基于CNN-GRU和CA-VGG特征融合的调制信号识别方法及系统

技术领域

本发明属于通信信号处理技术领域，具体涉及基于CNN-GRU和CA-VGG特征融合的调制识别方法及系统。

背景技术

自动调制识别是目前非协作通信领域的关键技术，广泛应用于电子对抗，国家频谱管理中。随着技术的发展，现在的调制方式、通信信道越来越复杂，对自动调制识别的要求也越来越高，所以自动调制识别技术仍是通信信号处理领域的一个研究重点技术。

传统的AMR主要包括基于似然的假设检验方法和基于机器学习的分类方法。基于似然的假设检验方法是通过多重假设检验的问题来进行分类，通过设定门限进行判决来实现调制识别，但该方法过于依赖先验的调制模型，并且由于复杂的似然函数导致计算量偏大，因此其使用受到一定的限制。基于机器学习的分类方法是通过提取信号中的某些固定特征，再根据提取到的特征通过机器学习的分类算法进行分类识别，通常用于识别的特征包括小波变换特征、瞬时频率特征以及循环平稳特征等。不同的调制方式的特征各不相同，因此通过机器学习算法可对信号不同调制方式的特征进行分类。但是在实际信道中，由于噪声、衰落等因素，导致信号的特征并不明显，进而使得分类的准确率降低。例如：Huynh-The T,Hua C H,Doan V S,et al.Deep learning for constellation-based modulationclassification under multipath fading channels[C].2020 InternationalConference on Information and Communication Technology Convergence(ICTC).IEEE,Jeju,Korea(South),2020:300-304，由于模型的深度较浅，分类效果并不理想。再如，Tang B,Tu Y,Zhang Z Y,et al.Digital signal modulation classification withdata augmentation using generative adversarial nets in cognitive radionetworks[J].IEEE Access,2018,6:15713-15722，其首先通过交叉残差连接从星座图像中学习最相关的调制信号特征，训练网络完成后，可以通过模型对调制信号进行识别，但分类的准确率并不理想。

发明内容

基于现有技术中存在的上述不足，本发明的目的是提供基于CNN-GRU和CA-VGG特征融合的调制识别方法及系统。

为了实现上述发明目的，本发明采用如下技术方案：

基于CNN-GRU和CA-VGG特征融合的调制信号识别方法，包括以下步骤：

S1、将接收的调制信号的信号星座图输入基于卷积神经网络和CA注意力机制的CA-VGG模型，以提取不同调制信号的二维图像特征；

将接收的调制信号的A/P数据与I/Q数据输入基于卷积神经网络和GRU的CNN-GRU模型，以提取不同调制信号的一维时间特征；

S2、将二维图像特征和一维时间特征融合，以进行调制信号识别。

作为优选方案，所述接收的调制信号的模型为：

S

其中，S

作为优选方案，所述步骤S1之前，还对接收的调制信号的瞬时幅度和瞬时相位值进行提取以得到A/P数据：

接收的调制信号由I/Q两路信号构成：

信号的瞬时幅度A(t)和瞬时相位P′(t)分别为：

作为优选方案，所述信号星座图通过将归一化的I/Q数据映射到复平面上的散射点构成；

其中，复平面为3×3，信号星座图的分辨率为224×224。

作为优选方案，所述CA-VGG模型的卷积神经网络采用VGG16，在每个卷积层中均加入CA注意力单元。

作为优选方案，每个CA注意力单元之后连接批标准层。

作为优选方案，所述CA-VGG模型的卷积神经网络的激活函数选用Selu。

作为优选方案，所述CNN-GRU模型包括级联的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第一GRU层、第二GRU层和全连接层。

作为优选方案，所述调制信号的A/P数据与I/Q数据输入CNN-GRU模型之前，进行归一化处理。

本发明还提供基于CNN-GRU和CA-VGG特征融合的调制信号识别系统，应用如上任一项方案所述的调制信号识别方法，所述调制信号识别系统包括：

CA-VGG模型，用于输入调制信号的信号星座图，以提取不同调制信号的二维图像特征；

CNN-GRU模型，用于输入调制信号的A/P数据与I/Q数据，以提取不同调制信号的一维时间特征；

融合模块，用于将二维图像特征和一维时间特征融合，以进行调制信号识别。

与现有技术相比，本发明具有的技术效果：

本发明通过CA-VGG模型和CNN-GRU模型分别对调制信号的二维图像特征和一维时间特征进行提取和识别，结合CNN-GRU和CA-VGG网络的优点，其中CNN用于提取多种输入特征的变化，GRU用于处理时间序列模型，CA注意力机制用于提高对信号特征处理的效率与准确性；通过信号的多个特征输入，丰富了每一种调制方式的数据表示形式，实现了不同类型数据特征之间的互补，较好地解决了信号调制识别问题；同时多特征提取的思想能够更好的提取并融合信号的内在特征，进而提高调制信号的识别准确率。

