卷積神經網路和多特徵融合的自動調製分類
Wu H， Li Y， Zhou L， et al。 Convolutional neural network and multi-feature fusion for automatic modulation classification［J］。 Electronics Letters， 2019， 55（16）： 895-897。
摘要
：自動調製分類（AMC）是認知無線電和頻譜感知的核心。在這封信中，作者提出了一種新穎的基於卷積神經網路（CNN）的具有多特徵融合的AMC方法。首先，將調製訊號分別轉換為迴圈頻譜（CS）和星座圖（CD）的兩個影象表示。然後，建立了一個兩分支的CNN模型，採用了梯度適當的策略，並利用了一種多特徵融合技術來整合從CS和CD中學到的特徵。所提出的方法得益於其簡單的神經網路，計算效率高。實驗結果表明，與最新的基於深度學習的方法相比，該方法可以在減少學習引數和訓練時間的情況下取得相同或更好的結果。
介紹：
自動調製分類（AMC）是指自動對接收訊號的調製格式進行分類，這是各種應用程式的技術基礎，尤其是在認知無線電，頻譜感測，態勢感知等方面。我們考慮具有多特徵融合的基於DL的AMC的設計。以前，AMC主要透過基於可能性的方法［1］和基於特徵的方法［2］完成。通常，基於似然的方法需要特定的引數或先驗資訊，而基於特徵的方法則需要訊號的專家特徵，例如瞬時幅度，相位，累積量和星座圖（CD）。然而，這些傳統方法通常具有許多缺點，例如有限的調製格式，較高的通道質量要求以及較差的魯棒性。
近年來，由於在自然語言處理，經濟學和計算機視覺等許多領域的成功應用，深度學習（DL）架構引起了越來越多的關注。在［4］中，作者提出了一種基於卷積神經網路（CNN）的最新DL方法，該方法可以對數字和模擬調製訊號進行分類。在［5］中，提出了基於殘差神經網路的AMC，並使用軟體無線電進行了空中測量。提出了頻率選擇衰落通道中基於深度神經網路的AMC ［6］和分散式無線頻譜感知網路中基於長期短期記憶（LSTM）的AMC ［7］。在［8］中，利用了CD技術，並將兩種先進的CNN架構用於AMC。然而，上述基於DL的方法的主要侷限性在於它們僅專注於利用網路而不是在不同特徵之間整合資訊，因此這些方法具有複雜的網路結構和大量的學習引數。為了解決這個問題，基於DL的多特徵融合是一種有效的技術，已在通訊系統中首次提出［9］。
受此啟發，我們考慮了基於DL的具有多種功能融合的AMC的設計。首先，將調製訊號分別轉換為迴圈頻譜（CS）和星座圖（CD）的兩個影象表示。然後，建立了兩個分支的CNN模型以分別提取高階特徵。此外，採用了一種梯度體面的策略，並利用多特徵融合技術來整合從CS和CD中學到的特徵。最後，softmax迴歸用於計算預測的標籤分佈。該方法計算效率高，得益於其簡單的網路，實驗結果表明了其有效性。
Proposed two-branch CNN model：
圖1顯示了為AMC提出的兩分支CNN模型的架構。儘管CNN具有良好的功能逼近能力，但適當的訊號轉換，影象表示和特徵融合同樣重要。認為調製訊號的迴圈平穩特徵具有抗噪聲性，並且可以透過CS來表徵嵌入在迴圈平穩過程中的特徵。不幸的是，某些高階調製格式很容易被CS混淆。為了解決這個問題，引入了CD作為另一種影象表示，其已經被廣泛用於對映訊號樣本並且具有優選的高階調製格式的分類能力。因此，我們將調製訊號分別轉換為CS和CD的兩個影象表示，並將它們用作雙分支CNN的兩個源。
