【《调制识别理论基础综述》4700字】

目录 11.1引言 11.2通信信号调制原理 11.3调制识别基础理论 31.4基于深度学习的调制模式识别 41.4.1典型神经网络模型 41.4.2深度学习与调制识别 71.1引言本文通过研究通信信号调制原理和调制识别理论基础，进而设计出提高调制模式识别效果的方案。本章首先介绍了数字调制的基本原理，包括二进制调制和多进制数字调制基本原理，然后对经典的神经网络的网络结构和理论基础进行介绍，最后探讨深度学习对于一维通信信号的适用性。1.2通信信号调制原理在信号传输过程，发射天线端的信号往往是基带信号，基带信号的波长较长，频率较低，信号的传输距离受限，无法实现信号之间的交流，而且由于发射天线的造价的限制，往往不能改变尺寸，能够发射和接收的波长都和自身尺寸较为接近的信号。所以这些波长较长的频率较低的信号无法在收发天线中进行有效传输，所以操作人员必须将这些基带信号转化为适合通信的形式来保证通信的建立。由此就有了调制技术，通信信号的调制于无线通信里最常采用的为高频载波的形式。信号通过调制技术，可以实现在物理信道的传输，高频载波信号通过变化的参数所带的信息即可达到接收端，实现有效的通信并提高了信道的利用率。在传输过程中，通过信号的调制技术来提高传输的抗干扰、抗衰落的能力。虽然模拟调制的流程原理和数字调制类似，但是由于电磁环境复杂，干扰和噪声较多，考虑到抗干扰方面，数字调制方式更有优势，传输过程中的噪声，信道中的噪声不会累加到上面，所以即使数字调制方式相较于模拟调制技术的调制与解调技术复杂，大部分也会采用数字调制方式。而且现代化数字信号技术更方便对信号进行处理。因此，目前最广泛应用的调制方式就是数字调制，而本文所需要分类识别的对象也是数字调制信号。本文中考虑的调制集M由2ASK、MFSK（M=2、4）、MPSK（M=2、4）、MQAM（M=16、64）和MSK组成，下面介绍这八类数字调制原理。频移键控MFSK在频移键控（FSK）。不同的载波频率可以传送对应的码元信息，且虽然码元对应的频率不同但是这些载波所具有的能量是相同的。FSK时域信号可表示为：(2-1)式中，为载波角频率偏移。从信号表达式可以看出，FSK信号幅值是保持不变的，所以是一种恒包络信号；从频域分析来看，M进制载频谱线的稀疏是由频率之间的间隔来确定的，可以从瞬时频率的改变中看出载波信号的改变。MSK信号带宽较窄且频谱的利用率不高，是一种特殊的FSK信号。幅移键控MASK振幅键控又称幅移键控（ASK），是利用载波幅度变化来传递数字信息的数字调制。ASK信号的一般表达式如式（2-2）所示，可以看出ASK信号是由数。(2-2)其中，为数字基带信号，为载波信号。一般情况下，数字基带信号可写为：(2-3)式中，；；是第个符号的电平取值，若取：(2-4)且。2ASK信号有，二进制调制信号1或0去控制载波信号的开闭。相移键控MPSK相移键控，英文缩写为PSK。M种不同的形式，PSK：(2-5)式中，，确定。因此能够写成：(2-6)MQAM信号采用矩形星座图信号，复基带信号表达式为： (2-7)其中，，为功率归一化因子，16QAM信号，MQAM中频实信号表达式为： (2-8)MQAM的信号带宽也等于。介绍以上调制信号的原理并对其性能进行分析，可以为后续的特征提取打下基础。从时域表达式可以看出，信号的能量容易被噪声所影响，这就造成在时域中提取到的特征质量低，识别效果差，甚至无法识别。在频域中，信号的频率变化和时间的关系无法体现，而且面对变化的信噪比，识别效果不稳定，因为在低信噪比下，噪声信号能量过高，有效特征无法被提取，调制方式无法被识别。故本文将借助深度学习的理论知识，深度学习独特的端到端的学习能力使得AMC问题不用像传统的方法进行大量的计算和繁琐的人工提取，可以自己从大数据中学习特征，直接将信号输入，实现信号的调制识别。