基于深度學(xué)習(xí)的測(cè)控?cái)?shù)據(jù)傳輸技術(shù)

丁 丹，楊 柳，劉步花

(航天工程大學(xué) 電子與光學(xué)工程系，北京 101416)

0 引言

測(cè)控?cái)?shù)據(jù)傳輸包括飛行器的遙控、遙測(cè)和載荷數(shù)據(jù)傳輸[1-2]。文獻(xiàn)[3-5]從降低解調(diào)門限的角度，分別提出了相位噪聲迭代補(bǔ)償、傳輸通道優(yōu)化設(shè)計(jì)和多碼率融合LDPC碼等提升傳輸速率的方法。文獻(xiàn)[6-8]則從優(yōu)化傳輸策略的角度，分別提出了SOQPSK、空時(shí)編碼、變速率與空間復(fù)用相結(jié)合等提高傳輸效率的方法。然而，上述方法是根據(jù)試驗(yàn)任務(wù)預(yù)設(shè)指標(biāo)進(jìn)行逐模塊設(shè)計(jì)，并針對(duì)試驗(yàn)場(chǎng)區(qū)常規(guī)信道環(huán)境進(jìn)行各模塊的局部?jī)?yōu)化，包括調(diào)制解調(diào)、信道編解碼和信道均衡等。然而，作戰(zhàn)條件下的測(cè)控信道呈現(xiàn)非線性、多徑、干擾和時(shí)變等復(fù)雜特性，難以用常規(guī)線性數(shù)學(xué)模型描述，各模塊獨(dú)立優(yōu)化的傳統(tǒng)方式不能做到全局最優(yōu)擬合與跟蹤，嚴(yán)重影響戰(zhàn)時(shí)系統(tǒng)整體性能的發(fā)揮。

深度學(xué)習(xí)[9-10]是人工智能領(lǐng)域的創(chuàng)新成果，能夠利用神經(jīng)元的靈活組合來(lái)逼近任意復(fù)雜的系統(tǒng)函數(shù)，并通過(guò)在線學(xué)習(xí)適應(yīng)環(huán)境的時(shí)變性，從而將系統(tǒng)調(diào)節(jié)為整體性能最優(yōu)的架構(gòu)。深度學(xué)習(xí)網(wǎng)絡(luò)是克服系統(tǒng)復(fù)雜性、適應(yīng)環(huán)境時(shí)變性的有力工具，是解決上述問(wèn)題的有效手段。文獻(xiàn)[11-13]的研究成果說(shuō)明，深度學(xué)習(xí)可以從信道編解碼、信道估計(jì)、信道均衡、信號(hào)檢測(cè)和端到端接收等多個(gè)方面提升物理層傳輸性能。

本文研究基于深度學(xué)習(xí)的測(cè)控?cái)?shù)據(jù)傳輸技術(shù)，運(yùn)用深度學(xué)習(xí)網(wǎng)絡(luò)統(tǒng)一實(shí)現(xiàn)調(diào)制解調(diào)、信道編解碼、信道均衡、非線性補(bǔ)償和干擾消除等多項(xiàng)功能，從而將系統(tǒng)性能始終調(diào)節(jié)在全局最優(yōu)狀態(tài)，解決航天測(cè)控系統(tǒng)對(duì)戰(zhàn)場(chǎng)復(fù)雜時(shí)變信道適應(yīng)能力的短板弱項(xiàng)。

1 系統(tǒng)設(shè)計(jì)

1.1 深度學(xué)習(xí)模型

深度神經(jīng)網(wǎng)絡(luò)(Deep Neuron Network，DNN)是通過(guò)多層感知器的級(jí)聯(lián)形成，因而又稱為多層感知器，這就構(gòu)成了多隱層的前饋神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)如圖1所示。

圖1 感知器模型和DNN結(jié)構(gòu)Fig.1 Perceptron model and DNN structure

該DNN總計(jì)有L+1層，其中第0層為輸入層，第1～L-1層為隱藏層，第L層為輸出層，相鄰層之間通過(guò)前饋權(quán)值矩陣連接。假設(shè)第l層有nl個(gè)神經(jīng)元，這些神經(jīng)元的輸入組成的向量為z(l)，輸出組成的向量為h(l)。同時(shí)，令u=h(L)對(duì)DNN最終的輸出與隱藏層的輸出進(jìn)行區(qū)分，給定一個(gè)訓(xùn)練樣本的特征x，此時(shí)有h(0)=z(0)=x。根據(jù)DNN的計(jì)算規(guī)則有：

z(l)=W(l)z(l-1)+b(l),l=1,2,...,L，

式中，W(l)∈nlnl-1為第l～l-1層的權(quán)值矩陣；b(l)∈nl為第l層的偏置向量。則有：

h(l)=fl(z(l))，

式中，fl(·)為第l層的激活函數(shù)。DNN常用的隱含層激活函數(shù)有S形(sigmoid)函數(shù)、雙曲正切(tanh)函數(shù)和整流線性單元(reLu)函數(shù)等，形式如下：

