深度学习在无线电信号调制识别中的应用综述

渊国家无线电监测中心上海监测站袁上海201419冤

袁冰清袁王岩松袁郑柳刚

摘要院无线电信号的调制识别在无线电监测及频谱管理中有着至关重要的作用遥人工神经网络中的深度学习网络由于具有强大的表征学习能力袁可以自动从原始数据中提取出各种复杂的特征袁因此袁探索基于深度学习的无线电信号调制识别是目前无线电监测领域主要的发展趋势之一遥介绍了深度学习在无线电信号调制识别中的一些应用成果及存在的问题遥结合工作的实际需求袁对深度学习在无线电信号调制识别中提出了一些展望袁如进一步提高识别范围和在低信噪比下的识别率曰寻求新型深度学习调制识别混合架构遥关键词院调制识别曰深度学习曰卷积神经网络曰循环神经网络中图分类号院TN911曰TP391

文献标识码院A

DOI院10.16157/j.issn.0258-7998.183300

中文引用格式院袁冰清袁王岩松袁郑柳刚.深度学习在无线电信号调制识别中的应用综述[J].电子技术应用袁2019袁45(5)院1-4.

英文引用格式院YuanBingqing袁WangYansong袁ZhengLiugang.Asurveyofdeeplearningappliedtoradiosignalmodulationrecognition[J].ApplicationofElectronicTechnique袁2019袁45(5)院1-4.

Asurveyofdeeplearningappliedtoradiosignalmodulationrecognition

(ShanghaiStationofStateRadioMonitoringCentre袁Shanghai201419袁China)

Abstract院Modulationrecognitionofradiosignalsplaysavitalroleinradiomonitoringandspectrummanagement.Asthedeeplearningnetworkinartificialneuralnetworkhasthepowerfulabilityofrepresentationlearningwhichcanautomaticallyextractvari鄄ouscomplexfeaturesfromtheoriginaldata,exploringthemodulationidentificationofradiosignalsbasedondeeplearningisoneofthemaindevelopmenttrendsinthefieldofradiomonitoring.Thispaperintroducessomeapplicationresultsandexistingproblemsofdeeplearninginradiosignalmodulationrecognition.Combinedwiththeactualneedsofthework,thisreviewputsforwardsomeideasfordeeplearninginthemodulationrecognitionofradiosignals,suchasfurtherimprovingtherecognitionrangeandtherecognitionaccuracy,especiallyatlowSNR;seekingsomenewdeeplearninghybridarchitectureforradiosignalmodulationrecogni鄄tion.

Keywords院modulationrecognition曰deeplearning曰convolutionneuralnetwork曰recurrentneuralnetwork

YuanBingqing袁WangYansong袁ZhengLiugang

0引言

无线电信号的调制识别是频谱监测过程中的重要组成部分袁也是难点之一遥随着现代无线电通信技术的发展与应用袁无线电信号特征与电磁环境变得更加复杂袁因此袁无线电信号更容易受到外界信号的干扰袁监测人员须对监测到的信号进行调制分析尧频谱波形比较等才能判断信号的属性袁并与正常登记的台站比对袁确定是否为干扰信号袁为进一步抗干扰做铺垫遥然而这种传统的人工分析判断袁不仅效率低下袁而且存在诸多不可靠因素袁并且能识别的信号类型也有限遥为了提高无线电信号的调制识别效率和准确率袁无线电信号的自动调制识别的研究势在必行遥

目前袁无线电信号调制自动识别方法从原理上看主要有两大类院一类是基于贝叶斯决策论的方法曰一类是

现方法本质上可归结为一个多重假设检验的问题袁虽然理论完备袁但是通用性较差袁实现复杂度很高袁而识别率率会急剧下降[3]遥随着人工智能(ArtificialIntelligence袁AI)ANNs)的统计机器学习理论的信号调制识别渐渐成为术思路简单清晰袁算法切实可行袁实现流程简单明了袁性能优良袁适用于通用的模拟和数字信号识别遥另外袁基于人工神经网络的调制识别分类器具有很好的鲁棒性袁可以自适应电磁环境的变化袁即使在较低信噪比条件下仍然可以很好完成无线电信号调制识别任务遥

