基于LSTM與多特征融合的高鐵無(wú)線信道場(chǎng)景識(shí)別

王英捷 周濤 陶成

（北京交通大學(xué)電子信息工程學(xué)院，北京 100044）

隨著我國(guó)交通的不斷發(fā)展，高鐵目前在我國(guó)占骨干地位，其中通信系統(tǒng)是滿足鐵路運(yùn)營(yíng)與乘客需求必不可少的部分. 近年來(lái)，用戶對(duì)通信服務(wù)質(zhì)量需求逐步提升，為了滿足用戶移動(dòng)通信的需求，鐵路下一代移動(dòng)通信技術(shù)鐵路長(zhǎng)期演進(jìn)(long-term evolution for railway, LTE-R)將在不久的將來(lái)成為鐵路專用寬帶移動(dòng)通信系統(tǒng)主體[1]. 此外，5G的時(shí)代已經(jīng)到來(lái)，5G系統(tǒng)將支持各種高速場(chǎng)景的應(yīng)用，因此也非常適宜部署在高鐵上，滿足乘客在5G時(shí)代對(duì)通信服務(wù)的各類需求.

高鐵列車沿線通過(guò)多個(gè)場(chǎng)景[2]，根據(jù)電磁波傳播特性，高鐵信道場(chǎng)景具體被劃分成12類：高架橋、U形槽、車站、隧道、丘陵、鄉(xiāng)村、郊區(qū)、城市等[3]. 此外，有作者提出一種在高鐵通信系統(tǒng)中出現(xiàn)的特殊場(chǎng)景：多鏈路場(chǎng)景[4]. 各種不同的傳播場(chǎng)景對(duì)應(yīng)了電磁波在其中不同的傳播特性，影響著通信系統(tǒng)的性能[5]. 如果無(wú)線通信系統(tǒng)能夠智能地識(shí)別出當(dāng)前的傳播場(chǎng)景，則通過(guò)一些自適應(yīng)技術(shù)，如自適應(yīng)調(diào)制與編碼，并結(jié)合資源分配與調(diào)度，可以有效地提高系統(tǒng)整體性能. 因此，信道場(chǎng)景識(shí)別對(duì)于高鐵無(wú)線通信網(wǎng)絡(luò)的設(shè)計(jì)十分重要.

機(jī)器學(xué)習(xí)作為一種在自然語(yǔ)言、圖像領(lǐng)域被大量使用且效果顯著的算法模型，目前在無(wú)線通信信道領(lǐng)域應(yīng)用仍然不多. He Ruisi等人采用一系列聚類算法對(duì)信道功率延時(shí)譜中的多徑分量進(jìn)行聚類分析，提出了多種針對(duì)高速場(chǎng)景下的聚類算法，并取得了良好的聚簇性能[6]. Bai Lu等人在Q頻帶下實(shí)施了信道測(cè)量，并使用人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)對(duì)不同天氣、場(chǎng)景的信道參數(shù)進(jìn)行了預(yù)測(cè). 統(tǒng)計(jì)結(jié)果表明，98.8%的預(yù)測(cè)數(shù)值與其對(duì)應(yīng)的測(cè)量結(jié)果誤差小于1 dB[7]. 上述內(nèi)容聚焦于信道多徑分量的聚簇研究、簇模型和多徑簇生滅追蹤，以及針對(duì)某一特定場(chǎng)景的信道特征參數(shù)預(yù)測(cè)估計(jì). 而本文中我們聚焦于目前成果較少的信道場(chǎng)景識(shí)別研究.目前已發(fā)表的主要成果如下：M. I. AlHajri等人將信道轉(zhuǎn)移函數(shù)(channel transfer function, CTF)與頻率相關(guān) 函 數(shù)(frequency correlation function, FCF)作 為 特征，使用K近鄰(K-nearest neighbor, KNN)與加權(quán)K近鄰(weighted K-nearest neighbor, WKNN)針對(duì)室內(nèi)的不同場(chǎng)景進(jìn)行了識(shí)別[8]，最終發(fā)現(xiàn)WKNN在測(cè)試集數(shù)據(jù)中的表現(xiàn)最佳，達(dá)到了99.8%的識(shí)別準(zhǔn)確率. 文獻(xiàn)[8]的識(shí)別內(nèi)容僅僅考慮了幾種簡(jiǎn)單的機(jī)器學(xué)習(xí)方法而未涉及深度學(xué)習(xí)的模型，且文中并未明確其提出的方法能夠同樣用于時(shí)變信道的識(shí)別，也并沒(méi)有考慮特征融合的方式. 除此之外，針對(duì)高速場(chǎng)景下不同傳播環(huán)境的識(shí)別仍然較少，因此本文將針對(duì)這一獨(dú)特場(chǎng)景下的不同傳播環(huán)境，通過(guò)多特征融合的方式進(jìn)行識(shí)別.

