熊 剛,張 輝,任祥維,胡宗愷

(中國(guó)電子科技集團(tuán)公司第三十研究所,四川 成都 610041)

0 引 言

隨著無(wú)線通信系統(tǒng)的快速發(fā)展,電磁頻譜環(huán)境越來(lái)越紛繁密集,各種信號(hào)類(lèi)型也呈現(xiàn)出復(fù)雜的態(tài)勢(shì),因此信號(hào)識(shí)別與參數(shù)估計(jì)在無(wú)線電監(jiān)測(cè)、電子對(duì)抗中能夠起到重要的作用。

當(dāng)前的無(wú)線通信傳輸中大量使用了正交頻分復(fù)用(OFDM)技術(shù),由于其具有較高的頻帶使用率、數(shù)據(jù)傳輸率和良好的抗多徑衰落特性,成為新一代無(wú)線通信的研究熱點(diǎn),已經(jīng)被廣泛采用,如無(wú)人機(jī)測(cè)控鏈路系統(tǒng)、衛(wèi)星通信網(wǎng)、外軍戰(zhàn)術(shù)級(jí)信息網(wǎng)以及移動(dòng)通信系統(tǒng)等[1]。

對(duì)OFDM信號(hào)此類(lèi)多載波信號(hào)識(shí)別主要體現(xiàn)為對(duì)其調(diào)制類(lèi)型的識(shí)別。OFDM子載波信號(hào)調(diào)制識(shí)別是后續(xù)解調(diào)與分析的前提,具有十分重要的作用,典型的調(diào)制類(lèi)型包含二進(jìn)制相移鍵控(BPSK)、四進(jìn)制相移鍵控(QPSK)、八進(jìn)制相移鍵控(8PSK)和十六進(jìn)制正交幅度調(diào)制(16QAM)等。過(guò)去傳統(tǒng)的一些調(diào)制識(shí)別方法都是基于統(tǒng)計(jì)多參數(shù)分析及最大似然估計(jì)思路[2],但對(duì)于OFDM復(fù)雜體制的信號(hào)識(shí)別準(zhǔn)確度不高,導(dǎo)致分類(lèi)結(jié)果錯(cuò)誤,還須開(kāi)展更進(jìn)一步的研究和改進(jìn)。對(duì)人工智能(AI)——深度學(xué)習(xí)網(wǎng)絡(luò)算法作為新技術(shù)工具的探討方興未艾。由于其適應(yīng)無(wú)線信號(hào)在傳輸中實(shí)時(shí)、多變的性質(zhì),基于神經(jīng)網(wǎng)絡(luò)的OFDM信號(hào)識(shí)別方法也應(yīng)運(yùn)而生。該方法可以提高識(shí)別效率和分類(lèi)的精確性,較好地拓展信號(hào)處理分類(lèi)的應(yīng)用范圍。

本文提出了一種基于神經(jīng)網(wǎng)絡(luò)的改進(jìn)方法,以實(shí)現(xiàn)對(duì)接收到的OFDM信號(hào)進(jìn)行分類(lèi)識(shí)別與符號(hào)估計(jì)。該方法采取神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型,在模型中使用了線性激活的全連接層,能夠增加低信噪比及多徑信道條件下的信號(hào)正確識(shí)別率,同時(shí)考慮了在OFDM子載波調(diào)制數(shù)據(jù)集分類(lèi)訓(xùn)練過(guò)程中的實(shí)際信道環(huán)境。此外還引入Dropout及池化層優(yōu)化策略,實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)識(shí)別學(xué)習(xí)效率的進(jìn)一步提高,使得調(diào)制分類(lèi)的魯棒性更強(qiáng)。仿真驗(yàn)證表明,與傳統(tǒng)方法相比,本文提出的新思路,即通過(guò)使用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)(DNN)算法對(duì)OFDM信號(hào)調(diào)制識(shí)別及符號(hào)定時(shí)參數(shù)估計(jì),能夠得到更優(yōu)的識(shí)別率,且無(wú)需受到額外大量數(shù)據(jù)樣本條件的限制,廣泛適用于對(duì)多種OFDM調(diào)制信號(hào)的識(shí)別。

