基于CNN-GRU和CA-VGG特征融合的调制识别模型

李?鳎?獬疏ぃ?及?/p>

（浙江理工大学信息科学与工程学院，浙江 杭州 310018）

0 引言

自动调制识别是目前非协作通信领域的关键技术，广泛应用于电子对抗、国家频谱管理中，随着技术的发展，现在的调制方式、通信信道越来越复杂，对自动调制识别的要求也越来越高，所以自动调制识别技术仍是通信信号处理领域的一个研究重点技术。

传统的AMR（Automatic Modulation Recognition，自动调制识别）主要包括基于似然的假设检验方法和基于机器学习的分类方法。基于似然的假设检验方法是通过多重假设检验的问题来进行分类，通过设定门限进行判决来实现调制识别[1-2]，但该方法过于依赖先验的调制模型，并且由于复杂的似然函数导致计算量偏大，因此其使用受到一定的限制。基于机器学习的分类方法是通过提取信号中的某些固定特征，再根据提取到的特征通过机器学习的分类算法进行分类识别[3-5]，通常用于识别的特征包括小波变换特征、瞬时频率特征以及循环平稳特征等。不同的调制方式的特征各不相同，因此通过机器学习算法可对信号不同调制方式的特征进行分类。但是在实际信道中，由于噪声、衰落等因素，导致信号的特征并不明显，进而使得分类的准确率降低。

近年来，深度神经网络（DNN,Deep Neural Network）在许多领域取得了丰硕的成果，尤其是在计算机视觉和自然语言处理方面。深度学习（DL,Deep Learning）技术的网络深度大大超过以往神经网络的深度，通过深度学习可以提取信号的浅层特征，并得到浅层特征的高维表征，并通过深度网络的自学习构建更好的分类判决模型，深度学习网络在图像领域，特别是图像的识别领域有着较大的发展[6-7]，同样深度神经网络在自动调制识别上也存在较大的应用价值[8-9]。文献[10]首次将卷积神经网络应用与调制识别领域，并提出了公开调制信号数据集RadioML2016.10a。文献[11]提出一种基于卷积神经网络（CNN,Convolutional Neural Networks）和长短期记忆（LSTM,Long Short-Term Memory）的全连接深度神经网络（CLDNN,Convolutional Long short-term memory fully connected Deep Neural Networks）模型，实现了调制识别，但由于模型的深度较浅，分类效果并不理想。文献[12]提出了一种基于卷积神经网络的调制识别方式，首先通过交叉残差连接从星座图像中学习最相关的调制信号特征，训练网络完成后，可以通过模型对调制信号进行识别，但分类的准确率并不理想。文献[13]提出了一种基于生成对抗网络的通信信号调制识别方法。先利用辅助分类器生成对抗网络对数据进行扩充，再将经典模型AlexNet作为分类器实现了调制识别，但该方法稍显繁琐且分类准确率不高。

针对以上问题，本文提出了一种自动调制识别的特征融合（MFF,Multi-Feature Fusion）网络，首先提出两种不同的神经网络对调制信号的深层特征进行提取，通过将星座图输入到嵌入了注意力机制（CA,Coordinate Attention）[14]的VGG16网络（CA-VGG）模块中提取二维图像特征，通过将I/Q和A/P数据输入到CNN-GRU（Gate Recurrent Unit）模块提取一维时间序列特征，然后充分利用不同特征输入的互补性进一步构建融合模型，以达到有效提高信号分类准确率的目的。最后，针对RadioML2016.10a数据集进行了消融实验和对比实验，结果表明本文提出的MFF模型能够有效实现调制信号的分类任务，并能有效提高调制识别的准确率。

1 信号模型

1.1 信号时域模型

假设通过衰落信道和高斯白噪声的不同调制信号模型为：

式中S(t)表示接收到的调制信号；x(t)为发送端发送的信号；h(t,τ)dτ表示莱斯和瑞利衰落通道；n(t)为加性高斯白噪声。

首先将收到调制信号的瞬时幅度和瞬时相位值进行提取，由于调制信号是由I/Q两路信号构成，可以将接收到的信号S(t)通过I通道信号SI(t)和Q通道信号SQ(t)表示为式(2)，则信号的瞬时幅度A(t)和瞬时相位P(t)分别由式(3)和式(4)所得：

1.2 信号星座图

星座图是一种常用于信号处理的可视化信号分析方法。通过将归一化的I/Q数据映射到复平面上的散射点，可以得到星座图作为调制无线电信号的二维表示。但是复平面是无限延伸的，而图像描述的区域是有限的，如果区域太大，星座图上的点会聚集到一起导致互相重叠，如果区域太小，星座图的部分信号特征会被忽略。考虑到算法的复杂度和性能，本文选择3×3的复平面并将转换为分辨率为224×224的星座图如图1所示。

图1 11种调制方式星座图

2 MFF识别算法

2.1 MFF网络模型

MFF网络模型的结构包括CA-VGG模块和CNN-GRU两个模块。通过这两种模型可以有效地提取调制信号中的重要特征。最后为了充分利用不同输入类型数据特征的互补性，将两个模块的输出进行融合获得信号调制方式的预测概率。

本文提出的MFF模型解决了缺少多维度特征输入的问题，通过将CNN-GRU和CA-VGG两个网络模型进行融合搭建起的MFF网络模型，提高了网络的泛化、感知能力，增强了特征提取能力。它可以将原始I/Q、A/P数据和星座图的作为网络的输入，并将这两种不同的输入送到两种模型中对进行特征提取。首先通过CA-VGG网络提取星座图的深层特征数据，再通过CA-VGG网络提取I/Q、A/P数据的细节特征数据，保证了对不同输入数据的特征进行高效提取，同时也兼顾全局及局部信息的作用，可以更有效地提取调制信号的特征数据，MFF网络的具体网络框架如图2所示：

图2 MFF网络结构

2.2 CA-VGG模块

VGG16因其具有较好的深度及宽度，在分类的应用中具有一定的优势。VGG16网络的深度为16层，这种较深的网络通过逐层的抽象，能够不断学习由低到高各层的特征，在VGG16的基础上引入CA注意力单元具体的网络结构如图3所示，可以充分提取信号的深层特征，从而提高调制识别的准确率。

图3 CA-VGG网络结构

将I/Q数据转换为224×224的星座图像作为CA-VGG模块的输入，并对VGG16网络做了如下改进：首先在每个卷积层中均加入CA注意力单元来学习各通道的重要程度，通过注意力机制来进一步提高对调制识别有用的特征，同时抑制对调制识别无用的特征。为避免在训练中梯度爆炸及梯度消失的情况，本文在每个CA注意力单位后通过批标准层（BN,Batch Normalization）用于加快网络的训练和收敛的速度。激活函数选用Selu来增强网络的非线性、防止梯度消失、减少过拟合并提高网络训练的速度。考虑到全连接层会产生

提醒您：因为《基于CNN-GRU和CA-VGG特征融合的调制识别模型》一文较长还有下一页，点击下面数字可以进行阅读！

《基于CNN-GRU和CA-VGG特征融合的调制识别模型》在线阅读地址：基于CNN-GRU和CA-VGG特征融合的调制识别模型