基于深度學(xué)習(xí)技術(shù)的艦船無(wú)線通信應(yīng)用研究

閻 超 傅雨佳

（中國(guó)船舶及海洋工程設(shè)計(jì)研究院 上海 200011）

引 言

近年來(lái)，隨著計(jì)算機(jī)硬件能力和算法技術(shù)的提升，人工智能技術(shù)取得了突破性發(fā)展。已經(jīng)在交通、安防、城市管理、醫(yī)療和電力等眾多領(lǐng)域得到了應(yīng)用，并取得顯著效果，創(chuàng)造了巨大的經(jīng)濟(jì)價(jià)值。人工智能技術(shù)可以取代人工勞動(dòng)，完成高強(qiáng)度重復(fù)性任務(wù)決策，具有工作效率高，準(zhǔn)確率高的特點(diǎn)。各行業(yè)領(lǐng)域具有不同特征，在實(shí)際生產(chǎn)過(guò)程中也就有不同的行業(yè)痛點(diǎn)。人工智能屬性定位于通用型技術(shù)，在與各行業(yè)情景結(jié)合解決行業(yè)痛點(diǎn)的嘗試中，需深入了解行業(yè)屬性，定向開發(fā)智能技術(shù)解決應(yīng)用需求，因此目前各行業(yè)內(nèi)還沒(méi)有形成統(tǒng)一的行業(yè)標(biāo)準(zhǔn)。在艦船無(wú)線通信網(wǎng)絡(luò)應(yīng)用領(lǐng)域，自動(dòng)化程度較低，還未出現(xiàn)具有人工智能屬性的通信網(wǎng)絡(luò)應(yīng)用。

隨著人工智能技術(shù)的成熟和普及，將來(lái)會(huì)出現(xiàn)場(chǎng)景下人工智能技術(shù)的落地應(yīng)用，人工智能在推動(dòng)多領(lǐng)域技術(shù)創(chuàng)新和產(chǎn)業(yè)形態(tài)變革中將會(huì)發(fā)揮更加重要的作用，加速推進(jìn)經(jīng)濟(jì)社會(huì)發(fā)展。

1 人工智能技術(shù)發(fā)展及原理

人工智能從誕生至今，經(jīng)歷了一次又一次的繁榮和低谷，發(fā)展歷程大致可以分為推理期、知識(shí)期和學(xué)習(xí)期。在推理期，可以通過(guò)較簡(jiǎn)單的程序?qū)崿F(xiàn)對(duì)預(yù)設(shè)任務(wù)的推理辨認(rèn)，推理規(guī)則簡(jiǎn)單，只能在設(shè)定的機(jī)械規(guī)則內(nèi)運(yùn)行，無(wú)法形成實(shí)際意義上的機(jī)器智能。在知識(shí)期，出現(xiàn)了“知識(shí)庫(kù)”+“推理機(jī)”的模式，形成了具備專門知識(shí)和經(jīng)驗(yàn)的計(jì)算智能程序系統(tǒng)，人類把自身的知識(shí)和經(jīng)驗(yàn)以標(biāo)注數(shù)據(jù)的形式建立知識(shí)系統(tǒng)，計(jì)算機(jī)基于封閉的知識(shí)系統(tǒng)進(jìn)行系統(tǒng)內(nèi)的推理判斷。時(shí)間過(guò)渡到學(xué)習(xí)期后，人工智能技術(shù)的重點(diǎn)集中到計(jì)算機(jī)自動(dòng)學(xué)習(xí)，人類設(shè)計(jì)目標(biāo)算法，計(jì)算機(jī)根據(jù)算法自動(dòng)從數(shù)據(jù)中分析獲得規(guī)律，利用學(xué)習(xí)到的規(guī)律對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)和辨識(shí)。

至此，人工智能技術(shù)進(jìn)入到機(jī)器學(xué)習(xí)的時(shí)代，具備了可以進(jìn)行產(chǎn)業(yè)落地應(yīng)用的能力。隨著算法技術(shù)的推進(jìn)，在機(jī)器學(xué)習(xí)的基礎(chǔ)上又出現(xiàn)了深度學(xué)習(xí)，成為目前人工智能領(lǐng)域非常重要的理論。

