1、书书书DOI:1020079/jissn1001893x220111003引用格式:杨小蒙，张涛，庄建军，等基于稀疏深度神经网络的电磁信号调制识别 J 电讯技术，2023，63(2):151157 YANG X M，ZHANG T，ZHUANG J J，et alModulation recognition of electromagnetic signal based on sparse depth neural networkJTelecommunication Engineering，2023，63(2):151157基于稀疏深度神经网络的电磁信号调制识别*杨小蒙杨小蒙1a1a，2 2，
2、张涛，张涛2 2，庄建军，庄建军1a1a，唐震，唐震1b1b，2 2(1南京信息工程大学 a电子与信息工程学院;b计算机与软件学院，南京 210044;2国防科技大学第六十三研究所，南京 210007)摘要:为在低复杂度约束条件下提升电磁信号调制识别的性能，提出了一种基于稀疏深度神经网络(Sparse Deep Neural Network，SDNN)的电磁信号调制识别方法。首先，通过提取电磁信号同相和正交两路数据绘制出信号的星座图，作为信号的浅层特征表达;然后，基于星座图中各信号点密度大小对星座图进行上色，增强星座图中信号特征;最后，通过 SDNN 对增强后的星座图进行识别分类。实验结果表明
3、，SDNN 模型选取合适的剪枝率后，能够有效降低模型存储规模和计算量，其中模型参数压缩了 72%，浮点运算量压缩了 45%，与原模型 97%的综合识别率相比，稀疏化处理后模型的综合识别率为 968%，在小幅度识别精度损失范围内大幅降低了模型复杂度。关键词:电磁信号;调制识别;星座图;稀疏深度神经网络(SDNN)开放科学(资源服务)标识码(OSID):微信扫描二维码听独家语音释文与作者在线交流享本刊专属服务中图分类号:TN9117;TN971文献标志码:A文章编号:1001893X(2023)02015107Modulation ecognition of Electromagnetic Sig
4、nalBased on Sparse Depth Neural NetworkYANG Xiaomeng1a，2，ZHANG Tao2，ZHUANG Jianjun1a，TANG Zhen1b，2(1aSchool of Electronic and Information Engineering;1bSchool of Computer and Software，Nanjing University of Information Science and Technology，Nanjing 210044，China;2The 63rd esearch Institute，National U
5、niversity of Defense Technology，Nanjing 210007，China)Abstract:In order to improve the performance of electromagnetic signal modulation recognition under lowcomplexity constraints，an electromagnetic signal modulation recognition method based on sparse depthneural network(SDNN)is proposedFirst，by extr
6、acting the in-phase/quadrature data of the electromagneticsignal，the constellation of the signal is drawn as the shallow feature expression of the signalThen，theconstellation is colored based on the density of each signal point in the constellation to enhance the signalcharacteristics in the constel
7、lation Finally，the enhanced constellation is recognized and classified bySDNNThe experimental results show that the SDNN model can effectively reduce the storage scale andcomputation of the model after selecting the appropriate pruning rate And the model parameters arecompressed by 72%and the floati
8、ng-point operation is compressed by 45%Compared with the 97%comprehensive recognition rate of the original model，the comprehensive recognition rate of the sparse modelis 968%，which is within the range of small loss of recognition accuracyThe complexity of the model isgreatly reducedKey words:electro
