劉朝陽，王安義，李 蓉

(1.西安科技大學能源學院，西安 710054；2.西安科技大學通信學院，西安 710054)

近年來，在高斯白噪聲信道下基于信號的調(diào)制識別研究已取得了不錯的進展[1-2]。但真實礦井環(huán)境下的信息化、智能化應用僅僅取得了探索性的應用，針對礦井環(huán)境下的信號的檢測識別的研究少之又少。在礦井環(huán)境中，無線通信、人車定位、IP電話、語音廣播等多種系統(tǒng)同時存在，通信信號多樣化，因此，進行多模信號的調(diào)制識別是礦井多個異構(gòu)信息系統(tǒng)融合的重要技術(shù)基礎；同時，在準確識別信號調(diào)制模式的基礎上，能夠更準確地估計調(diào)制信號相關(guān)信息，進而進行解調(diào)解碼，提高傳輸可靠性?？梢姡嗄o線信號識別是提高礦井通信網(wǎng)絡環(huán)境的可靠性以及智能性的關(guān)鍵問題之一[3-5]，提高礦井多模無線信號識別率成為本課題研究的重點。

支持向量機(SVM)屬于機器學習的一種，被廣泛應用于模式識別、分類以及回歸問題的分析上。遺傳優(yōu)化SVM分類器，也被學者們廣泛應用[6-10]。目前，針對高斯白噪聲信道下信號調(diào)制識別的研究多以信號的瞬時特征參量作為特征參數(shù)，但在低信噪比情況或衰落信道下，基于瞬時特征參數(shù)的信號識別效果不太理想[11-15]。針對礦井環(huán)境大小尺度衰落信道的現(xiàn)狀，參考文獻[6]關(guān)于GA-SVM(其中GA為遺傳算法，即genetic algorithm)在低信噪比分類器中的應用，提出基于高階累積量和GA-SVM分類器的多模信號檢測識別的方法，對解決礦井環(huán)境可靠通信和多系統(tǒng)融合的問題起著重要作用，這為構(gòu)建相對統(tǒng)一、同時考慮各系統(tǒng)獨立性和安全性的整體信息化提供了解決方案。一方面對于礦井通信網(wǎng)絡的研究和應用具有很大技術(shù)參考價值，另一方面對于推動礦井信息化和智能化具有應用價值和重要的研究意義[16-25]。

1 信號檢測識別原理

信號模式識別過程一般可分為信號預處理、提取特征參數(shù)、分類器設計三部分，如圖1所示。而其中研究的兩個關(guān)鍵點分別為特征參數(shù)的提取和分類器的選取與設計。

圖1 信號檢測識別流程

鑒于礦井電磁環(huán)境的復雜性，特征參數(shù)的提取采用基于高階累積量的特征提取算法。針對普通SVM分類器算法在低信噪比下，識別效果不理想，引入遺傳優(yōu)化算法優(yōu)化SVM參量，即對懲罰因子以及核函數(shù)參數(shù)進行尋優(yōu)處理，并通過仿真實驗進行驗證。

2 遺傳優(yōu)化SVM分類器的設計

2.1 遺傳優(yōu)化算法簡介

圖2 遺傳算法流程

遺傳算法(genetic algorithm, GA)具有全局優(yōu)化搜索的特性，可以通過選擇編碼方法對問題符號進行很好的優(yōu)化，算法中個體的染色體由算法按照一定邏輯隨機生成初始種群決定。在初始種群確定以后，種群中的每一個體都需計算出代表各自優(yōu)劣程度的適應度值，繼而以適者生存為原則，篩選出優(yōu)勝個體，可以擴大適應度大的個體被選中的概率。遺傳算法流程圖如圖2所示。遺傳算法的參數(shù)主要由六個部分組成，即選擇合適的編碼方式、對種群進行的初始化操作、對適應度函數(shù)的確定、停機準則、遺傳算子和遺傳參數(shù)的設置。

2.1.1 編碼

常用的編碼方式主要分為兩種，二進制編碼方式主要的應用對象是離散型變量，而實數(shù)編碼方式主要的應用對象是連續(xù)型變量。

2.1.2 適應度函數(shù)

