基于FACAM-Efficient Net的通信信号调制方式识别

刘诚健 郑航 李智

四川大学电子信息学院 四川 成都 610000

引言

近年来，深度学习技术快速发展及其在多个领域的成功应用为调制识别研究提供了新的思路和研究工具[1]。Zeng Y等人[2]证明了采用时频变换作为信号表征的可行性，利用短时傅里叶变换得到的时频图具有更丰富的信号表征，比前人工作有更好的识别分类效果。邢科[3]将Inception-V4模型应用到信号调制方式识别领域，通过特征灰度图生成算法，将复杂信号数据转化为灰度图，从而将通信领域的信号问题转化为图像分类问题。本文首先调制信号进行时频分析，使用高阶累积量时频分析方法，将一维信号转换为二维时频图像，并设计一种基于FACAM-Efficient Net网络模型进行自动调制识别。

1 信号预处理

1.1 高阶累积量时频分析方法

高阶累积量时频分析方法首先通过对输入的信号进行时域截断；然后对截断的信号再进行频域截断，即经过滤波器组进行滤波；最后对滤波后的信号分别进行高阶累积量计算，形成的高阶累积量矩阵映射成为时频图，具体步骤如下：①根据自身对时域分辨率的要求，对时域信号进行截断；②建立一个符合自身频率分辨率要求的滤波器组；③对步骤①截断的时域信号调用步骤②的滤波器组分别滤波；④对步骤③滤波后的信号计算高阶累计量，并映射成为信号时频图；如图1所示为4PSK的未加噪声与加噪声（-6dB）的高阶累计量时频图（HOC），可以观察到高阶累积量时频图有较好的抑制噪声能力，提高了时频图表达信号特征能力及鲁棒性。

图1 4PSK未加噪声与加噪声（-6dB）高阶累积量时频图对比

2 基于FACAM-Efficient Net的调制识别

2.1 Efficient NetB0基础网络

本文采用EfficientNet作为特征提取的网络模型，该模型高效、轻量。Efficient Net—B0由16个移动翻转瓶颈卷积模块，2个卷积层，1个全局平均池化层和1个分类层构成。

2.2 FACAM频域通道注意力机制

2.2.1 FA频域注意力机制。由于本文所使用的数据集为高阶累积量时频图像，可以看到，HOC时频图像是沿图像纵轴分布，因此图像在频域（图像纵轴）蕴含了许多信号的特征。为了进一步帮助模型捕获到对识别任务更有帮助的特征信息，增强有用信息，本文提出一种基于CAM通道注意力机制改进的FA频域注意力机制。进一步提取时频图像的频域特征，给予时频图像每个频域不同的权重，使具有更多有用信息的频域权重变得更大。FA模块如图2所示。假定输入注意力模块的特征图尺寸为W×H，通道数为C，H则为频域通道个数。区别于CAM模块，FA注意力模块主要将CAM模块的全局最大池化层和全局平均池化层替换为池化核大小为1×W的最大池化层和平均池化层。用于提取每个频域的特征。这样经过池化层后，将每个通道的二维特征维度从W×H压缩为1×H的维度，然后经过Shared MLP部分，给每个频域生成一个权重值，最后通过Add和Sigmod层，将归一化的权重加权到每个频域上。

图2 FA注意力模块

2.2.2 FACAM频域通道混合注意力机制。CAM通道注意力机制使具有更多有用信息的特征图的权重变得更大，基于CAM改进的FA频域注意力机制使每张特征图中更重要的频域的权重变得更大，为了同时提升网络对于重要通道和重要频域的注意力，本文提出一种FACAM频域通道混合注意力机制，并引入残差的思想，从通道和频域两个角度进一步增强了卷积神经网络的表达能力。FACAM模块如图3所示。

2.3 FACAM-Efficient Net网络模型设计

本文以EfficientNet-B0为基础网络，引入本文提出的FACAM频域通道混合注意力对Efficient Net进行改进，以加强对时频图像识别过程中起重要作用的频域和通道信息的学习。将Efficient Net原网络中的每个MBConv模块内SE模块替换为FACAM模块。具体来说，将深度可分离卷积模块之后原有的SE模块替换成FACAM模块，从通道和频域两个角度进一步增强了卷积神经网络的表达能力。

3 实验与分析

3.1 实验环境

本实验采用 Python 编程语言，开发框架为Tensor Flow2.3。本文实验的硬件环境是64bit Windows 10专业版操作系统，CPU处理器为 Intel（R）Core（TM）i7-4790 CPU @ 3.60GHz，GPU处理器为NVIDIA GeForce GTX 1070，内存（RAM）为 8GB。

3.2 数据集和实验设置

本实验使用的数据均是由 MATLAB仿真生成，信号包含的调制方式有6种，分别为2ASK、2FSK、4FSK、2PSK、4PSK、16QAM。信号仿真参数符号率设为40kHz ，采样率设为2MHz，载频为0.5MHz，信号持续时间为0.2s，经过高阶累积量（C42）时频分析后的生成时频图，对每一类调制信号在－12～0dB 信噪比变化范围内，每隔2dB 产生100个样本。把生成的数据按照6∶2∶2的比例构成训练集、验证集和测试集。将输入图像统一调整到224×224大小，图片像素值除以255，归一化到0~1之间，选择 Adam 作为模型参数优化器，每一个批次训练32张图片，损失函数采用softmax交叉熵损失函数；训练周期为100轮；学习率设置为0.0005。

3.3 FACAM-Efficient Net的识别性能

FACAM-Efficient Net模型在信号高阶累积量时频图数据验证集的混淆矩阵如图4所示。

图4 验证集混淆矩阵

由图4可知，在-12～0dB信噪比条件下，FACAM-Efficient Net模型对6种调制信号的平均识别准确率均在91%以上，对于16QAM、2FSK、4FSK的识别准确率均在93%以上，可见该模型在低信噪比下对于6种调制信号有较好的识别分类效果。

3.4 FACAM-Efficient Net的消融实验

为进一步验证本文所提出的FACAM-Efficient Net模型的有效性以及在各信噪比下的分类效果，在不同信噪比下用测试集进行实验测试，识别结果如下图5所示。

整体来看，四种方法下的模型的识别准确率与信噪比成正相关。当信噪比大于-4dB时，FACAM-EfficientNet模型的调制识别模型效果与前3个方法模型的性能接近。而当信噪比在-12dB到-8dB下，FACAM-Efficient Net模型对比其他3种方法的识别准确率提升较多，当信噪比取-12dB 时，本文出FACAM-Efficient Net模型的识别准确率为76.67%，而未改进的Efficient Net识别准确率为57.50%。这说明FACAM-Efficient Net模型在低信噪比下从通道和频域两个角度进一步增强了卷积神经网络的表达能力，对低信噪比下6种信号的识别表现优异。

图5 不同信噪比下的四种模型的识别准确率

4 结束语

本文提出了一种基于FACAM-Efficient Net的信号调制方式识别方法，首先将一维信号转换成二维高阶累积量时频图像进行处理。然后根据高阶累积量时频图的图像特征，本文对传统的CAM通道注意力机制进行改进，提出了FA频域注意力机制和FACAM频域通道混合注意力机制两种注意力机制，并引入FACAM改进Efficient Net-B0的主体结构，以便更好地提取时频图像频域和通道的特征。通过对六种调制信号进行调识别，改进后的 Efficient Net-B0模型在低信噪比下有较好的识别效果。