9、magnetic signal;modulation recognition;constellation map;sparse depth neural network(SDNN)151第 63 卷 第 2 期2023 年 2 月电讯技术Telecommunication EngineeringVol63，No2February，2023*收稿日期:20220111;修回日期:20220223基金项目:国家自然科学基金资助项目(61801496，61801497，62171228);国家重点研发计划项目(2021YFE0105500);军委科技委基础加强计划领域基金项目(2019-JCJQ-J
10、J-221)通信作者:张涛0引言随着通信技术的发展，调制方式变的越来越复杂，用频设备不断增多，这对自动调制识别技术提出了新的要求。基于特征提取的模式识别越来越受重视，研究者正积极寻找新的特征参数和设计更好的分类规则来达到更好的自动调制识别性能。目前，常见的特征提取方法大都从时域、频域等维度提取调制信号的瞬时统计特征1、高阶累积量23 和循环谱等特征4，在一定情况下能够准确识别不同调制类型的信号，识别速度相对较快，但是需要人工提取特征，选择哪种特征依赖于人的专业知识，而且阈值难以确定。卷积神经网络(Convolutional Neural Network，CNN)作为深度学习的一个分支，凭借其在
11、图像分类上的优越性能，能够把调制信号的识别问题转化为图像分类问题，从图像中自动提取特征，受到了研究者们的关注514。模型剪枝作为模型压缩中较为核心的方法，它可以清除网络中冗余的参数与计算量。文献 15 基于权重修剪网络中不重要的连接，在 ImageNet 数据集上，在不损失精度的同时将AlexNet 和 VGG-16 的参数数量分别减少了 9 倍和13 倍。文献 16 对整个层进行修剪，提出一种结构化稀疏学习(Structured Sparsity Learning，SSL)方法来正则化深度神经 网 络(Deep Neural Network，DNN)的结构，将 20 层的 esNet 减少到
12、了 18 层，并把识别率从 9125%提高到了 9260%。文献 15 和 16分别把剪枝对象作用于细粒度的权重级别和粗粒度的层级别上，虽然减少了模型的资源消耗，但是不能兼具灵活性和通用性。受其启发，本文着眼于解决低复杂度约束条件下电磁调制信号识别问题，提出了一种基于稀疏深度神经网络(Sparse Deep Neural Network，SDNN)的电磁信号调制识别算法，把剪枝对象作用于通道上，而通道级别的剪枝在灵活性和易于实现之间实现了很好的权衡。实验结果表明，选取 50%为剪枝率对模型剪枝后，提出的稀疏深度神经网络能够有效降低模型存储和计算成本，在精度损失 02%的前提下，模型的参数量减少
13、了 72%，每秒浮点运算次数减少了 45%。1信号图像域特征提取常见 的 4ASK、BPSK、QPSK、OQPSK、8PSK、16QAM、32QAM 和 64QAM 等调制信号的基带波形为s(t)=nang(tnT)+v(t)。(1)式中:g(t)为等效滤波器;v(t)为加性高斯白噪声;an为调制信号符号序列。不同调制信号的信号序列具体设计如下:对于 ASK 类信号，有an=In+jQn。(2)式中:In 1，2，M1，M 为调制进制数;Qn=0。对于 PSK 类信号，有an=ej(2i+1)M，i=0，1，M1。(3)对于 QAM 类信号，有an=In+jQn。(4)式中:In，Qn 2iM
14、4+1，i=0，1，M41。对调制信号进行正交解调获取 I/Q 两路数据，绘制出信号星座图后，以每一信号点为中心，为各点划定边长为 r 的矩形区域，分别计算星座图中各信号点在各自矩形区域的信号点个数 d，也即矩形区域的密度表征，依据 d 的大小为各信号点上色，增强图像特征。以 8PSK 为例，星座图依据点密度上色示意图如图 1 所示。图 18PSK 依据点密度上色示意图251wwwteleonlinecn电讯技术2023 年在信噪比为0 dB、6 dB以及10 dB的高斯白噪声下，可得 8 种信号的数据处理效果，如图 2 所示。图 2不同信噪比噪声下的信号处理效果2稀疏深度神经网络AlexNe
15、t 由 Krizhevsky 等人在 2012 年 ImageNet竞赛中提出，并以显著优势赢得了比赛冠 军。AlexNet 模型整体结构先采用卷积层提取图片特征，然后采用全连接层对特征分类。与全连接层相比，卷积层采用局部连接和权值共享的方式进行数据传递，减少了网络的参数量和计算量。因此，为了减少模型的资源消耗，对 AlexNet 模型进行改进。首先仍然采用卷积层提取图片特征。与 AlexNet 模型不同的是，改进型 AlexNet 采用卷积层代替全连接层对特征分类。为了进一步加快网络训练速度，在每一卷积层后，eLu 激活函数前加上批归一化(BatchNormalization，BN)层。整体
16、结构如图 3 所示，其中每个 Block 层由三部分组成，分别是卷积层、BN 层、eLU 激活层。卷积层用于提取图片特征;BN 层用于对特征数据归一化，加快网络训练;eLU 激活层用于加入非线性因素，提高模型的表达能力。图 3改进型 AlexNet 整体结构模型剪枝是模型压缩中较为核心的方法，它可以清除网络中冗余的参数与计算量，让模型更加紧凑高效，而模型稀疏化是一种模型剪枝的有效方法。先前的研究表明，稀疏性可以在不同的级别上实现，例如权重级别、核级别、通道级别或层级别。相比于权重级的实现难度和层级的低灵活性，通道级稀疏性在灵活性和易于实现之间提供了一个很好的折中，它可以应用于任何典型的 CNN 或完全连接的网络(将每个神经元视为一个通道)。通道级稀疏性为每个通道引入一个缩放因子，乘以该通道的输出;然后，联合网络权重和这些缩放因子，并对后者施加稀疏性正则化;最后，修剪那些小缩放因子通道，并微调被修剪的网络。本文以改进型 AlexNet为原模型，利用通道级稀疏性剪枝算法对模型进行压缩，具体流程如图 4 所示。图 4模型压缩流程图21通道稀疏化上述改进型 AlexNet 模型中设置了 BN
