利用CNN预测调制类型

在这个例子中，训练有素的CNN识别这八种数字调制和三种模拟调制类型:

modulationTypes =分类([“BPSK”，“正交相移编码”，“8相移键控”，.．.“16 qam”，“64 qam”，“PAM4”，“GFSK”，“CPFSK”，.．.“B-FM”，“DSB-AM”，“SSB-AM”]);

首先，加载经过训练的网络。关于网络培训的详细信息，请参见训练一个CNN部分。

负载trainedModulationClassificationNetworktrainedNet

trainedNet = SeriesNetwork属性:Layers: [28×1 nnet.cnn.layer.Layer] InputNames:{'输入层'}OutputNames:{'输出'}

经过训练的CNN获取1024个信道受损样本，并预测每一帧的调制类型。生成几个PAM4帧，这些帧受到了专家级多径衰落、中心频率和采样时间漂移以及AWGN的损害。使用下面的函数生成合成信号来测试CNN。然后利用CNN预测帧的调制类型。

将随机数生成器设置为能够重新生成的已知状态%每次运行模拟时相同的帧rng (123456)%随机比特D = randi([0 3]， 1024, 1);% PAM4调制信谊= pammod (d, 4);%平方根提升余弦过滤器filterCoeffs = rcosdesign(0.35、4、8);tx =过滤器(filterCoeffs 1 upsample(信谊、8));%的通道信噪比= 30;maxOffset = 5;fc = 902 e6;fs = 200年e3;multipathChannel = comm.RicianChannel (.．.“SampleRate”fs,.．.“PathDelays”， [0 1.8 3.4] / 200e3，.．.“AveragePathGains”， [0 -2 -10]，.．.“KFactor”4.．.“MaximumDopplerShift”4);frequencyShifter = comm.PhaseFrequencyOffset (.．.“SampleRate”fs);应用独立的多路径通道reset(multipathChannel) outMultipathChan = multipathChannel(tx);确定时钟偏移因子clockOffset = (rand() * 2*maxOffset) - maxOffset;C = 1 + clockOffset / 1e6;%添加频率偏移frequencyShifter。FrequencyOffset = -(颈- 1)*俱乐部;outFreqShifter = frequencyShifter (outMultipathChan);%增加采样时间漂移T = (0:length(tx)-1)' / fs;newFs = fs * C;tp = (0:length(tx)-1)' / newFs;outTimeDrift = interp1(t, outFreqShifter, tp);%添加噪声rx = awgn (outTimeDrift、信噪比、0);用于分类的帧生成unknownFrames = helperModClassGetNNFrames (rx);%的分类[prediction1, score1] = (trainedNet unknownFrames)进行分类;

返回分类器预测，这类似于困难决策。网络正确识别该帧为PAM4帧。调制信号的产生方法请参见helperModClassGetModulator函数。

prediction1

prediction1 =7×1分类Pam4 Pam4 Pam4 Pam4 Pam4 Pam4 Pam4

分类器还为每一帧返回一个分数向量。该分数对应于每帧具有预测调制类型的概率。画出成绩。

helperModClassPlotScores (score1 modulationTypes)

在使用CNN进行调制分类或执行任何其他任务之前，我们首先需要用已知(或标记)的数据训练网络。本示例的第一部分展示了如何使用Communications Toolbox™特性(如调制器、滤波器和信道缺陷)来生成综合训练数据。第二部分主要对调制分类任务的CNN进行了定义、训练和测试。第三部分使用软件定义无线电(SDR)平台对无线信号进行网络性能测试。

训练波形生成

为每种调制类型生成10,000帧，其中80%用于训练，10%用于验证，10%用于测试。我们在网络训练阶段使用训练和验证框架。使用测试帧获得最终的分类精度。每帧是1024个样本长，有200千赫的采样率。对于数字调制类型，八个样本代表一个符号。网络根据单个帧而不是连续的多个帧(如视频)做出每个决定。假设数字和模拟调制类型的中心频率分别为902 MHz和100 MHz。

