無人機自組織網絡多包接收智能信號檢測算法

白 麗， 馮志剛

(1.北京航天自動控制研究所，北京 100854； 2.南京航空航天大學 電子信息工程學院/集成電路學院，江蘇 南京 211106)

無人機自組織網絡[1-3](UAV Ad Hoc Network，UANET)將無人機技術[4-6]與無線通信技術相結合，二者相輔相成，共同推進低空領域無線通信網絡的不斷發展[7]。多包接收為UANET的進一步發展提供了強有力的支持，對于經典的UANET分簇問題，多包接收技術可以有效實現簇內多個無人機節點向簇頭節點進行數據信息的并發傳輸[8-10]。

采用多包接收技術時，無線通信就成為了一種多路共享的并發傳輸，其將傳統的共享排斥改變成允許多路傳輸共享，從而大幅提升了無線網絡的通信并發度。多包接收機制是無線網絡并發傳輸的基礎，目前已經出現了多輸入多輸出(Multiple-Input Multiple-Output,MIMO)[11-12]、干擾消除[13-14]等多種可以實現多包接收的并發通信技術。

干擾消除技術是在多用戶檢測的研究基礎上延伸出來的，目前常用的有并行干擾消除技術和串行干擾消除技術等。串行干擾消除(Successive Interference Cancellation,SIC)[15-17]的每個階段僅檢測一個節點所發送的信號。系統首先檢測到多路信號中接收能量最強的信號，然后是次強的，依此類推，直到解碼錯誤或者所有信號都被成功解碼。并行干擾消除[18-20]技術可以同時對所有節點的傳輸信號進行檢測，在并行干擾消除的每次迭代中，會試著對沖突中的所有信號都進行解碼，盡可能地解碼出更多的信號。如果迭代過程中有信號被解碼出來，則會將其從原信號中剔除，未解碼出來的信號會繼續迭代下去進行平行檢測，這個過程可以重復幾個階段，因此被稱為并行干擾消除。

近年來，干擾管理技術受到越來越多的關注。文獻[21]中首先分析了由多架無人機組成的UANET的特點，然后重點研究了如何提高無人機網絡通信質量的方法。在分析了MIMO技術和正交頻分復用(Orthogonal Frequency Division Multiplexing,OFDM)技術的原理和系統模型后，構建了一個MIMO-OFDM通信系統，可以有效提高無人機通信系統的數據傳輸能力。文獻[22]提出了一種新的多光束無人機上行鏈路通信合作迭代干擾消除策略，旨在消除每個被占用的地面控制站的共信道干擾，同時最大限度地提高可用地面控制站的總和率。采用多天線無人機向選定的可用地面控制站發送多個數據流，進而將其解碼的數據流轉發到其回程已占用的地面控制站以消除干擾。文獻[23]提出了一種新的協作干擾消除(Cooperative Interference Cancellation,CIC)方案，以減輕其對同信道地面控制站的強干擾。通過線性/非線性干擾消除技術來消除無人機的信號，將量化信號與自己的接收信號一起處理，以解碼出消息數據。文獻[21]～文獻[23]提出的以干擾消除技術、MIMO技術為代表的干擾管理技術，可以有效提升無人機節點同時處理多個數據包的能力。但是傳統MIMO技術和干擾消除技術需要依靠特定的信道模型和完整準確的信道狀態信息，并且相應的算法復雜度較高，這就需要科研人員開發出更加高效的多包接收信號檢測算法。

針對上述問題，本文利用并行干擾消除技術和MIMO技術，并聯合機器學習來研究UANET中的多包接收智能信號檢測算法?？紤]到傳統的并行干擾消除技術需要依靠特定的信道模型和完整準確的信道狀態信息。為此，筆者提出了一種智能信號檢測算法，保留迭代并行干擾消除算法的整體結構，同時采用最合適的深度神經網絡來代替傳統的基于信道模型的復雜計算，設計出一種基于干擾消除的UANET智能信號檢測算法——IC-ISDA(Intelligent Signal Detection Algorithm Based on Interference Cancellation)。所提出的算法使分簇UANET中的簇頭無人機可以對所接收到的多路并發混疊信號進行檢測和恢復，從而使簇頭無人機可以同時正確接收來自多個發送節點并發傳輸過來的多個數據包。經過理論證明了所提出的算法的有效性。

