使用CNN预测调制类型

本例中经过训练的CNN识别以下八种数字和三种模拟调制类型：

调制类型=分类([“BPSK”,“QPSK”,“8相移键控”,．..“16QAM”,“64QAM”,“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CNN部分

负载trainedModulationClassificationNetwork训练网

训练网=具有属性的系列网络：[28×1 nnet.cnn.layer.Layer] InputNames: {'Input Layer'} OutputNames: {'Output'}

经过训练的CNN采集1024个信道受损样本，并预测每个帧的调制类型。生成几个受Rician多径衰落、中心频率和采样时间漂移以及AWGN影响的PAM4帧。使用以下功能生成合成信号以测试CNN。然后使用CNN预测帧的调制类型。

%将随机数生成器设置为已知状态，以便能够重新生成%每次运行模拟时都会显示相同的帧rng (123456)%随机比特D = randi([0 3]， 1024, 1);% PAM4调制syms=pammod（d，4）；%平方根升余弦滤波器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”，财政司司长，．..“路径延迟”，[01.83.4]/200e3，．..“AveragePathGains”， [0 -2 -10]，．..“KFactor”4．..“MaximumDopplerShift”，4）；频率移位器=通信相位频率偏移(．..“SampleRate”fs);%应用独立的多路径信道重置(multipathChannel) outMultipathChan = multipathChannel(tx);%确定时钟偏移因子clockOffset = (rand() * 2*maxOffset) - maxOffset;C = 1 + clockOffset / 1e6;%添加频率偏移频率移位器。频率偏移=-（C-1）*fc；输出频率移位器=频率移位器（输出多路径）；%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，输出请求移位器，tp）；%添加噪声rx = awgn (outTimeDrift、信噪比、0);%用于分类的帧生成unknownFrames = helperModClassGetNNFrames (rx);%分类[prediction1, score1] = (trainedNet unknownFrames)进行分类;

返回分类器预测，这类似于艰难的决策。网络正确识别出这些帧为PAM4帧。调制信号的产生请参见helperModClassGetModulator作用

预测1

prediction1 =7×1分类PAM4 PAM4 PAM4 PAM4 PAM4 PAM4 PAM4 PAM4 PAM4

分类器还返回每个帧的分数向量。分数对应于每个帧具有预测调制类型的概率。画出分数。

helperModClassPlotScores (score1 modulationTypes)

在我们可以使用CNN进行调制分类或任何其他任务之前，我们首先需要使用已知（或标记）的数据对网络进行训练数据。本示例的第一部分展示了如何使用通信工具箱功能（如调制器、滤波器和信道损伤）生成合成训练数据。第二部分重点介绍了定义、训练和测试CNN，以完成调制分类任务。第三部分用over-The-a测试网络性能使用软件无线电（SDR）平台的红外信号。

用于训练的波形生成

为每种调制类型生成10000帧，其中80%用于培训，10%用于验证，10%用于测试。我们在网络培训阶段使用培训和验证框架。使用测试帧获得最终分类精度。每个帧有1024个采样长，采样率为200 kHz。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多个连续帧（如视频）做出每个决策。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的训练帧。要在你的电脑上训练网络，选择“现在训练网络”选项(即将trainNow设置为true)。

trainNow =错误的；如果trainNow == true numFramesPerModType = 10000;其他的numFramesPerModType = 200;终止percentTrainingSamples = 80;percentValidationSamples = 10;percentTestSamples = 10;sps = 8;每符号样本%spf=1024；每帧样本%symbolsPerFrame=spf/sps；fs=200e3；%采样率Fc = [902e6 100e6];%中心频率

