数据驱动的双通道CNN-LSTM调制分类算法_葛战.pdf
《数据驱动的双通道CNN-LSTM调制分类算法_葛战.pdf》由会员分享,可在线阅读,更多相关《数据驱动的双通道CNN-LSTM调制分类算法_葛战.pdf(7页珍藏版)》请在咨信网上搜索。
1、2023 年 无线电工程 第 53 卷 第 1 期73doi:103969/jissn10033106202301010引用格式:葛战,孙磊,李兵,等数据驱动的双通道 CNN-LSTM 调制分类算法 J 无线电工程,2023,53(1):7379 GE Zhan,SUN Lei,LI Bing,et alData-driven Modulation Classification Algorithm Based on Dual-channel CNN-LSTMJ adio Engineering,2023,53(1):7379数据驱动的双通道 CNN-LSTM 调制分类算法葛战,孙磊,李兵,蒋鸿
2、宇,周劼(中国工程物理研究院 电子工程研究所,四川 绵阳 621900)摘要:为同时利用卷积神经网络(Convolutional Neural Network,CNN)的空间特征提取能力和长短时记忆(LongShort-Term Memory,LSTM)网络的时序特征提取能力,提出了一种由双通道一维 CNN 与 LSTM 相互串联的调制分类算法。算法采用数据驱动的方式,直接将信号送入至 2 路 CNN 提取其在不同维度的空间特征信息;把 2 个通道的特征融合信息输入至 LSTM 学习其时序上的特征;与全连接网络连接实现对 5 种目标信号的调制分类。实验结果表明,CNN 与 LSTM 相互串联能
3、够学习到更加丰富的特征信息,更有利于分类;与传统方法相比,提出的方法无需人工提取信号特征,减少了预处理步骤并有效提升了识别性能。关键词:调制分类;数据驱动;卷积神经网络;长短时记忆网络中图分类号:TN9117文献标志码:A开放科学(资源服务)标识码(OSID):文 章 编 号:10033106(2023)01007307Data-driven Modulation Classification Algorithm Based onDual-channel CNN-LSTMGE Zhan,SUN Lei,LI Bing,JIANG Hongyu,ZHOU Jie(Institute of Ele
4、ctronic Engineering,China Academy of Engineering Physics,Mianyang 621900,China)Abstract:To utilize the spatial feature extraction ability of Convolutional Neural Network(CNN)and the temporal featureextraction ability of Long Short-Term Memory(LSTM)network simultaneously,a modulation classification a
5、lgorithm based on two-channel one-dimensional concatenated CNN and LSTM is proposed Firstly,the proposed algorithm adopts the data-driven method anddirectly feeds signals to the two-channel CNN module to extract the spatial feature information in different dimensions Then,the LSTMnetwork is followed
6、 to learn temporal feature information from the CNN module Finally,LSTM is connected with the fully-connectednetwork to realize modulation classification of five target signals Experimental results show that the concatenated structure of CNN andLSTM can learn richer feature information,which is more
7、 conducive to modulation classification Compared with the traditionalmethods,the proposed method does not need to manually extract signal features,reduces the preprocessing steps and effectivelyimproves recognition performanceKeywords:modulation classification;data-driven;CNN;LSTM收稿日期:20220916基金项目:国
