一種基于BP神經網絡的車載通信設備性能評估方法

孟曉姣，張世巍，李小健，李敏玥，宋丙鑫，路宏敏

(1.西安電子科技大學 電子工程學院,陜西 西安 710071;2.中國北方車輛研究所 電磁兼容實驗室,北京 100072)

隨著現代通信科學技術的高速發展和廣泛應用，電子及通信設備越來越密集，構成了極其復雜的電磁環境。對于車載通信系統而言，盡管車內空間非常有限，卻需要同時安裝多種電子及通信設備，誘發了車輛內部日益嚴重的電磁干擾問題[1]。通信設備在復雜的電磁環境中受到嚴峻的考驗，可能會產生通信距離縮短、話音質量變差、誤碼率提高等問題，嚴重威脅到整個通信系統工作性能。車載通信設備的工作性能在一定程度上直接影響著車輛整體通信系統的穩定性，因此對車載通信設備進行性能評估具有重要意義[2]。目前，研究者對性能評估問題已做出大量工作，并提出了一些經典性能評估方法。常用的方法有理想點排序法(Technique for Order Preference by Similarity to an Ideal Solution，TOPSIS)、層次分析法(Analytic Hierarchy Process，AHP)和ADC(Available Dependability Capability)效能評估法等。TOPSIS是通過檢測評價對象與最優解、最劣解的距離來進行排序，若評價對象最靠近最優解，同時又最遠離最劣解則為最好，否則為最劣[3]。AHP是將與評估結果有關的元素分解成目標、準則、方案等層次，在此基礎之上進行定性和定量分析[4]。ADC效能評估法是通過建立一個關于可用度、可信賴度和能力的評估模型進行設備性能評估[5]。這些評估方法大都需要建立復雜的隸屬結構，而且評估時存在較大的主觀性，增加了評估系統的不確定性。

本文將BP神經網絡(Back Propagation Network)應用到車載通信設備的性能評估當中，提出了一種基于神經網絡的通信設備性能評估方法[6]。BP神經網絡由于其強大的非線性擬合能力以及自適應、自調節功能備受關注，已被應用于目標識別、系統控制、土木工程等多個領域的預測評估[7-9]。BP神經網絡能夠結合問題的輸入、輸出屬性來確定評估網絡結構，使得預測結果在誤差精度范圍內[10]。本文首先針對車載通信設備選取了關鍵評估指標，并且進一步建立了包括發射、傳輸、接收的鏈路評估體系；再根據所建立的評估體系，運用BP神經網絡結構，構建車載通信設備性能評估模型；最后使用訓練樣本對模型進行訓練，訓練完成的模型可用于評估預測。

1 車載通信設備性能評估方法

1.1 選取評估指標

設備評估指標的選取是建立評估體系的前提，指標的選取直接影響評估結果的準確性。無線通信借助無線電通信設備和無線電波在空間的傳播來傳遞消息。完整的無線通信系統結構一般包括發射設備、傳輸介質和接收設備3部分，如圖1所示。

圖1 無線通信系統

依照無線通信系統的結構，本文從車載通信設備的接收、發射和傳輸性能三方面入手選取關鍵技術指標[11]。

1.1.1 接收性能評估指標

接收機的接收靈敏度是評價通信設備接收到有用信息效率的關鍵指標，其指接收機能夠接收到的，并且還能正常工作的最低電平強度。通信距離的大小會影響通信設備正常進行通信時相互間的距離。鄰道選擇性是用來衡量存在相鄰信道信號時，接收機在其指定信道頻率上接收有用信號的能力。

1.1.2 發射性能評估指標

發射設備的作用是用來產生適合在信道中傳輸的信號，具有抗干擾的能力，并且應該有足夠的功率以滿足遠距離傳輸的需要。發射設備的關鍵技術指標包括載波功率、雜散射頻分量、互調衰減等。

1.1.3 傳輸性能評估指標

通信系統傳輸質量的度量準則主要是錯誤判決的概率，接收設備收到的是發送信號和信道噪聲之和，而噪聲會使接收到的信息發生錯誤。數字誤碼率和語音清晰度兩個指標分別表示的是通信設備在采用數字通信模式和語音通信模式下錯誤接收信息的概率，可以用來評估通信設備的傳輸性能。

1.2 建立評估體系

根據前文所確定的車載通信設備評估指標，進一步建立通信設備的評估指標體系，如圖1所示。

圖2 車載通信設備性能評估體系

由圖2可以看出，所建立的評估體系包括3個部分，分別為接收機性能、發射機性能、信息傳輸性能，并進一步確定了8個二級指標作為關鍵評估指標。最后，可根據以上建立的評估體系構建評估模型。

1.3 BP神經網絡評估模型

BP神經網絡結構包括輸入層、隱含層、和輸出層，通過輸入和輸出樣本集對網絡進行訓練，即對網絡的權值和閾值進行修正和學習，使網絡實現給定的輸入輸出映射關系[12]。本文選擇三層神經網絡模型來構建評估模型，其中輸入層的節點數可由圖2中的關鍵評估指標確定為8，用向量可表示為(x1,x2,x3,…,x8)。輸出端的節點數確定為1，表示車載通信設備性能的評估值為y1。隱含節點數可根據經驗計算式確定[13]