创建通道障碍

将每个帧通过带有

因为这个例子中的网络是基于单个帧做出决策的，所以每一帧都必须通过一个独立的通道。

情况下

信道增加了AWGN，信噪比为30 dB。使用以下方法实现通道情况下(通信工具箱)作用

Rician多路径

该信道使用里桑查内尔通信公司(通信工具箱)系统对象。假设延迟剖面为[0 1.8 3.4]个样本，相应的平均路径增益为[0-2-10]dB。K系数为4，最大多普勒频移为4Hz，相当于902MHz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机和接收机的内部时钟源不准确而产生的。时钟偏移导致用于将信号下变频到基带的中心频率和数模转换器采样率与理想值不同。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 ${\Delta }_{\mathrm{时钟}}$为时钟偏移量。对于每一帧，信道生成一个随机的 ${\Delta }_{\mathrm{时钟}}$范围内均匀分布的一组值中的值[ ${-\mathrm{最大值}\Delta }_{\mathrm{时钟}}$ ${\mathrm{最大值}\Delta }_{\mathrm{时钟}}$]，在哪里 ${\mathrm{最大值}\Delta }_{\mathrm{时钟}}$为最大时钟偏移量。时钟偏差是以百万分之一(ppm)来测量的。对于本例，假设最大时钟偏差为5ppm。

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

频偏

根据时钟偏移因子使每帧受一个频率偏移 $\mathit{C}$和中心频率。使用comm.PhaseFrequencyOffset(通信工具箱)．

采样率抵消

根据时钟偏移因子使每个帧受到采样率偏移 $\mathit{C}$. 使用interp1函数以新的速率重新采样帧 $\mathit{C}\times {\mathit{F}}_{\mathit{s}}$．

联合航道

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

通道=helperModClassTestChannel(．..“SampleRate”，财政司司长，．..“信噪比”，信噪比，．..“路径延迟”， [0 1.8 3.4] / fs，．..“AveragePathGains”， [0 -2 -10]，．..“KFactor”4．..“MaximumDopplerShift”4．..“最大时钟偏移量”5,．..“中心频率”，902e6）

频道=helperModClassTestChannel属性:信噪比:30 CenterFrequency: 902000000 SampleRate: 200000 PathDelays: [0 9.0000e-06 1.7000e-05] averagepath增益:[0 -2 -10]KFactor: 4 MaximumDopplerShift: 4 MaximumClockOffset: 5

通过info对象功能，可以查看通道的基本信息。

chInfo=信息（频道）

chInfo =带字段的结构：ChannelDelay: 6 MaximumFrequencyOffset: 4510 MaximumSampleRateOffset: 1

波形产生

创建一个循环，为每种调制类型生成通道受损帧，并将帧及其相应标签存储在MAT文件中。通过将数据保存到文件中，您无需在每次运行此示例时生成数据。您还可以更有效地共享数据。

从每个帧的开头移除随机数目的样本，以移除瞬变，并确保帧相对于符号边界具有随机起点。

%将随机数生成器设置为已知状态，以便能够重新生成%每次运行模拟时都会显示相同的帧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:\TEMP\ModClassDataFiles

fileNameRoot =“框架”；%检查数据文件是否存在dataFilesExist = false;如果存在（数据目录，“dir”) files = dir(fullfile(dataDirectory,sprintf(%s*, fileNameRoot)));如果length(files) == numModulationTypes*numFramesPerModType dataFilesExist = true;终止终止如果~datafileexist disp(“正在生成数据并保存在数据文件中…”)[success，msg，msgID]=mkdir（数据目录）；如果味精~成功错误(是否)终止对于modType = 1:numModulationTypes elapsedTime = seconds(toc);elapsedTime。格式=“hh: mm: ss”；fprintf(“%s-正在生成%s帧\n”,．..elapsedTime，调制类型（modType））标签=调制类型（modType）；numSymbols=（numFrameSubModType/sps）；dataSrc=helperModClassGetSource（调制类型（modType），sps，2*spf，fs）；调制器=HelperModClassGet调制器（调制类型（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channel.CenterFrequency=100e6；其他的%数字调制类型使用902 MHz的中心频率channel.CenterFrequency=902e6；终止对于p = 1: numFramesPerModType%生成随机数据x = dataSrc ();%调节y =调制器(x);%通过独立渠道rx采样=通道（y）；%从一开始就消除瞬变，修剪到合适的尺寸，然后正常化帧= helperModClassFrameGenerator(rxSamples, spf, spf, transDelay, sps);%保存数据文件fileName=fullfile（数据目录，．..sprintf (%s%s%03d，fileNameRoot，modulationTypes（modType），p））；保存（fileName，“框架”,“标签”)终止终止其他的disp (“数据文件存在。跳过数据生成。”)终止

