为了充分利用有限的带宽，实现高效率高可靠性通信，自适应调制编码技术(adaptive modulation and coding，AMC)应运而生[1-2]，AMC技术能够使基站根据终端反馈的信道状况及时调整发射端各项参数．但在实际应用中，由于传输过程中的时延干扰等原因，原本应由控制信道传输的调制参数等信息无法实现实时到达接收端，造成通信无法建立[3]．为了解决上述问题，学者们提出一系列调制编码的盲识别方法[4-5]．但传统从信号序列中提取特征的方法需要相当丰富的经验和专业知识，如果特征提取不精细，会严重损害识别性能．近年来，深度学习在机器视觉[6]、自然语言处理[7]等领域获得了巨大成功，研究者们开始应用深度学习至通信系统的各部分[8-11]．在深度学习与AMC技术结合的领域中，文献[12]提出了一种基于卷积神经网络的编码方式自动识别方法，使用改进的LeNet-5卷积网络结构，对不同类型的编码信号直接进行特征提取与识别分类．文献[13]提出使用textCNN网络进行信道编码类型识别，使用自然语言处理的方法，把编码信号序列人为切分为词向量，将编码类型识别问题转换为文本分类问题．信道编码智能识别算法利用了卷积神经网络的优秀拟合能力，但上述文献中提出的算法存在低信噪比环境下识别率较低、预处理数据集流程较为复杂等问题，且在与传统算法对比中识别准确率并不突出．为此，提出了一种基于时序卷积网络(temporal convolutional networks，TCN)的卷积码码字分类方法，对模拟生成的已知参数卷积码码字进行训练，得到训练模型后对特定信噪比下的未知编码序列进行识别．基于TCN的卷积码参数识别模型能够不依赖任何关于编码构造机制的先验知识快速识别码字类型，与传统编码类型识别相比，可以充分利用通信大数据提高识别精度，也能避免手工特征提取复杂等问题．1 相关理论1.1　信道编码盲识别模型编码方式的盲识别研究主要分为两类，即参数可任意的开集识别及参数有限取值的闭集识别．前者研究多在军事通信侦察和信息截获领域，后者主要适用于自适应调制编码领域．这里主要研究闭集识别，接收端已知依据不同信道环境设定的最优编码方式集合，根据接收序列识别出发送端使用的是该集合中何种信道编码方式．通信系统接收信号模型为ln=Hn(b)+w1+w2 (n=1,2,⋯,N)，(1)式中：ln为接收信号；Hn为信道编码器；b为输入信号；w1为时变信道n处的噪声；w2为调制等原因引起的误差．信道编码识别问题就是研究接收信号{ln}中n为何种编码方式．1.2　时序卷积神经网络时序卷积网络是一种基于卷积结构，专门用于处理序列信息的网络模型，能够从局部到全局把握序列的总体信息．TCN使用卷积替代了递归，可用于时间序列的建模，又同时兼具卷积神经网络能够通过建立多个滤波器提取输入数据的有效表征的优点．TCN模型使用的结构主要有因果卷积和膨胀卷积，并通过构建时序残差块建立连接．卷积码的第n个码字只与前向n-1个码字有关，TCN模型的因果卷积能够提取前向n-1个码字的联系，且当识别的卷积码为高约束度的情况时，使用膨胀卷积获得更大的卷积感受野，可以更好地提取约束信息．1.2.1　因果卷积因果卷积可以保证没有未来信息泄露，严格按照时间先后顺序进行卷积操作，即时刻t的卷积操作仅发生在前一层的时刻t-1和t-1之前的数据上，令卷积核为F=(f1,f2,⋯,fK)，其中K为卷积核的大小，输入序列为X=(x1,x2,⋯,xT)，则xT处的因果卷积为F(xT)=∑k=1KfkxT-K+k．(2)1.2.2　膨胀卷积针对传统卷积神经网络中需要线性堆叠多层卷积才能对较长时间序列拟合的建模问题，TCN通过采用膨胀卷积增大每层感受野的范围从而达到减少卷积层数量的目的．膨胀卷积与普通卷积的不同之处在于膨胀卷积在标准卷积核中加入间隔，从而扩大了模型的接触面积．