人工智能算法理論下無線網絡認知通信信號波形技術分析

摘要：融合認知動態系統的無線電通信網絡建立了認知自適應波形技術，由信號接收機感知環境干擾因素，并反饋至信號發射機，從而調整波形參數，提升通信及測控性能。但在運行時會產生較大的運算量，限制了系統的實用性。研究過程中構建了綜合性的環境干擾因素，根據最小誤碼率準則設計了優化認知波形參數的算法模型，再利用BP神經網絡技術對模型實施迭代與仿真檢測。結果顯示：改善調頻斜率和信號脈沖寬度有利于提升無線認知網絡的工程應用效果。

關鍵詞：人工智能算法；認知通信；認知自適應波形技術

認知雷達、認知無線電是無線通信技術的重要發展趨勢，信號波形對其測控精度和抗干擾性能具有重要的影響。隨著頻譜資源的日益緊張，如何提高認知通信波形技術的智慧性成為關鍵。人工智能算法具備自主學習和自動迭代的功能，可借助網絡技術對認知信號波形的參數進行優化，從而建立具有自適應性的波形調控機制，實現智慧通信。

一、認知通信信號波形技術發展現狀

從認知雷達（CR）的角度看，認知通信建立在認知動態系統（CDS）的基礎之上。雷達通過發射機產生電波信號，電波穿過物理環境，被接收端獲取，從而完成通信過程[1]。無線電波是信息傳輸的媒介，CR中利用貝葉斯目標跟蹤器建立了自適應波形技術，使其成為認知傳輸的基礎，設計原理如圖1所示。在該體系下，接收機具有一定的環境感知能力，可將感知結果反饋至發射機，而發射機利用反饋信息對無線電波的波形參數進行調整，這種自適應工作模式有利于完成目標探測及信息傳輸[2]。

二、基于人工智能算法的認知自適應波形優化策略

（一）認知自適應波形優化原理分析

1.多干擾因素的認知自適應波形優化方法

（1）波形優化路徑分類

實際生活中的無線電通信環境往往同時存在多種類型的電磁干擾，為了提高認知自適應波形的優化效果，應建立多因素并存的干擾模型。根據研究現狀發現，波形優化路徑分為以下幾種。

①基于最小均方誤差的優化路徑

在無線電測控中，電波對目標的跟蹤能力是決定測控效果的關鍵，可利用最小均方誤差法評價和改進雷達測控系統。其原理為按照最小化準則處理測控已知量和未知量的均方誤差，當該指標的處理結果越小時，表明測控系統對目標的探測能力越強[4]。

②基于最小誤碼率的優化路徑

誤碼率用于描述錯誤碼在所有傳輸碼中的占比，該指標直接反映出認知通信效果。通常在實際應用中很難將誤碼率降低為0。最小誤碼率可作為優化認知自適應波形的準則，按照這一原理，建立誤碼率計算公式和對應的函數模型，具體如下；

（1）

式中：PSER表示誤碼率，ns和ms分別為總傳輸碼數量和錯誤碼的數量。

θk*=arg min（PSER） " " " " " " " " nbsp; （2）

式中：θk*表示認知自適應波形的參數，該參數符合最小誤碼率準則。

（2）波形優化方法選型

通過對比以上波形優化方法的實現原理及適用場景可知，基于最小均方誤差的優化原理主要針對目標探測問題，與波形和環境干擾的關聯性不突出。最大信噪比法具有一定應用價值，但如果環境干擾信號的強度較大，提升信噪比的難度也會成倍增加，適用性存在限制。對于無線電測控通信而言，降低誤碼率在任何環境下都可產生正向促進作用。故選用基于最小誤碼率的優化路徑。

2.認知自適應波形優化理論建模

波形對無線測控的影響體現在檢測距離、檢測精度以及分辨率三個方面，其影響因素為認知通信信號的時寬特性和帶寬特性，這兩個因素的乘積決定了發射信號的穩定性，應該盡可能提高其乘積，采用乘積最大化原則[5]。另外，建模時還需引入線性調頻技術原理，該技術下產生的信號稱為Chirp信號。以線性調頻信號的計算公式為基礎，對信號的相位時間進行微分，即可產生信號瞬時角頻率的數學表達式，記為ω（t）。將信號的脈寬記為μ，信號帶寬記為Bω。信號時寬和帶寬的乘積Dω表達式如下。