1 問題描述與模型分析

1.1 多包接收問題描述

當UANET進行無人機分簇通信時，經常會存在多個簇內無人機節點向簇頭節點進行信息傳輸的情況，其基本通信場景如圖1所示。

圖1 無人機自組網分簇通信多包接收場景

當簇內多個無人機節點的傳輸信號在簇頭節點發生重疊時，如果采用傳統的信號處理技術，這些信號就會因為碰撞沖突導致接收失敗。然而，當其采用MIMO技術和并行干擾消除技術相結合的方式時，可以大幅提升無人機接收端處理多路并發傳輸信號的能力，充分提升UANET的通信并發度。將MIMO技術應用于分簇UANET通信系統中，類似于形成一種多用戶MIMO(Multi-User MIMO,MU-MIMO)通信，其基本結構如圖2所示。在MU-MIMO通信體系中，通信節點的收/發端一般都采用多根天線來搭建天線陣列，使接收端可以利用多天線在其接收到的混合信號中成功檢測并恢復出多個并發傳輸信號。

圖2 多用戶MIMO結構

但是需要注意的是，在MIMO技術中基于并行干擾消除的符號檢測是以信道模型為基礎的。當信道模型未知或者信道模型比較復雜時，這些方法就不再適用。另外，基于干擾消除的信號檢測技術，通常需要準確了解信道狀態信息(Channel State Information，CSI)。若無法準確了解CSI，會明顯影響基于模型的信號檢測算法的性能。近10年，基于機器學習的算法研究，尤其是深度神經網絡(Deep Neural Networks，DNN)，已經徹底改變了許多研究領域。因此，本文在UANET中利用機器學習工具來替代多包接收中基于模型的信號檢測算法，設計出一種基于干擾消除的UANET多包接收智能信號檢測算法——IC-ISDA。

1.2 系統模型分析

系統模型為一個采用MIMO技術的分簇UANET，其中，分簇UANET中無人機節點的接收端配置多根天線，發射端采用單天線。整個通信系統可以描述為K個具有單發射天線的簇內無人機發送節點與配置N個接收天線的簇頭無人機接收節點進行通信。在時隙i，第k(k∈{1,2,…,K})個節點發送一個大小為Sk[i]∈φ,φ={α1,α2,…,α2M}的傳輸信號，其中φ為調制符號集，M為調制階數，αp= [αp,1,αp,2,…,αp,M]為星座圖S中具有M比特的第p個星座點，S[i]=[S1[i],S2[i],…，SK[i]]T為時隙i時所有傳輸節點同時發送的信號。令Y[i]代表時隙i時的輸出信號，重點研究從信道輸出的Y[i]信號中成功恢復出信號S[i][S1[i],S2[i],…,SK[i]]T,其中輸出信號Y[i]由條件分布概率PY[i]|S[i](·|·)表示。在給定信道輸出實現Y[i]=y的情況下，最小化錯誤概率的最優檢測算法是MAP檢測算法。設PS|Y是給定Y[i]的S[i]的條件分布，則MAP檢測算法規則為

(1)

圖3 系統結構

2 迭代并行干擾消除算法

針對具有多無人機節點的分簇UANET的多包接收問題，采用并行干擾消除與軟判決相結合的方式，可以在接收端成功解碼出多路并行傳輸信號。假設存在一個通信信道，其輸出是其輸入被加性高斯白噪聲破壞的線性變換。令H=[h1,h2,…,hK]表示一個信道增益矩陣，其中每個元素之間是相互獨立的，并且它們的統計特性都服從零均值和單位方差。hK為無人機節點k到接收端各天線之間的信道增益向量，即hK=[hk1,hk2,…,hkN]T。則簇頭節點在時隙i接收到的信號矢量為

Y[i]=HS[i]+W[i]

=h1S1[i]+h2S2[i]+…+hKSk[i]+W[i]

(2)