1 OFDM信號(hào)傳輸模型

OFDM信號(hào)傳輸模型的示意框圖如圖1所示。對(duì)于調(diào)制端:首先把待發(fā)送的符號(hào)數(shù)據(jù)信息進(jìn)行串并(S/P)轉(zhuǎn)換,然后將信號(hào)頻域波形轉(zhuǎn)換為時(shí)域,再添加循環(huán)前綴(CP)以減少子載波間的碼元信息干擾(ISI)。對(duì)于解調(diào)端:先進(jìn)行快速傅里葉變換(FFT),再將各路數(shù)據(jù)進(jìn)行并串(P/S)轉(zhuǎn)換,并將串行數(shù)據(jù)調(diào)制信號(hào)添加到信道發(fā)送,由此得到OFDM基帶信號(hào)。

圖1 OFDM基帶傳輸信號(hào)模型

Yi[k]=Hi[k]Xi[k]ej(2πkδ/N)+Wi[k]

(1)

式中:k表示OFDM信號(hào)的子載波序號(hào)數(shù);i表示OFDM信號(hào)的符號(hào)序號(hào)數(shù);Xi[k]表示傳輸信號(hào);Hi[k]表示信道的時(shí)頻響應(yīng);Yi[k]表示接收信號(hào);Wi[k]表示加性高斯白噪聲;δ表示符號(hào)的定時(shí)誤差。

而且多徑效應(yīng)可存在較強(qiáng)的旁路徑,信道散射引起了多徑信號(hào)的相位鏡像路徑,將使得信號(hào)出現(xiàn)相位偏移。

在本文中,結(jié)合瑞利信道模型中的OFDM信號(hào)樣本進(jìn)行學(xué)習(xí)和訓(xùn)練,能夠更貼近于實(shí)際通信場(chǎng)景情況。

2 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)計(jì)算原理

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)不僅是一種有效的分類(lèi)識(shí)別算法工具,還能夠分析和記憶信道特性,因此可用于OFDM信號(hào)檢測(cè)識(shí)別、符號(hào)估計(jì)等方面。本文在訓(xùn)練模型中使用了線性激活的全連接層進(jìn)行處理,實(shí)現(xiàn)較穩(wěn)定的學(xué)習(xí)網(wǎng)絡(luò)。對(duì)于DNN網(wǎng)絡(luò),通常使用多層次的神經(jīng)網(wǎng)絡(luò)、權(quán)重、偏差和激活函數(shù)。該算法基于每個(gè)訓(xùn)練級(jí)別的誤差更新權(quán)重和偏差,構(gòu)建反向傳播路徑,有助于改善分類(lèi)性能。修正線性選擇單元(ReLU)是可用的線性處理單元,通過(guò)修正回歸計(jì)算,得到了神經(jīng)網(wǎng)絡(luò)矩陣輸出層的概率分布,從而給各輸出分類(lèi)結(jié)果取到了概率值,即各類(lèi)可能性[3]。

圖2中DNN模型使用ReLU作為激活函數(shù),并且包含輸入層、卷積層、池化層、全連接層和輸出層,基于輸入信號(hào)樣本組成數(shù)據(jù)集,送至神經(jīng)網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)訓(xùn)練,識(shí)別OFDM信號(hào)。DNN模型的輸出層利用線性激活函數(shù)來(lái)實(shí)現(xiàn)結(jié)果反饋。

圖2 神經(jīng)網(wǎng)絡(luò)分類(lèi)識(shí)別的典型結(jié)構(gòu)

可通過(guò)設(shè)置Dropout典型的保留概率為50%來(lái)設(shè)計(jì)神經(jīng)網(wǎng)絡(luò),對(duì)于神經(jīng)網(wǎng)絡(luò)的正則化,Dropout方法是一種計(jì)算量小且有效的方法。當(dāng)在小數(shù)據(jù)集上訓(xùn)練時(shí),Dropout能夠優(yōu)化實(shí)現(xiàn)防止神經(jīng)網(wǎng)絡(luò)的過(guò)擬合,本文使用的DNN采用了6個(gè)卷積層和1個(gè)完全連接層。除了最后一層之外,每個(gè)卷積層后面都是批量歸一化、校正線性單元(ReLU)激活和最大池化層。在最后一個(gè)卷積層中,使用了平均池化,Softmax激活用于輸出層,其計(jì)算表達(dá)式為:

(2)

式中:zi表示網(wǎng)絡(luò)第i個(gè)節(jié)點(diǎn)輸出量;C為輸出節(jié)點(diǎn)數(shù)目,即分類(lèi)的數(shù)量。

對(duì)于Dropout優(yōu)化策略,可隨機(jī)選擇神經(jīng)元進(jìn)行暫時(shí)的刪除,然后再開(kāi)展深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和優(yōu)化。因此,該策略能減少相同層神經(jīng)元之間的互相影響,使DNN網(wǎng)絡(luò)的適應(yīng)性更強(qiáng)。

3 基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的識(shí)別

3.1 基于DNN的調(diào)制識(shí)別思路

OFDM信號(hào)在傳輸后接收到的第i個(gè)樣本復(fù)向量即信號(hào)解析向量,可由下式表示:

Si=[s1,s2,…,sn]

(3)

式中:n表示信號(hào)樣本數(shù)量;sn表示第n個(gè)樣本復(fù)向量,則sn表示為:

sn=Rn+jIn

(4)

式中:Rn為復(fù)信號(hào)樣本實(shí)數(shù)部分;In為復(fù)信號(hào)樣本虛數(shù)部分,實(shí)質(zhì)分別表示同相分量和正交分量。

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)(DNN)算法可以自動(dòng)提取此類(lèi)復(fù)信號(hào)數(shù)據(jù)的特征,然后基于訓(xùn)練方和分類(lèi)處理的方法,實(shí)現(xiàn)對(duì)OFDM信號(hào)調(diào)制識(shí)別。

可以采取的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)是1個(gè)共28層的神經(jīng)網(wǎng)絡(luò),包括輸入層和輸出層。其中6個(gè)是卷積層,6個(gè)批量歸一化層,6個(gè)ReLU激活層,5個(gè)最大池化層,1個(gè)平均池化層、1個(gè)完全連接層和1個(gè)Softmax激活。表1表示使用的神經(jīng)網(wǎng)絡(luò)的分層結(jié)構(gòu),展示了每一層的層類(lèi)型、激活和學(xué)習(xí)內(nèi)容。第1層是輸入層,第28層是輸出層。

網(wǎng)絡(luò)訓(xùn)練采用的數(shù)據(jù)集合是OFDM信號(hào)的子載波的典型調(diào)制類(lèi)型,包括二進(jìn)制相移鍵控(BPSK)、四進(jìn)制相移鍵控(QPSK)、八進(jìn)制相移鍵控(8PSK)和十六進(jìn)制正交幅度調(diào)制(16QAM)等。不妨設(shè)OFDM信號(hào)子載波數(shù)目為32個(gè),FFT點(diǎn)數(shù)為512,循環(huán)前綴(CP)長(zhǎng)度為64,設(shè)多普勒頻移為200 Hz,信噪比(SNR)區(qū)間從0到20 dB,對(duì)于各類(lèi)型的調(diào)制信號(hào)有50 000個(gè)數(shù)據(jù)樣本用于訓(xùn)練和測(cè)試,然后按照7∶3的比率分成訓(xùn)練數(shù)據(jù)樣本和識(shí)別數(shù)據(jù)樣本。在實(shí)際訓(xùn)練分類(lèi)中,通常面臨著網(wǎng)絡(luò)模型較大但訓(xùn)練樣本較少的情況,由此帶來(lái)過(guò)度擬合影響識(shí)別分類(lèi)成功率,由此引入Dropout策略,用于防止和抑制DNN網(wǎng)絡(luò)中的過(guò)度擬合。在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中,若隨機(jī)地使一定數(shù)量的卷積停止工作,則能夠提高網(wǎng)絡(luò)的泛化能力。在深度學(xué)習(xí)訓(xùn)練期間,采取Dropout的思路,根據(jù)一定的概率將訓(xùn)練單元從網(wǎng)絡(luò)中去除,對(duì)于隨機(jī)梯度下降而言,可用于訓(xùn)練不同的網(wǎng)絡(luò)。深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)Dropout優(yōu)化處理策略如圖3所示。