设滤波器为F=(f0,f1,⋯,fk-1)，序列信号为S=(s1,s2,⋯,sT)，对输入序列中t时刻的值st进行膨胀卷积得到F(st)=(Fd*S)(st)=∑i=0I-1f(i)⋅s(t-d)i，(3)式中：d为膨胀因子；I为滤波器大小．因此膨胀卷积的操作相当于在两个相邻的滤波器之间引入一个固定的间隔，增大了感受野范围．1.2.3　残差连接TCN模型采用了残差连接，解决模型训练退化问题，通过学习输入到输出的目标函数与原函数的残差量，将残差量与原始输入量相加，得到最终的目标映射函数，若输入变量为x，目标输出的实际映射为H(xl)，则残差映射为F(xl,Wl)=H(xl)-xl，(4)式中：xl为l的输入量；Wl为l层的权重矩阵．通过捷径连接(shortcut)的方式直接把输入xl传到输出作为初始结果，输出结果为H(xl)=F(xl,Wl)+xl，当F(xl,Wl)=0时，H(xl)=xl．2 基于TCN的卷积码识别方法使用基于TCN的特征提取网络识别不同类型卷积码，方案架构如图1所示，主要包括卷积码训练集生成和特征提取分类两个部分．使用随机序列依据已知参数类型构造卷积码，所生成的卷积码字作为训练集，根据已知类型对训练集样本标签编码，将经过标记的样本输入TCN卷积码特征提取模型进行监督学习，提取各类编码特征建立识别模型，不断通过误差反向传播优化参数更新模型．当接收端未知编码信号输入识别模型后，通过大量样本学习的识别模型可快速提取信号特征，最后通过得到的标签向量识别出码字类型．10.13245/j.hust.220303.F001图1基于TCN的卷积码识别方法2.1　卷积码生成卷积码通常用(α0,μ0,m)表示，当一个包含μ0个信息元的信息组被输入卷积码的编码器后，产生一个对应信息组的包含α0个码元的码段，m表示输入信息组在编码器中所存储的时间单元，称为编码存储，编码存储的大小能够表达卷积码编码结构的复杂性，卷积码的码率定义为R=μ0/α0，可以用来衡量卷积码传输信息的有效性，其中：m+1=M为编码约束度，表示该卷积码编码结构中相互关联的子组数目；M×α0=MA为编码约束长度，表示该卷积码中存在相关性的码元数．如图2所示，卷积码的编码器是由一个有A bit输入、B bit输出，且具有CA级移位寄存器构成的有限状态的有记忆系统，在卷积码编码器中，每一时刻输入编码器的信息元不仅参与了编码中前(C-1)A个子组的组成，也参与了后(C+1)A个子组的组成．因此通常称其为时序网络，具备马尔科夫性，可以看成时间序列模型进行分析．卷积码的码率与约束长度是卷积码的重要构成指标，决定了卷积码的前后关联与深度．较低码率与较长约束长度卷积码能够提供更高的纠错性能，具有较强的抗噪声能力，但构造复杂度与传输效率较低，一般适用于低信噪比环境．较高码率与较短约束长度卷积码纠错性能相对较弱，但传输效率高，一般适用于高信噪比环境．10.13245/j.hust.220303.F002图2卷积码生成示意图2.2　基于TCN的卷积码特征提取模型典型的TCN由时序残差块(temporal residual block，TRB)堆叠构成，时序残差块结构如图3所示，含有卷积层和非线性映射，主要参数为卷积核大小和膨胀系数．10.13245/j.hust.220303.F003图3时序残差块卷积层在上层的特征向量和当前层的卷积核之间执行膨胀卷积运算，其中，上层输入向量为ẑ(i-1)=(ẑ1(i-1),ẑ2(i-1),⋯,ẑT(i-1))，当前层输出至下层向量为ẑ(i)=(ẑ1(i),ẑ2(i),⋯,ẑT(i))．卷积层之间使用了ReLU作为激活函数，增强了原始信号的特征并减少噪声．之后使用随机失活(Dropout)层对神经网络训练单元进行失活，使网络的泛化性能得到提高，随机响应网络的节点，保证了网络的稀疏性，降低过拟合[14]．