基于軟件無(wú)線電與神經(jīng)網(wǎng)絡(luò)的頻譜監(jiān)測(cè)識(shí)別系統(tǒng)

覃遠(yuǎn)年，謝旭鋒，劉 申

(桂林電子科技大學(xué)，廣西 桂林 541000)

0 引言

隨著5G即將投放市場(chǎng)，頻譜監(jiān)測(cè)工作也將面臨海量無(wú)線數(shù)據(jù)的嚴(yán)峻考驗(yàn)。現(xiàn)有的城市頻譜監(jiān)測(cè)主要依賴于固定監(jiān)測(cè)站，由于設(shè)備啟動(dòng)成本高和信號(hào)識(shí)別依賴人工等因素，只能在某些時(shí)間段監(jiān)測(cè)頻譜使用情況，這種方式缺乏對(duì)頻譜環(huán)境的持續(xù)性監(jiān)測(cè)，并且只能對(duì)有限的熱點(diǎn)區(qū)域監(jiān)測(cè)。因此如何解決頻譜監(jiān)測(cè)成本高、持續(xù)性差和信號(hào)識(shí)別依賴人工等問(wèn)題已經(jīng)迫在眉睫。

針對(duì)頻譜監(jiān)測(cè)成本高、持續(xù)性差的問(wèn)題，目前許多學(xué)者提出可利用軟件無(wú)線電平臺(tái)，搭建低成本小型可移動(dòng)監(jiān)測(cè)站，方便手持或無(wú)人機(jī)裝載[1-5]。李曉光等利用GNURadio軟件無(wú)線電平臺(tái)搭配USRP設(shè)備，解決了信道色噪聲造成噪底不平坦條件下的寬帶信號(hào)檢測(cè)問(wèn)題[6]。但是軟件無(wú)線電平臺(tái)自身很難承擔(dān)繁重的計(jì)算任務(wù)，無(wú)法進(jìn)一步深入開(kāi)發(fā)。劉玉軍等利用無(wú)人機(jī)對(duì)空中頻譜進(jìn)行監(jiān)測(cè)，并設(shè)計(jì)了一種根據(jù)頻譜環(huán)境，無(wú)人機(jī)自主規(guī)劃路徑的方法[7]，但沒(méi)有提及如何處理無(wú)人機(jī)采集的頻譜數(shù)據(jù)。

而針對(duì)信號(hào)識(shí)別依賴人工的問(wèn)題，目前信號(hào)識(shí)別主要通過(guò)無(wú)線電信號(hào)特征(中心頻率、帶寬、碼率和調(diào)制方式等)，利用模式識(shí)別的方法進(jìn)行信號(hào)識(shí)別。且現(xiàn)有的信號(hào)識(shí)別對(duì)象都是調(diào)制信號(hào)，沒(méi)有考慮到實(shí)際更為復(fù)雜的無(wú)線通信環(huán)境對(duì)信號(hào)產(chǎn)生的影響以及信號(hào)的其他編碼和發(fā)送信息等的差異對(duì)信號(hào)頻譜的干擾等[8]。因此，需要結(jié)合實(shí)際通信環(huán)境綜合考慮研究信號(hào)識(shí)別方法。同時(shí)現(xiàn)有檢測(cè)站在對(duì)異常頻譜判定方面依然依賴于人工或儀器。而深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在面對(duì)不斷更新變化的無(wú)線通信環(huán)境時(shí)，其強(qiáng)大的“學(xué)習(xí)能力”無(wú)疑具有較大優(yōu)勢(shì)[9-14]。無(wú)線電監(jiān)測(cè)系統(tǒng)采集到的大量數(shù)據(jù)，可以經(jīng)移動(dòng)網(wǎng)絡(luò)或WLAN傳輸至云端，通過(guò)云端服務(wù)器中搭建的神經(jīng)網(wǎng)絡(luò)，對(duì)其進(jìn)行訓(xùn)練，即可識(shí)別不同環(huán)境下的各種信號(hào)類型或頻譜狀態(tài)。馮浩等利用Hadoop云計(jì)算平臺(tái)和HBase分布式數(shù)據(jù)庫(kù)，對(duì)無(wú)線電頻譜監(jiān)測(cè)數(shù)據(jù)進(jìn)行管理和存儲(chǔ)[15]。但沒(méi)有對(duì)頻譜數(shù)據(jù)進(jìn)行識(shí)別分析。方寧等針對(duì)現(xiàn)有的時(shí)域模態(tài)參數(shù)識(shí)別方法大多存在難定階和抗噪性差的問(wèn)題，提出一種無(wú)監(jiān)督學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)(CNN)的振動(dòng)信號(hào)模態(tài)識(shí)別方法[16]。蔣兵等利用PNN神經(jīng)網(wǎng)絡(luò)解決了雷達(dá)信號(hào)調(diào)制類型多樣且識(shí)別成功率較低的問(wèn)題[17]。但這些方法大多也都是針對(duì)單一類型的信號(hào)進(jìn)行識(shí)別，而并非對(duì)某段頻譜進(jìn)行識(shí)別，反應(yīng)其狀態(tài)信息。

