基于BP神經網絡的GSM-R抗同頻干擾方法研究*

孫鳴蔚，韓思遠

(蘭州交通大學教育部重點實驗室，甘肅 蘭州 730070)

基于BP神經網絡的GSM-R抗同頻干擾方法研究*

孫鳴蔚，韓思遠

(蘭州交通大學教育部重點實驗室，甘肅 蘭州 730070)

在GSM-R通信網絡中，同頻干擾是影響通信質量的一個因素。由于被訓練的BP神經網絡可以不斷校正誤差，使輸出誤差不斷減小。為解決GSM-R同頻干擾問題，提出了用BP神經網絡及其算法對GSM-R通信信號進行校正，通過構建GSM-R通信系統(tǒng)和BP神經網絡系統(tǒng)的模型，闡述了GSM-R通信系統(tǒng)抗同頻干擾的原理，并對GSM-R進行了數(shù)據(jù)采集和仿真。

GSM-R；同頻干擾；BP神經網絡；BP網絡仿真

0 引 言

GSM-R(Global System For Mobile Communication For Railway)是基于移動通信網，應用于鐵路調度通信[1]的一種非常有效快捷的通訊方式，大大提高了鐵路的運營效率、降低了事故發(fā)生率。我國鐵路GSM-R使用的頻段是：885～889 MHz(上行)、930～934 MHz(下行)[2]。由于該頻段有與全球移動通信公用的部分，非常容易受到干擾，嚴重影響了調度人員的正常工作和車輛安全行駛[3]。

本文主要根據(jù)神經網絡在軍事雷達抗干擾方面的理論研究，用BP人工神經網絡良好的非線性函數(shù)逼近性來解決干擾問題[4,5]，在導彈引信抗干擾中，通過設計干擾檢測統(tǒng)計量和判斷準則，進行了神經網絡輔助的干擾檢測算法[6]研究，結合GSM-R的本身特殊性，提出了基于BP神經網絡的GSM-R抗干擾方法研究，更具有可行性和可靠性，并對其進行了建模和仿真實驗。

人工神經網絡自1943年由心理學家McCulloch和數(shù)學家Pittsburgh共同提出MP模型以來，已經在很多工程領域得到了顯著的應用成效。人工神經網絡是一種非線性大規(guī)模處理系統(tǒng)，具有自學習和自適應能力。BP算法是由Rumelhart1986年提出的，BP網絡是前向網絡的核心部分，能使人工神經網絡具有更好的非線性映射能力[7,8]。

1 BP神經網絡

BP網絡是采用誤差逆?zhèn)鞑ニ惴ㄟM行誤差校正的多層前饋網絡。其基本結構如圖1所示。

圖1 BP神經網絡基本結構

BP網絡是一種3層或者3層以上的神經網絡，包括輸入層、隱含層(若干層)和輸出層構成，W表示層與層之間關系強弱的連接權值，每層間的神經元沒有連接。BP算法是實現(xiàn)神經網絡精確度高的關鍵，該算法采用梯度搜索技術，不斷調整各層的連接權重及每個單元的閾值，經過大量樣本的訓練，使神經網絡最終的實際輸出值和期望輸出值的均方差最小。

在BP網絡建模中，輸入層有n個神經元，隱含層p個神經元，輸出層q個神經元。隱含層的輸入公式如(1)所示：

(1)

其中，隱含層的第h個神經元閾值為bh，從輸入層的第i個神經元到隱含層的第h個神經元的權值為wit，xi(k)為第i個輸入值，n=1,2,…,p。

輸出層的輸入公式如(2)所示：

(2)

其中，who表示隱含層第h個神經元到輸出層第o個神經元的權值，hoh(k)表示隱含層第o個神經元的輸出值，bo表示輸出層第o個神經元的閾值，o=1,2，…，q。

隱含層的輸出公式如(3)所示：

hoh(k)=f(hih(k))

(3)

輸出層的輸出公式如(4)所示：

yoo(k)=f(yio(k))

(4)

其中公式(3)、(4)函數(shù)f()是BP常用的函數(shù)sigmoid型的對數(shù)或正切函數(shù)。

全局誤差公式如(5)所示：

(5)

其中，m表示樣本號，do(k)表示期望輸出值，yo(k)表示輸出層的輸出值。

通過誤差計算，神經網絡反復的對權值進行衡量和比較，當誤差達到預設精度或學習次數(shù)大于設定的最大次數(shù)時，運算結束。否則選取下一個學習樣本及對應的期望輸出，進行下一輪的學習。

