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

训练有素的CNN需要1024个通道障碍的样本，并预测每个帧的调制类型。生成几个PAM4帧，这些帧受到瑞典多路径衰落，中心频率和采样时间漂移和AWGN的损害。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％相同的帧RNG（123456）％随机位d =兰迪（[0 3]，1024，1）;％PAM4调制syms = pammod（d，4）;％平方根升余氨酸过滤器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）;rusianyshifter = comm.phasefrequencyOffset（．．.“SampleRate”，FS）;％应用一个独立的多径频道复位（multipathChannel）outMultipathChan = multipathChannel（TX）;％确定时钟偏移因子clockOffset = (rand() * 2*maxOffset) - maxOffset;C = 1 + clockOffset / 1e6;％添加频率偏移量frequencyShifter。FrequencyOffset = -(颈- 1)*俱乐部;outFreqShifter = frequencyShifter (outMultipathChan);％添加采样时间漂移t =（0：长度（Tx）-1）'/ fs;newfs = fs * c;TP =（0：长度（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);％ 分类[prediction1, score1] = (trainedNet unknownFrames)进行分类;

返回分类预测，这类似于艰难的决定。网络正确识别帧作为PAM4帧。用于对调制的信号的生成的详细信息，请参见helperModClassGetModulator函数。

prediction1

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

分类器还返回每个帧的分数矢量。分数对应于每个帧具有预测调制类型的概率。绘制分数。

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，我们首先需要用已知的（或标记）数据训练网络。此示例的第一部分显示了如何使用Communications Toolbox功能，例如调制器，过滤器和频道损伤，以生成合成培训数据。第二部分侧重于定义，培训和测试CNN，以便进行调制分类的任务。第三部分使用软件定义的无线电（SDR）平台对网络性能进行测试。

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 = 200;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。使用渠道使用AWGN（通讯工具箱）函数。

莱斯多径

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 $\mathit{C}＝1+\frac{{\mathrm{\delta .}}_{\mathrm{时钟}}}{{10}^6}$， 在哪里 ${\mathrm{\delta .}}_{\mathrm{时钟}}$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[ ${-\mathrm{最大限度}\mathrm{\delta .}}_{\mathrm{时钟}}$ ${\mathrm{最大限度}\mathrm{\delta .}}_{\mathrm{时钟}}$]， 在哪里 ${\mathrm{最大限度}\mathrm{\delta .}}_{\mathrm{时钟}}$是最大时钟偏移。时钟偏移中测定份每百万（ppm）。对于这个例子，假设最大时钟5ppm的偏移。

maxdeltaoff = 5;deltaoff =（rand（）* 2 * maxdeltaoff） -  maxdeltaoff;c = 1 +（deltaoff / 1e6）;

频率偏移

若使每帧的频率偏移是基于时钟偏移因子 $\mathit{C}$和中心频率。使用渠道使用comm.PhaseFrequencyOffset（通讯工具箱）．

采样率抵消

基于时钟偏移因子对每个帧进行对采样率偏移量 $\mathit{C}$．使用使用的频道interp1函数重新采样帧以新速率 $\mathit{C}\times {\mathit{f}}_{\mathit{年代}}$．

综合频道

使用helperModClassTestChannel目的是所有三个通道损伤应用于帧。

频道= helperModClassTestChannel (．．.“SampleRate”，fs，．．.“信噪比”，snr，．．.'pathdelays'，[0 1.8 3.4] / FS，．．.“AveragePathGains”， [0 -2 -10]，．．.“KFactor”4．．.“MaximumDopplerShift”4．．.“MaximumClockOffset”5，．．.'中心罚款'902 e6)

信道=helperModClassTestChannel属性:SNR：30 CenterFrequency：9.02亿SAMPLERATE：200000个PathDelays：[0 9.0000e-06 1.7000e-05] AveragePathGains：[0 -2 -10] k-因子：4 MaximumDopplerShift：4 MaximumClockOffset：5

您可以查看有关使用信息的目标函数的通道基本信息。

chInfo =信息(渠道)

chInfo =结构与字段：ChannelDelay：6 MaximumFrequencyOffset：4510 MaximumSampleRateOffset：1

波形生成

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。

从每个帧的开头删除随机数样本以删除瞬态，并确保帧具有关于符号边界的随机起始点。

%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％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目录）

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(dataDirectory“目录”) 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......”）[成功，msg，msgst] = mkdir（DataDirectory）;如果〜成功误差（MSGID，MSG）结束为modType = 1：numModulationTypes elapsedTime =秒（TOC）;ElapsedTime.Format =“hh: mm: ss”；FPRINTF（'%s -生成%s帧\n'，．．.elapsedTime, modulationTypes(modType)) label = modulationTypes(modType);numSymbols = (numFramesPerModType / sps);dataSrc = helperModClassGetSource(modationtypes (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filename = fullfile（DataDirectory，．．.sprintf的（“% s % s % 03 d”，filenameroot，调制类型（modtype），p））;保存（filename，“框架”，“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…

