卷积无线电调制识别网络外文翻译资料

英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料

卷积无线电调制识别网络

蒂莫西·J·奥谢、约翰·科甘和T·查尔斯·克兰西

布拉德利电气和计算机工程系，弗吉尼亚理工大学，900 N Glebe路，阿灵顿，弗吉尼亚州22203，oshea@vt.edu

加利福尼亚州圣何塞市梅里迪安大道6081号70-111室，科根实验室，邮编95120 ，johnathan@corganlabs.com

摘要：我们研究了卷积神经网络对复值时域无线电信号域的适应性。我们比较了使用简单学习的特征和基于专家特征的方法进行无线电调制分类的效果，这些方法目前被广泛使用，并且显示了显著的性能改进。我们证明了利用深度卷积神经网络对大型且密集编码的时间序列进行盲时间学习是可行的，尤其是在低信噪比的情况下，它是一种很好的候选方法。

关键词：机器学习、无线电、软件无线电、卷积网络、深度学习、调制识别、认知无线电、动态频谱接入

1 引言

无线电通信是一个独特的信号处理领域，为机器学习领域带来了许多有趣的挑战和机遇。多年来，专家特征和决策准则在这一领域得到了广泛的发展，并在特定准则下进行了优化分析。然而，在过去几年里，机器学习应用于图像处理^[11]和语音识别^[18]的趋势主要是从数据中进行特征学习，而不是制作专家特征，这表明我们应该评估在这个领域的类似转变。

同时，无线数据需求也推动了无线电效率的提高。高质量的频谱感知和自适应技术，以改善频谱分配和干扰抑制，是我们实现这一目标的重要途径。美国的欧洲的联邦通信委员会都在认真对待并推行频谱政策，该政策利用了动态频谱接入（DSA）的一些理念^[4]，明确了改进频谱感知和信号识别算法的必要性，使传感器和无线电能够在最佳范围内检测和识别频谱用户和干扰源，从而提高信噪比。

DSA、机会主义接入和频谱共享以及“认知无线电”（CR）^[2]等理念，一个更广泛的通过学习进行无线电优化的类别，已经在概念层面上进行了广泛的讨论。然而，这些领域的努力，它们仅限于相对专门的解决方案，缺乏处理复杂且数量不断增加的发射器类型、干扰类型和传播环境所需的通用性 ^{[7] [6] [9]} 。

这在社区中是一个重大挑战，因为设计用在专门任务上表现良好的专家系统通常缺乏灵活性，并且分析开发成本高昂且乏味。

基于机器学习中图像和语音识别领域的成功策略，我们展示了一种在无线电中使用卷积神经网络（CNN）和深度神经网络（DNN）的方法，该方法提供了在广泛任务中学习特征的灵活性，并展示了相对于当前方法改进的分类精度。

2 调制识别

动态频谱接入(DSA)的关键感知之一是提供附近发射器的感知，以避免无线电干扰和优化频谱分配。这种识别和区分广播无线电、本地和广域数据和语音无线电、雷达用户和附近其他潜在的无线电干扰源，每个人都有不同的行为和要求。然后，调制识别的任务是分类的调制类型的接收无线电信号作为一个步骤，以了解什么类型的通信方案和发射器是目前的。

这可以被视为一个N类决策问题，其中我们的输入是接收信号的复杂基带时间序列表示。也就是说，我们在离散时间步对无线电信号的同相分量和正交分量进行采样，通过模拟到数字转换，载波频率大致以感兴趣的载波为中心，从而得到一个1*N的复数向量。经典地说，它被写在等式（1）中，其中s(t)是一个时间序列信号，它可以是一个连续信号，也可以是一系列离散比特，以不同的频率、相位、振幅、轨迹或其倍数的排列调制成正弦信号。c是信号上的某个路径损耗或常数增益项，n(t)是反映热噪声的加性高斯白噪声过程。

(1)

从分析的角度看，这个简化的表达式在专家特征和决策统计的开发中得到了广泛的应用，但在许多系统中，真实世界的关系看起来更像方程（2）中给出的那样。

(2)

这考虑了许多现实世界的影响，这些影响对于建模来说是不容易的：由残差载波随机游走过程进行调制，由残差时钟振荡器随机游走进行重采样，，与时变旋转非恒定振幅通道脉冲响应卷积，以及添加可能不是白的噪声，。每个都有一个未知的时变误差源。

在传播效果的每个严酷的现实假设下，分析建模专家特性和决策度量优化是不平凡的，并且常常迫使简化假设。在本文中，我们关注在严酷的模拟传播环境中性能的经验测量，其中包括所有上述影响，但不试图以封闭的形式分析跟踪它们的性能。