2 GSM-R抗干擾的問題分析

由于GSM-R網絡和GSM網絡有公用頻段，當GSM網絡在通信過程中進行調頻轉換時，可能會與GSM-R網絡公用一個頻段，帶來同頻干擾[9,10]。GSM-R也可能受到不法分子的人為干擾，對鐵路通信網絡造成破壞，還可能受到大自然(如雷電、輻射等)電磁干擾。

把BP神經網絡用于GSM-R抗干擾中應用，模型的大量輸入參數(shù)是經過嚴格分析獲得的，是能對GSM-R產生干擾的關鍵因素，大量的輸出值是綜合衡量之后的綜合數(shù)據(jù)[11]。把大量的輸入參數(shù)輸入到BP神經網絡中進行訓練，神經網絡通過BP算法的運算不斷調整權值，以達到要求的精度[12,13]，這樣的GSM-R信號質量才能達到不被干擾或減少被干擾的程度，以增大網絡的可靠連接和通話質量等，減少掉話率和緊急情況下無法接通帶來的重大隱患。

3 BP神經網絡抗同頻干擾的原理

BP神經網絡有盲學習的特性，通過對少量樣本的學習，就能得到其反函數(shù)，通過這個原理對GSM-R干擾信號進行非線性校正[14,15]。

實現(xiàn)數(shù)據(jù)采集和校正的原理圖如圖2所示，f(x)是GSM-R的信號輸入，經過信號采集系統(tǒng)后，產生離散信號x(t)和s(t)，其中x(t)是GSM-R的沒有受過干擾的正常信號，s(t)是其同頻的干擾信號。首先，信號采集系統(tǒng)對f(x)正常信號進行采集，令x(t)=u，f(ni)=v,其中ni=hi+w表示在相同時間間隔內不同時間點，i=1,…,n，w是采集數(shù)據(jù)時間間隔。首先，BP神經網絡輸入正常狀態(tài)下的數(shù)據(jù)，對BP神經網絡的自適應訓練；其次，通過MATLAB搭建干擾源，把正常信號和干擾信號進行疊加，用訓練好的神經網絡來校正受到通信干擾的，使輸出值y在誤差范圍之內，以達到抗干擾的目的。

圖2 BP神經網絡抗干擾原理

4 BP網絡對GSM-R的仿真實驗

如圖2所示，系統(tǒng)通過信號采樣器分別對受干擾的GSM-R信號和沒有收到干擾的GSM-R信號采集數(shù)據(jù)。用沒有收到干擾的GSM-R信號對BP神經網絡進行訓練，如果信號經過網絡的結果誤差太大，神經網絡就會用用BP算法返回去繼續(xù)擬合校正。然后用訓練好的BP神經網絡對受干擾的GSM-R信號進行校正分析，使GSM-R信號誤差不斷接近設定好的誤差值，信號質量非常接近理想值。經過對諸多干擾因素的分析，選用了如下五個指標作為BP網絡的輸入信號，來訓練BP神經：基站識別碼BSIC(P1)；載干比C/I(P2)；業(yè)務信道TCH(P3)；誤幀率FER(P4)；接收信號電平(P5)。

(1)基站識別碼BSIC：用于移動臺識別相同載頻的不同基站，特別用于區(qū)別在不同國家的邊界地區(qū)采用相同載頻且相臨的基站；

(2)載干比C/I：指接收到的有用信號電平與所有非有用信號電平的比值，值越大，對信號的干擾相對越??；

(3)業(yè)務信道TCH：傳輸話音和數(shù)據(jù)，話音業(yè)務信道按速率的不同，可分為全速率話音業(yè)務信道(TCH/FS)和半速率話音業(yè)務信道(TCH/HS)；

(4)誤幀率FER：是呼叫質量的簡要統(tǒng)計，值越小誤幀率越少，通信質量也就越高。

FER=100*(1-(1-PJ)182)%

其中，PJ為解碼后的誤碼率。

經過現(xiàn)場對信號的采集和測試，得出了9組BP神經網絡的輸入數(shù)據(jù)，其中1～6六組是采集沒有被同頻干擾的數(shù)據(jù)，7～9是采集的受到同頻干擾的數(shù)據(jù)，如表1 所示。其中p3中，1代表業(yè)務信道正常，3代表業(yè)務信道不正常。

表1 BP神經網絡輸入數(shù)據(jù)