附图说明

图1为11种调制方式星座图；

图2为MFF网络结构图；

图3为CA-VGG网络结构图；

图4为坐标注意力机制的结构图；

图5为CNN-GRU网络结构图；

图6为消融实验识别准确率曲线；

图7为对比模型识别准确率曲线；

图8为信号为信噪比0dB识别结果的混淆矩阵图；

图9为信号为信噪比6dB识别结果的混淆矩阵图；

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体操作过程，但本发明的保护范围不限于下述的实施例。

本发明提出的CNN-GRU和CA-VGG模型，CA-VGG模型用于接收信号星座图，来提取不同调制信号的二维图像特征；CNN-GRU模型将调制信号的A/P数据与I/Q数据作为网络输入，用于提取不同调制信号的一维时间特征，最终实现信号的调制识别。具体地，基于卷积神经网络和Coordinate attention(CA)注意力机制的CA-VGG模块用于接收信号星座图，来提取不同调制信号的二维图像特征；在基于卷积神经网络和Gate Recurrent Unit(GRU)网络的CNN-GRU模块中，将调制信号的A/P数据与I/Q数据作为网络输入，用于提取不同调制信号的一维时间特征；通过将调制信号的A/P、I/Q数据与星座图相结合，丰富了每一种调制方式的数据表示形式，可实现不同类型数据特征之间的互补，最后将两个模型的输出结果进行融合来进一步提高信号分类的准确率。

本发明实施例的基于CNN-GRU和CA-VGG特征融合的调制信号识别方法，包括以下步骤：

S1、将接收的调制信号的信号星座图输入基于卷积神经网络和CA注意力机制的CA-VGG模型，以提取不同调制信号的二维图像特征；

将接收的调制信号的A/P数据与I/Q数据输入基于卷积神经网络和GRU的CNN-GRU模型，以提取不同调制信号的一维时间特征；

S2、将二维图像特征和一维时间特征融合，以进行调制信号识别。

假设通过衰落信道和高斯白噪声的不同调制信号模型为：

S

其中，S

首先，将收到调制信号的瞬时幅度和瞬时相位值进行提取得到A/P数据，由于调制信号是由I/Q两路信号构成，可以将接收到的信号S

其中，

由于计算瞬时相位P(t)要进行除法和反正切运算，导致复杂度的增加，因此在程序计算时可采用式(5)的方式来减少计算的复杂度。

S

S

通过简化后，可得信号的瞬时相位如下：

星座图是一种常用于信号处理的可视化信号分析方法。通过将归一化的I/Q数据映射到复平面上的散射点，可以得到星座图作为调制无线电信号的二维表示。但是复平面是无限延伸的，而图像描述的区域是有限的，如果区域太大，星座图上的点会聚集到一起导致互相重叠，如果区域太小，星座图的部分信号特征会被忽略，考虑到算法的复杂度和性能，本发明选择3×3的复平面并将转换为分辨率为224×224的星座图，如图1所示。

MFF网络模型的结构包括CA-VGG模型部分和CNN-GRU模型部分。通过两种模型可以有效地提取调制信号中的重要特征。最后为了充分利用不同输入类型数据特征的互补性，将两个模型的输出进行融合获得信号调制方式的预测概率。

本发明提出的MFF模型解决了缺少多维度特征输入的问题，通过将CNN-GRU和CA-VGG两个网络模型进行融合搭建起的MFF网络模型，提高了网络的泛化、感知能力，增强了特征提取能力。它可以将原始I/Q、A/P数据和星座图的作为网络的输入，并将这两种不同的输入送到两种模型中对进行特征提取。首先通过CA-VGG网络提取星座图的深层特征数据，再通过CNN-GRU网络提取I/Q、A/P数据的细节特征数据，保证了对不同输入数据的特征进行高效提取，同时也兼顾全局及局部信息的作用，可以更有效地提取调制信号的特征数据，MFF网络的具体网络框架如图2所示。

VGG16因其具有较好的深度及宽度，在分类的应用中具有一定的优势。VGG16网络的深度为16层，这种较深的网络通过逐层的抽象，能够不断学习由低到高各层的特征，我们在VGG16的基础上引入CA注意力单元具体的网络结构如图3所示，可以充分提取信号的深层特征，从而提高调制识别的准确率。

