朱雨男 解方彤 張明亮 王 彪 葛慧林

(江蘇科技大學(xué)電子信息學(xué)院 鎮(zhèn)江 212100)

1 引言

水聲信道的復(fù)雜多徑和時(shí)變空變特性對(duì)實(shí)現(xiàn)穩(wěn)健的高速率水聲通信提出了巨大挑戰(zhàn)。以正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing,OFDM)[1]為代表的水聲多載波調(diào)制技術(shù)頻帶利用率高且能有效抵抗頻率選擇性衰落，其諸多的衍生調(diào)制方式如正交信號(hào)分割復(fù)用[2]、濾波器組多載波(Filter Bank MultiCarrier, FBMC)[3,4]、索引調(diào)制OFDM[5,6]等均已成為水聲通信領(lǐng)域的研究熱點(diǎn)。

索引調(diào)制技術(shù)最初用于多輸入多輸出系統(tǒng)對(duì)空域中的激活天線進(jìn)行選擇，文獻(xiàn)[7]將其應(yīng)用到頻域來(lái)控制激活的子載波位置，增加了活躍子載波間的稀疏性，進(jìn)一步降低了頻率偏移帶來(lái)的影響。文獻(xiàn)[8]將索引調(diào)制與FBMC聯(lián)合(Index Modulated FBMC, FBMC-IM)，一方面充分利用了原型濾波器組優(yōu)良的時(shí)頻聚焦特性來(lái)減少帶外輻射、抵抗符號(hào)間干擾和載波間干擾，另一方面靜默子載波的存在也削弱了FBMC系統(tǒng)中時(shí)頻格點(diǎn)1階鄰域內(nèi)的固有虛部干擾。但由于發(fā)送端將部分?jǐn)?shù)據(jù)比特作為索引比特來(lái)激活子載波，F(xiàn)BMC-IM系統(tǒng)在均衡后需對(duì)活躍子載波的位置進(jìn)行檢測(cè)，在恢復(fù)信號(hào)時(shí)引起誤碼的形式包括子載波星座符號(hào)映射錯(cuò)誤和活躍子載波位置檢測(cè)錯(cuò)誤。針對(duì)后者，目前常用能量檢測(cè)(Energy Detection, ED)、最大似然(Maximum Likelihood, ML)和對(duì)數(shù)似然比(Log-Likelihood Ratio, LLR)算法進(jìn)行檢測(cè)[5]。ML檢測(cè)對(duì)所有可能出現(xiàn)的子載波位置映射組合進(jìn)行窮舉；LLR檢測(cè)通過(guò)計(jì)算最大后驗(yàn)概率來(lái)進(jìn)行判別，后驗(yàn)概率的值越大則被看作活躍子載波的可能性越大。近年來(lái)隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)廣泛用于調(diào)制識(shí)別[9]、信道建模[10]和信號(hào)恢復(fù)[11,12]等，其不需要嚴(yán)格定義的模型就可以處理模糊信息或逼近非線性曲線，在信號(hào)處理領(lǐng)域具有很好的應(yīng)用前景。文獻(xiàn)[10]將條件生成對(duì)抗網(wǎng)絡(luò)引入自編碼網(wǎng)絡(luò)通信系統(tǒng)中模擬信道所帶來(lái)的影響，連接了發(fā)送端的編碼網(wǎng)絡(luò)和接收端的譯碼網(wǎng)絡(luò)，實(shí)現(xiàn)端到端的智能通信。文獻(xiàn)[11]將卷積神經(jīng)網(wǎng)絡(luò)引入水聲多載波通信接收端實(shí)現(xiàn)信道估計(jì)和信號(hào)檢測(cè)，相比傳統(tǒng)的最小二乘估計(jì)和基于全連接網(wǎng)絡(luò)的接收機(jī)，深度模型具有更好的特征提取效率和系統(tǒng)誤碼率性能。文獻(xiàn)[12]通過(guò)兩個(gè)級(jí)聯(lián)的子網(wǎng)絡(luò)將信道估計(jì)和均衡過(guò)程加入到樣本數(shù)據(jù)預(yù)處理中，相比前者“強(qiáng)解調(diào)”式的直接輸出所預(yù)測(cè)的發(fā)送比特，提升了深度學(xué)習(xí)方法的可解釋性。

將深度學(xué)習(xí)應(yīng)用到水聲通信系統(tǒng)的理念剛剛起步[13]，針對(duì)索引調(diào)制中的活躍子載波位置檢測(cè)問(wèn)題，本文提出一種基于雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Bidirectional Long Short-Term Memory, BLSTM)的水聲FBMC-IM索引檢測(cè)器，自動(dòng)獲取活躍子載波位置信息特征，采用數(shù)據(jù)驅(qū)動(dòng)的方式判定系統(tǒng)子載波的活躍狀態(tài)，提高檢測(cè)精度。將均衡后的分組載波序列作為特征向量，利用one-hot編碼思想設(shè)計(jì)該組對(duì)應(yīng)的標(biāo)簽向量，送入BLSTM網(wǎng)絡(luò)進(jìn)行離線學(xué)習(xí)和在線檢測(cè)。

