易國(guó)順,謝躍雷,2,梁文斌
(1.桂林電子科技大學(xué) 信息與通信學(xué)院,廣西 桂林 541004;2.衛(wèi)星導(dǎo)航定位與位置服務(wù)國(guó)家地方聯(lián)合工程研究中心,廣西 桂林 541004;3.桂林航天工業(yè)學(xué)院 電子信息與自動(dòng)化學(xué)院,廣西 桂林 541004)
多輸入多輸出(Multiple-Input Multiple-Output,MIMO)多天線技術(shù)能顯著提高通信系統(tǒng)容量和頻譜利用率,廣泛應(yīng)用在4G、5G等寬帶無(wú)線通信系統(tǒng)中[1],這使得通信信號(hào)的偵察和參數(shù)估計(jì)變得愈發(fā)困難[2],對(duì)非合作接收提出了更高的要求[3-4]。在非合作場(chǎng)景的MIMO通信信號(hào)檢測(cè)與識(shí)別中,MIMO發(fā)射天線數(shù)目識(shí)別、空時(shí)編碼模式識(shí)別、信道估計(jì)、調(diào)制方式識(shí)別都是具有挑戰(zhàn)性的研究課題[5]。其中,MIMO發(fā)射天線數(shù)目的識(shí)別是其他通信參數(shù)估計(jì)的基礎(chǔ),在MIMO盲信號(hào)處理中起著支撐性的作用。
傳統(tǒng)MIMO發(fā)射天線數(shù)目識(shí)別包括基于信息論準(zhǔn)則(Akaike Information Criterion,AIC)[6]、最小描述長(zhǎng)度準(zhǔn)則(Minimum Description Length,MDL)[7]、一步預(yù)測(cè)噪聲特征值上限(Predicted Eigenvalues Threshold,PET)[8]、蓋氏圓準(zhǔn)則(Gerschgorin Disk Estimator,GDE)[9]和利用導(dǎo)頻模式正交性識(shí)別發(fā)射端天線數(shù)目[10]以及2017年Mohammadkarimi和Karami等學(xué)者提出的利用二階和四階統(tǒng)計(jì)量識(shí)別MIMO系統(tǒng)發(fā)射天線數(shù)目[11]。基于信息論準(zhǔn)則和最小描述長(zhǎng)度準(zhǔn)則算法將發(fā)射天線數(shù)目識(shí)別問(wèn)題轉(zhuǎn)化成矩陣的秩估計(jì),存在過(guò)估計(jì)和非一致估計(jì)的缺陷,不能提供較好的估計(jì)性能[12]。同時(shí)與一步預(yù)測(cè)噪聲特征值上限算法和蓋氏圓算法一樣,在非合作接收端要求接收天線數(shù)大于等于發(fā)射端天線數(shù),這在實(shí)際應(yīng)用中并不能被保證。利用正交頻分多址的導(dǎo)頻模式正交性識(shí)別發(fā)射端的天線數(shù)目,將導(dǎo)頻的循環(huán)平穩(wěn)性與導(dǎo)頻模式的正交性相關(guān)聯(lián),將檢測(cè)多天線的問(wèn)題等同于檢測(cè)多組不同導(dǎo)頻模式,方法雖然適用于單天線接收情況,但導(dǎo)頻的循環(huán)平穩(wěn)性并不總是出現(xiàn)在被檢測(cè)信號(hào)?;诙A和四階統(tǒng)計(jì)量的MIMO天線數(shù)識(shí)別通過(guò)計(jì)算信號(hào)的統(tǒng)計(jì)量(其中二階統(tǒng)計(jì)量需要估計(jì)噪聲方差)尋找不同發(fā)射天線數(shù)目對(duì)應(yīng)的特征值,該算法相對(duì)于信息論準(zhǔn)則和蓋氏圓準(zhǔn)則更加復(fù)雜。
隨著深度學(xué)習(xí)在自然語(yǔ)言處理和圖像識(shí)別等方面取得的巨大進(jìn)展,眾多學(xué)者將深度學(xué)習(xí)算法應(yīng)用到無(wú)線通信領(lǐng)域的調(diào)制方式識(shí)別上[13-14],并且取得了一定的成果,其中卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)具有強(qiáng)大的特征提取能力,其分類(lèi)模型在模式識(shí)別領(lǐng)域取得了較好的效果,在通信領(lǐng)域也逐漸受到重視[15]。受此啟發(fā),本文采用數(shù)據(jù)驅(qū)動(dòng)的方式,在不受限于接收天線數(shù)約束和無(wú)先驗(yàn)信息的情況下,利用不同發(fā)射天線數(shù)目表現(xiàn)的特征差異,研究CNN對(duì)天線特征的自動(dòng)提取方法,解決MIMO發(fā)射天線數(shù)目檢測(cè)中特征提取困難等問(wèn)題。
