谷天苓

关键词：深度学习；电子通信；信号调制；识别系统

中图分类号：TN929.11 文献标识码：A

文章編号：1009-3044（2022）36-0026-03

传统的信号调制识别主要是通过人工来提取从而获得信号调制的特征，并将提取到的特征利用统计学进行分类处理，是我们国家当前信号调制识别中主要采取的方式。传统的电子通信设备在面对信号调制识别系统时，及时性和准确率不是很高并且过分地依赖人工来提取，因此就需要设计一个基于深度学习的电子通信信号调制识别系统。下面是在深度学习的前提下，设计电子通信设备的信号调制识别系统。

1 电子通信信号调制识别系统硬件

针对电子通信设备中信号调制识别的硬件结构，需要采集电子设备输出时的全部信号，将其统一进行处理。信号的产生主要来自服务器，剩下的其他功能就需要客户端来解决了。服务器产生的信号是由不同调制的信号而产生，需要通过特定的设备来进行传输，在平台显示之后被发布在网络。而用户端主要是对已经发布的数据进行获取，再将获取到的数据输入系统中进行处理，再将结果传输回去。系统硬件结构如图1所示。

由图1可知，在系统硬件结构中，可以看出基本上是以数字信号处理器为主，A/D转换器、多媒体播放器和RAM内存条为辅，再加上网络和电脑显示器所组成的[1]。因此可以在电子通信信号调制识别系统硬件中，改变处理器内部的芯片，可以将处理器内部的芯片改为TMS320VC5510A型号的。它主要的特点就是性能比之前型号的要好，并且功耗比较低，处理器的外部还会有连接端口。数字信号处理器的外部，主要传输路径是由传感器传出的信号，再经过A/D转换器把信号转换之后，再传到数字信号处理器进行处理。这样的过程是需要20bit的定时器、DMA控制器和信号端口，进行连接组成的。采用上述的方法进行连接，可以使电子通信信号更加准确地传输到数字信号处理器之中，是可以有效地改善通信信号调制的识别系统[2]。

2 电子通信信号调制识别系统软件

2.1 电子通信中增加卷积神经网络系统

当通过卷积网来实现局部的连接时，在网络中和图像上的特征比对时不需考虑特征的位置，这就减少了被处理的信息量。但同时在处理的过程中，选择出正确的卷积核并由此来获取输入信号时的信息。获取样本的特征之后，这些获取到的特征主要是被用在分类中。如果直接使用所得到的特征分类，就可能会产生大量的计算，可能比较容易产生过拟合。为了避免这样的情况发生，在得到样本的特征之后，可以通过减采集来对特征进行降维的处理。减采集通过使用的方法就是池化，其中主要就是最大值和平均值，这种方法是将得到的卷积特征分为不同的区域，用这部分区域的最大值和平均值来表示被降维处理后的特征，这样进行处理后，更加容易进行分类处理[3]。

2.2 基于深度学习增加信号调制识别模式

电子通信信号调制识别的处理过程主要是分为两个阶段。第一个阶段是在计算机上进行深度学习分类的网络训练，它主要就是通过模拟信号的数据，来构建深度学习模式，得到网络模型的固定参数。第二个阶段则是在信号调制识别系统中增加嵌入式GPU，主要是将第一阶段得到的深度学习模型植入到嵌入式GPU中，来实现在线的信号识别以及处理。具体过程如图2所示。

两个阶段中最主要的就是基于深度学习进行分类的网络训练。计算机上进行深度学习分类的网络训练主要是分为三个步骤来进行。

第一步就是电子通信信号调制的模拟。等待识别的调制信息大致包括了十一类，其中比较常见的就是GFSK、六四-QAM、SB-AM、B-FM 和DSB-AM 等。其中，SB-AM、B-FM 和DSB-AM 的工作频段都为100MHz，而其余的工作频段都为902MHz，因此SNR也被设计为四个档位。在对电子通信数据调制的模拟中出现了较多的延时和衰减问题，以及时钟和采样率之间的时间偏移问题[4]。

第二步是平面图的数据生成。对每个获取到的信号进行短时的傅里叶变换（简称STFT）计算，其中宽则是8个信号，相邻两个信号重合为7个[5]。对每个信号再进行快速的傅里叶变换，得到平面的数据图。

第三步是深度学习网络模式的分类。因为深度学习网络模式可能会有复杂性和识别性的存在，所以可以选择ResNet50网络为主要信号调制的网络进行识别处理。为了适应此模式，将原本的数据进行修改重合得到10类的数据结果[6]。将信号变成射频的信号再发射出来，再准备另一个系统负责接收发射出来的信号收集后获得数据图，再根据深度学习进行预测来实现信号调制的识别。

3 测试与分析

3.1 实验测试目的

将此次设计的电子通信信号调制识别系统作为本次测试的对象，找出此系统与设计中存在矛盾的内容，然后再针对此类问题进行后续的修改，保证该系统可以在实际生活工作中使用。因此测试系统各个硬件之间是否可以更稳定地兼容，同时与软件方面衔接得是否准确。最后将此系统应用到实际工作环境中去，比较此次设计的信号调制识别系统与传统系统的不同之处。

3.2 系统兼容性效果测试

为了保证此次所设计的系统具有信号调制识别的功能，验证系统稳定性首先需要对系统硬件与软件之间是否兼容进行测试，下图3为传输信号时系统的兼容性检测结果。

根据上图中的曲线分布情况可以看出，系统的硬件和软件在接收信号时的次数，基本上是没有太大的差异的。由此可以看出，此次设计的系统硬件和软件之间的兼容性是可以满足测试要求的。

3.3 系统稳定性效果测试

为了测试此次设计的系统是否可以在实际生活工作中被应用，我们测试的时候需要把该系统用在某智能小区电子通信信号调制识别的系统中。在建立的仿真实验平台中，增加电子通信设备的信号调制识别系统，并将电子通信信号设置为固定的量传输速度和对通信信号的采集速度。再通过仿真的实验软件，随机产生100组不同的通信信号，再将这100组信号分为两组相同数量，分别用于传统方法和使用了深度学习后的方法对此电子通信信号进行调制识别处理，从而来比较两种方法哪一种更加稳定。

根据上述的实验步骤，将针对传统方法和本文中所设计的方法进行比较。首先将50组传统方法作为对照组，然后再将另外50组通过深度学习所设计的识别系统作为本次实验的测试组。下面是这100组电子通信信号的调制识别结果，如图4所示。

由图4可以看出，提出的基于深度学习的电子通信信号调制识别方法比传统方法更加稳定，减少了错误的个数，从而保证信号可以稳定地传输。

4 结束语

通过实验数据再次验证此次设计的基于深度学习的电子通信信号调制的识别系统，稳定性和兼容性等方面的特性都优于传统的系统。但此次设计的系统还可能会存在很多不足之处，一方面是此系统在识别的种类上比较单一，在实际运行过程中会出现不同种类的差异比较大；另一方面是输出信号的平台比较受限制，没有办法进行跨平台的数据处理。今后可以在这两方面设计出更加完善的系统。