-
为应对空间测控通信对频谱利用率和安全可靠通信的高要求,现代测控通信系统的信号体制多采用复合调制(Composite Modulation, CM)方式。根据空间数据系统咨询委员会(Consultive Committee for Space Data Systems, CCSDS)建议[1],常用复合调制信号包括统一载波体制和扩频通信体制。其中统一载波体制应用最为广泛,它首先将基带信号码元进行脉冲编码调制(Pulse Code Modulation, PCM),再调制到不同频率的副载波上——称为内调制,内调制的副载波常采用多进制相移键控(Multi-Phase Shift Keying, MPSK)方式;然后将多个可能的副载波调制到统一的主载波上——称为外调制,外调制的主载波采用频率调制(Frequency Modulation, FM)或相位调制(Phase Modulation, PM)方式。相较于单一调制的通信信号,这种“脉冲编码/多副载波内调制/外调制”形式的复杂体制无疑增加了信号认知难度,在无先验信息的非合作通信及低信噪比条件下尤为困难。
对信号进行认知的基本思路包括基于最大似然假设[2]的方法、基于特征提取和模式识别的方法。前者基于严格的数学推导,通过求解概率密度函数的未知数来获得理论上的最优性能,但该方法需要充分的先验信息,且当未知变量较多时计算复杂度较高,工程实现困难[3];后者通过提取信号的特征并构造特征集,然后选取特定的分类器来实现模式识别,该方法不依赖于先验知识,在一定信噪比条件下对非合作通信信号的识别性能较好。因此,本文主要基于特征提取和模式识别的思路来讨论复合调制信号盲识别问题。
借鉴单一调制类型识别的常用特征,瞬时幅度[4]、谱线特征[5]、高阶累积量(Higher-Order Cumulant, HOC)[6]、循环谱等也常被用作复合调制信号的特征并基于此完成分类。文献[7]给出了一种基于信号瞬时幅度、谱线特征、频谱特征及信号信息分量的识别方法,研究了决策树、支持向量机(Support Vector Machine, SVM)、反向传播(Back-Propagation, BP)神经网络和向量匹配4种分类器,结果显示当信噪比高于5 dB时,采用决策树分类器的正确识别率可达97.31%。文献[8]基于瞬时直方图特征和循环谱分别构造特征量,区分了外调制为PM和FM的信号;指出在低信噪比条件下,基于循环谱的识别方法效果更佳。文献[9]基于四阶HOC和平方谱特征,采用决策树分类器完成了PCM/MPSK/PM信号的调制识别,结果显示在信噪比2 dB时对各类CM信号的正确识别率均达到95%以上。上述方法的识别效果一方面依赖于所构造的CM信号特征集是否具有唯一性和完备性;与此同时,因候选CM特征通常涉及统计特性,故而不可避免地对信号样本量有较高要求。
另外在测控通信应用中,为提高电磁兼容性和增加遥测距离,常将多个子载波一并调制到主载波上实现联合传输。在这种CM策略下,由于内调制信号包括多路用户数据,每路的调制方式可能不同,因此不得不采取所谓的间接识别方法:先进行外调制识别,经解调[10]、提取信号瞬时相位或瞬时频率,得到内调制信号,再进行内调制方式识别。文献[11]提出一种基于双重锁相环的CM识别方法,用第一个锁相环解调基带信息,并利用解调信息的相位分布来区分MPSK和MPSK/FM信号;用第二个锁相环解调MPSK/FM内调制,并基于MPSK信号的相位积累分布进一步区分二进制相移键控(Binary Phase Shift Keying, BPSK)/FM和正交相移键控(Quadrature Phase Shift Keying, QPSK)/FM。文献[12]为了获取内调制信号,对外调制为PM和FM的CM信号分别提取瞬时相位和瞬时频率,并计算相应的特征参数完成识别。
总体上,现有基于特征提取和模式识别的复合调制盲识别方法对CM信号特征、样本数很敏感,且在多子载波情况下识别流程繁琐,不利于实际应用。针对这些问题,本文研究建立了脉冲编码调制(PCM)/相移键控(PSK)/相位调制(PM)、脉冲编码调制(PCM)/相移键控(PSK)/频率调制(FM)两大类CM信号模型,以其频域数据为特征并通过压缩感知进行特征降维,同时构建了一个基于倒残差结构和分组卷积思想的轻量化神经网络,由此实现对压缩数据的训练和分类识别。
-
本文研究的10种CM信号分属于PCM/PSK/PM和PCM/PSK/FM两大类。按照第一部分所述的数学模型产生时域信号,经采样和离散傅氏变换(Discrete Fourier Transform, DFT)得到频域数据。仿真参数设置如表1所示。
参数 设置值 主载波频率/GHz 2.2 中频/MHz 70 子载波1频率/kHz 8 子载波2频率/kHz 16 符号率/ksps 4 采样率/Msps 200 衰落因子 0.35 传输信道 AWGN 信噪比范围/dB −20~20 在不同信噪比下,取每种CM信号的频域数据各300条,每条原始频域数据长度为1024点。按照数据条数2:1的比例划分为训练集和测试集。
-
对上述复合调制信号频域数据集进行压缩感知变换,将每条长1024点的原始频域数据压缩为长度为64的压缩数据,然后使用本文所提的G-ConvNet网络模型对压缩数据进行训练和测试。
试验平台搭建在Window11操作系统中,G-ConvNet网络代码实现使用Python 3.10。相关环境配置情况如下:CPU为AMD Ryzen 7 5800H with Radeon Graphics;GPU为NVIDIA GeForce RTX3060 Laptop GPU;神经网络训练框架为Pytorch 1.21.1;网络优化器为Adam。学习率固定设为0.0001,batch-size设为16,训练回合数设为100。
G-ConvNet网络各层的输入输出尺寸见表2。
层名称 输入尺寸 输出尺寸 E-unit 1×64 1×32 conv-up 1×32 1×128 G-conv 1×128 1×128 conv-down 1×128 1×32 max pooling 1×32 1×16 FC 1×16 1×分类数L -
按照本文第一部分所述信号模型,仿真产生10种复合调制信号,采用本文“压缩感知+倒残差分组卷积轻量化网络”(CS+G-ConvNet)复合调制信号盲识别方法,所得的正确识别率曲线如图4所示;在信噪比分别为−5、0、5 dB时的混淆矩阵如图5所示。
在AWGN信道下,本文方法与文献[23]所提方法的仿真结果对比如图6所示。由图6可知,文献[23]所提“基于HOC和平方谱特征+决策树”的CM识别方法有一个明显缺陷:因其提取的是统计特征,识别结果的正确率很大程度上依赖于CM信号的样本数量,一旦样本长度减小,识别性能将急剧下降,如图中以“existing-样本数”表示的曲线。相较之下,本文方法在压缩感知所得样本长度为64时,0 dB信噪比条件下的识别率可达94.5%,5 dB信噪比条件下识别率为100%,如图中以“CS+G-ConvNet”表示的曲线。