正在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00:00:02 -生成8PSK帧00:00:04 -生成16QAM帧00:00:05 -生成64QAM帧00:00:06 -生成PAM4帧00:00:08 -生成GFSK帧00:00:09 -生成CPFSK帧00:00:11 -生成B-FM帧00:00:12 -生成DSB-AM帧生成SSB-AM帧

%绘制示例帧实部和虚部的振幅%与样品编号helperModClassPlotTimeDomain（数据目录、调制类型、fs）

%绘制示例帧的频谱图helperModClassPlotSpectrogram（数据目录、调制类型、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能装入内存，但整个集合却不一定能装入时，数据存储尤其有用。

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

将复杂信号转换为真实阵列

本例中的深度学习网络期望实际输入，而接收信号具有复杂的基带样本。将复杂信号转换为实值4-D阵列。输出帧的大小为1×spf×2×N，其中第一页（第三维）为同相样本，第二页为正交样本。当卷积滤波器的大小为1×spf时，该方法确保I和Q中的信息即使在卷积层中也得到混合，并更好地利用相位信息。看见helperModClassIQAsPages详情请参阅。

FramedTrans=变换（frameDS，@helperModClassIQAsPages）；

分为培训、验证和测试

接下来将帧划分为训练、验证和测试数据。看到helperModClassSplitData详情请参阅。

分割百分比=[percentTrainingSamples，percentValidationSamples，percentTestSamples]；[TraindTrans，ValidTrans，TestdTrans]=helperModClassSplitData（FramedTrans，SplitPercentage）；

正在使用连接到并行池的“本地”配置文件启动并行池（parpool）（工作进程数：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转换数据。如果数据放入计算机内存，则将文件中的数据导入内存可以通过消除重复的文件读取和转换过程来实现更快的培训。相反，数据从文件中读取并转换一次。使用磁盘上的数据文件训练此网络大约需要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。这些文件有两个变量:框架和标签各阅读对数据存储的调用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．使用使改变功能helperModClassReadFrame和helperModClassReadLabel读取帧和标签。使用readall具有“使用并行”选项设置为符合事实的若要启用转换函数的并行处理，请执行以下操作：并行计算工具箱许可证自从readall函数的输出默认连接阅读函数在第一个维度上调用，返回单元格数组中的帧并手动连接第四个维度。

%将培训和验证框架读入记忆pctExists=ParallelComputingLicenseXists（）；trainFrames=转换（TraindTrans，@helperModClassReadFrame）；rxTrainFrames=readall（列车帧，“使用并行”，医生）；rxTrainFrames=cat（4，rxTrainFrames{:}）；validFrames=transform（ValidTrans，@helperModClassReadFrame）；rxValidFrames=readall（validFrames，“使用并行”，pctExists）；rxValidFrames=cat（4，rxValidFrames{：}）；将训练和验证标签读入记忆trainLabels = transform(trainDSTrans， @helperModClassReadLabel);rxTrainLabels = readall (trainLabels,“使用并行”, pctExists);validLabels = transform(validDSTrans， @helperModClassReadLabel);rxValidLabels = readall (validLabels,“使用并行”, pctExists);

火车CNN

这个例子使用了一个CNN，它由6个卷积层和一个完全连接层组成。除最后一个卷积层外，每个卷积层后面都有批处理归一化层、整流线性单元(ReLU)激活层和最大池化层。在最后的卷积层中，最大池化层被平均池化层取代。输出层有softmax激活。有关网络设计指导，请参见深入学习技巧．

modClassNet = helperModClassCNN (modulationTypes、sps spf);

下一步配置TrainingOptionsSGDM使用最小批大小为256的SGDM求解器。设置最大纪元数为12，因为更大的纪元数不会提供进一步的训练优势。默认情况下,“执行环境”属性设置为“自动”，而列车网络如果有图形处理器，则使用图形处理器;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将初始学习速率设置为 $2.\mathit{x}{10}^{-2.}$．每9个纪元将学习率降低10倍。集“情节”“培训进度'绘制训练进度。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);

训练网络或使用已训练的网络。默认情况下，此示例使用已训练的网络。

如果trainNow==真实的elapsedTime=秒（toc）；elapsedTime.Format=“hh: mm: ss”；fprintf('%s -训练网络\n'，elapsedTime）trainedNet=列车网络（rxTrainFrames，rxTrainLabels，modClassNet，选项）；其他的负载trainedModulationClassificationNetwork终止

