基于深度學習算法的HPLC通信信號自動調制識別研究

張 磊，吳 穎

（1.北京合眾偉奇科技有限公司，河南 鄭州 450000；2.中原工學院 信息商務學院，河南 鄭州450000）

0 引 言

當HPLC通信信號經過多分辨率的分析和分解后，各個離散形式的信號均可以有效代表原始信號中不同頻率的組成[1]。由于產生的化學信號通常是具有峰狀信號分布的，因此通過對HPLC通信信號進行調制識別可以準確找出峰尖與峰谷之間的頻率差，并利用相關技術得到分辨強度更高的信號成分。傳統HPLC通信信號的調制識別方法通常采用復雜算法進行，因此得到的結果與實際相差較大，且操作過程繁瑣，增加了調制識別的時間[2]。對此，本文基于深度學習算法的高精度、推理速度快、算法簡單等優勢，提出了一種全新的HPLC通信信號自動調制識別方法。

1 HPLC通信信號自動調制識別方法設計

HPLC通信最大的困擾是電力線上的雜波干擾。因此，在通信信號自動調制與識別研究中，將抗干擾性能作為首要解決問題，在維持通信帶寬不變的前提下，努力降低通信誤碼率。基于深度學習算法的強大分析能力與糾錯功能，在HPLC通信中可實現對信號的智能分解與動態調制，并在接收端能夠自動糾正誤碼，實現智能化識別。基于這一設計思想，提出了對通信信號隱含特征的分析與提取，利用深度學習算法計算通信信號的深層次信息熵值，實現自動調制與識別。基本模型可描述為“設定信號處理參數—深度學習算法解算低層信號隱含特征—迭代計算高層隱含特征—建立目標特征映射集—信息預測與識別—信號輸出”。

1.1 HPLC通信信號參數設定及處理

針對HPLC通信信號的自動調制識別方法，首先應當設定信號參數，保證通信信號的采集量能夠充分滿足調制識別要求，并對信號進行處理，使其具備正確的信號標注方式。本文方法中的信號是針對高效液相色譜HPLC產生的通信信號，因此需要設定信號頻率范圍。選擇的設定方式是將信號統一化處理為中頻信號，即信號的載波頻率與采集頻率的比值控制在1/4的定值，即將采集速率設置為84.4 kHz，則載波的頻率值為84.4 kHz。

采集信號時可能產生的測量誤差通常在±4.3%的符號速率范圍以內，因此對產生的HPLC通信信號中的載波頻率上隨機增加±9%的符號速率隨機值，實現對信號頻率采集的校正[3]。通常情況下，采集信號速率與符號速率之間的比值在3～18倍，因此設置信號的符號速率范圍在3.7～23.5 kHz范圍內，完成對信號采集頻率的范圍設定。此外，根據載噪比范圍等其他信號采集要求，完成信號各項參數設定。

在信號采集過程中，通常信號的強弱是不統一的。因此，根據采集的信號設置信號振幅無法得到固定數值。為了保證調制識別方法的泛化能力，將信號賦值也進行歸一化處理。采用0均值標準化的歸一化方法，表達式為：

式中，g表示歸一化處理后的HPLC通信信號數據；i表示采集到的HPLC通信信號；α表示HPLC通信信號的均值；?表示均值標準差。將采集的原始數據集按照式（1）統一成為均值為0、方差為1的數據集合，完成信號數據的歸一化處理。

1.2 基于深度學習算法的信號隱含特征提取

完成參數設定及歸一化處理后的HPLC通信信號，還需要利用深度學習算法提取信號中多層隱含特征。低隱含層通常為5～6層，高隱含層可高達10多層。設置信號的低隱含層、高隱含層節點都是隨機的二進制變量節點，取值為0或1，同時設置其特征的概率分布充分滿足Boltaman分布特點。

低隱含層與高隱含層均不與外界環境直接接觸，主要作用是從數據中提取相應調制識別特征。低隱含層與高隱含層之間是雙向連接的，但高隱含層內部和低隱含層內部之間無連接。因此，本文采用無監督深層學習算法對HPLC通信信號的高隱含層和低隱含層進行訓練，計算公式為：

式中，x(t)表示無監督深層學習訓練后得到的隱含層特征參數；N表示疊加平均次數；si(t)表示第i層隱含層的原信號；ni(t)表示第i層隱含層的干擾噪聲，以此類推完成對高隱含層和低隱含層的特征提取。