本文基于4G-LTE專網(wǎng)測(cè)量下信道實(shí)測(cè)數(shù)據(jù)，使用深度神經(jīng)網(wǎng)絡(luò)與多特征融合的方法對(duì)不同信道場(chǎng)景進(jìn)行分類與識(shí)別. 首先給出了測(cè)量數(shù)據(jù)的來(lái)源及信道小尺度特征的提取方法，發(fā)現(xiàn)每種特征都對(duì)應(yīng)著一種信道特性，即萊斯因子(K-factor, KF)對(duì)應(yīng)了信道衰落程度，均方根時(shí)延擴(kuò)展(root-mean-square delay spread, RMS DS)、均方根多普勒擴(kuò)展(root-meansquare Doppler spread, RMS DPS)與均方根角度擴(kuò)展(root-mean-square angular spread, RMS AS)分別刻畫了信道的時(shí)-頻-空域的色散程度，他們共同描繪了不同場(chǎng)景的信道特性. 通過(guò)上述的特征提取過(guò)程，我們認(rèn)為不同特征對(duì)識(shí)別的性能有著不同的影響，因此我們考慮多特征融合的方法，其中包括了前融合、前饋式融合、后融合，最后在后融合基礎(chǔ)上提出賦予不同特征不同權(quán)重的加權(quán)平均后融合方法，并結(jié)合特征序列式數(shù)據(jù)特點(diǎn)，將全連接層替換為了長(zhǎng)短時(shí)記憶(long short term memory, LSTM)層. 相較于傳統(tǒng)機(jī)器學(xué)習(xí)方法和幾種常用的特征融合方法，該模型在識(shí)別準(zhǔn)確率、曲線下面積(area under curve, AUC)兩大指標(biāo)上均達(dá)到最優(yōu)性能，有在高速場(chǎng)景實(shí)際應(yīng)用的潛力，可為未來(lái)高鐵無(wú)線通信專網(wǎng)提升系統(tǒng)整體性能.

1 高鐵無(wú)線信道典型場(chǎng)景

本文中所使用的信道測(cè)量數(shù)據(jù)為基于京-津線沿線LTE網(wǎng)絡(luò)信道探測(cè)所獲得的測(cè)量數(shù)據(jù)[9]. 京-津線總長(zhǎng)120 km，其中約86%的鐵路位于高架橋之上，平均車速約350 km/h. 列車所經(jīng)過(guò)的場(chǎng)景包括鄉(xiāng)村場(chǎng)景、車站場(chǎng)景、郊區(qū)場(chǎng)景，同時(shí)有一部分時(shí)間處于多鏈路場(chǎng)景之下. 因此本文僅考慮以上四種典型的場(chǎng)景.

1.1 場(chǎng)景介紹

1) 鄉(xiāng)村場(chǎng)景

平原場(chǎng)景是京-津高鐵線上最常見(jiàn)的場(chǎng)景，由于地面崎嶇不平，鐵軌被建造在距離地面10～15 m的高架橋上，且高架橋的高度遠(yuǎn)高于其周圍的樹(shù)叢與稀疏建筑物. 考慮到LTE基站高度約為30～50 m，此時(shí)收發(fā)端無(wú)線信號(hào)的主要傳播為視距(line-ofsight, LoS)傳播，少量的非視距傳播(non-line-ofsight, NLoS)分量來(lái)自于列車行駛遠(yuǎn)離基站后高架橋附近出現(xiàn)的稀疏散射體建筑物與一些具有一定高度的密集樹(shù)叢.