圖3 深度學(xué)習(xí)網(wǎng)絡(luò)Dropout策略處理示意圖

圖3(a)是優(yōu)化前的普通分析網(wǎng)絡(luò),圖3(b)是采取了Dropout優(yōu)化分析的網(wǎng)絡(luò)思路。將Dropout策略用于全連接層,設(shè)典型的留存概率值取為0.5。實(shí)際中,通常把Dropout看做統(tǒng)計(jì)平均處理手段。為降低測(cè)試數(shù)據(jù)集里面的錯(cuò)誤,應(yīng)將網(wǎng)絡(luò)中多個(gè)不同的訓(xùn)練結(jié)果取平均。考慮到隨機(jī)性,在進(jìn)行Dropout優(yōu)化后的網(wǎng)絡(luò)模型可視為不同形式的神經(jīng)網(wǎng)絡(luò),此時(shí)的訓(xùn)練參數(shù)保持不變,能夠使訓(xùn)練耗費(fèi)的時(shí)間縮短從而提高效率?；贒ropout優(yōu)化學(xué)習(xí)的思路還能使網(wǎng)絡(luò)分類(lèi)的各層具有更多泛化特征,結(jié)合ReLU歸一化和Softmax激活函數(shù),進(jìn)一步獲取網(wǎng)絡(luò)概率密度計(jì)算結(jié)果。綜上所述,除了網(wǎng)絡(luò)輸出層的各層中,OFDM調(diào)制識(shí)別過(guò)程采用批量歸一化和Dropout策略,實(shí)現(xiàn)了穩(wěn)健學(xué)習(xí)且減少了過(guò)度擬合。

3.2 基于DNN的符號(hào)定時(shí)估計(jì)思路

接收機(jī)的定時(shí)同步是影響無(wú)線系統(tǒng)性能的一個(gè)重要方面。所有基于OFDM的系統(tǒng)都需要對(duì)符號(hào)定時(shí)偏移進(jìn)行估計(jì),然后執(zhí)行校正[4]。此處采用了基于DNN的思路來(lái)估計(jì)符號(hào)定時(shí)偏移參數(shù),與傳統(tǒng)方法相比,該方法僅需較少的OFDM導(dǎo)頻子載波數(shù)量,從而減少樣本需求數(shù)量,提高了計(jì)算處理效率,且無(wú)需太多的先驗(yàn)條件,對(duì)算法的信噪比要求也更低。

OFDM符號(hào)定時(shí)估計(jì)算法提取的特征既可以在時(shí)域中處理,也可以在頻域中處理[5]。此處采用頻域分析思路與基于深度學(xué)習(xí)的方法進(jìn)行了綜合比較。對(duì)于頻域分析思路,導(dǎo)頻子載波被認(rèn)為存在于前幾個(gè)符號(hào)中,如圖4所示。

圖4 典型定時(shí)估計(jì)思路中訓(xùn)練符號(hào)數(shù)據(jù)的位置

(5)

設(shè)OFDM符號(hào)中的子載波包括導(dǎo)頻子載波,而符號(hào)中的其余子載波被加載有數(shù)據(jù),這些導(dǎo)頻子載波與數(shù)據(jù)子載波一起進(jìn)行調(diào)制。導(dǎo)頻位置包含了所有以預(yù)定義方式的信號(hào)星座。此處已考慮了多個(gè)等距的子載波,沿著給定子載波的導(dǎo)頻數(shù)據(jù)必須具有相等數(shù)量的所有信號(hào)星座點(diǎn),用于合理地訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類(lèi)器,不同子載波上的導(dǎo)頻可用于不同的深度學(xué)習(xí)分類(lèi)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。分類(lèi)器區(qū)分不同類(lèi)別之間的邊界,并且連續(xù)分類(lèi)器邊界之間的旋轉(zhuǎn)與符號(hào)定時(shí)偏移成比例。因此,能夠經(jīng)過(guò)平均計(jì)算降噪處理,進(jìn)一步獲取估計(jì)的符號(hào)定時(shí)參數(shù),從而獲得用于網(wǎng)絡(luò)訓(xùn)練的OFDM信號(hào)導(dǎo)頻子載波位置以及嵌入數(shù)據(jù)子載波的改進(jìn)結(jié)構(gòu)。本文中基于神經(jīng)網(wǎng)絡(luò)的符號(hào)定時(shí)估計(jì)思路處理主要流程如圖5所示。