2 水聲FBMC-IM通信系統(tǒng)

2.1 系統(tǒng)模型

圖1 FBMC-IM系統(tǒng)發(fā)送端框圖

2.2 檢測(cè)算法

3 基于BLSTM的索引檢測(cè)

3.1 網(wǎng)絡(luò)模型

圖2 BLSTM結(jié)構(gòu)圖

3.2 索引檢測(cè)器構(gòu)建

與ML算法相似，均衡后的數(shù)據(jù)yg一方面經(jīng)過(guò)BLSTM檢測(cè)活躍子載波位置，另一方面通過(guò)符號(hào)譯碼器計(jì)算出星座比特誤碼率。以(K,L)=(4,2)為例，共有6種活躍子載波組合可供選擇，若選用其中組合C1～C4，索引調(diào)制的映射關(guān)系如表1所示，經(jīng)one-hot編碼后形成 1 ×4的標(biāo)簽矩陣。圖3所示網(wǎng)絡(luò)結(jié)構(gòu)由多個(gè)BLSTM隱藏層、1個(gè)全連接輸出層級(jí)聯(lián)而成，輸出層采用softmax激活函數(shù)，輸出結(jié)果是一個(gè)4維的概率陣。將yg與對(duì)應(yīng)的one-hot標(biāo)簽作為一組輸入輸出數(shù)據(jù)來(lái)訓(xùn)練BLSTM網(wǎng)絡(luò)，通過(guò)反向傳播算法不斷減小輸出值與標(biāo)簽值之間的誤差。本文中采用多分類問(wèn)題下的交叉熵?fù)p失函數(shù)來(lái)衡量網(wǎng)絡(luò)輸出與真實(shí)標(biāo)簽間的誤差

表1 ( K,L)=(4,2)索引調(diào)制映射表

圖3 基于多層BLSTM的索引檢測(cè)框圖

當(dāng)損失值隨著迭代訓(xùn)練的進(jìn)行達(dá)到預(yù)設(shè)閾值或一定輪次后損失值不再減小時(shí)，網(wǎng)絡(luò)離線學(xué)習(xí)完成。各神經(jīng)元和LSTM單元所產(chǎn)生的參數(shù)都保存在網(wǎng)絡(luò)模型中，在FBMC-IM接收端在線索引檢測(cè)時(shí)直接輸出預(yù)測(cè)結(jié)果，進(jìn)一步通過(guò)譯碼恢復(fù)出索引比特。

3.3 復(fù)雜度分析

對(duì)于第g組子載波塊，本文所提索引檢測(cè)器與傳統(tǒng)檢測(cè)算法的復(fù)雜度對(duì)比如表2所示。ML檢測(cè)的復(fù)雜度與Ig和sg的實(shí)現(xiàn)種類成正比，與p1和L呈指數(shù)倍增長(zhǎng)。ED檢測(cè)和LLR檢測(cè)分別對(duì)比K個(gè)子載波上的最大符號(hào)能量和最大后驗(yàn)概率，大大降低了檢測(cè)復(fù)雜度。基于BLSTM的方法將索引檢測(cè)任務(wù)看作 2p1元分類識(shí)別，計(jì)算量主要集中在網(wǎng)絡(luò)迭代訓(xùn)練過(guò)程中，在網(wǎng)絡(luò)測(cè)試階段直接輸出識(shí)別結(jié)果，相較于子載波塊整體估計(jì)的ML檢測(cè)復(fù)雜度也有明顯的提升，相較于ED檢測(cè)和LLR檢測(cè)在計(jì)算中不會(huì)出現(xiàn)未曾選用的活躍子載波組合情況，系統(tǒng)誤碼率也更低。

表2 索引檢測(cè)算法復(fù)雜度對(duì)比

4 仿真分析

FBMC-IM系統(tǒng)的誤碼存在兩種形式：當(dāng)索引位置檢測(cè)正確時(shí)，由于干擾和噪聲導(dǎo)致的星座比特錯(cuò)誤；當(dāng)索引位置檢測(cè)錯(cuò)誤時(shí)，存在索引比特檢測(cè)錯(cuò)誤和因此導(dǎo)致的星座比特錯(cuò)誤。本文采用類似信號(hào)識(shí)別的概念來(lái)進(jìn)行FBMC-IM活躍子載波索引檢測(cè)，表3所示各信噪比下的BLSTM檢測(cè)與傳統(tǒng)檢測(cè)算法的誤索引率(Index Error Ratio, IER)對(duì)比，結(jié)果表明LLR的逐子載波計(jì)算后驗(yàn)概率與ED的IER相近，BLSTM在低信噪比時(shí)由于樣本帶噪嚴(yán)重，無(wú)法有效學(xué)習(xí)到數(shù)據(jù)的特征，但在高信噪比下對(duì)整組載波進(jìn)行識(shí)別的速度和準(zhǔn)確率均有提升，且隨著活躍子載波數(shù)量的增加效果越明顯。

