【《信号调制方式的开集识别分析案例》5000字】

目录 11.1引言 11.2网络模型设计 11.3开集识别流程 41.4网络性能评价与分析 61.1引言虽然深度学习在调试识别研究方面已经取得很好的成果，但是形式各异的的从未研究过的调制方式相继被研究出来，而对于第三章提出的基于CNN的调制识别算法是一种典型的闭集判别方法，即训练样本类别数和测试样本类别数相同且一致。在面对新的不明的调制方式，要么就忽略其未知参数识别效果变差，要么就会将其按比例错分，识别的性能下降，影响后续的信息获取。因此本章在深度学习的理论基础上，根据一维信号的特性改进生成对抗网络（GenerativeAdversarialNetwork，GAN），通过调整网络结构，构建一种新的重构判别网络用用于进行单信号未知调制方式的开集识别，并根据第三章中分析的CNN网络，对开集识别网络进行测试和分析。1.2网络模型设计文献[47]（CGAN）进行图像异常检测。文献[49]为异常检测提供了一种新的思想优化对图像异常进行检测的效果，完成图像降噪，并能够对数据进行重构异常检测。根据上述文献的处理方法，本文也可以用类似的思想用于识别未知调制信号。由于文献中利用GAN实现了对图像的异常检测，考虑到图像与信号在维度与特征上的不同，提出了新的模型——，该网络可以更好的处理一维通信信号数据。本章提出的模型分为由两个模块构成：与。二者的训练过程与生成对抗网络GAN相似，通过二者之间进行对抗的方式，获取确定调制方式信号丰富的信息，找到信号调制方式的规律，让训练好的重构网络可以以很小的误差去重构该已知调制方式的信号，使得判别网络可以将其识别为已知调制方式。而重构网络面对不明调制方式信号时产生的重构误差较为明显。判别网络通过重构网络误差的差异性来优化自身的参数，并逐渐提高自身的判别能力。为了适应一维通信信号数据结构，需要改进生成对抗网络，对重构判别网络（RD网络）设计适合的结构，分为重构网络（R网络）和判别网络（D网络）。R网络结构上属于，分为两部分：编码器、解码器。编码器结构上属于一维卷积网络，利用4个隐含层对输入数据进行重新编码；结构与编码器类似，同样利用4个隐含层完成数据的解码。本质是用来完成输入数据的降噪。D网络结构上属于一维CNN，具有输入层，两层隐含层和输出层。判别网络的输出是一种度量的值，来作为判别结论的依据。由于重构判别网络结构较为简单，需要训练的参数不多，所以网络中并未加入池化层，这样也可以是网络结构更加稳定，RD网络如图4-1所示。图4-1重构判别网络结构模型训练数据信号的分布形式用表示，给训练样本加入噪声信号，噪声信号为高斯分布，数学期望为0，标准差为，得到加噪数据，概率分布记为，则的概率分布为。将处理后的信号进行数据重构，得到的输出信号，它的数据分布形式用表示。先对重构判别网络进行优化，重构判别网络的本质就是降噪自编码器，理想情况下，优化好的重构判别网络输出的重构数据，他的数据分布形式与训练数据X的数据分布形式相似，即差异性达到最小。优化好的重构判别网络的功能是实现输入信号的去噪，使重构误差达到最小值，优化目标如下：(4-1)与GAN相同，RD网络的整体优化也是实现生成网络的塑造和对抗网络的判别。但是不同的是，是随机噪声来训练生成网络，而本文则是加噪信号来训练重构网络的重构信号的能力。在训练过程中，训练好的重构网络可以实现实现降噪，输出的数据信号可以成功地“欺骗”判别网络，与此同时，判别网络也提升自身的判别能力，来判别输入的信号是为真是数据X还是经过重构网络重构的数据。两个网络在各自训练和互相对抗过程中，两个网络的能力都逐渐提升，重构网络提高了对输入数据的重构能力，判别网络提高了对数据的分变能力，其极小极大的优化目标如下：(4-2)这个优化过程分为判别网络和重构网络两部分的优化：重构网络的优化目标如式（4-3）所示：(4-3)在训练过程中，训练数据，即真实数据的分布更向1靠拢，即将其判别为已知调制方式的信号；对于R网络的输出经过D网络的输出值更向0靠拢，以此实现不明调制方式的判断。R网络的优化过程如式（4-4）所示。(4-4)R网络经过训练之后其参数达到优化的目标，重构网络的输出信号与训练样本的相似度越来越高，训练好的R可以更好地支持D网络进行检测。整体分析来看，该网络模型的总优化如式（2-5）所示。