基于特征嵌入图神经网络的自动调制分类新方法FEGNN及其性能优势分析

《Chinese Journal of Electronics》：FEGNN: Graph Neural Network with Feature Embedding for Automatic Modulation Classification

本文针对现有基于图神经网络的自动调制分类方法在图结构构建上的局限性，提出了一种名为FEGNN（特征嵌入图神经网络）的新算法。该方法通过序列互换数据增强生成节点输入，利用特征嵌入网络构建全连接图，再结合图神经网络进行分类。在两个公开基准数据集上的实验表明，FEGNN在分类准确率、F1-score和召回率上均优于现有的CNN、RNN和GNN方法，为复杂环境下的调制识别提供了更可靠的解决方案。

　　

随着第六代移动通信技术（6G）的快速发展，物联网设备的激增使得频谱资源竞争日益激烈。基于认知无线电的动态频谱接入技术能够有效减少干扰并提高频谱利用率，而无线信号的调制分类是动态频谱接入的关键组成部分。因此，开发可靠高效的无线信号调制分类方案至关重要。

目前，基于深度学习的端到端调制分类方法通常采用卷积神经网络、循环神经网络和图神经网络。与传统手工设计特征的方法相比，深度学习方法能够自动从原始信号中提取特征，简化了分类器构建过程并获得了更优的分类性能。然而，现有基于图神经网络的调制识别算法受限于其映射规则，难以构建适合调制信号的图结构：基于固定规则的图映射算法速度较慢且需要超参数调整来控制图结构，而基于神经网络的图映射算法对映射网络性能要求严格，且相同调制类型的信号可能产生不同的图结构。

针对这一问题，戴少刚研究员团队在《Chinese Journal of Electronics》上发表了题为"FEGNN: Graph Neural Network with Feature Embedding for Automatic Modulation Classification"的研究论文，提出了一种基于特征嵌入图神经网络的新型自动调制分类算法FEGNN。与直接基于预定义规则将IQ信号映射到图结构的方法不同，FEGNN首先使用不同神经网络从多个角度提取特征表示，然后将这些特征表示视为图节点来构建固定图结构，最后使用图卷积网络进行调制分类。

本研究采用了几个关键技术方法：序列互换数据增强方法通过随机交换IQ信号序列中的片段来生成新样本；特征嵌入网络基于改进的ResNet18结构，包含四个残差块；图构建过程将特征向量相似度作为边，形成全连接图；图神经网络结合GraphSAGE层和DiffPool层，学习图结构的节点嵌入和层次特征。实验基于RML2016.10a和RML2016.10b两个公开调制信号数据集，包含多种数字和模拟调制类型，信号长度均为128，信噪比范围从-20dB到18dB。

III. Proposed Method部分详细介绍了FEGNN的整体框架。首先对原始IQ信号进行预处理，通过序列互换数据增强方法生成K个增强样本。然后将这些增强样本同时输入到K个不同的残差网络中，从不同特征空间提取特征表示。获得的K个特征向量被视为图节点v_k，特征向量之间的相似度被视为边e_ij，形成图G=(V,E)。最后将构建的特征图输入图神经网络，有效捕捉节点间的依赖关系和相互作用，实现准确的调制识别。

1. The definition of problem部分明确了调制识别问题定义。令r(n)表示下变频后零中频接收的基带信号，调制识别即通过分析接收信号r(n)来识别发送基带信号s(n)的调制方式。接收信号与发送信号的关系可表示为r(n)=s(n)*h(n)e^{j(2πΔfn+θ)}+u(n)，其中h(n)代表无线信道，Δf表示载波频率偏移，θ是相位偏移，u(n)代表零均值、方差为δ_u²的加性高斯白噪声。

2. Overall framework部分展示了FEGNN的整体框架。该方法将特征嵌入网络的特征提取能力与图神经网络的结构建模优势有效结合，显著提高了复杂环境下调制识别的鲁棒性和准确性。

3. Preprocessing部分介绍了序列互换方法。对于每个接收到的调制信号r(n)，基于信号长度随机选择互换点K，将互换点前的序列与互换点后的序列交换，得到新的信号序列。通过重复选择K个互换点，获得一系列增强调制信号，将每个调制信号扩展为K个样本，作为后续图结构构建的图节点。

4. Building graph部分阐述了图构建过程。在FEGNN中，每个增强信号R_k'输入到K个不同的特征嵌入网络，获得不同特征空间的特征表示作为图节点V，计算这些节点的相似度矩阵形成图边E，得到图G=(V,E)。

特征嵌入网络是基于ResNet18结构修改的一维深度残差网络，包含四个残差块，每个块由两个一维卷积层和两个池化层组成，使用ReLU激活函数。每个图节点具有相同结构但独立的特征嵌入网络，使每个信号获得不同特征空间的差异化特征表示，有利于图的构建。

获得图节点特征表示集后，将不同图节点间的相似度视为边e_ij，构建全连接图。通过连接输入节点特征表示集生成节点矩阵V=[v₁,v₂,...,v_K]∈R^K×d_v，计算图节点相似度矩阵B=VV^T∈R^K×K。对矩阵进行归一化处理并应用ReLU函数确保相似度非负，最终得到相似度矩阵E。

5. Graph classification部分描述了图分类过程。IQ信号通过特征嵌入网络转换为特征向量并构建图G后，这些特征被输入GNN进行调制分类。使用的GNN结构包含GraphSAGE和DiffPool层。

GraphSAGE层通过邻域采样和特征聚合学习图结构的节点嵌入。对于第l层中的每个节点v_i，从其连接信息中随机选择邻节点子集生成采样集S(v_i)。然后聚合节点自身特征v与邻节点特征，得到新的节点表示v_i^(l+1)。通过堆叠多层并聚合节点和邻域信息，节点嵌入能更好地捕捉图的节点特征。