適應度函數(shù)主要用來衡量個體在群體中優(yōu)化計算的優(yōu)劣程度，適應度函數(shù)的值總是大于0的。

2.1.3 遺傳算子

遺傳算子主要分為三種，分別是選擇算子、變異算子、交叉算子。

選擇算子的過程是將適應能力強的個體從種群中選擇出來的過程，其選擇的條件是由適應度函數(shù)值的大小決定的，其中適應度值大的被選擇的概率就大，與其對應的個體被選中留下來的概率也就越大。

交叉操作的過程是對相互配對的兩個染色體的基因進行部分交換，部分基因的交換是按照一定的概率和特定的方式進行的，進行交叉操作就會形成兩個新個體。

單點交叉算子是交叉算子的一種特殊情況，在群體中任意選擇兩個染色體作為交叉對象，隨機的產(chǎn)生一個交叉點位置，在此位置對基因碼進行交換，從而產(chǎn)生新的兩個子個體的過程，在這個過程中只有一個交叉點位置。單點交叉如圖3所示。

圖3 單點交叉示意圖

2.2 遺傳優(yōu)化SVM分類器步驟

遺傳算法優(yōu)化SVM分類器實現(xiàn)的具體步驟如下。

第一步通過軟件生成實驗數(shù)據(jù)，首先是支持向量機的輸入，這里將信號在不同信道下的四階累積量作為支持向量機的輸入。

第二步遺傳算法對訓練樣本的數(shù)據(jù)進行優(yōu)化：

(1)對參數(shù)C和σ進行初始化，選擇合適的編碼方式對C和σ進行二進制編碼的方式。

(2)設置算法中的具體參數(shù)，包括種群個數(shù)、進化的最大迭代次數(shù)、交叉概率以及變異概率等。

(3)對初始種群進行初始化，其初始化采用隨機初始化的方式，將識別準確率作為適應度函數(shù)，計算每個個體的適應度值。

(4)根據(jù)遺傳策略，在對遺傳算子進行操作后，形成下一代種群。

(5)對步驟(5)進行循環(huán)執(zhí)行操作，當滿足結(jié)束條件時，即判斷種群是否達到最大遺傳代數(shù)或者是否滿足設定的精度要求，若滿足要求，則結(jié)束循環(huán)，若不滿足則返回執(zhí)行步驟(4)。

(6)輸出最優(yōu)的個體解碼，并將其作為問題的最優(yōu)解。

第三步經(jīng)過第二步，得到遺傳算法優(yōu)化的分類識別模型，然后將測試樣本的數(shù)據(jù)輸入到已經(jīng)優(yōu)化好了的模型，進行分類識別，并對結(jié)果進行分析。GA-SVM算法流程如圖4所示。

圖4 GA-SVM算法流程

3 礦井環(huán)境下仿真實驗

3.1 SVM分類器

3.1.1 仿真條件

實驗對象：二進制相移鍵控(BPSK)、16正交幅相調(diào)制(16QAM)、64正交幅相調(diào)制(64QAM)及正交頻分復用調(diào)制(OFDM)信號。

仿真參數(shù)設定：依照礦井環(huán)境情況，假設Nakagami衰落信道下的形狀因子m為0.85，接收信號的平均功率Ω為1；陰影衰落下的路徑損耗指數(shù)μ為0，陰影衰落方差sigma取1；這樣選擇參數(shù)值更符合礦井環(huán)境。設定OFDM信號有128個子載波，循環(huán)長度為32，在每個子載波上采用正交相移鍵控(QPSK)的調(diào)制方式。

SVM參數(shù)設置：選取高斯徑向基核為核函數(shù)。

3.1.2 仿真實驗

信噪比設置為-5～20 dB，信噪比變化的步長為1 dB，分別隨機在各個信噪比下產(chǎn)生每類數(shù)字信號各200個，并將數(shù)據(jù)集中的數(shù)據(jù)進行歸一化的處理。采用一對一分類器分類，則需要的子SVM分類器的個數(shù)為6個，即得到6個不同的數(shù)據(jù)集，其中每個數(shù)據(jù)集都有兩種不同的調(diào)制方式，每個數(shù)據(jù)集的大小為400，其中訓練集為2×100，測試集為2×100；3種不同信道下各個信號的識別率及仿真性能如表1、表2所示。

