基于深度学习网络的信号识别研究∗

韩 璐

（92941部队44分队 葫芦岛 125000）

1 引言

在通信传输技术中，通信信号的识别是一个重要的研究方向，特别是在空间通信、卫星通信、水下通信等领域。信号识别受传输环境、信号幅度因子、频率因子和相位因子的约束，尤其是在衰落信道条件下。

在相关研究文献中，对于通信信号识别有两种研究趋势，一种趋势是基于特征参数估计的极大似然函数方法，通过估计参数可以优化最大似然法，例如调制模式、载波频率、相位、信道响应等，然而，在特定的多径衰落信道环境下，多径衰落引起的载波不同步、相位噪声、定时异步会严重影响信号识别［1～3］。另一种趋势是基于信号统计特征进行信号识别，通过获得不同的统计特征特征，如高阶累积量、小波特征、多维信号特征等。大多数通信信号识别算法都在AWGN范围内。事实上，由于信道多径衰落，许多信号识别算法的应用已经大大减少［4～6］。近几年来，由于人工智能领域的快速发展，研究者们将人工智能学习算法引入到信号识别中，并给出了相关的理论推导证明。

本文针对多径衰落信道中的信号识别问题，提出了一种基于深度学习网络的深度学习体系结构。通过能量自然对数模型建立了DLN，通过幅值加权子网络、相位加权子网络和频率加权子网络，能够有效地降低BER。

2 系统模型和问题阐述

定义通信系统通过AWGN，其噪声环境符合均值为0、方差为的高斯分布，代表模数采样加性AWGN信号的均值和方差。具体来说，AWGN信号通过相关接收或匹配滤波器，形成离散随机过程的均值为0，方差为的输出信号。DLN网络系统端到端信号流程框图，如图1所示。

图1 DLN网络系统端到端信号处理框图

接收信号通过理想匹配滤波器，经模数转换后，通过均衡器消除符号间干扰，该均衡器为理想的符号均衡器。为讨论方便，假设基带信号周期小于信道相干时间，通信信道为多径衰落，系统采用理想信道均衡器来降低符号间干扰。

3 DLN算法

根据图2，DLN算法流程是针对振幅、相位和频率的，可通过下列算法求得。

图2 DLN网络框架

4 仿真结果与分析

深度学习DLN网络的信号识别，通过蒙特卡洛仿真，随机生成包括二相相移键控（BPSK）、四相相移键控（QPSK）、八相相移键控（8PSK）、正交幅度调制（QAM）调制方法。载波信号频率为fc=100kHz，抽样频率为fs=4fc=400kHz。

针对本文提出的DLN网络，进行如下仿真，蒙特卡罗法模拟2000次试验，信噪比范围1dB～7dB，假设将512个信号样本构造成一个数据帧，数据帧为1000组。前100组作为训练，剩下900组用于测试。信道模型为典型多径模型，信道模型参数表，如表1所示，瑞利衰落信道。主信道作为莱斯Rice信道模型，二径模型作为瑞利Rayleigh信道模型。

表1 信道模型参数表

为便于仿真，用三个子网络来设定DLN深度学习网络，每个子网络有30层，隐藏节点数为100。接收信号的幅度、相位和频率通过相应的加权训练网络来实现。信号的幅度特征、相位特征和频率特征信息通过相应的权值网络或隐层网络获得。DLN网络对不同调制模式的分类，建立了误码率仿真模型，DLN网络的SNR变化范围1dB至7dB，每512个模拟信号样本够成一个数据帧。对通信信号进行六组识别仿真，曲线分别为无分类检测识别、最小均方误差（MMSE）分类算法、DLN算法一次迭代、DLN算法二次迭代、DLN算法三次迭代、理想分类检测识别。基于不同信噪比的DLN识别误码率仿真结果，如图3所示。

图3 基于不同信噪比的DLN识别误码率

图3显示了BPSK、QPSK、8PSK、16QAM调制模式在不同信噪比下的信号识别误码率。通信信号识别中分别采用DLN算法和MMSE算法，在SNR变化范围从1dB～7dB，与理想分类检测、无分类检测，对误码率进行了比对。仿真结果表明，当SNR大于6dB时，DLN算法的信号识别误码率达到10-2，低于MMSE算法，且DLN算法随着迭代次数的增加，误码率会降低，接近理想情况。

5 结语

本文提出了一种自适应深度学习网络，用于多径衰落信道下的信号识别。通过建立期望模型的自然对数能量模型，深度学习网络分为幅值加权子网络、相位加权子网络和频率加权子网络，可通过每个子网络获取信号特征。仿真结果表明，与传统算法相比，本文提出的DLN算法，具有高效的分类性能和小样本分类能力，能够自适应训练序列长度相同、SNR相同的多径衰落信道，对通信信号的识别具有更低的BER。