【调制识别】基于深度神经网络的衰落信道鲁棒自动调制识别技术【附MATLAB+python代码】

来源：市场资讯

（来源：EW Frontier）

https://wx.zsxq.com/group/15554455154582

面包多单个代码获取

https://mbd.pub/o/author-a2mYl2tsbA==/work

QQ交流群：1074124098

注：本文为参考文章代码为对其部分内容进行复现~

基于深度神经网络的衰落信道鲁棒自动调制识别技术

摘要

本文提出一种基于深度神经网络（DNN）的数字通信自动调制识别（AMC）方法。传统自动调制识别技术在加性高斯白噪声（AWGN）信道中表现良好，但在信道增益的幅度和相位随时间变化的衰落信道中，分类精度会显著下降。本文的核心贡献主要体现在两个方面：第一，分析了多种统计特征在衰落信道自动调制识别任务中的有效性，发现适用于衰落信道的特征与已知的适用于加性高斯白噪声信道的特征存在明显差异；第二，提出一种基于深度神经网络的新型增强型自动调制识别技术，将本研究中筛选得到的丰富且多样的统计特征应用于深度神经网络分类器，并构建含四层隐藏层的全连接前馈网络，针对多种衰落场景开展调制类型分类的训练工作。数值仿真结果表明，所提技术在衰落信道中相比现有自动调制识别方法，实现了显著的性能提升。

引言

在数字通信领域，从接收信号中判别调制类型的任务被称为自动调制识别（AMC）。传统通信系统会通过训练信号或控制信道，向接收端传递调制类型信息，但在部分场景中，这类信息无法获取，只能从接收数据中对调制类型进行盲估计，此类场景常见于军事领域的信号情报分析、认知无线电系统的信号感知以及蜂窝通信的小区间干扰消除等场景。由于接收端无法获知发射端发送的数据符号，仅依靠接收数据样本完成调制类型分类具有较大挑战性。

现有的自动调制识别技术大致可分为两类：第一类是为接收信号构建概率模型，并基于最大似然函数等最优准则完成调制类型分类。这类方法在给定模型下能实现最优检测性能，但出现模型失配时分类精度会下降，且基于模型的方法需要掌握各类模型参数，计算复杂度较高；第二类是基于机器学习的方法，该方法先通过离线训练让模型学习调制类型分类规律，再将训练好的模型部署到实际场景中处理真实数据。若测试数据与训练数据服从相同的分布，基于机器学习的方法无需掌握精确的系统模型，也能取得理想的分类性能。由于机器学习方法设计简便，且对模型失配具有鲁棒性，本文将研究重点放在该方法上。

一般而言，基于机器学习的自动调制识别需完成两个关键步骤：特征提取与分类。目前自动调制识别中广泛使用的特征包括信号幅度、频率、相位的方差，小波系数以及累积量等高阶统计量。提取特征后，需通过分类器判定特征所属的调制类别，目前已应用的分类器包括决策树、支持向量机（SVM）和人工神经网络（ANN）等。但现有相关研究大多聚焦于加性高斯白噪声信道下的自动调制识别任务，针对衰落信道设计的自动调制识别系统相关研究较少。

本文提出一种基于深度神经网络的增强型自动调制识别技术：首先基于信息论准则，分析大量统计特征在衰落信道中的有效性，发现适用于衰落信道的有效特征与加性高斯白噪声信道中广泛使用的特征差异显著，并通过基于互信息的前向贪心特征搜索法，筛选出丰富且多样的特征集；其次将分析得到的统计特征应用于深度神经网络，实现调制类型分类。近年来，深度神经网络在图像分类、语音识别、自然语言处理等多种分类任务中表现出优异性能，其深度架构能从高维输入数据中学习数据的复杂结构，不仅能用更少的参数逼近目标函数，还能通过多层网络从低到高学习分层特征，可高效学习复杂函数。衰落信道下的调制分类任务具有较高复杂性，且特征空间维度相对较高，因此本文的自动调制识别方法充分利用深度神经网络的性能优势，构建含四层隐藏层的前馈神经网络，针对多种衰落场景开展调制类型分类训练。大量数值仿真结果表明，所提方案在衰落信道中的分类性能显著优于现有自动调制识别方法。

