1基于機(jī)器學(xué)習(xí)的調(diào)制模式識(shí)別系統(tǒng)設(shè)計(jì)摘要在通信行業(yè)崛起，通信技術(shù)飛速發(fā)展的當(dāng)下，信號(hào)調(diào)制分類技術(shù)正在成為關(guān)鍵的研究重點(diǎn)。該技術(shù)在通信網(wǎng)絡(luò)的管理和維護(hù)上能幫助進(jìn)行故障診斷與排查，在軍事、國(guó)家安全等領(lǐng)域有助于信號(hào)識(shí)別和監(jiān)測(cè)，確保信息傳輸安全與隱私。在推動(dòng)通信技術(shù)的創(chuàng)新與發(fā)展也極為關(guān)鍵，它能為新調(diào)制技術(shù)的性能評(píng)估提供有效手段，助力新調(diào)制技術(shù)的改進(jìn)與優(yōu)化，加快從理論到實(shí)際應(yīng)用的轉(zhuǎn)化，是現(xiàn)代通信領(lǐng)域研究與發(fā)展的關(guān)鍵環(huán)節(jié)之一。本文致力于構(gòu)建一種基于卷積神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)模型，以BPSK,QPSK,16QAM調(diào)制為實(shí)驗(yàn)對(duì)象，通過(guò)配置模型的結(jié)果和參數(shù)，經(jīng)過(guò)隨機(jī)生成的信號(hào)數(shù)據(jù)進(jìn)行訓(xùn)練，實(shí)現(xiàn)對(duì)調(diào)制信號(hào)的識(shí)別和分類。在數(shù)據(jù)生成時(shí)，我們從原始二進(jìn)制數(shù)據(jù)出發(fā)，借助特定函數(shù)進(jìn)行調(diào)制形成復(fù)數(shù)信號(hào)，再經(jīng)過(guò)模擬AWGN信道和多徑信道處理，使數(shù)據(jù)貼近實(shí)際通信環(huán)境的完整過(guò)程。在卷積神經(jīng)網(wǎng)絡(luò)模型中，輸入層將復(fù)數(shù)信號(hào)實(shí)部和虛部分別作為通道輸入，卷積層利用共享卷積核提取多維度特征，批量歸一化層穩(wěn)定數(shù)據(jù)分布，ReLU激活層引入非線性，全連接層整合特征，輸出層基于Softmax函數(shù)完成分類。整個(gè)訓(xùn)練過(guò)程采用了隨機(jī)梯度下降法和交叉熵?fù)p失函數(shù)來(lái)保證準(zhǔn)確率，最后通過(guò)混淆矩陣算出三種調(diào)制方式各自的F1分?jǐn)?shù)和召回率，以此為依據(jù)對(duì)模型的分類性能進(jìn)行評(píng)估。關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)調(diào)制信號(hào)混淆矩陣

DesignofModulationModeRecognitionSystemBasedonDeepLearningAbstractInthecurrenteraoftheriseofthecommunicationindustryandtherapiddevelopmentofcommunicationtechnologies,signalmodulationclassificationtechnologyisbecomingakeyresearchfocus.Thistechnologycanassistinfaultdiagnosisandtroubleshootinginthemanagementandmaintenanceofcommunicationnetworks,andishelpfulforsignalrecognitionandmonitoringinmilitaryandnationalsecurityfields,ensuringthesecurityandprivacyofinformationtransmission.Itisalsoextremelycrucialinpromotingtheinnovationanddevelopmentofcommunicationtechnologies.Itcanprovideeffectivemeansfortheperformanceevaluationofnewmodulationtechnologies,helpimproveandoptimizenewmodulationtechnologies,acceleratethetransformationfromtheorytopracticalapplication,andisoneofthekeylinksintheresearchanddevelopmentofmoderncommunicationfields.Thispaperaimstoconstructamachinelearningmodelbasedonconvolutionalneuralnetworks,usingBPSK,QPSK,and16QAMmodulationasexperimentalobjects.Byconfiguringtheresultsandparametersofthemodelandtrainingitwithrandomlygeneratedsignaldata,itrealizestherecognitionandclassificationofmodulationsignals.Duringdatageneration,westartfromtheoriginalbinarydata,usespecificfunctionstomodulateandformcomplexsignals,andthenprocessthemthroughsimulatedAWGNchannelsandmultipathchannelstomakethedataclosertothecompleteprocessoftheactualcommunicationenvironment.Intheconvolutionalneuralnetworkmodel,therealandimaginarypartsofthecomplexsignalarerespectivelyinputaschannelsintheinputlayer,theconvolutionallayerusessharedconvolutionkernelstoextractmulti-dimensionalfeatures,thebatchnormalizationlayerstabilizesthedatadistribution,theReLUactivationlayerintroducesnonlinearity,thefullyconnectedlayerintegratesfeatures,andtheoutputlayercompletesclassificationbasedontheSoftmaxfunction.Theentiretrainingprocessadoptsthestochasticgradientdescentmethodandcross-entropylossfunctiontoensureaccuracy.Finally,theF1scoreandrecallrateofeachmodulationmethodarecalculatedthroughtheconfusionmatrix,andtheclassificationperformanceofthemodelisevaluatedbasedonthis.Keywords:ConvolutionalNeuralNetwork,ModulatedSignal,ConfusionMatri

