基于卷積神經網絡的雷達通信信號調制識別

侯坤元，黎仁剛，童 真，高墨韻

(中國船舶重工集團公司第七二三研究所，江蘇 揚州 225101)

0 引 言

雷達信號識別在電子戰中具有十分重要的地位和作用。只有充分掌握敵方雷達的信息,才能贏得現代戰爭的主動權,從而占據電子戰的制高點,這就使得雷達和通信信號調制識別成為現代電子偵察系統中重要的研究方向。國內外的信號調制識別方法分為基于準優化對數似然比的調制方式識別[1]、基于信號瞬時特征量識別、基于循環譜分析的識別算法[2]、基于高階累積量識別[3]等。隨著近年來人工智能技術的快速發展，深度神經網絡在各個領域大放異彩，包括自然語言處理、圖像分類等。深度學習擅長發現高維數據的潛在結構和模式，而且需要較少的領域知識，省去了大量提取特征的時間。其中卷積神經網絡(CNN)被證明在數據的深層次特征提取、表示構建方面有很好的效果。

最早在神經網絡信號調制識別分類器中，特別是在CNN分類器中，一般根據 CNN 對圖片識別的原理，對接收到的信號進行預處理，生成循環譜圖或者星座圖[4]等。利用信號的循環譜進行特征識別是早期比較受歡迎的識別方法，因為每一種調制信號的循環譜是不一樣的，所以可以根據信號循環譜中的峰值個數和排列方式等特點對不同調制信號進行識別[5-6]，并將生成的圖形作為CNN網絡的輸入，通過卷積層和下采樣層交替對循環譜圖或星座圖進行特征提取并完成自動識別。

2016年OSHEA T J提出了利用CNNs的框架對通信信號中11種調制信號進行自動調制識別[7]，對接收的原始采集數據進行自動學習分類，相比于傳統的機器學習算法，識別率有了很大的提升。

本文基于一維卷積神經網絡1DCNN(1 Dimension CNN)對電子偵察系統接收到的中頻數據進行信號調制識別。

1 中頻信號預處理及時頻分析

本文采用的信號處理系統結構如圖1所示，接收機收到的射頻信號與接收機本振混頻后下變頻為中頻信號，中頻信號經過A/D采樣，對采樣后的數據進行預處理送入卷積神經網絡進行調制樣式的分類識別。

圖1 信號處理系統結構框圖

1.1 雷達和通信信號

采取8種調制類型：雷達脈內調制二進制相移鍵控(BPSK)和正交相移編碼(QPSK)，線性調頻(LFM)信號、非線性調頻(NLFM)信號、通信BPSK和QPSK、頻移鍵控(FSK)、幅移鍵控(ASK)。雷達信號輻射功率變化范圍大，信號帶寬范圍很大,具有大時寬帶寬積;通信信號發射功率較小，信號帶寬較窄。

設定中頻信號載波頻率變化范圍1～3 GHz，碼元速率15～30 Mbps，雷達信號的脈寬范圍300～600 μs，噪聲環境是10 dB、5 dB、0 dB的高斯白噪聲。對于通信信號用升余弦濾波器做基帶脈沖成型，升余弦滾降系數α=0.5，根據奈奎斯特準則可知，基帶傳輸中碼元速率最高是信道帶寬的2倍，所以設定濾波器帶寬為0.5 MHz。

本文僅對通信BFSK信號的預處理方法進行闡述，其他調制方式信號的預處理過程與此類似，不予贅述。2FSK是二進制頻移鍵控的簡稱，這種調制方式通過鍵控正弦載波的頻率傳輸二元符號。

2FSK信號是利用2個頻率f1和f2的正弦載波傳送符號1、0，表述如下[8]：

(1)

式中：(n-1)Tb≤t≤nTb，Tb表示傳送一個比特數據的時間。

容易看出，BFSK信號是2個頻率的正弦波交錯組合，可以表示為：

(2)

式(2)表明BFSK可看作2路互補的OOK信號疊加。

對于通信信號數字調制而言，在頻帶調制前需要進行脈沖成型。為抑制碼間串擾，采用升余弦濾波器進行脈沖成型。成型濾波器是在發送端將信號經過成形濾波器進行帶限，使信號帶寬匹配信道帶寬?；鶐}沖成形如圖2所示。