信號(hào)經(jīng)空時(shí)編碼器后分配到不同天線上,以空間分集(Space Diversity,SD)中的Alamouti正交空時(shí)碼[16]和空分復(fù)用(Space Multiplexing,SM)兩發(fā)射天線說(shuō)明MIMO信號(hào)數(shù)據(jù)的發(fā)射過(guò)程[17-18]。
(1)
(2)
式中:CAL和CSM分別為Alamouti和SM的編碼矩陣,*表示共軛轉(zhuǎn)置,s1和s2是傳送符號(hào)。CAL矩陣在t1、t2兩個(gè)周期內(nèi)實(shí)際上只傳輸了兩個(gè)符號(hào),兩根天線上傳輸?shù)男畔⑹侵貜?fù)的,空間分集通過(guò)增加編碼的冗余度使信號(hào)在接收端獲得分集增益,提高信號(hào)的可靠性。CSM矩陣在t1一個(gè)周期內(nèi)兩根天線上傳輸?shù)姆?hào)各不相同,空間復(fù)用通過(guò)將串行的數(shù)據(jù)流轉(zhuǎn)成并行數(shù)據(jù)給不同天線發(fā)送,旨在提高發(fā)送速率。在發(fā)送端和接收端使用多天線MIMO發(fā)送和接收能提高數(shù)據(jù)的傳輸可靠性或有效性。本文算法的仿真和實(shí)測(cè)數(shù)據(jù)都是基于空分復(fù)用情況對(duì)天線數(shù)目進(jìn)行識(shí)別。作為非合作方通過(guò)單天線采集發(fā)射端信號(hào),其數(shù)學(xué)模型為多輸入單輸出(Multiple-Input Single-Output,MISO),如圖1所示。
圖1 MISO通信信號(hào)模型
(3)
式中:接收機(jī)接收信號(hào)Y=y(t),t是時(shí)間編號(hào);H=[h1,h2,…,hNt]表示信號(hào)經(jīng)過(guò)的信道矩陣;hj是第j根發(fā)射天線到接收天線之間的信道增益,j=1,2,…,Nt;n表示方差為σ2的高斯白噪聲。
MIMO發(fā)射天線數(shù)目識(shí)別原理:由傳統(tǒng)識(shí)別轉(zhuǎn)變?yōu)橥ㄟ^(guò)卷積神經(jīng)網(wǎng)絡(luò)識(shí)別,可以看成一個(gè)N類(lèi)決策問(wèn)題。卷積神經(jīng)網(wǎng)絡(luò)從特定的模型中提取特征,根據(jù)特征進(jìn)行分類(lèi)識(shí)別、預(yù)測(cè)、決策。給定不同發(fā)射天線數(shù)目輸入數(shù)據(jù)集,卷積神經(jīng)網(wǎng)絡(luò)在提取特征的訓(xùn)練過(guò)程中會(huì)在所有的數(shù)據(jù)點(diǎn)都進(jìn)行卷積操作。利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行發(fā)射天線數(shù)目識(shí)別,首先將預(yù)處理后的信號(hào)數(shù)據(jù)分割成訓(xùn)練集和測(cè)試集,通過(guò)訓(xùn)練集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),調(diào)整網(wǎng)絡(luò)參數(shù),使訓(xùn)練得到的模型對(duì)于目標(biāo)分類(lèi)的效果達(dá)到最優(yōu)。訓(xùn)練完成后輸入測(cè)試集,進(jìn)行測(cè)試。
在數(shù)據(jù)采集過(guò)程中,將接收的天線信號(hào)經(jīng)過(guò)下變頻成基帶信號(hào)。數(shù)字下變頻通常經(jīng)過(guò)IQ正交解調(diào)和低通濾波,經(jīng)過(guò)低通濾波器后得到同相分量和正交分量的復(fù)基帶I&Q信號(hào)。經(jīng)過(guò)歸一化處理后,為神經(jīng)網(wǎng)絡(luò)提供了原始無(wú)線電時(shí)間序列yt的輸入。將MIMO信號(hào)的一個(gè)復(fù)值輸入1×n看成兩個(gè)實(shí)值輸入,將yt作為一組2×n的向量放入2D卷積網(wǎng)絡(luò)中,其中正交同步采樣的同相分量和正交分量I&Q構(gòu)成了2維的維度數(shù)據(jù)。圖2給出了MIMO信號(hào)IQ解調(diào)原理框圖。