本文利用軟件無(wú)線電和BP神經(jīng)網(wǎng)絡(luò)，設(shè)計(jì)了一套無(wú)線電監(jiān)測(cè)系統(tǒng)。首先運(yùn)用GNURadio軟件無(wú)線電平臺(tái)，采集實(shí)時(shí)的固定區(qū)域某一頻段的頻譜波形，通過(guò)無(wú)線網(wǎng)絡(luò)傳輸給云端，利用云端服務(wù)器的神經(jīng)網(wǎng)絡(luò)和主成分分析(PCA)等算法做進(jìn)一步的信號(hào)識(shí)別處理[18-19]。

1 GNURadio頻譜掃描

目前，常用的軟件無(wú)線電軟件有GNURadio，LABVIEW，Vanu Software Radio等。本文選擇使用開(kāi)源并擁有強(qiáng)大交互社區(qū)的GNURadio作為系統(tǒng)開(kāi)發(fā)平臺(tái)。

利用GNURadio自帶程序以及NI公司提供的擴(kuò)展包中的實(shí)時(shí)掃頻程序進(jìn)行頻譜檢測(cè)工作，程序框圖如圖1所示。該程序可以掃描50 MHz～6 GHz的頻譜，并采集指定頻段的時(shí)域I/Q數(shù)據(jù)，再通過(guò) FFT轉(zhuǎn)換獲得頻域數(shù)據(jù)。

圖1 GNURadio實(shí)時(shí)掃頻程序框圖Fig.1 GNURadio real-time scanning spectrum block diagram

之后，經(jīng)FFT轉(zhuǎn)換的頻譜數(shù)據(jù)通過(guò)數(shù)據(jù)類型和單位轉(zhuǎn)換可以實(shí)時(shí)顯示，如圖2所示。圖2中心頻率為2 440 MHz、功率為-28 dBm的信號(hào)。

圖2 實(shí)時(shí)頻譜圖Fig.2 Real-time spectrogram

2 訓(xùn)練樣本預(yù)處理

2.1 訓(xùn)練樣本分類

2.4 GHz公有頻段信號(hào)種類繁多，常見(jiàn)的有WiFi，Bluetooth，ZigBee等。目前該頻段被分為14個(gè)信道，每個(gè)信道帶寬為22 M。一般常用1,6,11三個(gè)信道，原因是這3個(gè)信道沒(méi)有頻率重合，互不干擾。為了構(gòu)建神經(jīng)網(wǎng)絡(luò)頻譜識(shí)別系統(tǒng)，以20 M，40 M帶寬的2種不同WiFi信號(hào)進(jìn)行實(shí)驗(yàn)，頻譜數(shù)據(jù)作為訓(xùn)練樣本，人為制造出6類頻譜狀態(tài)，如表1所示。

表1 6種不同的頻譜狀態(tài)
Tab.1 Six different spectrum states

編號(hào)信號(hào)種類信號(hào)數(shù)量所占信道100無(wú)2111信道31111信道4121,11信道5221,11信道6221,6,11信道

每種信號(hào)采集500個(gè)樣本，6類波形共3 000個(gè)樣本作為訓(xùn)練集。再以不同于訓(xùn)練集且不同時(shí)刻的這6類波形，每類波形200個(gè)樣本，作為測(cè)試集。