2.1 专家循环矩特征

基于循环矩的集成特征^[1]目前广泛用于调制识别和形成分析派生的决策树来将调制分类。一般来说，它们采用公式（3）所示的形式。

(3)

通过计算瞬时或延时接收信号r(t)的n次幂的m阶统计量，我们可以得到一组统计量，在给定特征判定过程的情况下，将其与其他调制区别开来。对于我们的专家特征集，我们计算32个特征。这些包括0和8个样本的循环时间滞后。复接收信号的前2次幂的前2阶矩，振幅，相位，以及每个滞后的相位绝对值。

我们在这些专家特征集上训练几个分类器作为基准比较。这些利用了scikit-learn，由决策树、K=1最近邻、高斯朴素贝叶斯和RBF-SVM组成。此外，我们训练了一个3层深度神经网络，只包含大小为512、256和11个神经元的全连接层。测量这些参数中的每一个都是为了提供一个性能基线，估计当前系统在这样一个特性集上的操作可能会如何执行。基于支持向量机和DNN的方法获得了最佳的专家特征性能。

2.2 卷积特性学习

我们评估了几种特征学习方法，但我们的主要方法是卷积神经网络(CNN)提供原始无线电时间序列的加窗输入。我们将复值输入作为两个实值输入的一个输入维，并使用r(t)作为2xN向量的集合进入一个狭窄的二维卷积网络，其中同步采样的同相和正交(Iamp;Q)样本组成这个2维。

3 评估数据集

虽然在机器学习中，模拟和使用合成数据集进行学习有时会遭到反对，但无线电通信是一个特例。使用真实数据进行训练是重要而有价值的——这将在未来的工作中得到解决——但该领域的某些特性允许我们说，我们的模拟是相当有意义的。

无线电通信信号在现实中是合成生成的，我们以一种与真实系统相同的方式确定地这样做，引入调制、脉冲整形、携带数据和其他与真实世界信号相同的特征良好的传输参数。我们将真实的语音和文本数据集调制到信号上。在数字调制的情况下，我们使用块随机化器漂白数据，以确保比特是等可能的。

无线电信道效应具有较好的特征。我们采用鲁棒模型来处理信道脉冲响应的时变多径衰落、载频振荡器和采样时钟的随机游走漂移以及加性高斯白噪声。我们通过引入未知尺度、平移、膨胀和脉冲噪声的粗糙信道模型传递我们的合成信号集。

我们在GNU Radio中对该数据集的生成进行了建模^[3]使用GNU无线信道模型^[14]，然后使用128个样本的矩形窗口过程将每个时间序列信号切片到测试和训练集中。整个数据集大约为500MB，存储为一个python pickle文件，带有复杂的32位浮点样本。

3.1 数据集可用性

这些数据有望对该领域的其他人有很大的帮助，并可能成为该领域的基准。此数据集以pickled python格式提供，网址为http://radioml.com，包括时间窗示例和相应的调制类别和SNR标签。我们希望扩大所述调制的范围，并将频道现实主义作为该领域的兴趣。

3.2 数据集参数

我们集中在一个由11个调制组成的数据集：8个数字调制和3个模拟调制，所有这些都广泛应用于我们周围的无线通信系统。它们包括BPSK、QPSK、8PSK、16QAM、64QAM、BFSK、CPFSK和PAM4用于数字调制，以及WB-FM、AM-SSB和AM-DSB用于模拟调制。数据调制的速率大约为每个符号8个样本，标准化的平均传输功率为0dB。

3.3 数据集的可视化

检查每个类的一个例子(图1)和频率调制的时间域(图2),我们看到许多异同调节视力,但由于脉冲整形、失真等渠道影响他们不是由人类专家在视觉上都能看到。

在频域，每个信号都遵循一个相似的限带功率包涵线，其形状为调制提供了一些线索，但对于人类专家来说，视觉上进行判断是一项困难的噪声任务。

图1：高信噪比示例类的时域 图2：高信噪比示例类的功率谱

3.4 调制信息

在无线电通信中，信号通常由许多经过调制的数据位组成，这些数据位基于定义良好且易于理解的基函数，并由这些基形成离散模式。信号的复杂基带表示将无线电电压水平时间序列分解为载波频率下正弦和余弦函数的投影。通过对频率、振幅、相位或它们的和进行操作，在数字调制中，数据位通过离散和可分离的模式调制到这个空间中，在模拟调制中，数据位通过连续的模式调制到这个空间中。对于QPSK，这种相位映射如公式4所示。

