基于深度學習技術的艦船無線通信應用研究

閻 超 傅雨佳

（中國船舶及海洋工程設計研究院 上海 200011）

引 言

近年來，隨著計算機硬件能力和算法技術的提升，人工智能技術取得了突破性發展。已經在交通、安防、城市管理、醫療和電力等眾多領域得到了應用，并取得顯著效果，創造了巨大的經濟價值。人工智能技術可以取代人工勞動，完成高強度重復性任務決策，具有工作效率高，準確率高的特點。各行業領域具有不同特征，在實際生產過程中也就有不同的行業痛點。人工智能屬性定位于通用型技術，在與各行業情景結合解決行業痛點的嘗試中，需深入了解行業屬性，定向開發智能技術解決應用需求，因此目前各行業內還沒有形成統一的行業標準。在艦船無線通信網絡應用領域，自動化程度較低，還未出現具有人工智能屬性的通信網絡應用。

隨著人工智能技術的成熟和普及，將來會出現場景下人工智能技術的落地應用，人工智能在推動多領域技術創新和產業形態變革中將會發揮更加重要的作用，加速推進經濟社會發展。

1 人工智能技術發展及原理

人工智能從誕生至今，經歷了一次又一次的繁榮和低谷，發展歷程大致可以分為推理期、知識期和學習期。在推理期，可以通過較簡單的程序實現對預設任務的推理辨認，推理規則簡單，只能在設定的機械規則內運行，無法形成實際意義上的機器智能。在知識期，出現了“知識庫”+“推理機”的模式，形成了具備專門知識和經驗的計算智能程序系統，人類把自身的知識和經驗以標注數據的形式建立知識系統，計算機基于封閉的知識系統進行系統內的推理判斷。時間過渡到學習期后，人工智能技術的重點集中到計算機自動學習，人類設計目標算法，計算機根據算法自動從數據中分析獲得規律，利用學習到的規律對數據進行預測和辨識。

至此，人工智能技術進入到機器學習的時代，具備了可以進行產業落地應用的能力。隨著算法技術的推進，在機器學習的基礎上又出現了深度學習，成為目前人工智能領域非常重要的理論。

深度學習是指對原始數據根據非線性特征進行多次轉換，基于最原始的數據，構建多層次的深度模型，設計學習算法讓模型自動學習總結出數據的特征，這種學習是通過分層實現的，層數的設計和每一層預定特征數的提取是在算法設計過程中確定的，通常分為底層特征、中間層特征和高層特征，每層特征構成基本的神經結構單元，多層堆疊形成多層神經網絡。一般情況下，特征提取的層數越多得到的算法模型的準確度越高。

深度學習的本質特征體現在神經網絡模型中預設的神經網絡層數和每層的神經元數量，設計后的模型對數據集的學習以及總結分析數據規律的過程完全是由機器自行決定的，人類或許可以理解機器提取出的低層次特征，但隨著提取特征層次的增加，特征表現得更加抽象，人類無法理解高層特征的現實意義，可以認為機器自身具備了對客觀世界高抽象層次的認知能力。

2 艦船短波無線通信現狀

目前，艦船之間基于短波頻段的無線通信方式本質上仍為點對點通信方式。短波無線通信網絡技術發展緩慢，短波通信網絡概念還停留于提前規劃各節點在時間、空間、頻率等參數層面上，并無嚴格意義上的基于IP傳輸交換的流程。基于目前短波通信技術體制下的通信功能單一且質量較低。

3 應用場景設想

隨著實際應用中對各種功能定位的艦船需求量增加，未來因艦船平臺數量增加凸顯出的短波通信能力較弱的問題會日益突出，增量基于短波的無線網絡通信能力是必然的趨勢，短波無線通信網絡技術和能力會得到顯著發展。

短波通信形成無中心化的網絡通信能力，單艦船平臺配置短波信道設備、路由設備、網絡控制設備等，單節點具備獨立對信息進行發送、接收和路由轉發的能力。每個單艦船平臺節點均分配有單獨的IP識別地址，單節點可接收來自不同平臺的信息，且可根據實際需要對接受到的信息進行路由轉發，實現信息有目的性的網絡化傳輸。

艦船平臺為無線通信網的通信節點，通信節點可配置網絡運行控制硬件設備和路由設備，負責完成網絡運行維護和網絡路由信息的保存和修改；網絡控制設備搭建和維護通信網絡，編程預設網絡構建的邏輯連接模型，設計網絡架構，編制網絡內信息傳輸節點的路由算法，通信容量帶寬分配規則等。通信節點從入網申請、信息發送和申請退網的全部工作流程都是基于網絡控制設備預先設置的網絡通信編程模型結構。

傳統意義中的有線和移動通信網絡的使用維護、信道路由選擇等重要操作仍需人為因素完成實現。通信節點產生信息，需要通過無線通信網絡傳輸到目標節點。每個節點進入網絡后傳輸信息只按照編程設定的算法模式運行，缺乏網絡系統的靈活自主性，在實際應用中存在通信資源浪費和網絡模型固化的弊端。

艦船通信網絡是一張時刻動態變化的信息網，在動態變化的網絡中選取最佳的路由規劃節省網絡資源，動態自動分配節點之間的信道帶寬讓有限的通信資源實現實時有效的高效調度，對整體提升網絡的傳輸性能實現網絡智能化具有重要意義。