2) 車站場(chǎng)景

由于在京-津線上車站的數(shù)目十分稀少，測(cè)量時(shí)往返多次得到了3個(gè)車站的多次測(cè)量數(shù)據(jù). 測(cè)量數(shù)據(jù)所對(duì)應(yīng)的三個(gè)車站為典型的半開(kāi)放式帶頂棚的車站類型.

3) 郊區(qū)場(chǎng)景

郊區(qū)場(chǎng)景是介于平原與城市之間的一種場(chǎng)景.與平原場(chǎng)景相比，郊區(qū)場(chǎng)景具有更加豐富的反射物與散射物，如高層的建筑物、鐵軌兩側(cè)高密的樹(shù)叢等. 而與城市場(chǎng)景相對(duì)比，郊區(qū)場(chǎng)景建筑物的密集程度類似，但是高度相對(duì)較低.

4) 多鏈路場(chǎng)景

多鏈路場(chǎng)景是京-津高鐵線上的一種特殊場(chǎng)景，它與列車所處的實(shí)際外在環(huán)境無(wú)關(guān). 為了減少列車行駛過(guò)程中移動(dòng)終端的頻繁小區(qū)切換，高鐵組網(wǎng)時(shí)，人們將幾個(gè)以相同頻率發(fā)送相同信號(hào)的物理小區(qū)合并為一個(gè)邏輯小區(qū)，列車行駛在邏輯小區(qū)中物理小區(qū)的重疊區(qū)域時(shí)，移動(dòng)終端會(huì)收到來(lái)自于相鄰兩個(gè)甚至多個(gè)小區(qū)基站同時(shí)發(fā)送的信號(hào)，這些重疊區(qū)域的場(chǎng)景則作為一種多鏈路場(chǎng)景，也被收集到我們的數(shù)據(jù)庫(kù)中.

1.2 信道特征參數(shù)的提取

本文信道特征參數(shù)均是從信道測(cè)量獲取的原始信道沖激響應(yīng)(channel impulse response, CIR)數(shù)據(jù)中得到的.

1) KF

KF是信道衰落程度的度量，它是信道沖激響應(yīng)中直射分量與非直射分量的功率之比. 我們通過(guò)傳統(tǒng)的矩估計(jì)算法來(lái)獲取窄帶KF[10].

2) RMS DS

RMS DS是表征無(wú)線信道時(shí)間色散的重要參數(shù).它為功率延時(shí)譜的二階中心距的二次根，即標(biāo)準(zhǔn)差.

3) RMS DPS

RMS DPS經(jīng)常被用于衡量無(wú)線信道頻率色散的程度，與RMS DS一樣，它為多普勒功率密度譜的標(biāo)準(zhǔn)差.

4) RMS AS

無(wú)線信道的空間色散程度通常通過(guò)RMS AS來(lái)進(jìn)行衡量，它通過(guò)計(jì)算功率角度譜的標(biāo)準(zhǔn)差獲得.

四大特征剛好從四大角度來(lái)對(duì)無(wú)線信道進(jìn)行刻畫，包含了衰落程度與空-時(shí)-頻特性，因此我們使用四大信道特征作為機(jī)器學(xué)習(xí)的輸入特征，對(duì)無(wú)線信道場(chǎng)景進(jìn)行識(shí)別.

1.3 數(shù)據(jù)集概述

經(jīng)過(guò)上述特征提取，我們獲得了四種場(chǎng)景所對(duì)應(yīng)的信道特征數(shù)據(jù)集. 數(shù)據(jù)集中的每個(gè)數(shù)據(jù)都對(duì)應(yīng)了一個(gè)LTE基站的覆蓋，并進(jìn)行了場(chǎng)景的標(biāo)記. 四種場(chǎng)景的數(shù)據(jù)集如表1所示.

表1 四種場(chǎng)景的數(shù)據(jù)集Tab. 1 Training and testing datasets

我們一共獲取了1 528組數(shù)據(jù)，它們被分成1 028組訓(xùn)練數(shù)據(jù)與500組測(cè)試數(shù)據(jù). 其中，這些數(shù)據(jù)所對(duì)應(yīng)的基站并不是獨(dú)立的，測(cè)量過(guò)程中我們?cè)诰?津線經(jīng)過(guò)了多次往返，每一個(gè)基站所對(duì)應(yīng)的信道場(chǎng)景都經(jīng)過(guò)了多次采集.

