張思成，林云，涂涯，Shiwen Mao

（1.哈爾濱工程大學(xué)信息與通信工程學(xué)院，黑龍江 哈爾濱 150001；2.奧本大學(xué)電子和計算機工程學(xué)院，奧本 36849）

1 引言

移動通信系統(tǒng)由1G、2G 到3G、4G，現(xiàn)已進入5G 的商業(yè)發(fā)展階段。5G 的商業(yè)部署工作已經(jīng)展開，將提供大規(guī)模連接、高可靠性和低時延的服務(wù)。本著“商用一代、規(guī)劃一代”的發(fā)展理念，部分國家已經(jīng)展開了對6G 的研究與探索。6G 將依賴新的使能技術(shù)實現(xiàn)全球覆蓋范圍，更高的頻譜、能源、成本效率，更加安全，更高的數(shù)據(jù)速率，更低的時延，更高的連接密度，更高的全自動智能性，以獲得更好的服務(wù)質(zhì)量、體驗質(zhì)量，實現(xiàn)萬物互聯(lián)[1]。同時，6G 時代將會是移動通信技術(shù)與人工智能技術(shù)緊密結(jié)合、深度融合的時代，放眼于智能、通信與人類未來三者之間的關(guān)系，深入挖掘用戶的需求，實現(xiàn)人?機?物?靈的“萬物互聯(lián)”[2]。

伴隨6G 時代的到來，將會產(chǎn)生大量分布式節(jié)點，這些分布式節(jié)點的智能連接是實現(xiàn)6G 時代萬物互聯(lián)的關(guān)鍵，而智能連接的基礎(chǔ)是物理層智能信號處理。其中，物理層信號識別將促進自適應(yīng)調(diào)制編碼、聯(lián)合信道估計和符號檢測、自適應(yīng)傳輸功率控制以及更加廣泛的物理層技術(shù)的發(fā)展[3]。分布式節(jié)點實現(xiàn)智能、自動的電磁信號識別將極大地推動6G 萬物互聯(lián)的實現(xiàn)。人工智能技術(shù)憑借其強大的擬合復(fù)雜模型的能力，近幾年得到了迅猛的發(fā)展，在各項研究領(lǐng)域中都取得了突破性的進展，其在信號識別與處理問題中已經(jīng)有豐富的成果。Li 等[4]提出一種基于貝葉斯隨機推斷和最大后驗準則的聯(lián)合估計模型，該模型深層表征了調(diào)制方案和衰落信道之間的耦合關(guān)系，實現(xiàn)識別信號調(diào)制方式的同時順序獲取時間相關(guān)的衰落狀態(tài)。Wang 等[5]使用卷積神經(jīng)網(wǎng)絡(luò)（CNN,convolutional neural network）對信號的眼圖進行識別，可以在寬光信噪比范圍內(nèi)對4 種調(diào)制信號實現(xiàn)100%的識別率。查雄等[6]通過將電磁信號的波形域數(shù)據(jù)轉(zhuǎn)化為眼圖與矢量圖形式，獲得信號的淺層次表達，進一步利用多端卷積神經(jīng)網(wǎng)絡(luò)對其進行識別，當(dāng)信噪比為5 dB 時，識別準確率可達95%。Peng 等[7]將8 種調(diào)制信號轉(zhuǎn)換為星座圖并處理得到灰度圖像和增強灰度圖像，使用CNN 對其進行訓(xùn)練和測試，仿真結(jié)果表明該方法可以有效地對8 種調(diào)制信號進行分類。吳佩軍等[8]設(shè)計了33層卷積神經(jīng)網(wǎng)絡(luò)ReSENet，采集實測信號作為實驗樣本，使用短時傅里葉變換將信號轉(zhuǎn)換為時頻圖，實驗結(jié)果表明該方法可對多進制相位調(diào)制信號實現(xiàn)99.9%的識別準確率。Ji 等[9]針對多徑衰落信道提出盲均衡輔助的深度學(xué)習(xí)網(wǎng)絡(luò)，實驗表明該方法相比不均衡的深度學(xué)習(xí)方法對正交振幅調(diào)制（QAM,quadrature amplitude modulation）類信號的識別精度有顯著提升。Xu 等[10]針對運用CNN 進行調(diào)制信號識別的課題展開研究，發(fā)現(xiàn)較深的網(wǎng)絡(luò)模型不適用于調(diào)制信號識別，并使用遷移學(xué)習(xí)對訓(xùn)練過程進行了優(yōu)化，同時使用實測信號進行實驗，識別性能得到了提升。