将I/Q数据转换为224×224的星座图像作为CA-VGG模块的输入，并对VGG16网络做了如下改进：首先在每个卷积层中均加入CA注意力单元来学习各通道的重要程度，通过注意力机制来进一步提高对调制识别有用的特征，同时抑制对调制识别无用的特征。为避免在训练中梯度爆炸及梯度消失的情况，本发明在每个CA注意力单位后通过批标准层(BatchNormalization,BN)用于加快网络的训练和收敛的速度。激活函数选用SeLu来增强网络的非线性、防止梯度消失、减少过拟合并提高网络训练的速度。考虑到全连接层会产生大量的参数，且对于分类没有明显帮助，去掉一层全连接层(Fully Connected,FC)来减少训练参数，进而提高了训练效率。本发明增加了输入特征的维度，为防止过拟合，在FC层后面加入dropout。最后通过Softmax层进行最终的分类，由于本发明采用的RML2016.10a数据集有11种调制信号，因此最终的输出是对应于11类调制信号的概率。

坐标注意力模块的本质是采用通道注意力机制，通过深度学习的方式自动获取图像各个特征通道的权重，来进一步增强特征中有用的部分并抑制特征中无用部分。坐标注意力机制灵活且轻量并有很强的通用性，可以方便的嵌入到其他常见的网络模型中。

坐标注意力作为一种高效的注意力机制，不仅可以对通道间的信息进行了获取，同时也考虑了方向相关的位置信息。具体的实现步骤如下：

第一步将坐标信息嵌入到通道注意力中，对于一个维度为(C,H,W)的输入，其中的C、H、W分别为输入特征图的通道数、高度和宽度，首先通过式(8)将输入特征的一个通道分别沿着X和Y两个方向进行特征聚合，高效地将空间坐标信息整合到注意力图中。

高度为h的第c个通道的输出如公式(9)所示：

同样的，宽度为w的第c个通道的输出如公式(10)所示：

第二步坐标注意力的生成通过拼接两个方向的坐标信息，然后通过式(11)对拼接后的信息依次进行卷积，正则化和非线性激活等操作。

f＝δ(F

其中，δ为非线性激活函数，F

g

g

其中，F

卷积神经网络作为近年来最常用的人工神经网络，由于其良好的特征提取特性，近年来开始应用于通信信号调制识别领域。GRU网络是LSTM网络的一种变体，成功应用在语音识别、自然语言处理等领域中。GRU网络的作用与LSTM网络的效果相似，都可以解决循环神经网络(Recurrent Neural Network,RNN)中存在的梯度消失或梯度爆炸问题，但与LSTM相比GRU的网络结构更简单，有着更高的计算效率和处理速度。

一个调制信号的时间序列具有时序依赖关系，GRU能够学习到这种依赖关系。通过建立多个GRU单元，使GRU网络能够学习到不同调制信号的变化趋势。因此，本发明将CNN神经网络与GRU神经网络相结合，建立的CNN-GRU网络结构如图5所示。

首先原始I/Q数据通过式[15]进行归一化操作，得到的矩阵中每个点的值都在0和1之间。然后，我们将I/Q数据转换得到的A/P数据通过式[16]也进行归一化为操作，将得到弧度的相位归一化到-1和+1之间，并将I/Q和A/P数据一并作为输入送到CNN-GRU模块中。

式中S

网络结构部分由2个一维卷积层，2个最大池化层和2个GRU层级联构成。首先通过卷积神经网络对信号的I/Q和A/P数据进行卷积处理来初步提取特征，再进行最大池化操作，来减少特征图的尺寸。之后通过改变卷积核大小，再对信号进行一次卷积和最大池化操作来完成对输入数据的深层特征的提取，然后将特征输入到两层GRU网络层中对时间序列具有的时序的依赖关系进行提取，再把特征输入到全连接层中并采用Softmax激活函数进行归一化操作，最后输出11类调制信号的概率。

本发明通过CA-VGG模块和CNN-GRU模块提取不同调制信号的不同特征。首先，通过将星座图输入到嵌入了CA注意力机制的VGG16网络模块中对一维时间序列的特征进行提取，再将I/Q和A/P数据输入到CNN-GRU模块对二维图像特征进行提取，通过不同特征输入的互补性和两种不同的神经网络对调制信号的深层特征进行提取来进一步提高信号分类准确率。