式中：W[i]為多維加性高斯白噪聲向量，滿足協方差σ2Ik。

基于迭代并行干擾消除的檢測方法以迭代的方式運行，首先需要大致計算出一個初始值，并且使這個初始值與節點傳輸的信號矢量盡量相似。在每一次迭代中獲得相似信號估值后，無人機接收端對接收到的多路并行信號進行干擾消除，來恢復傳輸信號。迭代并行干擾消除技術由Q次迭代組合而成，其中每次迭代的索引為q∈{1,2,…,Q}。系統將多級干擾消除與軟判決相結合并以迭代的方式運行。通過多次迭代使條件分布估計得到細化，并允許接收端在最后一層加上硬決策來準確地恢復出每個信號。為了選取合適的初始值，綜合考慮算法的精確度和復雜度，并利用矩陣F=HHH+σ2IK的對稱正定和對角占優特性。取D=diag(F),則可以得到預估的初始值為

(3)

式中：O(S)為信號S的判決函數。

在迭代過程中，在得到上一次迭代所估計出的信號之后，就馬上對無人機接收端所接收到的信號矢量Y[i]進行干擾消除。在接收端，對于無人機節點k所發送的傳輸信號，依據干擾消除方法對無人機接收端接收到的來自其他天線的干擾信號進行處理，可以得到時隙i時由節點k發送信息所獲得的接收信號矢量：

(4)

假設為完美干擾消除，即來自其他天線的干擾被全部清除掉，并且忽略噪聲的干擾，則可以得到時隙i時由節點k發送出的信號估計在下一次迭代過程中的表示：

(5)

(6)

(7)

(8)

(9)

(10)

當系統進行最后一次迭代時，通過最大化式(10)的結果來進行信號的判決檢測，可以表示為

(11)

通過上述聯合分析，相比于MAP檢測算法，迭代并行干擾消除算法的計算復雜度僅隨無人機發送節點數目呈線性增加。因此，當發送節點數目較多時，即UANET規模較大時，這種方法同樣可行。但是迭代并行干擾消除技術需要了解詳細準確的信道狀態信息，獲取此類信息同樣可能需要大量的開銷。基于迭代并行干擾消除算法存在的問題，本文在此基礎上設計聯合檢測器，該方法以數據驅動的方式進行并利用了干擾消除技術。之所以采用迭代并行干擾消除技術為框架基礎，是因為迭代并行干擾消除所能實現的信號檢測效果與MAP算法十分相近，并且這種方法可以輕松地轉換為數據驅動的方式。因此可以采用機器學習的方法加以實現，將機器學習方法集成到上述迭代并行干擾消除算法中來生成UANET系統中的無人機節點的接收器，使整個UANET系統可以對任意無記憶固定信道進行處理，并且也不需要去獲取準確的信道狀態信息。下面將以MIMO技術、迭代并行干擾消除技術等干擾管理技術為基礎，結合機器學習來實現UANET多包接收智能信號檢測算法的理論分析。

3 基于干擾消除的智能信號檢測算法

在分簇UANET中，簇頭無人機節點對于簇內節點多路并行混疊信號的多包接收，可以采用MIMO、迭代并行干擾消除等基于干擾消除思想的干擾管理技術加以實現。MIMO系統是指在通信節點的發送端和/或接收端裝備有多個天線的無線通信系統，并且當接收端的天線數量不小于發送端時，該接收節點就能夠對接收端所接收到的混疊信號加以檢測，并解碼出多路并行傳輸信號，可以有效地提高通信系統的并發傳輸性能。在 UANET中，利用 MIMO 的優勢可以有效改善網絡性能，利用其空間復用的優勢來充分提高UANET的多包接收能力，從而提升整個UANET的通信并發度。將迭代并行干擾消除算法作為MIMO系統的信號檢測算法，在機器學習工具下實現基于數據驅動的UANET多包接收智能信號檢測算法，不僅可以有效降低計算復雜度，而且可以充分提升不同環境下UANET多包接收的信號檢測與恢復性能。

為了確保整個UANET通信系統的接收端可以準確地進行聯合檢測并成功恢復出多路并行傳輸信號以實現多包接收，必須保證整個UANET通信系統能夠準確地訓練分類深度神經網絡構建塊。針對訓練方法，給出2種可能的訓練方法，即端到端訓練和順序訓練，并且對于每一種訓練方法，使用了不同的全連接網絡。

圖4 端到端訓練

(12)