深度學(xué)習(xí)是指對(duì)原始數(shù)據(jù)根據(jù)非線性特征進(jìn)行多次轉(zhuǎn)換，基于最原始的數(shù)據(jù)，構(gòu)建多層次的深度模型，設(shè)計(jì)學(xué)習(xí)算法讓模型自動(dòng)學(xué)習(xí)總結(jié)出數(shù)據(jù)的特征，這種學(xué)習(xí)是通過(guò)分層實(shí)現(xiàn)的，層數(shù)的設(shè)計(jì)和每一層預(yù)定特征數(shù)的提取是在算法設(shè)計(jì)過(guò)程中確定的，通常分為底層特征、中間層特征和高層特征，每層特征構(gòu)成基本的神經(jīng)結(jié)構(gòu)單元，多層堆疊形成多層神經(jīng)網(wǎng)絡(luò)。一般情況下，特征提取的層數(shù)越多得到的算法模型的準(zhǔn)確度越高。

深度學(xué)習(xí)的本質(zhì)特征體現(xiàn)在神經(jīng)網(wǎng)絡(luò)模型中預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)層數(shù)和每層的神經(jīng)元數(shù)量，設(shè)計(jì)后的模型對(duì)數(shù)據(jù)集的學(xué)習(xí)以及總結(jié)分析數(shù)據(jù)規(guī)律的過(guò)程完全是由機(jī)器自行決定的，人類或許可以理解機(jī)器提取出的低層次特征，但隨著提取特征層次的增加，特征表現(xiàn)得更加抽象，人類無(wú)法理解高層特征的現(xiàn)實(shí)意義，可以認(rèn)為機(jī)器自身具備了對(duì)客觀世界高抽象層次的認(rèn)知能力。

2 艦船短波無(wú)線通信現(xiàn)狀

目前，艦船之間基于短波頻段的無(wú)線通信方式本質(zhì)上仍為點(diǎn)對(duì)點(diǎn)通信方式。短波無(wú)線通信網(wǎng)絡(luò)技術(shù)發(fā)展緩慢，短波通信網(wǎng)絡(luò)概念還停留于提前規(guī)劃各節(jié)點(diǎn)在時(shí)間、空間、頻率等參數(shù)層面上，并無(wú)嚴(yán)格意義上的基于IP傳輸交換的流程?；谀壳岸滩ㄍㄐ偶夹g(shù)體制下的通信功能單一且質(zhì)量較低。

3 應(yīng)用場(chǎng)景設(shè)想

隨著實(shí)際應(yīng)用中對(duì)各種功能定位的艦船需求量增加，未來(lái)因艦船平臺(tái)數(shù)量增加凸顯出的短波通信能力較弱的問(wèn)題會(huì)日益突出，增量基于短波的無(wú)線網(wǎng)絡(luò)通信能力是必然的趨勢(shì)，短波無(wú)線通信網(wǎng)絡(luò)技術(shù)和能力會(huì)得到顯著發(fā)展。

短波通信形成無(wú)中心化的網(wǎng)絡(luò)通信能力，單艦船平臺(tái)配置短波信道設(shè)備、路由設(shè)備、網(wǎng)絡(luò)控制設(shè)備等，單節(jié)點(diǎn)具備獨(dú)立對(duì)信息進(jìn)行發(fā)送、接收和路由轉(zhuǎn)發(fā)的能力。每個(gè)單艦船平臺(tái)節(jié)點(diǎn)均分配有單獨(dú)的IP識(shí)別地址，單節(jié)點(diǎn)可接收來(lái)自不同平臺(tái)的信息，且可根據(jù)實(shí)際需要對(duì)接受到的信息進(jìn)行路由轉(zhuǎn)發(fā)，實(shí)現(xiàn)信息有目的性的網(wǎng)絡(luò)化傳輸。

艦船平臺(tái)為無(wú)線通信網(wǎng)的通信節(jié)點(diǎn)，通信節(jié)點(diǎn)可配置網(wǎng)絡(luò)運(yùn)行控制硬件設(shè)備和路由設(shè)備，負(fù)責(zé)完成網(wǎng)絡(luò)運(yùn)行維護(hù)和網(wǎng)絡(luò)路由信息的保存和修改；網(wǎng)絡(luò)控制設(shè)備搭建和維護(hù)通信網(wǎng)絡(luò)，編程預(yù)設(shè)網(wǎng)絡(luò)構(gòu)建的邏輯連接模型，設(shè)計(jì)網(wǎng)絡(luò)架構(gòu)，編制網(wǎng)絡(luò)內(nèi)信息傳輸節(jié)點(diǎn)的路由算法，通信容量帶寬分配規(guī)則等。通信節(jié)點(diǎn)從入網(wǎng)申請(qǐng)、信息發(fā)送和申請(qǐng)退網(wǎng)的全部工作流程都是基于網(wǎng)絡(luò)控制設(shè)備預(yù)先設(shè)置的網(wǎng)絡(luò)通信編程模型結(jié)構(gòu)。