(1)

式中，a為1～10之間的常數；n為輸入層節點數；l為輸出層節點；m為隱含層的節點數。根據式(1)可確定該模型的隱含層節點數范圍為3～13。

最終得到BP神經網絡評估模型結構，如圖3所示。

圖3 BP神經網絡評估模型

(2)

y1表示輸出層的輸出，計算式為

(3)

(4)

purelin函數的表達式寫為式(5)。

y=s，-∞

(5)

最終確定該評估模型的網絡結構如圖4所示。

圖4 網絡結構圖

若設模型的誤差函數為Le[15]，計算式如下

(6)

2 模型訓練

2.1 樣本數據預處理

2.1.1 樣本選取

BP神經網絡工作需要兩個樣本集，一個訓練樣本，另一個是預測樣本。前者用來對網絡進行訓練以獲得一個能夠匹配預測需要的網絡模型，后者用來預測驗證。為了獲得準確的評估預測結果，訓練樣本數據的選取非常重要。數據集過大，計算量增加，浪費內存和時間；數據集過小則不能得到最有效的模型結構。因此在樣本數據采集階段，應保證樣本數據的均勻采集，欠采樣和過采樣都會使訓練結果偏離預期。

2.1.2 標準化

在評估體系中，各指標的性質不同，具有不同量綱和數量級。因此，為了保證結果的可靠性就需要對原始數據進行標準化處理。標準化就是將數據按比例進行縮放，使之落入一個特定的小區間，便于對各指標進行比較和運算。最典型的就是對數據的歸一化處理。

樣本數據中的不同量綱、不同數量級會影響數據分析，可利用最大最小化方法對輸入數據進行歸一化處理，具體過程如下

所有基樁全部埋設聲測管，并進行100%的完整性檢測。聲測管焊接在鋼筋籠內側，定位等分樁周、互相平行，并埋設至樁底，管口高于樁頂50cm以上。管底封閉，管口加蓋，管底、管口及焊接部位要密封，防止混凝土漿液滲漏堵塞聲測管。

(7)

式中，x為輸入變量，x′j是第j維變量歸一化后的值，j=1,2,3,…,m，m是影響設備性能評估的指標個數；xj,min是第j維變量中的最小值；xj,max是第j維變量中的最大值。

2.2 訓練流程

本文利用MATLAB中的神經網絡工具箱對所構建的車載通信設備性能評估模型進行訓練，具體訓練流程為：

步驟1設置網絡參數。設置訓練目標誤差為0.001，迭代次數為100，學習率為0.5，設置隱含層的節點數為9，使獲得最佳網絡結構[16]；

步驟2將經過預處理的訓練數據輸入評估模型,初始化迭代次數N=0；

步驟3開始訓練模型，計算模型輸出值y；

步驟4計算模型輸出誤差Le，迭代次數N=N+1；

步驟5若誤差大于0.001，修改網絡權值并返回步驟3；

圖5 模型訓練流程圖

2.3 訓練結果

訓練完成后，得到模型均方誤差如圖6所示。圖中包括模型誤差隨迭代次數的變化曲線以及設定的目標誤差限值線(設定為0.001)。隨著訓練迭代次數的增加，模型誤差曲線逐漸降低，逼近目標誤差值，在第44次訓練迭代完成后，模型誤差達到最佳值0.000 8，完成訓練。

圖6 均方誤差圖

3 模型驗證

為驗證所構建的神經網絡評估模型有效性，本文針對某型車載通信電臺，獲取了10組預測樣本數據。本文運用所提出的通信設備性能評估方法，對預測樣本進行評估并輸出結果。隨后，通過比較樣本數據與神經網絡評估模型輸出數據，得到模型誤差，結果如表1和圖7所示。

表1 神經網絡模型誤差

圖7 模型誤差曲線

結合表1和圖7可以看出，訓練后神經網絡模型的輸出數據與樣本數據能夠較好地吻合，模型誤差較小，且保持在一定范圍內。為定量分析評估模型的精度，使用歸一化均方誤差(Normalized Mean Squared Error，NMSE)指標[17]進行驗證。NMSE計算式為式(8)，計算得到該模型的歸一化均方誤差為-36 dB。

(8)

綜上，本文所提出基于BP神經網絡的評估方法能夠準確地評估車載通信設備性能。

4 結束語

本文基于BP神經網絡模型提出了一種車載通信設備性能評估方法：首先根據車載通信設備，選取設備關鍵評估指標，建立評估體系；再基于BP神經網絡結構，構建車載通信設備性能評估模型；最后獲取大量樣本數據訓練神經網絡模型，優化模型結構，提高模型精度。所構建的BP神經網絡模型能夠利用自己的自調節功能獲得最優權值，經過訓練能準確地預測評估車載通信設備性能。對某型車載電臺性能評估驗證發現所構建的神經網絡模型輸出數據與驗證樣本數據能夠較好地吻合，模型歸一化均方誤差達到-36 dB。模型驗證結果表明，本文提出的基于BP神經網絡車載設備性能評估方法可行，且評估誤差較小。