何学智 林林 黄自力 解金豹

摘要：文章针对现实环境下无线电通信环境复杂，通信方式复杂多变，且人工提取无线电特征工作量巨大又存在不稳定因素，提出基于神经网络学习的无线电特征提取方法。用深度卷积神经网络代替传统的特征提取算法对无线电时域信号进行编码学习；然后通过深度学习特征矢量的相似度，实现同类调制信号相同特征的自动匹配；最后，利用训练数据的类别标签信息自上而下对无线电特征进行微调，得到无线电深度学习表示向量以此训练全连接分类器实现无线电调制分类。实验结果表明，本方法能够有效克服传统线性分类方法的缺点，有效地提升无线电调制方式分类性能。

关键词：无线电；特征提取；深度学习；非线性映射；卷积神经网络

人们在通信的过程中希望达到快速有效、安全准确的目的。为了更好地利用信道容量，以满足用户的大量需求，信道采用了不同的调制方式。调制方式是区分不同信号的一个重要特征，而当我们需要准确获得信号的内容，就需要知道信号的调制方式和调制参数[1]。有些情况下，甚至需要监视通信信号的活动，了解信号的性质，甚至截获其传输的信息内容。无线电认知就是要提取出多信号和有噪声干扰的无线电信号特征，其目的就是在未知调制信息的前提下，判断出通信信号的调制方式[2]。

近年来，出现了一些基于信号的循环周期性，通过循环谱密度函数的循环周期出现的位置、大小等来确定调制方式，更多的是采用参数识别的方法[3]。以前的方法采用接收信号时域统计特征或者变换域的统计特性来识别其调制方式。在信噪比较高时，这些方法会有很好的识别效果。然而，现实中无线电信号都在一个相对较低的信噪比环境下且噪声的大小和种类都不是固定的，在某些噪聲较大的情况下，我们根据能量提取出的某个参数甚至是噪声所引起的，这对于信号识别来讲影响是巨大的[4]。因此，对高信噪比信号进行识别没有实际意义，而且不能单一地根据某几个参数来作出最终的判决，因为任何一个参数所占的比例太大，对结果影响不可忽略。

无线电特征提取的难点在于如何在循环周期密度中找到有用的信息[5]。频率特征、包络特征以及对比度特征等传统的人工特征[6]，不能准确描述复杂电磁环境下的不稳定特征，且不具备对位置、大小、时间等的不变性，无法作为

自动识别中的匹配特征[7]。深度学习能够模仿人脑的机制来读取数据，神经网络的最大特点是自动抽取无线电的本质信息[8]。因此，针对复杂电磁环境中无线电特征提取的难题，本文提出在基于二阶循环平稳特性显示不同调制无线电不同特性的基础上，利用深度神经网络自动提取无线电特征，实现无线电特征的自动识别，取得了较高的识别率，满足复杂电磁环境下的无线电特征提取任务[9]。

1 深度学习模型构建

深度学习是一种特征提取过程[10]，其基本思想是设计一个含有多个层次的系统，前一层的输出作为后一层的输入，通过不断调整参数，使原始输入的特征向量与输出的特征向量差别尽可能小。其常用的网络有以下几种：自动编码器（Auto Encoder）、多层感知机（Multilayer Perceptron，MLP），卷积神经网络（Convolutional Neural Network，CNN）等[11]。本文选用卷积神经网络结合径向基函数（Radical Basis Function，RBF）作为深度学习的模型（见图1）。因为RBF网络具有的优秀非线性映射能力，在前向网络中完成映射功能具有很大的优势，本文中卷积神经网络（见图2）在原有输出层前添加一个RBF隐层，以进一步加大深度学习特征分类的能力。本文中的神经网络其卷积神经网络部分由两个卷积层C和两个降采样层S构成。卷积层和降采样层由若干个二维特征矩阵构成。卷积网络的卷积层为特征抽取层，其每个神经元的输入都与上级的局部数据相连，用以抽取局部特征。每级的S层为降采样层，对上一级特征进行降维处理[6]。

2 基于深度学习的无线电特征提取

基于循环谱方法提取无线电特征的关键在于找出无线电信号中具有循环周期性的变量，通过观察变量的数量、大小和位置的不同[12]。本文提出基于深度学习特征的特征值提取方法，策略是模拟视觉感知系统的层次结构，建立基于卷积神经网络的深度学习特征提取模型，自动抽取循环谱中的本质特征，并组成深度学习特征矢量，避免人工选择及描述特征所存在的弊端，准确定位循环密度中的有效特征并统计其所含有的意义。

2.1 深度学习特征自动提取

本文提出的基于深度卷积神经网络的深度学习特征自动提取原理如图3所示，无线电循环谱可直接作为卷积神经网络的最底层输入，不需要对其提取几个特征点，逐级逐层抽取数据的更高级本质特征。同样重要的是抽取的特征具有对平移、强度和缩放的不变性，这正是含有随机噪声无线电特征提取所必需的。

该卷积神经网络包括输入层、卷积层、池化层、特征矢量层等，神经网络的层次结构及参数如表1所示。

2.2 特征匹配

基于卷积网络的深度学习网络能够从大量学习数据中获得各隐层输入与输出的映射，从而使深度学习网络有能力逐层抽取数据特征的能力[13]。本文采用有监督训练的反向传播算法，分为两个阶段：（1）前向传播阶段，二维数据直接输入网络的第一层，经过各隐层变换、映射，直到输出层。（2）向后传播阶段，用有标签的原始数据，进一步对深度网络的参数进行监督调整。在训练过程中，本文采用将卷积神经网络和RBF网络分别训练的策略。卷积网络部分的学习方法如下。