在構(gòu)建神經(jīng)網(wǎng)絡(luò)之前，需要對(duì)導(dǎo)入的數(shù)據(jù)進(jìn)行預(yù)處理，采用PCA+歸一化處理的組合預(yù)處理方法，以便神經(jīng)網(wǎng)絡(luò)能以更高的效率進(jìn)行訓(xùn)練且擁有更高的識(shí)別率。

2.2 監(jiān)測(cè)設(shè)備前端預(yù)處理

需要說(shuō)明的是，掃頻程序不能在一個(gè)時(shí)間節(jié)點(diǎn)完成整個(gè)2 400～2 490 M頻率區(qū)間的掃描工作，也就是說(shuō)，單個(gè)時(shí)間節(jié)點(diǎn)(本程序中，樣本的產(chǎn)生頻率不與采樣率掛鉤，而是由模塊底層程序和硬件決定)的數(shù)據(jù)無(wú)法還原頻譜此時(shí)刻的完整信息。

取相鄰10個(gè)時(shí)間節(jié)點(diǎn)的數(shù)據(jù)組成一個(gè)完整的頻譜，頻譜中每個(gè)頻點(diǎn)的取值為這10個(gè)時(shí)間節(jié)點(diǎn)中該頻點(diǎn)的概率密度極大值，樣本數(shù)據(jù)如圖3所示。

圖3 未預(yù)處理的頻譜數(shù)據(jù)圖Fig.3 Unpreprocessed spectrum data map

圖3中的頻譜數(shù)據(jù)量較大，同時(shí)頻譜狀態(tài)較為雜亂，存在個(gè)別持續(xù)時(shí)間極短的信號(hào)。通常在干擾排查工作中，這種占用信道時(shí)間極短的信號(hào)可以忽略不計(jì)。如果直接用此數(shù)據(jù)訓(xùn)練，會(huì)影響神經(jīng)網(wǎng)絡(luò)計(jì)算效率和識(shí)別效果。因此設(shè)計(jì)了一種針對(duì)此頻譜數(shù)據(jù)的預(yù)處理算法，具體步驟如下：

① 減少樣本的數(shù)據(jù)量，利用ksdensity函數(shù)求出橫坐標(biāo)上每個(gè)采樣點(diǎn)的概率密度曲線；

② 求出該曲線各個(gè)極大值點(diǎn)的橫坐標(biāo)和概率；

③ 設(shè)定概率閾值為0.1，以濾除占用信道時(shí)間極短的信號(hào)；

④ 保留每個(gè)采樣點(diǎn)中擁有最大功率的極大值點(diǎn)。

經(jīng)過(guò)預(yù)處理后的頻譜數(shù)據(jù)如圖4所示。雖然由于閾值的設(shè)定使信號(hào)有所失真，但大體保持了原有信號(hào)的波形和帶寬，不會(huì)對(duì)神經(jīng)網(wǎng)絡(luò)的識(shí)別工作造成太大的影響。同時(shí)，樣本數(shù)據(jù)量減少90%，且消除了個(gè)別持續(xù)時(shí)間極短的信號(hào)，提取了主要的有效信息：波形、信號(hào)帶寬和信號(hào)頻率。對(duì)比圖3和圖4，可以發(fā)現(xiàn)圖3中第1 400～第1 800個(gè)采樣點(diǎn)處有一段不完整的信號(hào)波形，通過(guò)預(yù)處理算法后成功濾除。

圖4 預(yù)處理過(guò)后的頻譜數(shù)據(jù)圖Fig.4 Spectrum data after pre-processing

由于此算法沒(méi)有較大的計(jì)算量，因此決定借鑒邊緣計(jì)算的思想，將其計(jì)算任務(wù)安排在監(jiān)測(cè)設(shè)備前端。目前，大部分軟件無(wú)線電設(shè)備都搭載了FPGA或ARM芯片，具有一定的計(jì)算能力。這樣既降低了云端計(jì)算的壓力，又能減少數(shù)據(jù)傳輸所帶來(lái)的時(shí)延。

在神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前，還需要對(duì)導(dǎo)入的數(shù)據(jù)做進(jìn)一步預(yù)處理，采用PCA+歸一化處理的組合預(yù)處理方法，以便神經(jīng)網(wǎng)絡(luò)能以更高的效率進(jìn)行訓(xùn)練且擁有更高的識(shí)別率。

