水下声学通信信号的低复杂度调制识别技术

《Digital Signal Processing》：Lightweight modulation recognition of underwater acoustic communication signals

　　周雷 | 江伟华 | 吴峰 | 倪伟佳 | 徐凌吉
厦门大学海洋与地球科学学院，中国福建省厦门市361005

摘要
水下声学（UWA）通信信号的自动调制识别（AMR）在信号解调、信号监测、干扰识别和水下电子对抗措施中至关重要。然而，UWA信道的时变特性和多径干扰对调制识别的可靠性构成了巨大挑战。随着机器学习技术的发展，基于机器学习的调制识别方案被应用于提高调制识别的准确性和鲁棒性。由于水下平台计算资源有限，UWA信号的AMR需要具有小存储占用、低处理和内存需求以及高能效的应用。在本文中，我们提出了一种适用于UWA通信信号的轻量级调制识别方案。首先，我们对常见的UWA通信信号应用了功率谱、平方谱和相关性分析进行轻量级特征提取。其次，为了提高模型的分类性能，我们通过设计一种混合注意力机制RSCA-Net，并将其通过RSCA-Bottleneck集成到轻量级网络MobileNet1D模型中，提出了残差空间-信道注意力MobileNet1D（RSCA-MobileNet1D）分类器。最后，基于实际测量数据集和具有不同信噪比（SNR）的模拟数据集的实验结果表明，与基线模型相比，RSCA-MobileNet1D在相对较低的计算负担下实现了最高的识别准确率。

引言
水下声学（UWA）通信信号的自动调制识别（AMR）作为UWA通信领域的一项关键技术，在自适应通信、认知UWA通信、信号解调和干扰抑制以及信号监测中发挥着重要作用。然而，UWA信道的时变特性、非高斯噪声和多径干扰对AMR的可靠性提出了重大挑战[1][2]。UWA通信调制信号识别技术主要依赖于特征提取和统计模式识别方法。这些方法首先从接收到的信号中提取关键特征，这些特征可以表征信号的功率谱、频率跨度、频谱偏度和零交叉率等属性。高分辨率时频表示（TFR）特征使用平滑伪Wigner-Ville分布进行提取，以区分MFSK信号，而高阶统计（HOS）分析被应用于为MPSK信号提供区分线索[3]。在[4]中，星座像素作为可变大小的像素组输入到模型中，提取丰富的二维信号特征以提高自动调制识别（AMI）能力。为了适应UWA信道的非线性和非平稳特性[5]采用了Hilbert-Huang变换（HHT）谱作为网络输入，克服了传统依赖于固定场景的特征提取方法的限制。在[6]中引入了一种基于光谱峰值特征提取的方法，通过优化波形并选择局部最大值作为模型的特征集。此外[7]提取了七个瞬时参数，并将它们与高阶累积量、谱线和自相关相结合，生成了用于识别七种调制类型的十一个特征。

近年来，随着机器学习（ML）和深度学习（DL）的发展，基于ML或DL的自动调制识别技术被应用于提高识别准确性和鲁棒性[8][9]。卷积神经网络（CNNs）、长短期记忆网络（LSTMs）和稀疏自编码器在UWA调制信号识别任务中展现了巨大潜力[10]，因为它们在提高识别准确率方面具有优势[10]。将CNN结构与二阶最大池化相结合，用于提取UWA信号时频图的时间相关性[10]。类似地[11]整合了RNN和CNN来设计UWA调制识别模型，实现了八种调制类型的98.21%和99.38%的识别准确率[11]。在[12]中，提出了一种基于GRU和ResNet的短时UWA通信信号识别方法，能够高效分类相干和非相干调制信号[12]。为了促进高级和低级语义信息之间的深度交互，用于时间序列分类[13]提出了一种集成传递双向解耦自蒸馏（ETBiDecSD）方法，便于在高级和低级之间传递目标类和非目标类知识。

此外，传统的顺序模型（如RNNs、CNNs）需要逐步递归或局部卷积来捕获长距离依赖性，而Transformers[14]证明仅使用自注意力机制就可以并行且全局地模拟任意成对位置之间的依赖性。为了提取多样化的上下文表示[15]，结合了多头注意力机制提出了AttMambaECG模型，用于鲁棒、可扩展和抗噪声的心电图信号分类[15]。另一项研究[16]提出了一种双流Transformer用于UWA信号的AMR，同时处理时频图和I/Q数据，以捕获时间、光谱和时频域的高维特征[16]。尽管ML和DL模型可以自动学习UWA调制信号的内在特征并提高识别准确率，但它们的大量参数限制了在资源受限的边缘平台（如AUVs）上的部署。为了满足移动设备的需求[17]提出了一种基于SVD和EfficientNet的模型，在6 dB的信噪比（SNR）下，模拟实验中的识别准确率超过了95%[17]。同样[18]提出了一种名为GIQNet的轻量级模型，用于在AUV上实现准确的调制识别，与现有方法相比，该模型所需的参数更少[18]。在[19]中，提出了一个序列卷积网络（SCNet）用于UWA信号的AMR，实现了卓越的调制分类准确率，并具有紧凑的参数预算和减少的训练时间[19]。Nunes[20]提出了一种用于移动语音识别的轻量级模型AM-MobileNet1D，与SincNet[21]方法相比，计算速度提高了大约七倍，同时保持了低错误率[20]。然而，在复杂场景中，这些模型需要处理所有输入信息，导致计算资源浪费，并可能由于信息过载而降低任务准确率或增加处理时间。

