第４４卷 第６期系统工程与电子技术
Ｖｏｌ．４４ Ｎｏ．６
２０２２年６月ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇ ａ
ｎｄＥｌｅｃｔｒｏｎｉｃｓＪｕｎｅ２０２２
文章编号：１００１ ５０６Ｘ（２０２２）０６ ２０１９ ０８ 网址：ｗｗｗ．ｓｙ
ｓ ｅｌｅ．ｃｏｍ收稿日期：２０２１０５１１；修回日期：２０２１０９１７；网络优先出版日期：２０２１１１１５。
网络优先出版地址：ｈｔｔｐ
ｓ：∥ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２４２２．ＴＮ．２０２１１１１５．１６２０．００６．ｈｔｍｌ 通讯作者．未识别的网络
犚犲犳犲狉犲狀犮犲犳狅狉犿犪狋：ＱＩＮＢＷ，ＪＩＡＮＧＬ，ＸＵＨ，ｅｔａｌ．Ｍｏｄｕｌａｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎａｌｇ
ｏｒｉｔｈｍｂａｓｅｄｏｎｒｅｓｉｄｕａｌｇｅｎｅｒａｔｉｏｎａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋ［Ｊ］．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａ
ｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０２２，４４（６）：２０１９ ２０２６．基于残差生成对抗网络的调制识别算法
秦博伟 ，蒋 磊，许 华，齐子森
（空军工程大学信息与导航学院，陕西西安７１００７７）
摘 要：针对小样本条件下通信信号识别准确率不高、
网络训练困难的问题，本文提出一种基于残差生成对抗网络的调制识别算法。首先，设计一种以Ｌｅａｋｙｒｅｌｕ作为隐藏层激活函数的新残差单元，使得网络对输入为负值的数据也可以进行梯度计算；然后，将新残差单元组成的残差网络和卷积神经网络作为本文算法的基本网络结构，使用卷积步幅为１的非对称小卷积核，更好地提取信号的边缘特征信息；最后，用Ｄｒｏｐｏｕｔ代替池化操作，并选择Ａｄａｍ梯度优化算法以交替迭代方式完成网络训练。仿真实验结果表明，小样本条件下，
残差生成对抗网络算法复杂度明显降低，信噪比（ｓｉｇｎａｌｔｏｎｏｉｓｅｒａｔｉｏ，ＳＮＲ）在０ｄＢ以上时，对１０种调制信号的识别准确率可以达到９１％，
验证了所提方法的有效性。关键词：残差网络；生成式对抗网络；调制识别；小样本
中图分类号：ＴＢ９７５ 文献标志码：Ａ 犇犗犐：１０．１２３０５／ｊ．
ｉｓｓｎ．１００１ ５０６Ｘ．２０２２．０６．３０犕狅犱狌犾犪狋犻狅狀狉犲犮狅犵狀犻狋犻狅狀犪犾犵
狅狉犻狋犺犿犫犪狊犲犱狅狀狉犲狊犻犱狌犪犾犵犲狀犲狉犪狋犻狅狀犪犱狏犲狉狊犪狉犻犪犾狀犲狋狑狅狉犽
ＱＩＮＢｏｗｅｉ ，ＪＩＡＮＧＬｅｉ，ＸＵＨｕａ，ＱＩＺｉｓｅｎ
