Прогнозирование типа модуляции с использованием CNN

Обученный CNN в этом примере распознает эти восемь типов цифровой и три аналоговых модуляции:

modulationTypes = categorical(["BPSK", "QPSK", "8PSK", ...
  "16QAM", "64QAM", "PAM4", "GFSK", "CPFSK", ...
  "B-FM", "DSB-AM", "SSB-AM"]);

Сначала загрузите обученную сеть. Дополнительные сведения о сетевом обучении см. в разделе Обучение CNN.

load trainedModulationClassificationNetwork
trainedNet

trainedNet = 
  SeriesNetwork with properties:

         Layers: [28×1 nnet.cnn.layer.Layer]
     InputNames: {'Input Layer'}
    OutputNames: {'Output'}

Обученный CNN берет 1024 выборки с нарушением канала и предсказывает тип модуляции каждого кадра. Генерация нескольких кадров PAM4, которые повреждены замиранием многолучевого распространения Rician, дрейфом центральной частоты и временем дискретизации и AWGN. Используйте следующую функцию для генерации синтетических сигналов для тестирования CNN. Затем используйте CNN для прогнозирования типа модуляции кадров.

% Set the random number generator to a known state to be able to regenerate
% the same frames every time the simulation is run
rng(123456)
% Random bits
d = randi([0 3], 1024, 1);
% PAM4 modulation
syms = pammod(d,4);
% Square-root raised cosine filter
filterCoeffs = rcosdesign(0.35,4,8);
tx = filter(filterCoeffs,1,upsample(syms,8));

% Channel
SNR = 30;
maxOffset = 5;
fc = 902e6;
fs = 200e3;
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);

% Apply an independent multipath channel
reset(multipathChannel)
outMultipathChan = multipathChannel(tx);

% Determine clock offset factor
clockOffset = (rand() * 2*maxOffset) - maxOffset;
C = 1 + clockOffset / 1e6;

% Add frequency offset
frequencyShifter.FrequencyOffset = -(C-1)*fc;
outFreqShifter = frequencyShifter(outMultipathChan);

% Add sampling time drift
t = (0:length(tx)-1)' / fs;
newFs = fs * C;
tp = (0:length(tx)-1)' / newFs;
outTimeDrift = interp1(t, outFreqShifter, tp);

% Add noise
rx = awgn(outTimeDrift,SNR,0);

% Frame generation for classification
unknownFrames = helperModClassGetNNFrames(rx);

% Classification
[prediction1,score1] = classify(trainedNet,unknownFrames);

Верните предсказания классификатора, которые аналогичны жестким решениям. Сеть правильно идентифицирует кадры как PAM4 кадры. Дополнительные сведения о генерации модулированных сигналов см. в разделе Функция helperModClassGetModulator.

prediction1

prediction1 = 7×1 categorical
     PAM4 
     PAM4 
     PAM4 
     PAM4 
     PAM4 
     PAM4 
     PAM4 

Классификатор также возвращает вектор баллов для каждого кадра. Оценка соответствует вероятности того, что каждый кадр имеет прогнозируемый тип модуляции. Постройте графики баллов.

helperModClassPlotScores(score1,modulationTypes)

Прежде чем мы сможем использовать CNN для классификации модуляции или любой другой задачи, нам сначала нужно обучить сеть известным (или помеченным) данным. В первой части этого примера показано, как использовать функции Communications Toolbox, такие как модуляторы, фильтры и нарушения канала, для создания синтетических обучающих данных. Вторая часть посвящена определению, обучению и тестированию CNN для задачи классификации модуляции. В третьей части проверяются характеристики сети с использованием эфирных сигналов с использованием программно определяемых радиоопор (SDR).