然而，在追求模型性能提升的同時，模型復(fù)雜度與參數(shù)量也成倍增長，隨之而來的是過高的計算復(fù)雜度與存儲開銷，這對其應(yīng)用于6G 智能邊緣設(shè)備產(chǎn)生了極大的阻礙。桂冠等[11]對人工智能技術(shù)應(yīng)用于物理層無線通信問題中的研究進行了總結(jié)與分析，說明了人工智能技術(shù)具有諸多優(yōu)點，模型壓縮與加速技術(shù)將是未來無線通信中影響系統(tǒng)帶寬、時延以及安全問題的重要因素。研究者開展了大量工作，研究如何將基于人工智能技術(shù)實現(xiàn)的智能信號處理技術(shù)部署于資源受限的設(shè)備中。Tu 等[12]在文獻[6]的基礎(chǔ)上提出基于點密度的星球圖數(shù)據(jù)處理方法，使用AlexNet 對其進行識別，準確率有明顯提升，此外，他還根據(jù)文獻[13]的方法將模型進行剪枝，在保證準確率的同時，將參數(shù)量壓縮至原模型的1.5%～5%，部署在NVIDIA Jetson TX2 上的運行1 000 次的時間為6～8 ms。文獻[14-15]進一步提出激活最大化的評估指標對模型進行評估與剪枝，實驗結(jié)果顯示，該方法在不同壓縮率下針對RML2016.a 數(shù)據(jù)集獲得了同等或更高的識別準確率。陶冠宏等[16]將信號的I/Q 兩路分別提取出來，構(gòu)建2 行N列的二維圖像，輸入CNN 中進行訓(xùn)練，測試結(jié)果表明該方法可以對8種調(diào)制信號實現(xiàn)85%的識別準確率，實際部署后的單信號識別時間為0.1 ms。周鑫等[17]將信號的I/Q 兩路數(shù)據(jù)經(jīng)過離散傅里葉變換映射到頻域，經(jīng)過圖像化處理將多次變換的結(jié)果組合為二維頻譜瀑布圖輸入CNN 中進行訓(xùn)練，實驗結(jié)果表明，該方法可以對12 種信號實現(xiàn)86.04%的識別準確率，部署于中等配置的臺式機上的運行時間為33 ms。

以上的研究成果都很難取得準確率與速度上的雙重提升，是因為以往的全精度神經(jīng)網(wǎng)絡(luò)（FNN,full-precision neural network）僅從網(wǎng)絡(luò)模型的結(jié)構(gòu)入手進行修剪或稀疏處理，有些方法對模型的容量以及穩(wěn)健性會有損失；有些方法對計算機運算過程并不友好，在減小模型參數(shù)存儲的同時增加了模型的運算時間。考慮計算機本身的數(shù)據(jù)存儲、訪問、運算以及網(wǎng)絡(luò)分類性能，研究人員發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)在逐層計算過程中，參數(shù)的量化空間不需要非常完備也可以對問題模型進行擬合，從而完成正確的分類或檢測，精簡后的網(wǎng)絡(luò)參數(shù)運算可以用簡單的位操作完成，而不需要復(fù)雜的浮點乘法運算，這樣兼顧了保持精度與加速的效果?；诖讼敕ǎ珼ettmers等[18]開發(fā)測試了8 bit 浮點的網(wǎng)絡(luò)模型，再利用GPU集群測試其性能，在保證模型與預(yù)測性能的條件下，速度提升到原來的2 倍。此后出現(xiàn)了各種模型量化的研究，包括16 bit[19]、三值量化[20]與二值量化[21]。目前，主流的模型量化方法分為樸素量化方法和基于優(yōu)化的量化方法，后者又分為最小量化誤差量化法、改善網(wǎng)絡(luò)損失函數(shù)量化法和減小梯度誤差量化法[22]。