表1 礦井小尺度衰落信道下的識別率

表2 礦井大尺度衰落信道下的識別率

3.2 GA-SVM分類器

3.2.1 仿真條件

實驗對象：BPSK、16QAM、64QAM以及OFDM。

仿真參數(shù)設定：假設礦井小尺度衰落信道下的m為0.85，Ω為1；陰影衰落下的μ為0，sigma取1。設定OFDM信號有128個子載波，循環(huán)長度為32，每個子載波上采用的調(diào)制方式為QPSK。噪聲源選取高斯白噪聲。

GA參數(shù)設置：進化次數(shù)200，種群規(guī)模為20，交叉概率為0.4，變異概率為0.01，懲罰因子C和σ的搜索區(qū)間分別為[1,100]和[0,0.1]，適應度函數(shù)為SVM分類器的識別準確率。

3.2.2 仿真實驗

信噪比設置為-5～5 dB，信噪比變化的步長為2 dB，分別隨機在各個信噪比下產(chǎn)生每類數(shù)字信號各200個，并將數(shù)據(jù)集中的數(shù)據(jù)進行歸一化的處理。以信號的四階累積量為特征集，作為SVM的輸入，選取每個信號的100個數(shù)據(jù)做訓練集，即訓練數(shù)據(jù)為4×100，按照同樣的方式構(gòu)造測試數(shù)據(jù)集為4×100。得到二種不同信道下信號的準確識別率如表3、表4所示。

表3 礦井小尺度衰落信道下的識別率

表4 礦井大尺度衰落信道下的識別率

信噪比≥10 dB以上的情況下，信號的識別率均達到100%，因此，在高信噪比下，用GA-SVM分類器的優(yōu)勢體現(xiàn)不完全。

礦井小尺度衰落信道高斯白噪聲信道下，在信噪比為-1 dB下基于GA-SVM分類器的分類仿真圖以及適應度函數(shù)，由分類識別圖(圖5)可以得出，這四種信號依據(jù)類別標簽被分為四類；由適應度函數(shù)可以得出，在交叉變異的過程中，適應度函數(shù)即識別準確率隨種群數(shù)的變化情況，依照最優(yōu)的適應度函數(shù)得到具體的支持向量機的懲罰因子以及核函數(shù)參數(shù)。小尺度衰落測試集的實際分類和預測分類如圖5所示。由圖5可知，在信噪比為-1 dB下，最優(yōu)的適應度值為95.146%，懲罰系數(shù)C=0.216，σ=27.482。小尺度衰落適應度曲線如圖6所示。

圖5 小尺度衰落測試集的實際分類和預測分類

圖6 小尺度衰落適應度曲線

圖7 大尺度衰落測試集的實際分類和預測分類

大尺度衰落高斯白噪聲信道下，在信噪比為-1 dB下基于GA-SVM分類器的分類仿真圖以及適應度函數(shù)，由分類識別圖(圖5)可以得出，BPSK、16QAM、64QAM及OFDM四種信號依據(jù)類別標簽被分為四類；由適應度函數(shù)可以得出，在交叉變異的過程中，適應度函數(shù)即識別準確率隨種群數(shù)的變化情況，依照最優(yōu)的適應度函數(shù)得到具體的支持向量機的懲罰因子以及核函數(shù)參數(shù)。小尺度衰落測試集的實際分類和預測分類仿真圖如圖7所示。仿真得出，在信噪比為-1 dB下，最優(yōu)的適應度值為97.087%，懲罰系數(shù)C=2.669，σ=5.695。大尺度衰落適應度曲線如圖8所示。

圖8 大尺度衰落適應度曲線

比較SVM分類器仿真實驗和GA-SVM分類器仿真實驗可知，在低信噪比下采用遺傳優(yōu)化SVM，得到的信號識別率明顯優(yōu)于SVM算法。

4 結(jié)論

通過研究如何利用支持向量機算法提高礦井環(huán)境下無線多模信號的調(diào)制識別率，發(fā)現(xiàn)通信信號調(diào)制方式的多樣化和復雜化對信號調(diào)制方式的識別顯得尤為迫切和重要。SVM屬于機器學習的一種方式，具有較強的學習和識別能力，能較好地處理復雜的非線性問題，有較好的穩(wěn)健性和潛在的容錯性，在調(diào)制識別中被廣泛應用。鑒于SVW的缺陷，提出的遺傳優(yōu)化SVM算法，通過仿真驗證，遺傳群優(yōu)化SVM算法在一定程度上提高了礦井無線信號的檢測和識別性能。