1.3 隱含特征到調制識別目標映射

通過深度學習算法提取HPLC通信信號隱含層特征后，根據輸出的不同特征的信號閾值對其進行調制識別目標映射。采用決策樹的分類方式，將具備不同隱含特征的HPLC通信信號劃分為根節點、中間節點和葉節點3個基本構造。比較輸出信號樣本的特征及閾值，確定其是否可進入到下一等級。采用隱含特征X1閾值判斷多進制數字振幅調制信號和正交振幅調制信號，再采用隱含特征X2閾值判斷二進制振幅調制信號和載波調制信號，以此類推完成對多個隱含特征閾值在不同調制識別目標中的映射。通過決策樹結構不斷調整隱含特征閾值，實現更高的識別率。在實際應用中，應根據信號不同的判定特征數值對其進行調制識別。

1.4 通信信號信息預測與識別

在HPLC通信中，受功率載波發生機理的限制，信號中存在固定頻率或隨機離散頻率的干擾源，通信載波會受到干擾信號N次諧波的影響，造成頻率抖動或碼位錯亂，抬升了通信的誤碼率，甚至會引發信息錯誤。深度學習算法在提取通信信號的隱含特征后，通過識別目標映射集限定條件的判斷，發現并剔除其中的干擾頻率，并整合信息全文預測信號對應的碼位值，實現對信息的復原。在深度學習算法的HPLC通信信道中，具有時間相關性的信息作為一個整體處理，在信息的每一幀數據中增加數據提取與分析，結合振幅調制信號中附加的校驗信息完成對信息正確性的判斷，并通過先驗數據對數據幀中發現的錯誤予以修正。HPLC通信在有線傳輸方式下所占用的帶寬相對較寬，而收端又采用深度學習相關性檢測的辦法解調，使有用寬帶信息信號恢復成窄帶信號，而把非所需信號擴展成寬帶信號，然后通過窄帶濾波技術提取有用信號。基于這樣的工作原理，對于系統干擾信號和線路隨機干擾信號，因其在接收端的非相關性特征，解調后窄帶信號中只有很微弱的成份，信噪比很高，此時利用深度學習算法可以快速檢測和識別，因此抗干擾性強。基于深度學習算法的智能處理能力，提升了HPLC通信的抗干擾能力，在通信帶寬不變條件下降低了信道誤碼率。

2 實驗論證分析

2.1 實驗準備

選擇某智能小區中的骨干HPLC網絡作為本文實驗的硬件配置平臺。在仿真實驗平臺上構建一個虛擬的仿真HPLC通信信號網，并設置通信信號的傳輸速率為1 220 b/s，信號采集速率為84.4 kHz。通過仿真實驗軟件，隨機產生1 000路HPLC通信信號，分別利用本文方法與傳統方法對不同通信協議下的1 000路HPLC通信信號進行調制識別，對比兩種方法的性能。

2.2 實驗結果及分析

根據上述實驗準備，完成本文方法與傳統方法的對比實驗。為了方便比較，設置本文方法為實驗組，傳統方法為對照組，根據兩組方法的調制識別結果，繪制如圖1所示的實驗結果對比圖。

圖1 實驗結果對比圖

由圖1可以看出，實驗組在對HPLC通信信號進行自動調制識別時，錯誤個數明顯小于對照組，且隨著HPLC通信信號個數的增加，對照組的錯誤個數呈現逐漸陡峭的遞增趨勢，而實驗組隨著深度學習算法的逐漸熟練，錯誤個數的增加趨勢明顯得到緩解。實驗證明，本文提出的基于深度學習算法的HPLC通信信號自動調制識別方法可有效提高調制識別的準確性，減少錯誤識別的產生數量，從而保證通信信號的穩定傳輸。另外，本文選取的信號來自不同通信協議下，由此也可對比兩種方法對通信協議的兼容程度。可以看出，本文方法兼容性較強。

3 結 論

本文基于深度學習算法的HPLC通信信號的自動調制識別方法進行探究和研究，結合深度學習算法中的無監督深層學習提高信號調制識別的準確性，并通過對比實驗對比了該方法與傳統信號調制識別方法的性能，從實驗結果得出該方法可行性更高，具有更好的調制識別效果。