本文針對6G 中智能邊緣設(shè)備的信號識別問題，在已有的電磁信號識別算法研究的基礎(chǔ)上，將電磁信號的I/Q 數(shù)據(jù)繪制為星座圖，以將電磁信號從波形域具象化為二維圖像，并根據(jù)歸一化點密度對其添加顏色信息以實現(xiàn)特征增強；分析現(xiàn)有的信號識別模型的資源開銷，設(shè)計并構(gòu)建了二值化神經(jīng)網(wǎng)絡(luò)（BNN,binary neural network）模型對經(jīng)過特征增強的圖像域信號進行識別。經(jīng)過初步實驗證明，所提模型能夠在保證對電磁信號識別準確率的前提下，兼具內(nèi)存開銷小、數(shù)據(jù)訪問量低和計算速度高的特點，適合于6G 中資源受限的智能邊緣設(shè)備。

2 電磁信號模型

2.1 電磁信號波形域分析

本文實驗選取8 種常用的數(shù)字調(diào)制信號，分別為4ASK、BPSK、QPSK、OQPSK、8PSK、16QAM、32QAM 和64QAM。信號的基帶波形域為

其中，v(t)表示信道環(huán)境噪聲，本實驗選擇加性高斯白噪聲；g(t)表示包括成型濾波器、信道濾波器以及匹配濾波器的等效濾波器；an表示發(fā)送端符號序列。

對于ASK 類信號，有

其中，Qn=0，In∈{1,2,…,M?1}，M為調(diào)制進制數(shù)。

對于PSK 類信號，有

對于QAM 類信號，有

2.2 電磁信號的圖像域具象方法

實驗首先通過正交解調(diào)獲得電磁信號的I/Q 兩路原始數(shù)據(jù)，進一步利用I/Q 數(shù)據(jù)繪制電磁信號的星座圖以將電磁信號具象為二維圖像，并根據(jù)歸一化點密度對星座圖上色以實現(xiàn)特征增強。以QPSK為例說明電磁信號圖像域具象方法，如圖1 所示。將I/Q 兩路信號繪制在以同向分量為橫軸，正交分量為縱軸的坐標系中，得到QPSK 信號的星座圖，如圖1 左半部分所示。對QPSK 每一個信號點計算其歸一化點密度，并根據(jù)其歸一化點密度的高低對星座圖進行上色以實現(xiàn)特征增強，上色的方法與效果如圖1 右半部分所示。從圖1 中可以看出，經(jīng)過預(yù)處理后的星座圖中每個點不再是獨立以及等信息量的。這種處理方法給星座圖中增加了時間累積的特征，數(shù)據(jù)特征維度更高，凝聚了更多的調(diào)制信號先驗知識，增強其可分性，實現(xiàn)了特征增強的目的。

圖1 電磁信號圖像域具象方法示意

圖2 不同信噪比噪聲下的數(shù)據(jù)處理效果

計算某一點的歸一化點密度時，以該點為中心繪制的邊長為2r的正方形內(nèi)，其他信號點的個數(shù)與總共接收到信號點的個數(shù)的比值為該點的歸一化點密度。第i點的歸一化點密度d(i)為

其中，h(i)表示獲取第i個點的橫坐標值，v(i)表示獲取第i個點的縱坐標值，N表示點的總數(shù)，f(x)函數(shù)為

由此可得，當(dāng)信噪比為0 dB、6 dB 以及10 dB的高斯白噪聲時，8 種信號的數(shù)據(jù)處理效果如圖2所示。

3 二值化深度神經(jīng)網(wǎng)絡(luò)