1.3调制识别基础理论调制识别属于模式识别问题的一种，它的标签为调制类别。AMC是通信领域很关键的环节，只有获得有用的信息才可以用来后续的分析和对信号的有效处理提供参考依据，可以说调制识别是通信中重要的一个环节。传统的调制识别技术。随着深度学习的优势被挖掘出来，科研人员把深度学习应用到AMC领域，目前新的调制识别技术就是基于深度学习的信号调制模式识别。从基本原理，数学公式来分析，调制识别的核心就是模式识别。模式识别解决的问题就是根据所给的样本特征来对样本进行分类，同样调制识别根据所收到的调制信号，通过提取信号所带的信息特征，来对他们进行分类。对于调制模式识别来说，全部调制方式的集合就是模式类别的集合。传统的有监督的识别方法需要大量的样本，且这些样本都有属于自己相对应的标签，用这些样本来对算法进行训练，模型对已知样本进行充分研究，在面对不明样本时才可以判别分类；传统的无监督的识别方法的实际操作是基于聚类算法，初始模型对空间中分布的不同的特征进行聚类，然后重新确定聚类中心，在不断调整，知道空间中存在的样本都有属于自己的类别，聚成一类。信号的调制识别如图2-1所示，经过预处理后的待识别信号，通过特征提取的方法来被提取到有效特征，最后将其分类识别确定该信号的调制方式。图2-1调制识别方法的基本流程图对收到的信号进行预处理主要是为了优化信号，使得处理后的信号可以方便后续的特征提取，简单操作获得有效信息。对于通信信号的调制模式识别，对信号的预处理方法很多，如：滤波降噪、小波变化、噪声估计、时频图、载波频率估计等。在选择预处理方法时，针对通信环境的差异性选用不同的信号预处理方式。传统的人工提取方法需要有经验的操作人员，多次实验中提取特征参数，在此过程中会产生很大的误差。当研究人员开始发掘深度学习技术的优势，发现神经网络可以对样本特征进行自动的提取和选择，所以可以使用深度学习技术来进行特征的提取和分类，提取到的有效特征可以使信号的调制模式识别结果更加准确。1.4基于深度学习的调制模式识别1.4.1典型神经网络模型目前被提出的神经网络中，、、卷积神经网络的应用更为普及。各大互联网公司都使用这些网络来实现文本语义识别，人脸辨别，语音解锁等，并在这三种网络结构上生成了很多分支的神经网络去处理不同的自然信息。但是调制信号的数据形式和特征形式与上述介绍的样本集都不一致，所以以上提到的经典的网络模型对于AMC问题并不都适合。为了使深度学习取得的成果更能匹配AMC问题，还是需要根据调制信号的分布形式来调整网络模型的结构，并选择合理的网络超参数等。多层感知机多层感知机是一种多层的网络结构，它通过单向传播——前向反馈来实现模型的训练，是深度学习的基础。多层感知机的输入和输出是一对映射，多层感知机在非线性数据上表现得很好，理论上只要多层感知机包含够多的隐含层结构，他实现任何离散非线性函数的拟合。多层感知机的训练还可以通过反向传播误差算法（BP算法）来实现，相比于前向反馈来说，该算法更为常用[44]。多层感知机只有一个输入层，，，任何一层都含有几许个神经元，层和层之间采用全连接的方式，虽然看起来结构复杂，运算量大，但是它本质上是多个感知机的组合。神经网络的本质是输入到输出的映射，每个神经元的计算方式是相同的。在多层感知机的某层结构中输入输出的计算如式（2-1）、（2-2）所示：(2-1)(2-2)式中——第个神经元的实际输入；——第个神经元的输出，同时也是上一层任一相连神经元的输出；——激活函数，函数选择有很多，现在多层感知机普遍选用Sigmoid激活函数；——输入数据和输出数据之间的转化权重值。(2-3)其中，为神经元的门限，为S函数的陡度的调节参数。对于BP算法来说，整个神经网络模型中，权重参数通过反向传播算法来进行更新。