构建了一个改进的TCN特征提取模型，通过连接时序残差块，残差块内部使用了残差跳连与膨胀卷积，最大化利用了前向资源，并减少了网络退化现象．整个特征提取分类模型如图4所示，模型依次序堆叠了4个拥有不同膨胀系数的时序残差块与一个全卷积层，每一个时序残差块主要包括两个时序膨胀卷积与一个1×1的短路连接卷积．每个残差块内部的时序膨胀卷积拥有着相同的膨胀系数，而不同的时序残差块之间膨胀系数逐层增长，保证了卷积的局部感受野能够有次序的扩张．最后一级时序残差块之后，连接输出至全卷积层，使用softmax函数输出分类．10.13245/j.hust.220303.F004图4基于TCN的卷积码特征提取模型基于TCN的信道编码识别步骤如下所示．步骤1 初始化权重参数和偏差参数值，权重向量服从正态分布，偏差向量b为全0矩阵．步骤2 通过卷积核与膨胀系数设定，对输入进行卷积操作，提取多样特征进行整合，膨胀系数依次设为1，2，4，8．卷积层参数主要包括卷积核长度、滑动步长和填充，决定了卷积层输出特征向量的长度．步骤3 权重归一化，调整了优化问题的条件，加快随机梯度下降的收敛速度．步骤4 采用ReLU函数作为激活函数，作用于隐层神经元的输出．步骤5 使用Dropout防止过拟合，以一定比例失活隐层中的神经元．步骤6 通过不断调整膨胀系数，重复操作．步骤7 使用Adam优化算法不断调整权重和偏差向量，并迭代直至模型收敛．步骤8 使用Softmax函数对特征分类．3 实验与结果分析3.1　数据集生成IEEE 无线网络标准802.11a中规定了OFDM通信方式，即通过自适应调制编码方式支持多种传输速率．参考IEEE无线网络表标准802.11a的规定，并加入了常用参数的卷积码作为候选数据集，主要参数为码率与约束长度，候选数据集共分为两类，即表1单一参数类型数据集与表2混合参数类型数据集．通过Matlab随机生成每个类型共3.2×104帧，每帧1 200 bit，通过信道编码器编码后，进行BPSK调制，并通过AWGN信道，信噪比在-5~10 dB范围内随机加噪，再进行BPSK解调，得出的码字作为数据集，其中训练集与验证集为7:3，测试集为不同信噪比下生成的码字，每个类型1 000帧，每帧1 200 bit．10.13245/j.hust.220303.T001表1约束长度参数卷积码类型候选集标签约束长度生成多项式矩阵C115(23，35)C127(113，171)C139(561，753)C1411(3 345，3 613)10.13245/j.hust.220303.T002表2混合参数卷积码候选集标签码率约束长度生成多项式C211/24(15，17)C221/210(1 151，1 753)C231/34(13，15，17)C241/310(1 233，1 375，1 671)C251/44(13，15，15，17)C261/410(1 173，1 325，1 467，1 727)通过信噪比的随机加噪可以模拟真实通信情况，SNR信息一般是未知的，通过将相同参数的信号在各种SNR条件下的生成的数据归为一类进行训练，消除了对先验SNR信息的依赖，虽然在一定程度降低了识别准确率，但能够模拟出真实的信道状况．3.2　实验环境与评价指标实验环境为Ubuntu 64位操作系统，内存32 GiB，CPU为Intel Core i5-6300HQ，GPU为GeForce GTX Titan-X，基于TensorFlow框架．使用识别准确率作为评价指标，即A=(VC/VS)×100%，(5)式中：A为识别准确率；VC为识别正确样本数；VS为测试样本数．A的值越大，表示算法的识别性能越好，反之算法性能较差．3.3　仿真分析首先使用表1数据集对单一参数卷积类型进行分类，如图5所示，图中S为信噪比．