基于LSTM的ZigBee網絡中通信信號識別算法

劉洪笑,向 勉,2,譚建軍,朱 黎

(1. 湖北民族大學智能科學與工程學院,湖北 恩施 445000;2. 硒食品營養與健康智能技術湖北省工程研究中心,湖北 恩施 445000)

1 引言

隨著物聯網(Internet of Things,IoT)設備的迅速普及,ZigBee技術已成為社會基礎通信設施的重要組成部分。ZigBee技術是一種基于IEEE 802.15.4規范的高級通信協議,被廣泛應用于智能家居、工業設備控制、醫療數據收集和其它低帶寬需求場景中[1]。ZigBee網絡主要工作在2.4 GHz的ISM(Industrial Scientific Medical)頻段,與WiFi網絡共享該頻段,且ZigBee設備的發射功率遠小于WiFi設備的發射功率,因此ZigBee設備極易受到同區域設置的WiFi設備的干擾,導致通信質量的下降[2]。因此,如何有效地識別出ZigBee網絡中的各類通信信號是優化信道配置、節約頻譜資源的第一步,具有重要的意義[3]。長短期記憶神經網絡(Long Short-Term Memory,LSTM)[4]是一種時間循環神經網絡,是為了解決一般的RNN(循環神經網絡)存在的長期依賴問題而專門設計出來的,文獻[5]結合LSTM與CNN的優點,搭建長短期卷積深度神經網絡,實現了高信噪比下的信號高識別率。本文的數據集是通過Matlab軟件仿真構建Zigbee和WiFi信號發生器模型來獲得IQ數據,然后采用LSTM神經網絡對Zigbee和WiFi信號進行識別,由于兩者的調制方式不同,所以可以通過LSTM神經網絡提取兩者的特征信號,進而識別出調制信號并分類。

2 相關研究

早期的通信信號識別是利用人工機械方式來完成的,識別效率低且識別準確率差。1969年,C.S.Weaver等人率先提出通信信號調制方式自動識別方法,引發了國內外學者對通信信號調制識別的研究熱潮[6]。但深度學習算法的快速發展,激發了廣大學者對研究神經網絡提取通信信號特征參數的興趣[7,8]。Tim O’Shea等人研究了卷積神經網絡(Convolutional Neural Networks,CNN)用于通信信號調制識別的適應性,可識別11種調制信號[9],在低信噪比下,卷積神經網絡對數量多且密集的編碼時間序列進行訓練具有明顯優勢。雖然在CNN的網絡構架上做了改進和優化,但是沒有充分考慮并研究它們的適用性,隨后,Tim O’Shea等人構建深層卷積神經網絡以及深層殘差網絡,實現了24種調制信號的準確識別[10]。深度學習方法在運用殘差構架時效果顯著,在無法獲得真實的數據情況下,尤其是在高信噪比下OTA數據集和等效合成的數據集有著相同的性能,但是在足夠大的數據集上直接對模型進行完整訓練時,無法獲得同等的準確性。文獻[11]利用CNN,結合時域分析方法及圖像處理算法,實現了雷達信號脈內調制的識別,但能識別的信號調制類型偏少。文獻[12]利用改進的殘差神經網絡中的多流網絡提取信號的多種特征,避免了模型復雜帶來的過擬合。Wu S等人[13]利用深度學習,構建信號特征學習網絡與信號識別網絡,提高了通信終端自主學習、決策和更新能力,但算法的計算復雜度較高。為提升低信噪比下通信信號的識別率,劉凱等人[14]通過提取調制信號的多維特征,構建LSTM時間模型,實現了較低信噪比條件下6種數字調制信號的識別。在以上研究工作中,雖然調制信號識別的方法不少,但很難做到在低信噪比下的精準識別,并且未對具體的通信信號如ZigBee信號、WiFi信號等進行分類識別。文獻[15]對ZigBee信號、WiFi信號進行了分類識別,但并未分析低信噪比下的信號識別準確率。本文采用LSTM設計通信信號識別機制,對LSTM的結構與參數進行調整,實現ZigBee信號、WiFi信號的高識別率。本文的研究內容如下:

1)通過Matlab中的Simulink仿真搭建ZigBee信號、WiFi信號發生器模型,分別獲取ZigBee信號、WiFi信號的IQ數據,構建信號數據集。

2)對IQ信號進行歸一化處理,設計LSTM、CNN網絡對信號數據進行特征提取處理及分類識別。

3 構建信號數據集

本文利用Matlab構建Zigbee信號發生器模型和WiFi信號發生器模型,獲取WiFi和ZigBee信號數據,然后進行一系列的處理,使得數據能夠以適當的結構輸入到本文所構建的LSTM中,進行信號的分類和識別。本文實驗平臺為Matlab2020a,實驗環境為Windows 10操作系統,12.0 GB內存,Intel(R)Core(TM)i5-7200U CPU @ 2.50GHz。

3.1 搭建信號模型

本文利用Simulink進行信號模型搭建,ZigBee網絡信號采集框圖如圖1所示,模型中有兩路通信通路,一路為ZigBee信號,另一路為WiFi信號。ZigBee信號與WiFi信號的發生器內部結構分別如圖2、圖3所示,兩類信號的信號發生器均采用伯努利二進制生成器生成隨機的二進制數據,ZigBee信號采用數據速率為250kbps,碼片速率為2 Mchips/s的直接序列擴頻與OQPSK調制方式[15],發射功率設置為0dBm;WiFi信號采用BPSK調制,發射功率設置為17dBm。被發射的ZigBee、WiFi信號經過高斯白噪聲信道,通過直接變頻接收機的電路包絡模型將數據轉化成I、Q兩部分輸出。為探討在低信噪比環境下識別算法的準確性,本文將信噪比(Signal to Noise Ratio,SNR)設置為-50dB、-40dB、-30dB、-20dB、-10dB、0dB六種情況[16],分別在六種信噪比環境下采集ZigBee、WiFi信號數據,構建信號數據集。