5 實驗結果分析

利用MATLAB提供的BP神經網絡工具箱，對以上數(shù)據(jù)進行了仿真分析，其中前六組是GSM-R正常的數(shù)據(jù)，作為輸入量，后三組是受干擾，需要校正的GSM-R數(shù)據(jù)。BP網絡采用了兩個隱含層，第一個隱含層有6個神經元，第二個隱含層有3個神經元，分別設定了MSE≤10-3、MSE≤10-4和MSE≤10-5三種情況，對數(shù)據(jù)的誤差值進行分析對比。

以下樣本測試圖中，雙點畫線、散虛線、密虛線、實線、點畫線分別代表p1、p2、p3、p4、p5三組受干擾信號的矯正誤差。

圖3 和圖4是均方誤差MSE≤10-3的數(shù)據(jù)訓練圖和數(shù)據(jù)誤差圖。此訓練圖的特點是，訓練速度非常快，在1epochs情況下，訓練時間為1秒。從圖(3)中可以看出，在樣本訓練到359次時，已經非常接近設定的MSE范圍，可是誤差圖中第一組被校正的基站識別碼BSIC(P1)的誤差達到0.041，其圖形數(shù)據(jù)波動值為0.02。載干比C/I 誤差為0.068，其數(shù)據(jù)波動為0.03。由于基站識別碼BSIC(P1)和載干比C/I誤差過大，說明BP神經網絡沒能對GSM-R干擾的同頻信號進行有效校正。

圖3 MSE≤10-3的數(shù)據(jù)訓練圖

圖4 MSE≤10-3的樣本誤差圖

圖5和圖6是均方誤差MSE≤10-4的數(shù)據(jù)訓練圖和數(shù)據(jù)誤差圖，從圖中可以看出，當網絡訓練到3248次時，已經達到MSE≤10-4標準，此時所有數(shù)據(jù)的誤差都在0.02以內，大部分都在0.01以內。已經較好的完成了對GSM-R受干擾信號的有效校正，已達到了抗干擾的目的。

圖5 MSE≤10-4的數(shù)據(jù)

圖6 MSE≤10-4的樣本誤差圖

圖7和圖8是均方誤差MSE≤10-5的數(shù)據(jù)訓練圖和數(shù)據(jù)誤差圖，當訓練次數(shù)為19998時，誤差精度已經非常接近MSE≤10-5，而且三組受干擾數(shù)據(jù)的樣本誤差都在0.01以內，可以說具有非常良好的校正抗干擾效果，可是由于訓練的次數(shù)過于多，擬合的時間過于長，不適合實際的應用，理論分析上非常有效。

圖7 MSE≤10-5的數(shù)據(jù)訓練圖

圖8 MSE≤10-5的樣本誤圖

6 結束語

GSM-R通信中，同頻干擾占據(jù)著相當一部分比例，而且一直困擾著研究人員。本文利用BP神經網絡對GSM-R進行校正，對抗干擾的效果還是比較好的，而且設計簡單，精度較高。但是其運算比較復雜，而且需要微機對GSM-R 信號進行處理，多處用到A/D和D/A轉換，系統(tǒng)對數(shù)據(jù)采集系統(tǒng)要求比較高。

[1] Baldini G，Nai F 1,Masera M,et al. Early Warning System for Detecting GSM-R Wireless Interference in the High-Speed Railway Infrastructure [J]. International Journal of Critical Infrastructure Protection,2010,3:140-156.

[2] 鐘章隊，李旭，蔣文怡等.鐵路GSM-R數(shù)字移動通信系統(tǒng)[M].北京:中國鐵道出版社,2007. ZHONG Zhang-dui, LI Xu, JIANG Wen-yi, et al. Railways GSM-R Digital MobiLe Communication System[M]. Beijing: China Railway Publishing House,2007.

[3] ZHAO Liu-jun, CHEN Xin, DING Jian-wen. Interference Clearance Process of GSM-R Network in China[C]//2010 2nd International Conference on Mechanical and Electronics Engineering. Piscataway: IEEE Computer Society, 2010:424-428.

[4] 楊志強，何芳，謝虹.基于BP神經網絡的雷達網抗干擾性能綜合評估[J].火力與指揮控制，2005,30(2):41-44. YANG Zhi-qiang, HE Fang, XIE Hong. Comprehensive Assessment of Anti Jamming Performance of Radar Net based on BP Neural Network[J].Fire Control & Command Control, 2005, 30(2): 41-44.

[5] 孫卓光，熊家軍.基于改進BP網絡的雷達網抗干擾性能評估[J].微計算機信息，2009,25(8):243-244. SUN Zhuo-guang, XIONG Jia-jun. Assessment of Anti-Jamming Capability of Radar Network based on Improved BP Network[J].Control & Automation, 2009, 25(8): 243-244.