2.3 主成分分析

PCA的原理是以損失次要信息為代價(jià)，通過(guò)低維表征的向量和特征向量矩陣，重構(gòu)出所對(duì)應(yīng)的原始高維向量。

本文需要神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別的頻譜狀態(tài)共有6種，每種頻譜狀態(tài)以10份不同的波形數(shù)據(jù)作為訓(xùn)練樣本，每個(gè)樣本由其功率值組成一個(gè)向量xi，則樣本的采樣點(diǎn)數(shù)量為xi的維數(shù)，采樣的頻點(diǎn)數(shù)為3 600，可得訓(xùn)練樣本集為{x1,x2,…,xM}，平均向量為：

(1)

對(duì)訓(xùn)練樣本集進(jìn)行去均值，即：

(2)

再求出對(duì)去均值后的訓(xùn)練樣本集的協(xié)方差矩陣：

(3)

之后求出協(xié)方差矩陣的特征向量ui和對(duì)應(yīng)的特征值λi，并將協(xié)方差矩陣的特征值按大到小排序，選擇其中最大的k個(gè)，將其對(duì)應(yīng)的k個(gè)特征向量分別作為列向量組成特征向量矩陣Wk。最后，計(jì)算xnew·Wk，即將數(shù)據(jù)集xnew投影到選取的特征向量，得到已經(jīng)降維的數(shù)據(jù)集P=xnew·Wk。選取最大的前k個(gè)特征值λi，即維數(shù)從3 600減少至k，k最佳取值將在實(shí)驗(yàn)部分給出。這樣既保留了數(shù)據(jù)的主特征，又能大大提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率。

但這些特征數(shù)據(jù)的單位、數(shù)量級(jí)并不相同，使神經(jīng)網(wǎng)絡(luò)收斂慢且訓(xùn)練時(shí)間長(zhǎng)。因此還需要對(duì)P做歸一化處理。

2.4 歸一化處理

除了加快神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，歸一化還可避免可能出現(xiàn)因數(shù)據(jù)范圍原因?qū)е螺斎胱饔米兓那闆r。同時(shí)，神經(jīng)網(wǎng)絡(luò)輸出層的激活函數(shù)設(shè)計(jì)也要符合要求，其值域受到制約，輸出數(shù)據(jù)值域要與其保持一致。若采用對(duì)數(shù)S形激活函數(shù)，其值域是(0,1)，輸出的數(shù)據(jù)也必須在(0,1)，所以歸一化到[0,1]區(qū)間。同時(shí)，S形激活函數(shù)在值域之外過(guò)于平緩，喪失了區(qū)分能力。在做歸一化處理之前，將所有整理好的數(shù)據(jù)集P重新組合成一個(gè)新的矩陣：

H=P={x1·u1x2·u2…xk·uk}。

(4)

對(duì)每一行相同數(shù)據(jù)類別的數(shù)據(jù)進(jìn)行歸一化處理，同時(shí)也減少了之后神經(jīng)網(wǎng)絡(luò)輸入端的數(shù)量。選用mapminmax函數(shù)對(duì)之前得到的數(shù)據(jù)集P做歸一化處理。mapminmax函數(shù)的計(jì)算公式為：

y=(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin，

(5)

式中，ymin，ymax為歸一化的值域范圍，其值取決于輸出層的神經(jīng)網(wǎng)絡(luò)激活函數(shù)。本文選取的輸出層神經(jīng)網(wǎng)絡(luò)激活函數(shù)為雙曲正切 S形函數(shù)，其值域范圍分別為[-1，1]，設(shè)ymin=-1，ymax=1。

對(duì)于之前得到的輸入矩陣H，mapminmax函數(shù)逐行計(jì)算，如計(jì)算一行任意數(shù)據(jù){z1，z2，...，z60}時(shí)，假設(shè)此行中最小值為z1，最大值為z2，歸一化z60時(shí)的計(jì)算公式可化為：

y=2*(-z2)/(z1-z2)-1。

(6)

3 搭建BP神經(jīng)網(wǎng)絡(luò)