圖1 ZigBee網絡信號采集框圖

圖2 Zigbee 信號發生器內部結構

圖3 WiFi 信號發生器內部結構

3.2 信號數據集

實驗一共設置了12組信號樣本,信號類型分為Zigbee和WiFi兩種,而每種信號類型又包含了從-50dB到0dB,一共6種信噪比值下的信號樣本,如表1所示。每一條信號樣本包含了維度為320000×2的矩陣,矩陣的第二維度表示I和Q兩路數據。為了使得信號樣本能夠以適當的格式輸入到神經網絡中,本文對于信號樣本采取了兩種分割方法,第一種分割方法為將32000×2的樣本分割為125個256×2的小樣本,第二種方法分割的小樣本的維度則為512×2。將數據分割完成后還需要對數據進行歸一化處理。

表1 數據集參數

使用min-max的方法[17]進行歸一化,歸一化的公式為

(1)

4 基于長短期記憶神經網絡的識別算法

長短期記憶神經網絡(LSTM)是一種時間循環神經網絡,可解決一般的RNN存在的長期依賴問題。LSTM所擅長解決的問題是基于時間序列的分類問題,而本文所研究的IQ信號是時序信號,2組信號的維度分別為:256×2,512×2,適用于LSTM網路,本文網絡訓練使用的是NVIDIA GeForce 940MX顯卡,實驗平臺是Python,工具箱為tensorflow2.0。本文所設計的LSTM網絡結構如圖4所示。

圖4 LSTM網絡結構

本文所設計的樣本數據維數為2,時間維數為256、512和1024。對于LSTM第一層的數據輸出,時間的維數仍然是100。而第二層LSTM層的時間維數沒有變化,樣本數據的維數變化為100。然后連接一個Dense層,神經元數量為100,使用一個softmax層進行分類。選擇交叉熵函數作為損失函數。優化器是Adm(adaptive moment estimation)。

文獻[6,7]提出,使用卷積神經網絡也可以對調制信號進行較為準確的分類,作為本文實驗的對比,設計了一組基于CNN的對比實驗,實驗的框架結構如圖5所示。

圖5 實驗的框架結構

該模型廣泛用于調制信號的分類,由2個卷積層、2個ZeroPadding層、2個dense層組成。

5 實驗結果與分析

將數據按10:1的比例劃分為訓練集和測試集。共設置了三組實驗,第一組LSTM網絡結合256×2的數據,第二組是LSTM網絡結合512×2的數據,第三組是CNN結合256×2的數據。通過這三組數據的對比,可以對比出網絡結構與數據格式對于分類精度的影響。每個模型訓練5次,訓練的batch＿size都為50,共訓練100個世代。結果表明,精度在100個世代前穩定下來。記錄了模型在訓練過程中訓練參數(train＿acc)的變化,訓練5次,得到 準確性。表2為統計檢驗結果。

表2 深度學習網絡調制識別準確率

對比表2和圖6-圖10的結果,LSTM模型始終能夠獲得較高的準確率和較為快速的收斂速度,而CNN在訓練過程中,只是在初期有著很短暫和微小的訓練loss下降和準確率的提升,最終得到的結果表明CNN準確率基本沒有提升,意味它根本無法提取出任何有效的特征,在此實驗中,LSTM是一種比CNN更適合的網絡結構。分析原因,數據的維度為256×2這樣的長方形數據,更接近于類似自然語言等的序列數據而非圖像數據。其次,256×2的數據結構的分類準確率比512×2的分類準確率更高,高出了3.6%,并且可以從圖7和圖9得知,在訓練集精度和測試集精度上,256×2的數據結構增長速度更快,大概在60代就可以接近90%,而512×2組在接近100代時才能夠達到90%,并且增長曲線更為平滑,從圖8和圖10上看,同樣的變化也體現在loss值上,256×2的數據結構的訓練集loss和測試集loss的下降速度和最低值都有著明顯的優勢,由以上分析可以說明,IQ數據的截取長度、截取方法同樣可以影響到最終分類結果,在本文中,256×2的是一種適當的數據分割維度。

圖6 不同的模型與數據格式的準確率

圖7 訓練世代與準確率的關系

圖8 訓練世代與loss的關系

圖9 訓練世代與驗證集準確率的關系

圖10 訓練世代與驗證集loss的關系

6 總結

本文針對ZigBee信號易受到WiFi信號干擾的問題,提出了一種基于LSTM的ZigBee網絡中通信信號識別算法,對ZigBee網絡中的ZigBee信號與WiFi信號進行識別。首先通過Matlab的Simulink通信模塊搭建干擾網絡,在參數上盡可能的貼近真實數據集,獲取ZigBee信號、WiFi信號的同相和正交(IQ)數據,構建ZigBee、WiFi信號數據集;然后再經過LSTM對于數據進行特征提取并分類識別。結果表明,以256×2數據結構為輸入的LSTM模型的訓練精準度為90.5%,有一定的實用價值。