Dω=Bω·T=KT2 " " " " " " " " " " " " " "（3）

式中：T表示認知通信信號的脈沖寬度，K表示調頻斜率（該參數來自線性調頻技術）。

接收機收到信號后進行濾波處理，信號模糊函數用于描述濾波處理后輸出信號幅度的平方。將線性調頻信號代入該函數，可獲得式（4）表達式。

（4）

式中：τ用于表征信號延時長度，通信信號的多普勒頻移記為參數fd。將這兩個參數代入信號模糊函數（AF）中即可獲得式（4）。該函數的作用為描述認知自適應電波信號的測速精度和測距精度，由于融入了線性調頻函數，可依據線性調頻技術的工作原理改善波形參數。

（二）基于人工智能算法的認知自適應波形參數優化方法

1.人工智能技術的應用條件分析

以上理論是人工智能算法優化認知自適應波形參數的基礎。在環境干擾方面，將單音噪聲模型、LN噪聲模型、韋伯爾噪聲模型等綜合在一起，形成貼近現實情況的復雜干擾因素，環境噪聲統一描述為信噪比（SNR）。通信測控系統借助無線調頻技術發射認知自適應信號，發射波形中關注兩個參數，分別為信號調頻斜率K以及信號脈沖寬度T，目標是通過優化T、K兩個參數達到最小誤碼率。

2.基于BP神經網絡的認知自適應波形參數學習策略

（1）優化發射波形

根據無線電通信的基本原理，發射機發出信號后由接收機獲取，同時進行濾波，因而最終的輸出信號是濾波處理后的信號，將環境雜波干擾考慮在內，那么輸出信號的數學表達方法如式（5）。

yR（t）=hR（t）×[s（t）×h（t）+s（t）×hc（t）+n（t）] " " " " " " "（5）

式中：將接收機沖擊響應隨時間的變化記為hR（t），將其他各種干擾因素隨時間的變化記為n（t），將目標信號隨時間的變化記為h（t），將認知信號波形隨時間的變化記為s（t）[6]。

對式（5）的括號進行分解，將濾波處理后的信號記為ys（t），對應的環境干擾噪聲部分記為yn（t），則這兩項的計算方法如下。

ys（t）=hR（t）×s（t）×h（t） " " " " " " " " " " " " （6）

yn（t）=hR（t）×[s（t）×hc（t）+n（t）] " " " " " " " " " "（7）

信噪比轉化為以上兩項的比值，并且可將時間t作為自變量，建立信噪比隨時間變化的函數。發射機的發射信號強度是調控信噪比的主要參數，因為在較大的環境中，空間內的電磁噪聲幾乎成為不可控因素，此時基本只能通過提高發射機信號強度來增加信噪比。將信噪比記為SINR（t），其最大值記為SINRmax。根據信噪比的運算規則，可得到發射波形與信噪比的關系式（8）。

（8）

式中：f為BP人工神經網絡中的神經元激活函數。

（2）優化波形參數

①BP神經網絡的建模原理

BP神經網絡中需輸入訓練數據，經過神經網絡的反復學習建立模型，其在學習過程中需進行多次迭代，開展誤差信號分析，根據誤差優化模型，達到最佳程度。該算法類似于人腦的神經系統，由神經元構成網絡，在訓練過程中不斷地將誤差反向傳遞到模型中，以便進行神經網絡結構優化。這一過程與認知自適應波形信號的實現原理基本相同，因為自適應波形信號也存在信息反饋的機制。

②模型構建

在無線電測控應用場景中，系統對目標的捕獲能力和跟蹤能力均受到環境雜波的影響，在信號發送和回傳接收階段，環境噪聲同樣會引起干擾。調整優化波形參數有利于增強無線電測控系統的性能。

