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）

0 引言

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。

1 系統(tǒng)模型

1.1 MIMO信號(hào)模型

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)。

1.2 深度神經(jīng)網(wǎng)絡(luò)接收機(jī)模型

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。

2 多標(biāo)簽分類(lèi)MIMO智能接收機(jī)

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)。

3 仿真分析

3.1 仿真實(shí)驗(yàn)設(shè)置

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。

3.2 BER性能分析

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。

3.3 模型性能分析

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

4 結(jié)語(yǔ)

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。