0 引言

    隨著軟件無線電和認知無線電技術領域的發展，多體制通信信號自動調制識別(Automation Modulation Recognition，AMR)研究取得了很多進展和成果，雖然通信信號調制方式的識別方法多種多樣，但調制識別在本質上是模式分類問題，其識別研究內容主要是分類特征的提取和分類器的設計^[1]。在特征提取方面，隨著研究的深入發展，已知的調制特征有數百種，其中效果較好的調制特征包括高階累積量特征^[2]、譜相關特征^[3]、小波特征^[4]和分形理論特征^[5]等。在分類器設計方面，有人工神經網絡(Artificial Neural Network，ANN)以及近年來流行的支持向量機分類器^[6](Support Vector Machine，SVM)等，但傳統的神經網絡算法存在易陷入維數災難、陷入局部極小點和泛化能力較差等問題。2006年，Hinton等人在深度信念網絡(Deep Belief Network，DBN)方面取得劃時代性的成果，基于DNB，Hinton提出了非監督貪心逐層訓練算法，在大多數訓練中效果顯著，成功解決了深層結構相關的優化難題，使多層次神經網絡的實現成為可能。近年來，深度學習在越來越多的領域(如語音識別、圖像識別等領域)得到良好的應用。本文提出一種基于深度學習的通信信號調制模式識別方法，使用3層堆棧自編碼器提取特征，然后使用BP神經網絡作為分類器進行調制模式識別，并進行MATLAB仿真，實驗結果表明此方法是有效可行的，在0 dB～20 dB信噪比環境下信號的分類識別正確率可達 98%以上。

1 基于深度學習的通信信號自動調制識別算法

    基于深度學習的通信信號自動調制識別方法原理如圖1所示，深度學習主要分為兩步：(1)自下而上利用無監督學習，采用貪心逐層訓練算法逐層進行預訓練；(2)自上而下利用監督學習，對神經網絡進行微調，訓練分類器。然后使用訓練好的分類器對信號測試樣本集進行測試，統計分類識別結果。

    可以看出圖1所示的自動調制識別系統主要由特征提取和分類器兩部分組成。下面介紹這兩部分的結構及工作原理。

1.1 特征提取

    自編碼器是一個無監督學習神經網絡，其編解碼原理如圖2所示，將一組沒有類別標簽的訓練樣本輸入自編碼器，由于該編碼器模型能力限制和稀疏性約束，使得其能夠自動習得數據本身的結構。簡單來說，是當隱藏節點低于可視節點時，自編碼器會使原始高維的訓練樣本“被迫降維”，將高維低層特征降維、抽象、組合成低維高層特征，也就是說如果輸入樣本數據中某些特征是相關的，那么這組數據中就存在“冗余信息”，自編碼器可以在保有原始數據最大信息量的同時去除數據中的“冗余信息”，從而得到比原始輸入數據更具有表達能力的特征，以達到特征提取的目的。因此，這一過程可以被看做特征提取的過程。

    假設的神經元的激活函數是sigmoid函數。假設一個沒有類別標簽的訓練樣本{(x⁽¹⁾，y⁽¹⁾)，…，(x^(m)，y^(m))}，a_j表示輸入向量x⁽ⁱ⁾對各隱藏節點j的激活值。則隱含層隱藏節點的平均激活值為：

    所謂稀疏性限制，就是使隱藏節點中被激活的節點數(輸出接近1)遠遠小于被抑制的節點數(輸出接近0)。那么，使神經元大部分的時間都是被抑制的限制被稱作稀疏性限制^[7]。設稀疏性參數?籽，則平均激活值為：

    使用訓練樣本訓練好這個稀疏自編碼器，當有新的樣本x⁽ⁱ⁾輸入到這個稀疏自編碼器中后，隱藏層各節點的激活值組成的向量就可以代表x⁽ⁱ⁾。

    本文使用3層稀疏自編碼器組成通過堆棧疊加組成棧式自編碼器，實現深度神經網絡，通過非監督貪心逐層訓練算法求每一隱層的特征及參數，成功克服傳統多層次神經網絡在反向傳播過程中出現的梯度彌散、過擬合等問題。其原理簡單來說，如圖3所示，是一個兩層棧式自編碼器，假設一個沒有類別標簽的訓練樣本x⁽ⁱ⁾，輸入該自編碼器，通過稀疏自編碼算法訓練第一層的自編碼器，當第一層的自編碼器訓練結束后，得到第一隱藏層，即Hidden1層的編碼參數及各節點激活值，即x⁽ⁱ⁾在新特征下的特征值；然后，用Hidden1層作為第二層的自編碼器的輸入層，同樣用稀疏自編碼算法訓練得到Hidden2層的編碼參數及特征值，這樣就可以得到輸入數據通過兩層棧式自編碼進行特征提取后的特征值；對多層棧式自編碼器，同理，將前一層自編碼器的輸出作為其下一層自編碼器的輸入，最終得到的是x⁽ⁱ⁾在新特征下的特征值。