Генерация формы сигнала для обучения

Создайте 10 000 кадров для каждого типа модуляции, где 80% используется для обучения, 10% используется для проверки и 10% используется для тестирования. Мы используем кадры обучения и проверки на этапе обучения сети. Окончательную точность классификации получают с помощью тестовых кадров. Каждый кадр имеет длину 1024 выборки и частоту дискретизации 200 кГц. Для типов цифровой модуляции восемь выборок представляют символ. Сеть принимает каждое решение на основе отдельных кадров, а не нескольких последовательных кадров (как в видео). Предположим, центральная частота 902 МГц и 100 МГц для типов цифровой и аналоговой модуляции соответственно.

Для быстрого выполнения этого примера используйте обученную сеть и создайте небольшое количество учебных кадров. Чтобы обучить сеть на компьютере, выберите опцию «Обучить сеть сейчас» (т. е. установите trainNow в значение true).

trainNow = false;
if trainNow == true
  numFramesPerModType = 10000;
else
  numFramesPerModType = 500;
end
percentTrainingSamples = 80;
percentValidationSamples = 10;
percentTestSamples = 10;

sps = 8;                % Samples per symbol
spf = 1024;             % Samples per frame
symbolsPerFrame = spf / sps;
fs = 200e3;             % Sample rate
fc = [902e6 100e6];     % Center frequencies

Создание обесценения канала

Пропускать каждый кадр через канал с

Поскольку сеть в этом примере принимает решения на основе отдельных кадров, каждый кадр должен проходить через независимый канал.

AWGN

Канал добавляет AWGN с SNR 30 дБ. Реализация канала с помощью awgn функция.

Многолучевое сообщение Rician

Канал пропускает сигналы через канал многолучевого замирания Rician с использованием comm.RicianChannel Системный объект. Предположим, что профиль задержки равен [0 1,8 3,4] отсчетов с соответствующими средними коэффициентами усиления пути [0 -2 -10] дБ. K-фактор равен 4, а максимальный доплеровский сдвиг равен 4 Гц, что эквивалентно скорости ходьбы при 902 МГц. Реализуйте канал со следующими настройками.

Смещение часов

Смещение синхросигналов происходит из-за неточностей внутренних источников синхросигналов передатчиков и приемников. Сдвиг тактового сигнала приводит к тому, что центральная частота, которая используется для преобразования сигнала с понижением частоты в основную полосу частот, и частота дискретизации цифроаналогового преобразователя отличаются от идеальных значений. Имитатор канала использует коэффициент $\mathit{C\; смещения\; тактового\; сигнала,}$выраженный как $\mathit{C}\mathrm{=}\frac{1_{\mathrm{+}}}{{\mathrm{}}^{\mathrm{}}}$Δclock106, ${}_{\mathrm{где}}$ Δclock - смещение тактового сигнала. Для каждого кадра канал генерирует ${}_{\mathrm{случайное}}$ значение Δclock из равномерно распределенного набора значений в ${\mathrm{диапазоне\; [}-}_{\mathrm{}}$maxΔclock ${\mathrm{}}_{\mathrm{}}$maxΔclock], ${\mathrm{где}}_{\mathrm{}}$maxΔclock является максимальным сдвигом тактового сигнала. Смещение часов измеряется в частях на миллион (ppm). В этом примере предположим, что максимальное смещение тактового сигнала составляет 5 ppm.

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

Сдвиг частоты

Подвергнуть каждый кадр сдвигу частоты, основанному на коэффициенте $\mathit{C\; сдвига\; тактового\; сигнала}$и центральной частоте. Реализация канала с помощью comm.PhaseFrequencyOffset.

Смещение частоты дискретизации

Подвергнуть каждый кадр смещению частоты дискретизации на основе коэффициента сдвига тактового сигнала $\mathit{}$C. Реализовать канал с использованием interp1 функция для повторной выборки кадра с новой скоростью $\mathit{C}{\mathit{\times }}_{\mathit{}}$fs.

