基于多標(biāo)簽分類算法的多輸入多輸出智能接收機(jī)模型

王安義，張衡

（西安科技大學(xué) 通信與信息工程學(xué)院，西安 710054）

0 引言

隨著5G 研究與快速發(fā)展，多輸入多輸出（Multi-Input Multi-Output，MIMO）系統(tǒng)因其能有效提高系統(tǒng)性能和增大系統(tǒng)容量受到了廣泛關(guān)注［1］。且MIMO 是5G 中提高系統(tǒng)容量和頻譜利用率的關(guān)鍵技術(shù)。理論上，當(dāng)小區(qū)基站天線數(shù)目趨于無窮大時(shí)，加性高斯白噪聲（Additive White Gaussian Noise，AWGN）和瑞利衰落等負(fù)面影響全都可以忽略不計(jì)，數(shù)據(jù)傳輸速率能得到極大提高［2］。但是在復(fù)雜的場景下，信號依然受到很多負(fù)面干擾，使得信號失真，因此使用深度學(xué)習(xí)去解決端到端的信號恢復(fù)，也成為一個(gè)新的研究方向。

近幾年人工智能技術(shù)已然成為當(dāng)今社會(huì)最前沿的研究方向，其中深度學(xué)習(xí)受到了學(xué)術(shù)界和工業(yè)界的極大關(guān)注，并且在圖像識別、語音識別、自然語言處理等方面實(shí)現(xiàn)了實(shí)際應(yīng)用［3-5］。在此背景下，近年來國內(nèi)外研究學(xué)者開始就如何將人工智能技術(shù)引入到通信領(lǐng)域展開了初步的研究探索，在調(diào)試方式識別、信道編碼、通信信號分類等方面取得了一定的研究成果［6-9］。當(dāng)前，現(xiàn)代無線通信系統(tǒng)朝著寬頻帶、大容量、遠(yuǎn)距離、多用戶、高效率、高靈活性的智能化和綜合化方向發(fā)展。新技術(shù)問題的出現(xiàn)總是和人們對高性能通信系統(tǒng)的需求相伴隨。隨著通信場景多樣化，系統(tǒng)面臨著信道時(shí)變、鏈路非線性、計(jì)算處理資源受限等問題。在信道估計(jì)方面，文獻(xiàn)［10］中提出一種基于深度學(xué)習(xí)的時(shí)變?nèi)鹄ヂ湫诺拦烙?jì)方法，通過將循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）結(jié)構(gòu)與滑動(dòng)窗口思想相結(jié)合，利用神經(jīng)網(wǎng)絡(luò)建立、訓(xùn)練和測試滑動(dòng)雙向門控遞歸單元信道估計(jì)器，完成時(shí)變?nèi)鹄ヂ湫诺赖墓烙?jì)。在信道均衡方面，文獻(xiàn)［11］中考慮了利用深度學(xué)習(xí)實(shí)現(xiàn)信道均衡，提出了基于深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的均衡器，并與傳統(tǒng)的基于最小二乘法（Least Squares method，LS）和最小均方誤差（Minimum Mean Squared Error，MMSE）的均衡方法進(jìn)行了比較，在正交頻分復(fù)用（Orthogonal Frequency-Division Multiplexing，OFDM）系統(tǒng)中，取得了比傳統(tǒng)均衡方法更好的誤碼率（Bit Error Ratio，BER）性能。在符號判決方面，文獻(xiàn)［12］中利用DNN 結(jié)構(gòu)來替代OFDM 接收機(jī)中符號檢測模塊。未來通信場景運(yùn)用的多樣化，使得信號恢復(fù)處理研究領(lǐng)域面臨新的問題。然而，機(jī)遇總是和挑戰(zhàn)相并存，在這樣的背景下，突破傳統(tǒng)方法的束縛，分析數(shù)據(jù)和知識的關(guān)聯(lián)性，研究復(fù)雜場景下信號恢復(fù)新方法，實(shí)現(xiàn)智能通信接收方法就更加值得去探索和研究。

