点击数: 更新日期: 2022-09-14
中文题目:一种基于注意机制的自动调制识别时空多流学习框架
录用时间:2022年8月19日
论文题目:A Spatiotemporal Multi-Stream Learning Framework Based on Attention Mechanism for Automatic Modulation Recognition
录用期刊:DIGITAL SIGNAL PROCESSING(JCR Q2)
作者列表:
1)王旭 中国石油大学(北京)信息科学与工程学院 硕研19
2)刘得军 中国石油大学(北京) 信息科学与工程学院
3)张宇浩 中国石油大学(北京)信息科学与工程学院 硕研19
4)李洋 中国石油大学(北京)信息科学与工程学院 博20
5)吴世伟 中国石油大学(北京)信息科学与工程学院 硕研19
文章简介:
自动调制识别(AMR)在无线通信系统中起着至关重要的作用。本文提出了一种新的多流神经网络(MSNN),用于从调制信号的幅度、相位、频率和原始数据中并行提取特征。该框架结合了卷积神经网络(CNN)和双向门控递归单元(Bi-GRU),借助卷积层注意力模块(CBAM)和多头自注意力(MHSA)两种不同的注意机制,从空间和时间特征中更有效地提取特征。仿真实验表明:对于4种广泛使用的DeepSig数据集,该算法的性能优于其他先进的识别算法。在数据集RML2016.04C、RML2016.10A、RML2016.10B和RML2018.01A上,我们提出的模型的识别准确率分别超过了99%(18 dB)、93%(16 dB)、 95%(20 dB)和 97%(20 dB)。
背景与动机:
自动调制识别技术最初服务于电子战、情报收集和威胁分析等军事应用。在现代通信系统中,发射机可以使用多种调制类型来控制数据速率和信号带宽。相应地,调制信息可以包含在信号帧中,以便接收机根据调制类型相应地做出反应。然而在实际情况中,这种策略会影响频谱效率。而对于非协作通信,接收端无法直接提取相关信息。因此,自动调制识别技术可用于检测接收信号的调制类型,从而消除网络协议中的任何潜在开销,并使非协作通信成为可能。
设计与实现:
本文提出的MSNN模型(Multi-Stream Neural Network)是专门为自动调制识别设计的深度学习模型,网络结构如图1所示。
图1 MSNN结构图
如图1所示,MSNN网络按照功能从上到下可分为3部分:
(1)Part A:多流输入
该部分由卷积块组成,输入信号的多模态信息后可获得信号的高阶特征,并通过卷积运算减小了信号噪声方差。此时,(原始IQ信号)、(由IQ信号转换的幅相信号)和(由IQ信号转换的频率信号)被分成6路独立的信息流,并分别送入不同的卷积模块以提取信号的双流和单流特征,从而有效地利用原始数据、振幅、频率和相位的互补信息。
(2)Part B:带有CBAM的残差块结构
图 2 带有CBAM的残差块结构
该部分将卷积块注意力模块(CBAM)添加到残差块结构(ResBlock)中,以更有效地从先前获得的特征图中获得关键信息,并提高神经网络的特征表达能力。其中,CBAM有两个连续的子模块,分别为通道注意力模块和空间注意力模块,它们可以分别从通道维度和空间维度分配注意力权重。
(3)Part C:带有MHSA的双向GRU结构
该部分采用门控递归单元(GRU)来显式地建模时序特征。GRU是LSTM的变体,它保留了LSTM的功能,但结构更简单。单向GRU只考虑过去的状态而忽略了后面的信息,而双向GRU(Bi-GRU)通过计算和组合前向和后向信号可获得完整的时间序列信息。
在自然语言处理(NLP)领域,多头自我注意机制(MHSA)可以从每个特征空间中学习输入文本携带的信息,并将它们组合为输出矩阵来表示在这一层发现的高阶特征,它也适用于信号调制识别问题。在该部分中,从Bi-GRU输出的信号特征可以以上述文本处理的方式对接收信号进行处理,并使用MHSA计算每个特征的权重来表示不同的重要性。其中,自我注意力通过考虑每个时间步与序列中其他时间步的相似性来确定每个时间步的相对权重,而多头结构则注重考虑不同特征子空间的相关性。
实验结果及分析:
图 3 不同数据集下识别混淆矩阵结果
从图3可以看出,在16dB的情况下,大多数调制模式具有良好的识别精度。在RML2016.10A数据集中,误区分主要发生在16QAM和64QAM之间。这是因为16QAM属于64QAM的调制子集,其调制原理相同,导致了两种模式的误判。在RML2016.10A和10B中,AM-DSB和WBFM还有很大的混淆。这是因为这些调制是由真实的语音信号产生的,而语音信号具有静默期,因此模型很难区分这两种调制模式。然而,在RML2018.01A数据集中,错误识别主要发生在高阶QAM调制中。这是由于误差向量幅度(EVM)较大,这些信号经过信道后会受到噪声干扰而失真,从而影响模型的识别精度。
通讯作者简介:
刘得军,教授,中国石油大学(北京),信息科学与工程学院电子信息工程系,博士生导师。研究方向:电磁测量方法与数值模拟技术、电缆高速数据传输理论与技术、机电测量系统虚拟样机设计等。总计发表科学论文150余篇。联系方式:Email: liudj65@163.com