Комбинированный канал

Используйте объект helperModClassStartChannel, чтобы применить все три ухудшения канала к кадрам.

channel = helperModClassTestChannel(...
  'SampleRate', fs, ...
  'SNR', SNR, ...
  'PathDelays', [0 1.8 3.4] / fs, ...
  'AveragePathGains', [0 -2 -10], ...
  'KFactor', 4, ...
  'MaximumDopplerShift', 4, ...
  'MaximumClockOffset', 5, ...
  'CenterFrequency', 902e6)

channel = 
  helperModClassTestChannel with properties:

                    SNR: 30
        CenterFrequency: 902000000
             SampleRate: 200000
             PathDelays: [0 9.0000e-06 1.7000e-05]
       AveragePathGains: [0 -2 -10]
                KFactor: 4
    MaximumDopplerShift: 4
     MaximumClockOffset: 5

Просмотреть основную информацию о канале можно с помощью функции инфо-объекта.

chInfo = info(channel)

chInfo = struct with fields:
               ChannelDelay: 6
     MaximumFrequencyOffset: 4510
    MaximumSampleRateOffset: 1

Генерация формы сигнала

Создайте цикл, который генерирует кадры с нарушением канала для каждого типа модуляции и сохраняет кадры с соответствующими метками в файлах MAT. Сохранение данных в файлы устраняет необходимость создания данных при каждом выполнении этого примера. Кроме того, можно повысить эффективность совместного использования данных.

Удалите случайное число выборок из начала каждого кадра, чтобы удалить переходные процессы и убедиться, что кадры имеют случайную начальную точку относительно границ символов.

% Set the random number generator to a known state to be able to regenerate
% the same frames every time the simulation is run
rng(1235)
tic

numModulationTypes = length(modulationTypes);

channelInfo = info(channel);
transDelay = 50;
dataDirectory = fullfile(tempdir,"ModClassDataFiles");
disp("Data file directory is " + dataDirectory)

Data file directory is C:\Users\esozer\AppData\Local\Temp\ModClassDataFiles

fileNameRoot = "frame";

% Check if data files exist
dataFilesExist = false;
if exist(dataDirectory,'dir')
  files = dir(fullfile(dataDirectory,sprintf("%s*",fileNameRoot)));
  if length(files) == numModulationTypes*numFramesPerModType
    dataFilesExist = true;
  end
end

if ~dataFilesExist
  disp("Generating data and saving in data files...")
  [success,msg,msgID] = mkdir(dataDirectory);
  if ~success
    error(msgID,msg)
  end
  for modType = 1:numModulationTypes
    fprintf('%s - Generating %s frames\n', ...
      datestr(toc/86400,'HH:MM:SS'), modulationTypes(modType))
    
    label = modulationTypes(modType);
    numSymbols = (numFramesPerModType / sps);
    dataSrc = helperModClassGetSource(modulationTypes(modType), sps, 2*spf, fs);
    modulator = helperModClassGetModulator(modulationTypes(modType), sps, fs);
    if contains(char(modulationTypes(modType)), {'B-FM','DSB-AM','SSB-AM'})
      % Analog modulation types use a center frequency of 100 MHz
      channel.CenterFrequency = 100e6;
    else
      % Digital modulation types use a center frequency of 902 MHz
      channel.CenterFrequency = 902e6;
    end
    
    for p=1:numFramesPerModType
      % Generate random data
      x = dataSrc();
      
      % Modulate
      y = modulator(x);
      
      % Pass through independent channels
      rxSamples = channel(y);
      
      % Remove transients from the beginning, trim to size, and normalize
      frame = helperModClassFrameGenerator(rxSamples, spf, spf, transDelay, sps);
      
      % Save data file
      fileName = fullfile(dataDirectory,...
        sprintf("%s%s%03d",fileNameRoot,modulationTypes(modType),p));
      save(fileName,"frame","label")
    end
  end
else
  disp("Data files exist. Skip data generation.")
end

Data files exist. Skip data generation.

