基于信息几何去噪的改进SVM的通信信号识别

摘 要：针对传统人工提取特征进行通信信号识别准确率低的问题，本文在支持向量机（SVM）的基础上，提出了一种基于信息几何去噪的改进SVM的识别方法。该方法通过Choi-Williams分布（CWD）时频变换获得不同通信信号的时频图像，然后利用能够更加准确衡量像素点之间差异性的测地线距离实现时频图像的去噪，进而利用AlexNet卷积神经网络对时频图进行特征提取，并基于信息几何改进的SVM对通信信号进行分类，实现了有效分类识别。仿真结果表明，该方法在0 dB信噪比（SNR）下，识别率仍然能够达到97%以上，除此之外，该方法在小样本的情况下仍然有效。

关键词：信息几何； 图像去噪； 通信信号； 调制识别； 支持向量机（SVM）； 测地线距离； AlexNet

中图分类号：TJ760

文献标识码： A

文章编号：1673-5048（2023）05-0121-06

DOI： 10.12132/ISSN.1673-5048.2023.0003

0 引  言

在导弹和电子战的通信对抗中想要通过截获敌方通信信号来获取敌方情报，调制识别技术是必不可少的。将信号处理问题通过时频变换转化为图像处理问题是调制识别中常用的方法，但其高准确性很大程度上依赖于时频图的预处理。

传统的图像去噪方法主要有空间域去噪和变换域去噪两种。空间域去噪的方法主要包括中值滤波［1］、均值滤波［2］、维纳滤波［3］和双边滤波［4］等。随着科研人员的不断研究，越来越多的技术被应用在图像去噪中，如低秩聚类算法［5］、统计方法［6］和偏微分方程［7-8］等。变换域去噪中的小波变换［9］是最常用的方法。信息几何是近几年发展起来的一门新兴学科，是以概率分布为研究对象，深入挖掘不同的概率分布内部蕴含的几何信息。利用信息几何的概念可以在保持图像细节信息的基础上提高算法的去噪能力。

近年来，随着机器学习和深度学习的崛起，调制识别技术也进入了智能发展的阶段。其中，卷积神经网络（CNN）在自动特征提取方面有很好的性能。文献［10］提出了一种基于短时傅里叶变换和CNN的一种识别系统，获得了良好的性能。但是传统的CNN难以在小样本和低信噪比的情况对信号进行分类。而层数更深的AlexNet卷积神经网络能更多地挖掘图像的特征，文献［11］将AlexNet卷积神经网络应用到调制识别中，证明了AlexNet的有效性。但神经网络往往需要大量的样本来获得高的识别精度，而支持向量机（SVM）为通信信号识别提供了一种有效的替代方法［12-13］。Schlkopf等提出了核映射中的几何概念［14］，并从核函数中导出了核映射的黎曼度量的具体形式，表明可以用信息几何的方法构造一个与数据相关的核函数。

基于上述结果，本文提出基于信息几何去噪的改进SVM的识别算法。在该算法中，基于信息几何对信号的时频图进行去噪处理，使用基于迁移学习的AlexNet对去噪后的图像进行特征提取，通过改进的SVM对提取的特征进行分类识别。

1 信号模型

基本的数字调制方式有多进制频移键控（MFSK）、

多进制振幅键控（MASK）、多进制相移键控（MPSK）和多进制正交振幅调制（MQAM）。

MFSK，MASK，MPSK调制信号的时域表达式为

5.2 去噪前后对比实验

为了验证本文去噪算法的有效性，将基于信息几何去噪的改进SVM的分类网络与基于均匀滤波和双边滤波的分类网络进行了对比。整体的识别准确率随信噪比的变化曲线如图6所示。从图6可以看出，三种去噪算法均可提高识别性能，除此之外，本文去噪算法的识别准确率要高于均匀滤波和双边滤波的识别准确率。

为了验证本文去噪算法对整体识别网络的有效性，分别比较本文提出的改进SVM分类网络和传统SVM的分类网络、Peng等［21］提出的改进AlexNet网络去噪前后的识别准确率。信噪比为-6～6 dB，步长为2 dB。整体的识别准确率随信噪比的变化曲线如图7所示。

从图7中可以看出，本文去噪算法对不同网络的识别性能均有一定的提升，验证了本文去噪算法对整体的识别网络的有效性。除此之外，在6 dB信噪比下，本文算法的识别率高达98.92%。结果表明，该算法是一种有效的通信信号识别算法，对噪声具有鲁棒性。