3.1 二值化深度神經(jīng)網(wǎng)絡(luò)原理

本文研究利用BNN 完成圖像域的電磁信號調(diào)制識別問題。BNN 來源于神經(jīng)網(wǎng)絡(luò)低比特量化的思想的極端情況，其思想為神經(jīng)網(wǎng)絡(luò)在逐層計算過程中，參數(shù)的量化空間不需要非常完備也可以對問題模型進行擬合，從而完成正確的分類或檢測。而在模型規(guī)模方面，原有的32 bit 浮點數(shù)據(jù)被1 bit 數(shù)據(jù)代替，可實現(xiàn)參數(shù)總占用減小近32 倍的壓縮效果。另外，位寬為1 的參數(shù)之間的計算可以使用簡單的位操作來完成，可省去32 bit 浮點型數(shù)據(jù)乘法的煩瑣計算，實現(xiàn)加速效果。

本實驗采用的神經(jīng)網(wǎng)絡(luò)二值化方法為神經(jīng)網(wǎng)絡(luò)樸素二值化分類中的確定性二值化方法[22]。在確定性二值化方法中，前向推理時，網(wǎng)絡(luò)中二值化層的權(quán)重與輸入被量化為±1。量化規(guī)則為，大于或等于0 的權(quán)重或輸入被量化為+1，而小于0 的被量化為?1，如式(7)所示。

其中，w為網(wǎng)絡(luò)中原始的全精度參數(shù)，wb為經(jīng)過二值化后得到的二值化參數(shù)。代碼實現(xiàn)時可以用取符號函數(shù)sign(?)對參數(shù)和輸入取得符號，從而實現(xiàn)二值化。sign(?)函數(shù)曲線如圖3 所示。

圖3 sign(?)函數(shù)曲線

在計算機實際存儲中，置0 bit 代表參數(shù)值為?1，置1 bit 代表參數(shù)值為?1，其運算的權(quán)值真實數(shù)值和計算機變量的乘法運算真值如表1 和表2所示。從表1 中可以看出，經(jīng)過以上量化規(guī)則得到的±1 權(quán)重乘法運算與計算機1 bit 變量的同或運算等效，這就將FNN 中的32 bit 浮點乘法運算簡化為1 bit 的同或運算，實現(xiàn)對網(wǎng)絡(luò)卷積運算中的乘法進行加速的效果。

表1 權(quán)值實際運算真實數(shù)值

表2 計算機運算真值

在反向傳播求解梯度進行優(yōu)化過程中，例如隨機梯度下降等優(yōu)化算法的實現(xiàn)都是通過每次對網(wǎng)絡(luò)進行小步微調(diào)，逐漸逼近整個網(wǎng)絡(luò)的最優(yōu)解。而BNN 中，二值參數(shù)的值只有+1 和?1，這意味著量化值的每一次更新都會使網(wǎng)絡(luò)狀態(tài)產(chǎn)生很大的改變，增加了對BNN 中參數(shù)更新標準的設(shè)定。因此，每次訓(xùn)練時依然需要對原始全精度參數(shù)進行優(yōu)化更新，而在前向推導(dǎo)時進行量化參數(shù)操作。

sign(?)函數(shù)的梯度在大部分情況下都為0，這將導(dǎo)致二值化參數(shù)與原始參數(shù)之間的梯度傳播被阻斷。為了避免梯度阻斷問題，將二值化權(quán)重的梯度跳過sign(?)函數(shù)直接傳播給原始的全精度參數(shù)，使二值化參數(shù)的梯度作為原始參數(shù)的梯度近似，如圖4 所示。Identity 函數(shù)的計算式為y=x，其正向傳播相當(dāng)于不具任何處理的直連函數(shù)，而其函數(shù)梯度恒等于1，起到了將二值化參數(shù)的梯度直接回傳的作用。將Identity 函數(shù)與隨機梯度下降等優(yōu)化算法結(jié)合，即可實現(xiàn)原始全精度參數(shù)的逐步更新。

