多特征联合水声通信信号调制识别方法

吴雄彪，匡 彪，*，刘亚男，张华缨，庞桐桐，刘凇佐

（1.昆明船舶设备研究试验中心，云南 昆明 650051；2.哈尔滨工程大学 水声工程学院，黑龙江 哈尔滨 150001；3.中国船舶集团系统工程研究院，北京 100094）

0 引言

水声通信信号调制识别技术在水声电子对抗等领域发挥着极其重要的作用，对于提升我方水下战场态势感知和侦察预警能力具有重要意义。尽管陆上无线通信的调制识别技术已经发展的很成熟，但对于水下来说，复杂的信道使得许多陆上的调制识别方法在水下无法使用，因此，继续该技术仍具有重要的意义。

很多科研工作者也对水声通信信号的调制识别技术进行了研究。2016年，江伟华等人在对信号的功率谱和平方谱分析的基础上，利用人工神经网络成功完成了水声BPSK，QPSK和MFSK信号的识别[1]。2017年，ZHANG等人通过提取信号的循环累积量特征，并利用支持向量机进行分类，仿真表明该方法在α稳定分布噪声下稳定有效[2]。同年，赵自璐等人提出了一种多特征融合的调制识别方法，仿真表明该方法优于单一特征的识别[3]。2018年，LI等人通过提取OFDM信号的自相关特征，成功实现了水声 OFDM 信号的识别[4]。2019年，YAO等人利用生成对抗网络对水声通信信号进行了识别，结果表明，与深度卷积神经网络相比，该方法具有更高的识别精度[5]。同年，姜楠等人通过提取信号的功率谱和四次方谱，并利用稀疏自动编码网络进行分类，完成了水声MFSK，MPSK，OFDM以及LFM信号的识别[6]。GE等人通过联合循环谱和高阶累积量特征，实现了水声 MPSK和MFSK信号的识别[7]。2020年，王彬等人采用迁移学习思想，解决了水声信号训练样本不足的问题，大大提升了小样本条件下的水声信号的识别率[8]。同年，WANG等人提出了一种新的混合时间序列网络结构，显著提高了通信信号的识别能力[9]。2021年，FANG等人利用基于似然的方法对水声MPSK信号进行识别，仿真表明，该方法在信噪比高于7 dB时，识别率达95%以上[10]。

本文通过提取CW，LFM，2FSK，4FSK，BPSK，QPSK，DSSS-BPSK（本文简称DSSS）以及OFDM这8种信号的时频特征、二次方谱特征以及自相关特征，并利用基于迁移学习的 ResNet网络和线性支持向量机进行分类，最终得到了一种多特征联合水声通信信号调制识别方法。

1 识别特征提取

1.1 仿真信道及信号参数

本文仿真所用的水声多径信道为通过 RLS（Recursive Least Square）估计得到的千岛湖实测信道，其冲激响应如图1所示。

图1 千岛湖实测信道Fig.1 Measured channel of Qiandao Lake

仿真所用信号参数如表1所示，采样率为48 kHz，本文除CW信号信噪比为全频带信噪比，其余信号信噪比均为带内信噪比。考虑到本文方法的应用场景及低频噪声集中的特性，本文除图2、图3、图4、图7、图10和图17这几张展示特征的图外，均建立在2 kHz～24 kHz带通滤波的基础上。

表1 仿真信号参数Table 1 Parameters of simulation signals

1.2 时频特征

本文选择短时傅里叶变换来进行时频特征提取。图2给出了本文所研究信号时频特征的提取结果，信噪比为8 dB。

图2 时频特征Fig.2 Time-frequency characteristics

可以看出，除BPSK，QPSK，DSSS和OFDM信号的时频特征近似外，其它信号的时频特征均具有明显的差异，说明利用短时傅里叶变换提取的时频特征可以实现CW，LFM，2FSK，4FSK和噪声的识别。

