(shù)進行先增加后減少的操作，從而使得深度卷積層可以在高維的特征中工作，并可以保證激活函數(shù)增加其非線性能力。② 激活函數(shù)會在第2個逐點卷積降維的低維空間中，影響特征的表達能力，所以去掉第2個逐點卷積之后的激活層[23]。③ 通常一個ReLU非線性激活函數(shù)會緊跟在一次卷積操作之后。但是如果對ReLU的激活范圍不加限制，低精度的設備無法得到較好的數(shù)值分辨率。因此，該結(jié)構(gòu)使用非線性激活函數(shù)ReLU6，將ReLU中最大輸出值限制為6。

輕量級卷積神經(jīng)網(wǎng)絡設計了更加高效的計算方式，通過深度可分離卷積代替標準卷積計算。以特征圖片作為神經(jīng)網(wǎng)絡的輸入為例說明，假設D表示為輸入特征圖邊長，C為卷積核邊長，且特征圖和卷積核均保持長寬大小一致，M、N分別為輸入通道數(shù)和輸出通道數(shù)，則標準卷積的計算量為：O(D*D*C*C*M*N)次；深度卷積的計算量為：O(D*D*C*C*M)次；逐點卷積的計算量為：O(D*D*M*N)次。則一次深度可分離卷積的計算量與一次標準卷積的計算量相比：

(6)

因此，輕量級神經(jīng)網(wǎng)絡顯著地減少網(wǎng)絡的參數(shù)和計算量，明顯降低了計算復雜度和模型開銷，極大推動了深度學習的發(fā)展。

3 仿真實驗與分析

3.1 數(shù)據(jù)來源

本文中依托Matlab 2020b軟件為仿真平臺，對4ASK、BFSK、BPSK、QPSK、8PSK、16QAM、OFDM等7種數(shù)字調(diào)制方式的無人機圖傳信號進行仿真生成。這7種信號的相關仿真參數(shù)設置：載頻為2 000 Hz，采樣速率為20 000 Hz，本實驗在高斯白噪聲環(huán)境下進行。其中，用于深度神經(jīng)網(wǎng)絡模型訓練的樣本是：信噪比從-12 dB到0 dB，間隔為2 dB，每種信噪比下不同調(diào)制類型信號各生成200個樣本，總共生成7*7*200個樣本，其中70%為訓練集，30%為驗證集；用于測試的樣本是：信噪比從-12 dB到0 dB，間隔為2 dB，每種信噪比下不同調(diào)制類型信號50個樣本，總共生成7*7*50個樣本。利用經(jīng)過訓練好的神經(jīng)網(wǎng)絡模型對測試集的樣本進行分類識別。

3.2 實驗設計

首先利用Matlab軟件生成樣本數(shù)據(jù)；其次對7種信號進行STFT進行時頻分析，并對生成的二維時頻圖像進行能量門限降噪、歸一化等處理，同時再調(diào)整圖像大小，使得與相應的網(wǎng)絡模型相匹配；再對生成的圖像樣本數(shù)據(jù)集分成訓練集和測試集；其次，設計了2組實驗，在第1組實驗中，利用實驗組的MobileNetv2網(wǎng)絡模型，分別將未降噪的原始STFT時頻圖數(shù)據(jù)集和經(jīng)降噪處理后的STFT時頻圖數(shù)據(jù)集對MobileNetv2網(wǎng)絡模型進行訓練學習，對降噪前后方法的識別準確率進行比較；在第2組實驗中，分別利用實驗組MobileNetv2[23]網(wǎng)絡模型和對照組AlexNet[24]、GoogleNet[25]和ResNet50[26]3種神經(jīng)網(wǎng)絡模型進行測試和訓練，對比測試集中各模型對無人機不同調(diào)制方式的圖傳信號的識別率，得出仿真結(jié)果，從而分析神經(jīng)網(wǎng)絡模型對信號的分類識別性能。