为了验证MFF网络中各模块对网络模型的影响，在RadioML2016.10a数据集上，使用5种模型进行消融实验。这里选用分类准确率作为评价指标，结果如表1所示。图6展示了不同信噪比下各网络模型识别准确率。首先使用CNN-GRU网络模型做基础网络架构并采用I/Q数据作为输入，识别率为60.3％。保持网络架构不变并采用I/Q和A/P数据作为CNN-GRU-1输入，识别准确率较CNN-GRU模型提升1.1％。再使用本发明的VGG16网络做基础网络架构，并采用星座图作为输入数据，识别率为58.6％。保持输入一致的情况下，我们在VGG的基础上加入CA注意力机制模块的识别准确率较VGG16模型提升2.2％。最后使用CA-VGG模块和CNN-GRU模块相结合的方式，并将A/P、I/Q与星座图数据作为输入数据，本发明的MFF模型识别准确率较CA-VGG模型提升2.4％

表1消融实验的识别准确率

从上面五种模型的仿真结果可以看出，在VGG16的网络结构中加入CA注意力机制对分类准确率的提升最为显著，达到2.2％，这是因为CA注意力机制的引入使得模型在更低的计算复杂度下收敛更快，通过在CNN-GRU模型中加入A/P数据的输入来增加输入数据特征带来了1.1％的分类准确率提升。本发明采用两种网络融合的方案提出MFF网络来解决调制方式识别混淆的问题，实现分类准确率达到63.2％。

为进一步验证本发明提出的MFF模型的性能，选取了CLDNN、ResNet、DenseNet、PET-CGDNN、MCLDNN和本发明的MFF模型进行对比实验。

表2和图7展示了六种模型在RadioML2016.10a上的实验结果和识别曲线。在RadioML2016.10a数据集上，CLDNN、ResNet和DenseNet模型识别率较低，识别率比其他模型低5％以上，仅为55.8％、55.3％和55.5％；PET-CGDNN模型识别率为60.4％，效果较好；MCLDNN模型识别准确率61.3％，比PET-CGDNN模型高0.9％；本发明的CFF模型识别准确率为63.2％，优于其他模型。

表2对比模型实验结果

图7所示为六种模型在不同信噪比情况下的调制识别准确率。其中CLDNN模型的网络结构过于简单，只通过一层CNN+LSTM对信号进行特征提取，算法复杂度较低，不能很好地学习数据的一般特征。ResNet和DenseNet模型，都有着大量的内部参数，但缺失了细节的特征，同时输入的数据量不大，导致分类效果较差。PET-CGDNN模型算法复杂度较低，但损失了一部分精度。MCLDNN模型采用多路通道对特征进行提取，通过增加输入数据种类和网络模型数量取得较好的分类性能，但同时也成倍的增加了整个模型的计算复杂度。本发明提出的MCV网络模型的网络更深，可以提取更高层次的特征，并且CNN-GRU模块和CA-VGG模块的判别能力是互补的，因此能够高效地识别信号的调制方式。

MFF模型对RadioML2016.10a中各类信号识别准确率如图8和9所示。由图8可以看出MFF模型对CPFSK的识别率最好；其中AM-SSB、BPSK、CPFSK、GFSK、PAM4、QAM16、QPSK调制信号在0dB以上的信噪比环境下都有90％以上的识别率；AM-DSB、QAM64调制信号在0dB以上的信噪比环境下都有80％左右的识别率；集成模型对WBFM信号的识别率最差，在0dB以上的信噪比环境下仅有55％以上的识别率。可以看出[WBFM,AM-DSB]两组调制信号容易分类误判，使得最终这2种调制信号识别率下降。

当信噪比升高到6dB时，由图9可以看出[WBFM,AM-DSB]2种调制方式仍然存在着分类误判；AM-DSB调制方式的识别率达到了91％能够有效被识别，但是WBFM调制方式仍然容易被误判为AM-DSB调制方式。从整体上看集成模型对11种调制方式分类识别有较好的效果。

另外，基于本发明实施例的基于CNN-GRU和CA-VGG特征融合的调制信号识别方法，本发明实施例的基于CNN-GRU和CA-VGG特征融合的调制信号识别系统包括：

CA-VGG模型，用于输入调制信号的信号星座图，以提取不同调制信号的二维图像特征。其中，具体的CA-VGG模型的构造可以参考上述调制信号识别方法中的详细描述，在此不赘述。

CNN-GRU模型，用于输入调制信号的A/P数据与I/Q数据，以提取不同调制信号的一维时间特征；其中，具体的CNN-GRU模型的构造可以参考上述调制信号识别方法中的详细描述，在此不赘述。

融合模块，用于将二维图像特征和一维时间特征融合，以进行调制信号识别。

以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。