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

％绘制示例帧的实部和虚部的幅度针对样品编号％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反对管理包含生成复杂波形的文件。数据存储是在每个单独的文件放进内存里，但整个集合不一定适合特别有用。

镜框= signalDatastore (dataDirectory,“SignalVariableNames”，[“框架”，“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)。

将数据导入内存

神经网络培训是迭代的。在每次迭代时，数据存储读取来自文件的数据并在更新网络系数之前转换数据。如果数据适合计算机的内存，则通过消除文件和变换过程的重复读取，将文件从文件导入存储器，使得能够更快地培训。相反，数据从文件读取并转换一次。使用磁盘上的数据文件培训此网络大约需要110分钟，同时使用内存数据的培训大约需要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:框架和标签和每一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．使用转变功能helperModClassReadFrame和helperModClassReadLabel阅读框和标签。用readall与“UseParallel”选项设置为真的如果你有的话，可以并行处理转换函数并行计算工具箱执照。自从readall函数的输出默认连接读在第一维函数，在单元阵列返回帧和手动串联在所述第四尺寸。

将训练和验证的框架读入记忆pctExists = parallelComputingLicenseExists ();trainFrames = transform(trainDSTrans， @helperModClassReadFrame);rxTrainFrames = readall (trainFrames,“UseParallel”, pctExists);rxtrainframes = cat（4，rxtrainframes {：}）;validframes = transform（validdstrans，@helpermodclassreadframe）;rxvalidframes = readall（有效框架，“UseParallel”, pctExists);rxvalidframes = cat（4，rxvalidframes {：}）;％阅读训练和验证标签到内存trainLabels = transform(trainDSTrans， @helperModClassReadLabel);rxTrainLabels = readall (trainLabels,“UseParallel”, pctExists);validLabels =变换（validDSTrans，@helperModClassReadLabel）;rxValidLabels = readall（validLabels，“UseParallel”, pctExists);

火车CNN

此示例使用CNN一包括六个卷积层和一个完全连接层。除了最后的每个卷积层之后通过间歇正常化层，整流线性单元（RELU）激活层，和最大池层。在过去的卷积层，最大池层被替换为平均池层。输出层具有SOFTMAX活化。对于网络设计指导，请参阅深度学习提示和技巧．

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,“ExecutionEnvironment”财产设置为“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执照。将初始学习率设置为 $2\mathit{x}{10}^{-2}$．每9个纪元将学习率降低10倍。集“阴谋”到 '培训 - 进展'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= helperModClassTrainingOptions（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 elapsedTime = seconds(toc);ElapsedTime.Format =“hh: mm: ss”；FPRINTF（'%s -训练网络\n'trainedNet = trainNetwork(rxTrainFrames,rxTrainLabels,modClassNet,options);其他的负载trainedModulationClassificationNetwork结束

随着培训进展的剧情，网络将大约12个时期收敛到95％的精度超过95％。

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%。

ElapsedTime =秒（TOC）;ElapsedTime.Format =“hh: mm: ss”；FPRINTF（'％S  - 判断测试帧\ N'elapsedTime)

00:01:25 -分类测试框架

%读取测试帧到内存中testframes = transform（testdstrans，@helpermodclassreadframe）;rxtestframes = readall（testframes，“UseParallel”, pctExists);rxTestFrames = cat(4, rxTestFrames{:});%读取测试标签到内存中testLabels = transform(testDSTrans， @helperModClassReadLabel);rxTestLabels = readall (testLabels,“UseParallel”, pctExists);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）;cm.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

使用过空中信号测试训练后的网络性能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装adalm-pluto收音机金宝app．如果您使用的是USRP®收音机，还必须安装通讯工具箱支持包的USRP®无线电金宝app．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功能先前用于预测调制类型。运行的下一个代码段产生一个混淆矩阵，并打印出的检验精确度。

radioplatform =“adalm-pluto”；转变radioPlatform案件“adalm-pluto”如果Helperisplutosdrinstalled（）== True Radios = FindPlutoradio（）;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。”）结束结束案件｛“usrp b2xx”，“USRP X3xx”，“USRP N2xx”｝如果(helperIsUSRPInstalled() == true) && (helperIsPlutoSDRInstalled() == true) txRadio = findpluoradio ();rxRadio = findsdru ();转变radioPlatform案件“usrp b2xx”IDX =含有（{rxRadio.Platform}，{“B200”，'B210'}）;案件“USRP X3xx”IDX =含有（{rxRadio.Platform}，{“×”，“X310”}）;案件“USRP N2xx”IDX =含有（{rxRadio.Platform}“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）和传播与信道模型（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， 和5 g的工具箱．您还可以添加雷达信号相控阵系统工具箱．

helperModClassGetModulator功能提供用于产生调制信号的MATLAB函数。您还可以探索以下功能和系统对象的更多详细信息：

参考文献