基于卷積神經(jīng)網(wǎng)絡(luò)的短波信道質(zhì)量分類

摘 ?要：自適應(yīng)短波通信系統(tǒng)可以解決短波信道質(zhì)量差、頻率資源短缺等問題，而信道質(zhì)量估計是其中的重要環(huán)節(jié)。為了避免基于深度學(xué)習(xí)的傳統(tǒng)方法中基帶信號過大而無法提取的問題，該文將基帶信號轉(zhuǎn)換成星座軌跡圖，再分別采用AlexNet，ResNet和DenseNet三種卷積神經(jīng)網(wǎng)絡(luò)對其進(jìn)行訓(xùn)練。實驗結(jié)果驗證了該文提出方法的可行性，且隨著網(wǎng)絡(luò)的加深，準(zhǔn)確度也將提升。

關(guān)鍵詞：自適應(yīng)短波通信;卷積神經(jīng)網(wǎng)絡(luò);星座軌跡圖;深度學(xué)習(xí);信道質(zhì)量分類

中圖分類號：TP183;TN925 ? ? 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-4706（2021）06-0070-04

HF Channel Quality Classification Based on Convolutional Neural Network

SUN Rujie

（Jiangsu Jiaotong College，Zhenjiang ?212028，China）

Abstract：Adaptive short-wave communication system can solve the problems of poor quality of short-wave channel and frequency resource shortage，while channel quality estimation is an important they are combined to simulate communication simulation. among them. In order to avoid the problem that the baseband signal is too large to be extracted in the traditional method based on deep learning，this paper transforms the baseband signal into constellation trajectories diagram，and then uses three convolutional neural networks of AlexNet，ResNet and DenseNet for training it. The experimental results verify the feasibility of the proposed method in this paper. With the deepening of the network，the accuracy will also be improved.

Keywords：adaptive short-wave communication;convolutional neural network;constellation trajectories diagram;deep learning;channel quality classification

0 ?引 ?言

短波通信廣泛應(yīng)用于軍事、工業(yè)等領(lǐng)域，用以實現(xiàn)遠(yuǎn)程通信[1]。然而，信道的衰落、多徑現(xiàn)象和時變的信道參數(shù)是制約其發(fā)展的難點[2]。為保證魯棒性，自適應(yīng)通信系統(tǒng)需要通過已知信道條件來選擇通信頻率和調(diào)制模式。信道質(zhì)量估計是測量一組信道參數(shù)并使用所獲得的參數(shù)值來定量描述這組信道的狀態(tài)和傳輸各種通信服務(wù)的能力的重要部分。信道質(zhì)量估計已經(jīng)應(yīng)用于許多自適應(yīng)系統(tǒng)中，如CURTS[3]、CHEC[4]等。但是，由于在檢測過程中應(yīng)用獨(dú)立檢測系統(tǒng)和發(fā)送特定檢測信號的需求，電磁環(huán)境污染增加，而且很容易被發(fā)現(xiàn)。

近年來，深度學(xué)習(xí)已廣泛應(yīng)用于信道質(zhì)量估計中，它可以直接用簡單處理過的信號提取信道參數(shù)并完成分類，避免人工提取特征的復(fù)雜性和不可靠性[5，6]。該文利用自適應(yīng)系統(tǒng)模型進(jìn)行仿真和數(shù)據(jù)生成，將信道質(zhì)量估計定義為一個分類問題，旨在為自適應(yīng)系統(tǒng)選擇質(zhì)量好的信道，而不是像傳統(tǒng)方法那樣過于注重參數(shù)計算和分析。該文參考國際電信聯(lián)盟（ITU），定義了四種信道質(zhì)量：AWGN、GOOD、MID、BAD，分別代表最佳質(zhì)量、良好質(zhì)量、中等質(zhì)量和最差質(zhì)量。在具體實驗過程中，我們采用了深度學(xué)習(xí)方法進(jìn)行信道估計。由于原始基帶信號太大，無法直接提取特征，該文將基帶信號樣本轉(zhuǎn)換成星座軌跡圖，然后使用AlexNet，ResNet和DenseNet三種深度神經(jīng)網(wǎng)絡(luò)對星座軌跡圖進(jìn)行識別。

