无线电智能感知仪的设计与实现

王睿奇，付丁一，马鹏，陈熙来，侯长波

哈尔滨工程大学 信息与通信工程学院，黑龙江 哈尔滨 150001

随着科技的进步，影响现代战争胜负的关键因素逐渐演变到信息化战场层面[1]。现在信息化战场上各种雷达、导航、无人机等电子装备的辐射源数量愈发增多，信号的调制方式也越来越多样，致使战场中的电磁环境日益复杂[2]。如何在复杂多变的战场中，对多信号进行检测和识别，为我军在电磁频谱战领域取得优势奠定坚实的基础，具有重要的军事价值[3−4]。

在大多数非合作通信场景下，调制识别是实现频谱感知的关键一环，也是进行高效信号处理的重要前提。但面对日益复杂的电磁环境，一般信号检测方法和传统信号识别技术往往无法满足环境所需的频谱感知性能，使得电磁感知设备的准确性、抗干扰性和鲁棒性受到了挑战。同时，过去传统的电磁感知设备笨重且体积庞大，使得电子作战部队在机动性和灵活性上存在不足，难以在瞬息万变的战场环境中有效展开行动。因此，设计开发出解决上述问题的电磁作战设备，已经成为我军电磁频谱领域目前的一种需求[5]。

近年来，深度学习成为了一项热点技术，相较于基于目标建模和人工特征的传统信号识别，基于深度学习的信号识别算法识别准确率高，人工成本低，然而计算量庞大，对硬件设备要求高。文献[6]提出了基于信号的频谱和幅度特征，对信号进行识别；文献[7]通过使用卷积神经网络完成多种信号的识别，识别准确率高，但计算复杂度大且计算时间长；文献[8]提出通过在网络权重上引入稀疏限制，在训练过程对模型进行通道裁剪，减少网络参数量，但剪枝要求训练计算量较高；文献[9]提出将模型网络参数量化成16 位，在尽可能保证识别精度的情况下减少内存的占用和浮点数运算量。

本文提出了一种便携式无线电智能感知仪，通过基于滑动窗的信号频谱能量检测方法，提高了检测概率，采用卷积神经网络来提取信号的I/Q 两路的特征信息，进行信号的调制方式识别，设备识别准确率得到提升；设计并搭建了系统的硬件平台，解决传统电磁感知设备笨重、体积庞大的问题；对模型进行轻量化处理，将32 位浮点数模型参数量化为8 位整型数据，部署到硬件平台上，在不损失识别精度的前提下，极大减少内存的占用情况和浮点运算量，加快模型推理速度。

1 系统整体设计方案

智能信号处理模块主要包含2 个模块，分别为信号检测接收模块和后端的基于神经网络的信号识别模块，如图1 所示。信号检测模块能够对指定宽频段信号自动扫描，检测是否有危险信号的存在；然后收集频段内的I/Q 两路信号送入信号识别模块；最后通过卷积神经网络识别出信号的调制方式。

图1 智能侦察模块架构

本文研发的便携式智能电磁感知仪的整体设计方案如图2 所示。该系统由信号检测平台、信号识别平台这2 部分组成，2 部分模块中的神经网络模型均使用线性量化方法实现轻量化部署。

图2 系统整体设计

在一次完整的系统工作流程中，系统将侦察天线接收到的信号进行微波变频，然后将中频信号输入至数字信号检测模块中，从中提取出频率信息、脉宽信息、功率信息。其中频率信息、脉宽信息、功率信息在信号识别中得到信号的调制类型。在感知到电磁环境信息之后，如需要对非合作方的电磁信号做下一步处理，信号分析识别模块输出的信息可以作为智能决策的依据。

2 系统的检测与识别算法

2.1 基于滑动窗的多信号检测技术

信号检测技术的研究是信号识别方法的基础。经典的信号检测方法有能量检测方法[10−12]、匹配滤波器法[13]和循环平稳检测法[14]。其中能量检测方法计算复杂度低、成本小，易于在算力有限的边缘设备中部署[15]。并且，信号在频谱上的能量分布可以区别开信号和噪声，因此本文使用基于扫频检测的信号感知方法。算法流程如图3所示。

图3 信号检测接收模块工作流程

由于信号频谱数据涉及不同的调制类型且缺乏关于信号频率分布的先验信息，如果直接采用卷积神经网络进行识别，随着采样点数以及信号数目的增多会导致计算复杂度的大幅度提升，识别准确率也随之下降。因此本文提出了一种基于信号能量感应检测的频域基带预处理方法。

