0 引言

    隨著軟件無(wú)線電和認(rèn)知無(wú)線電技術(shù)領(lǐng)域的發(fā)展，多體制通信信號(hào)自動(dòng)調(diào)制識(shí)別(Automation Modulation Recognition，AMR)研究取得了很多進(jìn)展和成果，雖然通信信號(hào)調(diào)制方式的識(shí)別方法多種多樣，但調(diào)制識(shí)別在本質(zhì)上是模式分類問(wèn)題，其識(shí)別研究?jī)?nèi)容主要是分類特征的提取和分類器的設(shè)計(jì)^[1]。在特征提取方面，隨著研究的深入發(fā)展，已知的調(diào)制特征有數(shù)百種，其中效果較好的調(diào)制特征包括高階累積量特征^[2]、譜相關(guān)特征^[3]、小波特征^[4]和分形理論特征^[5]等。在分類器設(shè)計(jì)方面，有人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)以及近年來(lái)流行的支持向量機(jī)分類器^[6](Support Vector Machine，SVM)等，但傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法存在易陷入維數(shù)災(zāi)難、陷入局部極小點(diǎn)和泛化能力較差等問(wèn)題。2006年，Hinton等人在深度信念網(wǎng)絡(luò)(Deep Belief Network，DBN)方面取得劃時(shí)代性的成果，基于DNB，Hinton提出了非監(jiān)督貪心逐層訓(xùn)練算法，在大多數(shù)訓(xùn)練中效果顯著，成功解決了深層結(jié)構(gòu)相關(guān)的優(yōu)化難題，使多層次神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)成為可能。近年來(lái)，深度學(xué)習(xí)在越來(lái)越多的領(lǐng)域(如語(yǔ)音識(shí)別、圖像識(shí)別等領(lǐng)域)得到良好的應(yīng)用。本文提出一種基于深度學(xué)習(xí)的通信信號(hào)調(diào)制模式識(shí)別方法，使用3層堆棧自編碼器提取特征，然后使用BP神經(jīng)網(wǎng)絡(luò)作為分類器進(jìn)行調(diào)制模式識(shí)別，并進(jìn)行MATLAB仿真，實(shí)驗(yàn)結(jié)果表明此方法是有效可行的，在0 dB～20 dB信噪比環(huán)境下信號(hào)的分類識(shí)別正確率可達(dá) 98%以上。

1 基于深度學(xué)習(xí)的通信信號(hào)自動(dòng)調(diào)制識(shí)別算法

    基于深度學(xué)習(xí)的通信信號(hào)自動(dòng)調(diào)制識(shí)別方法原理如圖1所示，深度學(xué)習(xí)主要分為兩步：(1)自下而上利用無(wú)監(jiān)督學(xué)習(xí)，采用貪心逐層訓(xùn)練算法逐層進(jìn)行預(yù)訓(xùn)練；(2)自上而下利用監(jiān)督學(xué)習(xí)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行微調(diào)，訓(xùn)練分類器。然后使用訓(xùn)練好的分類器對(duì)信號(hào)測(cè)試樣本集進(jìn)行測(cè)試，統(tǒng)計(jì)分類識(shí)別結(jié)果。

    可以看出圖1所示的自動(dòng)調(diào)制識(shí)別系統(tǒng)主要由特征提取和分類器兩部分組成。下面介紹這兩部分的結(jié)構(gòu)及工作原理。

1.1 特征提取

    自編碼器是一個(gè)無(wú)監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，其編解碼原理如圖2所示，將一組沒(méi)有類別標(biāo)簽的訓(xùn)練樣本輸入自編碼器，由于該編碼器模型能力限制和稀疏性約束，使得其能夠自動(dòng)習(xí)得數(shù)據(jù)本身的結(jié)構(gòu)。簡(jiǎn)單來(lái)說(shuō)，是當(dāng)隱藏節(jié)點(diǎn)低于可視節(jié)點(diǎn)時(shí)，自編碼器會(huì)使原始高維的訓(xùn)練樣本“被迫降維”，將高維低層特征降維、抽象、組合成低維高層特征，也就是說(shuō)如果輸入樣本數(shù)據(jù)中某些特征是相關(guān)的，那么這組數(shù)據(jù)中就存在“冗余信息”，自編碼器可以在保有原始數(shù)據(jù)最大信息量的同時(shí)去除數(shù)據(jù)中的“冗余信息”，從而得到比原始輸入數(shù)據(jù)更具有表達(dá)能力的特征，以達(dá)到特征提取的目的。因此，這一過(guò)程可以被看做特征提取的過(guò)程。

    假設(shè)的神經(jīng)元的激活函數(shù)是sigmoid函數(shù)。假設(shè)一個(gè)沒(méi)有類別標(biāo)簽的訓(xùn)練樣本{(x⁽¹⁾，y⁽¹⁾)，…，(x^(m)，y^(m))}，a_j表示輸入向量x⁽ⁱ⁾對(duì)各隱藏節(jié)點(diǎn)j的激活值。則隱含層隱藏節(jié)點(diǎn)的平均激活值為：

