基于深度神经网络的多天线组阵信号联合调制识别方法

张 凯，田 瑶，刘 义

（1.光电对抗测试评估技术重点实验室，河南 洛阳 471000；2.中国人民解放军96862 部队，河南 洛阳 471000）

0 引 言

通信信号调制识别技术的研究已经进行了许多年，其常规处理步骤包括预处理、特征提取和分类判决，预处理目的是抑制信道畸变、噪声和干扰的影响，同时对信号载频、符号速率、定时参数等进行估计，特征提取是从数据中提取事先定义好的表征信号调制类型的特征，分类识别则是选择合适的判决规则和分类器完成判决。传统处理技术依赖于确知的信道模型，抑或基于简化的便于分析处理的数学模型，这就造成其在面对复杂信道环境或信道模型未知时遇到困难。

研究人员已将机器学习（Machine Learning，ML）方法应用于调制识别领域，与传统基于专家特征分析方法类似，该类方法仍然保留了传统手动特征提取的过程，仅使用神经网络代替传统的分类判决步骤，且多基于浅层神经网络和传统机器学习算法，学习能力有限。近年来，深度学习（Deep Learning，DL）技术以其强大的学习能力受到广泛关注，并被用于信号调制识别领域中。其将未处理的原始信号波形作为网络输入，利用深度神经网络进行训练学习，网络能够自动完成特征提取和分类判决全过程处理，取得了较好的效果。从现有研究来看，基于深度学习的方法已经展现出巨大的优势，但现有方案主要针对单天线模型。

随着多天线组阵接收技术的广泛应用，尤其是小口径天线分布式组阵成为重要发展方向，低成本硬件设备（如小口径天线和低分辨率的模数转换器等）得到广泛使用，多天线协同处理显得越来越重要。由于接收天线类型、口径、与信号源间距离等参数可能不同，加之各独立接收机特性不一，传统方法采用分集处理方式，需要首先解决不同阵元接收信号间的同步问题，在低信噪比、短数据条件下，收敛性无法保证，稳健性不足。因此，面对实际更加复杂的信道环境、信号微弱、大数据量信号处理等不利条件的影响，如何设计深度学习网络模型将是一个待研究的重要课题。

本文给出了基于深度神经网络的多天线组阵联合调制识别方法，与现有方法的差异主要体现在，直接利用存在参数差异的多路信号时域波形作为网络输入，进行训练学习，网络能够有效抑制多路信号间参数差异的影响，取得了良好的分类判决结果。

1 基于深度神经网络的分类方法

1.1 系统模型

多天线组阵接收处理系统模型如图1所示，采用（≥2）个独立接收单元对同一目标信号进行接收。考虑平坦衰落信道，假设完美载频同步条件下，第个天线接收等效基带信号可表示为：

图1 多天线组阵接收处理系统模型

1.2 网络结构

本文基于深度神经网络的多传感器协同调制识别方法，网络结构如图2所示，采用在现有调制识别中性能较好的CLDNN网络结构，网络输入为存在参数差异的多路复信号波形。网络包含三个卷积（Conv）层、两个长短期记忆（LSTM）层和两层全连接（Dense）层，除最后一个全连接层采用Softmax 激活函数外，其余所有层激活函数均采用ReLU 激活函数；此外，网络每一层之后也使用Dropout 来防止过拟合。

图2 网络结构

1.3 数据集生成

基于广泛采用的RadioML2016.10a 框架生成多路不同信噪比、不同调制样式的数字信号作为数据集，不同路信号间信道复增益和时延随机产生，并按照3∶1∶1的比例将整个数据集划分为训练集、验证集和测试集，具体参数如表1所示。

表1 数据集参数

2 仿真结果

本节使用基于CPU+GPU 架构的服务器对网络进行训练和测试，其中CPU 采用Intel Xeon E5-2630 v3，GPU采用NVIDIA Geforce RTX 2080 TI。假设信号源和个接收单元之间的信道增益是独立同分布的，各路接收信号时延差异在一个符号周期内随机分布，且相互独立。训练样本、测试样本和验证样本数据量分别为307 200，102 400 和102 400，样本在-10～20 dB 的范围内均匀分布，单个样本大小为2×128×，其中，128 代表每个样本中信号样点数为128，2×128 代表信号的实部和虚部组成的2 个行向量，为组阵接收单元数目。本文仿真主要考虑2 节点和4 节点组阵接收系统。

2.1 网络训练

设置每个卷积层卷积核大小为信号波形的过采样倍数8，卷积层过滤器数量均为50，两个全连接层神经元数目分别为256 和8，训练批量大小（Batchsize）为200，网络各层输出维度如图3所示。在上述参数设定的基础上，采用广泛使用的平方误差函数作为代价函数，在真实值与网络预测值平方误差最小化准则下，使用Adam 优化算法对网络进行训练，最终求得稳定的神经网络参数值。

图3 网络各层输出尺寸大小示意图

图4和图5 分别表示训练过程中分类准确率和训练损失变化曲线。从图中可以看出，经过训练后，4 天线组阵在训练数据集和验证数据集的分类精度分别可以达到88%和80%；而2 天线组阵这两个值分别为78%和73%。也就是说，增加接收单元数目，可以得到更优的网络训练结果，即网络达到稳态后具备更高的分类准确率和更低的损失值。

图4 训练过程分类准确率变化曲线

图5 训练过程损失值变化曲线

2.2 网络测试

在上述训练基础上，使用测试数据对训练好的网络性能进行测试，检验其有效性。

图6 和图7 分别给出了信噪比为-6 dB 和10 dB 情况下分类混淆矩阵。可以看出，在较低信噪比（-6 dB）下，分类误差较大，随着信噪比增大，混淆矩阵具备清晰的对角线，证明了分类识别网络对参数差异具有一定的适应能力，具备良好的分类识别特性，且随着接收单元数目增加，性能更优。

图6 混淆矩阵（SNR=-6 dB）

图7 混淆矩阵（SNR=10 dB）

图8为2 天线和4 天线组阵系统下，分类准确率随信噪比变化曲线。从图中可以看出，在输入信号信噪比相同条件下，4 天线组阵系统性能明显优于2 天线组阵系统。该优势在高信噪比下体现得更加明显，如在分类准确率为50%时，二者信噪比差异为2 dB；而分类准确率为89%时，二者信噪比差异达到6 dB。

图8 分类准确率随信噪比变化曲线

3 结 论

本文重点探讨了未同步多天线组阵接收信号的联合调制识别技术，采用深度学习的多路信号直接融合识别方案，直接将存在参数差异的多路信号输入网络进行学习训练。测试结果表明，训练好的网络能够自动实现多路协同调制识别，有效抑制了信号间参数差异的影响，取得了良好的分类判决结果。下一步，将对该问题进行更加深入的分析研究，使用更加完备的训练数据集，在更加复杂的信道模型下或利用实采数据对网络进行重新训练，对网络模型进行微调，以获得更好的性能，提升方法实用性。