首先将频域上的所有待识别信号进行幅度归一化处理，使待检测信号和分类识别网络训练集信号幅度匹配，在卷积网络进行训练时，数据集中的数据在载入网络之前进行了相关的预处理，将信号幅度范围限制在了[−1,1]。信噪比较高的信号一般都位于幅值较大的区域，通过频域的能量分布对多分量信号频谱进行分割，并进行幅度归一化以及基带调整。为此，本设计在快速傅里叶变化（fast Fourier transformation，FFT）的基础上，提出了一种基于滑动窗的信号频谱能量检测方法，窗函数的定义如下式所示：

式中a动态比例因子，大小随着输入窗函数的最大值emax自动调节，a和emax的关系满足下式：

通过滑动窗中心感知区与入窗区和出窗区的数值进行比较，当一段频谱区间内的信号能量最大值出现在中心感知区时，认为截取到的即为一个完整的信号。

2.2 基于轻量级卷积神经网络的调制识别技术

信号调制识别的准确率对于电磁态势感知是一项重要的指标，相较于传统人工特征提取方法[16−17]，基于卷积神经网络的信号调制识别可以实现特征的自动提取与分类，具有较高的识别准确率。Tu 等[18]提出了将深度复数网络应用于调制识别，提高了识别效果，但大幅增加了模型的计算量，在存储资源受限制的嵌入式设备上难以应用，且复数卷积层在现有的部署工具上并不支持。因此，需要一种可部署于嵌入式设备中轻量化网络作为信号识别使用的神经网络，该神经网络应具备算力需求低、网络层算子可部署的特点。文献[19]提出了一种基于轻量化神经网络用于手势识别的方法，该网络经过轻量化后可直接部署于嵌入式平台，有算力需求低的优点。结合以上研究，本文提出了一种基于INT8 量化的轻量级卷积神经网络方法实现对信号进行调制识别。

2.2.1 卷积神经网络

1）卷积层

神经网络卷积层用来提取数据的局部特征，并将输出的特征图传递给下一层。其卷积层的输出可以表示为

式中：Zl+1和Zl分别为第l层卷积核的输入和输出，Ml+1为第l+1层的卷积核，b为偏置项，Kl为第l层特征图通道数，f为卷积核尺寸，s0为步长。

2）激活函数层

ReLU 激活函数其表达式为

3）平均池化层

使用平均池化层使最主要的特征保留，而次要特征被删除，另外还可以减少参数量，使模型不易过拟合。本文采用的结构如图4 所示。

图4 调制识别网络结构

当前模型的复杂度和算力需求门槛越来越高。2012 年，Hinton 团队在ImageNet 比赛中首次使用深度学习用于图像分类任务，当时的神经网络层数还是个位数；2015 年来自微软的ResNet 做到152 层；现在很多团队都在做上万层的深度学习模型。模型深度的增加有可能带来表达能力的进一步拓展和突破，但同时也带来了模型复杂度的飞升[20]。

2.2.2 量化网络模型

目前大多数的深度学习网络框架在训练模型时，大多采用32 位浮点数（32-bit floating point，FP32）类型的数据来表示权重数据、偏置数据和激活值数据[21]。这样的模型搭建完成后，往往由于计算量较大，对于硬件内存的需求较高，难以在嵌入式设备上部署。

为了使系统运行的速度更快，内存占用需求更小，本文采用训练后量化的方法，通过对训练好的模型进行量化处理来提供在开发板上的运行支持。Tensorflow Lite 支持神经网络中的卷积层、池化层和全连接层等[22]。使用该工具并采用之前训练好的模型，最后输入用于校准的数据集。根据这些输入，可以生成8 位轻量级的整数模型，量化后无需再重新训练网络。

在企业管理中，为了应对如今变幻莫测的市场环境以及企业内部的动态变化，需要对信息进行全面的采集以及整理，这样可以让生产经营的实际状况得到明确，便于企业管理者进行科学决策，提升企业的管理水平，让企业的经营目标顺利实现。这就需要借助数字技术让数据采集以及提取效果更高，分析更加有效，因此数字技术在工业企业的管理工作中也是得到广泛运用。在设备方面，如今的工业发展中，数字技术在各类电气设备中实现运用已经是一种必然的趋势，尤其是传感器以及执行器与数字技术的融合，以及光纤技术的普遍运用，在网络技术的支持以及平台的搭建基础上，可以让企业的生产效率得到明显提升。

线性量化公式为

式中：X为原始的FP32 数值，Xint为量化后的一个整数值，Z为映射的零点（Zero point），S为缩放因子（scale）。

量化后的模型参数和神经网络结构会发生一些改变，对模型的最终计算结果产生一定的影响。图5 为模型量化的示意。使用整型（integer，INT）线性量化可以完成神经网络的轻量化实现，有计算量小、硬件需求低的优点。