傳統(tǒng)意義中的有線和移動(dòng)通信網(wǎng)絡(luò)的使用維護(hù)、信道路由選擇等重要操作仍需人為因素完成實(shí)現(xiàn)。通信節(jié)點(diǎn)產(chǎn)生信息，需要通過(guò)無(wú)線通信網(wǎng)絡(luò)傳輸?shù)侥繕?biāo)節(jié)點(diǎn)。每個(gè)節(jié)點(diǎn)進(jìn)入網(wǎng)絡(luò)后傳輸信息只按照編程設(shè)定的算法模式運(yùn)行，缺乏網(wǎng)絡(luò)系統(tǒng)的靈活自主性，在實(shí)際應(yīng)用中存在通信資源浪費(fèi)和網(wǎng)絡(luò)模型固化的弊端。

艦船通信網(wǎng)絡(luò)是一張時(shí)刻動(dòng)態(tài)變化的信息網(wǎng)，在動(dòng)態(tài)變化的網(wǎng)絡(luò)中選取最佳的路由規(guī)劃節(jié)省網(wǎng)絡(luò)資源，動(dòng)態(tài)自動(dòng)分配節(jié)點(diǎn)之間的信道帶寬讓有限的通信資源實(shí)現(xiàn)實(shí)時(shí)有效的高效調(diào)度，對(duì)整體提升網(wǎng)絡(luò)的傳輸性能實(shí)現(xiàn)網(wǎng)絡(luò)智能化具有重要意義。

4 智能無(wú)線通信網(wǎng)絡(luò)模型

網(wǎng)絡(luò)模型設(shè)計(jì)流程分為模型訓(xùn)練、模型測(cè)試和模型優(yōu)化階段，如圖1所示。

圖1 網(wǎng)絡(luò)模型流程示意圖

獲取數(shù)據(jù)樣本制作訓(xùn)練數(shù)據(jù)集，將設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)模型輸入數(shù)據(jù)進(jìn)行訓(xùn)練，固化模型參數(shù)；將固化后的模型部署在硬件平臺(tái)上，用測(cè)試數(shù)據(jù)測(cè)試模型；最后，根據(jù)測(cè)試階段積累的數(shù)據(jù)持續(xù)優(yōu)化模型，并對(duì)模型參數(shù)進(jìn)行修正去學(xué)習(xí)適應(yīng)通信網(wǎng)絡(luò)的特性：

（1）獲取訓(xùn)練樣本

需要針對(duì)目標(biāo)網(wǎng)絡(luò)的運(yùn)行數(shù)據(jù)保持較長(zhǎng)時(shí)間的監(jiān)控，獲取足夠的網(wǎng)絡(luò)數(shù)據(jù)樣本，數(shù)據(jù)中應(yīng)包括用來(lái)表征網(wǎng)絡(luò)運(yùn)行特征的的信息，如：在設(shè)定時(shí)間內(nèi)的節(jié)點(diǎn)路由信息、傳輸信息量和網(wǎng)絡(luò)節(jié)點(diǎn)規(guī)模等。對(duì)記錄的數(shù)據(jù)集進(jìn)行清洗獲取標(biāo)準(zhǔn)化數(shù)據(jù)，人工標(biāo)注特征信息和獲取訓(xùn)練樣本，作為算法模型進(jìn)行深度學(xué)習(xí)的訓(xùn)練資源。

（2）創(chuàng)建神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)算法模型設(shè)計(jì)為多層時(shí)序神經(jīng)網(wǎng)絡(luò)形式，如下頁(yè)圖2所示。網(wǎng)絡(luò)中設(shè)置