2 多特征融合神經(jīng)網(wǎng)絡(luò)算法

僅僅考慮一個(gè)特征(KF、RMS DS、RMS DPS、RMS AS)來(lái)進(jìn)行信道場(chǎng)景識(shí)別是無(wú)法得到較為理想的效果的. 因此我們使用多特征融合的方式，在充分利用信道空-時(shí)-頻特性的條件下進(jìn)行識(shí)別. 我們參考了在多媒體中基于多特征的人體動(dòng)作識(shí)別與針對(duì)RGB的多特征影像識(shí)別中的三種常用的特征融合算法[11]，它們分別是前融合、前饋式融合、后融合，三種融合方式的詳細(xì)架構(gòu)圖如圖1所示.

圖1 三種融合方式架構(gòu)示意圖Fig. 1 Architecture of three fusion schemes

由圖1可知：前融合是將所有特征無(wú)差別地拼合，再進(jìn)行識(shí)別；前饋式融合將特征在輸入時(shí)獨(dú)立化地進(jìn)行處理，在輸出端融合其轉(zhuǎn)換后的表征，相較于前融合，前饋式融合考慮了特征的獨(dú)立性，但是引入了額外的權(quán)重參數(shù)，也加大了計(jì)算的復(fù)雜度；后融合是將輸出的四個(gè)置信度得分向量進(jìn)行平均，它最大的優(yōu)勢(shì)在于相對(duì)較少的參數(shù)量. 然而，不同特征對(duì)識(shí)別性能的貢獻(xiàn)程度很可能是不同的，后融合這種基于置信度得分向量平均化的融合方式仍然無(wú)法取得最優(yōu)的性能，因此我們考慮使用加權(quán)平均后融合的方法，并將全連接層替換成廣泛應(yīng)用于序列式數(shù)據(jù)的LSTM網(wǎng)絡(luò).

2.1 LSTM加權(quán)平均后融合

如上文所述，考慮到獲取的信道特征流具有序列特性，而LSTM網(wǎng)絡(luò)是一種廣泛應(yīng)用于序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)變體，且能夠克服普通循環(huán)神經(jīng)網(wǎng)絡(luò)中出現(xiàn)的梯度彌散問(wèn)題[12]，因此我們將后融合與LSTM網(wǎng)絡(luò)相結(jié)合，提出了基于LSTM的加權(quán)式平均后融合網(wǎng)絡(luò)模型，并用于高鐵場(chǎng)景下的信道場(chǎng)景識(shí)別.

LSTM網(wǎng)絡(luò)中，每一個(gè)單元都與普通的神經(jīng)網(wǎng)絡(luò)神經(jīng)元不同，其中包含了大量運(yùn)算.

圖2為一個(gè)帶有窺視孔機(jī)制[13]的LSTM基本細(xì)胞單元的內(nèi)部架構(gòu)，有：

圖2 帶窺視孔的LSTM細(xì)胞單元基本架構(gòu)Fig. 2 Basic structure of a single LSTM cell with peephole connection

式中： σ(·) 代 表一個(gè)門控單元函數(shù)， σf(·)為遺忘門，σi(·) 為輸入門， σo(·) 為 輸出門；f t為遺忘門的輸出；i t為 輸入門的輸出；Ct為當(dāng)前t時(shí)刻的細(xì)胞狀態(tài)，它會(huì)被送入下一個(gè)時(shí)刻的LSTM細(xì)胞單元；o t為輸出門的輸出；h t為 當(dāng)前t時(shí)刻的隱藏狀態(tài)，也是當(dāng)前t時(shí)刻的輸出，同時(shí)它被送入下一個(gè)時(shí)刻的LSTM細(xì)胞單元；⊙表示對(duì)應(yīng)元素相乘； [ ·]表示矩陣之間的粘貼運(yùn)算.

如圖3所示，每一層的LSTM網(wǎng)絡(luò)中包含多個(gè)LSTM細(xì)胞單元，它們代表高鐵行駛到某一時(shí)刻的狀態(tài)，我們將每個(gè)時(shí)刻所采集到的信道特征數(shù)據(jù)輸入LSTM細(xì)胞單元中并進(jìn)行傳遞.