目錄TOC\o"1-3"\h\u25674第一章緒論 第一章緒論1.1研究背景及意義調(diào)制模式主要分為模擬調(diào)制和數(shù)字調(diào)制，就是指在通信中，用于將信息信號(hào)轉(zhuǎn)換為適合在傳輸介質(zhì)上傳播的形式的方法。這些模式定義了如何通過(guò)改變載波信號(hào)的幅度、頻率或相位來(lái)編碼信息，在信號(hào)監(jiān)測(cè)、通信系統(tǒng)和電子對(duì)抗等領(lǐng)域具有重要應(yīng)用。隨著無(wú)線通信技術(shù)的快速發(fā)展，各種調(diào)制技術(shù)層出不窮，通信環(huán)境也日趨復(fù)雜。早期的信號(hào)調(diào)制識(shí)別工作主要依靠有經(jīng)驗(yàn)的專家進(jìn)行手工操作，存在特征提取困難、泛化能力不足、自動(dòng)化能力低等局限性，最終的判斷結(jié)果主觀性比較強(qiáng)，準(zhǔn)確率也難以保證。[1]而機(jī)器學(xué)習(xí)，特別是深度學(xué)習(xí)技術(shù)的興起，為調(diào)制模式識(shí)別提供了新的思路。機(jī)器學(xué)習(xí)算法能夠自動(dòng)學(xué)習(xí)信號(hào)特征，并建立特征與調(diào)制類型之間的映射關(guān)系，具有推動(dòng)機(jī)器學(xué)習(xí)在信號(hào)處理領(lǐng)域的應(yīng)用和發(fā)展、探索新的調(diào)制識(shí)別算法和模型以提高識(shí)別準(zhǔn)確率和效率、為未來(lái)智能通信系統(tǒng)提供理論支撐等理論意義和實(shí)際應(yīng)用價(jià)值。1.2國(guó)內(nèi)外研究現(xiàn)狀近些年，國(guó)內(nèi)學(xué)者對(duì)通信信號(hào)分類技術(shù)的研究逐漸深入，已經(jīng)提出了CNN、RNN等多種模型，利用這些模型系統(tǒng)的研究了多徑衰落、多普勒頻移等復(fù)雜信道特征對(duì)模型性能的影響，在此基礎(chǔ)上提出了自適應(yīng)特征增強(qiáng)、噪聲魯棒性訓(xùn)練等解決方案。截至目前，這一技術(shù)已經(jīng)成功應(yīng)用于低軌衛(wèi)星通信、認(rèn)知無(wú)線電等通信系統(tǒng)中。國(guó)內(nèi)一些企業(yè)和研究機(jī)構(gòu)合作研發(fā)了專用的信號(hào)處理芯片，能夠快速實(shí)現(xiàn)信號(hào)的采集、預(yù)處理和初步的調(diào)制類型分類，同時(shí)開發(fā)了基于軟件無(wú)線電平臺(tái)的實(shí)時(shí)調(diào)制識(shí)別系統(tǒng)模型，實(shí)現(xiàn)了對(duì)通信信號(hào)調(diào)制類型分類技術(shù)的廣泛實(shí)踐。2004年，范海波等對(duì)信號(hào)功率譜、平方譜、四次方譜及信號(hào)包絡(luò)譜進(jìn)行研究,提出了一組無(wú)需先驗(yàn)知識(shí)且對(duì)信噪比和信號(hào)調(diào)制參數(shù)不敏感的分類特征參數(shù)，提出了一種基于強(qiáng)頑健性譜特征的信號(hào)調(diào)制方式的自動(dòng)識(shí)別方法。[2]2012年，秦立龍等在分析提升小波應(yīng)用在調(diào)制模式自動(dòng)識(shí)別的基礎(chǔ)上，提出了一種新的特征提取方法，驗(yàn)證了在信噪比為0～20dB的情況下，基于改進(jìn)第二代小波的特征識(shí)別方法能夠得到較高的調(diào)制模式正確識(shí)別率。[3]2022年，劉祥輝分析了調(diào)制模式識(shí)別技術(shù)的發(fā)展以及改善方向，提出了一個(gè)調(diào)制模式識(shí)別方案，包括對(duì)含噪信號(hào)使用卷積降噪自編碼器進(jìn)行降噪預(yù)處理，針對(duì)常用PSK和QAM信號(hào)，具有較高的識(shí)別準(zhǔn)確率。[4]2024年，張瀚之等總結(jié)了常見(jiàn)調(diào)制模式識(shí)別方法：基于最大似然估計(jì)的調(diào)制模式識(shí)別方法、基于特征提取的調(diào)制模式識(shí)別方法。分析各自的優(yōu)缺點(diǎn)后提出觀點(diǎn)：傳統(tǒng)的離線學(xué)習(xí)方式難以滿足目前真實(shí)環(huán)境的需要，因此要滿足動(dòng)態(tài)變化的需求，則必然需要對(duì)在線調(diào)制模式識(shí)別方法進(jìn)行深入研究。[5]在這一領(lǐng)域上，國(guó)外的研究開始比較早，所以研究水平也處于領(lǐng)先狀態(tài)。在調(diào)制識(shí)別的任物場(chǎng)景下，國(guó)外方面提出的深度殘差網(wǎng)絡(luò)（ResNet）、生成對(duì)抗網(wǎng)絡(luò)（GAN）等模型，都得到了廣泛的應(yīng)用與一致的好評(píng)。并且國(guó)外研究人員還構(gòu)建了很多個(gè)龐大的開源數(shù)據(jù)集，像RadioML、DeepSig等便是其中的代表，它們基于貝葉斯理論框架，對(duì)如何運(yùn)用先驗(yàn)信息來(lái)提升分類的準(zhǔn)確性和可靠性展開了深入研究，為性能評(píng)估以及新算法開發(fā)提供了數(shù)據(jù)基礎(chǔ)。在軍事通信、電子偵察、衛(wèi)星通信等領(lǐng)域，國(guó)外學(xué)者們利用這一技術(shù)對(duì)不同衛(wèi)星鏈路的信號(hào)進(jìn)行精確識(shí)別和處理，提高了衛(wèi)星通信系統(tǒng)的抗干擾能力和傳輸可靠性，實(shí)現(xiàn)了對(duì)復(fù)雜電磁環(huán)境下敵方通信信號(hào)的快速識(shí)別和分析，為電子作戰(zhàn)提供了有力的技術(shù)支持。2014年

，Hong-daLIU等提出了一種基于高階譜、循環(huán)譜和時(shí)頻特征的聯(lián)合特征提取與識(shí)別方法。具有識(shí)別參數(shù)少、對(duì)噪聲不敏感、計(jì)算量小、識(shí)別率高、可多品種識(shí)別等優(yōu)點(diǎn)。[6]2015年，JideJuliusPopoola和RexVanOlst提出了兩個(gè)新的分類器，它們可以自動(dòng)識(shí)別12個(gè)組合的模擬和數(shù)字調(diào)制信號(hào)，而無(wú)需任何調(diào)制方案和調(diào)制參數(shù)的先驗(yàn)知識(shí)。在信噪比（SNR）值從0dB及以上開始，平均總體識(shí)別率超過(guò)99.50%。[7]2018年，ZhangGY等人提出了一種基于自適應(yīng)模糊聚類模型的自動(dòng)調(diào)制分類法，根據(jù)M進(jìn)制正交幅度調(diào)制(M-QAM)的幅度分量，設(shè)計(jì)了一種鄰域半徑自適應(yīng)構(gòu)造機(jī)制，利用測(cè)試信號(hào)和標(biāo)準(zhǔn)信號(hào)之間的聚類中心數(shù)的歐幾里德距離來(lái)識(shí)別調(diào)制類型。[8]2024年，\t"/kcms2/article/_blank"JingfuLi提出了一種新的融合機(jī)器學(xué)習(xí)的模型遷移調(diào)制識(shí)別算法該算法首先采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)相結(jié)合的方式,充分挖掘和利用其在空間和時(shí)間維度上的特征提取能力。它通過(guò)并行結(jié)構(gòu)顯著提升了模型在這兩個(gè)維度上的性能,能夠保證在信號(hào)識(shí)別任務(wù)中的高效性和準(zhǔn)確性。[9]方面國(guó)內(nèi)國(guó)外理論研究發(fā)展迅速起步較早，研究水平領(lǐng)先應(yīng)用研究逐步應(yīng)用于實(shí)際系統(tǒng)應(yīng)用范圍廣，系統(tǒng)成熟數(shù)據(jù)集建設(shè)相對(duì)缺乏數(shù)據(jù)集規(guī)模大，種類豐富1.3本文主要研究?jī)?nèi)容本文設(shè)計(jì)核心是構(gòu)建一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)模型，配置其初始參數(shù)和層次結(jié)構(gòu)，經(jīng)過(guò)大量數(shù)據(jù)訓(xùn)練，最終實(shí)現(xiàn)對(duì)不同調(diào)制信號(hào)的分類識(shí)別，最后以識(shí)別準(zhǔn)確率，混淆矩陣參數(shù)來(lái)評(píng)估該模型的性能和可行性。第一章主要講通信信號(hào)調(diào)制識(shí)別技術(shù)在當(dāng)今的重要地位，以及本課題的研究目的，同時(shí)介紹了近些年來(lái)國(guó)內(nèi)外對(duì)此技術(shù)的研究現(xiàn)狀。第二章以機(jī)器學(xué)習(xí)為背景，詳細(xì)的講述了卷積神經(jīng)網(wǎng)絡(luò)的層次結(jié)構(gòu)以及各層結(jié)構(gòu)的功能和原理，介紹了其中關(guān)鍵的算法，選擇了與本次課題研究最契合的實(shí)驗(yàn)方法：激活函數(shù)ReLU函數(shù)，隨機(jī)梯度下降法，交叉熵?fù)p失函數(shù)。第三章重點(diǎn)分析了三種待實(shí)驗(yàn)調(diào)制方式的原理，介紹了本次研究對(duì)原始數(shù)據(jù)的預(yù)處理方法選擇，運(yùn)用了歸一化處理和分幀處理，并在模型中加入了多徑信道和AWGN信道，讓生成的數(shù)據(jù)更加貼合真實(shí)場(chǎng)景下的信號(hào)數(shù)據(jù)。第四章記錄了一次完整的實(shí)驗(yàn)過(guò)程，從模型的層次結(jié)構(gòu)分析，到初始參數(shù)的設(shè)置，通過(guò)對(duì)訓(xùn)練結(jié)果的參數(shù)分析，評(píng)估這個(gè)模型對(duì)不同調(diào)制方式的識(shí)別性能，并討論優(yōu)化方案。第五章為結(jié)尾部分，主要是對(duì)全文內(nèi)容的總結(jié)和對(duì)該模型未來(lái)的工作方向展望，分析了其應(yīng)用前景和改進(jìn)空間，也是對(duì)本次課題研究的總結(jié)。