基于式(12)，系統采用端到端的方法來訓練整體架構中的接收器，共同更新所有深度神經網絡構建塊的系數。但當通信網絡中存在大量節點時，由于同時訓練大量的參數可能需要非常多的輸入-輸出對，因此接下來進一步介紹另一種訓練方法，即順序訓練方法。

圖5 順序訓練

(13)

4 仿真驗證

對所提出的IC-ISDA算法性能進行驗證分析。對于第3節提到的深度神經網絡的訓練方法，采用自適應矩估計優化器以相對較少的具有4000個訓練樣本的訓練集來訓練所提出的IC-ISDA算法，并利用18000個符號來對所提出的IC-ISDA算法進行測試。對于所提出的算法的每一種訓練方式，其相應的全連接層結構在第3節中已經詳細給出，然后在各個場景下綜合對比各算法的性能差異。

假定無人機集群在指定區域構建低空通信網絡系統時，形成了圖6所示的多層分簇自組網形式，并且此時無人機通信節點的飛行速度相對較慢。此時UANET中簇內無人機發送節點使簇頭接收端能夠獲取很強的直射信號，并且天線仰角一般較高。同時，該低空通信區域內并無高山等其他障礙物，故可以將無人機機間通信信道視為線性高斯信道。在這種信道場景下，將IC-ISDA算法與其他檢測算法進行比較。通過比較以下各個算法之間的誤碼率來驗證所提出的算法的優越性，其中主要包括：① 最小化錯誤概率的最佳檢測算法MAP檢測算法；② 傳統的迭代并行干擾消除算法PIC算法；③ 基于順序訓練方法的IC-ISDA算法sequence IC-ISDA；④ 基于端到端訓練的IC-ISDA算法E2E IC-ISDA。

圖6 無人機多層分簇自組網結構

針對仿真分析所需的通信場景，首先考慮一種4個具有單天線發射機的簇內無人機節點和1個具有4天線接收機的簇頭節點通信場景，記為4模式。該模式使用的是二進制相移鍵控信號，即S={-1，1}。信道矩陣H模擬空間中指數衰減，其中各項可表示為：(H)m,n=e-|m-n|。其中，m為接收端天線編號，m∈{1,2,3,4}；n為無人機發送節點，n∈{1,2,3,4}。此外，考慮一種16個具有單天線發射機的簇內無人機節點和1個具有16天線接收機的簇頭節點通信場景，記為16模式。在1.2節中已經分析過：當無人機發送節點的數量不斷增加時，整個系統的計算復雜度就會越來越高，從而導致MAP算法不可行。因此，在4模式中，對各種算法都進行仿真分析，重點是將所提出的算法能夠實現的誤碼率與最佳MAP檢測算法的誤碼率進行比較。當采用另一種16模式，重點是為了驗證所提出的算法在多無人機節點下的可行性，這也能充分體現所提出的算法的強適用性。對于每一個通信信道，采用2種情形來分析驗證所提的IC-ISDA算法：① 信道狀態信息是完全了解的，即誤差方差大小等于0。② 不確定的信道狀態信息，對于4模式，取誤差方差大小為0.1；對于16模式，取誤差方差大小為0.8。通過比較不同信噪比下的誤碼率來對比分析各種算法的性能。

圖7為線性場景4模式下各個算法的誤碼率與信噪比之間的關系。由圖7(a)可以看出，在不確定的信道狀態信息下，基于端到端訓練和順序訓練的IC-ISDA算法的性能都更為顯著，而MAP檢測算法和迭代并行干擾消除算法變得不再適用。這是因為MAP檢測算法和迭代并行干擾消除算法都是以信道模型為基礎的，即需要準確了解信道模型。由7(b)可以看出，在信道狀態信息完全了解的情況下，使用端到端訓練的IC-ISDA算法的性能十分接近于傳統并行干擾消除算法，并且與MAP算法的性能相差甚微。同時，考慮到所提出的IC-ISDA算法在不確定的信道狀態信息下表現得依舊完美，這就更加證明了IC-ISDA算法的可行性。其中采用了端到端訓練和順序訓練2種方式，相比于端到端訓練，順序訓練可以采用更少的數據集來對算法進行訓練，進一步降低了復雜度，后文也會對這兩種訓練方法加以比較。