目前，搭建神經(jīng)網(wǎng)絡(luò)的軟件平臺(tái)日趨成熟且專業(yè)化。如TensorFlow，NeuroSolutions，Matlab等。雖然TensorFlow在各方面都顯得更為優(yōu)秀，但Matlab的優(yōu)勢(shì)在于支持GNURadio采集到的數(shù)據(jù)格式。由于基于信號(hào)頻譜數(shù)據(jù)的識(shí)別系統(tǒng)并不復(fù)雜， 選用較為簡(jiǎn)單的BP神經(jīng)網(wǎng)絡(luò)，從而減少相應(yīng)的計(jì)算復(fù)雜度。

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中會(huì)產(chǎn)生反饋信號(hào)，在分類過(guò)程中數(shù)據(jù)向前傳送，直到到達(dá)輸出層，不同于復(fù)雜的后饋網(wǎng)絡(luò)，層間沒(méi)有向后的反饋信號(hào)，因此被稱為前饋網(wǎng)絡(luò)。

圖5為構(gòu)建的前饋神經(jīng)網(wǎng)絡(luò)，其中第1層為輸入單元，第2層為隱含層，第3層為輸出層。由于輸入的數(shù)據(jù)是一個(gè)經(jīng)過(guò)歸一化二維矩陣，所以輸入向量的最小值為-1，最大值為1。基于分類的要求，隱含層被設(shè)計(jì)為一層；輸出層的神經(jīng)元數(shù)量和分類數(shù)量保持一致，為6個(gè)。輸入層和隱含層的神經(jīng)元數(shù)在實(shí)驗(yàn)部分進(jìn)行討論。

圖5 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Neural network structure

在神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元是最基本的單位，圖6中x1～xn為從其他神經(jīng)元或輸入單元傳來(lái)的輸入信號(hào)，wiv表示從神經(jīng)元v到神經(jīng)元i的連接權(quán)值，θ表示一個(gè)閾值。神經(jīng)元i的輸出與輸入關(guān)系為：

(7)

圖6 神經(jīng)元結(jié)構(gòu)Fig.6 Neuron structure

圖6中，yi表示神經(jīng)元i的輸出，函數(shù)f稱為激活函數(shù)，net稱為凈激活。激活函數(shù)是神經(jīng)網(wǎng)絡(luò)中重要的一環(huán)，一般常用的有線性函數(shù)、斜面函數(shù)、閾值函數(shù)和S形函數(shù)等。由于對(duì)數(shù)S形函數(shù)與雙曲正切S形函數(shù)具有可導(dǎo)的性質(zhì)，適合于BP神經(jīng)網(wǎng)絡(luò)，因此選用對(duì)數(shù)S形轉(zhuǎn)移函數(shù)作為隱含層神經(jīng)元的激活函數(shù)，雙曲正切S形轉(zhuǎn)移函數(shù)作為輸出層神經(jīng)元的激活函數(shù)。這2種激活函數(shù)的公式如下：

(8)

在開(kāi)始訓(xùn)練之前，還需要設(shè)置一些其他的參數(shù)。訓(xùn)練的最大迭代次數(shù)Epoch為1 000；初始訓(xùn)練學(xué)習(xí)率lr為0.1；訓(xùn)練性能學(xué)習(xí)目標(biāo)goal為0.001；常用的MSE作為性能指數(shù)。

學(xué)習(xí)函數(shù)選用traingdx函數(shù)。traingdx是一個(gè)網(wǎng)絡(luò)訓(xùn)練函數(shù)，它根據(jù)梯度下降動(dòng)量和自適應(yīng)學(xué)習(xí)速率來(lái)更新權(quán)重和偏置值。traingdx將自適應(yīng)學(xué)習(xí)率與動(dòng)量訓(xùn)練相結(jié)合，其動(dòng)量系數(shù)mc作為附加的訓(xùn)練參數(shù)。traingdx可以訓(xùn)練任何網(wǎng)絡(luò)，只要其權(quán)重，凈輸入和激活函數(shù)可導(dǎo)。反向傳播用于計(jì)算相對(duì)于權(quán)重或偏差變量X的性能指數(shù)pref的導(dǎo)數(shù)。每個(gè)變量根據(jù)具有動(dòng)量的梯度下降進(jìn)行調(diào)整。

(9)