(2-5)根据上式所式的总体目标，所设计的两个网络——重构网络和判别网络相互对抗来进行训练，R网络被优化后重建属于目标类别的样本，D网络被优化后来对正负目标进行分类，D网络的输出值表示给定样本属于目标类别的可能性。即从本章的角度来看，R网络用于重构输入的调制信号，D网络用于判别信号的调制类型，最终对信号调制方式的判别，即该信号是已知明确的还是不明调制方式。1.3开集识别流程首先要确定开集识别的判别门限：将已知的一类调制信号设为A类，将该类调制信号样本集合设为，将信号作为训练样本输入到RD网络，R网络重建该类别信号，得到训练好的网络，定义为。完成训练的，重构出的重构信号与真是信号的误差很小。D网络输出相似度。当出现未知调制信号——B类信号时，输出训练好的网络中得到相似度。因为优化后的网络只以重建属于该类别调制信号的样本为目标，所以当未知调制方式B类信号出现时，他的相似度就会很低，所以有。确定判决阈值的流程：步骤1：训练样本集的仿真生成根据信号的各项参数生成A类调制信号共条，已知其他类调制信号个，其信噪比都相同。步骤2：确定判别网络对输入样本相似度的评估将验证集信号和输入训练好的网络，分别得到相似度和。步骤3：确定判别门限总体的识别率为。Rate的取值跟门限的选取有关，当其值处于最大时对应的作为判别的门限。利用上述的步骤去获得已知调制方式类别的参数和判定阈值，下图为事先知道信号的调制方式条件下，进行开集识别的流程。图4-2已知一种调制方式时的开集识别流程在进行实际应用时，将接收到的信号，设为，输入到由A信号训练好的网络中，评估到相似度与该网络确定的判别门限进行比较，当大于等于阈值时，说明该接收信号与A类信号的调制方式相似度更高，特征空间分布更为接近，确定其调制方式为A类；当小于门限时，即该接收信号与A类信号的调制方式差异性较大，最终把它判定为一种未知的调制方式。确定好判定阈值，也实现了开集识别，但是在实际应用中已知调制方式的信号不知由A类一种，当面对多种类调制方式时，要合理地对多种调制方式进行识别研究实现开集识别。实际的开集识别，要从两个明确的调制方式开始，再扩展更多的调制方式。过程如图4-3所示。假设有两类明确调制方式的信号，记为A类和B类，仿真生成成的A类信号和B类信号的训练集分别按照优化目标实现网络参数的更新，会同时得到两个训练好的网络模型和，并且利用相同仿真环境生成的两类信号的验证集根据上文门限确定方法，最后确定两类网络的开集识别门限和。当出现需要判别的信号时，如图4-3所示，把信号输入到，网络，输出相似度、和判定阈值、。将相似度分别与门限进行比较，比较的结果可以确定X信号是不是属于调制方式类信号A类或者B类，或者未知类，识别流程见下文所示：步骤1：当信号的特征空间与A类特征空间更为一致，将其投入到A类调制方式样本集的集合中去，反之，投入到未知类样本集集合中；步骤2：当时，信号的特征空间B类特征空间分布更为一致，将其投入到B类调制方式样本集的集合中去，反之，投入到未知类样本集集合中；步骤3：按顺序执行上两个步骤，如果只有A类调制方式集合中有该信号，则就正式把该信号归为A类调制方式；如果只有B类调制方式集合中有该信号，则就正式把该信号归为B类调制方式；如果该信号即在A类调制方式集合中，又在B类调制方式集合中，需要计算相似度与门限差值的大小，若，则把他归为B类调制方式集合中，否则归为A类调制方式集合；若该信号既不在A类调制方式集合中，也不在B类调制方式集合中，而在未知调制方式集合里，说明该信号与A、B两类信号差异性较大，因此可以确定该信号为新的调制方式。图4-3开集识别流程1.4网络性能评价与分析为了验证本文所设计的R+D网络具有信号调制方式开集识别的能力，要对3.2节中提出的卷积神经网络CNN_d进行已知调制方式的识别，3.3节中已经对CNN_d的网络性能进行了评价分析，本节中的训练样本集合M={QPSK，BPSK，8PSK}，本节选用的测试集合T={OQPSK，16QAM，MSK，QPSK，BPSK，8PSK}，在训练集合中前三类为不明调制方式而后三类是训练样本中存在的三类信号。训练样本信号和测试样本信号仿真条件相同，信噪比为6dB，基带频率70MHz，码元速率2Mbps，采样频率200MHz，单信号数据点数6000，训练样本测试样本数均为10000。最后的测试分类结果如表4-1所示。