N

個(gè)通信節(jié)點(diǎn)，第

N

個(gè)節(jié)點(diǎn)與剩余

N

-1個(gè)節(jié)點(diǎn)設(shè)有神經(jīng)邏輯連接。假設(shè)在

t

時(shí)刻信息從第

N

個(gè)節(jié)點(diǎn)開始傳輸，在

t

+Δ

t

時(shí)刻，信息有可能傳輸?shù)?p>N

-1個(gè)節(jié)點(diǎn)，并且在初始化狀態(tài)下設(shè)置到達(dá)每個(gè)節(jié)點(diǎn)的概率都是相同的；同理，在

t

+2Δ

t

時(shí)刻，信息可以被傳輸?shù)?p>N

-1個(gè)節(jié)點(diǎn)，達(dá)到每個(gè)節(jié)點(diǎn)的概率也是相同的。所以依次類推，可以設(shè)置增加多層時(shí)序網(wǎng)絡(luò)至

t

+

n

Δ

t

時(shí)刻。

圖2 時(shí)序記憶神經(jīng)網(wǎng)絡(luò)模型

（3）訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型

在深度學(xué)習(xí)框架內(nèi)構(gòu)建多層神經(jīng)網(wǎng)絡(luò)中，每時(shí)刻節(jié)點(diǎn)

N

都有可能接收來(lái)自其他

N

-1個(gè)節(jié)點(diǎn)送來(lái)的路由信息。如下頁(yè)圖3所示，原始模型規(guī)定從每個(gè)節(jié)點(diǎn)之間有信息交互的概率都是相等的，神經(jīng)網(wǎng)絡(luò)模型的初始化參數(shù)都是相同的，即

P

=

P

=

P

=

P

=

P

=

P

=

P

。將數(shù)據(jù)樣本輸入神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)自動(dòng)分析數(shù)據(jù)的內(nèi)在規(guī)律，并自動(dòng)按照總結(jié)分析的規(guī)律來(lái)修改網(wǎng)絡(luò)模型參數(shù)并對(duì)參數(shù)進(jìn)行保存記錄，在下一個(gè)設(shè)定時(shí)刻，神經(jīng)元會(huì)繼續(xù)對(duì)相應(yīng)的數(shù)據(jù)進(jìn)行分析，并疊加優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)。在學(xué)習(xí)訓(xùn)練過(guò)程的結(jié)束時(shí)，神經(jīng)網(wǎng)絡(luò)模型會(huì)達(dá)到對(duì)既有數(shù)據(jù)的最佳匹配狀態(tài)。比如：經(jīng)過(guò)對(duì)長(zhǎng)時(shí)間樣本數(shù)據(jù)的學(xué)習(xí)，每個(gè)神經(jīng)網(wǎng)絡(luò)可以總結(jié)出節(jié)點(diǎn)在一段時(shí)間內(nèi)與剩余所有節(jié)點(diǎn)的連接總體情況，其中有連接概率大的節(jié)點(diǎn)，也有連接概率小的節(jié)點(diǎn)；有流量多的節(jié)點(diǎn)路徑，也有流量偏少的路徑。神經(jīng)網(wǎng)絡(luò)對(duì)各節(jié)點(diǎn)的連接特征進(jìn)行參數(shù)修正。

圖3 單神經(jīng)元節(jié)點(diǎn)連接示意圖

（4）模型部署與優(yōu)化

將訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型以軟件形式部署到網(wǎng)絡(luò)控制硬件平臺(tái)中，模型算法會(huì)根據(jù)學(xué)到的特征，自動(dòng)實(shí)時(shí)對(duì)網(wǎng)絡(luò)各節(jié)點(diǎn)路由、帶寬特性進(jìn)行動(dòng)態(tài)規(guī)劃。隨著網(wǎng)絡(luò)使用的時(shí)間增長(zhǎng)，模型還會(huì)自動(dòng)根據(jù)增加的數(shù)據(jù)再繼續(xù)學(xué)習(xí)，增加對(duì)網(wǎng)絡(luò)新特性的理解，繼續(xù)優(yōu)化網(wǎng)絡(luò)。實(shí)現(xiàn)網(wǎng)絡(luò)的運(yùn)行和優(yōu)化同步進(jìn)行，提高網(wǎng)絡(luò)智能化水平。

5 模型應(yīng)用關(guān)鍵技術(shù)