却一般袁特别是在电磁环境复杂尧低信噪比条件下袁识别

基于统计机器学习理论的方法[1-3]遥贝叶斯决策论的实

的兴起袁基于人工神经网络(ArtificialNeuralNetworks袁信号调制识别领域的主流研究方向遥其优势在于院技

叶电子技术应用曳2019年第45卷第5期

1

综述与评论ReviewandComment1基于人工神经网络的信号调制识别基于人工神经网络的信号调制识别的通用流程如图1所示袁包括信号的预处理和特征提取袁信号分类器的训练学习袁待分类信号的识别[2]遥

图1基于人工神经网络架构的信号自动识别过程

其中袁如何提取合适的信号特征来区分不同的调制模式对识别效果有重要影响袁一般特征提取方法有院基于信号瞬时特征尧基于小波变换尧基于高阶累积量尧基于星座图尧基于循环谱等遥在搭建神经网络架构方面袁大多都是构建BP(BackPropagation袁BP)神经网络或者传统的多层感知器(Multi-LayerPerceptrons袁MLPs)来实现自动识别遥最早可以追溯到1996年AZZOUZEE尧NANDIAK等提取信号的瞬时值为特征向量袁利用人工神经网络作为分类器袁完成多种模拟数字信号的调制识别[4]架构优于决策论架构的原因在于院决策论只能袁同时指出考ANN

虑信号的一个特征袁而ANN架构可以同时考虑信号所有

的特征袁导致关键特征的时序性不影响信号调制类型的判断遥2009年HASSANK基于小波变化理论利用多层神经网络对不同的M进制移位键控类型(M-ASK袁M-FSK袁M-PSK等)的信号进行调制识别[5]基于循环谱的差异设计的BP神经曰网2010络调年制Qian分类Lanjun器[6]但袁ADZHEMOV是对于16QAMMLPsSS基与于64QAM信号的区二分阶效及果四不阶太统理计想量曰2015设计年的QAM的识别两层神率高经网达络0.7调制耀0.99分类袁器但[7是对]袁对PSK-4FSK尧PSK信号识尧ASK别尧率仅仅为0.7遥国内文献显示基于BP神经网络或者多层感知器(MLPs)的信号分类系统袁对某一类的数字信号的自动识别效果也很好[8]如2007年电子科技大学袁的特别是潘明从在信信号噪的比瞬SNR时幅逸度10时尧瞬袁时相位尧瞬时频率特征中提取5种特征参数袁设计了一种2FSK分层用(SNR>10动尧式结构的BP神经网络分类器对2ASK尧4ASK尧量4FSK梯dB度尧BPSK时算)法分尧QPSK类器的6正种确调识制别信率号达进到行98%分类以袁采上[3袁9]定波段内的信号类型曰此的外识别袁基也是于人很工好神的经袁网如络2015对某年一于特

成龙基于BP神经网络利用偏差权重法的特征提取方法对C波段无线电信号分类识别[10]网络模型都是属于浅层神经网络遥分但类是识别以上设计器范畴的[11]神经计者需要从原始的信号采样数据中人工设计和提取袁设特2

欢迎网上投稿www.ChinaAET.com征袁用于优化网络的输入袁因此最终模型识别的准确率很大部分取决于信号特征这部分袁这要求特征设计者具备良好通信和信号领域的专业知识遥如果一旦选择的分类器不合适袁那么就可能造成分类效果极差袁也就是说袁基于人为的特征提取的方法袁泛化能力弱遥另外袁基于一般ANN的识别分类器袁对全波段的所有类型的信号识别率有待提高遥因此袁需要一种神经网络架构袁弱化前期的特征提取部分而达到自动识别的功能袁并且提高所有类型的信号识别率遥因此袁有必要找到一种更加鲁棒和有效的方法袁基于深度学习的深度神经网络架构的信号调制识别系统应运而生遥

2深度学习神经网络

2.12006深度学习的起源与主要思想

Belief年袁HINTONGE等人提出深度信念网络[12](Deep

法袁解Network决了深层袁DBN)结构及相其关相的应优的化非难监题督袁贪并心以逐此层训引入练了算深(度学习即通常的只概念包含遥1如层或图22所示层)直接将袁传统原的始输入ANN的信号浅或层特征结构转换到待求解问题的特征空间中袁因而对复杂函数的表

