1、第 44 卷第 2 期2 0 2 3 年 2 月兵工学报ACTA AMAMENTAIIVol 44 No 2Feb2023DOI:10 12382/bgxb 2021 0620DP-DCnet 卷积神经网络信号调制识别算法王洋，冯永新，宋碧雪，田秉禾(沈阳理工大学 辽宁省信息网络与信息对抗重点实验室，辽宁 沈阳 110159)摘要:卷积神经网络在降低系统网络开销的同时，如何保证较高的信号调制识别准确率是目前面临的重要问题。提出一种轻量级卷积神经网络。该网络分为两路，并行提取信号的自相关和互相关特征，之后两路特征进行合并，实现不同调制方式的分类识别;该网络采用控制模型中卷积层的输入数据维度及卷积
2、核数量的方案，实现对网络模型开销的控制。通过对多种不同的调制方式进行识别验证。实验结果表明:在信噪比为 6 12 dB 条件下，其平均识别准确率可达到86.5%;与传统卷积神经网络相比，计算量降低了 94.44%;与常规轻量级卷积神经网络相比，计算量降低了 67.6%，该网络性能优于现有的基于轻量级卷积神经网络的调制方式识别方法。关键词:调制识别;卷积神经网络;特征提取;深度学习中图分类号:TN97文献标志码:A文章编号:1000-1093(2023)02-0545-11收稿日期:2021-09-13基金项目:国家自然科学基金项目(61971291);中央引导地方科技发展项目(20220201
3、28-JH6/1001);沈阳市自然科学基金项目(22-315-6-10)A Modulation ecognition Algorithm of DP-DCnetConvolutional Neural NetworkWANG Yang，FENG Yongxin，SONG Bixue，TIAN Binghe(Key Laboratory of Information Network and Information Countermeasure Technology of Liaoning Province，Shenyang Ligong University，Shenyang 110159，
4、Liaoning，China)Abstract:How to ensure higher signal modulation recognition accuracy while reducing system networkoverhead is a important problem currently faced by the convolutional neural networks To this end，alightweight convolutional neural network is proposed This networkis split into two paths
5、to parallellyextract auto-correlation and cross-correlation features of signal Then features from these two paths arecombined so that the network can ultimately achieve classification and recognition with differentmodulation modes In addition，the overhead of the network is controlled by adopting the
6、 scheme ofcontrolling the input data dimension of the convolution layer and the number of convolution cores in themodel The recognition verification of different modulation modes is performed The experimental resultshows that:the average recognition accuracy reaches 86.5%when the signal-to-noise rat
7、io is in the rangeof 6 12 dB;compared with the conventional convolutional neural network，the computational load isreduced by 94.44%;compared with the regular lightweight convolutional neural network，thecomputational load is reduced by 67.6%The performance of the proposed network is better than theex
8、isting modulation recognition methods based on lightweight convolutional neural networkKeywords:modulation recognition;convolution neural network;featureextraction;deep learning兵工学报第 44 卷0引言认知化是未来电子对抗技术发展的必然趋势，认知化电子对抗系统通过对周边环境信息的感知，并融合动态历史资源库形成完备的作战策略，从而提升信息对抗的作战效能1。当前随着通信终端数量的与日俱增，电磁环境复杂化、调制波形先进化以及
