基于卷積神經網絡的短波信道質量分類

摘 ?要：自適應短波通信系統可以解決短波信道質量差、頻率資源短缺等問題，而信道質量估計是其中的重要環節。為了避免基于深度學習的傳統方法中基帶信號過大而無法提取的問題，該文將基帶信號轉換成星座軌跡圖，再分別采用AlexNet，ResNet和DenseNet三種卷積神經網絡對其進行訓練。實驗結果驗證了該文提出方法的可行性，且隨著網絡的加深，準確度也將提升。

關鍵詞：自適應短波通信;卷積神經網絡;星座軌跡圖;深度學習;信道質量分類

中圖分類號：TP183;TN925 ? ? 文獻標識碼：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

短波通信廣泛應用于軍事、工業等領域，用以實現遠程通信[1]。然而，信道的衰落、多徑現象和時變的信道參數是制約其發展的難點[2]。為保證魯棒性，自適應通信系統需要通過已知信道條件來選擇通信頻率和調制模式。信道質量估計是測量一組信道參數并使用所獲得的參數值來定量描述這組信道的狀態和傳輸各種通信服務的能力的重要部分。信道質量估計已經應用于許多自適應系統中，如CURTS[3]、CHEC[4]等。但是，由于在檢測過程中應用獨立檢測系統和發送特定檢測信號的需求，電磁環境污染增加，而且很容易被發現。

近年來，深度學習已廣泛應用于信道質量估計中，它可以直接用簡單處理過的信號提取信道參數并完成分類，避免人工提取特征的復雜性和不可靠性[5，6]。該文利用自適應系統模型進行仿真和數據生成，將信道質量估計定義為一個分類問題，旨在為自適應系統選擇質量好的信道，而不是像傳統方法那樣過于注重參數計算和分析。該文參考國際電信聯盟（ITU），定義了四種信道質量：AWGN、GOOD、MID、BAD，分別代表最佳質量、良好質量、中等質量和最差質量。在具體實驗過程中，我們采用了深度學習方法進行信道估計。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換成星座軌跡圖，然后使用AlexNet，ResNet和DenseNet三種深度神經網絡對星座軌跡圖進行識別。

1 ?問題表述

自適應短波通信系統模型如圖1所示，該系統采用頻分復用技術（OFDM），基站通過信道編碼，OFDM調制進而產生信號。信號經過通信信道傳輸給用戶，與傳統接收機一樣，用戶先進行OFDM解調，然后獲得OFDM信號。通過信號進行信道質量的估計，估計的結果將應用于信道均衡，來調整編碼和調制的策略。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，wi，t是高斯噪聲。利用信道模型生成信號，在N周期內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習神經網絡進行訓練。星座軌跡圖就是將N個長度的復向量轉換成復平面上N個點的分布，可以表示為，

，…，。然而，這種分布在復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，采用數據增強的方法。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。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，通道質量越差。

2 ?深度學習算法

2.1 ?CNN模型

AlexNet模型：AlexNet網絡如圖3所示，它是一個相對成熟的CNN網絡，在圖像識別方面具有獨特的優勢。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），圖中不同網絡層用不同底色的框表示。該網絡比較簡單，訓練起來不太復雜。ReLU和Softmax是深度學習中常用的非線性激活函數，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，zi為訓練樣本數，e為自然數。另外為了減少參數并避免過擬合，采用了dropout和局部響應歸一化（LRN）操作。AlexNet網絡結構如圖3所示。

ResNet模型：隨著網絡的深入，梯度彌散現象將會越來越嚴重。對于卷積神經網絡，簡單地增加網絡的深度，容易導致梯度消失和爆炸。隨著網絡層數的增加，在訓練集上的準確率卻飽和甚至下降了。為了解決退化問題，我們采用了ResNet網絡，它由許多殘差模塊組成，其結構如圖4所示，不同卷積核大小的卷積層構成了不同的殘差模塊。圖中不同顏色框圖對應不同大小的卷積核。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。右側曲線對應殘差部分，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。在深度網絡上疊加這樣殘差的結構，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）應用于網絡結構來解決ResNet包含大量參數的問題。

DenseNet模型：為了進一步提高信道質量分類識別的準確度，我們將進一步加深網絡。為了確保網絡中各層之間的信息流達到最大，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模型結構如圖5所示，它由3個密集區塊組成。與ResNet不同的是，密集區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層的輸出通過級聯合并，Hl表示批量歸一化（Batch Normalization）、非線性激活函數ReLU和卷積操作的映射。

2.2 ?優化算法

該文使用Adam作為深度學習的優化器，并采用分類交叉熵（CCE）作為損失函數。Adam算法為：

（3）

（4）

其中， 是指在t迭代次數時模型權重的梯度，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表示訓練步長;β1和β2表示矩估計的指數衰減率;β1，t和β2，t表示β1和β2的第t次方，η表示模型學習速率，ε是一個很小的參數，用來防止分母變成0。假設xi為輸入數據;yi為真實標簽;N為類別數，wi為模型權重，fi（·）為模型的預測，則損失函數可以寫成：

（5）

3 ?仿真測試

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

3.1 ?分類性能

表1給出了評估每種方法性能的四個指標，它們是準確度（Accuracy）、精確度（Precision）、召回率（Recall）和測試時間（Time）。在這里，共有四個類別，我們設置一個類別為正，其余為負。用TP和FN分別表示正樣本預測為正和負，FP和TN表示負樣本預測為正和負，則測試指標準確度、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，這說明隨著網絡結構的不斷加深，卷積神經網絡的識別性能將得到提升。最差的AlexNet的準確度也能達到82.15%，證明利用星座軌跡圖來進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量分類。

3.2 ?損失收斂

損失函數曲線如圖6所示。可以看出，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絡的深度。DenseNet網絡最深，衰減速度相對較低，所需的訓練成本是較大的。

4 ?結 ?論

該文提出將卷積神經網絡應用于短波信道質量分類中，該方法不需要特殊的檢測設備來測量和計算信道參數并且能為自適應短波通信系統提供良好的信道選擇。為了方便處理數據，我們將原始復雜的基帶信號轉換成了星座軌跡圖，通過實驗驗證了利用圖像識別進行短波信道質量的評估分類是可行的。并且，AlexNet，ResNet，DenseNet三種不同卷積神經網絡的仿真結果表明隨著網絡的加深，損失收斂的速度會有所下降，但準確度將得到提升。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，提高模型的訓練效率。

參考文獻：

[1] 左衛.短波通信系統發展及關鍵技術綜述 [J].通信技術，2014，47（8）：847-853.

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

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

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

[5] 廖勇，花遠肖，姚海梅.基于深度學習的OFDM信道估計 [J].重慶郵電大學學報（自然科學版），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展 [J].電信科學，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等。