王安義,張衡
(西安科技大學(xué) 通信與信息工程學(xué)院,西安 710054)
隨著5G 研究與快速發(fā)展,多輸入多輸出(Multi-Input Multi-Output,MIMO)系統(tǒng)因其能有效提高系統(tǒng)性能和增大系統(tǒng)容量受到了廣泛關(guān)注[1]。且MIMO 是5G 中提高系統(tǒng)容量和頻譜利用率的關(guān)鍵技術(shù)。理論上,當(dāng)小區(qū)基站天線數(shù)目趨于無(wú)窮大時(shí),加性高斯白噪聲(Additive White Gaussian Noise,AWGN)和瑞利衰落等負(fù)面影響全都可以忽略不計(jì),數(shù)據(jù)傳輸速率能得到極大提高[2]。但是在復(fù)雜的場(chǎng)景下,信號(hào)依然受到很多負(fù)面干擾,使得信號(hào)失真,因此使用深度學(xué)習(xí)去解決端到端的信號(hào)恢復(fù),也成為一個(gè)新的研究方向。
近幾年人工智能技術(shù)已然成為當(dāng)今社會(huì)最前沿的研究方向,其中深度學(xué)習(xí)受到了學(xué)術(shù)界和工業(yè)界的極大關(guān)注,并且在圖像識(shí)別、語(yǔ)音識(shí)別、自然語(yǔ)言處理等方面實(shí)現(xiàn)了實(shí)際應(yīng)用[3-5]。在此背景下,近年來(lái)國(guó)內(nèi)外研究學(xué)者開(kāi)始就如何將人工智能技術(shù)引入到通信領(lǐng)域展開(kāi)了初步的研究探索,在調(diào)試方式識(shí)別、信道編碼、通信信號(hào)分類(lèi)等方面取得了一定的研究成果[6-9]。當(dāng)前,現(xiàn)代無(wú)線通信系統(tǒng)朝著寬頻帶、大容量、遠(yuǎn)距離、多用戶(hù)、高效率、高靈活性的智能化和綜合化方向發(fā)展。新技術(shù)問(wèn)題的出現(xiàn)總是和人們對(duì)高性能通信系統(tǒng)的需求相伴隨。隨著通信場(chǎng)景多樣化,系統(tǒng)面臨著信道時(shí)變、鏈路非線性、計(jì)算處理資源受限等問(wèn)題。在信道估計(jì)方面,文獻(xiàn)[10]中提出一種基于深度學(xué)習(xí)的時(shí)變?nèi)鹄ヂ湫诺拦烙?jì)方法,通過(guò)將循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)結(jié)構(gòu)與滑動(dòng)窗口思想相結(jié)合,利用神經(jīng)網(wǎng)絡(luò)建立、訓(xùn)練和測(cè)試滑動(dòng)雙向門(mén)控遞歸單元信道估計(jì)器,完成時(shí)變?nèi)鹄ヂ湫诺赖墓烙?jì)。在信道均衡方面,文獻(xiàn)[11]中考慮了利用深度學(xué)習(xí)實(shí)現(xiàn)信道均衡,提出了基于深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network,DNN)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的均衡器,并與傳統(tǒng)的基于最小二乘法(Least Squares method,LS)和最小均方誤差(Minimum Mean Squared Error,MMSE)的均衡方法進(jìn)行了比較,在正交頻分復(fù)用(Orthogonal Frequency-Division Multiplexing,OFDM)系統(tǒng)中,取得了比傳統(tǒng)均衡方法更好的誤碼率(Bit Error Ratio,BER)性能。在符號(hào)判決方面,文獻(xiàn)[12]中利用DNN 結(jié)構(gòu)來(lái)替代OFDM 接收機(jī)中符號(hào)檢測(cè)模塊。未來(lái)通信場(chǎng)景運(yùn)用的多樣化,使得信號(hào)恢復(fù)處理研究領(lǐng)域面臨新的問(wèn)題。然而,機(jī)遇總是和挑戰(zhàn)相并存,在這樣的背景下,突破傳統(tǒng)方法的束縛,分析數(shù)據(jù)和知識(shí)的關(guān)聯(lián)性,研究復(fù)雜場(chǎng)景下信號(hào)恢復(fù)新方法,實(shí)現(xiàn)智能通信接收方法就更加值得去探索和研究。