要快速运行此示例，请使用经过训练的网络并生成少量训练帧。要在您的计算机上训练网络，选择“训练网络现在”选项(即设置trainNow为true)。

trainNow =假；如果numFramesPerModType = 10000;其他的numFramesPerModType = 200;结束percentTrainingSamples = 80;percentValidationSamples = 10;percentTestSamples = 10;sps = 8;每个符号的样本百分比防晒系数= 1024;每帧样本百分比symbolsPerFrame = spf / sps;fs = 200年e3;%采样率Fc = [902e6 100e6];%的中心频率

创建通道障碍

使每个帧通过带有的通道

因为这个例子中的网络基于单个帧做出决策，所以每个帧必须通过一个独立的通道。

情况下

该频道添加了信噪比为30 dB的AWGN。使用以下命令实现通道情况下(通信工具箱)函数。

Rician多路径

该信道通过一个专家级多径衰落信道传递信号comm.RicianChannel(通信工具箱)系统对象™。假设[0 1.8 3.4]样本的延迟分布，对应的平均路径增益为[0 -2 -10]dB。k因子为4，最大多普勒频移为4hz，相当于902 MHz的行走速度。使用以下设置实现通道。

时钟偏移量

时钟偏移是由于发射器和接收器的内部时钟源不准确造成的。时钟偏移导致中心频率(用于向下转换信号到基带)和数模转换器采样率与理想值不一致。信道模拟器使用时钟偏移因子 $\mathit{C}$,表示为 $\mathit{C}＝1+\frac{{\Delta }_{\mathrm{时钟}}}{{10}^6}$,在那里 ${\Delta }_{\mathrm{时钟}}$是时钟偏移量。对于每一帧，通道产生一个随机 ${\Delta }_{\mathrm{时钟}}$从范围[的均匀分布的值集合中选取[ ${-\mathrm{马克斯}\Delta }_{\mathrm{时钟}}$ ${\mathrm{马克斯}\Delta }_{\mathrm{时钟}}$), ${\mathrm{马克斯}\Delta }_{\mathrm{时钟}}$最大时钟偏移量。时钟偏差是用百万分之一(ppm)来测量的。对于本例，假设最大时钟偏移量为5ppm。

maxDeltaOff = 5;deltaOff = (rand()*2*maxDeltaOff) - maxDeltaOff;C = 1 + (deltaOff/1e6);

频率偏移

根据时钟偏移因子对每帧进行频率偏移 $\mathit{C}$中心频率。使用以下命令实现通道comm.PhaseFrequencyOffset(通信工具箱)．

采样率抵消

根据时钟偏移因子对每个帧进行采样率偏移 $\mathit{C}$．方法实现通道interp1函数以新的速率重采样帧 $\mathit{C}\times {\mathit{f}}_{\mathit{年代}}$．

综合频道

使用helperModClassTestChannel对象将所有三个通道损伤应用于帧。

频道= helperModClassTestChannel (.．.“SampleRate”fs,.．.“信噪比”信噪比,.．.“PathDelays”， [0 1.8 3.4] / fs，.．.“AveragePathGains”， [0 -2 -10]，.．.“KFactor”4.．.“MaximumDopplerShift”4.．.“MaximumClockOffset”5,.．.“CenterFrequency”902 e6)

channel = helperModClassTestChannel with properties: SNR: 30 CenterFrequency: 902000000 SampleRate: 200000 pathdelay: [0 9.0000e-06 17000e -05] averagepath增益:[0 -2 -10]KFactor: 4 MaximumDopplerShift: 4 MaximumClockOffset: 5

通过info对象函数可以查看通道的基本信息。

chInfo =信息(渠道)

chInfo =结构体字段:ChannelDelay: 6 MaximumFrequencyOffset: 4510 MaximumSampleRateOffset: 1

波形的一代

创建一个循环，为每种调制类型生成信道受损帧，并将帧及其对应标签存储在MAT文件中。通过将数据保存到文件中，您不必在每次运行此示例时都生成数据。您还可以更有效地共享数据。