3.3 圖像降噪操作模塊

以16QAM信號在信噪比為0 dB環(huán)境下的STFT圖為例，未降噪前的STFT時頻圖如圖2所示。由圖可見，16 QAM信號能量較大且分布相對集中，而噪聲能量較小且分布在整個時頻矩陣中，噪聲對信號的特征產(chǎn)生不同程度的干擾。為了降低噪聲對識別帶來的不良影響，在不損壞時頻矩陣特征結(jié)構(gòu)的前提下，對時頻矩陣進行適當?shù)慕翟胧呛苡幸嫣幍?。因此，運用能量門限降噪方法對STFT得到的時頻圖進行降噪處理。 首先，設定權(quán)值取值范圍為(1，10)；其次，通過計算，得到如圖3所示的時頻矩陣在不同權(quán)值下的分布，時頻矩陣大小為128*646，假設當w=3時，去噪后的信號點數(shù)為4 000個。

圖2 降噪前16QAM信號的STFT圖

圖3 權(quán)值w對應的信號點數(shù)圖

然后，對上圖求二次差分，如圖4所示。當縱坐標取值為0時，w=2.3就是確定的最優(yōu)權(quán)值。

圖4 確定最優(yōu)權(quán)重w圖

最后,將低于去噪門限的矩陣值置零，得到如圖5所示的16QAM降噪后的時頻圖。

圖5 降噪后16QAM信號的STFT圖

對比圖2和圖5降噪前后的的時頻圖，可以很明顯的看出，利用能量門限降噪方法可以很好的濾掉部分噪聲，有效降低噪聲對時頻特征的影響，改善了時頻圖的質(zhì)量，極大的有利于神經(jīng)網(wǎng)絡模型對時頻圖特征的分類識別。

3.4 仿真實驗

為了測試各神經(jīng)網(wǎng)絡模型對無人機信號的識別性能，設計仿真實驗。仿真環(huán)境搭載Intel Core i7 2.8GHz處理器，操作系統(tǒng)為Windows10專業(yè)版64位，使用Matlab 2020b作為仿真平臺，通過Matlab中的深度學習工具箱來構(gòu)建用于信號識別的神經(jīng)網(wǎng)絡模型。訓練參數(shù)均設置如下：初始學習率為0.000 5；學習率減少因子為0.5；減少學習率的周期間隔數(shù)2；小批量樣本數(shù)為32；其他參數(shù)設置均為默認值。同時，為了避免偶然因素影響實驗結(jié)果，每次實驗重復進行20次，求20次的平均數(shù)作為最終的實驗結(jié)果。

圖6展示了4種網(wǎng)絡模型訓練集的準確率與損失值隨迭代次數(shù)的變化情況。經(jīng)實驗發(fā)現(xiàn)，4種模型對目標的預測準確度隨迭代次數(shù)增加而迅速上升，損失函數(shù)迅速下降，然后，隨著迭代次數(shù)的繼續(xù)增加，模型預測準確度不再明顯上升，損失函數(shù)不再有明顯下降，而是在很小范圍內(nèi)正常波動，說明網(wǎng)絡此時已經(jīng)趨于穩(wěn)定。由4種網(wǎng)絡模型的訓練進度圖對比來看，4種網(wǎng)絡模型均適用于無人機圖傳信號的調(diào)制識別當中。在識別穩(wěn)定性方面，MobileNetv2和ResNet50網(wǎng)絡識別率和損失值總體較為穩(wěn)定，只在少數(shù)位置小幅度波動，另外2個網(wǎng)絡出現(xiàn)較大程度的波動，穩(wěn)定性差。在總體識別準確率方面，MobileNetv2、AlexNet、GoogleNet和ResNet50四種網(wǎng)絡模型對訓練集的總體平均識別準確率分別為93.33%、90.16%，88.04%和95.32%。由此可知，基于MobileNetv2模型的識別準確率高于AlexNet約3%，高于GoogleNet約5%，比ResNet50模型識別率低2%左右。

圖6 4種網(wǎng)絡模型訓練進度圖

3.5 識別結(jié)果分析

3.5.1特征降噪前后的方法識別對比

為了驗證利用能量門限降噪方法對算法識別性能的影響，以MobileNetv2輕量級神經(jīng)網(wǎng)絡模型為例，分別利用初始未降噪的STFT時頻圖數(shù)據(jù)集和經(jīng)過能量門限降噪后的STFT時頻圖數(shù)據(jù)集對MobileNetv2神經(jīng)網(wǎng)絡進行訓練，采用不同信噪比的信號測試集對模型進行測試，測試結(jié)果如圖7所示。