輸出層的激活函數(shù)視DNN所要解決問(wèn)題的性質(zhì)而定，回歸問(wèn)題通常采用線性激活函數(shù)或者sigmoid函數(shù)，二分類問(wèn)題通常采用sigmoid函數(shù)，多分類問(wèn)題目前采用softmax函數(shù)，其形式如下：

綜合上述過(guò)程，訓(xùn)練樣本的特征x首先被送到輸入層，然后沿圖中的箭頭方向依次傳播過(guò)各個(gè)隱藏層最后到達(dá)輸出層，得到最終的網(wǎng)絡(luò)輸出，這一過(guò)程被稱為前向傳播。

1.2 基于深度學(xué)習(xí)的測(cè)控?cái)?shù)據(jù)傳輸系統(tǒng)設(shè)計(jì)

基于深度學(xué)習(xí)的測(cè)控?cái)?shù)據(jù)傳輸系統(tǒng)設(shè)計(jì)如圖2所示。核心思想是利用DNN代替解調(diào)、解碼和均衡等模塊實(shí)現(xiàn)測(cè)控?cái)?shù)據(jù)端到端接收，將各模塊的局部?jī)?yōu)化轉(zhuǎn)變?yōu)橄到y(tǒng)的全局優(yōu)化，實(shí)現(xiàn)對(duì)復(fù)雜時(shí)變信道響應(yīng)的最優(yōu)逼近，獲得整體最優(yōu)性能。

圖2 基于深度學(xué)習(xí)的測(cè)控?cái)?shù)據(jù)傳輸系統(tǒng)設(shè)計(jì)Fig.2 Design of TT&C data transmission system based on deep learning

1.3 運(yùn)用模式

基于深度學(xué)習(xí)的測(cè)控?cái)?shù)據(jù)傳輸系統(tǒng)工作模式包括以下幾種：

(1)運(yùn)用深度學(xué)習(xí)的測(cè)控?cái)?shù)據(jù)變速率傳輸模式

利用深度學(xué)習(xí)網(wǎng)絡(luò)逼近復(fù)雜的信道函數(shù)，并且準(zhǔn)確感知鏈路余量的細(xì)微變化，通過(guò)信道狀態(tài)指示反饋，及時(shí)、精細(xì)地調(diào)整編碼速率、調(diào)制階數(shù)，從而最大程度地利用鏈路余量實(shí)現(xiàn)最優(yōu)的變速率傳輸。傳輸效率明顯高于傳統(tǒng)恒定速率傳輸模式，如圖3和圖4所示。

圖3 傳統(tǒng)恒定速率傳輸模式Fig.3 Traditional constant rate transmission mode

圖4 基于深度學(xué)習(xí)的測(cè)控?cái)?shù)據(jù)變速率傳輸模式Fig.4 Variable rate transmission mode based on deep learning

信道狀態(tài)指示用來(lái)表征當(dāng)前鏈路余量所處的檔位，而非具體鏈路余量值。若劃分16檔位，則信道狀態(tài)指示只需4 bit數(shù)據(jù)量，較容易實(shí)現(xiàn)實(shí)時(shí)反饋傳輸。

(2)基于深度學(xué)習(xí)的測(cè)控?cái)?shù)據(jù)抗干擾傳輸模式

利用深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)復(fù)雜信道的最優(yōu)逼近獲得更多的鏈路余量，在恒定速率條件下獲得更強(qiáng)的抗干擾能力。

(3)基于深度學(xué)習(xí)的測(cè)控環(huán)境自主認(rèn)知模式

利用平時(shí)衛(wèi)星過(guò)境空閑圈次，對(duì)各種典型信道環(huán)境進(jìn)行大量離線訓(xùn)練；戰(zhàn)時(shí)任務(wù)圈次通過(guò)在線學(xué)習(xí)識(shí)別并適應(yīng)信道環(huán)境。

2 工作過(guò)程

圖5 基于深度學(xué)習(xí)的測(cè)控?cái)?shù)據(jù)傳輸工作示意Fig.5 Schematic diagram of TT&C data transmission based on deep learning

在離線訓(xùn)練過(guò)程中，訓(xùn)練數(shù)據(jù)由2部分組成，一是神經(jīng)網(wǎng)絡(luò)的期望輸出，即發(fā)送數(shù)據(jù)si′∈nL；二是由發(fā)送數(shù)據(jù)經(jīng)過(guò)發(fā)送端處理后經(jīng)信道傳輸?shù)竭_(dá)接收端的接收數(shù)據(jù)yi′∈n0。設(shè)訓(xùn)練樣本的數(shù)量為ζ，則DNN網(wǎng)絡(luò)的訓(xùn)練樣本集標(biāo)簽可以表示為Υ={si′∈nL|i=1,2,...,ζ}，訓(xùn)練樣本集的特征可以表示為Ξ={yi′∈n0|i=1,2,...,ζ}。DNN網(wǎng)絡(luò)的待估參數(shù)為權(quán)值矩陣和偏置向量的集合θ={W(l),b(l)|l=1,2,...,L}，DNN訓(xùn)練集上的損失函數(shù)可以表示為：