1 ?問題表述

自適應(yīng)短波通信系統(tǒng)模型如圖1所示，該系統(tǒng)采用頻分復(fù)用技術(shù)（OFDM），基站通過信道編碼，OFDM調(diào)制進(jìn)而產(chǎn)生信號。信號經(jīng)過通信信道傳輸給用戶，與傳統(tǒng)接收機(jī)一樣，用戶先進(jìn)行OFDM解調(diào)，然后獲得OFDM信號。通過信號進(jìn)行信道質(zhì)量的估計，估計的結(jié)果將應(yīng)用于信道均衡，來調(diào)整編碼和調(diào)制的策略。圖中通過不同顏色的框線表示基站和用戶，信號產(chǎn)生的步驟，框圖顏色由淺入深，信號解碼步驟框圖顏色由深變淺，短波信道是基站和用戶溝通的橋梁，用圖中最粗的線條表示。

信道模型為yi，t=hi，t?xi，t+wi，t，t∈[0，N-1]，其中hi，t是信道脈沖響應(yīng)，wi，t是高斯噪聲。利用信道模型生成信號，在N周期內(nèi)采樣的接收信號序列可以表示為Y={y（0），y（1），…，y（N-1）}，將生成原始信號分為實部和虛部兩部分，實部用I表示，虛部用Q表示，則樣本可以表示為 ?，總共生成4 800個IQ樣本，每個樣本的長度是20 480。

生成的基帶信號不適合GPU直接計算，因此該文提出將信號映射到星座軌跡圖，然后將其輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。星座軌跡圖就是將N個長度的復(fù)向量轉(zhuǎn)換成復(fù)平面上N個點的分布，可以表示為，

，…，。然而，這種分布在復(fù)平面上往往是黑白的二元軌跡圖，丟失了很多原始信息。為了提高精度，采用數(shù)據(jù)增強(qiáng)的方法。我們使用一個小的平方濾波器，在星座圖上以固定的步長卷積來計算每一步的點數(shù)。每個星座圖上點的分布是不均勻的，我們把密度分為高密度、中密度和低密度三個等級。最后得到的星座軌跡圖如圖2所示。密度越高，顏色越深，通道質(zhì)量越差。

2 ?深度學(xué)習(xí)算法

2.1 ?CNN模型

AlexNet模型：AlexNet網(wǎng)絡(luò)如圖3所示，它是一個相對成熟的CNN網(wǎng)絡(luò)，在圖像識別方面具有獨(dú)特的優(yōu)勢。AlexNet有11層，包含5個卷積層（Conv2D）、3個最大池層（Max Pool）和3個完全連接層（FC），圖中不同網(wǎng)絡(luò)層用不同底色的框表示。該網(wǎng)絡(luò)比較簡單，訓(xùn)練起來不太復(fù)雜。ReLU和Softmax是深度學(xué)習(xí)中常用的非線性激活函數(shù)，公式為：

fReLU（zi）=Max（zi，0） ? ? ? ? ? ? ? ? ? ? （1）

fSoftmax（zi）= ? ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

其中，Max（）表示選擇最大值的函數(shù)，zi為訓(xùn)練樣本數(shù)，e為自然數(shù)。另外為了減少參數(shù)并避免過擬合，采用了dropout和局部響應(yīng)歸一化（LRN）操作。AlexNet網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