深度學(xué)習(xí)中的多標(biāo)簽分類算法常用于解決文本分類、圖像分類、生物信息分類等問題。與傳統(tǒng)分類不同的是，在多標(biāo)簽分類問題中標(biāo)簽數(shù)不確定，可以是單個(gè)標(biāo)簽，可也是多個(gè)標(biāo)簽，高達(dá)幾十甚至上百個(gè)。依據(jù)這一特性，本文將輸出的比特序列看作多個(gè)標(biāo)簽，提出了基于多標(biāo)簽分類的MIMO智能接收機(jī)。最后進(jìn)行了仿真分析，驗(yàn)證了其優(yōu)越的性能。

本文主要工作如下：

1）提出MIMO 智能接收機(jī)模型，實(shí)現(xiàn)從接收到的IQ（I：in-phase 表示同相；Q：quadrature 表示正交，與I 相位差90°）信號波形中恢復(fù)出原始信息比特流的目的，替代傳統(tǒng)通信接收機(jī)中載波和符號同步、信道估計(jì)、均衡、解調(diào)、信道譯碼等整個(gè)信息恢復(fù)流程，盡可能減少無線信道衰落、噪聲、干擾等因素的影響。

2）提出一種基于CNN 分類的智能接收機(jī)實(shí)現(xiàn)方式。具體來說，本文設(shè)計(jì)了一種一維卷積（1D-Conv）-DenseNet 網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)中所有的卷積均為一維卷積，采用全局池化（Global pooling）得到相同維度的特征向量來提升網(wǎng)絡(luò)對不同輸入信號長度的適應(yīng)性，在最后的分類層采用一個(gè)分類函數(shù)來代替M個(gè)二分類器來實(shí)現(xiàn)比特流恢復(fù)，解決信息比特?cái)?shù)較多時(shí)采用單分類器出現(xiàn)的類別數(shù)目過多的問題，同時(shí)選擇Sigmoid 作為分類函數(shù)，省去對比特序列的熱編碼步驟。

1 系統(tǒng)模型

1.1 MIMO信號模型

在MIMO 發(fā)送信號端，將要發(fā)送的語音、文本或視頻等內(nèi)容在經(jīng)過處理轉(zhuǎn)換成信息比特流，然后對信息比特流進(jìn)行信道編碼、調(diào)制和脈沖整形，最后經(jīng)過空時(shí)編碼后由不同天線將產(chǎn)生的信號輻射到空中。接收機(jī)接收到信號后，采用解調(diào)、信道解碼等方法恢復(fù)信息碼流，然后對碼流進(jìn)行解密、解碼，得到原始內(nèi)容。傳統(tǒng)的通信接收算法主要針對特定的調(diào)制和編碼方式進(jìn)行設(shè)計(jì)，對于發(fā)射端采用自適應(yīng)編碼調(diào)制的通信系統(tǒng)，其接收端也往往需要知道當(dāng)前信號采用的調(diào)制和編碼方式，才能選擇對應(yīng)的接收算法進(jìn)行信息恢復(fù)。本文以MIMO 無線通信系統(tǒng)為模型，其接收端的信號為：

其中：y為接收信息向量；H為瑞利衰落隨機(jī)信道矩陣；x=(x1，x2，…，xM)T為發(fā)送向量，n為高斯加性白噪聲。

研究表明，在發(fā)射機(jī)上獲得的增益通常很小，尤其是在高信噪比（Signal-to-Noise Ratio，SNR）時(shí)。然而，在多用戶情況下性能差距要大得多，并且隨著信噪比變大或發(fā)射天線數(shù)量增加，性能差距將增加而不是減小。這可能使得在發(fā)射機(jī)處獲得信道知識的潛在高成本更加合理［13］。而接收機(jī)是保證無線通信系統(tǒng)誤碼率性能的關(guān)鍵，其接收到的信號會(huì)受到很多不可控因素的干擾和影響，常見的因素有衰落、損耗等。由于接收機(jī)會(huì)接收到一些失真嚴(yán)重的信號，想要從這些失真嚴(yán)重的信號中恢復(fù)發(fā)送數(shù)據(jù)，MIMO 傳統(tǒng)方法是采取空分復(fù)用技術(shù)，它是在發(fā)射端發(fā)射相互獨(dú)立的信號［14］，接收端采用干擾抑制的方法進(jìn)行解碼的技術(shù)。