圖7給出了在不同信噪比條件下，未降噪STFT時頻圖數(shù)據(jù)集和經(jīng)過能量門限降噪后的STFT時頻圖數(shù)據(jù)集在基于MobileNetv2神經(jīng)網(wǎng)絡模型下的識別率變化。從實驗結(jié)果可以發(fā)現(xiàn)：在不同信噪比的噪聲環(huán)境下，基于降噪后的STFT時頻圖的識別率明顯高于未降噪的原始時頻圖數(shù)據(jù)，其中在SNR=-12 dB的條件下，降噪后的數(shù)據(jù)相較于未降噪的數(shù)據(jù)，識別準確率提升了約6%。由此可以說明，利用能量門限降噪方法可有效提高STFT時頻圖在噪聲環(huán)境下的魯棒性，從而提升網(wǎng)絡模型對無人機圖傳信號的識別性能。

圖7 基于MobileNetv2對降噪前后圖像識別對比圖

3.5.2不同網(wǎng)絡模型的識別性能對比

為了驗證經(jīng)過訓練集訓練過的4種網(wǎng)絡模型的泛化能力，采用3.1節(jié)中不同信噪比的降噪后信號測試集對模型進行測試。測試結(jié)果如圖8所示。

圖8 4種網(wǎng)絡模型識別對比圖

圖8給出了4種模型在不同信噪比條件下的識別率變化，從圖中可以發(fā)現(xiàn)：在信噪比SNR=-12～0 dB的高斯白噪聲環(huán)境下，隨著信噪比的提高，各模型的識別率在不斷上升，當信噪比大于-2 dB時，各網(wǎng)絡模型的識別率均大于99%。其中從不同信噪比條件來看，基于輕量級神經(jīng)網(wǎng)絡(MobileNetv2)的識別率幾乎都高于經(jīng)典卷積神經(jīng)網(wǎng)絡(AlexNet、GoogleNet)、略低于殘差網(wǎng)絡模型(ResNet50)，特別在低信噪比SNR=-12 dB的環(huán)境下，MobileNetv2網(wǎng)絡對無人機圖傳信號的STFT圖像特征識別能力仍較為理想，識別準確率達到80%以上。同時，圖9給出了基于MobileNetv2輕量級神經(jīng)網(wǎng)絡對7種調(diào)制信號在不同信噪比下的驗證結(jié)果。

圖9 基于MobileNetv2模型的7種信號識別對比圖

從圖9可以看出，7種調(diào)制信號識別率隨信噪比的增大而提高，當信噪比大于-2 dB時，7種調(diào)制信號的識別準確率都能達到95%以上。其中，OFDM信號的識別效果最為理想，在信噪比大于-6 dB條件下識別率達到100%，說明OFDM信號的抗干擾能力比較強；而QPSK與8PSK兩種信號識別率相對較低，在信噪比低于-10 dB條件下，MobileNetv2網(wǎng)絡對上述2種種信號的識別率均低于75%，特別在低信噪比下發(fā)生混淆程度更大，不容易區(qū)分開。

3.6 4種網(wǎng)絡計算復雜度分析

以計算時間作為指標，衡量網(wǎng)絡模型的復雜度是不夠科學準確的，因為往往受到各種不良因素的干擾，比如硬件本身內(nèi)部結(jié)構(gòu)以及仿真設備的固有特性等等。但是網(wǎng)絡模型的復雜度和網(wǎng)絡的計算量成正相關關系。綜上考慮，將計算量作為指標能較為科學準確的衡量網(wǎng)絡模型復雜度。

傳統(tǒng)的計算量統(tǒng)計方式往往是忽略規(guī)范化操作和激活層等等，只是單純考慮卷積層和全連接層等參數(shù)層的“乘加”操作。同時，在卷積層和全連接層的計算量統(tǒng)計過程中，也會忽略如“偏置”等僅“純加法”操作的計算量[22]。根據(jù)對MobileNetv2神經(jīng)網(wǎng)絡架構(gòu)的分析，假設T表示第一層經(jīng)逐點卷積之后升維的倍數(shù)，S表示卷積的步長，D、M、N分別表示輸入圖邊長、輸入通道數(shù)和輸出通道數(shù)。則各層的計算量：第一層的計算量為：O(D*D*M*T*M)次；第二層的計算量為：O(D/S*D/S*3*3*T*M)次；第三層的計算量為：O(D/S*D/S*T*M*N)次。