3.2 用于電磁信號調(diào)制識別的二值化深度神經(jīng)網(wǎng)絡(luò)

本文設(shè)計并構(gòu)建了用于電磁信號調(diào)制識別的二值化深度神經(jīng)網(wǎng)絡(luò)模型，在模型整體結(jié)構(gòu)上綜合參考經(jīng)典的AlexNet 網(wǎng)絡(luò)結(jié)構(gòu)[23]，先采用卷積層提取特征，然后采用全連接層對特征分類。

圖4 BNN 訓(xùn)練極端的前/反向傳播示意

本文分析數(shù)據(jù)特征設(shè)計網(wǎng)絡(luò)中每層的類型。從電磁信號的圖像域表現(xiàn)形式可以看出，圖像中每個像素點的量化空間為8 bit 整型，并且其中具有很多明顯的細粒度的信號點的分布特征，但是不存在計算機視覺分類問題中的目標被遮蓋、平移、旋轉(zhuǎn)等問題，所以在網(wǎng)絡(luò)中僅設(shè)計第一層為全精度網(wǎng)絡(luò)層來提取電磁信號圖像域中的細粒度淺層特征，其參數(shù)量化空間為32 bit 浮點型；利用連續(xù)的三層二值化網(wǎng)絡(luò)層綜合提取不同深度的粗粒度特征。受到本文所選的二值化推理框架DABNN（daquexian’s accelerated binary neural network）未兼容全連接網(wǎng)絡(luò)的限制，實驗使用卷積核尺寸為1×1的卷積層替代全連接層[24]。在1×1的卷積層與特征提取部分之間插入過渡層以完成數(shù)據(jù)尺度的銜接。網(wǎng)絡(luò)輸出層得到的結(jié)果經(jīng)過Softmax 層，得到對不同分類的判別概率分布。圖5 為實驗構(gòu)建的用于電磁信號識別的BNN 結(jié)構(gòu)。

如圖6 所示，除輸出層外，網(wǎng)絡(luò)中的層均由三部分構(gòu)成。Float/Binary Layer 用于特征提取或分類；BatchNormal Layer 用于將數(shù)據(jù)分布歸一化以加快訓(xùn)練；MaxPooling Layer 用于實現(xiàn)特征聚合，增強網(wǎng)絡(luò)的抗噪聲性能。

圖5 BNN 結(jié)構(gòu)

需要說明的是，在卷積運算的累加運算過程中，因為1 bit 數(shù)據(jù)無法表達求和運算的結(jié)果，所以在累加求和過程中的中間變量仍然需要用更高位數(shù)的數(shù)據(jù)類型。本實驗所設(shè)計的BNN 中用到的BatchNormal layer 和MaxPooling Layer 中涉及更精確的運算同樣是二值化參數(shù)所無法表達的。綜合考慮各層對中間變量的數(shù)據(jù)類型的要求以及編程復(fù)雜度，統(tǒng)一將中間變量的數(shù)據(jù)類型定義為32 bit 浮點型數(shù)據(jù)。本實驗構(gòu)建二值化網(wǎng)絡(luò)的前向傳播與反向傳播算法如算法1 所示。其中，(a0,a*)為輸入批數(shù)據(jù)與標簽，W為原始全精度參數(shù)，θ為批歸一化層的參數(shù)集，η為學(xué)習(xí)率，C為損失函數(shù)，L為二值化網(wǎng)絡(luò)的層數(shù)，?為二值/全精度卷積運算，Binarize(?)為參數(shù)的二值化處理，BatchNorm(?)為批歸一化處理，BackBatchNorm(?)為批歸一化處理的反向傳播，Update(?)為相應(yīng)優(yōu)化器的參數(shù)更新過程以及此優(yōu)化器規(guī)則或人為設(shè)定規(guī)則的學(xué)習(xí)率更新過程。

圖6 網(wǎng)絡(luò)塊組成結(jié)構(gòu)