圖4所示以 (K,L)=(4,1)為例，本文所提索引檢測(cè)算法在不同接收信噪比下的誤碼率性能，此時(shí)傳輸?shù)乃饕忍睾头?hào)比特占比相等。仿真結(jié)果表明在VTRM均衡后，LLR檢測(cè)和ED檢測(cè)的兩種形式誤碼都較為嚴(yán)重，相比之下BLSTM檢測(cè)直接大幅降低了索引比特出錯(cuò)，抑制了第2種形式的誤碼，間接地提升了符號(hào)比特的性能，整體的系統(tǒng)誤碼率優(yōu)于傳統(tǒng)索引調(diào)制檢測(cè)算法的任一誤碼形式。

圖4 基于BLSTM索引檢測(cè)的FBMC-IM系統(tǒng)誤碼率性能

圖5對(duì)比了3種子載波占空比下的FBMC-IM系統(tǒng)誤碼率，此時(shí)系統(tǒng)以不同的頻譜效率作為代價(jià)來(lái)增加每個(gè)載波塊中靜默子載波數(shù)量，降低子載波間干擾，穩(wěn)步提升了系統(tǒng)的誤碼率性能。仿真結(jié)果表明BLSTM檢測(cè)在各個(gè)模式下的表現(xiàn)均優(yōu)于傳統(tǒng)方法，且隨著靜默子載波數(shù)量的增加，性能提升的效果越明顯，與表3的IER值相互對(duì)應(yīng)，對(duì)于索引模式的切換具有較高的魯棒性。同時(shí)可以發(fā)現(xiàn)在(K,L)=(4,3) ,(K,L)=(4,2)時(shí)采用BLSTM索引檢測(cè)算法取得了傳統(tǒng)算法在 (K,L)=(4,2) ,(K,L)=(4,1)時(shí)的誤碼率性能，在同等條件下本文方法可以有效提高水聲FBMC-IM通信系統(tǒng)的頻譜效率，提高信息傳輸速度。

圖5 不同模式下的BLSTM索引檢測(cè)性能

為了進(jìn)一步驗(yàn)證所提索引檢測(cè)方法在不同通信場(chǎng)景下的魯棒性，F(xiàn)BMC-IM系統(tǒng)的各項(xiàng)通信參數(shù)設(shè)置和BLSTM的各項(xiàng)網(wǎng)絡(luò)超參數(shù)保持不變，加入時(shí)頻聚焦特性各異的擴(kuò)展高斯函數(shù)(Extended Gaussian Function, EGF)原型濾波器組進(jìn)行仿真。表4對(duì)比了在(K,L)=(4,1)時(shí) ，軸比例因子α分別為1/2, 1, 2時(shí)EGF濾波器下的IER。仿真結(jié)果表明表3的PHYDYAS濾波器與表4的EGF(α=2)濾波器IER相近，這兩種濾波器具有比較好的時(shí)域聚焦特性，能夠有效抑制符號(hào)間干擾即抵抗多徑效應(yīng)的能力更強(qiáng)，與當(dāng)前信道特征一致。而各向同性的EGF(α=1)濾波器下的BLSTM檢測(cè)的性能有所弱化，但仍優(yōu)于傳統(tǒng)算法。頻率聚焦特性更佳的EGF (α=1/2)濾波器下的檢測(cè)結(jié)果比ED, LLR差，這是由于此時(shí)所得的訓(xùn)練樣本中未作處理的多徑干擾更多，使得神經(jīng)網(wǎng)絡(luò)的特征提取效率大大下降。因次，BLSTM檢測(cè)方法對(duì)于所選原型脈沖設(shè)計(jì)與當(dāng)前信道時(shí)頻特征的匹配程度較為敏感，所得的IER結(jié)果與選用的濾波器的性能成反比。

表3 各信噪比下活躍子載波位置檢測(cè)誤索引率(IER)

表4 ( K,L)=(4,1)時(shí) 不同α 值的EGF濾波器組系統(tǒng)誤索引率(IER)

5 結(jié)論

在水聲信號(hào)處理領(lǐng)域應(yīng)用深度學(xué)習(xí)理論的思想逐漸得到了廣泛的認(rèn)可，本文提出一種結(jié)合BLSTM網(wǎng)絡(luò)的子載波索引檢測(cè)方法來(lái)降低水聲多載波通信系統(tǒng)的誤碼率。不同于傳統(tǒng)ED檢測(cè)和LLR的逐載波比較，利用BLSTM網(wǎng)絡(luò)對(duì)時(shí)間序列多元分類的思想進(jìn)行整體子載波塊索引識(shí)別，檢測(cè)結(jié)果表明所得IER優(yōu)于傳統(tǒng)算法，有效降低了索引檢測(cè)誤碼和星座符號(hào)檢測(cè)誤碼。同時(shí)基于外場(chǎng)實(shí)驗(yàn)信道數(shù)據(jù)仿真分析了不同子載波占空比和不同原型濾波器選擇下的系統(tǒng)性能，驗(yàn)證了所提方法的有效性和魯棒性，有望成為索引調(diào)制機(jī)制下的通用檢測(cè)手段。