圖5 本文改進(jìn)的符號(hào)定時(shí)估計(jì)思路處理主要流程

需注意的是,在識(shí)別分類(lèi)前,導(dǎo)頻數(shù)據(jù)進(jìn)行均衡預(yù)處理,并且沿著每個(gè)導(dǎo)頻子載波的數(shù)據(jù)都將被用于訓(xùn)練分類(lèi)器。

4 仿真分析

通過(guò)MATLAB仿真實(shí)驗(yàn)對(duì)本文中的OFDM識(shí)別和估計(jì)方法進(jìn)行驗(yàn)證分析。設(shè)置信號(hào)采樣率為200 MHz,載頻為70 MHz,循環(huán)前綴的數(shù)量取為OFDM子載波個(gè)數(shù)1/4,子載波調(diào)制方式包括BPSK、QPSK、8PSK、4QAM和16QAM調(diào)制,傳輸信道為瑞利信道,多普勒頻移為500 Hz,各子載波導(dǎo)頻符號(hào)數(shù)目取為80個(gè),定時(shí)偏移量為0.5個(gè)符號(hào)。蒙特卡洛仿真次數(shù)設(shè)為2 000次,噪聲為加性高斯白噪聲。將本文中基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)(DNN)的識(shí)別及估計(jì)算法和傳統(tǒng)的基于循環(huán)譜的識(shí)別及估計(jì)算法開(kāi)展仿真分析,性能曲線如圖6所示。

圖6 本文方法和傳統(tǒng)的識(shí)別及估計(jì)方法性能曲線

由圖6分析得出,本文中新改進(jìn)方法正確地實(shí)現(xiàn)了對(duì)OFDM信號(hào)的調(diào)制識(shí)別及符號(hào)估計(jì)。在信噪比為2 dB以上時(shí),平均正確率達(dá)到95%以上,且在低信噪比情況下,新方法效果比起過(guò)去的思路效果更優(yōu),提高了識(shí)別及估計(jì)性能。

5 結(jié)束語(yǔ)

本文提出了一種基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的OFDM信號(hào)調(diào)制識(shí)別與符號(hào)定時(shí)估計(jì)改進(jìn)算法,對(duì)OFDM信號(hào)在實(shí)際傳輸模型分析以及神經(jīng)網(wǎng)絡(luò)訓(xùn)練分類(lèi)架構(gòu)的基礎(chǔ)上,采取Dropout優(yōu)化策略增加了識(shí)別學(xué)習(xí)的泛化特征,可解決過(guò)度擬合問(wèn)題,提高分類(lèi)準(zhǔn)確性和穩(wěn)健性。對(duì)于OFDM定時(shí)偏移估計(jì),通過(guò)合理構(gòu)建分類(lèi)器訓(xùn)練的導(dǎo)頻數(shù)據(jù)結(jié)構(gòu),從而減小樣本資源開(kāi)銷(xiāo),提高處理效率。新的識(shí)別及估計(jì)算法比起傳統(tǒng)一些思路也提升了抗噪性能,通過(guò)仿真試驗(yàn)驗(yàn)證了效果,識(shí)別及估計(jì)的正確率更優(yōu),且無(wú)需過(guò)多的先驗(yàn)信息條件,擴(kuò)展了算法適用性。今后還將進(jìn)一步改進(jìn),為通信監(jiān)測(cè)和認(rèn)知無(wú)線電領(lǐng)域的相關(guān)研究提供更大助力[6]。