第二章深度學(xué)習(xí)理論基礎(chǔ)2.1引言人工智能是引領(lǐng)未來(lái)的重要戰(zhàn)略性技術(shù)，是推動(dòng)新一輪科技革命與產(chǎn)業(yè)變革的關(guān)鍵力量[10]，而深度學(xué)習(xí)是其中影響力頗大且極具發(fā)展?jié)摿Φ囊粋€(gè)技術(shù)方向。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)重要分支，由于它具有自動(dòng)特征提取能力，非線性擬合能力，可擴(kuò)展性，非常適用于本課題，所以本次實(shí)驗(yàn)選擇以深度學(xué)習(xí)算法為基礎(chǔ)展開。深度學(xué)習(xí)的重點(diǎn)是構(gòu)建具備多個(gè)層次的神經(jīng)網(wǎng)絡(luò)模型，依靠這樣的模型構(gòu)造，計(jì)算機(jī)能夠自行從大量的數(shù)據(jù)中提取復(fù)雜的特征并找出內(nèi)在規(guī)律，進(jìn)而有能力有效處理各類任務(wù)。深度學(xué)習(xí)的蓬勃發(fā)展，與大數(shù)據(jù)時(shí)代的降臨以及計(jì)算能力的大幅增強(qiáng)息息相關(guān)。在實(shí)際應(yīng)用領(lǐng)域，深度學(xué)習(xí)對(duì)圖像識(shí)別、語(yǔ)音識(shí)別、自然語(yǔ)言處理等 方面都展現(xiàn)了強(qiáng)大的優(yōu)勢(shì)。2.2神經(jīng)網(wǎng)絡(luò)原理神經(jīng)網(wǎng)絡(luò)是一種模仿生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能的數(shù)學(xué)模型，是由大量神經(jīng)元通過(guò)相互連接而構(gòu)成的自適應(yīng)非線性動(dòng)態(tài)網(wǎng)絡(luò)系統(tǒng)。[11]它通過(guò)學(xué)習(xí)訓(xùn)練數(shù)據(jù)中的模式和特征來(lái)實(shí)現(xiàn)分類、回歸、聚類等各種任務(wù)。通過(guò)參照生物神經(jīng)元原理工作接收多個(gè)輸入信號(hào)后，先進(jìn)行加權(quán)求和，再經(jīng)激活函數(shù)處理，輸出的結(jié)果便成為下一層神經(jīng)元的輸入內(nèi)容。眾多神經(jīng)元依據(jù)特定層次結(jié)構(gòu)相互連接，就形成了神經(jīng)網(wǎng)絡(luò)。圖常見(jiàn)的神經(jīng)網(wǎng)絡(luò)包含輸入層、隱藏層以及輸出層這幾部分。原始數(shù)據(jù)從輸入層進(jìn)入，到了隱藏層，經(jīng)過(guò)神經(jīng)元的加權(quán)求和與激活函數(shù)的處理，再將數(shù)據(jù)的特征進(jìn)行轉(zhuǎn)換和抽象，最終流轉(zhuǎn)到輸出層得到相應(yīng)的預(yù)測(cè)結(jié)果，整個(gè)過(guò)程通過(guò)不斷調(diào)整神經(jīng)元之間連接的權(quán)重，讓模型的輸出盡可能接近真實(shí)結(jié)果。2.3卷積神經(jīng)網(wǎng)絡(luò)（CNN）CNN專為處理網(wǎng)格狀數(shù)據(jù)（如圖像、音頻、視頻）設(shè)計(jì)，通過(guò)局部感受野、權(quán)值共享、層次化特征提取等機(jī)制顯著減少參數(shù)量并保留空間信息。2.3.1卷積層（ConvolutionLayer）卷積層是CNN的核心部分，主要由多個(gè)卷積核構(gòu)成。卷積核在輸入圖像上滑動(dòng)，計(jì)算卷積核與輸入圖像的局部區(qū)域之間的卷積結(jié)果，[12]在卷積過(guò)程中，權(quán)重和偏置通過(guò)訓(xùn)練過(guò)程自動(dòng)學(xué)習(xí)，與對(duì)應(yīng)位置的數(shù)據(jù)進(jìn)行點(diǎn)積運(yùn)算，得到的結(jié)果構(gòu)成了輸出的特征圖（FeatureMap）。圖 圖 假設(shè)輸入特征圖X的大小為Hin*Win(Hin表示高度，Win表示寬度），卷積核K的大小為h*w（h為高度，w為寬度），步長(zhǎng)（stride，卷積核每次在水平和垂直方向移動(dòng)的間隔）為s，填充（padding，在輸入特征圖邊緣補(bǔ)充的像素圈數(shù)）為p，輸出特征圖Y的大小為Hout*Wout，其計(jì)算公式如下：輸出特征圖尺寸計(jì)算： HW輸出特征圖元素值計(jì)算：Y2.3.2池化層（PoolingLayer）池化層，通常被稱作下采樣層，大多是緊跟在卷積層之后的。他會(huì)采用聚合鄰近區(qū)域特征值的手段，進(jìn)一步減少參數(shù)總量。這不僅能夠降低計(jì)算成本，還有助于提高模型的魯棒性，讓模型對(duì)輸入數(shù)據(jù)出現(xiàn)的微小變動(dòng)不會(huì)產(chǎn)生太敏感的反應(yīng)。[13]常見(jiàn)的池化方法有最大池化（MaxPooling）和平均池化（AveragePooling）這兩種。最大池化的做法是從特征圖里的每個(gè)局部區(qū)域挑選出最大值輸出，有助于突出那些比較顯著的特征；平均池化是通過(guò)計(jì)算局部區(qū)域的平均值來(lái)作為輸出，從而實(shí)現(xiàn)對(duì)特征的平滑處理效果。圖2..5 最大池化過(guò)程圖2.6 平均池化過(guò)程2.3.3全連接層（FullyConnectedLayer）全連接層位于CNN的后部，通常由一層或多層神經(jīng)元組成，這些神經(jīng)元之間通過(guò)復(fù)雜的連接和權(quán)重關(guān)系進(jìn)行交互，主要任務(wù)是提取和學(xué)習(xí)數(shù)據(jù)中的特征，通過(guò)不斷的迭代和優(yōu)化逐漸發(fā)現(xiàn)數(shù)據(jù)中隱藏的模式和規(guī)律。[14]在全連接層會(huì)把所有的特征圖展平為一維向量，通過(guò)加權(quán)求和與非線性變換，將這些特征映射到一個(gè)新的特征空間中，為最終的分類或預(yù)測(cè)任務(wù)做準(zhǔn)備。將全連接層與前面步驟連接起來(lái)，則卷積的全過(guò)程如圖2.7所示。圖2.7 卷積過(guò)程2.4激活函數(shù)及其特性在神經(jīng)網(wǎng)絡(luò)中，激活函數(shù)的出現(xiàn)為神經(jīng)元引入了非線性因素，這樣神經(jīng)網(wǎng)絡(luò)就能夠?qū)W習(xí)和擬合復(fù)雜的非線性關(guān)系，否則多個(gè)線性層的堆疊仍然只能表示線性關(guān)系，那么無(wú)法處理現(xiàn)實(shí)中的復(fù)雜數(shù)據(jù)。2.4.1Sigmoid函數(shù)Sigmoid函數(shù)（又稱Logistic函數(shù)）常被用于將神經(jīng)元的輸出映射為概率值，是最常用的激活函數(shù)之一網(wǎng)絡(luò)中特征在零附近的二分類需要精確的sigmoid激活。優(yōu)選近似的sigmoid激活函數(shù),以降低計(jì)算復(fù)雜度和硬件資源。[15]處理二分類問(wèn)題的輸出層可以將任意實(shí)數(shù)映射到(0,1)區(qū)間，公式為：?其中輸入：x∈R（任意實(shí)數(shù)），輸出：σ(x)∈(0,1)（概率值）圖2.7 Sigmoid函數(shù)曲線2.4.2Tanh函數(shù)Tanh函數(shù)相比于Sigmoid函數(shù)，它的輸出是以0為中心對(duì)稱的，在一定程度上能夠緩解梯度消失問(wèn)題，并可以表征特征與潛在標(biāo)簽之間的非線性關(guān)系，Tanh函數(shù)通過(guò)將潛在標(biāo)簽空間的定義域約束為區(qū)間[-1,1]來(lái)描述標(biāo)簽的分布，[16]其公式為：f圖2.8Tanh函數(shù)曲線2.4.3ReLU函數(shù)深度學(xué)習(xí)模型在訓(xùn)練時(shí)容易受到對(duì)抗樣本的影響,為了降低這種影響，增強(qiáng)模型的恢復(fù)能力，RELU函數(shù)應(yīng)運(yùn)而生。[17]ReLU函數(shù)計(jì)算簡(jiǎn)單且效率高，在輸入大于0時(shí)，輸出等于輸入，能夠有效避免梯度消失問(wèn)題，加快訓(xùn)練速度。同時(shí)，ReLU函數(shù)具有稀疏性，當(dāng)輸入小于0時(shí)輸出為0，使得部分神經(jīng)元處于休眠狀態(tài)，減少了神經(jīng)元之間的相互依賴，有助于防止過(guò)擬合現(xiàn)象,其公式為：R圖2.8ReLU函數(shù)曲線2.4.4激活函數(shù)選擇在處理信號(hào)數(shù)據(jù)時(shí)，模型需要快速有效的學(xué)習(xí)不同調(diào)制信號(hào)的復(fù)雜特征，為例加快訓(xùn)練速度，提高效率，本次實(shí)驗(yàn)選擇ReLU函數(shù)作為激活函數(shù)。ReLU函數(shù)通過(guò)避免梯度消失問(wèn)題，讓模型能更快收斂，簡(jiǎn)單的計(jì)算方式可以適應(yīng)大規(guī)模數(shù)據(jù)處理，節(jié)省計(jì)算資源，并且這一算法的防止過(guò)擬合能力增強(qiáng)了模型對(duì)不同調(diào)制類型信號(hào)的泛化能力，有助于模型在實(shí)際應(yīng)用中準(zhǔn)確識(shí)別各種調(diào)制類型的通信信號(hào)，而Sigmoid和Tanh函數(shù)在梯度特性、計(jì)算復(fù)雜度以及防止過(guò)擬合方面存在一定劣勢(shì)，不太能滿足該模型的需求。三種激活函數(shù)特性比較見(jiàn)下表：特性SigmoidTanhReLU輸出范圍(0,1)(-1,1)[0,+∞)對(duì)稱性非零中心（均值0.5）零中心（均值0）非零中心（均值>0）梯度飽和嚴(yán)重（兩側(cè)飽和）較嚴(yán)重（兩側(cè)飽和）僅負(fù)區(qū)間飽和（梯度為0）計(jì)算效率低（含指數(shù)運(yùn)算）中（含指數(shù)運(yùn)算）高（僅比較和取最大值）梯度最大值0.2511主要問(wèn)題梯度消失、輸出非零中心梯度消失DyingReLU（神經(jīng)元死亡）典型應(yīng)用二分類輸出層RNN/LSTM隱藏層CNN/全連接網(wǎng)絡(luò)隱藏層2.5深度學(xué)習(xí)算法優(yōu)化2.5.1梯度下降法梯度下降法是最基礎(chǔ)的優(yōu)化算法，其核心思想是基于函數(shù)梯度的概念，通過(guò)不斷沿著損失函數(shù)梯度的反方向更新模型參數(shù)，以逐步減小損失函數(shù)的值，最終達(dá)到尋找損失函數(shù)最小值點(diǎn)的目的。對(duì)于一個(gè)包含多個(gè)參數(shù)的模型，損失函數(shù)L(θ)（(