此外,为验证本文所提基于倒残差分组卷积的轻量化网络(G-ConvNet)的有效性,选择ResNet50[20]、ShuffleNetV2[22]、MobileNetV2[24]这3种基准网络与G-ConvNet进行对比。各网络对于本文建模产生的10种复合调制信号的平均识别率如图7所示。
对比可知,对于长度为64的一维特征输入,本文构建的G-ConvNet网络在信噪比为0 dB时的识别率达到94.5%;而MobileNetV2的识别率仅为67.4%,ShuffleNetV2的识别率为76.4%,ResNet50的识别率为80.1%。可见对于低维特征,深度神经网络更易出现梯度消失问题以致影响分类正确率,故而采用ResNet50等深层网络的CM信号识别效果不及本文所提的层数较少的轻量化网络。
表3进一步给出了现有方法与本文方法在参数量、FLOPs和计算时间3个方面的对比。表中,“existing-样本数”为文献[23]所提方法,因其未采用网络模型,故只能给出等比条件下的整体计算时间。由表3可知,本文提出的“CS+G-ConvNet”方法的计算复杂度低于现有其他方法。
方法名称 参数量 FLOPs 计算时间/ms existing-1024 \ \ 4.6 existing-200000 \ \ 108.9 CS+ResNet50 23.52×106 73.61×106 11.1 CS+ShuffleNetV2 1.26×106 3.39×106 9.2 CS+MobileNetV2 2.24×106 6.17×106 8.2 CS+G-ConvNet 0.034×106 1.54×106 4.2
Blind Recognition for Composite Modulation Signal Based on Frequency-Domain Data Compressed Sensing
doi: 10.12178/1001-0548.2023096
- Received Date: 2023-04-06
- Rev Recd Date: 2023-10-23
- Available Online: 2024-04-01
- Publish Date: 2024-03-30
-
Key words:
- composite modulation /
- blind recognition /
- unified carrier scheme /
- frequency-domain data /
- compressed sensing /
- lightweight neural network
Abstract: Modern TT&C (Tracking, Telemetry and Command) system mostly adopts the composite modulation in a form of “pulse coding/multi-subcarrier internal modulation/external modulation”. This complicated scheme brings great challenges to signal accurate recognition in the absence of prior information and low signal-to-noise ratio (SNR) scenario. The existing composite modulation blind recognition methods based on feature extraction and pattern recognition are sensitive to signal features and sample size, and the whole process becomes even more cumbersome in the case of multiple subcarriers. In this paper, based on the unified carrier system composite modulated signal modeling, a new idea of blind recognition is proposed to train and classify the compressed composite modulated signal frequency domain data by using the inverse residual packet convolutional structure of lightweight neural network. By means of experiment platform construction and Python code designing, the proposed method verification for 10 composite modulated signals in condition of various SNRs is implemented. The results show that the recognition accuracy of the proposed method can reach 94.5% (SNR=0 dB) and 100% (SNR=5 dB) respectively; moreover, the sample size required for equal recognition accuracy is less than the existing statistical features and decision tree-based methods, and both the performance and amount of neural networks parameters used for classification are better than those of the benchmark network.
Citation: | HE Ling, YANG Pengfei, YAN Xiao, ZHONG Xunuo, BAI Taili. Blind Recognition for Composite Modulation Signal Based on Frequency-Domain Data Compressed Sensing[J]. Journal of University of Electronic Science and Technology of China, 2024, 53(2): 201-209. doi: 10.12178/1001-0548.2023096 |