本文后续结构安排如下：第二部分阐述所提自动调制识别系统的系统模型；第三部分分析所提方法中使用的统计特征；第四部分详细设计基于深度神经网络的自动调制识别系统；第五部分给出仿真结果；第六部分对全文进行总结。

方法简介

本文提出的基于深度神经网络的衰落信道自动调制识别方法，核心围绕系统模型构建、统计特征提取与筛选、深度神经网络分类器设计三大环节展开，同时完成模型的训练与测试验证，具体方法要点如下：

1. 1

   系统模型

建立从发射端到接收端的基带信号传输模型，发射端将二进制比特转换为调制符号并经脉冲成形滤波得到基带信号，射频信号通过时变衰落信道传输后，在接收端还原为基带信号。考虑平坦衰落信道（瑞利衰落为主要模型，存在视距分量时采用莱斯衰落模型），忽略码间干扰并定义过采样因子，将接收信号简化为信道增益、调制符号与高斯噪声的叠加形式，为后续特征提取和分类奠定模型基础。

1. 1

   特征提取与筛选

构建包含累积量、峰度、偏度、峰均比等在内的28种统计特征，将接收数据样本转换为高维特征向量；采用互信息这一信息论准则，评估各特征与调制类别的相关性，发现衰落信道与加性高斯白噪声信道的有效特征存在显著差异；为解决最优特征集选择的高计算复杂度问题，采用前向贪心特征搜索法，该方法从空集开始逐次加入最优特征，同时通过特征间的互信息惩罚冗余特征，兼顾特征与调制类别的相关性和特征间的独立性，最终筛选出适用于不同衰落场景的最优特征集，并通过验证误差确定最优特征数量。

1. 1

   深度神经网络（DNN）分类器设计

设计整体识别流程：接收基带信号经匹配滤波、采样后，由特征提取模块得到特征向量，经归一化处理后输入深度神经网络分类器，最终输出各调制类型的概率并判定结果；

确定DNN结构：采用四层全连接前馈网络，隐藏层节点数依次为500、200、40、5，激活函数选用ReLU，输出层采用softmax函数生成调制类别概率；特征向量先做零均值、单位方差的归一化处理，提升系统在实际场景中的鲁棒性；

模型训练：以带标签的特征向量为训练数据，采用独热编码表示类别标签，选择负对数似然函数为损失函数，通过小批量随机梯度下降法优化网络权重和偏置，利用20%的训练数据作为验证集，初始学习率设为0.001，验证误差停止提升时将学习率减半，直至验证误差收敛；

模型测试：生成10000个独立的测试特征向量，统计分类错误数以计算分类精度；同时设计两种DNN-AMC版本，DNN-AMC1使用全部28种特征，DNN-AMC2使用前向贪心搜索筛选出的L个特征。

1. 1

   对比实验设计

选取人工神经网络（ANN1、ANN2）、支持向量机（SVM）、分层分类方案（HCS）等现有主流自动调制识别方法作为对比，在相同训练数据集上训练各对比模型，针对加性高斯白噪声信道、不同多普勒频率的瑞利平坦衰落信道、信道参数（信噪比、多普勒频率）未知的瑞利平坦衰落信道四种场景，验证所提方法的性能。

结论

本文提出了一种适用于衰落信道的、基于深度神经网络的自动调制识别方法，能在衰落信道中实现鲁棒的调制分类性能。研究首先基于信息论准则，对自动调制识别中使用的多种统计特征展开有效性分析，筛选出对衰落信道具有良好识别效果的关键特征；随后将这些统计特征输入深度神经网络，完成调制类型的分类，所采用的含四层隐藏层的前馈神经网络，即使在使用大量统计特征的情况下，仍能取得良好的分类性能。

仿真结果表明，所提基于深度神经网络的自动调制识别方法，在不同多普勒频率的瑞利衰落信道，以及信噪比、多普勒频率未知的衰落信道场景中，分类精度均显著优于现有人工神经网络、支持向量机、分层分类等自动调制识别方法，验证了该方法在衰落信道中的有效性和鲁棒性。