圖2 MIMO信號(hào)IQ解調(diào)原理圖
神經(jīng)網(wǎng)絡(luò)對(duì)輸入MIMO的I&Q數(shù)據(jù)進(jìn)行特征提取。輸入發(fā)射天線分類(lèi)數(shù)據(jù)集,根據(jù)卷積層的卷積核尺寸和移動(dòng)步長(zhǎng),將特征矩陣與卷積核進(jìn)行卷積,經(jīng)過(guò)激活函數(shù)后輸出一個(gè)新的特征矩陣。卷積層中使用卷積操作與前一層的局部感受野相連,獲得前一層的局部連接特征。
根據(jù)卷積過(guò)程,數(shù)據(jù)經(jīng)過(guò)卷積層后的輸出大小
(4)
式中:output_size代表經(jīng)過(guò)卷積層后輸出數(shù)據(jù)的尺寸;input_size是輸入數(shù)據(jù)的尺寸;CNN_size為卷積核尺寸大小;pad_size為補(bǔ)零填充數(shù);step是卷積移動(dòng)步長(zhǎng),卷積層的移動(dòng)步長(zhǎng)默認(rèn)是1。
MIMO多天線數(shù)目識(shí)別涉及天線的多分類(lèi)情況,因此在全連接層將所有的神經(jīng)元與上層卷積層連接后,最后輸出與SoftMax相連,根據(jù)數(shù)據(jù)集天線類(lèi)別SoftMax回歸處理后得到概率
(5)
式中:σi表示第i類(lèi)判斷概率值;Zk代表分類(lèi)器前級(jí)單元輸出,k表示當(dāng)前類(lèi)別索引,k∈[1,K],K為總類(lèi)別個(gè)數(shù)。在涉及的MIMO多天線分類(lèi)中,用多分類(lèi)交叉熵?fù)p失函數(shù)評(píng)估當(dāng)前訓(xùn)練得到的概率分布和真實(shí)分布之間的差異情況,刻畫(huà)實(shí)際輸出概率與期望輸出概率的距離。網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練,調(diào)節(jié)權(quán)重,找到最佳的權(quán)重值,使得天線分類(lèi)達(dá)到最優(yōu):
黑格爾在《精神現(xiàn)象學(xué)》中分析了啟蒙和信仰之間的關(guān)系,指出了啟蒙(純粹識(shí)見(jiàn))和信仰在心理結(jié)構(gòu)上的一致性。它們都對(duì)當(dāng)時(shí)的現(xiàn)實(shí)世界持懷疑態(tài)度。對(duì)于它們來(lái)說(shuō),現(xiàn)實(shí)世界是一個(gè)顛倒的世界,充滿幻象與虛偽。信仰不滿于現(xiàn)實(shí),它們超越現(xiàn)實(shí),它們要追求絕對(duì)本質(zhì),不過(guò)這個(gè)絕對(duì)本質(zhì)在遙遠(yuǎn)的彼岸。啟蒙也對(duì)現(xiàn)實(shí)表示不滿,它們也追求本質(zhì),不過(guò)對(duì)于啟蒙來(lái)說(shuō),本質(zhì)在于自我。它們都否定了顛倒世界提供給人們的直接觀念,而確信其他更本質(zhì)性的東西(自我或者絕對(duì)本質(zhì))。
(6)
式中:C是損失函數(shù),y是期望輸出,a是神經(jīng)元的實(shí)際輸出。
基于CNN的MIMO發(fā)射天線數(shù)目識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型如圖3所示。模型包括一個(gè)輸入層、三個(gè)卷積層、兩個(gè)全連接層和一個(gè)輸出層。輸入數(shù)據(jù)集,CNN卷積神經(jīng)網(wǎng)絡(luò)通過(guò)訓(xùn)練學(xué)習(xí),調(diào)整相關(guān)的權(quán)重參數(shù),使得模型的分類(lèi)精度接近標(biāo)簽真實(shí)值。整個(gè)神經(jīng)網(wǎng)絡(luò)工作是一個(gè)不斷學(xué)習(xí)的過(guò)程。
圖3 MIMO天線數(shù)目識(shí)別原理框圖