为了在移动场景中平衡AMR任务的计算效率和性能，本文提出了一种适用于常见UWA通信信号的轻量级调制识别方法。图1展示了五种常见UWA通信调制信号的AMR处理流程。在获取UWA通信调制信号后，我们首先从五种调制方案（即二进制频移键控（2FSK）、四进制频移键控（4FSK）、二进制相移键控（BPSK）、正交相移键控（QPSK）和正交频分复用（OFDM）中提取功率谱、平方谱和相关性特征。然后将这三个特征图连接起来，作为三通道张量输入到所提出的轻量级模型残差空间-信道注意力MobileNet1D（RSCA-MobileNet1D）中。

在本文中，我们提出了一种基于卷积结构的高效注意力机制模块RSCA-Net，用于增强有用特征并抑制噪声。RSCA-Net依次应用轻量级空间和信道注意力模块，强化信息特征并抑制环境噪声，同时由于卷积操作的高效率而产生较低的计算开销。此外，受到MobileNet1D[20]中引入的倒置残差瓶颈结构的启发，我们将RSCA-Net有机地嵌入到瓶颈中，而不是机械地将其插入前面或后面。这使得RSCA-Net能够在利用残差连接带来的优势的同时重新校准输入特征的权重，从而形成了我们的核心架构RSCA-Bottleneck。为了进一步提高视觉相似UWA信号之间的类别可分性，我们使用加性边际softmax（AM-Softmax）损失[22]对网络进行训练[22]。基于RSCA-Bottleneck和AM-Softmax损失函数，我们构建了一个高效的UWA信号AMR网络，如图4所示。所提出的轻量级模型实现了低参数预算、小存储占用、低计算复杂性和降低的能量消耗，便于在移动和边缘设备中部署。

此外，我们进行了实地试验和模拟，以验证所提方案的AMR性能。结果表明，与最先进的分类器（即MobileNet1D、1DCNN、ResNet1D[23]、LSTM和SVM）相比，RSCA-MobileNet1D在平均识别准确率（Accavg）、准确率标准差（σ(Acc)）、浮点运算次数（FLOPs）、参数数量（#Param）、模型大小、推理时间和推理能耗（Einf）方面具有优势[24]。这些结果进一步验证了该模型的有效性和效率，以及其适用于资源受限的移动平台。

本研究的主要贡献如下：
1. 为了有效识别五种常见的UWA通信调制类型，即2FSK、4FSK、BPSK、QPSK和OFDM，我们进行了轻量级特征提取，并提取功率谱、平方谱和相关性特征作为分类模型的三通道输入，以实现调制识别。
2. 我们提出了一种轻量级神经网络模型RSCA-MobileNet1D用于AMR任务。该模型引入了一种高效的注意力机制RSCA-Net，并通过专门设计的RSCA-Bottleneck有机地将其集成到轻量级MobileNet1D模型的倒置残差结构中。得益于RSCA-Net注意力机制的增强，在海试数据集上，所提模型的平均识别准确率比MobileNet1D高1.30%，同时参数数量仅增加了0.005%，FLOPs增加了0.460%，展示了其高效率。
3. 所提模型在具有严重多径和强多普勒偏移的实地收集数据集和模拟数据集上进行了评估，信噪比（SNR）范围从-5dB到25dB，步长为3dB。实验结果表明，轻量级RSCA-MobileNet1D的性能优于最先进的分类器。

本文的结构如下：第二节讨论了系统模型和调制信号的特征。第三节详细介绍了所提出的UWA通信信号调制识别方法的核心思想，并介绍了用于UWA通信信号调制识别的轻量级RSCA-MobileNet1D神经网络。第四节展示了海上实验结果。第五节对本文进行了总结。

系统模型和特征分析
UWA信道的特点是强烈的多径扩散、带限时变衰落和显著的多普勒偏移，使其成为无线通信中最复杂的物理介质之一。在这种具有挑战性的环境中，调制技术的选择本质上涉及可靠性、带宽效率和抗干扰性之间的工程权衡。因此，在本研究中，我们研究了五种广泛使用的UWA通信信号的检测和分类。

模型介绍
为了在有限的训练数据样本和计算资源下平衡计算效率和识别准确率，我们提出了一种轻量级深度学习模型RSCA-MobileNet1D用于UWA通信信号的AMR。如图4(a)所示，我们提取了UWA通信调制信号的功率谱、平方谱和相关性特征作为三通道输入到所提出的RSCA-MobileNet1D模型中。

本文提出了一种名为RSCA-Net的混合注意力机制，并描述了数据库的收集和标记方式。为了验证所提出的AMR方法的性能，我们在中国厦门市吴园湾的浅水区对五种类型的UWA信号（即2FSK、4FSK、BPSK、QPSK和OFDM）进行了海试。海试场景如图6所示，实验海域平均水深为10米，发射机（Tx）和接收机（Rx）之间的距离为1000米，海域为半封闭结构。换能器在水平面上是全向的。