深度學(xué)習(xí)中的多標(biāo)簽分類(lèi)算法常用于解決文本分類(lèi)、圖像分類(lèi)、生物信息分類(lèi)等問(wèn)題。與傳統(tǒng)分類(lèi)不同的是,在多標(biāo)簽分類(lèi)問(wèn)題中標(biāo)簽數(shù)不確定,可以是單個(gè)標(biāo)簽,可也是多個(gè)標(biāo)簽,高達(dá)幾十甚至上百個(gè)。依據(jù)這一特性,本文將輸出的比特序列看作多個(gè)標(biāo)簽,提出了基于多標(biāo)簽分類(lèi)的MIMO智能接收機(jī)。最后進(jìn)行了仿真分析,驗(yàn)證了其優(yōu)越的性能。
本文主要工作如下:
1)提出MIMO 智能接收機(jī)模型,實(shí)現(xiàn)從接收到的IQ(I:in-phase 表示同相;Q:quadrature 表示正交,與I 相位差90°)信號(hào)波形中恢復(fù)出原始信息比特流的目的,替代傳統(tǒng)通信接收機(jī)中載波和符號(hào)同步、信道估計(jì)、均衡、解調(diào)、信道譯碼等整個(gè)信息恢復(fù)流程,盡可能減少無(wú)線信道衰落、噪聲、干擾等因素的影響。
2)提出一種基于CNN 分類(lèi)的智能接收機(jī)實(shí)現(xiàn)方式。具體來(lái)說(shuō),本文設(shè)計(jì)了一種一維卷積(1D-Conv)-DenseNet 網(wǎng)絡(luò)結(jié)構(gòu),網(wǎng)絡(luò)中所有的卷積均為一維卷積,采用全局池化(Global pooling)得到相同維度的特征向量來(lái)提升網(wǎng)絡(luò)對(duì)不同輸入信號(hào)長(zhǎng)度的適應(yīng)性,在最后的分類(lèi)層采用一個(gè)分類(lèi)函數(shù)來(lái)代替M個(gè)二分類(lèi)器來(lái)實(shí)現(xiàn)比特流恢復(fù),解決信息比特?cái)?shù)較多時(shí)采用單分類(lèi)器出現(xiàn)的類(lèi)別數(shù)目過(guò)多的問(wèn)題,同時(shí)選擇Sigmoid 作為分類(lèi)函數(shù),省去對(duì)比特序列的熱編碼步驟。
在MIMO 發(fā)送信號(hào)端,將要發(fā)送的語(yǔ)音、文本或視頻等內(nèi)容在經(jīng)過(guò)處理轉(zhuǎn)換成信息比特流,然后對(duì)信息比特流進(jìn)行信道編碼、調(diào)制和脈沖整形,最后經(jīng)過(guò)空時(shí)編碼后由不同天線將產(chǎn)生的信號(hào)輻射到空中。接收機(jī)接收到信號(hào)后,采用解調(diào)、信道解碼等方法恢復(fù)信息碼流,然后對(duì)碼流進(jìn)行解密、解碼,得到原始內(nèi)容。傳統(tǒng)的通信接收算法主要針對(duì)特定的調(diào)制和編碼方式進(jìn)行設(shè)計(jì),對(duì)于發(fā)射端采用自適應(yīng)編碼調(diào)制的通信系統(tǒng),其接收端也往往需要知道當(dāng)前信號(hào)采用的調(diào)制和編碼方式,才能選擇對(duì)應(yīng)的接收算法進(jìn)行信息恢復(fù)。本文以MIMO 無(wú)線通信系統(tǒng)為模型,其接收端的信號(hào)為:
其中:y為接收信息向量;H為瑞利衰落隨機(jī)信道矩陣;x=(x1,x2,…,xM)T為發(fā)送向量,n為高斯加性白噪聲。