% Plot the amplitude of the real and imaginary parts of the example frames
% against the sample number
helperModClassPlotTimeDomain(dataDirectory,modulationTypes,fs)

% Plot the spectrogram of the example frames
helperModClassPlotSpectrogram(dataDirectory,modulationTypes,fs,sps)

Создание хранилища данных

Использовать signalDatastore объект для управления файлами, содержащими сформированные сложные формы сигнала. Хранилища данных особенно полезны, когда каждый отдельный файл умещается в памяти, но вся коллекция не обязательно умещается.

frameDS = signalDatastore(dataDirectory,'SignalVariableNames',["frame","label"]);

Преобразование сложных сигналов в реальные массивы

Сеть глубокого обучения в этом примере ожидает реальных входных сигналов, в то время как принятый сигнал имеет сложные выборки основной полосы частот. Преобразуйте сложные сигналы в массивы 4-D с действительными значениями. Выходные кадры имеют размер 1-by-spf-by-2-by-N, где первая страница (3-е измерение) является синфазной выборкой, а вторая страница является квадратурной выборкой. Когда сверточные фильтры имеют размер 1 за spf, этот подход гарантирует, что информация в I и Q смешивается даже в сверточных слоях и лучше использует фазовую информацию. Дополнительные сведения см. в разделе helperModClassIQAsPages.

frameDSTrans = transform(frameDS,@helperModClassIQAsPages);

Разделение на обучение, проверку и тестирование

Затем разделите кадры на обучающие, проверочные и тестовые данные. Дополнительные сведения см. в разделе helperModClassSplitData.

splitPercentages = [percentTrainingSamples,percentValidationSamples,percentTestSamples];
[trainDSTrans,validDSTrans,testDSTrans] = helperModClassSplitData(frameDSTrans,splitPercentages);

Starting parallel pool (parpool) using the 'local' profile ...
Connected to the parallel pool (number of workers: 6).

Evaluating tall expression using the Parallel Pool 'local':
- Pass 1 of 2: Completed in 11 sec
- Pass 2 of 2: Completed in 11 sec
Evaluation completed in 25 sec

Импорт данных в память

Обучение нейронной сети итеративно. При каждой итерации хранилище данных считывает данные из файлов и преобразует их перед обновлением сетевых коэффициентов. Если данные помещаются в память компьютера, импорт данных из файлов в память обеспечивает более быстрое обучение, исключая это повторное чтение из файла и процесс преобразования. Вместо этого данные считываются из файлов и преобразуются один раз. Обучение этой сети с использованием файлов данных на диске занимает около 110 минут, а обучение с использованием данных в памяти - около 50 минут.

Импортируйте все данные из файлов в память. Файлы имеют две переменные: frame и label и каждый read вызов хранилища данных возвращает массив ячеек, где первым элементом является frame и вторым элементом является label. Используйте transform функции helperModClassReadFrame и helperModClassReadLabel предназначены для чтения фреймов и меток. Использовать tall для параллельной обработки функций преобразования в случае наличия лицензии Parallel Computing Toolbox. С тех пор gather функция по умолчанию объединяет выходные данные read функция над первым измерением, возврат кадров в массиве ячеек и ручная конкатенация над четвертым измерением.

% Gather the training and validation frames into the memory
trainFramesTall = tall(transform(trainDSTrans, @helperModClassReadFrame));
rxTrainFrames = gather(trainFramesTall);

Evaluating tall expression using the Parallel Pool 'local':
- Pass 1 of 1: Completed in 4.3 sec
Evaluation completed in 4.3 sec

rxTrainFrames = cat(4, rxTrainFrames{:});
validFramesTall = tall(transform(validDSTrans, @helperModClassReadFrame));
rxValidFrames = gather(validFramesTall);

Evaluating tall expression using the Parallel Pool 'local':
- Pass 1 of 1: Completed in 0.76 sec
Evaluation completed in 0.78 sec

rxValidFrames = cat(4, rxValidFrames{:});

% Gather the training and validation labels into the memory
trainLabelsTall = tall(transform(trainDSTrans, @helperModClassReadLabel));
rxTrainLabels = gather(trainLabelsTall);