算法1BNN 訓(xùn)練算法

4 實驗及分析

本文設(shè)計并構(gòu)建BNN 完成電磁信號調(diào)制識別任務(wù)，實驗選取8 種常用數(shù)字調(diào)制信號對本文方法進行驗證，分別為4ASK、BPSK、QPSK、OQPSK、8PSK、16QAM、32QAM 和64QAM，噪聲環(huán)境為加性高斯白噪聲，信號的I/Q 波形域為通用調(diào)制基帶信號，波形圖可參考文獻[25]。實驗構(gòu)建的數(shù)據(jù)集中，每個信號樣本生成10 000 個采樣點，并利用2.2 節(jié)所述方法進行預(yù)處理，得到特征增強的星座圖。

數(shù)據(jù)集規(guī)模比例為訓(xùn)練集:交叉驗證集:測試集=3:2:2。在訓(xùn)練集中，每個信噪比點下每種調(diào)制信號生成3 000 個信號樣本，在測試集與交叉驗證集中每種調(diào)制信號生成1 000 個信號樣本。實驗在Windows 10環(huán)境下選擇Pytorch 深度學(xué)習(xí)框架完成3.2 節(jié)中設(shè)計的二值化網(wǎng)絡(luò)的構(gòu)建。同時，設(shè)計具有相同規(guī)模的FNN 作為對照組。實驗的GPU 環(huán)境為GTX2080。

4.1 二值化網(wǎng)絡(luò)訓(xùn)練分析

本節(jié)設(shè)計基于BNN 的電磁信號調(diào)制識別實驗，考慮到在二值化網(wǎng)絡(luò)反向傳播過程中二值化參數(shù)的梯度直接傳播給原始參數(shù)帶來的梯度誤差，實驗尋找適用于BNN 的訓(xùn)練優(yōu)化器。

實驗選擇SGD（stochastic gradient descent）、RMSprop（root mean square prop）與Adam 這3 種常用的優(yōu)化器，在試驗性數(shù)據(jù)集上分別對FNN 與BNN 進行訓(xùn)練，評估其訓(xùn)練效果。試驗性數(shù)據(jù)集的調(diào)制信號類型、噪聲環(huán)境與處理方法均與實驗數(shù)據(jù)集相同，僅僅將規(guī)模調(diào)整為訓(xùn)練集、交叉驗證集與測試集均為每個信噪比下每種調(diào)制信號100 個樣本。訓(xùn)練結(jié)果如圖7 所示。

圖7(a)中，實線為損失值變化曲線，對應(yīng)y軸左側(cè)；虛線為準確率變化曲線，對應(yīng)y軸右側(cè)。從圖7(a)中可以看出，在3 種優(yōu)化器下，2 種網(wǎng)絡(luò)在驗證集的準確率均隨著批數(shù)據(jù)（Batch）的損失值的下降而波動上升，在達到2～3 個訓(xùn)練周期（Epoch）后，訓(xùn)練結(jié)果都趨于穩(wěn)定，穩(wěn)定階段的損失值越低，驗證集下的準確率越高。結(jié)合圖7(b)可以發(fā)現(xiàn)，F(xiàn)NN在3 種優(yōu)化器下均可以實現(xiàn)準確率達80%以上，訓(xùn)練穩(wěn)定后，損失值由大到小的順序為SGD、RMSprop和Adam，而準確率正好相反，說明Adam 更適合作為FNN 的訓(xùn)練優(yōu)化器。結(jié)合圖7(c)可以發(fā)現(xiàn)，BNN 在SGD 優(yōu)化器下基本不能完成訓(xùn)練，而在Adam 與RMSprop 優(yōu)化器下準確率均可以達到93%以上，其中RMSprop 優(yōu)化器下的結(jié)果要高于Adam優(yōu)化器，說明RMSprop 更適合作為BNN 的訓(xùn)練優(yōu)化器。對比2 種網(wǎng)絡(luò)可以發(fā)現(xiàn)，BNN 除不能在SGD優(yōu)化器下完成訓(xùn)練外，在另外2 種優(yōu)化器下訓(xùn)練穩(wěn)定后，BNN 的損失值均小于FNN，而準確率均高于FNN。由此可以得出結(jié)論，BNN 相較于FNN 的訓(xùn)練難度更高。通過選取更合適的優(yōu)化器訓(xùn)練，可以得到泛化性能更強的模型。