研究表明,在發(fā)射機(jī)上獲得的增益通常很小,尤其是在高信噪比(Signal-to-Noise Ratio,SNR)時(shí)。然而,在多用戶(hù)情況下性能差距要大得多,并且隨著信噪比變大或發(fā)射天線數(shù)量增加,性能差距將增加而不是減小。這可能使得在發(fā)射機(jī)處獲得信道知識(shí)的潛在高成本更加合理[13]。而接收機(jī)是保證無(wú)線通信系統(tǒng)誤碼率性能的關(guān)鍵,其接收到的信號(hào)會(huì)受到很多不可控因素的干擾和影響,常見(jiàn)的因素有衰落、損耗等。由于接收機(jī)會(huì)接收到一些失真嚴(yán)重的信號(hào),想要從這些失真嚴(yán)重的信號(hào)中恢復(fù)發(fā)送數(shù)據(jù),MIMO 傳統(tǒng)方法是采取空分復(fù)用技術(shù),它是在發(fā)射端發(fā)射相互獨(dú)立的信號(hào)[14],接收端采用干擾抑制的方法進(jìn)行解碼的技術(shù)。
由于龐大的訓(xùn)練數(shù)據(jù),本文對(duì)文獻(xiàn)[15]中提出的智能接收機(jī)算法進(jìn)行了改進(jìn)(如圖1 所示),設(shè)計(jì)了小訓(xùn)練樣本的多標(biāo)簽分類(lèi)MIMO 智能接收機(jī)模型,該模型使用深度神經(jīng)網(wǎng)絡(luò)來(lái)代替?zhèn)鹘y(tǒng)通信接收端的信息恢復(fù)過(guò)程。多標(biāo)簽分類(lèi)MIMO 智能接收機(jī)的輸入為接收到的無(wú)線IQ 信號(hào),輸出為恢復(fù)后的信息比特流。這種智能接收機(jī)與傳統(tǒng)的通信發(fā)送端形成一種新的通信體系,其目的是在各種非理想條件下盡可能可靠地恢復(fù)信息,提高接收機(jī)對(duì)復(fù)雜場(chǎng)景的適應(yīng)性。
設(shè)發(fā)送的信息比特流為s=(s1,s2,…,sM),其中M是比特流中的比特?cái)?shù),si(i=1,2,…,M)取二進(jìn)制0 或1。信息比特流經(jīng)過(guò)信道編碼、調(diào)制和脈沖成型。產(chǎn)生的信號(hào)通過(guò)MIMO方式發(fā)送,通過(guò)無(wú)線信道發(fā)送到接收端。常用方法是使用單一的多類(lèi)別分類(lèi)器來(lái)解決。比特流總共包含M比特,所有可能的類(lèi)的數(shù)目為2M,因此可以使用具有2M類(lèi)的分類(lèi)器來(lái)解決這個(gè)問(wèn)題。然而,隨著比特?cái)?shù)量級(jí)增加,輸出類(lèi)別的數(shù)目呈指數(shù)爆炸增長(zhǎng)[15]。傳輸位數(shù)小時(shí)可以輕松實(shí)現(xiàn),但是隨著5G 技術(shù)的高速發(fā)展,大比特流傳輸不可避免。當(dāng)M很大時(shí),需要的訓(xùn)練樣本數(shù)量將遠(yuǎn)遠(yuǎn)大于2M。產(chǎn)生如此多的訓(xùn)練樣本很困難,實(shí)測(cè)的數(shù)據(jù)也很難達(dá)到需求;同時(shí)訓(xùn)練的計(jì)算復(fù)雜度會(huì)非常高,訓(xùn)練網(wǎng)絡(luò)的時(shí)間將非常長(zhǎng)且很難收斂。
本文將該問(wèn)題看作是單輸入多輸出分類(lèi)問(wèn)題,將接收到的IQ 信號(hào)作為網(wǎng)絡(luò)的輸入,網(wǎng)絡(luò)主體采用DenseNet(Dense convolutional Network)一維卷積模型,對(duì)網(wǎng)絡(luò)最后將提取到的共享特征向量進(jìn)行多標(biāo)簽分類(lèi)操作,而多標(biāo)簽分類(lèi)恰好是處理單輸入多輸出分類(lèi)問(wèn)題的一個(gè)方法。多標(biāo)簽分類(lèi)器模型的任務(wù)是從接收到的IQ 信號(hào)中恢復(fù)信息比特流,常規(guī)的思路是把輸出的比特序列當(dāng)作是一個(gè)序列整體,而本文將輸出序列的每一個(gè)值都看作一個(gè)輸出。在多標(biāo)簽分類(lèi)神經(jīng)網(wǎng)絡(luò)中,一些學(xué)習(xí)算法本身就支持多標(biāo)簽分類(lèi)。將神經(jīng)網(wǎng)絡(luò)模型配置為支持多標(biāo)簽分類(lèi),并且可以根據(jù)分類(lèi)任務(wù)的具體情況很好地執(zhí)行。