θ)

表示模型的參數(shù)集合）關(guān)于每個(gè)參數(shù)都有對(duì)應(yīng)的偏導(dǎo)數(shù)，這些偏導(dǎo)數(shù)構(gòu)成了梯度向量

?L(θ)。在每次迭代更新參數(shù)時(shí)，按照以下公式進(jìn)行：θ其中，θ

t表示第

t

次迭代時(shí)的模型參數(shù)，θt+1是更新后的參數(shù)，η而隨機(jī)梯度下降是其中求解最優(yōu)化問(wèn)題的重要方法之一,與其他方法相比，SGD可以更好地適應(yīng)非凸性和高維性質(zhì)并具有較好的求解效率。相比于全梯度每次迭代要計(jì)算所有的訓(xùn)練數(shù)據(jù)來(lái)進(jìn)行參數(shù)更新,SGD在每次迭代時(shí)只使用一個(gè)樣本來(lái)計(jì)算梯度并進(jìn)行權(quán)重更新,這樣可以大大降低計(jì)算復(fù)雜度和內(nèi)存消耗,在處理大規(guī)模數(shù)據(jù)時(shí)也更加高效。[18]2.5.2自適應(yīng)學(xué)習(xí)率算法熟知的自適應(yīng)方法有AdaGrad、Adadelta、RMSProp、Adam。其中，作為第1個(gè)自適應(yīng)優(yōu)化方法的AdaGrad所使用的對(duì)角矩陣策略一直以來(lái)被認(rèn)定為行業(yè)標(biāo)準(zhǔn)和典范，Adadelta、RMSProp、Adam也僅僅是對(duì)AdaGrad針對(duì)實(shí)驗(yàn)效果進(jìn)行適當(dāng)?shù)母倪M(jìn)，并未觸碰和更改其對(duì)角矩陣的核心理論思想。[19]Adagrad為每個(gè)參數(shù)自適應(yīng)地調(diào)整學(xué)習(xí)率，根據(jù)參數(shù)在訓(xùn)練過(guò)程中歷史梯度的平方和來(lái)動(dòng)態(tài)改變學(xué)習(xí)率大小。對(duì)于每個(gè)參數(shù)θj，Adagrad維護(hù)一個(gè)累積梯度平方和的變量

Gt,jG2.5.3優(yōu)化算法選擇本次研究我們選用了帶動(dòng)量的隨機(jī)梯度下降法（StochasticGradientDescentwithMomentum，SGDM）作為優(yōu)化算法。在訓(xùn)練過(guò)程中，按照SGDM的參數(shù)更新機(jī)制進(jìn)行操作。首先，設(shè)定合適的學(xué)習(xí)率（LearningRate）參數(shù)，這一參數(shù)決定了每次參數(shù)更新的步長(zhǎng)大小，學(xué)習(xí)率過(guò)大會(huì)導(dǎo)致模型無(wú)法收斂甚至發(fā)散，學(xué)習(xí)率過(guò)小使訓(xùn)練過(guò)程過(guò)于緩慢，經(jīng)過(guò)多次實(shí)驗(yàn)選擇設(shè)定為0.001。在確定動(dòng)量系數(shù)（MomentumCoefficient）時(shí)，取值范圍通常在0到1之間，不同的取值會(huì)影響歷史梯度信息在當(dāng)前參數(shù)更新中的權(quán)重占比。通過(guò)在訓(xùn)練初期，基于驗(yàn)證集等方式觀察模型的收斂情況，我們對(duì)學(xué)習(xí)率和動(dòng)量系數(shù)等參數(shù)進(jìn)行微調(diào)，以達(dá)到最佳的訓(xùn)練效果，使得模型能夠在SGDM的優(yōu)化下，逐步調(diào)整卷積層、全連接層等各層的權(quán)重參數(shù)，最終實(shí)現(xiàn)對(duì)不同調(diào)制類型通信信號(hào)的準(zhǔn)確分類。2.6損失函數(shù)本次實(shí)驗(yàn)使用了交叉熵?fù)p失函數(shù)法，交叉熵衡量?jī)蓚€(gè)概率分布之間的差異，用于分類任務(wù)中預(yù)測(cè)分布

與真實(shí)分布的距離。近年來(lái)，熵?fù)p失可視化技術(shù)成功地捕捉了神經(jīng)網(wǎng)絡(luò)損失曲面所表現(xiàn)出的局部極小值特性,可用于神經(jīng)網(wǎng)絡(luò)的適應(yīng)度景觀分析。[20]其公式為：H特性說(shuō)明非負(fù)性H（y,y?）不對(duì)稱性H（y,y?）概率敏感性對(duì)預(yù)測(cè)概率的錯(cuò)誤懲罰呈對(duì)數(shù)增長(zhǎng)（如真實(shí)概率1時(shí)，預(yù)測(cè)0.1的損失遠(yuǎn)大于0.4）。2.7本章小結(jié)本章圍繞深度學(xué)習(xí)理論基礎(chǔ)展開了系統(tǒng)性介紹，介紹了神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)，明確其核心神經(jīng)元的工作原理，以及神經(jīng)元如何按照輸入層、隱藏層和輸出層的層次結(jié)構(gòu)相互連接構(gòu)成完整的神經(jīng)網(wǎng)絡(luò)。進(jìn)一步聚焦于卷積神經(jīng)網(wǎng)絡(luò)原理，介紹了卷積層、池化層和全連接層的各自功能與協(xié)作機(jī)制。還闡述了激活函數(shù)在神經(jīng)網(wǎng)絡(luò)中的關(guān)鍵作用，并對(duì)深度學(xué)習(xí)中的優(yōu)化算法進(jìn)行了梳理，針對(duì)損失函數(shù)進(jìn)行了選擇與應(yīng)用，認(rèn)識(shí)了常用的損失函數(shù)。