9、频谱拥塞等多种因素均给信息感知带来巨大困难。调制方式的识别是信号分析的先决条件，对认知化电子对抗系统的发展有着重大的意义。目前，常见的调制识别算法有两类，Huang 等2 和 Shi 等3 提出的基于最大似然估计的调制识别算法，其思想是在对信号特征量统计分析的基础上，采用概率理论、决策理论及假设检验理论实现信号的识别，该算法受限于计算量大和复杂度高的问题，难以 在 实 际 中 应 用。张 笑 宇 等4、Dong 等5、Liang 等6 提出的基于特征分类识别的算法，利用信号时域瞬时特征、高阶统计量特征以及变域特征等进行分类。当信噪比大于 5 dB 时，该算法可对给定信号调制方式实现有效的识别，
10、但当信噪比低于5 dB 时，其识别能力明显下降。近年来，深度学习在调制自动识别领域得到了广泛的应用7，目前基于深度学习的调制自动识别算法主要包含两类:一类是基于特征图像的识别算法，包括目标信号的时频特征图8、星座图9、高阶谱相关图10 等，此类算法在特征解释上有较强的说服力，不过在图像生成前的预处理及图像输入网络模型后的处理上都将产生额外的资源开销;另一类是直接利用深度学习网络对原始信号进行处理11 12，实现调制自动识别。该方法不需要对原始信号进行预处理，避免了在预处理过程中加入先验因素，确保原始特征的完整，但同时也保留了通信系统中的 大 量 噪 声，从 而 增 加 了 网 络 的 开 销，
11、如Lin 等13提出的 HybridNet 网络，该网络通过融合信道注意力机制和信号的时间相关性机制对信号在不同信噪比下的特征进行提取，并实现了高效的分类识别，但因其参数量较大、训练时间较长限制了其应用场景。此外，很多学者通过将传统信号处理技术与深度神经网络进行结合，实现了调制方式的有效识别，如张天骐等14 提出一种基于独立分量分析与神经网络相结合的调制识别算法，实现了调制方式的高效识别;江伟华等15 提出了一种基于独立变量分析与神经网络相结合的调制识别算法，实现了调制方式的高效识别;安泽亮等16 首先采用迫零盲均衡技术对信号表征能力进行增强，然后利用卷积神经网络(CNN)实现对信号调制方式的
12、准确识别。从实际应用性出发，尽管传统深度神经网络具有良好的特征提取能力、较高的识别准确率及泛化能力，但由于其自身网络结构复杂度高、参数量和计算量大等不足，很大程度上限制了它在实际环境中的应用。针对以上问题，本文提出了双路降维 CNN(DP-DCnet)，以非合作通信接收方为背景，对多种不同信号调制方式的识别能力进行研究分析，并对该网络的参数量及计算量进行评估。1卷积层特征提取及开销控制分析卷积层是 CNN 的核心，卷积层中卷积核的合理设计有助于准确提取数据的特征及控制网络的开销17。一般地，需要提取的特征都是高度非线性的，对于传统的 CNN 网络，为更好地提取潜在的特征，通常需要选择超完备的卷
13、积层把所有可能的特征全部覆盖，但将使得网络参数量十分庞大，导致网络性能较差。因此依据数据样本结构设计相对合理的卷积层，是实现高性能网络的有效手段。文献 11 中，选用 1 8 维卷积核对 I/Q 两路数据进行独立的纵向自相关特征提取;文献 12中，首先选用 1 3 维卷积核对 I/Q 两路数据进行纵向自相关特征提取，之后选用 2 3 维卷积核获取横向的互相关特征;文献 18 是在文献 11 基础上的改进，先选用 2 1 维卷积核对数据特征进行提取，后选取 1 3 维卷积核，从而有效降低了网络开销。从数据特征提取的角度分析，文献 11选用单路自相关方案获取 I/Q 两路数据纵向自相关特征;文献
14、12 和文献 18选用自相关和互相关混合方案获取 I、Q 路混合相关特征。图 1、图 2 分别给出了文献 11 和文献 18 的特征提取可视化过程。从图 1、图 2 中可以看出，对于相同的输入样本，不同提取方案输出的特征存在很大差异，同时文献 18 也证明了混合相关特征比单独自相关特征更有利于信号的识别。但是，由于自相关和互相关特征混合会产生部分特征的抵消，从而降低了信号识别的准确度。645第 2 期DP-DCnet 卷积神经网络信号调制识别算法图 1卷积层(1 8)特征提取可视化过程11 Fig 1Visualization process of the extraction of conv
15、olutionlayers(1 8)features11 图 2卷积层(2 1)(1 3)特征提取可视化过程18 Fig 2Visualization process of the extraction of convolutionlayers(2 1)(1 3)features18 CNN 的开销主要来源于卷积层的参数量和计算量。Pm=Wk Hk Ni No+K No(1)式中:Pm为卷积层的参数量;Wk、Hk分别为卷积核的宽和高，(Wk Hk)为卷积核的维度;Ni为输入通道数;No为输出通道数;K 为偏置项参数。从卷积层参数量的角度分析，式(1)为卷积层参数量的计算通用公式，当卷积层偏置项
16、 bias=Ture 时 K=1;当 bias=False 时 K=0;当采用 BN 层时 K=3。由式(1)可知，Pm由卷积核的维度和输入输出的通道数(即卷积核的数量)决定。文献 11中指出，将 I/Q 原始信号作为输入信号的 CNN，适当减少卷积层中卷积核的数量对特征提取的性能不会产生明显的影响，因此降低卷积层输入和输出的通道数可有效降低卷积层的参数量。另一方面，小维度卷积核的使用同样可以控制网络参数量的使用，但同时也限制了网络提取特征的能力。文献 19 和文献 20 指出，小维度卷积核对特征提取能力的影响可通过增加网络层的深度和宽度来解决。从卷积层计算量的角度分析，式(2)给出了单个卷积层计算量公式，式(3)和式(4)给出了输入特征维度和输出特征维度关系:Cm=Wk Hk Ni No Swo Sho(2)Swo=1S(Swi Wk+2 Pwp)+1(3)Sho=1S(Shi Hk+2 Php)+1(4)式中:Cm为卷积层的计算量;S 为步长;Swo、Sho分别为输出特征的宽和高，(Swo Sho)为卷积层输出特征维度;Swi、Shi分别为输入特征的宽和高，(Swi Shi)为卷积