只需指定問(wèn)題中的目標(biāo)標(biāo)簽數(shù)作為輸出層中節(jié)點(diǎn)數(shù),神經(jīng)網(wǎng)絡(luò)就可以直接支持多標(biāo)簽分類(lèi)[16-18]。具有M個(gè)輸出標(biāo)簽(類(lèi))的任務(wù)將需要一個(gè)神經(jīng)網(wǎng)絡(luò)輸出層,該神經(jīng)網(wǎng)絡(luò)在輸出層中具有M個(gè)節(jié)點(diǎn)。輸出必須使用Sigmoid 函數(shù)激活,這將預(yù)測(cè)每個(gè)標(biāo)簽的概率,損失函數(shù)選擇用二進(jìn)制交叉熵?fù)p失函數(shù)擬合。
因此,本文提出基于多標(biāo)簽分類(lèi)算法的模型,此模型采用DenseNet 深度神經(jīng)網(wǎng)絡(luò)。在全連接層之后使用Sigmoid 分類(lèi)函數(shù)輸出向量標(biāo)簽,標(biāo)簽向量里的每個(gè)值即對(duì)應(yīng)為0 或1的概率,當(dāng)概率大于0.5 時(shí)輸出標(biāo)簽為1,小于0.5 時(shí)輸出標(biāo)簽為0。
文獻(xiàn)[15]中提出共享網(wǎng)絡(luò)多二分類(lèi)模型,如圖2 左邊所示,該模型對(duì)共享網(wǎng)絡(luò)提取到的特征向量進(jìn)行多次二分類(lèi)操作。該模型使用M個(gè)Softmax 函數(shù)并行對(duì)特征向量進(jìn)行分類(lèi)從而實(shí)現(xiàn)多二分類(lèi),恢復(fù)M位比特信號(hào)。如圖2 右邊中虛線框所示,在該模型基礎(chǔ)上,使用一個(gè)Sigmoid 函數(shù)來(lái)代替M個(gè)Softmax 函數(shù),實(shí)現(xiàn)一次分類(lèi)操作恢復(fù)比特信號(hào)。Sigmoid 和Softmax 都可以用作分類(lèi),兩者的核心區(qū)別在于函數(shù)輸出值的分布。Softmax 函數(shù)用于分類(lèi)主要就是利用其在眾多輸出值的概率分布滿(mǎn)足輸出中只有一個(gè)值大于0.5,剩下的輸出值均小于0.5,且所有值的和為1 的概率分布。而Sigmoid 函數(shù)的不同之處在于,該函數(shù)的每一個(gè)輸出都是獨(dú)立的,每一個(gè)輸出值都服從大于0 且小于1 的概率分布。本文正是利用了這一概率分布特性,使用一個(gè)Sigmoid 函數(shù)來(lái)代替M個(gè)Softmax 函數(shù)。此做法優(yōu)點(diǎn)如下:
1)替換后的網(wǎng)絡(luò)得到簡(jiǎn)化,在參數(shù)減少的同時(shí),訓(xùn)練時(shí)間也得到了優(yōu)化(文獻(xiàn)[15]中多二分類(lèi)模型并行計(jì)算,本質(zhì)上還是多個(gè)網(wǎng)絡(luò),訓(xùn)練時(shí)間長(zhǎng))。2)在數(shù)據(jù)做標(biāo)簽時(shí)也省去了很多步驟,因?yàn)槲墨I(xiàn)[15]中使用M個(gè)Softmax 二分類(lèi)函數(shù),而該分類(lèi)函數(shù)的輸出標(biāo)簽是獨(dú)熱編碼,需要2 個(gè)位編碼。首先在對(duì)M位比特做標(biāo)簽時(shí)需要將一個(gè)長(zhǎng)度為M的序列拆分為M個(gè)單獨(dú)的比特,然后需要對(duì)這些獨(dú)立的比特進(jìn)行熱編碼,因?yàn)槭嵌诸?lèi),所以每個(gè)標(biāo)簽為2位,最后還要將這些獨(dú)立打好標(biāo)簽的編碼再組合。本文利用Sigmoid 激活函數(shù)輸出是一個(gè)一維長(zhǎng)度為M的向量矩陣這一特點(diǎn),正好與M位序列向量匹配,可以直接使用信號(hào)的M位比特序列作為網(wǎng)絡(luò)的輸出標(biāo)簽,在通信系統(tǒng)里減少操作步驟,在實(shí)際應(yīng)用中減少時(shí)延。