圖3 信道特征在每一層LSTM細(xì)胞單元中的傳遞Fig. 3 LSTM architecture for channel feature streams

圖4為將加權(quán)平均后融合與LSTM網(wǎng)絡(luò)結(jié)合后的結(jié)構(gòu)，我們將第n個(gè) 樣本的第k個(gè)特征流輸入并經(jīng)過(guò)三層LSTM與softmax層后輸出的置信度得分向量表示為

圖4 加權(quán)平均后融合模型架構(gòu)圖Fig. 4 Architecture of weighted score fusion based LSTM model

式中：C是數(shù)據(jù)中場(chǎng)景類型的總數(shù)，本文中為四種典型場(chǎng)景，即C=4；K是輸入特征流的數(shù)量，本文中使用1.2節(jié)中描述的四大尺度特征，即K=4. 設(shè)y?是將四種信道特征獨(dú)立輸入后，最后在輸出端經(jīng)過(guò)加權(quán)后的最終置信度得分向量，有

式中：f(t)(·)為一個(gè)轉(zhuǎn)換函數(shù)，它可以是線性的(如本文中的線性加權(quán)函數(shù))，也可以是一個(gè)非線性的(如徑向基函數(shù)、sigmoid函數(shù)等).

為了達(dá)到模型中加權(quán)平均后融合的效果，我們首先按前面所述的后融合的方式對(duì)多層LSTM進(jìn)行訓(xùn)練，獲得K個(gè)與不同信道特征相對(duì)應(yīng)的置信度得分向量，并將其整合為一個(gè)矩陣. 假設(shè)第n個(gè)訓(xùn)練數(shù)據(jù)輸入后所得的置信度得分矩陣為

接下來(lái)我們定義在每一個(gè)特征流輸入后的輸出端被賦予的權(quán)重為 αk，那么權(quán)重向量α=[α1,···,αK]∈RK將會(huì)在輸出端所額外增加的一個(gè)softmax層中得到學(xué)習(xí)并優(yōu)化以獲得不同特征流輸出向量的最優(yōu)組合方式. 因此網(wǎng)絡(luò)的損失函數(shù)將通過(guò)兩個(gè)步驟來(lái)最小化其交叉熵. 其中交叉熵函數(shù)H(·)的具體定義如下：

式中：p為 理想結(jié)果即正確標(biāo)簽向量；q為識(shí)別模型輸出結(jié)果，即經(jīng)過(guò)softmax轉(zhuǎn)換后的置信度向量，它們都是一種概率分布.

訓(xùn)練的第一步是通過(guò)類似后融合的方式獲得每一個(gè)特征流輸入后的置信度得分向量，此時(shí)損失函數(shù)的最優(yōu)化目標(biāo)為

式中：N代表訓(xùn)練集中數(shù)據(jù)的總數(shù)；y?n表示第n個(gè)訓(xùn)練數(shù)據(jù)的實(shí)際標(biāo)簽向量；s~n表示第n個(gè)訓(xùn)練數(shù)據(jù)的平均置信分?jǐn)?shù)向量.

第二步則是在得到每個(gè)特征相應(yīng)的置信得分向量基礎(chǔ)上，優(yōu)化之前所提到的權(quán)重向量 α，在獲得加權(quán)后的向量之后，讓其再次通過(guò)一個(gè)softmax層，這是因?yàn)槲覀円獙⒌梅诌M(jìn)行一次歸一化以獲得合理的置信度得分結(jié)果. 最終得到的第n個(gè)訓(xùn)練數(shù)據(jù)在softmax輸入端的加權(quán)置信得分向量vn為

此時(shí)損失函數(shù)的最優(yōu)化目標(biāo)為

需要注意的是，在第一階段所得到的權(quán)重W與偏置項(xiàng)在第二階段的訓(xùn)練中都處于被凍結(jié)的狀態(tài)，它們的值將不會(huì)在訓(xùn)練時(shí)改變，這種二階段凍結(jié)權(quán)重的訓(xùn)練模式是一種非常直接的減輕過(guò)擬合現(xiàn)象的方式. 假設(shè)融合前的網(wǎng)絡(luò)架構(gòu)都為三層的LSTM，單層LSTM復(fù)雜度為O(W)， 其中W=4n2c+4ni×nc+nc×no+3nc，nc為 LSTM單元中神經(jīng)元個(gè)數(shù)，ni為輸入維度，no為輸出維度[14]. 四種融合方式的時(shí)間復(fù)雜度如表2所示.