从每一帧的开始删除随机数的样本，以去除瞬态，并确保帧具有相对于符号边界的随机起点。

将随机数生成器设置为能够重新生成的已知状态%每次运行模拟时相同的帧rng(1235) tic numModulationTypes = length(modulationTypes);channelInfo =信息(渠道);transDelay = 50;dataDirectory = fullfile (tempdir,“ModClassDataFiles”）;disp ("数据文件目录为"+ dataDirectory)

数据文件目录为C:\Users\kkearney\AppData\Local\Temp\ModClassDataFiles

fileNameRoot =“帧”；检查数据文件是否存在dataFilesExist = false;如果存在(dataDirectory“dir”)文件= dir(fullfile(dataDirectory,sprintf(“% s *”, fileNameRoot)));如果length(files) == numModulationTypes*numFramesPerModType dataFilesExist = true;结束结束如果~ dataFilesExist disp (“生成数据并保存到数据文件中……”) [success,msg,msgID] = mkdir(dataDirectory);如果味精~成功错误(是否)结束为modType = 1:numModulationTypes elapsedTime = seconds(toc);elapsedTime。格式=“hh: mm: ss”；流('%s ' -生成%s帧\n'，.．.elapsedTime, modulationTypes(modType)) label = modulationTypes(modType);numSymbols = (numFramesPerModType / sps);dataSrc = helperModClassGetSource(modulationTypes(modType)， sps, 2*spf, fs);modulator = helperModClassGetModulator(modulationTypes(modType)， sps, fs);如果包含(char (modulationTypes (modType)) {“B-FM”，“DSB-AM”，“SSB-AM”})模拟调制类型使用100 MHz的中心频率。通道。CenterFrequency = 100e6;其他的数字调制类型使用中心频率902mhz通道。CenterFrequency = 902e6;结束为p = 1: numFramesPerModType%生成随机数据x = dataSrc ();%调节y =调制器(x);通过独立的渠道rxSamples =通道(y);从开始删除瞬态，修剪到大小，并规范化。frame = helperModClassFrameGenerator(rxSamples, spf, spf, transDelay, sps);%保存数据文件文件名= fullfile (dataDirectory,.．.sprintf (“% s % s % 03 d”、fileNameRoot modulationTypes (modType)、p));保存(文件名,“帧”，“标签”）结束结束其他的disp (“数据文件存在。跳过数据生成。”）结束

生成数据并保存在数据文件中…

00:00:00—生成BPSK帧00:00:01—生成QPSK帧00:00:03—生成8PSK帧00:00:04—生成16QAM帧00:00:06—生成64QAM帧00:00:07—生成PAM4帧00:00:09—生成GFSK帧00:00:10—生成CPFSK帧00:00:11—生成B-FM帧00:00:26—生成DSB-AM帧00:00:27—生成SSB-AM帧

绘制示例帧的实部和虚部的振幅。%对比样本数量helperModClassPlotTimeDomain (dataDirectory modulationTypes fs)

绘制示例帧的光谱图helperModClassPlotSpectrogram (dataDirectory modulationTypes fs, sps)

创建一个数据存储

使用一个signalDatastore对象来管理包含生成的复杂波形的文件。当每个单独的文件都适合内存，但整个集合不一定适合时，数据存储尤其有用。

镜框= signalDatastore (dataDirectory,“SignalVariableNames”, (“帧”，“标签”]);

将复杂信号转换为实数组

本例中的深度学习网络期望真实的输入，而接收到的信号具有复杂的基带样本。将复杂信号转换为实值4-D数组。输出帧的大小为1-by-spf-by-2-by-N，其中第一页(第三维)是同相样本，第二页是正交样本。当卷积滤波器的大小为1 × spf时，这种方法确保了I和Q中的信息即使在卷积层中也会混合，并更好地利用相位信息。看到helperModClassIQAsPages获取详细信息。

frameDSTrans =变换(镜框,@helperModClassIQAsPages);

分为培训、验证和测试

接下来，将框架划分为训练、验证和测试数据。看到helperModClassSplitData获取详细信息。

splitPercentages = [percentTrainingSamples、percentValidationSamples percentTestSamples];[trainDSTrans, validDSTrans testDSTrans] = helperModClassSplitData (frameDSTrans splitPercentages);