5.3 小样本实验

SVM模型对小样本数据具有很强的分类能力，本文算法是基于信息几何改进的SVM，因此为了进一步说明该算法的鲁棒性，对该算法在小样本下的识别性能进行了仿真。原始实验样本数量由原来的每个信号200个减少到50个，而训练和测试样本的比例保持不变。在SNR为0 dB下的混淆矩阵如图8所示。

在0 dB情况下，所有通信信号的识别准确率都达到了85%以上。除此之外，4ASK，2FSK，4FSK和4PSK能够准确地被识别。此外，与图4相比，由于训练样本数量的减少，整体识别概率从97.5%下降到95.714%。

为了进一步评估该算法中基于信息几何去噪这一步骤的必要性，对去噪前和去噪后算法的识别准确率进行了对比，对比结果如图9所示。

由图9可知，去噪后的算法始终高于去噪前的算法，在各个信噪比下，提高了3%～4%左右，进一步验证了该算法的有效性。

6 结  论

本文针对通信信号的调制识别问题，结合信息几何的相关知识，提出一种基于信息几何去噪的改进SVM的识别算法。该算法首先采用CWD获取通信信号的时频图，然后利用像素点之间的测地线距离进行加权滤波从而对时频图完成去噪，再利用AlexNet提取信号的时频特征，将特征输入到基于信息几何改进的SVM中进行调制类型识别。仿真结果表明，该算法具有较高的识别精度和鲁棒性。

参考文献：

［1］ 黄春艳，  张云鹏. 有效的图像滤波算法［J］. 计算机工程与应用，  2012，  48（23）： 165-167.

Huang Chunyan，  Zhang Yunpeng. Effective Noise Image Filter Algorithm［J］. Computer Engineering and Applications，  2012，  48（23）： 165-167.（in Chinese）

［2］ Gonzalez R C，  Woods R E. Digital Image Processing［M］. 3rd ed. Upper Saddle River，  NJ： Pearson/Prentice Hall，  2008.

［3］ Kazubek M. Wavelet Domain Image Denoising by Thresholding and Wiener Filtering［J］. IEEE Signal Processing Letters，  2003，  10（11）： 324-326.

［4］ Zhang M，  Gunturk B K. Multiresolution Bilateral Filtering for I-mage Denoising［J］. IEEE Transactions on Image Processing，  2008，  17（12）： 2324-2333.

［5］ Gu S H，  Zhang L，  Zuo W M，  et al. Weighted Nuclear Norm Minimization with Application to Image Denoising［C］∥ IEEE Conference on Computer Vision and Pattern Recognition，  2014： 2862-2869.

［6］ Luisier F，  Blu T，  Unser M. Image Denoising in Mixed Poisson-Gaussian Noise［J］. IEEE Transactions on Image Processing： A Publication of the IEEE Signal Processing Society，  2011，  20（3）： 696-708.

［7］ Zhang X J . An Adaptive Fourth-Order Partial Differential Equation for Image Denoising［J］. Computers & Mathematics with Applications，  2017，  74（10）： 2529-2545.

［8］ 杨迎春. 基于偏微分方程的图像去噪算法研究［D］. 太原： 中北大学，  2012.

Yang Yingchun. Research on Image Denoising Based on Partial Differential Equations［D］. Taiyuan： North University of China，  2012. （in Chinese）

［9］ Goyal B，  Agrawal S，  Sohi B S，  et al. Noise Reduction in MR Brain Image via Various Transform Domain Schemes［J］. Research Journal of Pharmacy and Technology，  2016，  9（7）： 919.

［10］ Jeong S，  Lee U，  Kim S C. Spectrogram-Based Automatic Modulation Recognition Using Convolutional Neural Network［C］∥10th International Conference on Ubiquitous and Future Networks （ICUFN），  2018.

［11］ 郭立民，  陈鑫，  陈涛. 基于AlexNet模型的雷达信号调制类型识别［J］. 吉林大学学报： 工学版，  2019，  49（3）： 1000-1008.

Guo Limin，  Chen Xin，  Chen Tao. Radar Signal Modulation Type Recognition Based on AlexNet Model［J］. Journal of Jilin University： Engineering and Technology Edition，  2019，  49（3）： 1000-1008.（in Chinese）

［12］ 李红光，  郭英，  眭萍，  等. 基于时频能量谱纹理特征的跳频调制方式识别［J］. 通信学报，  2019，  40（10）： 20-29.