深度学习在无线电信号调制识别中的应用综述深度学习在无线电信号调制识别中的应用综述
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。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,可以自动从原始数据中提取出各种复杂的特征,因此,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。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。结合工作的实际需求,对深度学习在无线电信号调制识别中提出了一些展望,如进一步
提高识别范围和在低信噪比下的识别率;寻求新型深度学习调制识别混合架构。
0 引言引言
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,也是难点之一。随着现代无线电通信技术的发展与应用,无线
电信号特征与电磁环境变得更加复杂,因此,无线电信号更容易受到外界信号的干扰,监测人员须对监测到的信号进行调制分
析、频谱波形比较等才能判断信号的属性,并与正常登记的台站比对,确定是否为干扰信号,为进一步抗干扰做铺垫。然而这
种传统的人工分析判断,不仅效率低下,而且存在诸多不可靠因素,并且能识别的信号类型也有限。为了提高无线电信号的调
制识别效率和准确率,无线电信号的自动调制识别的研究势在必行。
目前,无线电信号调制自动识别方法从原理上看主要有两大类:一类是基于贝叶斯决策论的方法;一类是基于统计机器学
习理论的方法
[1-3]
。贝叶斯决策论的实现方法本质上可归结为一个多重假设检验的问题,虽然理论完备,但是通用性较差,实
现复杂度很高,而识别率却一般,特别是在电磁环境复杂、低信噪比条件下,识别率会急剧下降
[3]
。随着人工智能(Artificial
Intelligence,AI)的兴起,基于人工神经网络(Artificial Neural Networks,ANNs)的统计机器学习理论的信号调制识别渐渐成为
信号调制识别领域的主流研究方向。其优势在于:技术思路简单清晰,算法切实可行,实现流程简单明了,性能优良,适用于
通用的模拟和数字信号识别。另外,基于人工神经网络的调制识别分类器具有很好的鲁棒性,可以自适应电磁环境的变化,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。
1 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
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,包括信号的预处理和特征提取,信号分类器的训练学习,待分类
信号的识别
[2]
。
其中,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,一般特征提取方法有:基于信号瞬时特
征、基于小波变换、基于高阶累积量、基于星座图、基于循环谱等。在搭建神经网络架构方面,大多都是构建BP(Back
Propagation,BP)神经网络或者传统的多层感知器(Multi-Layer Perceptrons,MLPs)来实现自动识别。最早可以追溯到1996
年AZZOUZ E E、NANDI A K等提取信号的瞬时值为特征向量,利用人工神经网络作为分类器,完成多种模拟数字信号的调制
识别
[4]
,指出ANN架构优于决策论架构的原因在于:决策论只能同时考虑信号的一个特征,而ANN架构可以同时考虑信号所
有的特征,导致关键特征的时序性不影响信号调制类型的判断。2009年HASSAN K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,M-FSK,M-PSK等)的信号进行调制识别
[5]
;2010年Qian Lanjun基于循环谱的差异设计的
BP神经网络调制分类器
[6]
,但是对于16QAM与64QAM区分效果不太理想;2015年ADZHEMOV S S基于信号的二阶及四阶统
计量设计的MLPs两层神经网络调制分类器
[7]
,对FSK、PSK、ASK、QAM的识别率高达0.7~0.99,但是对PSK-4信号识别率
仅仅为0.7。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,对某一类的数字信号的自动识别效果也很
好
[8]
,特别是在信噪比SNR≥10时,如2007年电子科技大学的潘明从信号的瞬时幅度、瞬时相位、瞬时频率特征中提取5种特
征参数,设计了一种分层式结构的BP神经网络分类器对2ASK、4ASK、2FSK、4FSK、BPSK、QPSK 6种调制信号进行分
类,采用动量梯度算法分类器的正确识别率达到98%以上(SNR>10 dB时)
[3,9]
;此外,基于人工神经网络对某一特定波段内
的信号类型的识别也是很好的,如2015年于成龙基于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]
。但是以上设计的神经网络模型都是属于浅层神经网络分类识别器范畴
[11]
,设计者需要从原始的信号采样数据中人工设
计和提取特征,用于优化网络的输入,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,这要求特征设计者具备良
好通信和信号领域的专业知识 。如果一旦选择的分类器不合适,那么就可能造成分类效果极差,也就是说,基于人为的特征
提取的方法,泛化能力弱。另外,基于一般ANN的识别分类器,对全波段的所有类型的信号识别率有待提高。因此,需要一
种神经网络架构,弱化前期的特征提取部分而达到自动识别的功能,并且提高所有类型的信号识别率。因此,有必要找到一种
更加鲁棒和有效的方法,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。
2 深度学习神经网络深度学习神经网络
评论0
最新资源