在反向传播算法的过程中：假设MLP的输出层中第个神经元的真实输入为，实际输出的数据为，并且与该神经元临近的上一隐含层中第个神经元的输出数据为，神经元之间的计算关系如式（2-4）所示：(2-4)这样通过不断修改权重，来达到最小的学习误差，实现局部最优解，达到BP算法的最终目标。为了实现学习误差的最小，在处理的MLP某一隐含层中的临近神经元和神经元之间转换的权重与更新的方向误差向量方向相反，即输出误差的负梯度方向。权值修正的过程如式（2-5）、（2-6）所示：(2-5)(2-6)BP算法利用梯度下降法进行连续的迭代优化MLP的内部参数，直到损失函数达到最小。达到一定的限定值时，就会停止训练即也挺停止了参数的更新，最后的参数就是训练好的参数。多层感知机网络结构如下图2-2所示。图2-2多层感知机网络结构（2）循环神经网络典型的循环祌经网络由输入层、循环层、全连接层、输出层构成。输出层实现数据的分批输出，循环层可以实现特征的提取，全连接层用于循环层输出的特征进行拼接输出，最后实现分类识别。RNN的网络结构如图2-3所示。图中循环层与隐含层，表示这一时刻神经元的输入依赖于上一刻的输入，每一个循环结构都是连接的，是一种封闭的传输形式，所以把它称为循环神经网络。图2-3RNN网络结构图RNN内部循环中含有一个隐藏的节点，可以实现对上一时刻输出数据的状态保留，此节点参与每一时刻的计算，这样的连接结构在使得RNN具有处理序列样本的能力。每一时刻的RNN网络只处理输入层一个时刻的数据，而通过激活函数和权值转换计算，与保留在隐藏层中的上一时刻数据加权计算，最后输出计算结果。RNN的处理流程：步骤一：开始时间节点下，输入层将第一个数据单元输入网络中，通过加权计算出第一个节点的输出，状态保留在RNN隐藏层节点中；步骤二：下一时间节点，RNN隐藏层中保留的信息与输入层第二个数据节点进行权值转换计算得到第二个输出节点的结果，输出数据储存在隐藏单元中；步骤三：以此类推，重复上述步骤，直到输出层最后一个节点计算完毕。因而RNN的第层可表示为：(2-7)(2-8)上式中，为时刻的循环神经元隐藏层储存的状态信息，为第层的输出。将式（2-8）反复代入式（2-7）可以得到RNN表达方式：(2-9)上述分析可以得到，RNN网络的时刻输出对前面个时刻的输出具有依赖性，（2-9）所介绍的为典型的RNN，结构比较简单。它还发展了很多分支的网络模型，例如双向RNN网络，可以实现序列方向的更改；LSTM网络，记忆长度比普通的RNN要长，具有遗忘单元。由于RNN对于数据的依赖性，使得它对于连续的时间序列可以提取到有效的特征，处理特征的能力更加突出。对于自然信息来说，他们都是连续的时间序列，如语音信号等，简单的RNN就可以实现很好的识别效果。但是也是由于它的依赖性，使得它同时计算的性能较差，过于依赖时间的输入输出，当上一时刻的信息出现了误差，就会使此网络的误差产生积累，性能下跌。（3）卷积神经网络含有卷积层的神经网络都可以被称为卷积神经网络（CNN）。CNN可以解决具有网络结构的矩阵数据。CNN具有参数共享和局部感知的特点，使得它对于局部空间的敏感度高提取特征的能力强，且模型的复杂度相较于其他网络较低。典型的卷积神经网络，它由输入层、卷积层、池化层、全连接层、输出层组成。后面章节会对神经网络的各个部分进行详细的研究。1.4.2深度学习与调制识别神经网络最一开始被提出，是应用在图像和语音识别方面，近五年来，在这些领域都获得了大量的成就，但是由于深度学习的不可解释性，使得大批学者还在继续探索相关领域。神经网络是一种基于大数据信息的分类识别“黑匣子”，那么对于一维的信息——通信信号应该同样适用。由于深度学习方法具有识别准确率高，抗干扰能力强，运算强大，解放人力等优点