（犐狀犳狅狉犿犪狋犻狅狀犪狀犱犖犪狏犻犵犪狋犻狅狀犆狅犾犾犲犵犲，犃犻狉犉狅狉犮犲犈狀犵犻狀犲犲狉犻狀犵犝狀犻狏犲狉狊犻狋狔，犡犻’
犪狀７１００７７，犆犺犻狀犪） 犃犫狊狋狉犪犮狋：Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｏｆｌｏｗａｃｃｕｒａｃｙｏｆｃｏｍｍｕｎｉｃａｔｉｏｎｓｉｇｎａｌｒｅｃｏｇｎｉｔｉｏｎａｎｄｄｉｆｆｉｃｕｌｔｔｒａｉｎｉｎｇ
ｏｆｎｅｔｗｏｒｋｉｎｆｅｗ ｓｈｏｔｌｅａｒｎｉｎｇ，ａｍｏｄｕｌａｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎａｌｇ
ｏｒｉｔｈｍｂａｓｅｄｏｎｔｈｅｒｅｓｉｄｕａｌｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｔｈｉｓａｌｇｏｒｉｔｈｍｄｅｓｉｇｎｓａｎｅｗｒｅｓｉｄｕａｌｂｌｏｃｋｕｎｉｔｕｓｉｎｇＬｅａｋｙｒｅｌｕａｓｔｈｅａｃｔｉｖａｔｉｏｎｆｕｎｃｔｉｏｎｏｆｔｈｅｈｉｄｄｅｎｌａｙ
ｅｒ，ｗｈｉｃｈｃａｎａｌｓｏｃａｌｃｕｌａｔｅｔｈｅｇｒａｄｉｅｎｔｆｏｒｔｈｅｎｅｇａｔｉｖｅｉｎｐｕｔｄａｔａ．Ｔｈｅｎ，ｔｈｅｒｅｓｉｄｕａｌｎｅｔｗｏｒｋｃｏｍｐｏｓｅｄｏｆｔｈｅｎｅｗｒｅｓｉｄｕａｌｕｎｉｔｓａｎｄｔｈｅｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋａｒｅｕｓｅｄａｓｔｈｅｂａｓｉｃ
ｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅｏｆｔｈｉｓｐｒｏｐｏｓｅｄａｌｇ
ｏｒｉｔｈｍ．Ｍｏｒｅｏｖｅｒ，ｗｅａｐｐｌｙｔｈｅａｓｙｍｍｅｔｒｉｃｓｍａｌｌｃｏｎｖｏｌｕｔｉｏｎａｌｋｅｒｎｅｌｗｉｔｈａｃｏｎｖｏｌｕｔｉｏｎａｌｓｔｅｐｏｆ１ｔｏｂｅｔｔｅｒｅｘｔｒａｃｔｔｈｅｅｄｇｅｆｅａｔｕｒｅｉｎｆｏｒｍａｔｉｏｎｏｆｔｈｅｓｉｇｎａｌ．Ｆｉｎａｌｌｙ，Ｄｒｏｐｏｕｔｉｓａｄｏｐｔｅｄｔｏｒｅｐｌａｃｅｔｈｅｐｏｏ
ｌｉｎｇｏｐｅｒａｔｉｏｎ，ａｎｄＡｄａｍｇｒａｄｉｅｎｔｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｉｓｓｅｌｅｃｔｅｄｔｏｃｏｍｐｌｅｔｅｔｈｅｎｅｔｗｏｒｋｔｒａｉｎｉｎｇｉｎａｎａｌｔｅｒｎａｔｅｉｔｅｒａｔｉｏｎｍｏｄｅ．Ｅｘｐ
ｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｕｎｄｅｒｔｈｅｃｏｎｄｉｔｉｏｎｏｆａｆｅｗ ｓｈｏｔｌｅａｒｎｉｎｇ，ｔ
ｈｅｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙｏｆｔｈｅｒｅｓｉｄｕａｌｇｅｎｅｒａｔｉｏｎａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋａｌｇｏｒｉｔｈｍｆｏｒ１０ｍｏｄｕｌａｔｅｄｓｉｇｎａｌｓｃａｎｒｅａｃｈ９１％ｗｈｅｎｔｈｅｓｉｇｎａｌｔｏｎｏｉｓｅｒａｔｉｏ（ＳＮＲ）ｉｓｈｉｇｈｅｒｔｈａｎ０ｄＢ，ｗｈｉｃｈｖｅｒｉｆｉｅｓｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅｐｒｏｐ
ｏｓｅｄｍｅｔｈｏｄ．犓犲狔狑狅
狉犱狊：ｒｅｓｉｄｕａｌｎｅｔｗｏｒｋ（Ｒｅｓｎｅｔ）；ｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋ；ｍｏｄｕｌａｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎ；ｆｅｗ ｓｈｏｔｌｅａｒｎｉｎｇ
０ 引 言通信信号的自动调制分类识别（ａｕｔｏｍａｔｉｃｍｏｄｕｌａｔｉｏｎｃｌａｓｓｉｆｉｃａｔｉｏｎ，ＡＭＣ）
是认知无线电系统的关键技术之一，在非协作通信系统条件下，接收端在信号调制信息未知的情况下能否快速准确地判别接收信号的调制样式，是后续
对信号进行解调的关键前提［１］。复杂电磁环境下，ＡＭＣ技
术在战场侦察、信号参数估计和频谱监测等方面都发挥重
·２
０２０ ·系统工程与电子技术第４４卷 要作用［２］。调制识别技术发展至今，无论是基于人工设计特征的传统方法还是基于深度学习的算法均已取得了丰硕的研究成
果。传统方法方面，文献［３５］通过构造不同似然函数来实现信号的调制分类，文献［６８］利用信号的循环谱特征来区分不同调制方式的信号，文献［９１１］利用信号的高阶累积量实现信号的调制方式识别。深度学习算法方面，文献［１２１４］分别利用卷积神经网络（ｃｏｎｖｏｌｕｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ，ＣＮＮ）和残差网络（ｒｅｓｉｄｕａｌｎｅｔｗｏｒｋ，Ｒｅｓｎｅｔ）完成
了对１１种调制信号的分类识别，
并且使用监督学习思想建立调制信号端到端的识别模型。文献［１５］将自编码器和
ＣＮＮ结合，
实现对数据的降维处理，一定程度上降低了算法复杂度。ＦＡＮ等人［１６］提出了一种联合噪声估计的调制识别算法，该算法同时将原始信号数据和信噪比作为神经网络的输入，仿真结果表明这种算法在不同信噪比、不同频偏
下的识别准确率已经接近理论识别准确率的上限。Ｑｉ等
人［１７］设计了一种多模特征匹配残差网络，大样本条件下对调制信号的识别准确率在１０ｄＢ可以达到９４％。文献［１８］从数据生成的角度出发，首次将生成式对抗网络［１９］（ｇｅｎｅｒ
ａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋｓ，ＧＡＮ）
应用于数据的分类识别。Ｂｕ等人［２０］则将ＧＡＮ引入到迁移学习中，利用ＧＡＮ生成的虚假数据来训练网络，最后迁移到真实数据的调制样式
