推荐星级:
- 1
- 2
- 3
- 4
- 5
基于图像深度学习的无线电信号识别
资料介绍
提出了一种利用图像深度学习解决无线电信号识别问题的技术思路。首先把无线电信号具象化为一张二维图片,将无线电信号识别问题转化为图像识别领域的目标检测问题;进而充分利用人工智能在图像识别领域的先进成果,提高无线电信号识别的智能化水平和复杂电磁环境下的识别能力。基于该思路,提出了一种基于图像深度学习的无线电信号识别算法——RadioImageDet算法。实验结果表明,所提算法能有效识别无线电信号的波形类型和时/频坐标,在实地采集的12种、4 740个样本的数据集中,识别准确率达到86.04%,mAP值达到77.72,检测时间在中等配置的台式计算机上仅需33 ms,充分验证了所提思路的可行性和所提算法的有效性。
部分文件列表
文件名 | 大小 |
基于图像深度学习的无线电信号识别.pdf | 4M |
部分页面预览
(完整内容请下载后查看)第 40 卷第 7 期
2019 年 7 月
通
信
学
报
Vol.40 No.7
July 2019
Journal on Communications
基于图像深度学习的无线电信号识别
周鑫,何晓新,郑昌文
(中国科学院软件研究所天基综合信息系统重点实验室,北京 100190)
摘 要:提出了一种利用图像深度学习解决无线电信号识别问题的技术思路。首先把无线电信号具象化为一张二
维图片,将无线电信号识别问题转化为图像识别领域的目标检测问题;进而充分利用人工智能在图像识别领域的
先进成果,提高无线电信号识别的智能化水平和复杂电磁环境下的识别能力。基于该思路,提出了一种基于图像
深度学习的无线电信号识别算法——RadioImageDet 算法。实验结果表明,所提算法能有效识别无线电信号的波
形类型和时/频坐标,在实地采集的 12 种、4 740 个样本的数据集中,识别准确率达到 86.04%,mAP 值达到 77.72,
检测时间在中等配置的台式计算机上仅需 33 ms,充分验证了所提思路的可行性和所提算法的有效性。
关键词:无线电信号识别;深度学习;射频机器学习;卷积神经网络;图像目标检测
中图分类号:TN971
文献标识码:A
doi: 10.11959/j.issn.1000-436x.2019167
Radio signal recognition based on image deep learning
ZHOU Xin, HE Xiaoxin, ZHENG Changwen
Science & Technology on Integrated Information System Laboratory, Institute of Software Chinese Academy of Sciences, Beijing 100190, China
Abstract: A technical idea was innovatively proposed that uses image deep learning to solve the problem of radio signal
recognition. First, the radio signal was transformed into a two-dimensional picture, and the radio signal recognition prob-
lem was transformed into the object detection problem in the field of image recognition. Then, the advanced achieve-
ments about image recognition were used to improve the intelligence and ability of radio signal recognition in complex
electromagnetic environment. Based on the proposed idea, a novel radio signal recognition algorithm named
RadioImageDet was proposed. The experimental results show that the algorithm can effectively identify the waveform
types and time/frequency coordinates of radio signals. After training and testing on the self-collected data set with 12 types
and 4 740 samples, the accuracy reaches 86.04% and the mAP value reaches 77.72, while the detection time is only 33 ms
on the medium configured desktop computer.