图5 量化示意

3 无线电智能感知仪的硬件设计

3.1 硬件架构设计

本文针对复杂作战环境的需求，设计并搭建了一种便携式无线电智能感知仪，整个设备的实物搭建如图6 所示。整个设备的硬件组成由嵌入式硬件设备和软件无线电硬件设备2 部分组成。

图6 实物搭建框图

3.2 嵌入式硬件设备

随着图形处理器（graphics processing unit，GPU）性能的不断增强和可编程性的日渐提高，GPU 的用途不再局限于传统的图形图像处理。目前，GPU 已经广泛应用于从小到图像解码，大到超级计算机的各种计算领域，进入到了高性能计算的主流行列[23]。

嵌入式硬件设备作为模型算法的处理核心，内部部署神经网络模型算法，利用GPU 并行计算的优势，对数据并行处理，使模型进行快速推理。

本设备采用NVIDIA 公司的Jetson AGX Orin模组，如图7 所示，基于NVIDIA Pascal™ GPU 架构，搭载 8 GB 内存，且内存带宽为 59.7 GB/s。

图7 嵌入式硬件设备

3.3 软件无线电硬件设备

软件无线电硬件底层镜通过Petalinux 工具配置系统设备树、构建内核和根文件系统将导出的底层硬件设计文件转化为可在ZYNQ-7020 芯片上运行的Linux 系统镜像，然后将打包好的系统镜像烧录至SD 卡完成对软件无线电的底层驱动镜像开发。

4 测试结果分析

4.1 模型数据集

智能信号识别部分需要制作深度学习的训练集和测试集，本文采用正交相移键控（quadrature phase shift keying， QPSK） 、 二进制相移键控（binary phase shift keying，BPSK）、高斯频移键控（gauss frequency shift keying，GFSK）、16 进制振幅调制（quadrature amplitude modulation 16，QAM16）、第四代脉冲幅度调制（4 pulse amplitude modulation，PAM4）以及连续相位频移键控（continuous phase frequency shift keying，CPFSK）6 种调制信号制作数据集。每种调制类型为6 000 组信号样本，训练集、验证集和测试集划分比例为8∶1∶1。

4.2 测试结果分析

4.2.1 准确率

利用卷积神经网络对在6 dB 信噪比进行预测得到的混淆矩阵如图8 所示，在6 dB 信噪比的情况下，模型识别的准确率约为97.94%。而利用INT8量化后的网络模型对数据集进行预测得到的混淆矩阵识别的准确率约为97.69%，下降了0.25%。

图8 量化前后模型在6 dB 情况下的混淆矩阵

量化前后对全部测试集进行预测，得到的识别准确率如图9 所示。

图9 量化前后模型的准确率曲线

从图9 中可以看出，量化前后模型的准确率曲线几近重合，在有效降低存储空间要求的情况下，神经网络模型的识别精度几乎不损失。

4.2.2 召回率与精准度

加入检测模块后，对测试模型的召回率和精准度结果进行分析，其中召回率用来表示模型对某一类数据的分类能力，精准度表示模型某一类输出结果的可信度。量化前后模型的召回率和精准度分别如图10 所示。可以发现量化前后的2 个模型对6 种信号的召回率和精准度都在93%以上，说明模型的虚警与漏判现象少。具有基本相同的召回率和精准度，也说明量化对模型的识别能力没有产生影响。

图10 量化前后模型的召回率与精准率

4.2.3 模型规律

采用模型的浮点运算量分析模型的规模，量化前后的模型在模型中的浮点运算量对比见表1。由表1 可以发现，INT8 量化后模型在浮点运算量方面相较于原模型下降了99.07%。

表1 原模型和轻量化模型的浮点运算量

查看模型文件的体积如图11 所示，量化后为166 600 Byte，量化前为1 739 520 Byte，节约90.4%的磁盘空间。

图11 模型文件的大小

4.2.4 模型运行情况

使用训练好的模型进行推理，通过对程序运行情况进行监控得到程序的运行时间和内存资源的占用情况，如图12 所示。可以明显看出轻量化后的INT8 模型在推理时间上所需时间更少，内存占用资源更少。

图12 量化前后模型运行时内存占用情况

5 结论

本文设计了一款便携式无线电智能感知仪，主要结论如下：

1）通过改进检测算法，提高了检测概率，采用基于I/Q 两路信号的神经网络实现信号调制识别，解决传统信号调制识别准确率低的问题。在0 dB 及以上的信噪比环境下，调制识别的准确率可达到95%以上，对不同的信号调制类型的召回率和精准度均在93%以上。

2）为降低运算复杂度，对模型进行轻量化处理，优化了模型的网络结构，减少了网络推理运算量，提升了推理速度。模型轻量化部署后降低了99.07%的浮点运算量，而准确率仅下降了0.25%。