示能力有限遥

图2传统的神经网络和深度神经网络

而深度学习可通过学习一种深层非线性网络结构袁实现复杂函数逼近规模数据进行训练袁将袁本质上学习大特征和是量分构建更类具器含代结有多表合性的特征信到层一隐起层袁的通机器学习架构模型[13]息过袁大减少了手工设计特征的巨大工作量遥因此袁深度学习是一种可以自动地学习特征的方法遥

2.2深度学习主要的两个模型

目前袁深度学习算法广泛应用在计算机视觉和语音识别等领域遥卷积神经网络和循环神经网络是其中最典型的模型遥

2.2.1卷积神经网络

卷积神经网络(ConvolutionNeuralNetwork袁CNN)最早由LECUNY提出并应用在手写字体识别上(MINST)袁

叶电子技术应用曳2019年第45卷第5期

综述与评论ReviewandComment参加ImageNet图像识别比赛一举夺得冠而吸引了众多研究者对深度学习的注意与研究热情袁随后各种更多层的深度神经网络结构如GoogleNet尧ResidualNet被相继发明遥

层尧全连接层[14-15]遥

卷积神经网络的结构如图3所示袁包含卷积层尧池化

2012年袁HINTONGE课题组构建的CNN网络AlexNet图4前向多层神经网络和循环神经网络

入值有关袁还取决于上一次隐藏层的值遥对于给定的输入序列X=(x1袁噎袁xT)袁RNN通过式(2)尧式(3)循环迭代计算从t=1到t=T时刻袁隐层的矢量输出序列H=(h1袁噎袁hT)和输出层的矢量序列Y=(y1袁噎袁yT)[15]遥

ht=滓(Wxhxt+Whhht-1+bh)(2)式中袁Wxh尧Why尧Whh分别代表了输入层与隐层尧输出层

yt=Whyht+by

(3)

与隐层尧隐层之间的权重矩阵袁bh和by分别表征了隐层和输出层的偏置向量袁滓为隐层的激活函数袁一

图3CNN的网络结构

卷积层是CNN的核心袁在卷积层中袁每个神经元看做一个滤波器(filter)或内核(kernel)袁具有小的视觉感受野袁共享权值遥一组内核对层(layerl)的输入出数据进行卷积(即计算内核与输入数据之间的点积)袁对应的输出称之为特征图袁用于后一层即池化层(layerl+1)的输入标记Kl为卷积层的某一个卷积核袁该卷积核表征了一个数据遥如果标记dl[x袁y袁c]为三维数据中某一点的数据袁

BP算法的变体BPTT(BackPropagationTroughTime)遥在MemoryNetwork袁LSTM)及其变体GRU(GatedRecurrentUnit)遥

般选为sigmoid函数遥循环神经网络的训练算法是

实践中袁为了更好解决长时的依赖问题袁通常使用一种

改进的循环神经网络如长短时记忆网络(LongShortTerm

3基于深度学习的无线电信号调制识别的研究现状

目前深度学习在无线电信号调制识别的研究中主要是基于CNN及LSTM架构遥最早在深度学习网络信号CNN对图片识别的原理袁对接收到的信号进行预处理袁生成循环谱图或者星座图[16]等袁并将生成的图形作为CNN网络的输入袁通过卷积层和子采样层交替进行对循调制识别分类器中袁特别是在CNN分类器中袁一般根据

卷积层的输出数据dl+1[x袁y袁c]与各卷积核和输入数据的关系可表达为式(1)[14]院

dl+1[x袁y袁c]=

Cl-1Kx-1Ky-1Cl=0kx=0ky=0

四维的数据[kx袁ky袁cl袁cl+1]袁且0臆kx臆Kx-1袁0臆ky臆Ky-1袁

池化层又称下采样袁它的作用是减少训练参数的数量并降低卷积层输出的特征向量的维度袁同时保留有用特征信息遥最常见的两种池化层的形式院最大池化袁选取指定区域内最大的一个数来代表正片区域曰均值池化袁选取指定区域内数值的平均值来代表整片区域遥