1.3 二次方谱特征

以BPSK信号为例进行公式推导，BPSK信号可以表示为

式中：A=Σang(t-nTs)；an取1或–1；Ts为码片宽度；g(t)为单个矩形脉冲。

对式（1）平方可得

显然，平方之后的结果存在明显的二倍载频分量。

图3和图4分别给出了信噪比为8 dB时，BSPK，QPSK，DSSS和OFDM信号幅度归一化后的二次方谱和最强的2根谱线提取结果，谱线提取的方法为：搜索谱图最大值作为第一谱线幅值，然后将以第一谱线为中心的 200 Hz范围内的谱图幅值置 0，并搜索此时谱图的最大值作为第2谱线幅值。

图3 二次方谱Fig.3 Quadratic spectrum

图4 最强两谱线提取结果Fig.4 Extraction results of the strongest two spectral lines

可以看到，BPSK和DSSS信号的第2谱线幅值接近于0，而QPSK和OFDM信号大于0.8。图5和图6分别给出了该特征识别性能的仿真结果及8 dB时的分布情况。

图5 二次方谱第二谱线识别性能仿真Fig.5 Recognition performance simulation of the second spectral line of quadratic spectrum

图6 二次方谱第二谱线幅值分布Fig.6 Amplitude distribution of the second spectral line of quadratic spectrum

从图5和图6可知，当信噪比高于8 dB时，QPSK信号的幅值始终大于0.5，而BPSK和DSSS信号的幅值始终小于 0.1，这说明利用该特征识别水声QPSK信号是完全可行的。

1.4 自相关特征

对接收到的水声序列x(n)做自相关

DSSS信号由于PN码的原因[11]，自相关的结果会出现多个峰值，而BPSK信号只会出现一个峰值。图7给出了信噪比10 dB时，两信号自相关且幅度归一化后的结果。

图7 BPSK和DSSS信号自相关Fig.7 Autocorrelation of BPSK and DSSS signals

提取信号归一化自相关结果的第二相关峰幅值，谱峰提取方法同 1.3节谱线提取方法，BSPK信号的相关峰幅值小于0.1，而DSSS信号的相关峰幅值大于0.3。图8和图9分别给出了该特征识别性能的仿真结果及10 dB时的分布情况。

图8 自相关第二相关峰识别性能仿真Fig.8 Recognition performance simulation of the second correlation peak of autocorrelation

图9 自相关第二相关峰幅值分布Fig.9 Amplitude distribution of the second correlation peak of autocorrelation

从图8和图9可知，当信噪比高于10 dB时，DSSS信号的特征幅值始终大于0.3，而BPSK信号的特征峰幅值始终小于 0.1，这说明利用该特征识别水声BSPK和DSSS信号是完全可行的。

OFDM信号由于循环前缀的原因，自相关后的结果会出现 2个峰值，而 QPSK信号只会出现 1个峰值。图10给出了信噪比10 dB时，两信号自相关且幅度归一化后的结果。

图10 QPSK和OFDM信号自相关Fig.10 Autocorrelation of QPSK and OFDM signals

提取信号归一化自相关结果的第二相关峰幅值，QSPK信号的相关峰幅值小于0.1，而OFDM信号的相关峰幅值在0.16左右。

图11和图12分别给出了该特征识别性能的仿真结果及10 dB时的分布情况。

图11 自相关第二相关峰识别性能仿真Fig.11 Recognition performance simulation of the second correlation peak of autocorrelation

图12 自相关第二相关峰幅值分布Fig.12 Amplitude distribution of the second correlation peak of autocorrelation

从图11和图12可知，当信噪比高于10 dB时，OFDM信号的特征幅值始终大于0.1，而QPSK信号的特征峰幅值始终小于0.07，这说明利用该特征识别水声QSPK和OFDM信号是可行的。

2 调制识别方法

2.1 基于迁移学习的ResNet网络

迁移学习是一种把一个领域已有知识，迁移到另一领域进行再学习，使得其在新领域获得更好性能的方法。由于水声数据获取困难，因此无法获得足够的数据进行神经网络训练，但对于迁移学习来说，我们只需要少量数据，就可训练一个性能良好的模型。

