使用CNN预测调制类型

在这个例子中，经过训练的CNN可以识别这8种数字调制和3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。

负载训练有素的uldularificationnetwork.trainedNet

trainedNet = SeriesNetwork with properties: Layers: [28×1 net.cnn. Layer .Layer] InputNames: {'Input Layer'} OutputNames: {'Output'}

训练后的CNN取1024个信道受损样本，预测每帧的调制类型。生成几帧具有Rician多径衰落、中心频率和采样时间漂移的PAM4帧和AWGN。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已知状态，以便能够重新生成%每次模拟运行时相同的帧RNG（123456）%随机比特d = randi（[0 3]，1024,1）;％pam4调制信谊= pammod (d, 4);开平方根的余弦滤波器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”fs,．．．“PathDelays”， [0 1.8 3.4] / 200e3，．．．“AveragePathGains”， [0 -2 -10]，．．．“KFactor”4．．．“MaximumDopplerShift”4);frequencyShifter = comm.PhaseFrequencyOffset (．．．“SampleRate”fs);%应用独立多路径通道重置（MultiPathChannel）OutMultipathchan = MultiPathChannel（TX）;确定时钟偏移系数clockOffset = (rand() * 2*maxOffset) - maxOffset;C = 1 + clockOffset / 1e6;增加频率偏移frequencyShifter。FrequencyOffset = -(颈- 1)*俱乐部;outFreqShifter = frequencyShifter (outMultipathChan);％添加采样时间漂移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函数。

prediction1

prediction1 =7×1分类Pam4 Pam4 Pam4 Pam4 Pam4

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

HelperModclassplotscores（得分1，调制型）

在我们可以使用CNN进行调制分类或任何其他任务之前，我们首先需要用已知(或标记)数据训练网络。本示例的第一部分展示了如何使用“通信工具箱”特性(如调制器、滤波器和信道损害)来生成合成训练数据。第二部分重点介绍了调制分类任务中CNN的定义、训练和测试。第三部分使用软件定义无线电(SDR)平台测试无线信号的网络性能。

用于训练的波形生成

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。使用测试框架获得最终的分类精度。每帧1024个采样长，采样率为200khz。对于数字调制类型，八个样本代表一个符号。该网络基于单个帧而不是多个连续帧(如视频)做出每个决定。假设数字调制和模拟调制的中心频率分别为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 =假；如果trainNow == true numFramesPerModType = 10000;其他的numframespermodtype = 500;结束percentTrainingSamples = 80;percentValidationSamples = 10;percentTestSamples = 10;sps = 8;每符号样本%防晒系数= 1024;每帧样本%symbolsPerFrame = spf / sps;fs = 200年e3;%采样率fc = [902e6 100e6];%的中心频率

创建通道障碍

通过一个通道传递每一帧

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。

AWGN.

信道增加了AWGN，信噪比为30 dB。使用以下方法实现通道AWGN.（通讯工具箱）函数。

riician multipath.

该信道将信号通过一个Rician多径衰落信道comm.RicianChannel（通讯工具箱）系统对象。假设时延分布为[0 1.8 3.4]样本，相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

由于发射器和接收器的内部时钟源不准确而产生时钟偏差。时钟偏移导致中心频率(用于将信号向下转换到基带)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 $\mathit{C}＝1+\frac{{\mathrm{\delta .}}_{\mathrm{时钟}}}{{10}^6}$,在那里 ${\mathrm{\delta .}}_{\mathrm{时钟}}$为时钟偏移量。对于每一帧，信道生成一个随机的 ${\mathrm{\delta .}}_{\mathrm{时钟}}$范围内均匀分布的一组值的值[ ${-\mathrm{马克斯}\mathrm{\delta .}}_{\mathrm{时钟}}$ ${\mathrm{马克斯}\mathrm{\delta .}}_{\mathrm{时钟}}$), ${\mathrm{马克斯}\mathrm{\delta .}}_{\mathrm{时钟}}$是最大时钟偏移量。时钟偏移量在百万（PPM）部分中测量。对于此示例，假设最大时钟偏移为5ppm。

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

频率偏移

基于时钟偏移因子对每个帧进行频率偏移 $\mathit{C}$和中心频率。使用以下方法实现通道comm.PhaseFrequencyOffset（通讯工具箱）．

采样率抵消

基于时钟偏移因子对每帧进行采样速率偏移 $\mathit{C}$．的实现通道interp1以新的速率重新采样帧的功能 $\mathit{C}\times {\mathit{f}}_{\mathit{年代}}$．

综合频道

使用helperModClassTestChannel对象将所有三个频道障碍应用于框架。

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具有属性：SNR：30中心频率：902000000 Samplere：200000 Pathdelays：[0 9.0000E-06 1.7000-05]普通航展：[0 -2 -10] Kfactor：4 MaximumDopplershift：4 MinimumLclockOffset：5