表4-1CNN_d网络闭集识别结果实际调制方式预测调制方式BPSK8PSKQPSKBPSK100008PSK01000QPSK00100OQPSK036.5563.45MSK3.0482.6511.3116QAM2.289.3588.37由表4-1可知，在信噪比为6dB时，表现较好的卷积神经网络（CNN_d）算法对训练集里面的三类信号，即明确调制方式的三类信号MPSK（M=2、4、8）的识别率为100%，但是未经过训练的信号OQPSK，16QAM和MSK，是无法将他们正确地判别出来，因为训练样本和测试样本标签不匹配，所以未知调制方式的三类信号按最大比例计算只有被识别为BPSK，QPSK和8PSK的一种，而无法将他们判别为“异常信号”，即未出现过的调制方式信号。所以通过实验分析可以得到，经典的神经网络只能对已知调制方式实现准确识别。接下来，根据上文中的R+D网络结构：R网络利用一组编码器与解码器构成去噪自编码器模型；D，用于输出相似度。选用之前分析过的Adam作为优化器、经过大量的实验分析确定了学习率为0.002，并训练RD网络。训练的数据集为信噪比为6dB各10000个MPSK（M=2、4、8）三类信号，设置训练批次为64，训练分别得到、、和三个网络，并且在这三类信号的验证集（SNR为6dB各10000个BPSK，QPSK和8PSK）中确定相应的开集识别的判定阈值，和，用相同仿真环境下生成的测试集合M={BPSK，QPSK，8PSK，OQPSK，MSK，16QAM}对训练好的R+D网络进行测试，每个信号的数量是10000条，并对实验结果进行分析。测试结果如表4-2所示。表4-2RD网络的开集分类结果实际调制方式预测调制方式识别率BPSK8PSKQPSK未知BPSK1000001008PSK09.0490.969.0490.96QPSK001000100OQPSK01.258.5390.2290.22MSK001.0498.9698.9616QAM03.210.9595.8495.84由表4-2可知，总体来看在信号环境为6dB的信噪比下，MPSK（M=2、4、8）三类信号训练好的R+D网络得到了三个网络模型、、和对于测试集M={BPSK，QPSK，8PSK，OQPSK，MSK，16QAM}的都取得了很好的识别效果。在已经明确了调制方式的条件下，BPSK训练所得的网络和8PSK训练所得的网络识别为相对应的BPSK信号和8PSK信号比例为100%，即全部正确识别，而正交相移键控信号训练所得的RD网络，虽然识别效果相较于上两个网络有点差，但是也达到了90.05%的识别率，这是由于在信噪比为6dB时，QPSK信号受噪声影响比较大，但是此算法也达到了很好的效果。对于OQPSK信号，尚未明确调制方式，经过网络、、和后进行开集识别，准确率为90.96%；而MSK以形同的方式，准确率为98.96%；16QAM的识别准确率为95.84%。通过实验的仿真分析，可以得出本文提出的RD网络不仅可以实现基于经典的CNN的信号的AMC，面对未知调制方式的信号，还可以实现未知调制方式的识别，且识别效果理想。通过将重构判别网络的实验结果和3.2节提出的CNN_d的识别结果进行对比，可以发现经过加深加宽设计的卷积神经网络在信号调制识别在低信噪比下也可以实现很高的识别率，但是局限于完成闭集识别。相比较而言，本文设计的RD网络在面对已经明确调制方式的信号时，可以实现准确的识别，并且在面对尚未明确调制方式的信号，。为了测试该网络在不同信噪比下的性能，即还该网络在不同环境下的适应能力，仿真生成信噪比范围内0-20dB的10000个信号，已知调制方式信号BPSK作为训练集，测试集合为信噪比为0dB，2dB，4dB，6dB，10dB，20dB的MPSK（M=2、4、8）三类信号各10000个，其中8PSK，QPSK为未知调制方式信号。训练该网络，设置网络参数包括批处理大小，学习率等，与上文一致。训练后得到网络，然后利用1.3节中选取相应网络的判别门限用于后续的开集识别。然后对测试集分别进行测试，测试结果如表4-3所示。表4-3不同信噪比下重构判别网络的开集识别结果0dB2dB4dB6dB10dB20dBBPSK93.8899.6999.891001001008PSK&QPSK92.7399.0699.88100100100可以看出，将模型利用10000个二进制相移键控信号