全连接层的工作原理与一般的浅层神经网络学习很类似袁只需把池化层输出的张量重新排布成向量袁乘上权重矩阵袁加上偏置值袁然后对其使用ReLU激活函数袁之后用梯度下降法优化网络参数即可遥2.2.2循环神经网络

循环神经网络渊RecurrentNeuralNetworks袁RNNs冤的结构如图4所示袁RNN与各层按单一方向相连接的基本前向全连接神经网络相比袁多了一层从前一隐层输出反馈到当前输入的循环层袁因此袁RNN表现出了在时间维度上的深度结构特性遥它的深度是时间的长度按时间序列展开来看袁就是当前隐藏层的输出值不仅与当前的输

移移移K[k袁k袁c袁c]伊d[x+k袁y+k袁c]

l

x

y

l

l

x

y

l

(1)

环谱图或星座图的特征提取并完成自动识别遥其中利用信号的循环谱特征识别方法是早前比较受欢迎的识别方法袁因为每一个调制信号的循环谱都是不一样的袁所以可以根据信号的循环谱中峰值个数排列方式等特点来对不同的调制信号进行识别[17-18]遥同时因为谱相关函

数对噪声的抑制能力很强袁即使在低信噪比的情况下袁

依然能够检测出信号的类型遥这些方法本质也需要特征提取袁并且需要对信号进行预处理袁形成图片模式袁再通过卷积神经网络自动学习图片的特征袁进而对原始信号进行分类遥而在2016年O忆SHEATJ提出了利用CNNs的框架对通信信号中11种调制信号进行自动调制识别

[19]

类袁相比于传统的机器学习算法袁识别率有了很大的提升遥O忆SHEATJ提出的调制识别分类器的模型是一个四层的卷积神经网络袁两个卷积层和两个全连接层袁前三层使用ReLU函数作为激活函数袁在最后的输出层使用SoftMax激活函数袁经过最后一层SoftMax激活函数的计算袁得到概率最大的输出即为当前数据的分类结果遥

袁并且是对接收信号的原始采集数据进行自动学习分

叶电子技术应用曳2019年第45卷第5期

3

综述与评论ReviewandComment后续研究发现袁LSTM模型中隐含中的节点保留

了信号的动态时域特性[20]别分类器中袁结合了CNN和袁因LSTM此袁在的目层结前构流袁行即的一调般制在识

卷积层与全连接层中间插入一层LSTM层袁在同等条件下袁这种混合结构的分类器的识别率要高于单一的CNN模型遥

综合国内外各种文献发现袁基于深度学习的信号调制识别10dB以模上型信的识别噪比识别率随着信率达到噪比的90%袁减小dB而降低以上信袁一噪般在件下识别率最高能达到80%袁但是一0般0dB以下信比噪条比LSTM的识下信噪的别比的信号识别优率点一袁搭建般不一到种50%率混之外合遥神经网络因此袁除袁进一步的架构了工作袁结提高合CNN应该0侧dB与重以于设计新型的架构袁比如结合CNN与GRU的架构袁或者通过新颖的训练方法来达到省事省力并且高效的识别率遥

4结论

本文主要介绍了深度学习在无线电信号调制识别中的应用遥由于基于人工神经网络的信号调制识别没有完善明确统一的理论袁特别是基于深度学习神经网络模型更是没有统一明确的理论袁而处于探索摸索的阶段遥因此综合以上发现及结合无线电监测工作袁未来深度学习在无线电信号调制识别中的应用可以发展提升的地方有以下几个方面院提高低信噪比信号的调制识别率袁特别是信噪比0dB以下信号的识别率曰对于CNN-LSTM混合架构袁在不降低识别率的条件下袁探索新的训练方法袁减少模型参数袁达到省力而有效的自动学习方法曰探索C波CNN-GUR段等)内所网络有类型模型信袁对号的某一自动段波识段别并(如短保波证尧模超型短的波泛尧化RNN性曰在特定的业务频段袁如广播业务频段袁深度利用非法-HMM发射的混广合播声进行学自动模型识别对整遥个无线电频段内可能的参考文献

[1]杨方法敏[J].袁王电金子庭技术应用袁朱静.一袁种2013PSK/QAM袁41(11)院数11-13.