Key words: radio signal recognition, deep learning, radio frequency machine learning, convolutional neural network,
image object detection
与识别,特别是在机场、边境等重点区域及重大
1 引言
活动现场的无线电监管,具有重要的现实意义和
迫切需求。
近年来,随着无线通信技术的发展,特别是物
联网的兴起,无线电波已成为连通万物的重要载
体。然而,无线电波开放性的特点使其容易受到干
扰和非法利用,导致正常通信系统受扰甚至中断,
进而威胁社会和国家安全。因此,加强无线电监测
无线电信号识别技术最初主要用于军事电子
战和政府频谱监管领域,近年来,随着频谱共享需
求的提升和认知无线电技术的发展,又逐渐成为商
业通信领域关注的焦点[1]。早期的无线电信号识别
收稿日期:2018-07-30;修回日期:2019-04-11
基金项目:国防科技创新特区基金资助项目
Foundation Item: The Special Fund for National Defense Technology Innovation
2019167-1
第 7 期
周鑫等:基于图像深度学习的无线电信号识别
·115·
技术,是利用各种频谱采集设备采集空中射频信
号,经过处理后,以频谱图、瀑布图、余晖图等可
视化方式展现出来,由专业人员分析信号时频特征
并寻找目标信号[2]。这种技术对操作人员的专业素
质要求非常高,而且当监测时间变长或无线电信号
较多时,人工分析效率和准确率也会大幅下降。
目前,比较流行的无线电信号识别方式是先由
本领域专家挑选信号关键特征,如功率谱密度最大
值[3]、信号包络峭度[4]、瞬时相位标准差[5]、相位脉
冲个数[4]、循环谱[6-7]、高阶矩[8-9]等时/频域信号特
征,然后利用传统的信号处理算法计算特征参数
值,最后基于固定规则或者机器学习的方法进行分
类[10]。通常,一个模型需要选取其中的几项甚至十
几项特征作为模型输入,计算复杂度非常高,很难
实际部署使用。同时,受信号波形多样性和多径衰
落效应的影响,该方式在特征选择和判决准则方面
也缺乏普适性。
图 1 基于传统机器学习的无线电信号识别流程
近年来,随着计算机技术和深度神经网络技术
的飞速发展,上述限制逐渐被打破。2016 年,受到
深度神经网络在图像识别领域巨大成功的鼓舞,
O’shea 及其团队连续发表多篇论文,研究深度学
习技术在无线电通信与识别领域应用的方法与问
题[15-18],开启了无线电识别从经验驱动的人造特征
范式到数据驱动的表示学习范式的新纪元。同年,
美国国防先进研究项目局(DARPA, Defense Ad-
vanced Research Projects Agency)宣布,将于 2017
年启动 SC2 挑战赛(The Spectrum Collaboration
Challenge),旨在“将先进的机器学习能力应用于
无线电领域,优化频谱使用策略,以缓解电磁频谱
[19]
拥挤状态” 。这 是 21 世纪 DARPA 组织的第三次
人工智能在模式识别任务中具有独特优势,近
年来,在图像/语音识别、自然语言处理、医疗、金
融等很多领域取得了很大的成就,引起了社会各界
的热切关注[11]。无线电信号识别本质上也是一种特
殊的模式识别,因此本文认为,可以将人工智能与
传统无线电信号识别技术深度融合,利用人工智能
的机器学习方法,特别是深度学习算法,自动提取
无线电波的模式特征,避免基于经验的人工特征提
取,提高复杂电磁环境下无线电信号的识别能力。
基于这一设想,本文提出了一种利用图像深度
学习方法解决无线电信号识别问题的技术思路:首
先把无线电信号具象化为一张二维图片,将无线电
信号识别问题转化为图像识别领域的目标检测问
题;进而充分利用人工智能在图像识别领域的先进
成果,提高无线电信号识别的智能化水平和复杂电
磁环境下的识别能力。基于该思路,本文提出了一
种 基 于 图 像 深 度 学 习 的 无 线 电 信 号 识 别 算 法
——RadioImageDet 算法,并通过实物系统实验,验证
了所提思路的可行性和 RadioImageDet 算法的有效性。
挑战赛,前两次分别是 21 世纪初的自动化月球探
测器挑战赛和 2015 年的机器人挑战赛。
2017 年,DARPA 频频推动 AI(artificial in-
telligence)与无线电的融合。2017 年 3 月,DARPA
借助认知无线电领域的著名学术会议——DySPAN
(IEEE International Symposium on Dynamic Spec-
trum Access Networks)会议,组织了一场“ModRec”
竞赛,要求各挑战者识别会议现场随机生成的 20
多种不同调制方式的信号波形,并声称“这是以更
高效的方式管理电磁频谱的第一步”。同年 8 月,
DARPA 启动了射频机器学习系统(RFMLS, radio
frequency machine leaning system)项目。作为
SC2 项目的补充,RFMLS 项目旨在“建立一种
射频鉴别能力,能够从信号嘈杂聚集的频谱中分
辨出独特和特殊的信号”,未来将应用于民用和
军事领域。
下面从 3 个方面介绍与本文相关的研究工作。
2.1 基于CNN 的调制方式识别
O’shea 在文献[15]中提出了一种基于端到端
CNN(convolutional neural network)的调制识别模
型。该模型是以时域 I/Q 采样为输入,经过两层卷
积层(conv 层)和两层全链接层(dense 层)处理,
输出信号的调制方式,具体结构如表 1 所示。文献[15]
利用 GnuRadio 仿真生成了 11 种不同调制方式的信
号作为训练和测试数据,通过与朴素贝叶斯、K 近
2 相关研究工作
早在 20 世纪 90 年代,传统机器学习算法,如
朴素贝叶斯、神经网络、决策树等,已经在无线电
调制识别领域中得到了应用[12-14],但受限于当时的
技术发展水平,仅利用机器学习算法根据人工提取
出的信号特征进行分类,具体流程如图 1 所示。
2019167-2
全部评论(0)