8、家自然科学基金委员会与中国工程物理研究院联合基金(NSAF)资助项目(U153010137)Foundation Item:Project Supported by the NSAF Joint Fund of NationalNatural Science Foundation of China and China Academy of EngineeringPhysics(U153010137)0引言通信信号的调制分类是指能够在具有极少先验信息的情况下正确确定目标信号的调制类型,在各领域均有相当大的应用需求1,作为信号盲处理相关领域的重要研究内容,仍有许多问题亟待研究2。近年来,深度学习方
9、法由于其在图像识别等领域表现出的优异性能,被引入到调制分类这一问题的研究当中34。基于深度学习的调制分类方法能够直接对信号进行学习,与传统基于信号特征的方法(如瞬时特征5、高阶累积量6 以及循环谱等7)相比,无需人工提取分类特征,减少了信号预处理步骤,具有一定的应用优势。文献 8 首先提出采用二维卷积神经信号与信息处理742023 adio Engineering Vol.53 No.1网络(Convolutional Neural Network,CNN)直接从时域数据中学习信号的调制类型,但识别结果不甚理想。文献 9 采用一维 CNN 实现信号的分类,与二维 CNN 相比有效降低了训练时间
10、。文献 1011采用长短时记忆(Long Short-Term Memory,LSTM)网络对时域数据进行训练实现调制分类,有效提升了识别率,但训练时间相对较长,同时文中考虑的信号长度仅为 128,若信号过长会造成 LSTM 网络出现梯度消失等问题。上述研究均只采用了一种类型的网络结构,未能有效利用多种网络模型的各自优势。此外,前期相关研究中总结到,一维 CNN 和 LSTM 更适宜对通信信号等序列数据进行学习分类12。因此,本文提出了一种由双通道一维 CNN 和 LSTM 相互串联的网络模型用于调制分类。2 路 CNN 直接从时域数据学习,获取不同维度的空间特征信息,LSTM 紧随其后从空间
11、特征信息中提取时序特征,采用全连接网络完成对目标信号的分类。该模型能够有效利用 2 种网络结构的特征学习能力,同时 CNN 模块能够对输入数据起到降维的作用,降低了 LSTM 处理长信号时的训练难度。仿真结果表明,2 种网络的结合能够有效提升分类准确率,与传统方法相比性能上也得到了提高。1信号模型及信号表示11信号模型假设接收信号已经经过预处理、匹配滤波等步骤,其解析形式可表示如下:r(n)=ej(2f0+0)x(n)+(n),(1)式中,r(n)为接收符号;x(n)为发送符号,来自某一调制样式,假设服从独立同分布并进行了能量归一化;(n)是功率为 2的加性高斯白噪声;,f0和 0为信号的幅度
12、、频率估计误差和相位估计误差。12信号表示由于深度神经网络一般需采用实值作为输入,而接收信号经过预处理后为复序列数据。因此,在采用深度神经网络直接从接收数据中学习时,首先需要确定合适的数据表示形式,以满足网络对输入数据格式的要求。根据复序列数据的特点,可以把接收信号分解为由实部(I 路)和虚部(Q 路)组成的实序列。假设一个符号周期内的接收信号为 r(k)=r(1),r(2),r(N),其实部和虚部分别表示为(r(k)和 I(r(k)。按照上述描述可以将r(k)表示为 N2 维(N 为信号长度)的矩阵数据(IQ 数据)作为深度神经网络的输入,即:r(k)=(r(1)I(r(1)(r(2)I(r
13、(2)(r(N)I(r(N)T。(2)2算法设计21CNN-LSTM 模型提出的用于调制分类的 CNN-LSTM 模型结构如图 1 所示。模型主要由输入数据、CNN 模块、LSTM 模块以及分类模块组成。图 1提出的 CNN-LSTM 模型结构Fig1Proposed CNN-LSTM network structure输入数据:信号被转换为由实部(I 路)和虚部(Q 路)组成的实序列,即 IQ 数据,表示形式为 N2,然后被送入至 CNN 模块。CNN 模块:用于提取信号的空间特征信息13。模块由 2 个 CNN 子模块组成,每个子模块均由 3 组一维卷积层和 3 个池化层串联组成。图 1
14、中卷积块13 的通道数依次为 64,32 和 24,卷积核大小均为1,激活函数为 eLU。池化层采用大小为 2 的平均池化,用于进一步缩减网络参数。信号与信息处理2023 年 无线电工程 第 53 卷 第 1 期75模型中 2 个 CNN 模块采用相同的参数,其中卷积操作和池化过程为9:xlj=f(iMjxl1i*klij+blj),(3)xl+1j=pool(xlj),(4)式中,xlj表示 l 层的第 j 个特征;klij为卷积核;Mj为特征图;blj为该层偏置;*表示卷积操作;f()和pool()分别为激活函数和池化函数。2 个 CNN 模块同时从输入 IQ 数据中各自提取空间特征信息,