圖2 基帶成形濾波

對基帶成形后的信號進行載波調制，選取載波頻率為2.5 GHz，調制結果如圖3所示。

圖3 載波調制

1.2 信號預處理

接收機處理后的中頻信號含有大量噪聲，應采取有效辦法降低噪聲對分類識別結果的影響，本文采取小波軟閾值降噪方法。同時載頻參數并不是調制識別的有效信息，若將含有載頻信息的原始中頻信號送入神經網絡進行訓練，那么必將采用涵蓋載頻變化范圍的大量樣本。為消減載頻參數對調制類型的識別的影響，對中頻信號在時域上進行延遲自相關，將載頻變化引起的影響降低，提高識別結果的準確度，同時避免訓練樣本數過大的問題。

1.2.1 信號去噪

本文采取小波變換的方法對信號進行軟閾值去噪[9]。小波變換去噪的思想是：根據噪聲與信號在各尺度(頻帶)上的小波譜具有不同表現的特點，將噪聲小波譜占主導地位的那些尺度上的噪聲小波譜成分去掉，這樣保留下來的小波譜基本是原信號的小波譜，再利用小波變換重構算法重構出原信號。小波去噪的關鍵是如何濾除噪聲產生的小波譜分量。圖4所示是小波去噪的流程圖。

圖4 小波去噪流程圖

對含有加性高斯白噪聲的BFSK信號去噪結果如圖5所示。

圖5 小波去噪后中頻信號

1.2.2 延遲自相關處理

由于接收機處理后的中頻信號含有載頻參數，對于調制識別而言，載頻參數是冗余信息。若送入神經網絡中訓練會增加網絡訓練的復雜度并且需要大量樣本，因此預處理過程中要消去載頻參數。去噪后的中頻信號是實信號，經過希爾伯特變換得到復信號?？紤]將復信號與其共軛信號延遲相乘，延遲自相關運算將后一個碼元信號和前一個碼元信號部分交疊相乘。若前后碼元信號相同,記相同碼元抽樣點構成集合M,記不同碼元抽樣點構成集合S，如圖6所示。在集合M內的自相關函數為常復數A2ej2πfN,如式(3)所示：

X(m)=Aej(2πfn+θ)Ae-j(2πf(n-N))+θ)=A2ej2πfN,m∈M

(3)

而前后碼元不同時延遲相關函數表現調制信息。如式(4)、(5)、(6)所示，分別對應2FSK、2PSK、2ASK：

X(m)=Aej(2πf1n+θ)Ae-j(2πf2(n-N)+θ)=

A2ej2π(f1-f2)nej2πf2N,m∈S

(4)

X(m)=Aej(2πfn+θ1)Ae-j(2πf(n-N)+θ2)=

A2ej2πfNej(θ1-θ2),m∈S

(5)

X(m)=A1ej(2πfn+θ)A2e-j(2πf(n-N)+θ)=

A1A2ej2πfN,m∈S

(6)

對于幅度和相位調制信號，延遲自相關處理后載頻信息f變化對常復數A2ej2πfN的模值影響很小，其中N表示延遲的點數，與信號采樣率有關，采樣率越高，延遲點數越多，對應時域信息越多。其中A、f、θ分別對應2ASK、2FSK、2PSK調制中的幅度、相位、頻率，A∈(A1,A2)，f∈(f1,f2)，θ∈(θ1,θ2)。

圖6 碼元序列延遲

以BFSK信號為例，首先對BFSK信號進行希爾伯特變換得到復信號，即：

(7)

式中：Hirbert[·]表示希爾伯特變換。

(8)

不同調制方式本質的區別體現在載波的幅度、相位、頻率信息上。本文采用3 GHz采樣率，自相關延遲128點后的結果如圖7所示，只在不同碼元變換處產生形狀畸變，體現不同碼元間頻率、幅度、相位的不同，所以延遲自相關后的復信號包含調制的相位、幅度、頻率參數,且自相關數據局部特征表現為調制信息。

圖7 復信號瞬時自相關

1.2.3 短時傅里葉變換

由上述分析可知，調制信息分布在自相關信號畸變處，所以我們只關注突變部分的特征，可以用一定長度的窗函數截取原始延遲自相關函數的變化處。在實際環境中，接收機接收到的雷達信號受到目標運動特征變化的影響，同時通信信號受到多徑傳播等影響，所以雷達信號和通信信號均為非平穩信號。對語音信號而言，其特性是隨時間變化的，所以它是非穩態的，但是，語音是由人的口腔肌肉運動構成某種形狀的聲道而產生的響應，這種肌肉運動頻率相對于語音頻率是緩慢的，因而在一個時間范圍內，其特性基本保持不變，即相對穩定，所以可以將其看作一個準穩態過程。對語音信號的分析和處理必須建立在“短時”基礎上，即“短時分析”。類比雷達和通信信號，它們與語音信號產生機制不同，信號的特征參數也不相同，但都近似為短時平穩信號。