4 智能無線通信網絡模型

網絡模型設計流程分為模型訓練、模型測試和模型優化階段，如圖1所示。

圖1 網絡模型流程示意圖

獲取數據樣本制作訓練數據集，將設計神經網絡模型輸入數據進行訓練，固化模型參數；將固化后的模型部署在硬件平臺上，用測試數據測試模型；最后，根據測試階段積累的數據持續優化模型，并對模型參數進行修正去學習適應通信網絡的特性：

（1）獲取訓練樣本

需要針對目標網絡的運行數據保持較長時間的監控，獲取足夠的網絡數據樣本，數據中應包括用來表征網絡運行特征的的信息，如：在設定時間內的節點路由信息、傳輸信息量和網絡節點規模等。對記錄的數據集進行清洗獲取標準化數據，人工標注特征信息和獲取訓練樣本，作為算法模型進行深度學習的訓練資源。

（2）創建神經網絡

深度學習算法模型設計為多層時序神經網絡形式，如下頁圖2所示。網絡中設置

N

個通信節點，第

N

個節點與剩余

N

-1個節點設有神經邏輯連接。假設在

t

時刻信息從第

N

個節點開始傳輸，在

t

+Δ

t

時刻，信息有可能傳輸到

N

-1個節點，并且在初始化狀態下設置到達每個節點的概率都是相同的；同理，在

t

+2Δ

t

時刻，信息可以被傳輸到

N

-1個節點，達到每個節點的概率也是相同的。所以依次類推，可以設置增加多層時序網絡至

t

+

n

Δ

t

時刻。

圖2 時序記憶神經網絡模型

（3）訓練神經網絡模型

在深度學習框架內構建多層神經網絡中，每時刻節點

N

都有可能接收來自其他

N

-1個節點送來的路由信息。如下頁圖3所示，原始模型規定從每個節點之間有信息交互的概率都是相等的，神經網絡模型的初始化參數都是相同的，即

P

=

P

=

P

=

P

=

P

=

P

=

P

。將數據樣本輸入神經網絡，神經網絡自動分析數據的內在規律，并自動按照總結分析的規律來修改網絡模型參數并對參數進行保存記錄，在下一個設定時刻，神經元會繼續對相應的數據進行分析，并疊加優化神經網絡參數。在學習訓練過程的結束時，神經網絡模型會達到對既有數據的最佳匹配狀態。比如：經過對長時間樣本數據的學習，每個神經網絡可以總結出節點在一段時間內與剩余所有節點的連接總體情況，其中有連接概率大的節點，也有連接概率小的節點；有流量多的節點路徑，也有流量偏少的路徑。神經網絡對各節點的連接特征進行參數修正。

圖3 單神經元節點連接示意圖

（4）模型部署與優化

將訓練后的神經網絡模型以軟件形式部署到網絡控制硬件平臺中，模型算法會根據學到的特征，自動實時對網絡各節點路由、帶寬特性進行動態規劃。隨著網絡使用的時間增長，模型還會自動根據增加的數據再繼續學習，增加對網絡新特性的理解，繼續優化網絡。實現網絡的運行和優化同步進行，提高網絡智能化水平。

5 模型應用關鍵技術

5.1 制作訓練數據集

在深度學習算法模型的訓練過程中，模型需要對關鍵數據進行分析學習，在無線通信網絡中，網絡關鍵數據包括網絡節點數量、信息路由、信道帶寬等。訓練數據集需要規范特征信息的數據結構，通過數據清洗、切片等應用操作，獲取標準數據集。數據集信息格式在設計規劃中需適應現有的網絡控制信息的數據格式，以提升數據通用性。

5.2 提升節點邊緣計算能力

艦船通信設備多采用基于嵌入式技術的傳統通信芯片，芯片算力有限，深度學習網絡對芯片的計算能力有更高的要求。對通信網絡的實時狀態進行學習推理，在特殊情況下還需要啟動加速計算模式，芯片的實時處理能力是硬指標。在艦船通信網絡節點專門配置計算平臺完成推理計算的設想，因受制于艦船平臺多種條件約束，目前還不具備可行性，無法達到為單一的計算任務配置專門高性能計算平臺。可行的方法是提升網絡控制設備內置芯片配置，提升邊緣計算能力。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級大型應用的能力。在硬件研發領域，需重點突破硬件芯片算力瓶頸，開發工業級嵌入式人工智能計算平臺。

5.3 設計神經網絡

目前，在技術上較為成熟的神經網絡類型有卷積神經網絡、循環神經網絡等。卷積神經網絡可以對圖像局部信息特征的持續捕捉分析，用來分析識別圖片、視頻畫面；循環神經網絡用于對聲音、文字等語言相關的信息進行分析預測。不同的業務特性需要對應設計開發不同類型的神經網絡，本文引入時間維度變量的神經網絡，其中，網絡層數、決策機制、時間變量引入方式和時間間隔等關鍵特征決定著神經網絡性能。完成可以工業應用的網絡模型涉及到復雜算法的開發和多輪多次技術迭代，增加了實際實現應用的難度。

6 結 語

人工智能是社會和技術變革的巨大驅動力量，在數年時間內取得了巨大的技術突破，對未來推動產業技術革命將發揮重要作用。加快人工智能研究是社會的普遍共識，隨著人工智能技術在各產業應用領域的深入，未來的趨勢是人工智能技術將會應用在不同的落地場景中，人工智能技術也會向著差異化方向發展，通過最佳的模型和算法設計匹配場景的特征。深入剖析艦船通信系統特點，結合人工智能技術現狀和趨勢，尋找應用人工智能技術的切入點，是推進通信領域智能化水平的可行道路。