原始信號(hào)數(shù)據(jù)處理3.1引言本章圍繞著實(shí)驗(yàn)數(shù)據(jù)采集這一關(guān)鍵環(huán)節(jié)展開深入探討?？紤]到實(shí)際通信中信號(hào)會(huì)經(jīng)歷不同信道條件的影響，且面臨著各種噪聲干擾，我們通過(guò)模擬多種信道環(huán)境，涵蓋從簡(jiǎn)單到復(fù)雜的信道模型，以此來(lái)全面捕捉不同調(diào)制類型信號(hào)在各種實(shí)際可能場(chǎng)景中的表現(xiàn)。為了確保模型能夠充分學(xué)習(xí)到各調(diào)制類型在不同情況下的特征差異，我們?cè)跀?shù)據(jù)采集過(guò)程中還注重對(duì)不同調(diào)制類型樣本數(shù)量的合理分配以及數(shù)據(jù)的預(yù)處理，獲取了一套規(guī)范準(zhǔn)確的數(shù)據(jù)集合。3.2常見(jiàn)的通信信號(hào)調(diào)制方式在現(xiàn)代通信系統(tǒng)中，存在多種不同的通信信號(hào)調(diào)制方式，每種調(diào)制方式都有其獨(dú)特的原理和特性，其中BPSK、QPSK、16QAM調(diào)制具有較強(qiáng)的代表性，既涵蓋了不同的調(diào)制維度，體現(xiàn)了不同的頻譜效率，在常見(jiàn)的通信系統(tǒng)中應(yīng)用也比較廣泛，具有實(shí)際應(yīng)用價(jià)值，所以在研究過(guò)程中選擇了這三種調(diào)制方式作為對(duì)象，以下是三種調(diào)制方式的原理。3.2.1BPSK（二進(jìn)制相移鍵控）：BPSK是一種較為簡(jiǎn)單的調(diào)制方式，它通過(guò)改變載波的相位來(lái)傳輸信息。其基本原理是利用兩種不同的相位狀態(tài)來(lái)對(duì)應(yīng)二進(jìn)制的“0”和“1”。例如，通常將相位0°表示二進(jìn)制的“0”，相位180°表示二進(jìn)制的“1”。在頻譜特性方面，BPSK信號(hào)的頻譜相對(duì)較窄，能量主要集中在中心頻率附近。由于其調(diào)制方式簡(jiǎn)單，信息傳輸效率相對(duì)較低，不高但可靠性要求較高的通信場(chǎng)景中有著廣泛應(yīng)用。假設(shè)輸入序列為b(n)∈(0,1)調(diào)制后的信號(hào)可以表示為：s當(dāng)b(n)=0時(shí)，相位是φ；當(dāng)b(n)=1時(shí)，相位是φ+π。在本次實(shí)驗(yàn)中，模型引用了圖域變換與特征提取，提取矩陣的特征值和無(wú)符號(hào)矩陣，[21]并分別計(jì)算特征值向量。3.2.2QPSK（正交相移鍵控）：QPSK是在BPSK的基礎(chǔ)上進(jìn)行了改進(jìn)，它將每?jī)蓚€(gè)二進(jìn)制比特組合在一起，映射到復(fù)平面上的四種不同相位狀態(tài)來(lái)傳輸信息。常見(jiàn)的相位映射關(guān)系有45°、135°、225°和315°，分別對(duì)應(yīng)著不同的兩比特組合（如00、01、10、11）。相較于BPSK，QPSK的信息傳輸速率提高了一倍，每個(gè)符號(hào)能夠攜帶2比特的信息。其頻譜特性上，頻譜寬度相較于BPSK有所增加，但由于相位狀態(tài)增多，其抗干擾能力相對(duì)BPSK會(huì)稍弱一些，對(duì)信道質(zhì)量要求也略高一點(diǎn)。假設(shè)輸入的數(shù)據(jù)流為d(n)，d(n)=[b2n,b2n+1]，其中bi∈{0,1}。調(diào)制后的信號(hào)可以表示為：sθ3.2.316QAM（16進(jìn)制正交相移鍵控）：QAM調(diào)制就是利用兩路并行信號(hào)與相位相同且正交的2個(gè)載波進(jìn)行乘法運(yùn)算。[22]16QAM屬于高階調(diào)制方式，它不僅利用相位的變化，還結(jié)合了幅度的變化來(lái)承載信息。通過(guò)16種不同的幅度和相位組合，將每四個(gè)二進(jìn)制比特映射為一個(gè)符號(hào)，使得每個(gè)符號(hào)能夠攜帶4比特的信息，大大提高了信息傳輸效率。在復(fù)平面上，這16種組合呈現(xiàn)出特定的點(diǎn)陣分布，不同的幅度和相位組合對(duì)應(yīng)著不同的四比特序列。但是這種調(diào)制方式的信號(hào)復(fù)雜度相較于BPSK和QPSK明顯增加，所以對(duì)信道條件要求更為苛刻，在信道質(zhì)量不佳時(shí)容易出現(xiàn)誤碼，這就更加考驗(yàn)我們?cè)诰幊虡?gòu)建模型時(shí)，對(duì)信道的參數(shù)設(shè)置和對(duì)模型數(shù)據(jù)處理部分的功能優(yōu)化。假設(shè)輸入的數(shù)據(jù)流為d(n)，d(n)=[b4n,b4n+1,b4n+2,b4n+3]，其中bi∈{0,1}。調(diào)制后的信號(hào)可以表示為：sAx,A3.3實(shí)驗(yàn)數(shù)據(jù)采集3.3.1數(shù)據(jù)生成BPSK調(diào)制是利用隨機(jī)數(shù)生成器按照均勻分布的概率生成單個(gè)比特（0或1）組成的序列，以模擬信源發(fā)送的二進(jìn)制信息。QPSK是每次生成兩個(gè)連續(xù)的比特作為一組，而16QAM則是每次生成四個(gè)連續(xù)的比特作為一組，以此來(lái)分別對(duì)應(yīng)不同調(diào)制方式下每個(gè)符號(hào)所承載的信息內(nèi)容。在實(shí)驗(yàn)中，我們用了getModulator函數(shù)，把之前生成的原始二進(jìn)制數(shù)據(jù)調(diào)制成復(fù)數(shù)信號(hào)。這個(gè)調(diào)制的過(guò)程，是按照不同調(diào)制方式規(guī)定好的映射關(guān)系來(lái)進(jìn)行的，就是把二進(jìn)制數(shù)據(jù)轉(zhuǎn)變成復(fù)平面上有著特定實(shí)部和虛部的復(fù)數(shù)信號(hào)。拿BPSK來(lái)說(shuō)，要是二進(jìn)制數(shù)據(jù)是“0”，那就把它調(diào)制成相位為0°的復(fù)數(shù)信號(hào)，要是數(shù)據(jù)是“1”，就調(diào)制成相位是180°的復(fù)數(shù)信號(hào)。QPSK是依照兩比特組合和四種相位狀態(tài)的映射關(guān)系，把每組兩比特的數(shù)據(jù)準(zhǔn)確地轉(zhuǎn)變成復(fù)平面上對(duì)應(yīng)相位的復(fù)數(shù)信號(hào)。16QAM是按照自身16種幅度和相位組合的映射規(guī)則，把每組四比特的數(shù)據(jù)轉(zhuǎn)化成對(duì)應(yīng)的復(fù)數(shù)信號(hào)。通過(guò)這樣的方式，復(fù)數(shù)信號(hào)就能完整地承載對(duì)應(yīng)調(diào)制方式的信息了，也能體現(xiàn)出調(diào)制后信號(hào)在幅度、相位方面的特征變化。圖3.1時(shí)域波形圖圖3.2頻譜瀑布圖由圖3.1和圖3.2分析可知BPSK能量在頻率軸上主要集中在中心頻率（0kHz附近），兩側(cè)頻率上也有一定分布但相對(duì)較弱。其在不同時(shí)刻的頻率成分相對(duì)穩(wěn)定，這就導(dǎo)致BPSK信號(hào)調(diào)制方式相對(duì)單一、變化較少。而QPSK因?yàn)橛兴姆N相位狀態(tài)，所以相比BPSK在兩側(cè)頻率上的能量分布更寬，在相位切換上更為復(fù)雜。16QAM能夠同時(shí)利用幅度和相位的16種狀態(tài)組合來(lái)傳輸信息，所以能量分布最廣泛，在整個(gè)頻率軸上的分布最均勻，且顏色的變化更為復(fù)雜和密集。3.3.2信道模擬從信道隨時(shí)間是否變化，可以將信道可以分為非時(shí)變信道（如高斯信道）和時(shí)變信道（如瑞利衰落信道）；從信道中噪聲角度數(shù)來(lái)看，可以分為高斯噪聲和非高斯噪聲；從天線數(shù)量上，可以分為單天線信道和MIMO空間相關(guān)信道。在本次實(shí)驗(yàn)中，為了更好的模擬真實(shí)的信號(hào)數(shù)據(jù)，提升模型的魯棒性，所以在程序中加入了加性高斯白噪聲信道（AWGN信道）和多徑信道。AWGN信道會(huì)添加高斯白噪聲，這種噪聲能隨機(jī)改變信號(hào)的幅度和相位，使得信號(hào)出現(xiàn)波動(dòng)。當(dāng)模型在訓(xùn)練時(shí)接觸到有這類噪聲干擾的信號(hào)數(shù)據(jù)，它就會(huì)試著從被噪聲污染的信號(hào)里提取出調(diào)制類型的有效特征。這樣一來(lái)，即便存在噪聲，模型也不會(huì)沒(méi)辦法準(zhǔn)確識(shí)別信號(hào)類型了。而多徑信道帶來(lái)的多徑衰落以及多普勒頻移變化，會(huì)讓信號(hào)的時(shí)域、頻域特征變得復(fù)雜多樣。模型在學(xué)習(xí)這類數(shù)據(jù)的過(guò)程中，能夠挖掘出不同調(diào)制類型信號(hào)在多徑環(huán)境下的共性和差異特征。如此，模型就能更好地應(yīng)對(duì)信號(hào)多徑傳播引發(fā)的各種復(fù)雜狀況了。AWGN函數(shù)可表示為：y(t)=x(t)+n(t)其中x(t)是原始信號(hào)，n(t)為高斯白噪聲，服從N(0,σ2)分布,特性說(shuō)明加性噪聲與信號(hào)線性疊加高斯分布瞬時(shí)幅度服從正態(tài)分布白噪聲功率譜密度均勻分布平穩(wěn)性統(tǒng)計(jì)特性不隨時(shí)間變化3.3.3數(shù)據(jù)預(yù)處理在研究過(guò)程中中，模型采用了均值歸一化法和分幀處理兩種方法來(lái)進(jìn)行數(shù)據(jù)的預(yù)處理。歸一化處理：在接受信號(hào)時(shí)，模型對(duì)復(fù)數(shù)信號(hào)的實(shí)部和虛部的歸一化是分開操作的，先計(jì)算實(shí)部和虛部數(shù)據(jù)在整個(gè)數(shù)據(jù)集上的均值，然后將每個(gè)數(shù)據(jù)點(diǎn)減去對(duì)應(yīng)的均值，使實(shí)部和虛部的數(shù)據(jù)分布被調(diào)整到一個(gè)合適的范圍。這樣處理的目的是減少數(shù)據(jù)量級(jí)差異對(duì)模型訓(xùn)練的影響，避免因數(shù)據(jù)尺度不同而導(dǎo)致模型在訓(xùn)練過(guò)程中對(duì)不同特征的關(guān)注度不均衡，經(jīng)過(guò)這樣的處理方式，模型的收斂速度會(huì)有一定的提升，訓(xùn)練效率也會(huì)相應(yīng)提高。分幀處理：我們?cè)诖a中設(shè)定了幀長(zhǎng)