    所謂稀疏性限制，就是使隱藏節(jié)點(diǎn)中被激活的節(jié)點(diǎn)數(shù)(輸出接近1)遠(yuǎn)遠(yuǎn)小于被抑制的節(jié)點(diǎn)數(shù)(輸出接近0)。那么，使神經(jīng)元大部分的時(shí)間都是被抑制的限制被稱作稀疏性限制^[7]。設(shè)稀疏性參數(shù)?籽，則平均激活值為：

    使用訓(xùn)練樣本訓(xùn)練好這個(gè)稀疏自編碼器，當(dāng)有新的樣本x⁽ⁱ⁾輸入到這個(gè)稀疏自編碼器中后，隱藏層各節(jié)點(diǎn)的激活值組成的向量就可以代表x⁽ⁱ⁾。

    本文使用3層稀疏自編碼器組成通過(guò)堆棧疊加組成棧式自編碼器，實(shí)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)，通過(guò)非監(jiān)督貪心逐層訓(xùn)練算法求每一隱層的特征及參數(shù)，成功克服傳統(tǒng)多層次神經(jīng)網(wǎng)絡(luò)在反向傳播過(guò)程中出現(xiàn)的梯度彌散、過(guò)擬合等問(wèn)題。其原理簡(jiǎn)單來(lái)說(shuō)，如圖3所示，是一個(gè)兩層棧式自編碼器，假設(shè)一個(gè)沒(méi)有類別標(biāo)簽的訓(xùn)練樣本x⁽ⁱ⁾，輸入該自編碼器，通過(guò)稀疏自編碼算法訓(xùn)練第一層的自編碼器，當(dāng)?shù)谝粚拥淖跃幋a器訓(xùn)練結(jié)束后，得到第一隱藏層，即Hidden1層的編碼參數(shù)及各節(jié)點(diǎn)激活值，即x⁽ⁱ⁾在新特征下的特征值；然后，用Hidden1層作為第二層的自編碼器的輸入層，同樣用稀疏自編碼算法訓(xùn)練得到Hidden2層的編碼參數(shù)及特征值，這樣就可以得到輸入數(shù)據(jù)通過(guò)兩層棧式自編碼進(jìn)行特征提取后的特征值；對(duì)多層棧式自編碼器，同理，將前一層自編碼器的輸出作為其下一層自編碼器的輸入，最終得到的是x⁽ⁱ⁾在新特征下的特征值。

1.2 分類器 

    本文使用BP神經(jīng)網(wǎng)絡(luò)作為分類器，BP算法的基本思想是，信號(hào)正向傳播，訓(xùn)練樣本從輸入層輸入，經(jīng)過(guò)隱層處理后，傳向輸出層，若輸出層的實(shí)際輸出與樣本標(biāo)簽不符時(shí)，將誤差反向傳播，將此誤差作為修正各單元權(quán)值的依據(jù)。如此迭代，直至誤差小到滿足需求，即訓(xùn)練好各層參數(shù)及權(quán)值。

    傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)可能出現(xiàn)收斂到局部最小值的問(wèn)題，在層次深的情況下，梯度下降法在訓(xùn)練過(guò)程中，容 易出現(xiàn)梯度消失的問(wèn)題，且隨網(wǎng)絡(luò)層數(shù)的增加，梯度消失問(wèn)題隨之加重，導(dǎo)致其對(duì)權(quán)重的調(diào)整作用越來(lái)越小。

    本文通過(guò)棧式自編碼器自動(dòng)習(xí)得訓(xùn)練樣本特征，然后使用BP神經(jīng)網(wǎng)絡(luò)通過(guò)帶標(biāo)簽的數(shù)據(jù)去訓(xùn)練，誤差自頂而下傳輸，對(duì)整體多層次神經(jīng)網(wǎng)絡(luò)進(jìn)行微調(diào)。

2 仿真實(shí)驗(yàn)及結(jié)果分析

    根據(jù)圖4所示，仿真實(shí)驗(yàn)步驟為：

    (1)通過(guò)MATLAB仿真MQAM調(diào)制信號(hào)。信號(hào)集合為{4QAM、16QAM、32QAM、64QAM、128QAM、256QAM}，共6種調(diào)制信號(hào)，其中載波頻率為47 MHz，采樣頻率為40 kHz，碼元長(zhǎng)度為500，信道環(huán)境采用高斯白噪聲信道，信噪比范圍為SNR=[0：20] dB，間隔2 dB，每個(gè)信噪比下進(jìn)行1 100次仿真，組成調(diào)制信號(hào)樣本集，取其中1 000次組成訓(xùn)練樣本集，剩余100次組成測(cè)試樣本集。