1.2 深度神經(jīng)網(wǎng)絡(luò)接收機(jī)模型

由于龐大的訓(xùn)練數(shù)據(jù)，本文對文獻(xiàn)［15］中提出的智能接收機(jī)算法進(jìn)行了改進(jìn)（如圖1 所示），設(shè)計(jì)了小訓(xùn)練樣本的多標(biāo)簽分類MIMO 智能接收機(jī)模型，該模型使用深度神經(jīng)網(wǎng)絡(luò)來代替?zhèn)鹘y(tǒng)通信接收端的信息恢復(fù)過程。多標(biāo)簽分類MIMO 智能接收機(jī)的輸入為接收到的無線IQ 信號，輸出為恢復(fù)后的信息比特流。這種智能接收機(jī)與傳統(tǒng)的通信發(fā)送端形成一種新的通信體系，其目的是在各種非理想條件下盡可能可靠地恢復(fù)信息，提高接收機(jī)對復(fù)雜場景的適應(yīng)性。

2 多標(biāo)簽分類MIMO智能接收機(jī)

設(shè)發(fā)送的信息比特流為s=(s1，s2，…，sM)，其中M是比特流中的比特?cái)?shù)，si(i=1，2，…，M)取二進(jìn)制0 或1。信息比特流經(jīng)過信道編碼、調(diào)制和脈沖成型。產(chǎn)生的信號通過MIMO方式發(fā)送，通過無線信道發(fā)送到接收端。常用方法是使用單一的多類別分類器來解決。比特流總共包含M比特，所有可能的類的數(shù)目為2M，因此可以使用具有2M類的分類器來解決這個(gè)問題。然而，隨著比特?cái)?shù)量級增加，輸出類別的數(shù)目呈指數(shù)爆炸增長［15］。傳輸位數(shù)小時(shí)可以輕松實(shí)現(xiàn)，但是隨著5G 技術(shù)的高速發(fā)展，大比特流傳輸不可避免。當(dāng)M很大時(shí)，需要的訓(xùn)練樣本數(shù)量將遠(yuǎn)遠(yuǎn)大于2M。產(chǎn)生如此多的訓(xùn)練樣本很困難，實(shí)測的數(shù)據(jù)也很難達(dá)到需求；同時(shí)訓(xùn)練的計(jì)算復(fù)雜度會(huì)非常高，訓(xùn)練網(wǎng)絡(luò)的時(shí)間將非常長且很難收斂。

本文將該問題看作是單輸入多輸出分類問題，將接收到的IQ 信號作為網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)主體采用DenseNet（Dense convolutional Network）一維卷積模型，對網(wǎng)絡(luò)最后將提取到的共享特征向量進(jìn)行多標(biāo)簽分類操作，而多標(biāo)簽分類恰好是處理單輸入多輸出分類問題的一個(gè)方法。多標(biāo)簽分類器模型的任務(wù)是從接收到的IQ 信號中恢復(fù)信息比特流，常規(guī)的思路是把輸出的比特序列當(dāng)作是一個(gè)序列整體，而本文將輸出序列的每一個(gè)值都看作一個(gè)輸出。在多標(biāo)簽分類神經(jīng)網(wǎng)絡(luò)中，一些學(xué)習(xí)算法本身就支持多標(biāo)簽分類。將神經(jīng)網(wǎng)絡(luò)模型配置為支持多標(biāo)簽分類，并且可以根據(jù)分類任務(wù)的具體情況很好地執(zhí)行。只需指定問題中的目標(biāo)標(biāo)簽數(shù)作為輸出層中節(jié)點(diǎn)數(shù)，神經(jīng)網(wǎng)絡(luò)就可以直接支持多標(biāo)簽分類［16-18］。具有M個(gè)輸出標(biāo)簽（類）的任務(wù)將需要一個(gè)神經(jīng)網(wǎng)絡(luò)輸出層，該神經(jīng)網(wǎng)絡(luò)在輸出層中具有M個(gè)節(jié)點(diǎn)。輸出必須使用Sigmoid 函數(shù)激活，這將預(yù)測每個(gè)標(biāo)簽的概率，損失函數(shù)選擇用二進(jìn)制交叉熵?fù)p失函數(shù)擬合。