使用“本地”配置文件启动并行池(parpool)…连接到并行池(工作人员数量:6)。

将数据导入内存

神经网络训练是迭代的。在每次迭代中，数据存储从文件中读取数据，并在更新网络系数之前对数据进行转换。如果数据适合放入计算机的内存中，则将数据从文件导入到内存中，通过消除从文件中重复读取和转换过程，可以实现更快的训练。相反，从文件中读取数据并转换一次。使用磁盘上的数据文件训练这个网络大约需要110分钟，而使用内存中的数据训练大约需要50分钟。

将文件中的所有数据导入内存中。这些文件有两个变量:框架而且标签和每个读调用数据存储返回一个单元格数组，其中第一个元素是框架第二个元素是标签．使用变换功能helperModClassReadFrame而且helperModClassReadLabel读取框架和标签。使用readall与“UseParallel”选项设置为真正的以启用转换函数的并行处理，如果您有并行计算工具箱™许可证。自readall函数的输出，默认情况下连接读函数在第一个维度上，返回单元格数组中的帧，并在第四个维度上手动连接。

将训练和验证帧读入内存。pctExists = parallelComputingLicenseExists ();trainFrames = transform(trainDSTrans， @helperModClassReadFrame);rxTrainFrames = readall (trainFrames,“UseParallel”, pctExists);rxTrainFrames = cat(4, rxTrainFrames{:});validFrames = transform(validDSTrans， @helperModClassReadFrame);rxValidFrames = readall (validFrames,“UseParallel”, pctExists);rxValidFrames = cat(4, rxValidFrames{:});将训练和验证标签读入记忆。trainLabels = transform(trainDSTrans， @helperModClassReadLabel);rxTrainLabels = readall (trainLabels,“UseParallel”, pctExists);validLabels = transform(validDSTrans， @helperModClassReadLabel);rxValidLabels = readall (validLabels,“UseParallel”, pctExists);

火车CNN

本例使用的CNN由六个卷积层和一个完全连接层组成。除最后一个卷积层外，每个卷积层后面依次是批处理归一化层、整流线性单元(ReLU)激活层和最大池化层。在最后一个卷积层中，用平均池化层代替最大池化层。输出层具有softmax激活功能。有关网络设计指导，请参见深度学习技巧．

modClassNet = helperModClassCNN (modulationTypes、sps spf);

下一个配置TrainingOptionsSGDM使用小型批处理大小为256的SGDM求解器。将最大时间数设置为12，因为更大的时间数不能提供进一步的训练优势。默认情况下,“ExecutionEnvironment”属性设置为“汽车”,那里的trainNetwork函数如果有GPU，则使用GPU;如果没有，则使用CPU。要使用GPU，你必须有一个并行计算工具箱许可证。设置初始学习率为 $2\mathit{x}{10}^{-2}$．每9个课时将学习率降低10倍。集“阴谋”“训练进步”绘制训练进度图。在NVIDIA®Titan Xp GPU上，网络训练大约需要25分钟。

maxEpochs = 12;miniBatchSize = 256;选择= helperModClassTrainingOptions (maxEpochs miniBatchSize,.．.元素个数(rxTrainLabels)、rxValidFrames rxValidLabels);

要么训练网络，要么使用已经训练过的网络。默认情况下，这个示例使用经过训练的网络。

如果trainNow == true elapsedTime = seconds(toc);elapsedTime。格式=“hh: mm: ss”；流('%s -训练网络\n'trainedNet = trainNetwork(rxTrainFrames,rxTrainLabels,modClassNet,options);其他的负载trainedModulationClassificationNetwork结束

如训练进度图所示，该网络在大约12个周期内收敛到95%以上的准确率。

通过获得测试帧的分类精度来评估训练的网络。结果表明，该网络对这组波形的准确率达到94%左右。

elapsedTime =秒(toc);elapsedTime。格式=“hh: mm: ss”；流('%s -对测试帧进行分类\n'elapsedTime)