spf=1024，將連續(xù)的信號(hào)數(shù)據(jù)按照這個(gè)長(zhǎng)度劃分為一個(gè)個(gè)數(shù)據(jù)幀，這樣就可以把信號(hào)看作是由多個(gè)幀組成的序列，因?yàn)槊總€(gè)幀內(nèi)的數(shù)據(jù)可以看作是一個(gè)相對(duì)獨(dú)立的單元，所以模型能夠在每個(gè)幀上分別進(jìn)行特征提取操作，然后綜合各幀的特征來(lái)學(xué)習(xí)信號(hào)整體的特征表示，這樣操作有助于提高模型對(duì)信號(hào)特征的學(xué)習(xí)效果，進(jìn)而提升模型對(duì)不同調(diào)制類型的分類能力。3.4本章小結(jié)本章詳細(xì)介紹了用于本次實(shí)驗(yàn)的三種調(diào)制式:BPSK,QPSK,16QAM，通過(guò)對(duì)它們各自原理的分析，我們了解了調(diào)制信號(hào)是如何利用相位、幅度等參數(shù)變化來(lái)承載信息的。然后介紹了本次實(shí)驗(yàn)對(duì)數(shù)據(jù)的預(yù)處理方法，通過(guò)特定函數(shù)依據(jù)不同調(diào)制規(guī)則生成原始二進(jìn)制數(shù)據(jù)序列，再借助相應(yīng)的調(diào)制函數(shù)將其轉(zhuǎn)換為復(fù)數(shù)信號(hào)，確保每個(gè)調(diào)制類型的信號(hào)都能準(zhǔn)確體現(xiàn)出其特有的幅度和相位特征，通過(guò)讓信號(hào)依次經(jīng)過(guò)AWGN信道和多徑信道，模擬了現(xiàn)實(shí)通信環(huán)境中普遍存在的加性高斯白噪聲、多徑衰落以及多普勒頻移等復(fù)雜現(xiàn)象，讓數(shù)據(jù)更貼近真實(shí)通信場(chǎng)景下接收到的信號(hào)狀態(tài)。為后續(xù)構(gòu)建、訓(xùn)練和評(píng)估通信信號(hào)調(diào)制類型分類模型搭建了扎實(shí)且可靠的基礎(chǔ)。

訓(xùn)練過(guò)程與結(jié)果分析4.1引言在前文中我們?cè)敿?xì)介紹了信號(hào)數(shù)據(jù)采集環(huán)節(jié)，本章我們聚焦到模型訓(xùn)練這一重要環(huán)節(jié)及其結(jié)果分析。在訓(xùn)練過(guò)程中，考慮到不同信噪比的影響，經(jīng)過(guò)多次實(shí)驗(yàn)比對(duì)，選擇了12dB作為實(shí)驗(yàn)對(duì)象，并單獨(dú)比對(duì)了模型對(duì)16QAM和64QAM的識(shí)別能力，最后通過(guò)混淆矩陣對(duì)模型的性能進(jìn)行分析評(píng)估。4.2數(shù)據(jù)集劃分把經(jīng)過(guò)信道處理后的信號(hào)數(shù)據(jù)按照8：1：1的數(shù)量比分為訓(xùn)練集、驗(yàn)證集、測(cè)試集。其中訓(xùn)練集用于模型的參數(shù)學(xué)習(xí)和訓(xùn)練，模型經(jīng)過(guò)大量的樣本學(xué)習(xí)，掌握了不同調(diào)制類型信號(hào)的特征與差異；驗(yàn)證集起到監(jiān)控模型性能、調(diào)整超參數(shù)的作用，避免模型出現(xiàn)過(guò)擬合現(xiàn)象；測(cè)試集則用于最終評(píng)估模型在未知數(shù)據(jù)上的性能表現(xiàn)，能夠反映出模型在實(shí)際應(yīng)用場(chǎng)景中對(duì)信號(hào)調(diào)制類型分類的準(zhǔn)確性。圖4.1數(shù)據(jù)集劃分由圖4.1知實(shí)驗(yàn)中訓(xùn)練集包括8000個(gè)經(jīng)過(guò)處理的信號(hào)，其中3000個(gè)BPSK，3000個(gè)QPSK，2000個(gè)16QAM，每個(gè)經(jīng)過(guò)預(yù)處理的信號(hào)樣本的數(shù)據(jù)維度為[1,spf,2]，在輸入層的設(shè)定為

imageInputLayer([1spf2],'Normalization','none','Name','InputLayer')其中“1”表示輸入數(shù)據(jù)的批次維度，意味著每次可以輸入一組數(shù)據(jù)進(jìn)行處理?！皊pf”（symplespersymbol）代表每個(gè)幀的樣本數(shù)，我們?cè)O(shè)定為