(4)

然后，脉冲整形滤波器，如根上升余弦，通常用于在频率上对信号进行带限，并去除这些不同模式之间的尖锐宽频瞬变，导致在发射机以确定性和可逆的方式混合相邻符号的基。在我们的模拟数据集中，我们使用根上升余弦脉冲整形滤波器，每个数字信号的额外带宽为0.35。

3.5 对调制信号的影响

相反，信道效应在通信系统中不是确定性的，也不是完全可逆的。真实系统对传输信号有许多影响，这使得恢复和表示信号具有挑战性。热噪声在接收端形成相对平坦的高斯白噪声，形成噪声底或敏感级和信噪比。由于发射端和接收端温度和其他半导体物理的不同，导致振荡器漂移，导致符号定时偏移、采样速率偏移、载波频率偏移和相位差。这些影响导致时间移动，缩放，通道之间的线性混合/旋转，以及基于未知时变过程的接收信号的旋转。最后，实际信道根据不同幅度、相位、多普勒和时延的发射信号到达接收机的模式进行随机滤波。这是一种通常被称为多径衰落或频率选择性衰落的现象，它发生在任何信号可能反射到建筑物、车辆或环境中任何形式的反射器的环境中。这通常在接收端通过估计时变信道响应的瞬时值和从接收信号中对其进行反卷积来去除。

3.6 生成数据集

为了生成一个具有良好特征的数据集，我们选择了一组在实践中广泛使用的调制，并对离散二进制字母(数字调制)和连续字母(模拟调制)进行操作。我们在每个调制解调器上调制已知数据，并使用GNU Radio将它们暴露于上面描述的通道效果。我们将数以百万计的样本分割成一个由许多短时间窗口组成的数据集，其方式类似于为语音识别任务对连续的声学语音信号进行窗口划分的方式。我们提取128个样本的步长，移动64个样本，形成我们提取的数据集。

分段后，假设样本速率约为1 M Samp/sec，每个样本大约为128micro;sec。每个包含8到16个随机时间偏移、缩放、旋转、相位、信道响应和噪声的符号。这些示例表示关于调制数据位的信息、关于它们是如何调制的信息、关于在传播过程中信道对信号的影响的信息，以及关于发送和接收设备状态和包含的随机过程的状态的信息。我们特别关注恢复关于信号如何调制的信息，从而根据对应于调制方案的11类标签的离散集标记数据集。

4 技术方法

在无线电通信系统中，有一类接收机通常被认为是“匹配滤波器”接收机。在通信链路的接收端，与每个传输符号表示相匹配的专家设计的滤波器与传入的时间信号进行卷积，并在接收信号中正确的符号滑过正确的符号时间时形成峰值。通过卷积，我们平均出脉冲噪声在接收机中试图优化信噪比。通常，在这个卷积阶段之前，使用针对特定调制和信道模型解析导出的专家包络或基于矩的估计器来恢复符号定时和载波频率。背后的直觉使用卷积神经网络在这个应用程序中,他们将学会形成大量的时间特性的匹配滤波器,每个操作会有一些滤波器增益较低的信噪比,并在结合在一起可以形成一个健壮的分类的依据。

4.1 学习不变性

无线电通信系统中的许多恢复过程可以被认为是线性混合、旋转、时移、缩放和通过随机滤波器(具有良好特征的概率包络和相干时间)卷积的不变性。这些类似于视觉领域学习中的学习不变性，在视觉领域学习中，针对特定项目或特征的匹配滤波器可能会经历缩放、移动、旋转、遮挡、光照变化和其他形式的噪声。我们试图利用卷积神经网络的移位不变特性来学习匹配的滤波器，这些滤波器可以简单地描述符号编码特征，而不需要专家理解或估计底层波形。

4.2 评估网络

图3：CNN架构 图4：损失地块CNN2 60% Dropout

我们对几个候选神经网络进行训练。利用两个卷积层和两个密集的全连接层(CNN和CNN2)的4层网络。层使用修正线性(ReLU)激活功能，除了在一热输出层上的Softmax激活。我们使用这种网络深度，因为它大致相当于在视觉领域类似的简单数据集上工作良好的网络，如MNIST。

图3显示了CNN架构的示例。CNN2相同但较大，第一层和第二层包含256个和80个滤波器，第三层包含256个神经元。计算得到的DNN包含4个致密

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[591001]，资料为PDF文档或Word文档，PDF文档可免费转换为Word