基于分层次多任务网络的信号调制识别方法研究

陈思霸 陈娇

摘 要 针对信号调制的识别问题，提出了分层次多任务网络用于提高识别准确率，该方法主要是把不同的调制方式识别任务进行分组，搭建层次化的深度学习神经网络。仿真与分析的结果表明，使用公开的调制信号数据集，本文的方案在信噪比大于0dB的情况下识别准确率可达到90%左右。

关键词 分层次多任务网络;信号调制;识别;方法

信号调制识别指的是在接收到未知调制信号后，根据信号的时域或者频域特性判别出它的调制方式。发展起来的调制识别方法主要分为三大类，即基于似然比判决理论的方法、基于特征提取的机器学习方法以及最近由OShea等人提出的基于深度学习的调制识别方法。随着深度学习的发展，文献[1-2]首先提出了利用信号的采样数据，采用深度学习的方法对信号进行调制识别。接着，文献[3-4]分别提出了一种基于深度学习网络的调制识别方法，但识别准确率不理想，本文利用数据特点提出了分层次多任务网络。仿真结果表明了该方案确实能在一定程度上提升调制识别准确率的效果。

1分类识别

1.1 卷积神经网络

卷积神经网络一般由输入层、卷积层、池化层和全连接层等组成。

网络中的卷积层和全连接层的权值和偏置量等参数需要通过训练来确定，并通过反向传播算法，不断迭代更新网络参数，使得损失函数收敛于全局最小值。训练时若使用梯度下降法更新第k+1次迭代的网络权重，则：

2网络设计

所提的深度学习方法包含3个网络，通过网络一初始深度学习网络用于区分所有调制类型但不包括MQAM、AM-DSB和WBFM，MQAM的分类识别是通过网络二（MQAM调制深度学习网络）实现，AM-DSB和WBFM的进一步区分是需要通过网络三（模拟调制深度学习网络）实现的。网络一使用ResNet和GRU的结合，网络二使用网络一，但数据集选为文献[3]中的RadioML 2016.10b，网络使用inception和GRU的结合。

3数据样本

为实现算法性能的验证，本文采用文献[3]中公开的数据集作为样本数据，样本数据由GNU Radio这个开源软件产生。包含11种调制方式，使用的噪声为高斯白噪声，每种调制方式数据的信噪比范围均为-20～18 dB，信噪比步进为2 dB。在不同的信噪比條件下，每种调试方式的信号样本均由 IQ两路组成，每路数据的采样点数为128。

4仿真结果与分析

为验证本文所提算法的有效性，利用 3中所述的通信信号公开数据集对本文所提网络模型与文献中的算法进行了仿真比较。

参考文献

[1] Oshea T，Hoydis J. An Introduction to Deep Learning for the Physical Layer[J]. IEEE Transactions on Cognitive Communications & Networking，2017，3（4）：563-575.

[2] 袁冰清，王岩松，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，2019，45（5）：7-10.

[3] T. J. OShea and N. West， Radio machine learning dataset generation with GNU radio[C].in Proc. GNU Radio Conf，2016：1-6.

[4] Y. Wu，X. Li and J. Fang， A Deep Learning Approach for Modulation Recognition via Exploiting Temporal Correlations[C].2018 IEEE 19th International Workshop on Signal Processing Advances in Wireless Communications （SPAWC），Kalamata，2018：1-5.