圖7 線性場景4模式下各算法的誤碼率與信噪比之間的關系

圖8為線性場景16模式下各算法的誤碼率與信噪比之間的關系。因為伴隨著無人機自組織網絡中無人機通信節點的不斷增加，傳統MAP檢測算法的計算復雜度就會越來越高，使其在計算上變得不再可行。對于其他算法，如圖8(a)所示，在不確定的信道狀態信息下，雖然各個算法的誤碼率都存在惡化的趨勢，但是采用端到端訓練和順序訓練的IC-ISDA算法的性能依舊明顯優于傳統迭代并行干擾消除算法。另外在信道狀態信息完全了解的情況下，如圖8(b)所示，采用順序訓練的IC-ISDA算法雖然存在一些差距，但是采用端到端訓練的IC-ISDA算法的性能依舊略優于迭代并行干擾消除算法。這就證明了IC-ISDA算法在規模相對較大的UANET中的強適用性。

圖8 線性場景16模式下各算法的誤碼率與信噪比之間的關系

在上述仿真分析中，已經驗證了采用端到端訓練和順序訓練的IC-ISDA算法的性能。之所以采用2種訓練方式，是因為對于端到端訓練，當通信網絡中存在大量節點時，同時訓練大量的參數可能需要非常多的輸入-輸出對作為訓練集來達到收斂。而順序訓練可以利用相對較少的訓練集來適應相同規模的通信網絡。然而在上述分析中，可以看出采用端到端訓練的方式一般可以獲取更高的可靠性。因此，為了詳細了解2種訓練方法在給定相同的訓練集下的可靠性，將對端到端訓練和順序訓練進行對比分析。

對于這2種訓練方法，統一采用第3節中已經介紹過的具有2個全連接層的神經網絡?？紤]上述內容中的線性4模式，并且是完全了解信道狀態信息的情況下。在信噪比分別為10 dB和15 dB的情形下，比較了二者誤碼率與訓練集數目之間的關系。線性場景4模式下兩種訓練方法對比圖如圖9所示。

由圖9可以看出，順序訓練的方法可以在訓練樣本較少的情況下就能達到收斂，而端到端訓練則需要提供更多數量的訓練樣本才能達到其理想效果。另外，端到端訓練的準確性會隨著訓練樣本數量的減少而明顯降低。圖9也驗證了順序訓練可以利用相對較少的訓練集來適應相同規模的通信網絡，因此可以基于訓練集的大小來選擇訓練方法。順序訓練使用小得多的訓練集便能達到收斂，其可靠性相比于端到端訓練不會相差太多；如果訓練樣本足夠，可以采用端到端訓練來獲取更高的準確性。

圖9 線性場景4模式下兩種訓練方法對比圖

5 結束語

聯合MIMO和迭代并行干擾消除這2種基于干擾消除的干擾管理技術，并利用機器學習設計出一種UANET多包接收智能信號檢測算法——IC-ISDA算法，實現了簇頭無人機節點同時處理多個并發傳輸數據包的能力，極大提高了分簇無人機自組網的通信并發度。將分簇無人機自組網中的簇內無人機設置為具有單天線發射機的通信節點，簇頭無人機節點則配置了多天線接收機。分析了一種依靠迭代并行干擾消除技術實現多輸入多輸出的信號檢測方案，然后引入深度神經網絡，將傳統的迭代并行干擾消除中基于模型進行計算的結構替換為深度神經網絡。這樣的一種替換設置，使得所提出的算法顯著降低了計算復雜度，并且IC-ISDA算法在不確定的信道狀態信息下依舊表現出不錯的性能。另外對于IC-ISDA算法，給出了2種不同的訓練方法，并且也進一步分析比較了這兩種訓練方法各自的特性。仿真數值結果表明，IC-ISDA算法能夠很好地提升簇頭無人機節點處理多路并發混疊信號的能力，使得簇頭無人機節點可以準確檢測并恢復出多路并發傳輸的數據信號，充分提升了無人機自組網的通信并發度。IC-ISDA算法不僅在準確了解信道狀態信息下可以達到理想的性能，而且在不確定的信道狀態信息下依舊可以表現出優于MAP和PIC算法的理想性能。雖然所提出的算法存在一定的優越性，但是這種采用 MIMO 技術和迭代并行干擾消除技術的無線并發傳輸也會影響到無線信道的動態特征，為物理層的安全問題帶來了新的研究方向。