修改模型為M個(gè)輸出的多標(biāo)簽分類(lèi)器,由于恢復(fù)的比特自身數(shù)值[0,1]的屬性,則可以省去進(jìn)行標(biāo)簽處理的步驟,因此本文直接將輸出比特作為輸出標(biāo)簽。設(shè)s=(s1,s2,…,sM),M表示標(biāo)簽空間的標(biāo)簽量,作為最后一層輸出。將二維的信號(hào)比特特征x輸入此多標(biāo)簽分類(lèi)器模型中學(xué)習(xí),得到預(yù)測(cè)輸出y=predict(x),真實(shí)實(shí)例標(biāo)簽為=sT,其中激活函數(shù)為Sigmoid 函數(shù):
整個(gè)網(wǎng)絡(luò)訓(xùn)練損失函數(shù)設(shè)計(jì)為二值交叉熵?fù)p失函數(shù):
其中:yi為真實(shí)標(biāo)簽;N為樣本個(gè)數(shù)=σ(xj-1),j為網(wǎng)絡(luò)層數(shù),xn-1為最后一層激活函數(shù)的前一層輸入。
深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練是基于訓(xùn)練數(shù)據(jù)集優(yōu)化網(wǎng)絡(luò)參數(shù),在訓(xùn)練集上取得良好的性能,同時(shí)盡量使其推廣到訓(xùn)練集以外的其他數(shù)據(jù)。本文采用深度學(xué)習(xí)多標(biāo)簽分類(lèi)中最常用的優(yōu)化方法,即自適應(yīng)矩陣估計(jì)(Adaptive moment estimation,Adam)。損失函數(shù)是訓(xùn)練的關(guān)鍵,對(duì)于多標(biāo)簽分類(lèi)問(wèn)題,選擇二值交叉熵?fù)p失函數(shù)。
訓(xùn)練集數(shù)據(jù)和測(cè)試集數(shù)據(jù)均用Matlab2020a 生成。訓(xùn)練使用Tensorflow 在英偉達(dá)2080Ti GPU 上進(jìn)行。網(wǎng)絡(luò)初始化時(shí),所有參數(shù)均以高斯分布隨機(jī)初始化。訓(xùn)練優(yōu)化器采用Adam,訓(xùn)練時(shí),batch 大小為128,Epoch 次數(shù)為8,初始學(xué)習(xí)率為0.001。
實(shí)驗(yàn)分為四個(gè)部分:
實(shí)驗(yàn)一 驗(yàn)證智能接收機(jī)端到端信息恢復(fù)能力,考慮兩種調(diào)制方式:二進(jìn)制相移鍵控(Binary Phase Shift Keying,BPSK)調(diào)制和正交相移鍵控(Quadrature Phase Shift Keying,QPSK)調(diào)制,信道編碼采用(7,4)漢明碼,脈沖成型濾波器采用升余弦濾波器,滾降系數(shù)為0.5。對(duì)于BPSK 漢明碼方式,原始信息比特?cái)?shù)為16,使用Matlab 隨機(jī)生成序列,經(jīng)過(guò)編碼后為28 比特,分別使用BPSK 和QPSK 調(diào)制,再經(jīng)正交空時(shí)分組編碼(Orthogonal Space-Time Block Coding,OSTBC)和升余弦濾波成型后發(fā)出,默認(rèn)環(huán)境AWGN,本次實(shí)驗(yàn)信道是服從瑞利分布的多徑衰落,設(shè)置最大多普勒頻移為1 Hz。每個(gè)訓(xùn)練數(shù)據(jù)集信號(hào)Eb/N0(比特信噪比,單位dB)范圍0 dB~8 dB,步長(zhǎng)1 dB。每個(gè)Eb/N0 的樣本數(shù)為10 萬(wàn)條,共計(jì)90 萬(wàn)條訓(xùn)練數(shù)據(jù)。測(cè)試數(shù)據(jù)集信號(hào)Eb/N0 范圍0 dB~8 dB,每個(gè)Eb/N0的樣本數(shù)為10 萬(wàn)條。