通過計算可以發(fā)現(xiàn)，MobileNetv2模型完成一次識別需要進行大約313 M次的乘加計算。而其他3種網(wǎng)絡模型完成一次識別需要的計算量分別是：AlexNet模型大約727 M次；GoogleNet模型大約1 550 M次；ResNet50模型大約2 080 M次。MobileNetV2模型的乘加計算量明顯低于其他3種網(wǎng)絡模型，約為AlexNet模型的41.2%、GoogleNet模型的19.3%、ResNet50模型的15.1%。

3.7 4種網(wǎng)絡模型參數(shù)量與模型規(guī)模分析

首先，比較4種網(wǎng)絡模型的參數(shù)量、規(guī)模大小，查看Matlab中各類模型參數(shù)量和模型規(guī)模，得到結(jié)果如下：MobileNetv2模型參數(shù)量大約為3.5 M，模型規(guī)模大約為13 M；AlexNet模型參數(shù)量大約為61 M，模型規(guī)模大約為227 M；GoogLeNet模型參數(shù)量大約為7 M，模型規(guī)模大約為27 M；ResNet50模型參數(shù)量大約為25.6 M，模型規(guī)模大約為96 M。為了使比較結(jié)果數(shù)據(jù)清晰可視化，網(wǎng)絡模型參數(shù)對比結(jié)果如條形圖10所示。

圖10 4種網(wǎng)絡模型參數(shù)量與模型規(guī)模對比圖

綜上分析，對比各網(wǎng)絡模型對無人機圖傳信號的識別率及魯棒性，相比于經(jīng)典的卷積神經(jīng)網(wǎng)絡模型(AlexNet、GoogleNet)和殘差網(wǎng)絡模型(ResNet50)，基于MobileNetv2輕量級神經(jīng)網(wǎng)絡在保證穩(wěn)定性和識別準確率前提下，大大減少了識別所需的計算量，提高了識別的時效性，并且模型參數(shù)量和網(wǎng)絡模型規(guī)模均小于其他3種卷積神經(jīng)網(wǎng)絡，更適合在6G智能邊緣設備等資源受限的便攜設備中推廣應用。

4 結(jié)論

針對目前無人機圖傳信號的調(diào)制方式識別方法，在低信噪比條件下識別率低以及傳統(tǒng)的深度網(wǎng)絡模型存儲開銷大和計算復雜度高，難以應用于存儲空間受限的6G智能邊緣設備等問題，本文中提出了基于STFT的MobileNetv2輕量級神經(jīng)網(wǎng)絡的無人機圖傳信號調(diào)制識別方法。

1) 該方法通過對仿真生成的多種調(diào)制方式的無人機圖傳信號進行STFT得到時頻圖，并對時頻圖進行能量門限降噪和標準化處理。以時頻圖特征作為樣本對輕量級卷積神經(jīng)網(wǎng)絡MobileNetv2進行訓練,從而實現(xiàn)對無人機圖傳信號的識別。

2) 研究表明，該方法充分發(fā)揮了STFT和能量閾值降噪方法在處理信號方面的優(yōu)勢和MobileNetv2網(wǎng)絡強大的圖像分類能力。首先，相比于未降噪的時頻圖數(shù)據(jù)，MobileNetv2網(wǎng)絡對降噪后的時頻圖在SNR=-12 dB時，識別準確率提升了約6%，達到80%以上。其次，在信噪比為-12～0 dB的加性高斯白噪聲環(huán)境下，對7種不同調(diào)制方式的無人機圖傳信號獲得了93.33%的準確率。最后，所提方法完成一次識別需要進行大約313 M次的乘加計算量，模型參數(shù)量大約為3.5 M，模型規(guī)模大約為13 M。

3) 該方法相比于利用經(jīng)典卷積神經(jīng)網(wǎng)絡(AlexNet、GoogleNet)和殘差網(wǎng)絡模型(ResNet50)，不僅識別準確率較高、穩(wěn)定性較好，而且計算復雜度、網(wǎng)絡空間復雜度以及模型規(guī)模大小更低，更適合在6G智能邊緣設備等資源受限的小型嵌入式設備中推廣應用。