表2 四種融合方式的時(shí)間復(fù)雜度Tab. 2 Computational complexity of 4 fusion schemes

表2中Ne為額外全連接層的神經(jīng)元數(shù)量，Nf為特征流的數(shù)量，通常認(rèn)為Ne?Nf，本文中Nf為4. 相較于前饋式融合與后融合模式，這種加權(quán)平均后融合的方式在一定程度上可以被認(rèn)為是二者權(quán)衡下的模型 ，復(fù)雜度介于二者之間.

2.2 模型具體參數(shù)設(shè)置

式中：Nl表示第l層 神經(jīng)元個(gè)數(shù)；U[·]表示均勻分布.而 網(wǎng)絡(luò)中所有的偏置項(xiàng)全部被初始化為0.

表3 不同融合方式的模型每層神經(jīng)元個(gè)數(shù)Tab. 3 The number of neurons at each layer in different fusion schemes

初始化之后，網(wǎng)絡(luò)中的所有權(quán)重與偏置項(xiàng)在訓(xùn)練過(guò)程中都要通過(guò)梯度相關(guān)的算法進(jìn)行更新，本文使用適應(yīng)性矩估計(jì)(adaptive moment estimation，Adam)算法來(lái)進(jìn)行更新[15]. 與傳統(tǒng)的梯度下降算法(如隨機(jī)梯度下降)不同，Adam算法通過(guò)計(jì)算梯度的一階矩估計(jì)和二階矩估計(jì)為不同參數(shù)設(shè)計(jì)的自適應(yīng)性學(xué)習(xí)率，它適用于包含高噪聲或者稀疏梯度的問(wèn)題，超參數(shù)也具有較強(qiáng)的可解釋性，并且只需要極少量的參數(shù)調(diào)整即可立即應(yīng)用.

訓(xùn)練完畢后，人們通常設(shè)置驗(yàn)證集以觀察模型性能并決定是否選擇其他模型，或是調(diào)整一些超參數(shù). 本文采用的是分層k折交叉驗(yàn)證的驗(yàn)證算法. 我們?cè)O(shè)k為5，這種情況下，訓(xùn)練集中20%的數(shù)據(jù)將被劃分為驗(yàn)證集，驗(yàn)證集中包含的每一種類別場(chǎng)景所占比例與它在總體測(cè)試集中所占比例相同，因此測(cè)試集與劃分出來(lái)的驗(yàn)證集將具有相同的樣本狀態(tài).通過(guò)分層五折交叉驗(yàn)證算法的驗(yàn)證，我們發(fā)現(xiàn)當(dāng)網(wǎng)絡(luò)中每一種特征流后面的隱藏層數(shù)量超過(guò)三層時(shí)，性能與三層相仿，并沒(méi)有明顯提高，而模型中每多一層隱藏層，就會(huì)引入額外的計(jì)算復(fù)雜度；反之當(dāng)層數(shù)降低，則性能出現(xiàn)比較明顯的下滑. 具體的識(shí)別準(zhǔn)確率結(jié)果如圖5所示.

圖5 不同LSTM層數(shù)下模型的識(shí)別準(zhǔn)確率Fig. 5 Accuracy under different number of LSTM layers

因此我們采用每個(gè)特征流后接三個(gè)隱藏層的方式 ，以權(quán)衡模型性能與復(fù)雜度之間的矛盾.

機(jī)器學(xué)習(xí)中最常用的評(píng)價(jià)模型性能指標(biāo)就是整體預(yù)測(cè)識(shí)別準(zhǔn)確率. 但是針對(duì)樣本不平衡的狀況時(shí)，我們需要幾種評(píng)估指標(biāo)共同進(jìn)行評(píng)價(jià).

3.1 混淆矩陣

混淆矩陣又被稱為誤差矩陣，它是一種特殊的以表格形式來(lái)可視化不同算法、模型性能的矩陣. 矩陣中每一列表示模型最終預(yù)測(cè)的類別，每一行表示測(cè)試集數(shù)據(jù)實(shí)際的標(biāo)簽.