因此，本文提出基于多標(biāo)簽分類算法的模型，此模型采用DenseNet 深度神經(jīng)網(wǎng)絡(luò)。在全連接層之后使用Sigmoid 分類函數(shù)輸出向量標(biāo)簽，標(biāo)簽向量里的每個(gè)值即對應(yīng)為0 或1的概率，當(dāng)概率大于0.5 時(shí)輸出標(biāo)簽為1，小于0.5 時(shí)輸出標(biāo)簽為0。

文獻(xiàn)［15］中提出共享網(wǎng)絡(luò)多二分類模型，如圖2 左邊所示，該模型對共享網(wǎng)絡(luò)提取到的特征向量進(jìn)行多次二分類操作。該模型使用M個(gè)Softmax 函數(shù)并行對特征向量進(jìn)行分類從而實(shí)現(xiàn)多二分類，恢復(fù)M位比特信號。如圖2 右邊中虛線框所示，在該模型基礎(chǔ)上，使用一個(gè)Sigmoid 函數(shù)來代替M個(gè)Softmax 函數(shù)，實(shí)現(xiàn)一次分類操作恢復(fù)比特信號。Sigmoid 和Softmax 都可以用作分類，兩者的核心區(qū)別在于函數(shù)輸出值的分布。Softmax 函數(shù)用于分類主要就是利用其在眾多輸出值的概率分布滿足輸出中只有一個(gè)值大于0.5，剩下的輸出值均小于0.5，且所有值的和為1 的概率分布。而Sigmoid 函數(shù)的不同之處在于，該函數(shù)的每一個(gè)輸出都是獨(dú)立的，每一個(gè)輸出值都服從大于0 且小于1 的概率分布。本文正是利用了這一概率分布特性，使用一個(gè)Sigmoid 函數(shù)來代替M個(gè)Softmax 函數(shù)。此做法優(yōu)點(diǎn)如下：

1）替換后的網(wǎng)絡(luò)得到簡化，在參數(shù)減少的同時(shí)，訓(xùn)練時(shí)間也得到了優(yōu)化（文獻(xiàn)［15］中多二分類模型并行計(jì)算，本質(zhì)上還是多個(gè)網(wǎng)絡(luò)，訓(xùn)練時(shí)間長）。2）在數(shù)據(jù)做標(biāo)簽時(shí)也省去了很多步驟，因?yàn)槲墨I(xiàn)［15］中使用M個(gè)Softmax 二分類函數(shù)，而該分類函數(shù)的輸出標(biāo)簽是獨(dú)熱編碼，需要2 個(gè)位編碼。首先在對M位比特做標(biāo)簽時(shí)需要將一個(gè)長度為M的序列拆分為M個(gè)單獨(dú)的比特，然后需要對這些獨(dú)立的比特進(jìn)行熱編碼，因?yàn)槭嵌诸悾悦總€(gè)標(biāo)簽為2位，最后還要將這些獨(dú)立打好標(biāo)簽的編碼再組合。本文利用Sigmoid 激活函數(shù)輸出是一個(gè)一維長度為M的向量矩陣這一特點(diǎn)，正好與M位序列向量匹配，可以直接使用信號的M位比特序列作為網(wǎng)絡(luò)的輸出標(biāo)簽，在通信系統(tǒng)里減少操作步驟，在實(shí)際應(yīng)用中減少時(shí)延。