1.2 分類器 

    本文使用BP神經網絡作為分類器，BP算法的基本思想是，信號正向傳播，訓練樣本從輸入層輸入，經過隱層處理后，傳向輸出層，若輸出層的實際輸出與樣本標簽不符時，將誤差反向傳播，將此誤差作為修正各單元權值的依據。如此迭代，直至誤差小到滿足需求，即訓練好各層參數及權值。

    傳統BP神經網絡可能出現收斂到局部最小值的問題，在層次深的情況下，梯度下降法在訓練過程中，容 易出現梯度消失的問題，且隨網絡層數的增加，梯度消失問題隨之加重，導致其對權重的調整作用越來越小。

    本文通過棧式自編碼器自動習得訓練樣本特征，然后使用BP神經網絡通過帶標簽的數據去訓練，誤差自頂而下傳輸，對整體多層次神經網絡進行微調。

2 仿真實驗及結果分析

    根據圖4所示，仿真實驗步驟為：

    (1)通過MATLAB仿真MQAM調制信號。信號集合為{4QAM、16QAM、32QAM、64QAM、128QAM、256QAM}，共6種調制信號，其中載波頻率為47 MHz，采樣頻率為40 kHz，碼元長度為500，信道環境采用高斯白噪聲信道，信噪比范圍為SNR=[0：20] dB，間隔2 dB，每個信噪比下進行1 100次仿真，組成調制信號樣本集，取其中1 000次組成訓練樣本集，剩余100次組成測試樣本集。

    (2)用棧式稀疏自編碼器對訓練樣本進行特征提取。這是一種無監督自主篩選過程，步驟(1)得到的訓練樣本作為網絡的輸入層，采用含有3層隱含層的棧式自編碼網絡進行提取，最終篩選出6種具有良好分類能力的特征組成特征集。因為高度抽象得到的特征集并不具備明確的物理意義，所以將這6種特征依次命名為T1、T2、T3、T4、T5和T6。

    圖5～圖10為T1、T2、T3、T4、T5和T6特征參數仿真曲線，4QAM、16QAM、32QAM、64QAM、128QAM、256QAM 共6種調制信號的各特征在隨信噪比(SNR)增大而變化的曲線顯示通過棧式稀疏編碼器自主提取的6種特征相關性低，每種信號特征分類明顯，且每種特征隨噪聲波動都不大，即抗噪聲干擾能力強。該特征集是通過學習輸入數據的結構習得的，所以更接近全局最優，也就是說通過本文所提出的方法提取的特征具有良好的分類能力，由此推斷基于對這6種特征進行通信信號調制模式的分類識別能夠取得良好的分類效果。

    (3)使用BP神經網絡有監督微調。使用步驟(2)提取的特征集對BP神經網絡進行帶標簽有監督訓練，通過反向傳播算法調整神經網絡權值。訓練好分類器后，通過測試樣本進行測試，計算不同MQAM信號在不同信噪比下分類識別率，驗證本文提出的分類識別方法的有效性。分類識別結果如表1所示。

    總體來說，由分類識別結果可得出結論，本文提出的基于深度學習設計的分類識別算法對MQAM類內識別，在信噪比0 dB～20 dB之間分類識別率都能達98%以上，當信噪比大于10 dB時能100%準確識別調制信號，故使用本文的提出的算法對于MQAM調制信號的分類識別效果明顯。

3 結論 

    本文從特征提取入手，使用堆棧自編碼器自動提取調制信號的特征集，并使用BP神經網絡作為分類器，在MATLAB環境下，對算法的分類識別性能進行了仿真實驗，實驗結果證明，該算法在信噪比動態快速變化的情況下依然具有良好分類識別能力，且其計算復雜度低，推廣能力強，對于通信信號自動調制模式識別的發展具有重要的理論和實際意義。

參考文獻

[1] 鄧文林.大動態信噪比下的多體制通信信號自動調制識別算法研究[D].哈爾濱：哈爾濱工業大學，2014.

[2] 李月貞，郭敏.高階累積量調制識別改進算法的FPGA實現[J].現代電子技術，2010，33(21)：1-4.

[3] 孫鋼燦，王忠勇，劉正威.基于高階累積量實現數字調相信號調制識別[J].電波科學學報，2012(4)：34-35.

[4] LIKE E，CHAKRAVARTHY V D，RATAZZI P，et al.Signal classification in fading channels using cyclic spectral analysis[J].EURASIP Journal on Wireless Communications and Networking，2009(1)：879812.

[5] 姜園，張朝陽，羅智勇.小波變換與模式識別用于自動識別調制模式[J].電路與系統學報，2006，11(4)：125-130.

[6] HASSANPOUR S，PEZESHK A M，BEHNIA F.Automatic digital modulation recognition based on novel features and support vector machine[C].International Conference on Signal-Image Technology & Internet-Based Systems.IEEE，2017：172-177.

[7] 吳岸城.神經網絡與深度學習[M].北京：電子工業出版社，2016.

作者信息:

姚宇晨，彭  虎

（合肥工業大學 儀器科學與光電工程學院，安徽 合肥230009）