實(shí)驗(yàn)二 驗(yàn)證智能接收機(jī)模型對(duì)多種調(diào)制和編碼組合的信息恢復(fù)能力,考慮兩種調(diào)制方式:BPSK 調(diào)制和QPSK 調(diào)制,信道編碼采用(7,3)循環(huán)編碼和(15,5)循環(huán)編碼,由于2發(fā)射天線空時(shí)編碼偶數(shù)特性,原始信息(7,3)循環(huán)編碼比特?cái)?shù)為24,(15,5)循環(huán)編碼比特?cái)?shù)為20,每個(gè)訓(xùn)練數(shù)據(jù)集,信號(hào)Eb/N0 范圍0 dB~8 dB,步長(zhǎng)1 dB。每個(gè)Eb/N0 的樣本數(shù)為1 萬(wàn)條,共計(jì)9 萬(wàn)條訓(xùn)練集。測(cè)試數(shù)據(jù)集中,信號(hào)Eb/N0 范圍0 dB~8 dB,每個(gè)Eb/N0 的樣本數(shù)為1 萬(wàn)條。
實(shí)驗(yàn)三 驗(yàn)證MIMO 智能接收機(jī)在受到干擾信號(hào)情況下的性能。本實(shí)驗(yàn)是以2×2MIMO 為基礎(chǔ),考慮了兩種受干擾的情況:其一是單個(gè)發(fā)射天線上信號(hào)受到干擾信號(hào)的干擾;其二是兩個(gè)發(fā)射天線信號(hào)分別受到不同頻率的干擾信號(hào),干擾信號(hào)的功率根據(jù)信干比(Signal-to-Interference power Ratio,SIR)在-10 dB~20 dB 確定。
信號(hào)Eb/N0 范圍仍然設(shè)置為0 dB~8 dB。干擾信號(hào)部分如圖3 所示,干擾信號(hào)的橫坐標(biāo)表示為離散干擾信號(hào)的個(gè)數(shù),與接收的IQ 信號(hào)相同。本文選擇了Eb/N0=8 dB,SIR 分別為-10 dB、15 dB 的兩張圖。從圖3 中可以看出,當(dāng)SIR 很小時(shí),干擾信號(hào)可以很明顯辨別。當(dāng)SIR 很大時(shí),干擾信號(hào)很小,難以辨別。
實(shí)驗(yàn)四 為驗(yàn)證其信息恢復(fù)位數(shù)的可擴(kuò)展性,考慮信息恢復(fù)比特位數(shù)分別為32、64、128。均用BPSK 調(diào)制方式與瑞利信道。每個(gè)訓(xùn)練數(shù)據(jù)集信號(hào)Eb/N0 范圍為0 dB~8 dB,步長(zhǎng)1 dB。每個(gè)Eb/N0 的樣本數(shù)為1 萬(wàn)條,共計(jì)9 萬(wàn)條訓(xùn)練集。因?yàn)榛謴?fù)位數(shù)不同,做了兩次對(duì)比實(shí)驗(yàn),第一次控制測(cè)試數(shù)據(jù)集相同,每個(gè)Eb/N0 均為1 萬(wàn)條數(shù)據(jù),則總比特?cái)?shù)依次為32 萬(wàn)條、64 萬(wàn)條、128 萬(wàn)條;第二次測(cè)試每個(gè)Eb/N0 控制總比特?cái)?shù)相同,則測(cè)試集數(shù)據(jù)依次為1 萬(wàn)條、0.5 萬(wàn)條、0.25 萬(wàn)條。
實(shí)驗(yàn)一比較理想信道和瑞利信道下智能接收機(jī)的性能。從圖4 可以看出,當(dāng)信道中有衰落的影響時(shí),傳統(tǒng)接收機(jī)的性能受到很大的影響,但對(duì)智能接收機(jī)影響并不顯著,且智能接收機(jī)的性能遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng)接收機(jī),這也驗(yàn)證了多標(biāo)簽智能接收機(jī)端到端強(qiáng)大的信息恢復(fù)能力。Eb/N0=7 dB時(shí),傳統(tǒng)譯碼方法的誤碼率(BER)為1E-7,而本文設(shè)計(jì)的多標(biāo)簽接收機(jī)在Eb/N0=6 dB時(shí),BER 已經(jīng)為0,性能更加優(yōu)異。
對(duì)于實(shí)驗(yàn)二,從圖5 可以看出,在采用多種調(diào)制方式和編碼方式的情況下,智能接收機(jī)仍然能夠以很高的準(zhǔn)確率恢復(fù)原始信息,而且性能遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng)方法,說(shuō)明了多標(biāo)簽智能接收機(jī)的優(yōu)越性。
