2ask调制解调函数 matlab_基于胶囊网络的共信道重叠信号盲源调制识别

文献信息：Zhou, Siyang, et al. "Blind Modulation Classification for Overlapped Co-Channel Signals Using Capsule Networks." IEEE Communications Letters 23.10 (2019): 1849-1852.

导读：上个月分享了一篇《基于深度稀疏胶囊网络的电磁信号分类》，与本文的共同点是皆使用胶囊网络作为分类器对信号进行分类。胶囊网络与卷积神经网络的主要区别在于，胶囊网络利用神经元群向量来表示输入特征，而非单个神经元。胶囊网络可以获得更高层次的特征，丰富了特征的表达能力。

摘要

近二十年来，单个信号的自动调制分类（AMC）得到了广泛的研究。同时，对多信号AMC的需求也在增加，但单信号AMC表现不佳，对于多信号AMC提出的方法较少。为了解决这一问题，提出了一种用于应用胶囊网络的共信道重叠信号的盲AMC方法。多个发射机同时发射信号，信号由单天线接收机接收。该方法直接处理中频信号，并能自动检测信号的数量。数值结果证明了该方法的有效性，以及胶囊网络所提供的良好的泛化能力。

本文的主要结构

AMC是介于信号检测和接收机解调之间的中间过程。该方法的整体结构如图1所示。假设N个发射机以相似的载波频率同时发射信号（N应该是未知的），并且这些信号由相同的单天线接收机接收。在这种情况下，来自不同调制类型的不同发射机的信号在时间、频率和空间域上高度重叠，因此它们不能用源分离算法分离。预处理是指量化和采样，信号事后由适当的AMC算法处理。

图1 多信号AMC系统的体系结构

信号模型

本节推导了重叠同信道信号的表达式。对于单个发射机i，在中频无噪声的情况下接收到的信号表示为

本信中考虑的调制集M包括2ASK、2FSK、4FSK、BPSK、QPSK、16QAM、64QAM和MSK。假设信号被加性高斯白噪声(AWGN)破坏。N个用户的共信道重叠接收信号r(t)表示为

利用胶囊网络解决AMC问题的方法是采用监督学习的方法。中频采样后，利用包络网络直接处理重叠信号，通过阈值判定得到分类结果。

提出的算法

利用胶囊网络解决AMC问题的方法是采用监督学习的方法。中频采样后，利用包络网络直接处理重叠信号，通过阈值判定得到分类结果。

A． 胶囊网络结构

胶囊网络是传统神经网络的扩展，它利用神经元群作为向量来表示输入特征，而不是单个神经元。这样可以获得更高层次的特征，丰富了特征的表达能力。胶囊网络的基本结构如图2所示。将卷积层得到的特征图压缩成i向量存储在初始胶囊中，而多个初始胶囊及其获得的权重将被输入到数字胶囊中，通过对数字胶囊进行非线性函数的“挤压”而得到最终的输出。该过程表示为

其中cij为动态路由过程确定的耦合系数，胶囊的长度表示一个实体的存在，适用于输出由多个标签组成的多信号问题，Softmax层不再可行，因为它一次只能给一个标签。

图2 胶囊网络基本结构

B． 使用胶囊网络的分类

通过适当的训练样本对网络进行训练，使其能够有效地对重叠的同信道信号进行分类。胶囊网络的输出是一个8维向量V=[vi]，其中i属于[1~8]，vi属于（0,1）最终的分类结果是通过f(v)获得，f(·) 是阈值决策函数表示为

其中T为人工设定的决策参数。

因此,f(ν)代表了分类结果的形式以one-hot的代码。νi损失的训练过程表示为

当类i存在时，Ki = 1。其他参数设m+ = 0.9, m = 0.1。阈值决策的提出使网络自动检测信号的数目N，它带来的问题包括假警报和失踪的警报。针对这一问题，提出了训练过程中T的阈值损失，记为

其中ξ是宽松的因素决定。则整个胶囊网络的损失为

λ是一个手动设置参数去平衡误警和虚警的概率,分别定义为pf和pm点。通过结合Lm和Lt,网络首先确保νi 在T的右边,然后鼓励νi接近相应的边缘,这样的νi值保持稀疏。

仿真实验

在同信道环境下，N个发射机以相似但不同的频率发射信号，从而导致fi处的频率偏移。为了使网络的泛化能力强,fi,γ,ϕsi和Ei认为是均匀分布在[63，77] MHz, [0, 15] dB，[0, 2π),分别为[0.9,1.1]。中频的采样频率设置为200 MHz。共存信号的最大数目设置为2。

考虑到采样后中频信号由胶囊网络处理，只需要调制集M的先验信息，不需要基带信号，也不需要同步；说明该方法适用于盲分类。

图3 胶囊网络的性能

在图3 (a)和(b)中，给出了2个信号和3个信号情况下不同信号的Pcc结果，从中可以看出，在所有信噪比下，Pcc对于所有调制类型的性能都是令人满意的。对于分类最差的16个QAM信号，当Nmax = 3时，其Pcc在5db以下为72.51%。所有信号的Pcc在2 dB以下达到90%，在9 dB以下超过95%。注意，在所有信噪比下，所有信号都由同一个预先训练好的胶囊网络进行分类，证明了该网络的泛化能力。图4 (c)和(d)展示了使用LT和不使用LT训练的网络之间的比较。通过在训练过程中采用LT，阈值决策带来的pf和pm也得到了缓解。

图4 本文提出方法与已有方法对比

选择已有的多信号AMC方法进行比较。据我们所知，目前还没有处理IF信号的方法。注意，已有文献中的信号在接收端也被AWGN破坏，与IF信号在信号功率上没有区别。图6显示了所有调制类型的平均Pcc，从图中可以看出，胶囊网络显著提高了平均Pcc的性能，特别是在低信噪比的情况下。共存信号的最大数量小于本文，可以处理5db的信号。在更复杂的条件下可以获得更好的性能，证明了该方法的有效性。

结论

本文提出了一种基于胶囊网络的多信号自适应调制方法。该方法对不同数量的共存信号具有自适应能力，能够识别重叠信号中的各个独立分量。如果信号经过量化后直接由胶囊网络处理，不需要进行下转换或特征提取等额外操作。仿真结果表明，该方法在各种信噪比下均能获得满意的性能和良好的泛化能力。提出了一种阈值丢失方法，有效地缓解了阈值决策带来的pf和pm问题。对于5 dB以下的3信号，平均Pcc仍然是89.91%，这证明了我们方法的有效性。

思考

在信号识别领域利用深度学习网络进行分类识别时，通常改进之处无非就是两点，一是信号域到图域的转换方式，二是网络结构及参数的微调。CNN是最常用的网络，并且不同的CNN网络结构对信号的时频图等识别性能差异微小。而CNN网络也存在一些缺陷，比如CNN对物体的空间关系识别不强。而胶囊网络恰恰可以弥补CNN的缺陷，胶囊网络利用向量神经元（也可称为张量神经元）来描述特征，而非CNN的单个神经元，从而丰富了特征层次，胶囊网络是具有一定的学习价值的。