识别。
传统调制识别方法依赖人工设计特征、可识别的信号种类较少、网络泛化能力较弱；而基于深度学习的调制识别算法往往需要利用大量的标签数据来训练网络、算法复杂度较高。针对上述问题，本文提出一种基于残差ＧＡＮ（ＲｅｓｉｄｕａｌＧＡＮ，Ｒｅｓ ＧＡＮ）的调制识别算法，首先生成网络学习不同分布域数据的特征信息，通过噪声生成高质量的虚假数据来扩充数据集；其次设计了一种由新残差单元组成的Ｒｅｓｎｅｔ作为判别网络，有效提升了网络的特征提取能力，更好地区分相似信号。实验证明，本文提出的算法在小样本条件下识别准确率显著提升，模型收敛速度加快，算法复杂度明显降低。
１ 犚犲狊 犌犃犖
１．１ 网络模型设计
网络深度不仅决定了网络提取信号特征的复杂性，而且会影响模型整体性能，网络层的数量堆积可以丰富特征级别，层堆叠的方式可以获得信号高维特征空间的参量，但是由于深层网络反向传播时，层数堆积的累积效应会造成梯度消失或梯度爆炸，导致深层网络性能退化［２１］。因此需要合理选择网络深度使模型的整体性能达到最佳。ＣＮＮ可以对信息进行较为广泛的特征提取，而Ｒｅｓｎｅｔ则被证实在信号的细微特征提取和改善网络梯度训练方面具有很好
的效果［２２］，因此本文算法的网络模型用ＣＮＮ作为生成器（ｇｅｎｅｒａｔｏｒ，Ｇ）网络，用新残差单元组成的Ｒｅｓｎｅｔ作为判别器（ｄｉｓｃｒｉｍｉｎａｔｏｒ，Ｄ）
网络。为了达到网络生成虚假数据并实现信号分类的目的，将网络输出层修改为两部分：判别数据的真假属性和类别属性。根据Ｇ、Ｄ网络间的逻辑关系，Ｒｅｓ ＧＡＮ结构如图１所示
。图１ Ｒｅｓ ＧＡＮ结构Ｆｉｇ．１ ＳｔｒｕｃｔｕｒｅｏｆＲｅｓ ＧＡＮＧ输入为噪声、输出为虚假数据，Ｄ输入为无标签数据、
有标签数据和虚假数据，输出为两部分：真假分类器判定虚假数据与无标签数据的相似度，类别分类器判定有标签数据的类别属性。通过Ｄ的输出结果分别训练Ｇ和Ｄ，当训练一方时，固定另一方的参数和网络权值，从而实现两者之间对抗训练、
互相提高的目的。组成Ｄ网络的新残差单元结构如图２所示，利用Ｌｅａｋｙｒｅｌｕ作为隐藏层激活函数并去除池化层，一方面较好地保留了初始信息量，另一方面在执行反向传播过程中对
输入小于零的部分也可以计算得到梯度（而不是像Ｒｅ
ＬＵ一样值为０），更好地实现了网络参数和偏置项的最优化更新。Ｌ
ｅａｋｙｒｅｌｕ表达式为Ｌｅａｋｙｒｅｌｕ＝狓，狓≥０－犪狓，狓＜烅烄烆０（１）式中：狓表示神经网络某一层的输入数据；犪为（０，１）之间的一个常数
。图２ 残差单元的网络结构
Ｆｉｇ．
２ Ｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅｏｆｒｅｓｉｄｕａｌｕｎｉｔ狔犾＝犎（狓犾）＋犉（狓犾，犠犾）狓犾＋１＝犳（狔犾烅烄烆）（２）式中：狓犾代表神经网络第犾层的输入数据；狔犾代表第犾层的