ResNet模型：隨著網(wǎng)絡(luò)的深入，梯度彌散現(xiàn)象將會越來越嚴(yán)重。對于卷積神經(jīng)網(wǎng)絡(luò)，簡單地增加網(wǎng)絡(luò)的深度，容易導(dǎo)致梯度消失和爆炸。隨著網(wǎng)絡(luò)層數(shù)的增加，在訓(xùn)練集上的準(zhǔn)確率卻飽和甚至下降了。為了解決退化問題，我們采用了ResNet網(wǎng)絡(luò)，它由許多殘差模塊組成，其結(jié)構(gòu)如圖4所示，不同卷積核大小的卷積層構(gòu)成了不同的殘差模塊。圖中不同顏色框圖對應(yīng)不同大小的卷積核。其中，每個殘差模塊分別包含輸入本身映射和殘差映射兩個分支。右側(cè)曲線對應(yīng)殘差部分，虛線表示卷積層跨越了不同大小卷積核，實線則表示沒有。若一個殘差模塊的輸入為x，一個殘差模塊有兩個卷積層，其卷積映射可表示為F（x），則殘差模塊的輸出為y=F（x）+x。在深度網(wǎng)絡(luò)上疊加這樣殘差的結(jié)構(gòu)，即使梯度消失了，至少把輸入的本身映射過去。全局平均池化層（GAP）應(yīng)用于網(wǎng)絡(luò)結(jié)構(gòu)來解決ResNet包含大量參數(shù)的問題。

DenseNet模型：為了進(jìn)一步提高信道質(zhì)量分類識別的準(zhǔn)確度，我們將進(jìn)一步加深網(wǎng)絡(luò)。為了確保網(wǎng)絡(luò)中各層之間的信息流達(dá)到最大，DenseNet將所有層全部連接起來。每一層都從前面的所有層獲得額外的輸入，并將自己的特性映射傳遞給后面的所有層。DenseNet模型結(jié)構(gòu)如圖5所示，它由3個密集區(qū)塊組成。與ResNet不同的是，密集區(qū)塊將所有卷積層直接相連，在每一層傳遞特征之前，將之前的特征進(jìn)行合并。例如，第l層的輸出為xl=Hl（[x0，x1，…，xl-1]），其中[x0，x1，…，xl-1]就是將前l(fā)層的輸出通過級聯(lián)合并，Hl表示批量歸一化（Batch Normalization）、非線性激活函數(shù)ReLU和卷積操作的映射。

2.2 ?優(yōu)化算法

該文使用Adam作為深度學(xué)習(xí)的優(yōu)化器，并采用分類交叉熵（CCE）作為損失函數(shù)。Adam算法為：

（3）

（4）

其中， 是指在t迭代次數(shù)時模型權(quán)重的梯度，該算法是采用梯度下降法。mt表示一階矩估計;vt表示二階矩估計;t表示訓(xùn)練步長;β1和β2表示矩估計的指數(shù)衰減率;β1，t和β2，t表示β1和β2的第t次方，η表示模型學(xué)習(xí)速率，ε是一個很小的參數(shù)，用來防止分母變成0。假設(shè)xi為輸入數(shù)據(jù);yi為真實標(biāo)簽;N為類別數(shù)，wi為模型權(quán)重，fi（·）為模型的預(yù)測，則損失函數(shù)可以寫成：

（5）

3 ?仿真測試

該文利用Matlab軟件對短波通信系統(tǒng)進(jìn)行模擬，提取基帶信號并對信號進(jìn)行處理，將其轉(zhuǎn)換成星座軌跡圖，生成數(shù)據(jù)集。生成的4 800個樣本轉(zhuǎn)換成4 800張星座軌跡圖，這些圖片作為信道質(zhì)量分類的數(shù)據(jù)集，其中4 000張作為訓(xùn)練集，800張作為測試集。我們在GPU上對整個系統(tǒng)進(jìn)行了訓(xùn)練和測試，仿真環(huán)境為Keras和Tensorflow。Adam算法中的指標(biāo)設(shè)置為β1=0.9，β2=0.999，ε=0.001。至于模擬參數(shù)，我們將批量大小設(shè)置為batchsize=100，最大批量epoch設(shè)置為100。短波信道質(zhì)量分類識別的實驗結(jié)果為：