您可以使用Info对象函数查看有关频道的基本信息。

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的帧，并将这些帧及其相应的标签存储在MAT文件中。通过将数据保存到文件中，您就不必在每次运行此示例时生成数据了。您还可以更有效地共享数据。

从每一帧的开始移除随机数量的样本，以去除瞬态，并确保帧有一个相对于符号边界的随机起点。

%将随机数生成器设置为已知状态，以便能够重新生成%每次模拟运行时相同的帧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）

数据文件目录是C:\Users\esozer\AppData\Local\Temp\ModClassDataFiles

fileNameRoot =“帧”；%检查数据文件是否存在datafilesexist = false;如果存在(dataDirectory'dir') files = dir(fullfile(dataDirectory,sprintf(“% s *”，filenameroot）））））;如果长度（文件）== nummodulationtypes * numframespermodtype datafilesexist = true;结束结束如果~ dataFilesExist disp ("生成数据并保存在数据文件中…") [success,msg,msgID] = mkdir(dataDirectory);如果〜成功错误（msgs，msg）结束为modtype = 1：nummodulateypes fprintf（'%s -生成%s帧\n'，．．．datestr（toc / 86400，“HH: MM: SS”），调制型（ModType））标签=调制型（ModType）;numsymbols =（numframespermodtype / sps）;datasrc = helpermodclassgetsource（调制类型（modtype），sps，2 * spf，fs）;调制器= HelperModclAssgetModulator（调制型（Modtype），SPS，FS）;如果包含(char (modulationTypes (modType)) {“B-FM”，“DSB-AM”，“SSB-AM”}）%模拟调制类型使用中心频率为100mhz通道。CenterFrequency = 100e6;其他的%数字调制类型使用902 MHz的中心频率通道。CenterFrequency = 902e6;结束为p = 1：numframespermodtype生成随机数据x = datasrc（）;％调制y =调制器(x);%通过独立通道传递rxSamples =通道(y);从开始移除瞬变，修剪到尺寸，并标准化帧= 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

数据文件存在。跳过数据生成。

%绘制示例框架的实部和虚部的振幅百分比对样本号helperModClassPlotTimeDomain (dataDirectory modulationTypes fs)

%绘制示例帧的声谱图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”，[“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，而接收的信号具有复杂的基带样本。将复信号转换为实值4-D阵列。输出帧的大小为1 × spf × 2 × n，其中第一页(第3维)是同相采样，第二页是正交采样。当卷积滤波器的大小为1-by-spf时，这种方法确保了I和Q中的信息即使在卷积层中也得到了混合，更好地利用了相位信息。看到helperModClassIQAsPages获取详细信息。

frameDSTrans =变换(镜框,@helperModClassIQAsPages);

分为培训、验证和测试

接下来将帧划分为训练、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“local”配置文件启动并行池(parpool)…连接到并行池(工作人员数量:6)。

使用Parallel Pool 'local'计算tall表达式:-通过1 / 2:在11秒内完成-通过2 / 2:在11秒内完成

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。如果数据适合你的计算机的记忆，导入数据从文件到记忆通过消除重复读取文件和转换过程，使更快的训练。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。这些文件有两个变量:框架和标签和每个读调用数据存储将返回单元格数组，其中第一个元素为框架第二个元素是标签．使用变换功能helperModClassReadFrame和helperModClassReadLabel读取框架和标签。用高阵列以启用变换功能的并行处理，以防您拥有并行计算工具箱许可证。自收集函数的输出默认连接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。

将训练和验证的框架整合到记忆中Trainframestall = tall（Transform（TrainDstrans，@helpermodclassReadframe））;rxtrainframes =聚集（培训赛）;

使用并行池“本地”评估高表达： - 通过1：在4.3秒评估中完成的4.3秒

rxtrainframes = cat（4，rxtrainframes {：}）;validframestall = tall（transform（validdstrans，@helpermodclassreadframe））;rxvalidframes =收集（validframestall）;

使用Parallel Pool 'local'计算tall表达式:- Pass 1 of 1: Completed in 0.76 sec

rxValidFrames = cat(4, rxValidFrames{:});%将训练和验证标签收集到记忆中trainLabelsTall = tall(transform(trainDSTrans， @helperModClassReadLabel));rxTrainLabels =收集(trainLabelsTall);

使用并行池“本地”评估高表达： - 通过第1条：第2条：在4.6秒内完成 - 通过2：在7秒评估中完成，在12秒内完成

validLabelsTall = tall(transform(validDSTrans， @helperModClassReadLabel));rxValidLabels =收集(validLabelsTall);

使用Parallel Pool 'local'计算tall表达式:-第1步:在0.7秒内完成-第2步:在0.85秒内完成

火车CNN

此示例使用由六个卷积图层和一个完全连接的图层组成的CNN。除了上一层之后的每个卷积层之后是批量归一化层，整流的线性单元（Relu）激活层和最大池层。在最后一个卷积层中，最大池层被替换为平均池层。输出层具有SoftMax激活。对于网络设计指导，请参阅深度学习技巧．

modclassnet = helpermodclasscnn（调制型，sps，spf）;