2.2.1 前向传播阶段

3 实验分析

3.1 数据集的可用性

我们仿真出BPSK，QPSK，8PSK，16QAM，64QAM，PAM，2ASK，2FSK，4FSK和MSK等10种调制方式，并对其做循环谱计算，得到它们的循环谱图。在仿真数据时，为了使数据更具有一般性，我们每个信号先随机产生500个随机位，然后对其进行调制，使数据变白，以确保位是均匀的。

无线电通信信号实际上是综合生成的，我们以与实际系统相同的方式确定性地进行，引入调制，脉冲整形，承载数据以及与现实世界信号相同的其他良好表征的发射参数。我们将真实的语音和文本数据集调制到信号上。在数字调制的情况下，我们使用块随机化器来使数据变白，以确保位是均匀的。

考虑到现实环境的复杂性，我们对不同信号所加的噪声也不是固定大小的，而是在-20?20 dB随机选择信噪比，以便更接近实际情况。

3.2 数据集的可视化

在时间和频域（见图5）中检查来自每一类调制的单个示例，我们在视觉上看到了调制之间的许多相似性和差异，但是由于脉冲整形、失真和其他通道效应，人类专家在视觉上并不容易辨别出。

在频域中，每个信号遵循类似的带限功率包络，其形状提供关于调制的一些线索，但是对于人类专家在视觉上判断是一个困难的嘈杂任务。

3.3 方法优势

我们采取深度卷积神经网络的方式对数据进行处理，不需要人为提取有用特征，而传统的方式都在循环谱基础上提取4个最大值作为机器学习输入[16]。相比之下，我们的方式更能够节约人力，同时，选取的少数几个最大值很有可能是某一点较大噪声引起的，这将造成错误结果，而深度卷积网络能够充分利用所有的数据点，卷积层更是有减少噪声影响的作用，人工提取方法和深度卷积网络方式对比如图6所示。从图中我们看出，人工方式由于提取的数据较少，相对拟合速率较快，但在精确度上，深度卷积神经网络却能达到更好的识别率。我们的方法在无线电特征提取上有巨大的优势。

4 结语

针对复杂环境下的无线电特征提取任务，鉴于噪声情况下无线电的识别存在很大的困难，其特征难以定位，在基于循环谱密度提取无线电特征的基础上，实现深度卷积网络自动提取无线电特征，实现了在不同信噪比中无线电信号的准确匹配，最终匹配误差小于5%，能够满足我们对无线电识别的要求。本方法在成本、效率和准确率上都优于传统的人工特征提取方法。

[参考文献]

[1]KRIZHEVSKY A， SUTSKEVER I， HINTON G E.Imagenet classification with deep convolutional neural networks[J].Advances inNeural Information Processing Systems， 2012（2）：1097-1105.

[2]SAINATH T N， WEISS R J， SENIOR A， et al.Learning the speech front-end with raw waveform CLDNNS[C].Dresden：16th AnnualConference of the International Speech Communication Association， 2015.

[3]TIELEMAN T， HINTON G.1.ecture 6.5-rmsprop：divide the gradient by a running average of its recent magnitude[J].Neumfor Machine Learning， 2012（4）：2.

[4]SHEA O.GNU radio channel simulation[J].GNU Radio Conference， 2013（5）：13-15.

[5]ABADI M， AGARWAL A， BARHAM P， et al.Tensorflow：large-scale machine learning on heterogeneous systems[J].Distributed，Parallel， and Cluster Computing， 2015（3）：16-18.

[6]余永维，殷国富，殷鹰，等.基于深度学习网络的射线图像缺陷识别方法[J].仪器仪表学报，2014（9）：2012-2019.

[7]王峰基于遺传算法的认知无线电决策引擎研究[D].大连：大连理工大学，2011.

[8]CHOLLET F.Join GitHub today[EB/OL]（2017-05-09）[2018-04-24].https：//github.com/fchollet/keras.

[9JGRAVES A， MOHAMED A R， HINTON G. Speech recognition with deep recurrent neural networks [J].Neural and EvolutionaryComputing， 2013（3）：22.

[10]KINGMA D P， BA J.Adam：a method for stochastic optimization[C].San Diego：Conference Paper at the 3rd International Conferencefor Learning Representations， 2015.

[11]王海军，粟欣，王京.认知无线电中的协作频谱检测技术[J].中兴通讯技术，2009（2）：13-14.

[12]郭彩丽，冯春燕，曾志民.认知无线电网络技术及应用[M].北京：电子工业出版社，2010.

[13]陈振宇，曹婉.战场环境与可视化技术[M].北京：军事科学出版社，2006.

[14]JADERBERG M， SIMONYAN K， ZISSERMAN A， et al.Spatial transformer networks [J].Computer Vision and Pattern Recognition，2016（2）：44-49.

[15]ZENG Y， LIANG Y C.Eigenvalue-based spectrum sensing algorithms for cognitive radio[J].IEEE Transactions on Communications，2009（6）：1784-1793.

[16]彭振，赵知劲，郑仕链.基于混洗蛙跳算法的认知无线电频谱分配[J]计算机工程，2010（6）：210-212.