输入数据；犎（·）代表直接映射；犉（·）代表残差部分；犳（·）代表激活函数；犠犾代表卷积操作。假设本文的Ｒｅｓｎｅｔ存在犔个残差单元，则式（２）
变为狔犔＝狓犾＋∑犔－１
犻＝１犉（狓犻，犠犻）狓犔＋１＝犳（
狔犔烅
烄烆）（３）式中：犻＝１，２，…，犔－１。
第６期
秦博伟等：基于残差生成对抗网络的调制识别算法·２０２１ ·
根据梯度下降算法中使用导数的链式法则，损失函数ε关于狓犾的梯度可以表示为 ε
狓犾＝ ε 狓犔 狓犔 狓犾＝ ε 狓犔１＋ 狓犾∑犔－１
犻＝犾犉（狓犻，犠犻（）
）＝ ε 狓犔＋ ε 狓犔 狓犾∑犔－１
犻＝犾犉（狓犻，犠犻）（４） 从式（４）中可以得出本文Ｒｅｓｎｅｔ的两个属性：（１）在整个训练过程中 ／ 狓犾∑犔－１
犻＝犾犉（狓犻，犠犻）不可能一直为－１，也就是说在本文Ｒｅｓｎｅｔ训练中不会出现梯度消失的问题。
（２） ε／ 狓犔表示犔层的梯度可以直接传递到任何一个比其浅的犾层。１．２ 损失函数本文所提的Ｒｅｓ ＧＡＮ算法采用交替迭代的训练方法。结合网络的输入输出结构和损失函数，将本文的目标函数修改为有监督学习和无监督学习两部分。监督学习使用标签数据（狓犻，狔犻）和多元交叉熵损失函数进行计算，无监督学习利用“无标签”数据（狓′犻，１）或（狓′犻，
０）（０代表虚假数据，１代表真实数据）和二元交叉熵损失函数进行计算。Ｄ网络
的输出层激活函数分别使用Ｓｉｇｍｏｉｄ函数和Ｓｏｆｔｍａｘ函数。假设网络模型的输入数据为狓，Ｓｉｇｍｏ
ｉｄ函数输出一个０～１之间的数，越接近于１代表判别结果越接近于真实数据，越接近于０代表判
别结果越接近于虚假数据，Ｓｏｆｔｍａｘ函数输
出一个犓维向量［犾１，犾２，犾３…，犾犓］，转化成概率为狆ｍｏｄｅｌ（狔＝犼狘狓）＝ｅｘｐ（犾犼）∑犓犽＝１
ｅｘｐ（犾犽），犼＝１，２，…，犓（５） 为了简化算法复杂度，将输出向量扩展为犓＋１维向量，
第犓＋１维向量用来判定无标签数据的训练情况，由于只需要判定数据的真假性，因此第犓＋１维向量可以被判定为前犓个向量中的任意一个类别，这样本文的损失函数表达如下所示：
犔ｌｏｓｓ＝犔ｓｕｐｅｒｖｉｓｅｄ＋犔ｕｎｓｕｐｅｒｖｉｓｅｄ犔ｓｕｐｅｒｖｉｓｅｄ＝－犈狓，狔∈狆ｄａｔａ
（狓，狔）（犾）犔ｕｎｓｕｐｅｒｖｉｓｅｄ＝－犈狓∈狆ｄａｔａ
（狓）（犿）－犈狓∈犌（狀）犾＝ｌｏｇ２（犇′（狔｜狓，狔＜犓＋１）
）犿＝ｌｏｇ２（１－犇′（狔＝犓＋１｜狓））狀＝ｌｏｇ２（犇′（狔＝犓＋１｜狓烅烄烆
））（６）式中：犔ｓｕｐｅｒｖｉｓｅｄ和犔ｕｎｓｕｐｅｒｖｉｓｅｄ分别代表监督学习下的损失函数和
无监督学习下的损失函数；犇′代表残差判别器映射的可微函
数；犈是求期望，犾表示标签数据被判定为第犼维向量（犼＝１，２，…，犓）；犿表示无标签数据被判定为第犓＋１维向量；狀表示生成的虚假数据被判定真实数据。目标函数为最小化犔ｌｏｓｓ，假设输入数据狓服从狓～ｃ（狓）分布，则目标函数为ｍｉｎ犔ｌｏｓｓ＝
ｍｉｎ［ｅｘｐ（犾犼（