對(duì)于實(shí)驗(yàn)三,從圖6 可以看出,相同SIR下,傳統(tǒng)譯碼,兩個(gè)發(fā)射數(shù)據(jù)都被干擾要比單個(gè)發(fā)射數(shù)據(jù)要嚴(yán)重。但對(duì)于智能接收機(jī)而言,性能得到極大的提升。在SIR=-5 dB,Alamouti 譯碼幾乎已經(jīng)無(wú)法恢復(fù)信號(hào),但是智能接收機(jī)依然在Eb/N0=8 dB時(shí),BER 達(dá)到了1E-5。這也驗(yàn)證了智能接收機(jī)端到端處理數(shù)據(jù)的強(qiáng)大能力,以及強(qiáng)抗干擾性能。
實(shí)驗(yàn)四的結(jié)果如圖7 所示,當(dāng)總比特?cái)?shù)相同時(shí),在實(shí)驗(yàn)一和實(shí)驗(yàn)二的基礎(chǔ)上擴(kuò)展了信號(hào)恢復(fù)位數(shù),在小比特?cái)?shù)情況下,當(dāng)Eb/N0=5 dB時(shí),BER 已經(jīng)為0,性能非常優(yōu)秀,隨著信息比特位數(shù)增大,在同一個(gè)深度神經(jīng)網(wǎng)絡(luò)下,準(zhǔn)確率開(kāi)始下降。這是由于共享網(wǎng)絡(luò)模型本身存在問(wèn)題,共享網(wǎng)絡(luò)由于共享的是同一個(gè)特征向量,所以特征向量的復(fù)雜度決定了結(jié)果的準(zhǔn)確度。文獻(xiàn)[15]中提出的共享網(wǎng)絡(luò)由于在最后一層卷積層的卷積核數(shù)量為150,這使得共享的特性輸出維度為(151,1),當(dāng)151 維用于32 位和64 位輸出時(shí),效果很好;但是隨著輸出數(shù)量越來(lái)越大,特征向量輸出的效果降低。這需要進(jìn)一步對(duì)特征向量增加維度進(jìn)行優(yōu)化。
從表1 中可以發(fā)現(xiàn),改進(jìn)過(guò)的模型的訓(xùn)練時(shí)間有所減少,參數(shù)量大幅下降,每個(gè)批次提升約4 min,在相同共享網(wǎng)絡(luò)的情況下,網(wǎng)絡(luò)參數(shù)減少了2 416 個(gè)。結(jié)合圖2 虛線框中的結(jié)構(gòu),文獻(xiàn)[15]模型的參數(shù)為151×2×16=4 832,多標(biāo)簽151×16=2 416,相差值Δ=4 832-2 416=2 416,改進(jìn)后的模型參數(shù)量比文獻(xiàn)[15]中少了151×M。
表1 不同模型的性能對(duì)比Tab.1 Performance comparison of different models
本文將多標(biāo)簽分類(lèi)思想應(yīng)用于MIMO 接收機(jī)系統(tǒng)上,采用深度學(xué)習(xí)算法,解決了MIMO 整個(gè)接收端的信號(hào)恢復(fù)問(wèn)題。智能接收機(jī)優(yōu)化的是接收端信息恢復(fù)整體性能,能夠?qū)崿F(xiàn)多種調(diào)制和編碼方式下的信息恢復(fù)。智能接收機(jī)只從數(shù)據(jù)中學(xué)習(xí),不需要考慮外界干擾的影響。仿真結(jié)果表明,基于多標(biāo)簽分類(lèi)算法的BER 性能優(yōu)于現(xiàn)有的研究方法,同時(shí)在模型的參數(shù)量與時(shí)間效率上均有很大的優(yōu)勢(shì)。本文提出的基于多標(biāo)簽分類(lèi)的MIMO 智能接收機(jī)可以進(jìn)一步提高接收機(jī)的性能,因此對(duì)于實(shí)際的通信系統(tǒng)具有實(shí)際應(yīng)用價(jià)值,針對(duì)通信過(guò)程中的信號(hào)檢測(cè)、信號(hào)恢復(fù)、信號(hào)調(diào)制方式識(shí)別等通信問(wèn)題提供了一種新的解決方法。下一步將在已有的智能接收機(jī)仿真研究中,研究其在真實(shí)的海洋復(fù)雜多變的惡劣環(huán)境中的應(yīng)用。