3.1 ?分類性能

表1給出了評估每種方法性能的四個指標(biāo)，它們是準(zhǔn)確度（Accuracy）、精確度（Precision）、召回率（Recall）和測試時間（Time）。在這里，共有四個類別，我們設(shè)置一個類別為正，其余為負(fù)。用TP和FN分別表示正樣本預(yù)測為正和負(fù)，F(xiàn)P和TN表示負(fù)樣本預(yù)測為正和負(fù)，則測試指標(biāo)準(zhǔn)確度、精確度和召回率的定義為：

（6）

（7）

（8）

從表1可以看出，從準(zhǔn)確度、精確度和召回率來看，DenseNet模型是擁有最好的識別性能，ResNet模型次之，這說明隨著網(wǎng)絡(luò)結(jié)構(gòu)的不斷加深，卷積神經(jīng)網(wǎng)絡(luò)的識別性能將得到提升。最差的AlexNet的準(zhǔn)確度也能達(dá)到82.15%，證明利用星座軌跡圖來進(jìn)行信道分類是可行的。從測試時間看，DenseNet也是用時最短，AlexNet和ResNet用時差不多，說明相比較于其他兩種模型，DenseNet模型是最適合用于基于星座軌跡圖的短波信道質(zhì)量分類。

3.2 ?損失收斂

損失函數(shù)曲線如圖6所示?？梢钥闯?，在基于星座軌跡圖的方法中，AlexNet模型的衰減率最高，這說明了損失收斂的速度取決于網(wǎng)絡(luò)的深度。DenseNet網(wǎng)絡(luò)最深，衰減速度相對較低，所需的訓(xùn)練成本是較大的。

4 ?結(jié) ?論

該文提出將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于短波信道質(zhì)量分類中，該方法不需要特殊的檢測設(shè)備來測量和計算信道參數(shù)并且能為自適應(yīng)短波通信系統(tǒng)提供良好的信道選擇。為了方便處理數(shù)據(jù)，我們將原始復(fù)雜的基帶信號轉(zhuǎn)換成了星座軌跡圖，通過實驗驗證了利用圖像識別進(jìn)行短波信道質(zhì)量的評估分類是可行的。并且，AlexNet，ResNet，DenseNet三種不同卷積神經(jīng)網(wǎng)絡(luò)的仿真結(jié)果表明隨著網(wǎng)絡(luò)的加深，損失收斂的速度會有所下降，但準(zhǔn)確度將得到提升。在接下來的工作中，我們將探索如何在提升識別性能的同時，提高模型的訓(xùn)練效率。

參考文獻(xiàn)：

[1] 左衛(wèi).短波通信系統(tǒng)發(fā)展及關(guān)鍵技術(shù)綜述 [J].通信技術(shù)，2014，47（8）：847-853.

[2] 郭英波.短波通信中的信道估計與同步技術(shù)研究 [D].北京：北京郵電大學(xué)，2015.

[3] 趙蘭浩.短波通信技術(shù)發(fā)展綜述 [J].信息通信，2017（11）：257-258.

[4] 王高峰.短波通信系統(tǒng)自適應(yīng)信道均衡技術(shù)應(yīng)用研究 [J].中國新通信，2018，20（5）：98.

[5] 廖勇，花遠(yuǎn)肖，姚海梅.基于深度學(xué)習(xí)的OFDM信道估計 [J].重慶郵電大學(xué)學(xué)報（自然科學(xué)版），2019，31（3）：348-353.

[6] 李坤，張靜，李瀟，等.人工智能輔助的信道估計最新研究進(jìn)展 [J].電信科學(xué)，2020，36（10）：46-55.

作者簡介：孫汝杰（1984.04—），男，漢族，江蘇如皋人，工程師，信息管理系實訓(xùn)中心主任，碩士研究生，研究方向：信息工程、人工智能與通信技術(shù)等。