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”，“8PSK”，...“16 qam”，“64 qam”，“PAM4”，“GFSK”，“CPFSK”，...“B-FM”，“DSB-AM”，“SSB-AM”]);

首先，加载经过训练的网络。有关网络训练的详细信息，请参阅训练一个CNN部分。

负载trainedModulationClassificationNetworktrainedNet

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FilterCoefs=rcosdesign（0.35,4,8）；tx=滤波器（FilterCoefs，1，上采样（syms，8））；%渠道信噪比=30；maxOffset=5；fc=902e6；fs=200e3；多路径通道=通信通道(...“采样器”fs,...“PathDelays”， [0 1.8 3.4] / 200e3，...“AveragePathGains”, [0 -2 -10],...“KFactor”4....“最大换档速度”4);frequencyShifter = comm.PhaseFrequencyOffset (...“采样器”，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);%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);%增加噪音rx=awgn（超时漂移，信噪比，0）；%用于分类的帧生成未知帧=helperModClassGetNNFrames（rx）；%的分类[prediction1，score1]=分类（训练网，未知框架）；

返回分类器预测，类似于硬决策。网络将帧正确识别为PAM4帧。有关生成调制信号的详细信息，请参阅helperModClassGetModulator函数。

prediction1

预测1=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 (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(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)。

特莱恩诺=假；如果trainNow==true numFrameSubModType=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;%每帧采样数symbolsPerFrame = spf / sps;fs = 200年e3;%采样率Fc = [902e6 100e6];%的中心频率

造成通道损伤

通过一个通道传递每一帧

因为本例中的网络基于单个帧进行决策，所以每个帧必须通过一个独立的信道。

情况下

该通道添加了信噪比为30 dB的AWGN。使用情况下(通信工具箱)函数。

Rician多路径

该信道将信号通过一个Rician多径衰落信道comm.RicianChannel(通信工具箱)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。

时钟偏移量

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 $\mathit{C}＝1+\frac{{\Delta }_{\mathrm{时钟}}}{{10}^6}$哪里 ${\Delta }_{\mathrm{时钟}}$是时钟偏移量。对于每一帧，通道生成一个随机信号 ${\Delta }_{\mathrm{时钟}}$范围内均匀分布的一组值的值[ ${-\mathrm{马克斯}\Delta }_{\mathrm{时钟}}$ ${\mathrm{马克斯}\Delta }_{\mathrm{时钟}}$), ${\mathrm{马克斯}\Delta }_{\mathrm{时钟}}$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));

频率偏移

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。使用以下方法实现通道通信相位频率偏移量(通信工具箱)．

采样率偏移

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函数以新的速率重新采样帧 $\mathit{C}\times {\mathit{f}}_{\mathit{年代}}$．

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 (...“采样器”fs,...“信噪比”信噪比,...“PathDelays”，[01.83.4]/fs，...“AveragePathGains”, [0 -2 -10],...“KFactor”4....“最大换档速度”4....“MaximumClockOffset”5....“CenterFrequency”902 e6)

channel = helperModClassTestChannel带有属性:SNR: 30 CenterFrequency: 902000000 SampleRate: 200000 PathDelays: [0 9.0000e-06 1.7000e-05] AveragePathGains: [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(渠道)

钦福=结构体字段:信道延迟：6最大频率偏移：4510最大采样偏移：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=长度（调制类型）；channelInfo=信息（通道）；transDelay=50；dataDirectory=完整文件（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）（数据目录，sprintf(“% s *”, fileNameRoot)));如果length(files) == numModulationTypes*numFramesPerModType dataFilesExist = true;结束结束如果~ dataFilesExist disp ("生成数据并保存在数据文件中…") [success,msg,msgID] = mkdir(dataDirectory);如果味精~成功错误(是否)结束为modType = 1:numModulationTypes fprintf('%s -生成%s帧\n'，...datestr (toc / 86400,“HH: MM: SS”)， 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 ();%调节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frame=helperModClassFrameGenerator（RX采样、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%与样品编号helperModClassPlotTimeDomain (dataDirectory modulationTypes fs)

%绘制示例帧的声谱图helperModClassPlotSpectrogram (dataDirectory modulationTypes fs, sps)

创建数据存储

使用信号数据存储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。

frameDS=信号数据存储（数据目录，“信号变量名称”，[“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，将框架划分为训练、验证和测试数据。看见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)。

使用并行池“local”计算tall表达式：-第1次，共2次：在11秒内完成-第2次，共2次：在11秒内完成计算在25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读取帧和标签。使用高数组以支持对转换函数进行并行处理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，返回单元格数组中的帧，并在第四维上手动连接。

将训练和验证的框架整合到记忆中trainFramesTall = tall(transform(trainDSTrans， @helperModClassReadFrame));rxTrainFrames =收集(trainFramesTall);

使用Parallel Pool 'local'计算tall表达式

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Parallel Pool 'local'计算tall表达式:-通过2次测试中的第1次:在4.6秒内完成-通过2次测试中的第2次:在7秒内完成

validLabelsTall=tall（转换（ValidsTrans，@helperModClassReadLabel））；rxValidLabels=gather（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

训练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，请参见深度学习技巧．

modClassNet = helperModClassCNN (modulationTypes、sps spf);

下一个配置TrainingOptionsSGDM要使用最小批量大小为256的SGDM解算器，请将最大纪元数设置为12，因为较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函数使用GPU（如果有），或者使用CPU（如果没有）。要使用GPU，必须具有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个时代将学习率降低10倍。设置“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;选择= helperModClassTrainingOptions (maxEpochs miniBatchSize,...元素个数(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printf == true (“%s-正在训练网络\n”datestr (toc / 86400“HH: MM: SS”))trainedNet=列车网络（rxTrainFrames、rxTrainLabels、modClassNet、options）；其他的负载trainedModulationClassificationNetwork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 -对测试帧进行分类\n'datestr (toc / 86400“HH: MM: SS”)）

00:02:18-对测试帧进行分类

将测试框架收集到记忆中testFramesTall=tall（transform（testDSTrans，@helperModClassReadFrame））；rxTestFrames=gather（testFramesTall）；

使用Parallel Pool 'local'计算tall表达式

rxTestFrames = cat(4, rxTestFrames{:});%将测试标签收集到内存中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 +“%”）

测试准确率：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 =“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无线电金宝app．如果您使用的是USRP®收音机，您还必须安装通讯工具箱支持包的USRP®无线电金宝app．的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。

radioPlatform =“ADALM-PLUTO”；开关radioPlatform案例“ADALM-PLUTO”如果helperIsPlutoSDRInstalled() == true broadcasts = findpluoradio ();如果长度（无线电）>=2个helperModClassSDRTest（无线电）；其他的disp (“未找到选定的收音机。”跳过无线测试。”）结束结束案例｛“USRP B2xx”，“USRP X3xx”，“USRP N2xx”｝如果(helperIsUSRPInstalled() == true) && (helperIsPlutoSDRInstalled() == true) txRadio = findpluoradio ();rxRadio = findsdru ();开关radioPlatform案例“USRP B2xx”idx=包含（{rxRadio.Platform}），｛“B200”，“B210”});案例“USRP X3xx”idx=包含（{rxRadio.Platform}），｛“X300”，“X310”});案例“USRP N2xx”idx=包含（{rxRadio.Platform}），“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(通信工具箱)和传播和信道模型(通信工具箱)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．

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系统对象以了解更多详细信息：

参考文献