4.2 模型的識別效果分析

根據(jù)4.1 節(jié)的測試結(jié)果，本實驗分別為BNN 與FNN 選取合適的優(yōu)化器（即BNN 使用RMSprop 優(yōu)化器，F(xiàn)NN 使用Adam 優(yōu)化器）在實驗數(shù)據(jù)集上進行訓(xùn)練。分析其在不同信噪比下對8 種信號的識別準確率，并將其結(jié)果與文獻[6,12]進行對比。文獻[6,12]與本文選取的電磁信號的調(diào)制類型相同，對比結(jié)果如圖8 所示。

圖7 BNN/FNN 在3 種優(yōu)化器下的訓(xùn)練過程

圖8 各信噪比噪聲下的結(jié)果對比

通過對比分析可以發(fā)現(xiàn)，隨著信噪比的提升，4種模型的準確率均呈現(xiàn)上升趨勢。當(dāng)信噪比大于0 dB時，本文設(shè)計的BNN 和FNN 與文獻[12]的識別準確率均達到100%，整體分類性能明顯高于文獻[6]。對比各個網(wǎng)絡(luò)的結(jié)果可以發(fā)現(xiàn)，本實驗的BNN 模型僅在?4 dB 下的準確率低于文獻[12]的結(jié)果，在其余信噪比的噪聲下均為最高準確率，由此證明了本文基于BNN 對調(diào)制信號識別的有效性；在各個信噪比的噪聲下，BNN 的分類準確率均高于FNN，可以發(fā)現(xiàn)在相同規(guī)模的網(wǎng)絡(luò)結(jié)構(gòu)下，BNN 具有更強的泛化性能。

為了進一步分析BNN 對調(diào)制信號的分類性能，本文繪制了模型分類的混淆矩陣，并計算了分類整體的準確率與每個類別下的召回率和精準度，如圖9所示。圖9 中真實標簽與預(yù)測標簽交叉對應(yīng)的區(qū)域為分類的混淆矩陣，其中，數(shù)字為每個分類下的樣本數(shù)量與樣本占測試集的百分比；右下角位置為整體的分類準確率，其代表模型對數(shù)據(jù)集的綜合性別性能；最下邊一排的其余位置為每個分類的召回率，其代表模型對這個類數(shù)據(jù)的分類性能；最右邊一列的其余位置為每種分類的精準度，其代表模型預(yù)測一個數(shù)據(jù)為該分類的可信度。從圖9 中可以看出，模型在選定的信噪比范圍內(nèi)對數(shù)據(jù)集的綜合識別率為96.1%，對4ASK、BPSK、16QAM 這3 種調(diào)制信號實現(xiàn)了100%的識別，而分別在QPSK 與OQPSK 和32QAM 與64QAM 之間產(chǎn)生輕微混淆。另外，模型對于8PSK 信號的分類性能較差，其置信度與精準度都明顯低于其他調(diào)制類型，容易與其產(chǎn)生混淆的類別為QPSK 與OQPSK。從整體情況可以看出，BNN 模型可以準確地對低階調(diào)制類型進行分類，對不同調(diào)制類型的調(diào)制信號不易產(chǎn)生混淆，而對相同調(diào)制類型下不同階調(diào)制信號容易產(chǎn)生混淆。

4.3 模型規(guī)模及運行時間分析

建立在BNN 對電磁信號調(diào)制識別的可行性基礎(chǔ)上，本文進一步從模型規(guī)模以及運行速度兩方面對模型的高效性進行評估。實驗選擇的測試環(huán)境為京東AI 的DABNN，其為針對ARM 指令集高度優(yōu)化的二值化網(wǎng)絡(luò)推理框架[24]；選取的平臺為單一ARM 內(nèi)核、主頻1.5 GHz 的樹莓派4B。