1024

，這就確定了一幀信號(hào)在時(shí)域上離散樣本的數(shù)量，它決定了輸入數(shù)據(jù)在時(shí)間維度上的長(zhǎng)度，也影響著后續(xù)特征提取的精度和范圍?！?”體現(xiàn)了輸入數(shù)據(jù)的通道數(shù)，因?yàn)槲覀兲幚淼氖菑?fù)數(shù)信號(hào)，所以將實(shí)部和虛部分別作為兩個(gè)獨(dú)立的通道輸入網(wǎng)絡(luò)，這樣模型就能夠同時(shí)捕捉到信號(hào)這兩個(gè)重要組成部分所蘊(yùn)含的特征信息。4.3模型參數(shù)設(shè)置圖4.2模型分層結(jié)構(gòu)由圖4.2可知，實(shí)驗(yàn)中基于CNN所構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)modClassNet模型所配置的結(jié)構(gòu)一共有31層，通過(guò)卷積層（CNN1-CNN7）、批量歸一化層（BN1-BN7）、ReLU激活函數(shù)層、最大池化層（MaxPool1-MaxPool5）逐步提取通信信號(hào)特征，再經(jīng)全局平均池化層（AP1）和全連接層（FC1）進(jìn)行特征整合與分類決策，最后由Softmax[23]層輸出分類概率。其中輸入層（InputLayer）的輸入維度為

[1,1024,2,1]

：輸入數(shù)據(jù)是單通道，長(zhǎng)度為1024（前面設(shè)置的spf=1024），有實(shí)部和虛部?jī)蓚€(gè)特征維度，批次大小設(shè)為1。最大池化層（MaxPool）在時(shí)域上每隔2個(gè)數(shù)據(jù)點(diǎn)取最大值，故設(shè)置池化核大小為

[1,2]

，步長(zhǎng)也為2。全連接層（FC1）設(shè)置輸入維度為128輸出維度為3，對(duì)應(yīng)3種調(diào)制類型分類任務(wù)。權(quán)重參數(shù)為

3×128

，偏置參數(shù)為

3×1

。4.4模型訓(xùn)練過(guò)程4.4.1不同信噪比比較在訓(xùn)練過(guò)程中，在保證其他參數(shù)不變的情況下，共用了三種不同信噪比的情況進(jìn)行實(shí)驗(yàn)，分別是8dB、12dB、20dB，訓(xùn)練結(jié)果分別如下圖：圖4.3信噪比8dB的訓(xùn)練進(jìn)度圖4.4信噪比12dB的訓(xùn)練進(jìn)度 圖4.5信噪比20dB的訓(xùn)練進(jìn)度由上圖分析可知，訓(xùn)練從完成15輪共2100次迭代，該設(shè)置為模型提供足夠的步長(zhǎng)來(lái)訓(xùn)練特征，在筆記本電腦單GPU硬件資源下該訓(xùn)練時(shí)長(zhǎng)表明模型收斂速度尚可。學(xué)習(xí)率設(shè)置為0.001并同時(shí)采用分段學(xué)習(xí)率調(diào)度使得模型有效收斂擬合。經(jīng)過(guò)三次訓(xùn)練我們可以看到，在信噪比為20dB時(shí)，模型對(duì)這三種調(diào)制方式的驗(yàn)證準(zhǔn)確度最高，達(dá)到了99.11%，在信噪比為12dB時(shí)，準(zhǔn)確度為94.89%，在信噪比為8dB時(shí)，驗(yàn)證準(zhǔn)確度最低，只有87.33%。分析其原因，在高信噪比下，信號(hào)相對(duì)“干凈”，受噪聲干擾程度低，接受的信號(hào)波形在時(shí)域和頻域上能更清晰地呈現(xiàn)原本的特征，BPSK的相位跳變、QPSK的相位變化以及16QAM在幅度和相位的特定組合也更易被觀察。但在低信噪比環(huán)境下，噪聲對(duì)信號(hào)的影響顯著增強(qiáng)，信號(hào)的時(shí)域波形會(huì)模糊、扭曲，特征變化易被噪聲掩蓋，頻譜也會(huì)變得雜亂，大大的增加了模型的訓(xùn)練難度，容易造成誤分類情況。雖然理想狀態(tài)下希望信號(hào)不受噪聲干擾，但為了更好的模擬常規(guī)的通信場(chǎng)景，我們要構(gòu)建一種既不是完全無(wú)噪聲的理想環(huán)境，又不會(huì)讓噪聲過(guò)大導(dǎo)致信號(hào)特征在識(shí)別過(guò)程中受到太大的影響，所以我們后續(xù)的訓(xùn)練選取了信噪比為12dB的測(cè)試條件繼續(xù)訓(xùn)練。4.4.216QAM與64QAM對(duì)比考慮到在訓(xùn)練過(guò)程中，我們使用了兩種PSK調(diào)制和一種QAM調(diào)制，對(duì)于QAM調(diào)制沒(méi)有對(duì)比對(duì)象，可能會(huì)導(dǎo)致我們對(duì)模型在識(shí)別QAM調(diào)制的性能評(píng)估上造成偏差，所以在研究過(guò)程中，我們?cè)谠O(shè)置信噪比為12dB的情況下，專門對(duì)16QAM和64QAM進(jìn)行了一次比對(duì)，結(jié)果如下：圖4.6兩種QAM調(diào)制訓(xùn)練進(jìn)度圖4.7兩種QAM調(diào)制混淆矩陣圖4.8兩種QAM調(diào)制的時(shí)域波形圖由圖可知該模型對(duì)16QAM的識(shí)別準(zhǔn)確率略高于64QAM，但整體識(shí)別率比并不高。由于QAM是一種具有高度復(fù)雜特征的調(diào)制類型，且64QAM調(diào)制信號(hào)本身就包含一部分16QAM調(diào)制信號(hào)，這就對(duì)模型的學(xué)習(xí)要求大大提高，故在加入64QAM之后，模型對(duì)16QAM的識(shí)別率有明顯的下降。結(jié)合BPSK和QPSK去分析，該模型對(duì)簡(jiǎn)單調(diào)制類型能夠收斂到較好的性能，但對(duì)于16QAM和64QAM特征復(fù)雜的調(diào)制類型還未達(dá)到最佳的參數(shù)狀態(tài)，模型沒(méi)有充分學(xué)習(xí)，進(jìn)而導(dǎo)致識(shí)別準(zhǔn)確率不高。4.5模型性能分析4.5.1準(zhǔn)確率分析以信噪比為12dB的情況為例分析，該模型對(duì)三種調(diào)制方式的識(shí)別準(zhǔn)確率達(dá)到了94.89%，BPSK準(zhǔn)確率最高，為98.3%；QPSK次之，是93.5%；16QAM相對(duì)最低，為89.3%。其原因可能是由于特征復(fù)雜度提升，學(xué)習(xí)難度增大，導(dǎo)致部分信號(hào)未能準(zhǔn)確分類，且16QAM星座點(diǎn)分布密集，信號(hào)特征極其復(fù)雜，對(duì)模型的特征提取和分類能力要求更高。主要的誤判在QPSK和16QAM之間，一方面是因?yàn)槎咴谙辔徽{(diào)制上有相似之處，另一方面16QAM信號(hào)在信道中受噪聲、多徑衰落等影響后，特征畸變嚴(yán)重，模型難以準(zhǔn)確提取和判斷其特征，從而造成較多誤判。4.5.2混淆矩陣分析圖4.9信噪比8dB混淆矩陣圖4.10信噪比12dB混淆矩陣圖4.11信噪比20dB混淆矩陣三種不同信噪比訓(xùn)練結(jié)果所產(chǎn)生的混淆矩陣如上圖所示，我們還是以信噪比為12dB為例分析，由混淆矩陣我們可以得到兩個(gè)重要的性能評(píng)估指標(biāo)：F1分?jǐn)?shù)：F1=2?召回率：Recall=經(jīng)過(guò)計(jì)算：RecallBPSK≈0.983RecallQPSK≈0.935Recall16QAM≈0.893F1BPSK≈0.981F1QPSK≈0.914F116QAM≈0.916召回率和F1分?jǐn)?shù)的結(jié)果表明模型對(duì)BPSK調(diào)制類型分類效果最優(yōu)，而對(duì)復(fù)雜的16QAM調(diào)制類型分類效果相對(duì)較弱。改進(jìn)方案：可以針對(duì)不同復(fù)雜調(diào)制類型的特點(diǎn)，從數(shù)據(jù)擴(kuò)充、模型優(yōu)化以及處理信道影響等方面入手，進(jìn)一步提升模型對(duì)各類通信信號(hào)調(diào)制類型的整體分類性能。4.6其他調(diào)制類型在構(gòu)建該神經(jīng)網(wǎng)絡(luò)模型時(shí)，還對(duì)其他幾種調(diào)制類型進(jìn)行了編寫以及初始配置，如8PSK、GFSK、CPFSK等，由于他們?cè)趯?shí)際的通信場(chǎng)景下并不常用，所以沒(méi)有選用作學(xué)習(xí)對(duì)象，在此處不做展示。4.7本章小結(jié)本章主要介紹并記錄了一次完整的訓(xùn)練過(guò)程，包括初始階段的參數(shù)設(shè)置，數(shù)據(jù)集的劃分，對(duì)該模型的層次結(jié)構(gòu)分析，以及對(duì)用于訓(xùn)練的三種調(diào)制方式的選擇原因進(jìn)行闡述，通過(guò)完整的實(shí)驗(yàn)過(guò)程得到準(zhǔn)確率，F(xiàn)1分?jǐn)?shù)，召回率等參數(shù)，更加清晰呈現(xiàn)了模型當(dāng)前的狀態(tài)，既驗(yàn)證了模型在通信信號(hào)調(diào)制類型分類任務(wù)上具備一定能力，也明確指出了其在面對(duì)復(fù)雜調(diào)制類型時(shí)的不足，為后續(xù)針對(duì)性的優(yōu)化工作指明了方向，有助于進(jìn)一步提升模型的整體分類性能，使其更好地應(yīng)用于實(shí)際通信場(chǎng)景中。