字调制方式识别[2]潘都明院电.基子于神科技经网大学络袁2007.

的软件无线电信号调制识别[D].成[3]周江成都.院基于神经网络电子科技大学的通信信号调制识别袁2018.

研究及实现[D].[4]AZZOUZartificialneuralEE袁NANDInetworks[J].SignalAK.ModulationProcessingrecognition袁1996袁using56(2)院[5]HASSAN165-175.

modulationK袁DAYOUB袁HAMOUDAH袁etal.Automatic

Transportnetwork[C].IEEErecognitionSystemsInternationalusingwaveletTelecommunicationsConferencetransform袁2010.onIntelligentandneural[6]cyclicQIANspectralLJ袁ZHUfeaturesCY.Modulationandneuralclassificationnetwork[C].IEEEbasedon[7]ADZHEMOVInternationalCongressSS袁TERESHONOKonImage&MSignalV袁CHIROWProcessingD袁S.

2010.

4

欢迎网上投稿www.ChinaAET.comTyperecognitionneuralnetworks[J].EngineeringofthedigitalmodulationPhysicsof袁radio2015袁signals23-28.

using70(1)院

[8]冯涛Engineering.基于人袁2006工神经网络袁36(6)院24-26.

的通信信号分类识别[J].Radio[9]王康利袁谢建菲袁赵兰华.基于神经网络的软件无线电信[10]894.

号的调制识别[J].计算机测量与控制袁2004袁12(9)院877-于号分成龙类袁识别赵宝[J].江牡丹江师.基于BP神经范学网络院学报的袁C2015(2)波段无线院21-22.电信[11]李佳宸哈尔滨.基于院哈尔滨深度学习工程大学的数字袁2017.

调制信号识别方法研究[D].[12]HINTONalgorithmGforEdeep袁OSINDERObeliefnets[J].NeuralS袁TEHYW.AComputationfastlearning

[13]LECUN2006袁18(7)Nature袁2015Y袁BENGIO院1527-1554.

袁袁521院436-444.Y袁HINTONG.Deeplearning[J].[14]SONGReRAM-basedLH袁QIANXH袁CHENYR袁etal.AInternationalacceleratorfordeeplearning[C].IEEEpipelined

[15]GUANArchitecture袁Symposium2017.

onHighPerformanceComputeracceleratorYG袁YUANZH袁SUNGY袁etal.FPGA-based

networks[C].IEEEforlongshort-termmemoryrecurrentDesignneuralmationConference袁Asia2017.

andSouthPacificAuto-[16]彭超然袁刁伟鹤袁杜振宇.基于深度卷积神经网络的数[17]WEST222-226.

字调制方式识别[J].计算机测量与控制袁2018袁26(8)院NE袁O忆SHEATJ.Deeparchitecturesformodula-[18]张Dynamictionrecognition[C].2017SpectrumAccessIEEENetworksInternational袁2017.Symposiumon

研究永乐[D]..基于沈阳CNN院沈阳航架构空的通信信号调制航天大学袁2018.模式分类识别[19]Oradio忆SHEATJ袁CORGANJ袁CLANCYConferencemodulationTC.Convolutional

[20]ZHANGNetworks袁2016.

onEngineeringrecognitionApplicationsnetworks[C].InternationalofNeutralrecognitionM袁ZENGY袁HANZD袁etal.Automaticmodulation

IEEEAdvances19thusinginInternationaldeeplearningWirelessCommunications(SPAWC)Workshoparchitectures[C].2018onSignalProcessing袁作者简介院(收稿日期院2018-12-25)

2018.

袁冰清(1986-)袁通信作者袁女袁硕士研究生袁工程师袁主要bingqing111@126.com研究方向院无线电监测及无线通信技术袁E-mail院yuan鄄王岩松(1970-)袁遥

男袁本科袁高级工程师袁主要研究方向院

无线电监测及无线通信技术遥

郑柳刚(1982-)袁男袁工程硕士袁高级工程师袁主要研究方向院无线电监测与无线电设备检测遥

叶电子技术应用曳2019年第45卷第5期