Evaluating tall expression using the Parallel Pool 'local':
- Pass 1 of 2: Completed in 4.6 sec
- Pass 2 of 2: Completed in 7 sec
Evaluation completed in 12 sec

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

Evaluating tall expression using the Parallel Pool 'local':
- Pass 1 of 2: Completed in 0.7 sec
- Pass 2 of 2: Completed in 0.85 sec
Evaluation completed in 1.8 sec

Тренировать CNN

В этом примере используется CNN, состоящий из шести слоев свертки и одного полностью подключенного слоя. За каждым уровнем свертки, за исключением последнего, следует уровень нормализации партии, уровень активации выпрямленного линейного блока (ReLU) и уровень максимального объединения. На последнем уровне свертки максимальный уровень объединения заменяется средним уровнем объединения. Выходной уровень имеет активацию softmax. Руководство по сетевому проектированию см. в разделе Советы и рекомендации по глубокому обучению (инструментарий для глубокого обучения).

modClassNet = helperModClassCNN(modulationTypes,sps,spf);

Следующая настройка TrainingOptionsSGDM (Deep Learning Toolbox) для использования решателя SGDM с размером мини-пакета 256. Установите максимальное количество эпох на 12, так как большее количество эпох не дает дальнейшего преимущества обучения. По умолчанию 'ExecutionEnvironment' свойство имеет значение 'auto', где trainNetwork использует графический процессор, если он доступен, или использует ЦП, если нет. Для использования графического процессора необходимо иметь лицензию Parallel Computing Toolbox. Установите начальную скорость обучения 2x10-2$\mathrm{}\mathit{}{\mathrm{}}^{\mathrm{}}$. Снижайте уровень обучения в 10 раз каждые 9 эпох. Набор 'Plots' комуtraining-progress' для построения графика хода обучения. На GPU NVIDIA Titan Xp обучение в сети занимает примерно 25 минут..

maxEpochs = 12;
miniBatchSize = 256;
options = helperModClassTrainingOptions(maxEpochs,miniBatchSize,...
  numel(rxTrainLabels),rxValidFrames,rxValidLabels);

Выполните обучение сети или используйте уже обученную сеть. По умолчанию в этом примере используется обученная сеть.

if trainNow == true
  fprintf('%s - Training the network\n', datestr(toc/86400,'HH:MM:SS'))
  trainedNet = trainNetwork(rxTrainFrames,rxTrainLabels,modClassNet,options);
else
  load trainedModulationClassificationNetwork
end

Как показывает график тренировочного прогресса, сеть сходится примерно в 12 эпохах с точностью более 95%.

Оценка обученной сети путем получения точности классификации для тестовых кадров. Результаты показывают, что сеть достигает точности около 94% для этой группы сигналов.

fprintf('%s - Classifying test frames\n', datestr(toc/86400,'HH:MM:SS'))

00:02:18 - Classifying test frames

% Gather the test frames into the memory
testFramesTall = tall(transform(testDSTrans, @helperModClassReadFrame));
rxTestFrames = gather(testFramesTall);

Evaluating tall expression using the Parallel Pool 'local':
- Pass 1 of 1: Completed in 0.68 sec
Evaluation completed in 0.69 sec

rxTestFrames = cat(4, rxTestFrames{:});

% Gather the test labels into the memory
testLabelsTall = tall(transform(testDSTrans, @helperModClassReadLabel));
rxTestLabels = gather(testLabelsTall);

Evaluating tall expression using the Parallel Pool 'local':
- Pass 1 of 2: Completed in 0.7 sec
- Pass 2 of 2: Completed in 0.86 sec
Evaluation completed in 1.8 sec

rxTestPred = classify(trainedNet,rxTestFrames);
testAccuracy = mean(rxTestPred == rxTestLabels);
disp("Test accuracy: " + testAccuracy*100 + "%")