修改模型為M個(gè)輸出的多標(biāo)簽分類器，由于恢復(fù)的比特自身數(shù)值［0，1］的屬性，則可以省去進(jìn)行標(biāo)簽處理的步驟，因此本文直接將輸出比特作為輸出標(biāo)簽。設(shè)s=(s1，s2，…，sM)，M表示標(biāo)簽空間的標(biāo)簽量，作為最后一層輸出。將二維的信號比特特征x輸入此多標(biāo)簽分類器模型中學(xué)習(xí)，得到預(yù)測輸出y=predict(x)，真實(shí)實(shí)例標(biāo)簽為=sT，其中激活函數(shù)為Sigmoid 函數(shù)：

整個(gè)網(wǎng)絡(luò)訓(xùn)練損失函數(shù)設(shè)計(jì)為二值交叉熵?fù)p失函數(shù)：

其中：yi為真實(shí)標(biāo)簽；N為樣本個(gè)數(shù)=σ(xj-1)，j為網(wǎng)絡(luò)層數(shù)，xn-1為最后一層激活函數(shù)的前一層輸入。

深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練是基于訓(xùn)練數(shù)據(jù)集優(yōu)化網(wǎng)絡(luò)參數(shù)，在訓(xùn)練集上取得良好的性能，同時(shí)盡量使其推廣到訓(xùn)練集以外的其他數(shù)據(jù)。本文采用深度學(xué)習(xí)多標(biāo)簽分類中最常用的優(yōu)化方法，即自適應(yīng)矩陣估計(jì)（Adaptive moment estimation，Adam）。損失函數(shù)是訓(xùn)練的關(guān)鍵，對于多標(biāo)簽分類問題，選擇二值交叉熵?fù)p失函數(shù)。

3 仿真分析

3.1 仿真實(shí)驗(yàn)設(shè)置

訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)均用Matlab2020a 生成。訓(xùn)練使用Tensorflow 在英偉達(dá)2080Ti GPU 上進(jìn)行。網(wǎng)絡(luò)初始化時(shí)，所有參數(shù)均以高斯分布隨機(jī)初始化。訓(xùn)練優(yōu)化器采用Adam，訓(xùn)練時(shí)，batch 大小為128，Epoch 次數(shù)為8，初始學(xué)習(xí)率為0.001。

實(shí)驗(yàn)分為四個(gè)部分：

實(shí)驗(yàn)一 驗(yàn)證智能接收機(jī)端到端信息恢復(fù)能力，考慮兩種調(diào)制方式：二進(jìn)制相移鍵控（Binary Phase Shift Keying，BPSK）調(diào)制和正交相移鍵控（Quadrature Phase Shift Keying，QPSK）調(diào)制，信道編碼采用（7，4）漢明碼，脈沖成型濾波器采用升余弦濾波器，滾降系數(shù)為0.5。對于BPSK 漢明碼方式，原始信息比特?cái)?shù)為16，使用Matlab 隨機(jī)生成序列，經(jīng)過編碼后為28 比特，分別使用BPSK 和QPSK 調(diào)制，再經(jīng)正交空時(shí)分組編碼（Orthogonal Space-Time Block Coding，OSTBC）和升余弦濾波成型后發(fā)出，默認(rèn)環(huán)境AWGN，本次實(shí)驗(yàn)信道是服從瑞利分布的多徑衰落，設(shè)置最大多普勒頻移為1 Hz。每個(gè)訓(xùn)練數(shù)據(jù)集信號Eb/N0（比特信噪比，單位dB）范圍0 dB～8 dB，步長1 dB。每個(gè)Eb/N0 的樣本數(shù)為10 萬條，共計(jì)90 萬條訓(xùn)練數(shù)據(jù)。測試數(shù)據(jù)集信號Eb/N0 范圍0 dB～8 dB，每個(gè)Eb/N0的樣本數(shù)為10 萬條。