假設信號在幾十毫秒內是短時平穩的，由于信號延遲后，前后碼元交疊部分固定長度，所以采用時頻分析理論中的短時傅里葉變換進行信號分析。首先對時域信號進行加窗處理。窗函數平滑地在雷達和通信信號的延遲自相關函數上滑動，分成若干幀，在此采取交疊分段方法，交疊部分為窗長1/4。此處窗函數采取漢明窗，因為漢明窗的主瓣帶寬大約是同樣寬度矩形窗的2倍，同時在通帶外，漢明窗的衰減較大,頻譜泄露影響小。短時傅里葉變換(STFT)為：

(9)

式中:W(t)為窗函數[10]。

可以從2個角度理解函數TSTFT(t,ω):從頻率軸角度看,當t固定時，t=t0，TSTFT(t0,ω)是將窗函數的起點移到t0處截取信號X(t)，再做傅里葉變換得到的頻譜函數；從時間軸角度看，當頻率固定時，ω=ω0，TSTFT(t,ω0)可以看作是信號經過一個中心頻率ω0的帶通濾波器的輸出。因為窗函數W(t)通常具有低通頻率響應，e-jω0τ對信號X(t)有調制作用，可使得頻譜產生移位，將X(t)頻譜中對應于頻率ω0的分量平移到零頻。

本文采取窗長度為128點的Hamming窗，每幀窗中作128點FFT，窗函數移動間隔相等?？紤]對頻域數據進行預處理，設定1個幅度閾值，低于這個閾值的數值縮減其幅值，使得峰峰值表現更明顯，并且對數據歸一化。圖8～圖12所示為2ASK、2FSK和2PSK信號及雷達NLFM信號經過短時傅里葉變換后，取其中5個幀的幅頻和相頻特性。

圖8 2ASK延遲自相關函數歸一化頻域圖

圖9 2FSK延遲自相關函數歸一化頻域圖

圖10 2PSK延遲自相關函數歸一化頻域圖

圖11 LFM延遲自相關函數歸一化頻域圖

圖12 雷達脈內BPSK延遲自相關函數歸一化頻域圖

2 基于CNN的通信和雷達信號調制方式識別工作原理

2.1 卷積神經網絡(CNN)

CNN是一種帶有前向反饋的多層神經網絡，屬于深度學習框架的一種，能夠通過多層非線性變換，從數據中自動學習提取特征，具有很強的學習能力和表達能力，并降低了數據預處理的要求，非常適合用于模式識別領域[4,11]。卷積神經網絡一般由卷積層、下采樣層、全連接層等組成。卷積層使用卷積核對輸入數據進行濾波后輸出特征圖，特征圖的每個神經元與前一層的局部感受野相連，獲得前一層的局部連接特征。卷積核是一個權值矩陣，多個卷積核可以提取多個不同的特征[12]。卷積神經網絡具有局部連接、權值共享的特點，可以極大地減少網絡的訓練參數，簡化神經網絡。下采樣層也稱為池化層，可縮減輸入采樣的數據規模，避免過擬合，對平移、縮放、傾斜或其他形式的變形具有高度不變性[13]，最后一個下采樣層或卷積層連到一個或多個全連接層，全連接層在整個卷積神經網絡中起到分類器的作用，將學到的特征映射到樣本標記空間。

2.2 卷積網絡結構

CNN的功能是從特定模型中提取特征，然后根據特征進行分類識別、預測或做出決策。最重要的一步是特征提取，即如何提取能夠最好區分事物的特征。網絡模型中卷積層層數越多，越容易把握輸入信號的細微特征。然而在深度神經網絡的設計中，應該考慮卷積層數和核大小，嘗試以最少的計算量獲得最佳結果，網絡設計需要平衡網絡結構的寬度和深度[14]。對于相同的CNN網絡結構，迭代的次數、訓練數據量的大小和學習率等參數都會影響模型的分類結果和泛化性[15]。這些參數的設置都需要經過多次實驗尋優得到。一般來說，網絡層數越深，提取的特征參數越多。根據幅頻和相頻圖可以看到特征參數并不算很多，因此網絡層數不需要很深。在本實驗中，設計的CNN模型使用6層網絡層。