[6] 趙俊巖，劉澤乾，侯滿義等.神經網絡輔助的北斗/INS組合制導系統(tǒng)抗干擾方法研究[J].彈箭和制導學報，2013,33(4):33-36. ZHAO Jun-yan, LIU Ze-qian, HOU Man- yi, et al. Study on the Anti-Jamming Method of Neural Network-Assisted Beidou/INS Integrated Guidance System[J].Journal of Projectiles, Rockets, Missiles and Guidance,2013,33(4):33-36.

[7] 叢爽.面向MATLAB工具箱的神經網絡理論與應用[M].第3版.合肥:中國科學技術大學出版社，2009. CONG Shuang. Third Edition of Netural Network Theory and Applications with MATLAB Toolboxes[M]. Hefei:Press of University of Science and Technology of China,2009.

[8] 閔惜琳，劉國華.用MATLAB神經網絡工具箱開發(fā)BP網絡應用[J].計算機應用，2001，21(8):163-164. MIN Xi-lin, LIU Guo-hua. Development of BP Network Application using MATLAB Neural Network Toolbox[J]. Journal of Computer Applications,2001,21(8):163-164.

[9] 趙武元.GSM-R移動通信系統(tǒng)干擾分析及查找[J].鐵道通信信號，2009,45(12):55-57. ZHAO Wu-yuan. Interference Analysis and Search of GSM-R System[J]. Railway Signalling & Communication, 2009, 45(12):55-57.

[10] 高晨亮，朱剛，鐘章隊等.GSM-R電磁干擾及測試問題研究[J].鐵道通信信號,2007,43(10):50-52. GAO Chen-liang, ZHU Gang, ZHONG Zhang-dui, et al. Research on the Electromagnetic Interference and Testing of GSM-R[J]. Railway Signalling & Communication, 2007, 43(10): 50-52.

[11] 李有科.神經網絡在通信干擾中的應用[J].計算機與網絡,1998，108(4)：17. LI You-ke. Application of Neural Network Communication Interference[J]. Computer & Network1998，108(4)：17.

[12] 孫德保，高超.BP網絡的抗干擾性能研究及誤差分析[J].華中理工大學學報，1994,22(8):32-34. SUN De-bao, GAO Chao. Anti-Jamming Performance Study and Error Analysis of BP Network[J]. Journal of Huazhong University of Science and Technology 1994,22(8):32-34.

[13] 史澤林，康嬌，孫銳.基于BP神經網絡的大視場成像畸變校正方法[J].光學精密工程，2005,13(2):349-352. SHI Ze-lin, KANG Jiao, SUN Yue. Distortion Correction Method of Wide-Fild Imaging based on BP Neural Network[J]. Optics and Precision Engineering, 2005, 13(2):349-352.

[14] 劉冰，郭海霞. MATLAB神經網絡超級學習手冊[M].第1版.北京:人民郵電出版社，2014. LIU Bing, GUO Hai-xia. First Edition of MATLAB Neural Network Learning Manual[M]. Beijing: Posts &Telecom Press. 2014.

[15] 馬曾，趙時，汪擁軍. BP神經網絡在通信中的應用[J].電腦知識與技術，2009,5(9):2193-2194. MA Zeng, ZHAO Shi, WANG Yong-jun. Application of BP Neural Network in Communication[J].Computer Knowledge and Technology,2009,5(9):2193-2194.

GSM-R Resisting Same-Frequency Interference based on BP Neural Network

SUN Ming-wei, HAN Si-yuan

(Key Laboratory of Opto-Electronic Technology and Intelligent Control of the MoE, Lanzhou Jiaotong University, Lanzhou Gansu 730070, China)

In GSM-R communication network, the same-frequency interference is an important factor in affecting the communication quality. As the trained BP neural network could constantly correct the errors and thus make the output error constantly decrease. For solving the problem of the same-frequency interference in GSM-R, BP neural network and its algorithm are proposed to correct GSM-R communication signals. The model for GSM-R communication system and BP neural network is constructed. The principle for resisting the same-frequency interference in GSM-R communication system is discussed and the data of GSM-R is simulated and collected.

GSM-R; same-frequency interference; BP neural network; BP network SIMULINK

2015-05-01；

2015-08-01 Received date:2015-05-01；Revised date：2015-08-01

U285.2

A

1002-0802(2015)09-0999-05

10.3969/j.issn.1002-0802.2015.09.004

孫鳴蔚(1990—)，女，碩士研究生，主要研究方向為交通信息工程及控制；

韓思遠(1987—)，男，碩士研究生，主要研究方向為交通信息工程及控制。