正如训练进度图所示，该网络在大约12个时期内收敛到95%以上的准确率。

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

elapsedTime=秒（toc）；elapsedTime.Format=“hh: mm: ss”；fprintf('%s -对测试帧进行分类\n'，elapsedTime）

00:01:25-对测试帧进行分类

%将测试帧读入内存testFrames=transform（testDSTrans，@helperModClassReadFrame）；rxTestFrames=readall（testFrames，“使用并行”，医生）；rxTestFrames=cat（4，rxTestFrames{:}）；%读取测试标签到内存中testLabels = transform(testDSTrans， @helperModClassReadLabel);rxTestLabels = readall (testLabels,“使用并行”, pctExists);rxTestPred =分类(trainedNet rxTestFrames);testAccuracy = mean(rxTestPred == rxTestLabels);disp (“测试精度：”+测试精度*100+"%")

测试精度:95.4545%

绘制测试帧的混淆矩阵。如矩阵所示，网络混淆16-QAM和64-QAM帧。由于每个帧仅携带128个符号，且16-QAM是64-QAM的子集，因此预计会出现此问题。网络还混淆QPSK和8-PSK帧，因为一旦相位旋转d，这些调制类型的星座看起来类似ue与衰落信道和频率偏移有关。

图cm=混淆图（rxTestLabels，rxTestPred）；cm.标题=“测试数据混淆矩阵”；cm.概述=“row-normalized”；cm.Parent.Position = [cm.Parent.Position(1:2) 740 424];

SDR测试

使用无线信号测试训练网络的性能helperModClassSDRTest作用要执行此测试，您必须有专用的SDR用于传输和接收。您可以使用两台ADALM-PLUTO无线电，或一台ADALM-PLUTO无线电进行传输，一台USRP®无线电进行接收。您必须安装ADALM-PLUTO无线电通信工具箱支持包万博1manbetx．如果您使用的是USRP®收音机，您还必须安装USRP®无线电通信工具箱支持包万博1manbetx．的helperModClassSDRTest该功能使用与生成训练信号相同的调制功能，然后使用ADALM-PLUTO无线电进行传输。不模拟信道，而是使用配置用于信号接收的SDR（ADALM-PLUTO或USRP®无线电）捕获信道受损信号。用同样的方法使用经过培训的网络分类以前用来预测调制类型的函数。运行下一个代码段会产生一个混淆矩阵，并打印出测试的准确性。

无线电平台=“ADALM-PLUTO”；转换无线电平台情况下“ADALM-PLUTO”如果helperisplutosdresinstalled（）==true radios=findPlutoRadio（）；如果>= 2 helperModClassSDRTest(收音机);其他的disp ('找不到选定的收音机。正在跳过空中测试。')终止终止情况下{“USRP B2xx”,“USRP X3xx”,“USRP Nxxx”}如果（helperisputsdrinstalled（）==true）和&（helperisputsdrinstalled（）==true）txRadio=findPlutoRadio（）；rxRadio=findsdru（）；转换无线电平台情况下“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 Nxxx”包含({rxRadio idx =。平台},“N200/N210/USRP2”）;终止rxRadio = rxRadio (idx);如果(length(txRadio) >= 1) && (length(rxRadio) >= 1) helperModClassSDRTest(rxRadio);其他的disp ('找不到选定的收音机。正在跳过空中测试。')终止终止终止

当使用两个相隔约2英尺的固定ADALM-PLUTO无线电时，网络通过以下混淆矩阵达到99%的总体精度。根据实验设置，结果会有所不同。

进一步的探索

可以优化超参数，如过滤器数量、过滤器大小，或优化网络结构，如添加更多层、使用不同激活层等，以提高精度。

通信工具箱提供了更多的调制类型和信道损伤。有关更多信息，请参阅调制(通信工具箱)和传播和信道模型(通信工具箱)部分。您还可以使用添加标准特定信号LTE工具箱,无线局域网工具箱和5G工具箱。您还可以使用添加雷达信号相控阵系统工具箱．

helperModClassGetModulatorfunction提供用于生成调制信号的MATLAB函数。你也可以探索以下函数和System对象以获得更多细节:

工具书类