本文將CNN用于一維數據分析，由短時傅里葉變換得到的5個幀內頻域數據作為5個通道，每個通道都包含1個幀內的幅頻和相頻數據。CNN網絡模型如圖13所示。

圖13 本文CNN網絡結構圖

2.3 參數選取

將5組長度為130的一維數據作為五通道輸入CNN。卷積層提取特征的過程類似于做濾波，濾波器參數合適即卷積核大小和步長適合才能提取出足夠多的相關信息。經過多次實驗選定卷積核如圖13所示，卷積核大小的設定比傳統圖像處理中略大。設定訓練12 000次，最小批次大小為512。

卷積層1(Conv1)：由長度為8的一維卷積核生成16個特征圖并做最大池化。卷積層2(Conv2)：由長度為8的一維卷積核生成32個特征圖并做最大池化。卷積層3(Conv3)：由長度為6的一維卷積核生成64個特征圖。卷積層4(Conv4)：由長度為6的一維卷積核生成80個特征圖并做最大池化。卷積層5(Conv5)：由長度為4的一維卷積核生成128個特征圖并做最大池化。全連接1(Dense1):256個結點，全連接2(Dense2)(softmax輸出)8個結點，輸出8個節點，代表8種不同的調制方法。

3 仿真結果

實驗選擇了0 dB、5 dB、10 dB高斯白噪聲下雷達和通信信號常用的8種調制方式，通信信號載波頻率變化范圍1～3 GHz，碼元速率5～30 Mbps，碼元序列隨機生成。雷達信號脈沖寬度300～600 μs，頻帶調斜頻率系數為1010～1013。在每種信噪比下每類調制方式樣本4 000組，共36 000組樣本，每組樣本數據長度為650。

對通信信號，取載波頻率變化范圍1～2.6 GHz，碼元速率5～10 Mbps的28 800組樣本作為訓練集，載波頻率變化范圍2.7～3 GHz，碼元速率11～30 Mbps的7 200組樣本作為測試集。

對雷達信號，取載波頻率變化范圍1～2.6 GHz，碼元速率5～10 Mbps，脈沖寬度300～600 μs，頻帶調斜頻率系數1011～1013的28 800組樣本作為訓練集，2.7～3 GHz，碼元速率11～30 Mbps，脈沖寬度300 μs、400 μs、500 μs、600 μs，頻帶調斜頻率系數為1010～1011的7 200組樣本作為測試集。

3.1 網絡采取不同通道數下的訓練結果

選取網絡各層卷積核通道數分別為12，24，48，64，128，10 dB信噪比下的訓練精度和本文采取的通道數的訓練精度如圖14所示。

圖14 不同通道數的訓練精度對比

如圖14所示，可知通道數較小時，訓練精度不高。對于圖像處理而言，圖片是二維三通道(RGB)的數據，而本文數據是五通道，所以卷積核的通道數應該大一些。經過多次實驗，選取圖13所示的卷積核通道數。

3.2 不同信噪比下的訓練結果

在0 dB、5 dB、10 dB 的信噪比下，分別取28 800組樣本進行訓練，結果如圖15、16所示。10 dB信噪比下，數據訓練精度可達94%以上;0 dB信噪比下,數據訓練精度可達88%。0 dB、5 dB、10 dB信噪比下測試集的測試數據識別精度為0.922 7、0.901 9、0.878 9。

圖15 不同信噪比下訓練準確度對比

圖16 不同信噪比下損失值對比

由實驗結果可知，在信噪比為0 dB、5 dB、10 dB情況下,對8種調制信號進行12 000次訓練，經過不斷調整試驗參數并加入BN算法等，信噪比為10 dB條件下訓練精確度達到94%以上，測試集精確度也達92%左右。在0 dB情況下,訓練精確度和測試精度最差，測試集準確度87%左右?？梢宰C明,使用此方法能得到較好的識別效果，同時避免傳統調制識別中繁瑣的人工提取特征過程。

4 結束語

本文針對通信和雷達中頻信號調制識別問題，提出一種差分自相關預處理結合卷積神經網絡的方法。不進行傳統的相位頻率等參數估計，而是直接對接收機處理后的中頻信號作小波去噪和共軛差分自相關處理后得到時域上的相關函數，然后進行快速傅里葉變換，將幅頻和相頻數據送入CNN網絡訓練。通過仿真實驗，得到10 dB信噪比條件下對9種類型信號較好的識別效果，訓練準確度達到94%，測試精度達到92%以上，由此驗證了方案的可行性。后續應進一步研究如何提高在低信噪比下的識別率和搭建深度學習調制識別混合架構。