狓））＋ｅｘｐ（犾犓＋１（狓））］＝ｃ（狓）狆（狔＝犼，狓）（ 犼＜犓＋１）＋ｃ（狓）狆犌（
狓）（７）式中：ｃ（狓）
意为信号狓总是服从于同一种分布。２ 基于犚犲狊 犌犃犖的调制识别算法２．１ 网络参数设置考虑到本文设定的小样本条件，参照文献［１３］对于网
络层数的选择标准，本文通过大量对比实验得出Ｇ网络选择３层卷积结构，Ｄ网络选择４个残差单元，残差单元选择３层卷积结构时网络的性能最好。图３和图４分别为残差
单元和Ｇ、Ｄ网络的结构参数图。图４中，ｚｅｒｏｐａｄｄｉｎｇ（·）为零填充
。图３ 残差单元的结构参数Ｆｉｇ．３ Ｓｔｒｕｃｔｕｒｅｐａｒａｍｅｔｅｒｓｏｆｒｅｓｉｄｕａｌｕｎｉ
ｔ图４ Ｇ、Ｄ网络的结构参数Ｆｉｇ．４ ＳｔｒｕｃｔｕｒｅｐａｒａｍｅｔｅｒｓｏｆＧａｎｄＤｎｅｔｗｏｒｋｓ２．２ 算法实现基于Ｒｅｓ ＧＡＮ的调制识别算法实现分为训练和测试两个阶段，训练阶段Ｇ和Ｄ交替训练，最终网络的收敛结果为Ｇ生成的虚假数据与真实数据相似度最高，Ｄ则可以
准确地分辨出信号的调制样式。测试阶段则是为了进一步检验网络的性能。Ｒｅｓ ＧＡＮ算法的具体步骤如下所示。
·２
０２２ ·系统工程与电子技术
第４４卷
算法１ Ｒｅｓ ＧＡＮ算法
输入 噪声、
调制信号数据集。输出 生成数据的真假概率、分成各个类别概率。
１． 初始化２． 设置Ａｄａｍ，ｅｐｏｃｈ，Ｄｒｏｐｏｕｔ２．１ 利用服从同一分布的噪声信息生成犔个１００维的噪声向量｛狕１，狕２，…，狕犿｝２．２ 将噪声向量通过Ｇ生成犔个无标签虚假样本｛狓１，狓２，…，狓犿｝２．３ 将步骤２．２中犔个无标签虚假样本分别送入Ｇ网络和残差判别网络中执行梯度下降训练２．４ 设置终止条件２．５ 保存训练好的Ｇ网络和残差判别网络结构参数和网络权重２．６ 读取犿个带标签真实数据，通过Ｇ网络生成等量的虚假样本
２．７ 将２犿个带标签数据送入Ｇ网络和残差判别网络中，导入步骤２．５中保存的网络继续执行梯度下降训练２．８ 设置终止条件２．９ 保存网络模型和权重３． 输出训练分类结果４． 读取狇个带标签数据作为测试数据５． 读取步骤２中保存的网络模型，进行网络测试，输出测试结果残差单元和Ｇ、Ｄ网络分别去除了批量归一化层和池化层，添加零填充层并且采用步幅为１的非对称递减小卷积核，
这样选择的理论依据如下：（１）
去除批量归一化层和池化层可以最大限度地保留信号的原始信息。
（２）
添加零填充层可以增大感受野范围，步幅为１的非对称卷积有助于提取边缘特征信息。（３）
递减小卷积核可以提取信号的不同层次特征，明显减少网络参数和降低算法复杂度。
３ 实验仿真与结果分析
３．１ 仿真环境及数据集
本文的网络模型训练均使用Ｐｙｔｈｏｎ的Ｋｅｒａｓ环境，配置为ＮｖｉｄｉａＧＴＸ１６５０ＧＰＵ，借助Ｔｅｎｓｏｒｆｌｏｗ后端进行训练，调制信号数据集采用Ｄｅｅｐｓｉｇ公开调制识别数据集［１４］
ＲＭＬ２０１６．１０ｂ，
表１为本文采用的数据集信息。调制样式选择１０种常见的模拟调制和数字调制样式，分别为二进制