輸入層輸入2×1 024大小的I&Q信號(hào)數(shù)據(jù),第一卷積層卷積核數(shù)量為96,卷積核大小2×3,激活函數(shù)ReLu;第二卷積層卷積核數(shù)量為128,卷積核大小2×2,激活函數(shù)ReLu;第三卷積層卷積核數(shù)量為192,卷積核大小2×2,激活函數(shù)ReLu;第一全連接層的神經(jīng)元個(gè)數(shù)192個(gè),激活函數(shù)ReLu;第二全連接層神經(jīng)元個(gè)數(shù)6個(gè),激活函數(shù)SoftMax,這一層參數(shù)取決于識(shí)別分類(lèi)數(shù)量。為了防止過(guò)擬合,使用正則化,dropout設(shè)置為50%。
表1 MIMO天線數(shù)目識(shí)別網(wǎng)絡(luò)參數(shù)
實(shí)驗(yàn)仿真產(chǎn)生數(shù)據(jù)集6類(lèi)(包含單天線情況),其中每類(lèi)又包含8種信噪比(本文所指信噪比均是帶內(nèi)信噪比)。每類(lèi)信噪比有4 000個(gè)樣本,每個(gè)樣本有I和Q兩路信號(hào),每路信號(hào)包含1 024個(gè)點(diǎn),仿真數(shù)據(jù)集大小為6×8×4 000×2×1 024。
實(shí)測(cè)多天線信號(hào)數(shù)據(jù)采集常見(jiàn)的WiFi信號(hào)。在采用IEEE 802.11a協(xié)議通信時(shí),兩臺(tái)路由器之間通過(guò)單天線通信;采用IEEE 802.11n/ac協(xié)議通信時(shí),兩臺(tái)路由器之間的無(wú)線通信是MIMO信號(hào),將單天線通信看作一類(lèi)特殊MIMO通信。圖4所示實(shí)驗(yàn)中信號(hào)源是兩臺(tái)兩發(fā)兩收四天線WS5106華為路由器和兩臺(tái)三發(fā)三收六天線WDR7660普聯(lián)路由器,信號(hào)采集裝置是NI公司的USRP2954和PXIe-1082儀器。
圖4 數(shù)據(jù)采集裝置
由于硬件限制,實(shí)測(cè)數(shù)據(jù)只能采集三類(lèi)不同天線數(shù)目情況,分三次進(jìn)行數(shù)據(jù)采集:華為WS5106路由器IEEE 802.11a協(xié)議單天線通信數(shù)據(jù)、華為WS5106路由器IEEE 802.11n/ac協(xié)議2×2 MIMO通信數(shù)據(jù)、普聯(lián)WDR7660路由器IEEE 802.11n/ac協(xié)議3×3 MIMO通信數(shù)據(jù)。通過(guò)橋接,分為主路由器和副路由器,主路由器連接互聯(lián)網(wǎng)。設(shè)置主路由器工作在5.2 GHz頻段,工作帶寬20 MHz,通道選擇40。副路由器會(huì)根據(jù)主路由器的設(shè)置自動(dòng)更新,筆記本電腦通過(guò)網(wǎng)線連接副路由器上網(wǎng)。在采集數(shù)據(jù)時(shí),主路由器和副路由器之間的距離設(shè)置在2.5 m,采集裝置USRP2954的天線置于兩路由器之間采集信號(hào),通過(guò)PCIe ×4線纜傳輸數(shù)據(jù)到PXIe-1082,上位機(jī)采用Labview開(kāi)發(fā)接收數(shù)據(jù)保存。數(shù)據(jù)在送入神經(jīng)網(wǎng)絡(luò)之前要進(jìn)行預(yù)處理,將數(shù)據(jù)分割成仿真時(shí)數(shù)據(jù)大小3×10×1 200×2×1 024,然后對(duì)數(shù)據(jù)進(jìn)行功率歸一化處理,加載帶內(nèi)不同信號(hào)噪聲。
圖5是在不同信噪比下的混淆矩陣,通過(guò)觀察混淆矩陣主對(duì)角線上混淆塊顏色和對(duì)應(yīng)的概率大小可以直觀看出不同信噪比下模型對(duì)于天線數(shù)目識(shí)別的分類(lèi)效果。在信噪比為-5 dB時(shí)模型對(duì)天線數(shù)識(shí)別的效果很差,這可以從信號(hào)數(shù)據(jù)集解釋:信噪比低情況下信號(hào)特征被噪聲淹沒(méi),在訓(xùn)練過(guò)程中無(wú)法提取有效特征,導(dǎo)致神經(jīng)網(wǎng)絡(luò)對(duì)天線數(shù)目分類(lèi)效果不理想。在信噪比大于0 dB后,隨著信噪比的提高,網(wǎng)絡(luò)模型能逐漸提取信號(hào)的有效特征,對(duì)天線數(shù)分類(lèi)的性能也逐漸提高。當(dāng)信噪比在5 dB時(shí),網(wǎng)絡(luò)模型能有效提取信號(hào)特征。