實(shí)驗(yàn)二 驗(yàn)證智能接收機(jī)模型對多種調(diào)制和編碼組合的信息恢復(fù)能力，考慮兩種調(diào)制方式：BPSK 調(diào)制和QPSK 調(diào)制，信道編碼采用（7，3）循環(huán)編碼和（15，5）循環(huán)編碼，由于2發(fā)射天線空時(shí)編碼偶數(shù)特性，原始信息（7，3）循環(huán)編碼比特?cái)?shù)為24，（15，5）循環(huán)編碼比特?cái)?shù)為20，每個(gè)訓(xùn)練數(shù)據(jù)集，信號Eb/N0 范圍0 dB～8 dB，步長1 dB。每個(gè)Eb/N0 的樣本數(shù)為1 萬條，共計(jì)9 萬條訓(xùn)練集。測試數(shù)據(jù)集中，信號Eb/N0 范圍0 dB～8 dB，每個(gè)Eb/N0 的樣本數(shù)為1 萬條。

實(shí)驗(yàn)三 驗(yàn)證MIMO 智能接收機(jī)在受到干擾信號情況下的性能。本實(shí)驗(yàn)是以2×2MIMO 為基礎(chǔ)，考慮了兩種受干擾的情況：其一是單個(gè)發(fā)射天線上信號受到干擾信號的干擾；其二是兩個(gè)發(fā)射天線信號分別受到不同頻率的干擾信號，干擾信號的功率根據(jù)信干比（Signal-to-Interference power Ratio，SIR）在-10 dB～20 dB 確定。

信號Eb/N0 范圍仍然設(shè)置為0 dB～8 dB。干擾信號部分如圖3 所示，干擾信號的橫坐標(biāo)表示為離散干擾信號的個(gè)數(shù)，與接收的IQ 信號相同。本文選擇了Eb/N0=8 dB，SIR 分別為-10 dB、15 dB 的兩張圖。從圖3 中可以看出，當(dāng)SIR 很小時(shí)，干擾信號可以很明顯辨別。當(dāng)SIR 很大時(shí)，干擾信號很小，難以辨別。

實(shí)驗(yàn)四 為驗(yàn)證其信息恢復(fù)位數(shù)的可擴(kuò)展性，考慮信息恢復(fù)比特位數(shù)分別為32、64、128。均用BPSK 調(diào)制方式與瑞利信道。每個(gè)訓(xùn)練數(shù)據(jù)集信號Eb/N0 范圍為0 dB～8 dB，步長1 dB。每個(gè)Eb/N0 的樣本數(shù)為1 萬條，共計(jì)9 萬條訓(xùn)練集。因?yàn)榛謴?fù)位數(shù)不同，做了兩次對比實(shí)驗(yàn)，第一次控制測試數(shù)據(jù)集相同，每個(gè)Eb/N0 均為1 萬條數(shù)據(jù)，則總比特?cái)?shù)依次為32 萬條、64 萬條、128 萬條；第二次測試每個(gè)Eb/N0 控制總比特?cái)?shù)相同，則測試集數(shù)據(jù)依次為1 萬條、0.5 萬條、0.25 萬條。

3.2 BER性能分析

實(shí)驗(yàn)一比較理想信道和瑞利信道下智能接收機(jī)的性能。從圖4 可以看出，當(dāng)信道中有衰落的影響時(shí)，傳統(tǒng)接收機(jī)的性能受到很大的影響，但對智能接收機(jī)影響并不顯著，且智能接收機(jī)的性能遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng)接收機(jī)，這也驗(yàn)證了多標(biāo)簽智能接收機(jī)端到端強(qiáng)大的信息恢復(fù)能力。Eb/N0=7 dB時(shí)，傳統(tǒng)譯碼方法的誤碼率（BER）為1E-7，而本文設(shè)計(jì)的多標(biāo)簽接收機(jī)在Eb/N0=6 dB時(shí)，BER 已經(jīng)為0，性能更加優(yōu)異。

對于實(shí)驗(yàn)二，從圖5 可以看出，在采用多種調(diào)制方式和編碼方式的情況下，智能接收機(jī)仍然能夠以很高的準(zhǔn)確率恢復(fù)原始信息，而且性能遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng)方法，說明了多標(biāo)簽智能接收機(jī)的優(yōu)越性。