相移键控（ｂｉｎａｒｙｐｈａｓｅｓｈｉｆｔｋｅｙｉｎｇ，ＢＰＳＫ）、四进制相移键控（ｑｕａｄｒａｔｕｒｅｐｈａｓｅｓｈｉｆｔｋｅｙｉｎｇ，ＱＰＳＫ）、八进制相移键控（８ｐｈａｓｅｓｈｉｆｔｋｅｙｉｎｇ，８ＰＳＫ）
、高斯频移键控（Ｇａｕｓｓｉａｎｆｒｅ ｑｕｅｎｃｙｓｈｉｆｔｋｅｙｉｎｇ，ＧＦＳＫ）
、连续相位频移键控（ｃｏｎｔｉｎｕｏｕｓｐｈａｓｅｆｒｅｑｕｅｎｃｙｓｈｉｆｔｋｅｙｉｎｇ，ＣＰＦＳＫ）、四连续脉冲振幅调制（４ ｌｅｖｅｌｐｕｌｓｅａｍｐｌｉｔｕｄｅｍｏｄｕｌａｔｉｏｎ，ＰＡＭ４）、１６种符号正交振幅调制（１６ｑｕａｄｒａｔｕｒｅａｍｐｌｉｔｕｄｅｍｏｄｕｌａｔｉｏｎ，ＱＡＭ１６）、６４种符号正交振幅调制（６４ｑｕａｄｒａｔｕｒｅａｍｐｌｉｔｕｄｅｍｏｄｕｌａ ｔｉｏｎ，ＱＡＭ６４），双边带调幅（ａｍｐｌｉｔｕｄｅｍｏｄｕｌａｔｉｏｎｄｏｕｂｌｅｓｉｄｅｂａｎｄ，ＡＭ ＤＳＢ）和宽带调频（ｗｉｄｅｂａｎｄｆｒｅｑｕｅｎｃｙｍｏｄｕｌａｔｉｏｎ，ＷＢＦＷ）。每种调制样式采样１２８个点并选择Ｉ／Ｑ两路信号，每２ｄＢ为一个信噪比区间。表１ 调制信号数据集犜犪犫犾犲１ 犕狅犱狌犾犪狋犻狅狀狊犻犵狀犪犾犱犪狋犪狊犲狋参数数值调制样式８ＰＳＫ，ＡＭ ＤＳＢ，ＢＰＳＫ，ＧＦＳＫＣＰＦＳＫ，ＰＡＭ４，ＱＡＭ１６，ＱＡＭ６４，ＱＰＳＫ，ＷＢＦＭ
样本维度（２，１２８）样本数量８６４００
信噪比－４～１８ｄＢ（每２ｄＢ一个间隔）３．２ 实验一：网络初始参数设置根据３通道原则，将数据维度由（２，１２８）增加为（２，１２８，１），因为数据集信号已经进行归一化，所以直接利用服从（０，１）高斯分布噪声进行拟合数据，训练轮数设置为９０个ｅｐｏｃｈ。本文通过大量实验对比了网络层数、不同的梯度优化算法和隐藏层激活函数对网络性能的影响。网络层数方
面，用狀代表残差单元的卷积层个数，用犖代表Ｄ网络残
差单元的个数，分别对比狀和犖不同取值下的网络性能，实验结果如图５所示。图５ 不同网络层数结果对比Ｆｉｇ．５ Ｃｏｍｐａｒｉｓｏｎｏｆｄｉｆｆｅｒｅｎｔｎｅｔｗｏｒｋｌａｙ
ｅｒｓｒｅｓｕｌｔｓ从图５中可以得出残差单元为３层卷积结构、Ｄ网络
选取４个残差单元可以最大限度实现网络模型的最优化。为证明本文选择的梯度下降算法的优势，对比随机梯度下降（ｓｔｏｃｈａｓｔｉｃｇｒａｄｉｅｎｔｄｅｓｃｅｎｔ，ＳＧＤ）算法、动量梯度下降（ｍｏｍｅｎｔｕｍｇｒａｄｉｅｎｔｄｅｓｃｅｎｔ，Ｍｏｍｅｎｔｕｍ）算法、微分加权平均（ｒｏｏｔｍｅａｎｓｑｕａｒｅｐｒｏｐ，ＲＭＳＰｒｏｐ）算法和自适应估计（ａｄａｐ
ｔｉｖｅｍｏｍｅｎｔｅｓｔｉｍａｔｉｏｎ，Ａｄａｍ）算法。不同梯度优化算法结果对比图如６所示。
第６期
秦博伟等：基于残差生成对抗网络的调制识别算法
·２０２３
·
图６ 不同梯度优化算法结果对比
Ｆｉｇ．６ Ｃｏｍｐａｒｉｓｏｎｏｆｄｉｆｆｅｒｅｎｔｇｒａｄｉｅｎｔｏｐｔｉｍｉｚａｔｉｏｎａｌｇ