我們使用的基于LSTM加權(quán)式后融合的混淆矩陣如圖6所示，可以看到：8%的郊區(qū)場(chǎng)景被誤預(yù)測(cè)為多鏈路場(chǎng)景；8%的多鏈路場(chǎng)景被誤預(yù)測(cè)為了郊區(qū)場(chǎng)景，其他場(chǎng)景之間的識(shí)別誤差情況相對(duì)較低. 由于數(shù)據(jù)中存在樣本不平衡的情況，因此僅僅通過(guò)識(shí)別準(zhǔn)確率與混淆矩陣來(lái)衡量模型性能是不全面的，以下我們將使用更多指標(biāo)來(lái)綜合地評(píng)判.

圖6 基于LSTM的加權(quán)平均后融合算法混淆矩陣Fig. 6 Confusion matrix of weighted score fusion based LSTM model

3.2 ROC曲線

受試者工作特征(receiver operating characteristic,ROC)曲線是一種更加高階的分類模型性能評(píng)估方式，它通常通過(guò)曲線圖來(lái)直觀展示. ROC曲線最直觀的畫法就是將所有樣本按模型打分從高到低排序，然后將每一個(gè)樣本的置信度得分定為上述進(jìn)行硬判決的閾值，其從1到0連續(xù)變化，是模型的真正率與假正率的同步變化曲線，通常坐標(biāo)軸的橫軸為假正率，縱軸為真正率. ROC曲線與橫坐標(biāo)以及縱坐標(biāo)正半軸所圍成的封閉區(qū)間面積被稱為AUC，通過(guò)計(jì)算，AUC的實(shí)際物理意義為分類器Ci將一個(gè)測(cè)試集中隨機(jī)抽取的正例排序于測(cè)試集中隨機(jī)抽取的反例之前的概率[16]：

AUC越高，正例相比反例得到更高的置信度的可能性就越大；AUC越接近于1說(shuō)明預(yù)測(cè)性能越好；AUC為0.5時(shí)說(shuō)明分類器是將所有測(cè)試數(shù)據(jù)進(jìn)行了隨機(jī)預(yù)測(cè)，是性能最差的狀況. AUC在一定程度上也可以被認(rèn)為是模型魯棒程度的度量，AUC越高，模型魯棒性越好. 而且，AUC可以用于衡量模型在樣本不平衡下的性能.

從圖7可以看到，基于LSTM的加權(quán)平均后融合的ROC曲線與坐標(biāo)軸圍成的面積最大.

圖7 各種融合方式的ROC曲線Fig. 7 ROC curves of different multi-feature fusion schemes

最后，各種模型的所有指標(biāo)結(jié)果在表4給出，可以看出，基于LSTM的加權(quán)平均后融合的神經(jīng)網(wǎng)絡(luò)考慮了不同特征對(duì)識(shí)別性能的貢獻(xiàn)度差異，所有指標(biāo)均獲得了最優(yōu)的性能，其中識(shí)別準(zhǔn)確率達(dá)到了92.2%. 同時(shí)，使用多特征融合的神經(jīng)網(wǎng)絡(luò)性能優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)算法，如隨機(jī)森林、WKNN和SVM.

表4 不同融合方式與常用機(jī)器學(xué)習(xí)模型的性能Tab. 4 Performance of multi-feature fusion schemes and regular machine learning models

4 結(jié) 論

本文研究了基于機(jī)器學(xué)習(xí)的高鐵無(wú)線信道場(chǎng)景識(shí)別方法. 文中提出的基于LSTM的加權(quán)平均后融合模型在文中所構(gòu)建的高鐵無(wú)線信道數(shù)據(jù)庫(kù)的測(cè)試集上達(dá)到了92.2%的識(shí)別準(zhǔn)確率，AUC值為0.99，優(yōu)于幾種常見(jiàn)的融合方法與常用機(jī)器學(xué)習(xí)算法. 通過(guò)上述數(shù)據(jù)集構(gòu)建的內(nèi)容，我們發(fā)現(xiàn)無(wú)線信道典型場(chǎng)景數(shù)據(jù)庫(kù)中車站類型的單一化仍是一個(gè)尚待解決的問(wèn)題. 同時(shí)，通過(guò)混淆矩陣可以看到，多鏈路與郊區(qū)場(chǎng)景之間有相對(duì)明顯的誤預(yù)測(cè)，所以在以后的研究中我們將對(duì)不同信道場(chǎng)景之間的相關(guān)性進(jìn)行分析.