15、经过融合后被送入 LSTM 模块。LSTM 模块:用于提取信号的时序特征信息14。LSTM 网络中采用存储单元代替常规神经网络中的神经元,每个存储单元通常由多个记忆细胞 ot和 3 个控制门组成(分别为输入门it、遗忘门ft和输出门ot)15。本文采用一层LSTM 网络从双通道CNN 模块提取的空间信息中进一步提取时序信息,有效利用了 2 种网络的各自优势。LSTM 网络各状态的更新过程为 16:it=(wi ht1,xt+bi)ft=(wf ht1,xt+bf)ot=(wo ht1,xt+bo)ct=ftct1+ittanh(wc ht1,xt+bc)ht=ottanh(ct),(5)式中,
16、wi,wf,wo和 bi,bf,bo分别表示输入门、遗忘门和输出门的权重和偏置;为 Sigmoid 激活函数。分类模块:采用单层全连接层实现(神经元为128),以 Softmax 作为激活函数,通过对整个网络训练得到调制分类结果。22训练过程实验中网络结构由 TensorFlow24 深度学习框架搭建,优化器为 ADAM。训练过程中会将分类器的输出与样本对应的标签信息进行比较,采用反向传播法迭代更新网络参数以使得损失函数最小,其中损失函数由交叉熵确定:Lc=1Mmi=1kj=1q yi=j lnp(yi=j zi),(6)式中,m,j,k 分别为样本数量、样本标签以及调制种类;q()为指示函数
17、;lnp()为样本 zi的概率。模型训练的初始学习率、批处理大小和迭代次数分别设置为 0001,100 和 50。训练中采取变更学习率和提前终止策略,当网络模型在验证集上的损失变化连续 5 个 epoch 小于 0001 时学习率缩减 10倍,连续 10 个 epoch 小于 0001 时则停止训练,上述策略有助于提升训练精度并减少训练时间。3算法仿真及分析31数据集构建采用深度神经网络解决分类问题时,需要产生训练所需的训练样本、验证样本和测试样本。其中,训练样本和验证样本用于模型的训练和验证,测试样本用于模型训练完毕后分类性能的测试。本次仿真共产生 5 种经过标注的信号(BPSK,QPSK,
18、8PSK,16QAM,64QAM)。信噪比为 020 dB,每种信号每隔 1 dB 产生 1 000 个样本,其中 800 个样本用于训练,200 个样本用于验证。信号样本标签采用 one-hot 编码格式。测试样本按照上述形式单独产生,每种调制样式每隔 2 dB 产生 600 个测试样本。32整体性能分析对提出的调制分类算法进行仿真实验,假设信号频偏和相偏已被准确估计,但信噪比未知。信号长度分别为 128,256 和 512,实验结果如图 2 所示。可以看出,随着信号长度的增加,识别率也在提升。在 020 dB,3 种不同信号长度对应的平均识别率依次为 846%,863%和 883%,表明信
19、号长度的增加有助于神经网络特征的提取。图 2不同信号长度的识别性能Fig2Classification performance of different signal lengths信号长度为 128 时,各信号的识别率如图 3 所示。可以看出,BPSK 和 QPSK 在低信噪比时仍具有较优的识别性能,即使 0 dB 时 BPSK 的性能依然为100%,而 QPSK 在 4 dB 时也能够接近 100%。此外,在低信噪比时,64QAM 相比 16QAM 得到了较高的识别性能,说明本文提出的算法能够从 64QAM中学习到更加明显的分类信息。信号与信息处理762023 adio Engineeri
20、ng Vol.53 No.1图 3各信号的识别性能Fig3Classification performance of each signal33存在估计误差时的性能分析考虑到实际信号预处理过程中可能存在相位偏移和频率偏移等估计误差,将验证该条件下提出算法的识别性能。设信号的信噪比为 4 dB,相偏为2020,频偏为 03104。重新生成测试集,其中相偏的间隔为 5,频偏的间隔为 5105。采用32节中已训练完成的模型对存在估计误差的测试样本进行测试。图 4 和图 5 分别为存在相偏和频偏时不同信号长度的识别性能。图 4 和图 5 中,相偏在1010及频偏小于 1104时,识别性能所受影响不大,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 数据 驱动 双通道 CNN LSTM 调制 分类 算法 葛战
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。