式中，mc默認(rèn)取值為0.9，dXprev是之前權(quán)值或偏差的變化量。對(duì)于每次迭代，如果性能指數(shù)pref朝著目標(biāo)減小，則學(xué)習(xí)率因子lr_inc增加。如果性能增加超過(guò)因子max_perf_inc=1.04，則學(xué)習(xí)速率由因子lr_dec調(diào)整，且不會(huì)增加性能；并設(shè)置內(nèi)置sim函數(shù)作為網(wǎng)絡(luò)預(yù)測(cè)輸出函數(shù)。

4 實(shí)驗(yàn)與討論

本文中設(shè)置3組測(cè)試實(shí)驗(yàn)，第1組為驗(yàn)證PCA算法保留的最佳特征維度，設(shè)置常用的波幅分析作為對(duì)比組；第2組則為了體現(xiàn)出本文中預(yù)處理方法的性能優(yōu)勢(shì)，仿真實(shí)驗(yàn)分為PCA+歸一化數(shù)據(jù)預(yù)處理組和僅歸一化組兩組，作為對(duì)照實(shí)驗(yàn)。以隱含層的神經(jīng)節(jié)點(diǎn)數(shù)作為自變量，對(duì)比二者的識(shí)別率。

如圖7所示，以100個(gè)樣本為測(cè)試集，對(duì)訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了測(cè)試，此時(shí)PCA算法處理后的樣本特征維度為17，隱含層神經(jīng)節(jié)點(diǎn)數(shù)為20。可見(jiàn)此次識(shí)別效果極好，識(shí)別率高達(dá)97%。

圖7 BP神經(jīng)網(wǎng)絡(luò)識(shí)別率測(cè)試Fig.7 BP neural network recognition rate test

對(duì)于第2組實(shí)驗(yàn)，選擇在隱含層設(shè)置20個(gè)神經(jīng)節(jié)點(diǎn)。在Matlab中，PCA函數(shù)在處理樣本數(shù)據(jù)后給出了17個(gè)主成分特征維度。對(duì)于文中識(shí)別的6類波形數(shù)據(jù)，數(shù)據(jù)特征的差異主要存在于信號(hào)數(shù)量、信號(hào)帶寬、信號(hào)頻率和信號(hào)強(qiáng)度4個(gè)方面。相對(duì)于PCA算法，波幅分析借鑒判決樹(shù)的思想，分析和抓取最主要的數(shù)據(jù)特征。

如圖2所示，檢測(cè)設(shè)備的底噪約為-97 dBm，因此本次仿真中將-80 dBm作為判定頻譜波形是否為信號(hào)的閾值。對(duì)于本文的數(shù)據(jù)集，選擇了以下8項(xiàng)具有區(qū)分能力的特征：功率方差、最大功率、最大功率點(diǎn)頻率、平均功率、功率超過(guò)閾值采樣點(diǎn)總數(shù)、功率超過(guò)閾值頻點(diǎn)頻率平均值、功率超過(guò)閾值連續(xù)區(qū)域個(gè)數(shù)以及功率超過(guò)閾值連續(xù)區(qū)域所有采樣點(diǎn)頻率之和。當(dāng)然，每項(xiàng)特征之間的區(qū)分能力是有差異的，實(shí)驗(yàn)隨機(jī)選取n項(xiàng)作為特征維度。

由圖8分析可得，在所用特征維度較小時(shí)PCA算法優(yōu)勢(shì)明顯，波幅分析識(shí)別率較低。在特征維度為5時(shí)，PCA算法和波幅分析的識(shí)別率曲線斜率趨近于0。因此，使用PCA算法后只需保留前5項(xiàng)特征值即可。相較于波幅分析，雖然PCA算法在達(dá)到一定維度后的性能優(yōu)勢(shì)不算明顯，但在實(shí)際中面對(duì)復(fù)雜的頻譜波形時(shí)，泛用性明顯強(qiáng)于需要區(qū)分特征的波幅分析。

圖8 信號(hào)識(shí)別率隨特征維度變化曲線Fig.8 Signal recognition rate as a function of dimensional dimension