本文所用的ResNet是一个训练过上百万张图片的成熟网络，其结构如图13所示，对其微调，并进行在训练，以此得到能够识别水声通信信号的迁移后的模型。

图13 ResNet网络结构Fig.13 ResNet network structure

迁移训练所用的数据集通过仿真得到，参数同表1所示。对仿真得到数据添加图1所示的水声多径信道，并添加不同能量的噪声，然后绘制信号的时频图，最终得到迁移训练所需的数据集。数据集共有图片10 368张，每种信号1 152张，将其中的30%划分为验证集，70%划分为训练集。

2.2 支持向量机

支持向量机按是否线性可分，可分为线性支持向量机和非线性支持向量机，因为本文所处理的数据均线性可分，因此本文重点研究线性支持向量机，式（4）便是其基本形式。

线性支持向量机训练所需的数据集通过仿真得到，参数同表1所示，对仿真得到数据添加图1所示的水声多径信道，并添加不同能量的噪声，最终得到了 BSPK，QPSK，DSSS和 OFDM信号组成的数据集，每种信号1 152条，训练所用验证方法为交叉验证，验证折数为5折。

2.3 多特征分层调制识别方法

基于以上分析，提出了一套多特征联合水声通信信号调制识别方法，如图14所示。

图14 多特征联合水声通信信号调制识别方法Fig.14 Modulation recognition of underwater acoustic communication signals based on multi feature combination

对于接收到的水声信号，识别方法的第1层通过提取信号的时频特征，并利用基于迁移学习的ResNet网络模型，将信号分为以上 6类。识别方法的第2层通过提取信号归一化后的二次方谱第2谱线的幅值，将{BPSK，QPSK，DSSS，OFDM}信号进一步分为{BPSK，DSSS}和{QPSK，OFDM}2类。识别方法的第3层通过提取归一化后的自相关第二相关峰幅值，将{BPSK，DSSS}和{QPSK，OFDM}信号进一步分为BPSK，DSSS和QPSK，OFDM。

2.4 仿真结果

为了评估所提方法的性能，仿真了水声多径信道下，该方法识别率随信噪比的变化情况，如图15所示。

图15 多特征分层调制识别方法性能仿真Fig.15 Performance simulation of multi feature layered modulation recognition method

从图15可以看出，本文所提的水声通信信号调制识别方法能够完成全部8种水声信号的识别，且信噪比大于9 dB时，识别率均高于99%。

3 海试验证

海试地点为威海市东楮岛渔港，实验时收发换能器布放深度约3～4 m，收发距离约300 m，采集到的水声信号参数如表2所示。

表2 海试采集信号参数Table 2 Parameters of sea trial acquisition signals

首先采集8种信号各10条，对本文训练完成的模型进行再训练，然后继续采集8种信号各100条，并利用该模型进行处理，得到的识别结果如图16所示。

图16 海试数据识别结果Fig.16 Recognition results of sea trial data

从图 16可以看出，8种信号的识别率均在93%以上，其中CW和LFM信号的识别率都达到了100%。海试数据处理结果进一步表明，多特征联合水声通信信号调制识别方法是适用于水下信道的。

图17给出了DSSS信号识别为CW信号时频图，可以看出，该DSSS信号受到了强脉冲干扰，能量远大于DSSS信号能量，体现在时频图上是一条细长亮线，满足CW信号时频特征，因此识别为了CW信号。

图17 DSSS信号识别为CW信号时频图Fig.17 Time-frequency diagram of DSSS signal recognized as CW signal

4 结束语

本文对水声CW，LFM，2FSK，4FSK，BPSK，QPSK，DSSS和OFDM信号的调制识别技术进行了研究。通过提取信号的时频特征、二次方谱特征以及自相关特征，并利用基于迁移学习的 ResNet网络和线性支持向量机进行分类，最终得到了一套多特征联合水声通信信号调制识别方法。仿真表明，该方法在千岛湖水声多径信道下具有良好的性能。最后，通过本文通过海试进一步验证了该方法的可行性。