微信公众号：EW Frontier
关注可了解更多的雷达、通信、人工智能相关代码。问题或建议，请公众号留言;
如果你觉得EW Frontier对你有帮助，欢迎加入我的知识星球或面包多，更多代码等你来学
知识星球：https://wx.zsxq.com/dweb2/index/group/15552518881412
面包多：https://mbd.pub/o/author-a2mYl2tsbA==/work
QQ交流群：949444104
摘要
自动调制识别（AMR）技术是非协作正交时频空间（OTFS）和正交频分复用（OFDM）通信系统中最关键的技术.由于OTFS和OFDM的共存是未来无线通信场景中潜在的和实际的解决方案，因此OTFS方案和OFDM方案的分类将是一项具有挑战性和有意义的任务。本文提出了一种基于深度学习的方法，包括多层卷积神经网络（CNNs）和基于注意力的残差压缩激励模块（SE），用于提取多径多普勒扩频衰落信道中OTFS和OFDM信号的有效特征。为了获得可比较的和令人信服的结果，OTFS发射机的设计是基于OFDM系统的，并且包含六种不同的子载波调制模式（BPSK、QPSK、8 PSK、16 QAM、64 QAM和256 QAM）。同时，信号的数据结构都是精心设计的，以便进行公平的比较。另外，通过对OTFS、OFDM等5种常用调制方式和不同多普勒扩展值的数据集进行验证，结果表明本文方法是有效的。数据模拟结果表明我们的SE-CNN模型具有更高的准确率和召回率..仿真结果验证了所提方法的有效性和鲁棒性。
引言
正交时频空间（OTFS）是6G技术中一种很有前途的广义通信调制方案[1]，[2]。在处理大多普勒频移和多普勒扩展方面优于正交频分复用（OFDM）方案的上级性能使得OTFS成为高移动性场景中的适当替代方案[3]。然而，高复杂性限制了其进一步的应用，特别是在低移动性场景中[4]。因此，OTFS和OFDM信号在同一系统中的共存将是性能和复杂度之间的实际权衡。从另一个角度来看，设计OTFS发射机的简化且有效的方法是将预编码单元添加到多载波的OFDM调制器。在[5]、[6]中已经提出了在同一架构中实现两种方案的可行解决方案。此外，[7]提出了协作通信场景中OTFS和OFDM波形的TDD和FDD方案。但在非协作通信系统中，对两种方案的识别的相关研究还很少。事实上，如果没有这两种调制方案的自动识别，OTFS可能无法广泛应用于民用和军事领域。
自动调制识别（AMR）在非协作通信场景中起着至关重要的作用，包括频谱监测、认知无线电和通信系统的安全性。它主要包括两类方法：基于似然（LB）的方法和基于概率（FB）的方法[8]。前者主要基于假设检验，计算复杂度高，需要额外的衰落信道先验知识[9]。后者是低复杂度的FB方法，包括特征提取和分类方法，近年来受到学术界和工业界的广泛关注。FB方法的核心步骤是提取有效的特征以输入到适当的分类器中。高阶累积量（HOC）是AMR中最流行的特征之一，因为其具有对抗多径衰落和低信噪比（SNR）的优势[10]。此外，一些研究人员还将循环特征和瞬时特征应用于AMR任务[11]。支持向量机（SVM）是物理层中的代表性传统机器学习（ML）分类器，用于分类信号的调制模式[12]。随着深度学习（DL）的蓬勃发展，许多研究开始关注AMC任务的神经网络设计。基于DL的方法通常直接处理原始数据，以避免额外的费用和信号的专业知识。此外，基于DL的方法往往表现出更好的性能上的分类的准确性比传统的方法。[13]介绍了一种基于CNN的调制格式分类方法，该方法的输入是同相和正交样本以及星座图。文献[14]中提出的残差网络由于具有防止过拟合的特点，在图像处理领域取得了巨大的成功。受其启发，许多研究采用残差单元来提高其提出的方法的性能[15]。
最近，许多研究也调查AMR任务在特殊的应用场景，如OFDM系统。正交频分复用（OFDM）是无线通信系统中应用最广泛的通用调制方式之一。[16]提出了一种在无线时分双工OFDM系统中基于LB的AMR算法。在[17]中，OFDM方案与其他调制模式区分开。OFDM系统中子载波的不同调制阶数是基于[18]中基于CNN的方法识别的。然而，作为另一种重要的调制方案，在AMC领域的OTFS还没有被研究。无需事先知道就能识别接收信号的能力是大规模通信系统的基本因素。本文提出了一种新的基于深度学习的OTFS和OFDM信号的调制识别方法。实验结果验证了方法的有效性。