在第3組實(shí)驗(yàn)中，如圖9所示，隱含層神經(jīng)節(jié)點(diǎn)數(shù)對(duì)2種預(yù)處理方法識(shí)別率的影響幾乎相同，在一定范圍內(nèi)識(shí)別率隨神經(jīng)節(jié)點(diǎn)數(shù)的增加而增加，在神經(jīng)節(jié)點(diǎn)數(shù)等于14時(shí)，再繼續(xù)增加神經(jīng)節(jié)點(diǎn)數(shù)，識(shí)別率則基本保持在一定水平?jīng)]有太大波動(dòng)。未處理的數(shù)據(jù)特征維度高達(dá)3 600，雖然識(shí)別率略高于經(jīng)PCA處理后的數(shù)據(jù)，但時(shí)間復(fù)雜度方面，則明顯要高出PCA許多。

圖9 信號(hào)識(shí)別率隨隱含層節(jié)點(diǎn)數(shù)變化曲線Fig.9 Signal recognition rate as a function of the number of hidden layer nodes

值得一提的是，未經(jīng)PCA處理的數(shù)據(jù)訓(xùn)練時(shí)，在少數(shù)情況下會(huì)陷入局部最優(yōu)，導(dǎo)致性能指數(shù)無(wú)法達(dá)到學(xué)習(xí)目標(biāo)，同時(shí)性能梯度變化也不明顯，從而使學(xué)習(xí)函數(shù) traingdx只能通過(guò)達(dá)到最大迭代次數(shù)停止，也就是說(shuō)這會(huì)使神經(jīng)網(wǎng)絡(luò)的運(yùn)算時(shí)間達(dá)到最大，且無(wú)法獲得正確的識(shí)別結(jié)果。盡管加上這種情況時(shí)，識(shí)別率依舊保持在一個(gè)很高的水平。

5 結(jié)束語(yǔ)

通過(guò)利用軟件無(wú)線電和神經(jīng)網(wǎng)絡(luò)，搭建了一套數(shù)據(jù)驅(qū)動(dòng)的頻譜監(jiān)測(cè)識(shí)別系統(tǒng)，可以持續(xù)性獲取某一固定頻段的頻譜數(shù)據(jù)，并在監(jiān)測(cè)設(shè)備前端完成數(shù)據(jù)預(yù)處理。再通過(guò)PCA、歸一化和BP神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)該頻段頻譜狀態(tài)的識(shí)別分類，從而達(dá)到區(qū)域無(wú)線電環(huán)境的監(jiān)測(cè)或智能干擾排查的目的。本系統(tǒng)主要依托于BP神經(jīng)網(wǎng)絡(luò)，頻譜狀態(tài)的識(shí)別率高達(dá)96%左右。目前此系統(tǒng)經(jīng)過(guò)訓(xùn)練后能反應(yīng)復(fù)雜的頻譜現(xiàn)有狀態(tài)，未來(lái)可根據(jù)指定的異常訓(xùn)練樣本，對(duì)異常情況作出智能判定。本文完成的主要工作和創(chuàng)新點(diǎn)在于：

① 將GNURadio軟件無(wú)線電平臺(tái)和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，形成一套從頻譜信息實(shí)時(shí)采集到分析識(shí)別處理的完整系統(tǒng)，解決了傳統(tǒng)頻譜監(jiān)測(cè)系統(tǒng)持續(xù)性較差的缺陷。

② 對(duì)某一固定頻段的頻譜狀態(tài)進(jìn)行識(shí)別，而并非對(duì)單個(gè)調(diào)制信號(hào)進(jìn)行識(shí)別。同時(shí)針對(duì)復(fù)雜不易訓(xùn)練的頻譜波形創(chuàng)造了一種預(yù)處理算法。在本文的實(shí)驗(yàn)中，神經(jīng)網(wǎng)絡(luò)被訓(xùn)練以識(shí)別2.4 GHz公用頻段的短時(shí)間內(nèi)頻譜狀態(tài)，反映整個(gè)頻段的信號(hào)數(shù)量和信號(hào)類型。

③ 根據(jù)采集到的頻譜數(shù)據(jù)特點(diǎn)，制定了相應(yīng)的神經(jīng)網(wǎng)絡(luò)識(shí)別方法。利用信號(hào)特征數(shù)據(jù)和PCA算法有效提高了神經(jīng)網(wǎng)絡(luò)的識(shí)別性能與效率。