DiffPool层通过学习图的层次结构来降低图的维度，逐步将节点聚合成更小的子图，并为每个子图生成池化表示。具体包括分配矩阵的生成和聚合操作。分配矩阵通过GNN层获得，给定节点特征矩阵X∈R^K×d和邻接矩阵A∈R^K×K，分配矩阵Z可表示为Z=softmax(GNN(X,A))。池化操作生成子图的节点特征X'和对应邻接矩阵A'，计算为X'=Z^TX，A'=Z^TAZ。DiffPool使网络能够学习如何有效聚类图中的节点，在每一层捕捉图结构的层次特征。

6. Training部分介绍了训练过程。使用交叉熵损失函数训练构建的特征嵌入网络和GNN，损失函数表示为Loss=-∑_j=1^M∑_i=1^Cy_ilog₂(p_i(R_j))，其中y_i表示信号R_j属于类别j的真实概率，p_i(R_j)表示信号属于调制类别i的预测概率，C是调制类别总数，M是批次大小。

IV. Experiments部分展示了实验结果和分析。研究使用两个公开调制信号数据集RML2016.10a和RML2016.10b评估FEGNN方法的有效性。RML2016.10a包含11种调制类型，共220,000个样本；RML2016.10b包含10种调制类型，共1,200,000个样本。实验采用相同的学习策略和环境，使用Adam优化器，设置固定步长衰减学习率策略。

1. Dataset部分详细描述了数据集特征。RML2016.10a包含BPSK、QPSK、8PSK、QAM16、QAM64、BFSK、CPFSK、PAM4等数字调制以及WBFM、AM-SSB、AM-DSB等模拟调制。RML2016.10b数据集调制类型相似但不包含AM-SSB。两个数据集的信噪比范围均为-20dB到18dB，信号样本均以双通道IQ格式表示，长度为128。

2. Simulation setting部分说明了实验设置。所有比较方法采用相同的学习策略和环境，使用准确率、召回率和F1-score作为评估指标。超参数K设置为5，所有仿真使用PyTorch深度学习框架在NVIDIA Geforce GTX 1080 GPU上运行。

3. Results and discussion部分分析了实验结果。首先研究了超参数K选择对分类准确率的影响，发现当K=5时分类性能达到最优。然后在两个数据集上比较了FEGNN与六种其他方法的分类性能。

在RML2016.10a数据集上，FEGNN在准确率、F1-score和召回率上均优于CNN1D和CNN2D，在每个信噪比下都获得更高分类准确率。与GRU、LSTM及混合RNN-CNN方法MCLDNN相比，FEGNN也显示出明显优势。特别是与融合方法MCLDNN相比，三个指标分别提高0.63%、0.0075和0.0063。与基于GNN的方法AvgNet相比，FEGNN表现更优，准确率、F1-score和召回率分别提高0.45%、0.0112和0.0045。

在更大的RML2016.10b数据集上，FEGNN表现出更显著的性能提升。与AvgNet方法相比，三个评估指标分别提高1.22%、0.0091和0.0122，表明FEGNN在不同数据集上具有强泛化能力。

通过混淆矩阵详细比较不同方法的分类性能发现，在RML2016.10a数据集上，所有方法都容易将AM-SSB与其他调制类型混淆，WBFM常被误分类为AM-DSB。CNN1D和CNN2D经常混淆QAM16和QAM64。提出的FEGNN方法能有效提高AM-SSB的分类准确率。在RML2016.10b数据集上，所有方法都倾向于将WBFM误分类为AM-DSB。FEGNN对十种调制信号的识别准确率均高于GRU和LSTM，对九种调制信号的识别准确率超过AvgNet，对六种调制信号的准确率超过MCLDNN。总体而言，FEGNN有效提高了对AM-SSB、BPSK、PAM4和QPSK的正确分类性能。

研究还分析了算法对加性高斯白噪声、加性广义高斯噪声和粉红噪声的鲁棒性。结果表明，FEGNN方法表现出最强的噪声鲁棒性，CNN1D方法次之。在加性高斯白噪声和粉红噪声环境下训练的FEGNN和CNN1D方法的识别准确率分别最高和次高。在噪声鲁棒性方面，从强到弱排名为：MCLDNN第三，AvgNet第四，LSTM第五，GRU性能最弱。

V. Conclusion部分总结了研究结论。FEGNN通过各自的特征嵌入网络从不同角度提取原始IQ信号的特征表示，将这些特征视为图节点，构建基于特征相似度的图结构，最后使用图神经网络进行分类。实验结果表明，与直接使用信号采样点作为图节点相比，使用特征嵌入构建的图结构在分类性能上具有明显优势。引入的序列互换数据增强方法通过向调制信号添加位置信息，增强了CNN对时间序列的建模能力。

该研究的重要意义在于为解决现有基于图神经网络的自动调制分类方法在图结构构建上的局限性提供了创新方案。FEGNN通过特征嵌入和序列互换数据增强，有效结合了传统神经网络的特征提取能力和图神经网络的拓扑分析优势，显著提高了复杂环境下调制识别的准确性和鲁棒性。研究成果对推动第六代移动通信技术的发展，特别是在动态频谱管理和认知无线电应用方面具有重要价值。

未来研究可致力于开发更高效的图结构以解决全连接网络的局限性，探索用更轻量高效的网络替代特征嵌入网络以降低计算复杂度。此外，该方法在其他时序信号处理任务中的适用性也值得进一步探索。