    (2)用棧式稀疏自編碼器對(duì)訓(xùn)練樣本進(jìn)行特征提取。這是一種無(wú)監(jiān)督自主篩選過(guò)程，步驟(1)得到的訓(xùn)練樣本作為網(wǎng)絡(luò)的輸入層，采用含有3層隱含層的棧式自編碼網(wǎng)絡(luò)進(jìn)行提取，最終篩選出6種具有良好分類能力的特征組成特征集。因?yàn)楦叨瘸橄蟮玫降奶卣骷⒉痪邆涿鞔_的物理意義，所以將這6種特征依次命名為T1、T2、T3、T4、T5和T6。

    圖5～圖10為T1、T2、T3、T4、T5和T6特征參數(shù)仿真曲線，4QAM、16QAM、32QAM、64QAM、128QAM、256QAM 共6種調(diào)制信號(hào)的各特征在隨信噪比(SNR)增大而變化的曲線顯示通過(guò)棧式稀疏編碼器自主提取的6種特征相關(guān)性低，每種信號(hào)特征分類明顯，且每種特征隨噪聲波動(dòng)都不大，即抗噪聲干擾能力強(qiáng)。該特征集是通過(guò)學(xué)習(xí)輸入數(shù)據(jù)的結(jié)構(gòu)習(xí)得的，所以更接近全局最優(yōu)，也就是說(shuō)通過(guò)本文所提出的方法提取的特征具有良好的分類能力，由此推斷基于對(duì)這6種特征進(jìn)行通信信號(hào)調(diào)制模式的分類識(shí)別能夠取得良好的分類效果。

    (3)使用BP神經(jīng)網(wǎng)絡(luò)有監(jiān)督微調(diào)。使用步驟(2)提取的特征集對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行帶標(biāo)簽有監(jiān)督訓(xùn)練，通過(guò)反向傳播算法調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)值。訓(xùn)練好分類器后，通過(guò)測(cè)試樣本進(jìn)行測(cè)試，計(jì)算不同MQAM信號(hào)在不同信噪比下分類識(shí)別率，驗(yàn)證本文提出的分類識(shí)別方法的有效性。分類識(shí)別結(jié)果如表1所示。

    總體來(lái)說(shuō)，由分類識(shí)別結(jié)果可得出結(jié)論，本文提出的基于深度學(xué)習(xí)設(shè)計(jì)的分類識(shí)別算法對(duì)MQAM類內(nèi)識(shí)別，在信噪比0 dB～20 dB之間分類識(shí)別率都能達(dá)98%以上，當(dāng)信噪比大于10 dB時(shí)能100%準(zhǔn)確識(shí)別調(diào)制信號(hào)，故使用本文的提出的算法對(duì)于MQAM調(diào)制信號(hào)的分類識(shí)別效果明顯。

3 結(jié)論 

    本文從特征提取入手，使用堆棧自編碼器自動(dòng)提取調(diào)制信號(hào)的特征集，并使用BP神經(jīng)網(wǎng)絡(luò)作為分類器，在MATLAB環(huán)境下，對(duì)算法的分類識(shí)別性能進(jìn)行了仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果證明，該算法在信噪比動(dòng)態(tài)快速變化的情況下依然具有良好分類識(shí)別能力，且其計(jì)算復(fù)雜度低，推廣能力強(qiáng)，對(duì)于通信信號(hào)自動(dòng)調(diào)制模式識(shí)別的發(fā)展具有重要的理論和實(shí)際意義。

參考文獻(xiàn)

[1] 鄧文林.大動(dòng)態(tài)信噪比下的多體制通信信號(hào)自動(dòng)調(diào)制識(shí)別算法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2014.

[2] 李月貞，郭敏.高階累積量調(diào)制識(shí)別改進(jìn)算法的FPGA實(shí)現(xiàn)[J].現(xiàn)代電子技術(shù)，2010，33(21)：1-4.

[3] 孫鋼燦，王忠勇，劉正威.基于高階累積量實(shí)現(xiàn)數(shù)字調(diào)相信號(hào)調(diào)制識(shí)別[J].電波科學(xué)學(xué)報(bào)，2012(4)：34-35.

[4] LIKE E，CHAKRAVARTHY V D，RATAZZI P，et al.Signal classification in fading channels using cyclic spectral analysis[J].EURASIP Journal on Wireless Communications and Networking，2009(1)：879812.

[5] 姜園，張朝陽(yáng)，羅智勇.小波變換與模式識(shí)別用于自動(dòng)識(shí)別調(diào)制模式[J].電路與系統(tǒng)學(xué)報(bào)，2006，11(4)：125-130.

[6] HASSANPOUR S，PEZESHK A M，BEHNIA F.Automatic digital modulation recognition based on novel features and support vector machine[C].International Conference on Signal-Image Technology & Internet-Based Systems.IEEE，2017：172-177.

[7] 吳岸城.神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)[M].北京：電子工業(yè)出版社，2016.

作者信息:

姚宇晨，彭  虎

（合肥工業(yè)大學(xué) 儀器科學(xué)與光電工程學(xué)院，安徽 合肥230009）