Test accuracy: 95.4545%

Постройте график матрицы путаницы для тестовых кадров. Как видно из матрицы, сеть путает кадры 16-QAM и 64-QAM. Эта проблема ожидается, поскольку каждый кадр содержит только 128 символов и 16-QAM является подмножеством 64-QAM. Сеть также путает QPSK и 8-PSK кадры, поскольку совокупности этих типов модуляции выглядят сходными после фазового поворота из-за замирания канала и сдвига частоты.

figure
cm = confusionchart(rxTestLabels, rxTestPred);
cm.Title = 'Confusion Matrix for Test Data';
cm.RowSummary = 'row-normalized';
cm.Parent.Position = [cm.Parent.Position(1:2) 740 424];

Тестирование с использованием SDR

Протестируйте работу обученной сети с помощью эфирных сигналов с помощью функции helperModClassSDRTest. Для выполнения этого теста необходимо наличие специальных SDR для передачи и приема. Можно использовать два радиоприёмника ADALM-PLUTO или один радиоприемник ADALM-PLUTO для передачи и один радиоприемник USRP ® для приема. Необходимо установить пакет поддержки Communications Toolbox для ADALM-PLUTO Radio. При использовании радио USRP ® необходимо также установить пакет поддержки Communications Toolbox для радио USRP ®. helperModClassSDRTest функция использует те же функции модуляции, которые используются для генерации обучающих сигналов, и затем передает их с помощью радиомодуля ADALM-PLUTO. Вместо моделирования канала захватывайте сигналы с нарушением канала с помощью SDR, сконфигурированного для приема сигнала (радио ADALM-PLUTO или USRP ®). Использовать обученную сеть с тем же самымclassify функция, использованная ранее для прогнозирования типа модуляции. Выполнение следующего сегмента кода создает матрицу путаницы и распечатывает точность теста.

radioPlatform = "ADALM-PLUTO";

switch radioPlatform
  case "ADALM-PLUTO"
    if helperIsPlutoSDRInstalled() == true
      radios = findPlutoRadio();
      if length(radios) >= 2
        helperModClassSDRTest(radios);
      else
        disp('Selected radios not found. Skipping over-the-air test.')
      end
    end
  case {"USRP B2xx","USRP X3xx","USRP N2xx"}
    if (helperIsUSRPInstalled() == true) && (helperIsPlutoSDRInstalled() == true)
      txRadio = findPlutoRadio();
      rxRadio = findsdru();
      switch radioPlatform
        case "USRP B2xx"
          idx = contains({rxRadio.Platform}, {'B200','B210'});
        case "USRP X3xx"
          idx = contains({rxRadio.Platform}, {'X300','X310'});
        case "USRP N2xx"
          idx = contains({rxRadio.Platform}, 'N200/N210/USRP2');
      end
      rxRadio = rxRadio(idx);
      if (length(txRadio) >= 1) && (length(rxRadio) >= 1)
        helperModClassSDRTest(rxRadio);
      else
        disp('Selected radios not found. Skipping over-the-air test.')
      end
    end
end

При использовании двух стационарных радиоприемников ADALM-PLUTO, разделенных примерно 2 футами, сеть достигает 99% общей точности с помощью следующей матрицы путаницы. Результаты будут варьироваться в зависимости от экспериментальной настройки.

Дальнейшие исследования

Для повышения точности можно оптимизировать параметры гиперпараметров, такие как количество фильтров, размер фильтра или оптимизировать структуру сети, такие как добавление дополнительных слоев, использование различных уровней активации и т.д.

Communication Toolbox предоставляет гораздо больше типов модуляции и нарушений канала. Дополнительные сведения см. в разделах Модуляция и распространение и Модели каналов. Также можно добавлять стандартные сигналы с помощью инструментов LTE, WLAN Toolbox и 5G Toolbox. Можно также добавить радиолокационные сигналы с помощью панели инструментов системы фазированной решетки.

Функция helperModClassGetModulator предоставляет функции MATLAB, используемые для генерации модулированных сигналов. Для получения дополнительной информации можно также ознакомиться со следующими функциями и системными объектами:

Ссылки