00:02:22 -分类测试帧

将测试帧读入内存testFrames = transform(testDSTrans， @helperModClassReadFrame);rxTestFrames = readall (testFrames,“UseParallel”, pctExists);rxTestFrames = cat(4, rxTestFrames{:});将测试标签读入内存testLabels = transform(testDSTrans， @helperModClassReadLabel);rxTestLabels = readall (testLabels,“UseParallel”, pctExists);rxTestPred =分类(trainedNet rxTestFrames);testAccuracy =平均值(rxTestPred == rxTestLabels);disp (“测试精度:“+ testAccuracy * 100 +“%”）

测试精度:94.5455%

绘制测试帧的混淆矩阵。如矩阵所示，网络混淆了16-QAM帧和64-QAM帧。这个问题是意料之中的，因为每帧只携带128个符号，而16-QAM是64-QAM的子集。该网络还混淆了QPSK和8-PSK帧，因为由于衰落信道和频率偏移，这些调制类型的星座在相位旋转后看起来类似。

图cm = confusichart (rxTestLabels, rxTestPred);厘米。Title =“测试数据混淆矩阵”；厘米。RowSummary =“row-normalized”；cm.Parent.Position = [cm.Parent.Position(1:2) 740 424];

测试特别提款权

使用无线信号测试训练过的网络的性能helperModClassSDRTest函数。要执行此测试，必须有用于传输和接收的专用sdr。您可以使用两个ADALM-PLUTO无线电，或一个ADALM-PLUTO无线电进行传输，一个USRP®无线电进行接收。你必须安装模拟设备支持包ADALM-PLUTO无线电模拟设备通信工具箱支持包ADALM-Pluto无线电．如果你正在使用USRP®收音机，你也必须安装USRP无线电通信工具箱支持包(USRP无线电通信工具箱支持包)．的helperModClassSDRTest函数使用与生成训练信号相同的调制函数，然后使用ADALM-PLUTO无线电传输它们。不模拟信道，而是使用为信号接收(ADALM-PLUTO或USRP®无线电)配置的SDR捕获信道受损信号。使用训练过的网络分类以前用来预测调制类型的函数。运行下一个代码段产生一个混淆矩阵并打印出测试精度。

radioPlatform =“ADALM-PLUTO”；开关radioPlatform情况下“ADALM-PLUTO”如果helperIsPlutoSDRInstalled() == true收音机= findPlutoRadio();如果length(收音机)>= 2 helperModClassSDRTest(收音机);其他的disp (“未找到选定的无线电。”跳过无线测试。”）结束结束情况下｛“USRP B2xx”，“USRP X3xx”，“USRP N2xx”｝如果(helperIsUSRPInstalled() == true) && (helperIsPlutoSDRInstalled() == true) txRadio = findPlutoRadio();rxRadio = findsdru ();开关radioPlatform情况下“USRP B2xx”包含({rxRadio idx =。平台},{“B200”，“B210”})；情况下“USRP X3xx”包含({rxRadio idx =。平台},{“×”，“X310”})；情况下“USRP N2xx”包含({rxRadio idx =。平台},“N200 / N210 / USRP2”）;结束rxRadio = rxRadio (idx);如果(length(txRadio) >= 1) && (length(rxRadio) >= 1) helperModClassSDRTest(rxRadio);其他的disp (“未找到选定的无线电。”跳过无线测试。”）结束结束结束

当使用两个间隔约2英尺的固定ADALM-PLUTO无线电时，网络使用以下混淆矩阵达到99%的总体精度。实验设置不同，结果也不同。

进一步的探索

可以对超参数参数进行优化，如过滤器数量、过滤器大小等，也可以优化网络结构，如增加更多的层数、使用不同的激活层等，以提高精度。

“通信工具箱”提供了更多的调制类型和信道缺陷。有关更多信息，请参见调制(通信工具箱)而且传播和通道模型(通信工具箱)部分。还可以添加标准的特定信号LTE工具箱，WLAN的工具箱,5 g的工具箱．还可以添加雷达信号相控阵系统工具箱．

helperModClassGetModulator函数提供用于生成调制信号的MATLAB®函数。您还可以探索以下函数和System对象以获得更多详细信息:

参考文献