5.1 制作訓(xùn)練數(shù)據(jù)集

在深度學(xué)習(xí)算法模型的訓(xùn)練過(guò)程中，模型需要對(duì)關(guān)鍵數(shù)據(jù)進(jìn)行分析學(xué)習(xí)，在無(wú)線通信網(wǎng)絡(luò)中，網(wǎng)絡(luò)關(guān)鍵數(shù)據(jù)包括網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)量、信息路由、信道帶寬等。訓(xùn)練數(shù)據(jù)集需要規(guī)范特征信息的數(shù)據(jù)結(jié)構(gòu)，通過(guò)數(shù)據(jù)清洗、切片等應(yīng)用操作，獲取標(biāo)準(zhǔn)數(shù)據(jù)集。數(shù)據(jù)集信息格式在設(shè)計(jì)規(guī)劃中需適應(yīng)現(xiàn)有的網(wǎng)絡(luò)控制信息的數(shù)據(jù)格式，以提升數(shù)據(jù)通用性。

5.2 提升節(jié)點(diǎn)邊緣計(jì)算能力

艦船通信設(shè)備多采用基于嵌入式技術(shù)的傳統(tǒng)通信芯片，芯片算力有限，深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)芯片的計(jì)算能力有更高的要求。對(duì)通信網(wǎng)絡(luò)的實(shí)時(shí)狀態(tài)進(jìn)行學(xué)習(xí)推理，在特殊情況下還需要啟動(dòng)加速計(jì)算模式，芯片的實(shí)時(shí)處理能力是硬指標(biāo)。在艦船通信網(wǎng)絡(luò)節(jié)點(diǎn)專門配置計(jì)算平臺(tái)完成推理計(jì)算的設(shè)想，因受制于艦船平臺(tái)多種條件約束，目前還不具備可行性，無(wú)法達(dá)到為單一的計(jì)算任務(wù)配置專門高性能計(jì)算平臺(tái)。可行的方法是提升網(wǎng)絡(luò)控制設(shè)備內(nèi)置芯片配置，提升邊緣計(jì)算能力。目前，嵌入式人工智能硬件在功能和性能上還不具備滿足工業(yè)級(jí)大型應(yīng)用的能力。在硬件研發(fā)領(lǐng)域，需重點(diǎn)突破硬件芯片算力瓶頸，開發(fā)工業(yè)級(jí)嵌入式人工智能計(jì)算平臺(tái)。

5.3 設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)

目前，在技術(shù)上較為成熟的神經(jīng)網(wǎng)絡(luò)類型有卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等。卷積神經(jīng)網(wǎng)絡(luò)可以對(duì)圖像局部信息特征的持續(xù)捕捉分析，用來(lái)分析識(shí)別圖片、視頻畫面；循環(huán)神經(jīng)網(wǎng)絡(luò)用于對(duì)聲音、文字等語(yǔ)言相關(guān)的信息進(jìn)行分析預(yù)測(cè)。不同的業(yè)務(wù)特性需要對(duì)應(yīng)設(shè)計(jì)開發(fā)不同類型的神經(jīng)網(wǎng)絡(luò)，本文引入時(shí)間維度變量的神經(jīng)網(wǎng)絡(luò)，其中，網(wǎng)絡(luò)層數(shù)、決策機(jī)制、時(shí)間變量引入方式和時(shí)間間隔等關(guān)鍵特征決定著神經(jīng)網(wǎng)絡(luò)性能。完成可以工業(yè)應(yīng)用的網(wǎng)絡(luò)模型涉及到復(fù)雜算法的開發(fā)和多輪多次技術(shù)迭代，增加了實(shí)際實(shí)現(xiàn)應(yīng)用的難度。

6 結(jié) 語(yǔ)

人工智能是社會(huì)和技術(shù)變革的巨大驅(qū)動(dòng)力量，在數(shù)年時(shí)間內(nèi)取得了巨大的技術(shù)突破，對(duì)未來(lái)推動(dòng)產(chǎn)業(yè)技術(shù)革命將發(fā)揮重要作用。加快人工智能研究是社會(huì)的普遍共識(shí)，隨著人工智能技術(shù)在各產(chǎn)業(yè)應(yīng)用領(lǐng)域的深入，未來(lái)的趨勢(shì)是人工智能技術(shù)將會(huì)應(yīng)用在不同的落地場(chǎng)景中，人工智能技術(shù)也會(huì)向著差異化方向發(fā)展，通過(guò)最佳的模型和算法設(shè)計(jì)匹配場(chǎng)景的特征。深入剖析艦船通信系統(tǒng)特點(diǎn)，結(jié)合人工智能技術(shù)現(xiàn)狀和趨勢(shì)，尋找應(yīng)用人工智能技術(shù)的切入點(diǎn)，是推進(jìn)通信領(lǐng)域智能化水平的可行道路。