圖9 信噪比為?6～6 dB 噪聲下的BNN 分類的混淆矩陣

實驗將模型文件的大小作為模型規(guī)模的評價指標，將模型實際部署后的運行時間作為運行速度的評價指標。為了避免偶然因素影響運行時間的測量，本實驗設(shè)計在開機穩(wěn)定運行30 min 后連續(xù)測試100 次，求運行時間的平均數(shù)作為測試結(jié)果。BNN與FNN 的測試結(jié)果如圖10 所示。

圖10 相同規(guī)模BNN 與FNN 的模型大小與運行時間比較

通過實驗結(jié)果可以發(fā)現(xiàn)，F(xiàn)NN 模型文件大小是BNN 的26.16 倍，分析網(wǎng)絡(luò)規(guī)?？梢园l(fā)現(xiàn)，在二值化層中每一個參數(shù)由原來的32 bit 浮點型數(shù)據(jù)縮減到1 bit，而BNN 中的第一層與輸出層仍然保持全精度層不變，綜合得到26.16 倍的壓縮率是合理的。另一方面，F(xiàn)NN 的運行時間是BNN 的2.37倍，本實驗設(shè)計的網(wǎng)絡(luò)為7 層網(wǎng)絡(luò)，其中5 層為二值化層。模型運行時間的壓縮倍數(shù)會隨著二值化層的占比增加而增加。綜合以上結(jié)果，相較于FNN，BNN 可以作為更高效可行的電磁信號調(diào)制識別方案。

5 結(jié)束語

邊緣智能信號識別是6G“萬物互聯(lián)”時代的至關(guān)重要的一項技術(shù)。本文針對該問題，總結(jié)了已有的研究成果，提出了一種基于BNN 的信號圖像域智能識別方案。所提方案通過繪制信號的星座圖將信號從波形域轉(zhuǎn)化為圖像域，進而用BNN 對圖像域信號進行識別。本文以電磁信號調(diào)制識別問題為例對該方案進行驗證，在信噪比為?6～6 dB 的加性高斯白噪聲環(huán)境下獲得96.1%的準確率，且在不同信噪比下的識別準確率均高于同規(guī)模FNN，整體分類性能優(yōu)于相同問題的已有算法，證明了方案的可行性。其次，實驗將所提方案部署于具有單一ARM 內(nèi)核、主頻1.5 GHz 的樹莓派4B 平臺上，模型文件僅有166 KB，平均運行時間僅為290.481 ms，證明了所提方案的高效性。

綜上所述，本文提出了一種兼具可行性與高效性的邊緣電磁信號調(diào)制識別方案，但是該方案仍具有很多值得提升與研究之處。例如，本文的信號預(yù)處理部分利用信號處理的先驗知識，將電磁信號的高維抽象的波形數(shù)據(jù)具象化為圖像域，實現(xiàn)了對調(diào)制信號的特征增強，也增強了數(shù)據(jù)的可解釋性與可分性，但這種方法會引入大量的參數(shù)，如何實現(xiàn)對電磁信號的波形數(shù)據(jù)進行端到端的智能處理是下一步的研究內(nèi)容。本文相信BNN 仍然存在網(wǎng)絡(luò)參數(shù)以及連接的冗余，進一步對網(wǎng)絡(luò)結(jié)構(gòu)進行精簡或?qū)⒌玫礁鼮樾∏筛咝У木W(wǎng)絡(luò)模型；其次，卷積神經(jīng)網(wǎng)絡(luò)自動提取數(shù)據(jù)中有助于分類的高維特征，但電磁信號的卷積層特征是抽象的，其可理解性難以與計算機視覺問題相比，如何對電磁信號的特征進行可視化或?qū)ζ錂C理進行解釋也是未來的研究方向。另外，本文所選用的調(diào)制信號類型以及噪聲范圍具有一定局限性，應(yīng)進一步擴大研究范圍以發(fā)現(xiàn)問題，對該方案提出改善。