我们工作的主要贡献可归纳如下：
·据我们所知，这是第一次针对非合作场景下OTFS和OFDM调制方式的识别工作。
·提出了一种改进的压缩激励卷积神经网络（SE卷积神经网络），用于在六种不同的子载波调制阶数和其他常用调制方式下对两种方案进行分类。针对真实的OTFS应用场景中存在的多径和多普勒扩展的恶劣信道条件，本文采用了SE模块来对抗多径和多普勒扩展，并且两种方案中的信号数据结构都经过了良好的设计，以保证公平性。
·通过大量的仿真结果验证了所提方法的有效性.结果表明，与其他有效的机器学习方法相比，提出方法具有一定的优越性.在不同的数据集和不同的多普勒扩展值下，该模型具有较好的鲁棒性。
系统架构
实验仿真
A.OTFS和OFDM信号的设计
OTFS方案和OFDM方案实际上是两种类型的通信方案。OTFS和OFDM系统的数据帧结构的设计可能对我们提出的模型的精度有相当大的影响。为了公平起见，数据样本的长度必须相同，以确保两种类型的信号之间的均匀功率。与此同时，OFDM和OTFS系统中的子载波数目M也需要一致。鉴于上述情况，我们将M设为64，将N设为8。这两种方案的CP长度都是16。在OTFS信号的单个样本中，子帧的数量为4，并且数据样本的和为（64+16）× 8 × 4 = 2560。对于OFDM，子帧的数量是32。数据之和为（64 + 16）× 32 = 2560，等于OTFS样本的长度。
B.仿真结果
在实验中，数据的产生是用MATLAB完成的。NVIDIA GeForce GTX 2080 Ti适用于训练和测试网络。网络的实现基于Pytorch。为了评估所提出的基于SE-CNN的模型的性能，我们准备了6个数据集θi（i = 1，2 ...，6）。训练集和测试集的比例为7：3。信噪比范围为− 10 dB至14 dB，间隔为2 dB。数据集中的OTFS和OFDM信号对应于6个不同的子载波调制包括BPSK、QPSK、8PSK、16QAM、64QAM和256QAM。对于每种类型的副载波调制，有3000个数据样本。
由于真实的OTFS应用场景中信道条件通常较为苛刻，因此数据集θ1的信道参数设置如表二所示。数据集θ1包括5种调制模式：OTFS、OFDM、2ASK、PAM4和BPSK。每种类型包含18000个数据样本。θ1中的最大多普勒频移设定为1400 Hz。如图5所示，将所提出的方法与流行的分类方法进行了合理的比较，包括IQ样本的DrCNN[13]、AP样本的DrCNN、HOC的SVM和HOC的DNN。随着信噪比的增加，该方法的分类精度也在不断提高。最后，在8dB左右，准确率接近100%。DrCNN由五层卷积层和全连通层组成，并进行了微调，以与所提出的模型进行比较。实验结果表明提出的方法具有更高的准确率和召回率。在恶劣的衰落信道中。还可以看出，IQ样本的准确度高于AP样本。这可以解释为，IQ样本与AP样本相比是AMR任务的更好输入。实验结果表明，无论选择何种机器学习方法作为分类器，传统的基于HOC的方法在OTFS和OFDM AMR任务中的性能都很差。结果还证明了原始样本和深度学习方法相对于制造特征的优势。
此外，-2 dB、2 dB、6 dB和10 dB时的混淆矩阵如图6所示。我们可以观察到，我们的模型可以以高精度识别五种调制模式。此外，在其他调制模式中，OTFS获得了最高的精度。我们推测这一现象与OTFS的抗多普勒特性有关。
为了使实验环境更接近于真实的的OTFS应用场景，我们在模型的基础上研究了最大多普勒频移的影响。对于数据集θi（i = 2，3，.，.，..，..，.，...、6）中的一种或多种。在这些数据集中只有OFDM信号和OTFS信号。其他条件与数据集θ1类似。根据图7中的曲线趋势，我们的模型的性能随着信噪比的增加而增强。结果表明，OTFS信号的抗多普勒特性主要存在于OTFS接收机中，因此在非合作通信系统中，多普勒展宽仍然会对精度产生负面影响。虽然较大的多普勒频移会对系统的性能造成一定的损害，但我们的算法仍然是可行的。当信噪比接近10dB时，我们的性能模型的准确率将达到100%。这验证了所提出方法的稳健性。
完
相关学习资料见面包多链接https://mbd.pub/o/author-a2mYl2tsbA==/work。
欢迎加入我的知识星球：https://wx.zsxq.com/dweb2/index/group/15552518881412，永久获取更多相关资料、代码。