考慮到CNN每個分支的結構，我們以著名的LeNet 作為參考。首先，將CS和CD歸一化為畫素尺寸為28×28的2D灰度影象。如圖1所示，以10 dB情況下的8PSK調製訊號為例。然後，引入卷積運算以從這兩個影象中提取高階特徵。簡而言之，存在七個層，包括卷積層{C1，C3，C5}，最大池化層{S2，S4}和密集層{D6，D7}。卷積濾波器核和池核的大小分別為5×5和2×2，啟用函式為整流線性單位。最後，在D7中獲得了120×1的高階特徵，這比前幾層中的低階特徵更加多樣化和抽象。之後，引入多特徵融合技術以獲得不同特徵之間的互補優勢。
多特徵融合：
由於在同一個標記的資料集中，多特徵的結果應該相似，因此需要考慮CNN兩個分支的預測標記分佈之間的損失。在不失一般性的前提下，令p和q表示兩個相同長度M的機率分佈向量，並使用均方誤差定義懲罰函L（p，q）：
令
表示用於計算標籤分佈的預測函式的softmax函式，其定義為
基於以上定義，我們考慮訓練集{x1x2 。。。 xN}，其中訓練樣本數為N。令
和
表示從CS和CD提取的特徵。令
和
分別表示所提出的CNN的兩個分支的學習引數。因此，所提出模型的損失函式可以寫為：
然後，我們使用梯度體面策略來最小化以上損失函式：
其中
最後，對於測試樣本〜x，預測標籤分佈~y可以得到：
實驗結果：
提出實驗結果以揭示所提出的具有CS和CD功能的基於CNN的方法的效能，我們將其稱為CNN-CSCD。在這裡，我們使用公共資料集RML2016。10a ［4］進行基準測試。該資料集具有11種數字和模擬調製格式，信噪比（SNR）在-20 dB至+18 dB之間。資料集的每個調製訊號都有128個樣本，並且資料集生成的通道模型合併了多徑衰落，載波頻率偏移，取樣頻率偏移和相位噪聲。為了訓練CNN-CSCD，批大小為50，紀元數為50。
首先，如圖2所示，我們在SNR = 0dB的RML資料集上提出了擬議的CNN-CSCD的混淆矩陣。很明顯，平均準確度約為0。80。但是，由於這些調製格式的CS和CD在低SNR時相似，因此很難從寬頻頻率調製（WBFM）對振幅雙邊帶調製（AM-DSB）和對QAM64對QAM16進行分類。
然後，我們將提出的CNN-CSCD與［4，7］中介紹的兩種基於DL的最新方法進行了比較，我們分別將它們稱為CNN-IQ和LSTM-AP。具體而言，CNN-IQ採用具有訊號的原始IQ樣本特徵的六層CNN，LSTM-AP採用具有訊號的幅度和相位特徵的兩層LSTM。為了評估CNN-IQ和LSTM-AP，使用了Adam求解器。圖3顯示了三種方法的分類精度比較。對於低於-2dB的SNR，建議的CNN-CSCD的精度要比CNN-IQ和LSTM-AP略高，這主要是由於訊號轉換具有良好的抗噪聲能力以及特徵融合。對於高於0 dB的SNR，CNN-CSCD可獲得更高的精度，與CNN-IQ相比，精度與LSTM-AP幾乎相同。此外，CNN-CSCD的網路大小和學習引數明顯小於CNN-IQ和LSTM-AP，因此更易於訓練。
為了準確評估計算複雜度，我們對三種方法的學習引數和訓練時間進行了比較。所有方法均在具有python 3。5的NVIDIA GeForce GTX 1060 GPU上進行，並運行了50次Monte-Carlo試用。如圖4所示，所建議的CNN-CSCD具有受益於最簡單網路的最少數量的引數。具體而言，CNN-CSCD，CNN-IQ和LSTM-AP的學習引數數分別為12 k，2828 k和330 k。因此，很明顯，每個CNN-CSCD的訓練時間最少，比CNN-IQ和LSTM-AP的訓練時間低一個數量級。
結論與思考：
1。本文提出了一種具有多特徵融合的基於CNN的AMC方法。在這種方法中，我們將調製訊號分別轉換為迴圈頻譜（CS）和星座圖（CD）的兩個影象表示。然後，建立了一個兩分支的CNN模型，採用了梯度適當的策略，並利用了多特徵融合技術。
2。實驗結果表明，該方法在流行的開源資料集上具有良好的效能，並且分類精度優於或等同於最新的基於DL的方法。同時，它具有較低的模型複雜度，並且大大減少了引數和訓練時間。