下一个配置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,“ExecutionEnvironment”属性设置为“汽车”,那里的trainNetwork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。初始学习率设置为 $2\mathit{x}{10}^{-2}$．每9个纪元将学习率降低10倍。集“阴谋”“训练进步”绘制训练进度。在NVIDIA Titan Xp GPU上，训练网络大约需要25分钟。

Maxepochs = 12;minibatchsize = 256;选项= helpermodclasstratingOptions（maxepochs，minibatchsize，．．．numel（rxtrainlabels），rxvalidframes，rxvalidlabels）;

训练网络或使用已经训练过的网络。默认情况下，本示例使用经过训练的网络。

如果TrainNow == True Fprintf（'%s -训练网络\n'datestr (toc / 86400“HH: MM: SS”)) trainedNet = trainNetwork(rxTrainFrames,rxTrainLabels,modClassNet,options);其他的负载训练有素的uldularificationnetwork.结束

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。

通过获取测试框架的分类准确率来评估训练网络。结果表明，该网络对这组波形的准确率约为94%。

流('％s  - 分类测试框架\ n'datestr (toc / 86400“HH: MM: SS”)）

00:02:18 -对测试帧进行分类

％将测试帧收集到内存中testFramesTall = tall(transform(testDSTrans， @helperModClassReadFrame));rxTestFrames =收集(testFramesTall);

使用并行池“本地”评估高表达： -  PASS 1为1：在0.68秒的评估中完成0.69秒

rxTestFrames = cat(4, rxTestFrames{:});%收集测试标签到内存中testLabelsTall = tall(transform(testDSTrans， @helperModClassReadLabel));rxTestLabels =收集(testLabelsTall);

使用Parallel Pool 'local'计算tall表达式:-第1步:在0.7秒内完成-第2步:在0.86秒内完成

rxTestPred =分类(trainedNet rxTestFrames);testAccuracy = mean(rxTestPred == rxTestLabels);disp (“测试精度:“+ testAccuracy * 100 +“%”)

测试精度:95.4545%

绘制测试框架的混淆矩阵。如矩阵所示，网络混淆了16-QAM帧和64-QAM帧。这个问题是预期的，因为每帧只携带128个符号，16-QAM是64-QAM的子集。该网络还混淆了QPSK和8-PSK帧，因为这些调制类型的星座看起来类似，由于衰落信道和频率偏移的相位旋转一次。

图cm = confusionchart(rxTestLabels, rxTestPred);厘米。Title =“测试数据的混淆矩阵”；厘米。RowSummary ='行标准化'；cm.parent.position = [cm.parent.position（1：2）740 424];

测试特别提款权

使用超空气信号测试训练网络的性能helperModClassSDRTest函数。要执行此测试，必须有专用的特别提款权用于传输和接收。您可以使用两个ADALM-PLUTO无线电，或一个ADALM-PLUTO无线电传输和一个USRP®无线电接收。您必须安装通讯工具箱支持包的ADALM-PLUTO无线电万博1manbetx．如果您使用的是使用USRP®收音机，则还必须安装通讯工具箱支持包的USRP®无线电万博1manbetx．这helperModClassSDRTest函数使用相同的调制功能作为产生训练信号，然后使用ADALM-PLUTO无线电传输它们。不模拟信道，而是使用配置为信号接收(ADALM-PLUTO或USRP®无线电)的SDR捕获信道受损信号。使用训练有素的网络分类先前使用的功能预测调制类型。运行下一个代码段产生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 broadcasts = findpluoradio ();如果>= 2 helperModClassSDRTest(收音机);其他的disp (“未找到选定的收音机。”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 = findpluoradio ();rxRadio = findsdru ();开关radioPlatform情况下“USRP B2xx”idx =包含（{rxradio.platform}，{“B200”，“B210”}）;情况下“USRP X3xx”idx =包含（{rxradio.platform}，{“×”，“X310”}）;情况下“USRP N2xx”包含({rxRadio idx =。平台},“N200 / N210 / USRP2”）;结束rxradio = rxradio（Idx）;如果（长度（txradio）> = 1）&&（长度（rxradio）> = 1）Helpermodclasssdrtest（rxradio）;其他的disp (“未找到选定的收音机。”跳过无线测试。”)结束结束结束

当使用两个静止的ADALM-PLUTO无线电分离约2英尺，网络达到99%的整体精度与下列混淆矩阵。根据实验设置的不同，结果会有所不同。

进一步的探索

可以通过优化超参数参数，如滤波器的数量、滤波器的大小，或优化网络结构，如增加更多的层，使用不同的激活层等来提高精度。

通信工具箱提供了更多的调制类型和信道损耗。有关更多信息，请参见调制（通讯工具箱）和传播和渠道模型（通讯工具箱）部分。您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．您还可以添加雷达信号与相控阵系统工具箱．

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:

参考文献