可见在随机信噪比环境中，卷积码约束长度参数较短的类型如C11和C12，在信噪比小于-2 dB之前相较C13C14识别率较低，随着SNR增大，约束长度较短的编码类型识别率快速上升，在SNR为0 dB时，C11超过90%，而约束长度较长的编码类型识别准确率增长速度则滞后于约束较短的类型．10.13245/j.hust.220303.F005图5约束长度参数卷积码类型识别使用表2数据集继续对混合参数编码类型识别进行测试，由图6可以看出：拥有较低码率与较长约束长度的卷积码类型在信噪比较低的情况下能保持高识别率，随着信噪比的提高通信环境改善，所有的编码类型识别率都快速提升．在信噪比大于4 dB时，总体识别率大于97%．10.13245/j.hust.220303.F006图6混合参数卷积码类型识别上述实验因为码字的编码类型默认未知，接收端未进行解码，所以编码类型的识别准确率不能使用卷积码的码率与约束长度抗噪声性能解释．时序卷积神经网络的分类是针对数据特征拟合出函数，码字在经过加噪信道后，误码是随机分布的．因此，当误码在码字中出现个数相同时，如果一段码字能够有更长的前后联系，时序卷积神经网络可以更好地拟合；如果码字前后联系长度较短，如低约束长度与高码率码字，在信噪比低的环境中，误码个数多，造成关联度降低，导致函数拟合性差，影响编码类型识别准确率．当信噪比环境较高时，约束度短和码率较高的卷积码因为前后联系短、特征性强，更容易拟合函数，因此在高信噪比下短约束度和高码率的卷积码识别率会快速提高．3.4　对比实验首先与LLR算法及文献[5]提出的LD算法进行比较，识别编码类型为表1数据集中的C11，C12和C13，为保证条件相同，使用对应的信噪比条件下生成的码字作为训练集和验证集．由图7可以看出：当信噪比相同时，TCN算法的识别准确率明显优于LLR算法和LD算法，且当信噪比为0，1和2 dB时，相较于LLR算法与LD算法，使用TCN识别算法所获平均识别准确率增益分别为48%，47%，40%和30%，15%，2%，可见使用TCN识别模型在一定范围内可以有效地提升识别准确率．10.13245/j.hust.220303.F007图7LD算法、LLR算法和TCN模型识别对比继续将TCN模型与常用深度学习模型ResNet、VGG-16网络进行对比，使用表2数据集．卷积网络的空间复杂度主要指模型待训练参数量，TCN，ResNet，VGG-16的模型参数量分别为1.14×106，1.15×106，4.17×106，TCN的模型参数量最少，且相较于VGG-16减少了73%的参数量，空间复杂度低．时间复杂度可以使用测试集的分类完成时间进行衡量，在相同的实验条件下，TCN模型对6 000个样本测试集分类平均完成时间约为33.9 s，相较ResNet的36.5 s，VGG-16的59.3 s分别缩短了约7.12%和42.83%，时间复杂度更低．常用深度学习模型对比试验结果如图8所示，TCN的识别准确率高于ResNet与VGG-16，并且在低信噪比环境中，由于样本集大、误码率高等原因，VGG-16出现了过拟合现象．信噪比环境改善后，对于约束长度更深的卷积码，VGG-16与ResNet分类能力较弱．相比之下，基于TCN的信道编码类型识别在各信噪比环境中表现更优．10.13245/j.hust.220303.F008图8网络模型对比试验4 结语信道编码识别在非协作通信等领域具有十分重要作用，将深度学习方面的研究与编码类型识别进行结合，应用最新提出的时序卷积网络进行分类识别．与传统方法对比，能够减少对复杂先验知识的依赖，避免了人工特征提取复杂等问题．较之其他深度学习算法，基于TCN的编码类型识别精准度更高．深度学习的发展为通信等传统行业带来变革，其中通信领域产生的通信大数据又能有效支持深度学习研究的展开与应用．在接下来的工作中可以将TCN模型引入多类型信道编码识别和信道编码类型与调制方式联合识别．