在研究該問題時需引入CRLB（克拉美羅下界）參數，根據公式（4）的波形參數優化算法，函數表達式中存在兩個自變量，分別為τ和fd，CRLB可用于評價這兩項參數的誤差估算效果，其估算原理采用Fisher信息矩陣，認知自適應電波信號的均方帶寬和均方時寬與該信息矩陣存在緊密的聯系。在誤差估計方面，該矩陣具備三種模式，其一為針對τ開展誤差估計，其二為針對fd開展誤差估計，其三為聯合τ和fd兩項因素開展誤差估計。通過一系列理論推導，得出發射波形對應的噪聲干擾協方差矩陣，其表達式如公式（9）。

（9）

式中：fc表示發射信號的載頻，T和K為波形的目標優化參數，SNR表示環境信噪比。θ代表信號波形的參數向量，受到T、K兩個波形參數的影響。該表達式在協方差矩陣R、T、K、fc及SNR四個參數間建立了數學關系。

3.MATLAB仿真及結果分析

（1）仿真模擬的基本條件

仿真模擬采用專業的數學工程應用軟件MATLAB，其中內置了強大的算法編程模塊，有助于建立研究模型。在算法中輸入1個認知自適應波形參數，具體為脈沖寬度T。由于要模擬環境干擾對測控效果的影響，因此還需輸入第2個參數SNR（信噪比）。算法模擬中將誤碼率PSER作為最終的輸出結果。

根據公式（4）構建的認知自適應波形系統生成2500組數據，其中2200組數據用于訓練算法模型，剩余的300組數據作為算法檢測數據，最終的實驗結果全部來自檢測環節。

（2）仿真結果分析

第一，設置不同的信噪比，取值范圍為-10～8，方差為2，然后觀測目標模型的誤碼率輸出與實際波形系統的誤碼率。結果顯示：隨著信噪比取值的增大，誤碼率持續降低，并且目標組和實際組基本吻合。

第二，設置不同的脈沖寬度，取值從0～7×10-5，在相同的脈沖寬度下觀測仿真組和實際組的誤碼率。結果顯示：BP神經網絡構建的模型對誤碼率的預測值與真實系統的實際值高度吻合。以上兩組實驗表明基于BP神經網絡的認知自適應波形優化模型能夠較好地模擬真實系統，可用于優化認知自適應波形參數。

三、結束語

為了建立科學的無線通信網絡認知自適應波形，應對其波形參數進行優化。設置涵蓋高斯白噪聲、韋伯爾噪聲在內的多種環境干擾因素，利用最小誤碼率原則構建波形優化模型。然后運用BP神經網絡算法對模型實施迭代，對調頻斜率以及信號脈沖寬度兩個波形參數進行優化。經過MATLAB仿真實驗，模型取得了良好的效果，與系統實際情況高度吻合。

作者單位：楊曉雪 晉中信息學院

史曉剛 山西云內動力有限公司

參 "考 "文 "獻

[1]陳希平.認知無線網絡中基于人工智能方法的動態頻譜接入算法研究[D].重慶郵電大學，2021.

[2]姜有泉.基于無線傳感網絡的智能配電網通信組網技術研究[D].貴州大學，2018.

[3]劉旭峰，鐘志剛，賈元啟，等.基于LSTM及Seq2seq模型的業務預測算法研究[J].郵電設計技術，2021（12）：58-63.

[4]王勝，陳驍鋒，劉小溪.一種基于路測的無線網絡智能優化應用系統[J].信息通信，2018（07）：250-251.

[5]王西點，王磊，龍泉，等.人工智能及其在網絡優化運維中的應用[J].電信工程技術與標準化，2018，31（07）：81-86.

[6]董一民，張弛.5G網絡背景下人工智能技術應用的探討[J].信息通信技術與政策， 2019（09）：45-48.

[7]唐艷，付存君，魏建新.基于自適應學習速率的改進BP神經網絡[J].計算機光盤軟件與應用，2012（04）：48-49.