圖5 不同信噪比下混淆矩陣
根據(jù)圖5的混淆矩陣圖發(fā)現(xiàn)模型對(duì)于數(shù)據(jù)的信噪比要求在5 dB以上,為便于比較,圖6對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)集信噪比從-5~30 dB進(jìn)行訓(xùn)練比較,在信噪比大于0 dB后模型分類(lèi)精度的性能在80%以上,并且epoch在50次。
(a)訓(xùn)練性能
實(shí)際測(cè)試的是單天線、2根發(fā)射天線和3根發(fā)射天線情況,結(jié)果如圖7所示。實(shí)際測(cè)試數(shù)據(jù)是在包含復(fù)雜電磁環(huán)境下采集的無(wú)線電數(shù)據(jù),通過(guò)后期在帶內(nèi)加載不同信噪比(-5~25 dB)分類(lèi)訓(xùn)練,最終模型的分類(lèi)精度在大于15 dB時(shí)可以到達(dá)85%。
圖7 實(shí)測(cè)信號(hào)混淆矩陣圖和訓(xùn)練性能曲線圖
仿真了6類(lèi)不同發(fā)射天線情況下神經(jīng)網(wǎng)絡(luò)訓(xùn)練檢測(cè)的識(shí)別效果,同時(shí)在真實(shí)數(shù)據(jù)測(cè)試中,受實(shí)驗(yàn)條件的約束只做了3類(lèi)不同發(fā)射天線情況識(shí)別檢測(cè)。根據(jù)仿真和實(shí)際測(cè)試的效果,卷積神經(jīng)網(wǎng)絡(luò)識(shí)別發(fā)射天線數(shù)目是可行的,仿真數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)均驗(yàn)證了模型的可行性。
在高信噪比時(shí),噪聲對(duì)于信號(hào)的影響效果降低,模型根據(jù)信號(hào)的特征能有效地進(jìn)行分類(lèi)。在仿真中,當(dāng)信噪比大于5 dB時(shí),神經(jīng)網(wǎng)絡(luò)對(duì)發(fā)射天線數(shù)目識(shí)別保持在一個(gè)穩(wěn)定的分類(lèi)精度值(98%),隨著天線數(shù)類(lèi)別的增加這個(gè)精度值可能會(huì)降低。天線數(shù)類(lèi)別增加,數(shù)據(jù)集特征提取對(duì)于神經(jīng)網(wǎng)絡(luò)越復(fù)雜。在實(shí)測(cè)數(shù)據(jù)訓(xùn)練中,采集的數(shù)據(jù)在信噪比大于15 dB后分類(lèi)精度趨于一個(gè)穩(wěn)定值(85%),實(shí)際測(cè)試的分類(lèi)效果相比于仿真測(cè)試效果有所下降。
本文提出了基于卷積神經(jīng)網(wǎng)絡(luò)的MIMO發(fā)射天線數(shù)目識(shí)別方法,通過(guò)仿真和實(shí)測(cè)數(shù)據(jù)驗(yàn)證了對(duì)發(fā)射天線數(shù)目識(shí)別效果。相對(duì)于傳統(tǒng)的發(fā)射天線數(shù)目識(shí)別方法,本文所提方法不用人為地尋找不同發(fā)射天線情況下的特征值,而且適用于單天線接收。但是,本方法也存在不足——在實(shí)際應(yīng)用中要求提前采取大量有效樣本數(shù)據(jù)訓(xùn)練模型,在訓(xùn)練模型過(guò)程中需要一定的時(shí)間。模型在實(shí)際測(cè)試中對(duì)于低信噪比下的天線數(shù)目分類(lèi)效果不太理想,雖然也嘗試優(yōu)化模型參數(shù),調(diào)整網(wǎng)絡(luò)模型結(jié)構(gòu),更改卷積層數(shù)、卷積核數(shù)目和大小,但對(duì)于低信噪比情況下的分類(lèi)效果還是不太理想。下一步將研究在數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)之前用傳統(tǒng)累積量等方法進(jìn)行降噪處理,以提高神經(jīng)網(wǎng)絡(luò)在低信噪比下對(duì)天線數(shù)目分類(lèi)的效果。