總結(jié)與展望5.1非技術(shù)因素影響在研究過(guò)程中，除了技術(shù)因素，還存在很多非技術(shù)因素的影響。比如要訓(xùn)練復(fù)雜的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，強(qiáng)大的計(jì)算能力至關(guān)重要，往往需要配備高性能的GPU服務(wù)器。但本次實(shí)驗(yàn)環(huán)境僅僅是筆記本單GPU運(yùn)行，在訓(xùn)練模型時(shí)面臨訓(xùn)練時(shí)間過(guò)長(zhǎng)、難以嘗試更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)問(wèn)題，影響最終對(duì)調(diào)制類型分類模型的優(yōu)化效果。5.2全文總結(jié)本文依靠機(jī)器學(xué)習(xí)理論，構(gòu)建了一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的modClassNet網(wǎng)絡(luò)模型，設(shè)置了卷積層卷積核大小、輸出通道，池化層的步長(zhǎng)，全連接層的數(shù)據(jù)輸入輸出維度等參數(shù)，選取了BPSK、QPSK、16QAM三種調(diào)制方式作為實(shí)驗(yàn)對(duì)象，依據(jù)調(diào)制規(guī)則生成原始二進(jìn)制數(shù)據(jù)，將其轉(zhuǎn)化成為復(fù)數(shù)信號(hào)，再模擬真實(shí)信道環(huán)境中的高斯白噪聲、多徑衰落情況，合理的將數(shù)據(jù)集進(jìn)行歸一化和分幀操作，將數(shù)據(jù)集按照80%、10%、10%的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，最后經(jīng)過(guò)訓(xùn)練，以混淆矩陣參數(shù)和準(zhǔn)確率為判斷依據(jù)去評(píng)估模型的分類性能。在模型訓(xùn)練期間，經(jīng)過(guò)15輪的訓(xùn)練，累計(jì)迭代2100次。當(dāng)時(shí)將學(xué)習(xí)率設(shè)定為0.001，并且運(yùn)用了分段學(xué)習(xí)率調(diào)度的方式，依靠單GPU這樣的硬件資源，模型成功實(shí)現(xiàn)了有效收斂，訓(xùn)練效率方面表現(xiàn)還算可以。在對(duì)模型性能進(jìn)行分析的時(shí)候，從多個(gè)維度展開了評(píng)估，其中就包括準(zhǔn)確率以及混淆矩陣這些重要指標(biāo)。通過(guò)混淆矩陣，又進(jìn)一步計(jì)算出了召回率和F1分?jǐn)?shù)。最終的結(jié)果顯示，模型在對(duì)較為簡(jiǎn)單的BPSK進(jìn)行分類時(shí)，效果是最好的；然而，在面對(duì)像16QAM這種相對(duì)復(fù)雜的調(diào)制類型時(shí)，分類效果就顯得比較弱了。這一情況充分反映出，該模型在處理那些具有復(fù)雜調(diào)制特征的類型時(shí)，確實(shí)存在著一定的不足之處。5.3未來(lái)展望在通信技術(shù)不斷進(jìn)步與革新的大環(huán)境下，通信信號(hào)調(diào)制類型的分類技術(shù)正迎來(lái)前所未有的發(fā)展機(jī)遇，同時(shí)也面臨著諸多挑戰(zhàn)。對(duì)于本次實(shí)驗(yàn)所建立的研究模型，在未來(lái)的理論探索和實(shí)際應(yīng)用中都具有廣泛的發(fā)展前景。如果將Transformer架構(gòu)的序列建模優(yōu)勢(shì)與CNN的局部特征提取能力有機(jī)結(jié)合，可以構(gòu)建一個(gè)具備層次化特征表示能力的復(fù)合網(wǎng)絡(luò)結(jié)構(gòu)。由于Transformer的自注意力機(jī)制能夠有效捕捉信號(hào)序列中的長(zhǎng)距離依賴關(guān)系，特別適合處理時(shí)變特性明顯的調(diào)制信號(hào)；而CNN的卷積操作則擅長(zhǎng)提取信號(hào)的局部時(shí)頻特征。通過(guò)設(shè)計(jì)多尺度特征融合模塊，可以使模型在不同分辨率下互補(bǔ)地學(xué)習(xí)信號(hào)特征，顯著提高對(duì)高階調(diào)制信號(hào)的分類精度。在收集原始數(shù)據(jù)的過(guò)程中，重點(diǎn)在于構(gòu)建大規(guī)模的數(shù)據(jù)集。利用生成對(duì)抗網(wǎng)絡(luò)（GAN）的逆向?qū)W習(xí)功能，生成具有真實(shí)統(tǒng)計(jì)特性的合成信號(hào)數(shù)據(jù)，并通過(guò)引入?yún)?shù)化的信道模擬器，靈活控制生成數(shù)據(jù)的關(guān)鍵特征參數(shù)如信噪比、多普勒頻移等。結(jié)合元學(xué)習(xí)框架，可以實(shí)現(xiàn)數(shù)據(jù)標(biāo)注過(guò)程的自動(dòng)化和自適應(yīng)優(yōu)化，大大減少人工標(biāo)注的成本。如果將此技術(shù)應(yīng)用到通信安全領(lǐng)域，可以有針對(duì)性的以對(duì)抗性攻擊環(huán)境為背景，在保證魯棒性的前提下開發(fā)新的調(diào)制分類算法，可以引入物理層安全機(jī)制與對(duì)抗訓(xùn)練策略來(lái)提升模型在惡意干擾下的分類可靠性，為軍事通信與應(yīng)急通信系統(tǒng)提供安全保障。

參考文獻(xiàn)[1]馬文軒.基于深度學(xué)習(xí)的信號(hào)調(diào)制識(shí)別技術(shù)研究[D].煙臺(tái)大學(xué),2024.DOI:10.27437/ki.gytdu.2024.000406.[2]范海波,楊志俊,曹志剛.衛(wèi)星通信常用調(diào)制方式的自動(dòng)識(shí)別[J].通信學(xué)報(bào),2004(01):142-151.[3]秦立龍,王振宇,閆朋展.改進(jìn)小波在調(diào)制模式識(shí)別中的應(yīng)用[J].通信技術(shù),2012,45(11):11-13.[4]劉祥輝.低信噪比下調(diào)制模式識(shí)別的研究[D].蘭州交通大學(xué),2022.DOI:10.27205/ki.gltec.2022.000131.[5]張瀚之,何超,盧剛.信號(hào)調(diào)制模式識(shí)別研究[J].中國(guó)新通信,2024,26(09):27-30+14.[6]Hong-daLIU,Hong-xinZHANG,Peng-feiHE.Studyonhybridpatternrecognitionalgorithmformodulatedsignals[J].TheJournalofChinaUniversitiesofPostsandTelecommunications,2014,21(S1):[7]PopoolaJJ,OlstVR.DevelopmentandComparativeStudyofEffectsofTrainingAlgorithmsonPerformanceofArtificialNeuralNetworkBasedAnalogandDigitalAutomaticModulationRecognition[J].JournalofEngineeringScienceandTechnologyReview,2015,8(4):135-144.[8]ZhangGY,YanX,WangSH,