對于實(shí)驗(yàn)三，從圖6 可以看出，相同SIR下，傳統(tǒng)譯碼，兩個(gè)發(fā)射數(shù)據(jù)都被干擾要比單個(gè)發(fā)射數(shù)據(jù)要嚴(yán)重。但對于智能接收機(jī)而言，性能得到極大的提升。在SIR=-5 dB，Alamouti 譯碼幾乎已經(jīng)無法恢復(fù)信號，但是智能接收機(jī)依然在Eb/N0=8 dB時(shí)，BER 達(dá)到了1E-5。這也驗(yàn)證了智能接收機(jī)端到端處理數(shù)據(jù)的強(qiáng)大能力，以及強(qiáng)抗干擾性能。

實(shí)驗(yàn)四的結(jié)果如圖7 所示，當(dāng)總比特?cái)?shù)相同時(shí)，在實(shí)驗(yàn)一和實(shí)驗(yàn)二的基礎(chǔ)上擴(kuò)展了信號恢復(fù)位數(shù)，在小比特?cái)?shù)情況下，當(dāng)Eb/N0=5 dB時(shí)，BER 已經(jīng)為0，性能非常優(yōu)秀，隨著信息比特位數(shù)增大，在同一個(gè)深度神經(jīng)網(wǎng)絡(luò)下，準(zhǔn)確率開始下降。這是由于共享網(wǎng)絡(luò)模型本身存在問題，共享網(wǎng)絡(luò)由于共享的是同一個(gè)特征向量，所以特征向量的復(fù)雜度決定了結(jié)果的準(zhǔn)確度。文獻(xiàn)［15］中提出的共享網(wǎng)絡(luò)由于在最后一層卷積層的卷積核數(shù)量為150，這使得共享的特性輸出維度為（151，1），當(dāng)151 維用于32 位和64 位輸出時(shí)，效果很好；但是隨著輸出數(shù)量越來越大，特征向量輸出的效果降低。這需要進(jìn)一步對特征向量增加維度進(jìn)行優(yōu)化。

3.3 模型性能分析

從表1 中可以發(fā)現(xiàn)，改進(jìn)過的模型的訓(xùn)練時(shí)間有所減少，參數(shù)量大幅下降，每個(gè)批次提升約4 min，在相同共享網(wǎng)絡(luò)的情況下，網(wǎng)絡(luò)參數(shù)減少了2 416 個(gè)。結(jié)合圖2 虛線框中的結(jié)構(gòu)，文獻(xiàn)［15］模型的參數(shù)為151×2×16=4 832，多標(biāo)簽151×16=2 416，相差值Δ=4 832-2 416=2 416，改進(jìn)后的模型參數(shù)量比文獻(xiàn)［15］中少了151×M。

表1 不同模型的性能對比Tab.1 Performance comparison of different models

4 結(jié)語

本文將多標(biāo)簽分類思想應(yīng)用于MIMO 接收機(jī)系統(tǒng)上，采用深度學(xué)習(xí)算法，解決了MIMO 整個(gè)接收端的信號恢復(fù)問題。智能接收機(jī)優(yōu)化的是接收端信息恢復(fù)整體性能，能夠?qū)崿F(xiàn)多種調(diào)制和編碼方式下的信息恢復(fù)。智能接收機(jī)只從數(shù)據(jù)中學(xué)習(xí)，不需要考慮外界干擾的影響。仿真結(jié)果表明，基于多標(biāo)簽分類算法的BER 性能優(yōu)于現(xiàn)有的研究方法，同時(shí)在模型的參數(shù)量與時(shí)間效率上均有很大的優(yōu)勢。本文提出的基于多標(biāo)簽分類的MIMO 智能接收機(jī)可以進(jìn)一步提高接收機(jī)的性能，因此對于實(shí)際的通信系統(tǒng)具有實(shí)際應(yīng)用價(jià)值，針對通信過程中的信號檢測、信號恢復(fù)、信號調(diào)制方式識別等通信問題提供了一種新的解決方法。下一步將在已有的智能接收機(jī)仿真研究中，研究其在真實(shí)的海洋復(fù)雜多變的惡劣環(huán)境中的應(yīng)用。