在訓(xùn)練數(shù)據(jù)的驅(qū)動(dòng)下，采用誤差后向傳播方法以及Momentum，Root Mean Square，Adaptive Moment Estimation等優(yōu)化算法[9]對(duì)上述損失函數(shù)進(jìn)行迭代尋優(yōu)，獲得對(duì)復(fù)雜非線性測(cè)控信道函數(shù)的最優(yōu)逆濾波，再通過(guò)在線部署即可實(shí)現(xiàn)最佳信道估計(jì)和信號(hào)檢測(cè)。

3 仿真分析

仿真內(nèi)容：非線性、多徑信道條件下，基于深度學(xué)習(xí)的測(cè)控?cái)?shù)據(jù)傳輸性能及開(kāi)銷。仿真條件如表1所示。

表1 仿真條件Tab.1 Simulation condition

參數(shù)類別參數(shù)取值深度學(xué)習(xí)網(wǎng)絡(luò)規(guī)模3層,分別含128,100,128個(gè)神經(jīng)元傳統(tǒng)方法LS均衡、功率回退[14-15]多徑信道模型ITU車行信道模型非線性模型Saleh模型

傳輸性能仿真結(jié)果如圖6所示。在“多徑+非線性”這樣一種較為復(fù)雜的信道條件下，相比傳統(tǒng)的“LS均衡+功率回退”方法，運(yùn)用深度學(xué)習(xí)網(wǎng)絡(luò)取代非線性補(bǔ)償、多徑估計(jì)與均衡和數(shù)據(jù)解調(diào)等模塊，性能仍然優(yōu)于LS均衡、功率回退3 dB的傳統(tǒng)方法，說(shuō)明本文方法能夠在保證更優(yōu)傳輸性能的前提下，進(jìn)一步提高3 dB發(fā)射功率，而不受非線性信道的影響；即本文方法可在獲得3 dB鏈路余量增益的前提下，仍然保持更優(yōu)的誤碼率性能。還可把3 dB的鏈路余量轉(zhuǎn)化為數(shù)據(jù)速率的提升，可在保持相同鏈路余量的前提下，將數(shù)據(jù)速率提升為傳統(tǒng)方法的2倍，且誤碼率性能更優(yōu)。

圖6 基于深度學(xué)習(xí)的測(cè)控?cái)?shù)據(jù)傳輸性能Fig.6 Performance of TT&C data transmission based on deep learning

傳輸開(kāi)銷仿真結(jié)果如圖7所示。在相同的誤碼率性能前提下，傳統(tǒng)測(cè)控?cái)?shù)據(jù)接收機(jī)使用了128個(gè)導(dǎo)頻，而基于DNN的測(cè)控?cái)?shù)據(jù)端到端接收機(jī)只需使用16個(gè)導(dǎo)頻，顯著降低了傳輸開(kāi)銷。

圖7 基于深度學(xué)習(xí)的測(cè)控?cái)?shù)據(jù)傳輸開(kāi)銷Fig.7 Overhead of TT&C data transmission based on deep learning

系統(tǒng)復(fù)雜度估算：該3層深度學(xué)習(xí)網(wǎng)絡(luò)需要356次實(shí)數(shù)乘法，而傳統(tǒng)非線性補(bǔ)償、多徑估計(jì)與均衡、數(shù)據(jù)解調(diào)等模塊總共約需288次實(shí)數(shù)乘法、64次實(shí)數(shù)除法。可見(jiàn)基于深度學(xué)習(xí)的測(cè)控?cái)?shù)據(jù)傳輸復(fù)雜度與傳統(tǒng)傳輸體制相當(dāng)。

4 結(jié)束語(yǔ)

運(yùn)用深度學(xué)習(xí)網(wǎng)絡(luò)代替?zhèn)鹘y(tǒng)調(diào)制解調(diào)、信道編解碼和信道均衡等多個(gè)分立模塊，能夠?qū)⑾到y(tǒng)性能始終調(diào)節(jié)在全局最優(yōu)狀態(tài)，從而在戰(zhàn)時(shí)復(fù)雜信道條件下，將傳輸容量提升至傳統(tǒng)體制2倍以上，或?qū)㈡溌酚嗔刻岣? dB以上，同時(shí)保持與傳統(tǒng)測(cè)控?cái)?shù)據(jù)傳輸體制相當(dāng)?shù)南到y(tǒng)復(fù)雜度。較低的網(wǎng)絡(luò)復(fù)雜度，再加上高速處理芯片的運(yùn)用，可保證系統(tǒng)運(yùn)行的實(shí)時(shí)性。深度學(xué)習(xí)網(wǎng)絡(luò)能夠以較小的代價(jià)有效提升航天測(cè)控系統(tǒng)對(duì)復(fù)雜戰(zhàn)場(chǎng)環(huán)境的適應(yīng)能力，是一種十分具有潛力的新型傳輸技術(shù)，相關(guān)研究工作也可為各領(lǐng)域吸收人工智能創(chuàng)新成果提供有益借鑒。