ｏｒｉｔｈｍｓｒｅｓｕｌｔｓＡｄａｍ梯度优化算法相比较于其他３种算法，
低信噪比下收敛速度较快、
高信噪比下稳定性强，算法适应性好。具体原因为Ａｄａｍ优化算法采用一阶矩和二阶矩分别对加权
后的梯度进行误差校正。同时由于网络测试时使用的样本数量较少，因此曲线会呈现非单调的波动趋
势。当改变Ａｄａｍ学习率的默认设置时，发现网络无法训练，所以Ａｄａｍ学习率设置为默认值０．０００２。结合Ｌｅａｋｙｒｅｌｕ表达式，分别对比犪取不同数值和不同激活函数下的网络性能，实验结果如图７和图８所示。图７ Ｌｅａｋｙｒｅｌｕ不同参数下的结果Ｆｉｇ．７ Ｌｅａｋｙｒｅｌｕｒｅｓｕｌｔｓｕｎｄｅｒｄｉｆｆｅｒｅｎｔｐａｒａｍｅｔｅｒｓ图８ 不同激活函数结果对比Ｆｉｇ．
８ Ｃｏｍｐａｒｉｓｏｎｏｆｄｉｆｆｅｒｅｎｔａｃｔｉｖａｔｉｏｎｆｕｎｃｔｉｏｎｓｒｅｓｕｌｔｓ结合图７和图８结果，Ｌｅａｋｙｒｅｌｕ中参数值犪取０．２５时网络性能最好，相比较另外两种激活函数收敛更快，识别
准确率提升２％～４％。除此之外，在基于Ａｄａｍ优化算法
的前提下还通过大量实验对比了不同Ｂａｔｃｈ ｓｉｚｅ、Ｄｒｏｐｏｕｔ和Ａｄａｍ参数设置下的网络性能，部分实验结果如表２所示。
表２ 不同参数下的网络性能对比犜犪犫犾犲２ 犆狅犿狆犪狉犻狊狅狀狅犳狀犲狋狑狅狉犽狆犲狉犳狅狉犿犪狀犮犲狌狀犱犲狉
犱犻犳犳犲狉犲狀狋狆犪狉犪犿犲狋犲狉狊
参数
批次３２６４１２８２５６５１２
第一衰减率０．４０．５０．６０．５０．４Ｄｒｏｐ
ｏｕｔ０．３０．０５０．１５０．３０．２识别准确率０．９１８０．９８００．９５２０．９３４０．９２８
综合上述实验结果，Ｒｅｓ ＧＡＮ算法选择Ａｄａｍ梯度优化算法（学习率设置为０．０００２，第一指数衰减率设置为
０．５），激活函数选择Ｌｅａｋｙｒｅｌｕ（犪＝０．２５），Ｄｒｏｐｏｕｔ设置为０．０５，Ｂａｔｃｈ ｓｉｚｅ设置为６４。对比实验结果，发现不同的初始化参数对模型性能还是有一定影响（准确率浮动范围为
３％～５％）。由此得出通过实验优选网络模型的初始化参
数集合是必要的。
３．３ 实验二：
调制信号分类识别按照实验一的网络参数初始值设定和表１的具体算法步骤，将（－４～１８ｄＢ）信噪比下的每种信号分别随机选取６６０，１８００，３６００，７２００，１５０００，３００００，６００００个标签数据（犿取值），犔取８６４００，狇取５
００，将选取后的数据按照８∶１∶１比例划分为训练集、验证集和测试集进行。选取模型最优
化的结果，图９为损失函数曲线，图１０为网络测试后的混淆矩阵结果。Ｒｅｓ ＧＡＮ算法训练阶段先训练Ｄ网络，从图９（ａ）可以看出损失函数曲线总体保持平稳下降趋势，在６０个ｅｐｏｃｈ以后验证集已经达到收敛状态。Ｄ网络训练结束后将参数固定，接着训练Ｇ网络，由图９（ｂ）的损失函数曲线看出验证集和训练集拟合程度较高，网络训练没有出现过拟合问题。
发布评论