基于卷積神經網絡的OFDM-UWB信道環境識別

王 斐，徐 湛，2，職如昕，2，陳晉輝，2

（1.北京信息科技大學信息與通信工程學院，北京100101；2.北京信息科技大學現代測控技術教育部重點實驗室，北京100101）

0 概述

超寬帶（Ultra-WideBand，UWB）無線通信是一種基于低能量短時脈沖的無線通信技術，近年來在無線通信和測距領域被廣泛應用。得益于自身巨大帶寬的優勢，超寬帶無線通信技術具有良好的材料穿透能力，同時良好的時間分辨率也使其適用于精確測距［1］。基于以上優勢，目前超寬帶已成為室內定位的主流技術。非視距（Non-Line of Sight，NLOS）傳播是超寬帶技術誤差的主要來源之一，在進行室內定位時，信道中的遮擋會使信號在傳輸過程中產生大量的損耗，從而嚴重影響定位精度［2］。因此，識別出信道是否屬于非視距傳輸對于提升定位精確度具有重要意義。

目前，研究者提出了許多非視距信道的識別方法。文獻［3］基于定位時間（Time-of-Arrival，TOA），利用CayleyMenger行列式（CayleyMenger Determinant，CMD）構建的假設檢驗模型進行NLOS 信道識別。文獻［4］基于距離測量的貝葉斯先驗概率，利用貝葉斯順序檢驗的方法進行LOS/NLOS 識別。文獻［5］根據物理層的相位特征和OFDM 的子載波頻率分集提出一種LOS 識別方案。文獻［6-8］通過假設檢驗法來進行NLOS 信道環境的識別。信道識別的關鍵在于信道識別參數，例如利用支持向量機算法對信道特征參數［9-10］、移動臺與基站的特征參數［11］、峭度［12-14］以及信號能量［15-16］進行訓練和識別。

傳統的LOS/NLOS 識別方法較少利用信道統計模型，并且都需要事先進行大量的數據采集，在不同場景下，不同的信號特征使得識別的工作量很大。此外，多數方法需要預設門限值，而閾值的可靠性和魯棒性也存在爭議。為突破傳統識別方法的局限性，本文提出一種新的分類方法。利用信道估計的沖激響應構建數據集，將通信信道識別問題轉化為圖像識別問題，對其經短時傅里葉變換（Short-Time Fourier Transform，STFT）處理后通過卷積神經網絡來進行正確識別分類。在此基礎上，基于OFDM 方案的UWB 系統進行仿真，通過加入高斯白噪聲驗證所提方法的實用性。

1 IEEE 802.15.3a UWB 信道統計模型

“分簇”是描述室內超寬帶傳輸特性的最優方式之一，受到了研究人員的廣泛認同，即構建S-V 模型。在S-V 模型的定義中，脈沖信號各徑上的分量以一簇一簇傳輸的方式到達接收機。簇和簇內射線的到達時間服從泊松隨機過程分布。先后到達的多徑信號增益統計獨立，多徑信號的平均功率（幅度的均方值）隨簇和簇內射線雙指數衰減，其幅度呈瑞利分布，相位在［0，2π）內均勻分布。S-V 模型的信道沖激響應可以表示為：

在式（1）中：Tl（l=0，1，…）為第（l+1）個到達簇的到達時間，T0=0 表示第1 個到達簇的到達時間；τk，l（k=0，1，…）為第（l+1）個簇中第（k+1）個到達射線的到達時間，τ0，l表示第l個簇中第1 條射線的到達時間；βk，l為第（l+1）個簇中第（k+1）個到達射線的多徑增益，其相位為θk，l。S-V 模型中其他主要參數還包括多徑到達時間分布、多徑增益分布、多徑相位分布等。

表1 列出了IEEE 802.15.3a 室內信道模型的典型參數，其中數據由大量實測數據推導得出，CM1表示視距傳播模型（0 m～4 m），CM2 表示非視距傳播模型（0 m～4 m），CM3 表示非視距傳播模型（4 m～10 m），CM4 表示一個極端非視距傳播模型多徑信道，Λ表示簇平均到達速率，λ表示脈沖平均到達速率，Γ表示簇的功率衰減因子，γ表示簇內脈沖的功率衰減因子，δξ表示簇的信道系數標準偏差，δζ表示簇內脈沖的信道系數標準偏差，δg表示信道幅度增益的標準偏差。

表1 IEEE 802.15.3a UWB 信道參數Table 1 IEEE 802.15.3a UWB channel parameters

2 基于卷積神經網絡的信道環境識別

卷積神經網絡在近年來被廣泛應用于多分類任務［17-19］，特別是圖像分類［20］。使用CNN 進行LOS/NLOS信道環境識別的優點是避免了對特征參數的大量計算。同時，在訓練過程中，卷積神經網絡可以自行選擇合適的權值。CNN 提取的特征比人工提取的特征更有效。在前期研究［21］中，為增強圖像特征，得到更有效的數據集，研究者對信道沖激響應進行STFT處理得到脈沖響應譜。以不同的顏色表示不同的能量強度，將信道識別問題轉化為圖像識別問題。利用MATLAB 對IEEE 802.15.3a UWB 信道統計模型進行仿真，得到CM1～CM4 這4 種信道環境下的沖激響應，如圖1所示，其經STFT 處理后如圖2所示。分析結果表明，CM1～CM4 這4 種情況下的脈沖響應具有不同的特征。

圖1 CM1～CM4 信道環境下的沖激響應Fig.1 Impulse responses under CM1～CM4 channel environments

圖2 STFT 處理后的沖激響應Fig.2 Impulse responses after STFT processing

將短時傅里葉變換后的圖像作為數據集進行訓練識別。CM1～CM4 信道環境的數據集規模均為48 000 個數據，其中38 400 個數據作為訓練集，剩余數據作為測試集。

圖3 為卷積神經網絡對信道沖激響應的識別率曲線，其中：2conv_1fc 表示兩卷積層一全連接層；2conv_2fc 表示兩卷積層兩全連接層；3conv_1fc 表示三卷積層一全連接層；3conv_2fc 表示三卷積層兩全連接層。可以看出，該方法對于理想情況下視距和非視距信道的識別率最高可達98.24%。

圖3 卷積神經網絡對信道沖激響應的識別率Fig.3 Recognition rate of CNN for channel impulse response

3 OFDM-UWB信道環境識別

本文OFDM 方案的UWB 通信系統通過QPSK星座調制的128 個載波來符合“500 MHz 帶寬”的要求，合成信號占用一個528 MHz 的信道。仿真中利用IEEE 802.15.3a UWB 模型所生成的沖激響應構建信道環境。

OFDM 系統一個重要的優勢在于可以利用快速傅里葉變換（Fast Fourier Transform，FFT）生成，極大地降低了系統的復雜度。數據比特被調制為QPSK 符號，隨后通過逆FFT（IFFT）被轉化為時域數據發送到無線信道中。由于無線信道的影響，接收信號通常會發生失真，多徑傳播的頻域模型由式（2）表示：

其中：Y表示接收端的信號向量；X表示發射端的信號向量；H表示信道頻率響應；Z表示高斯白噪聲。為消除無線信道對信號傳輸的影響，必須在接收端對信道頻率響應H進行估計從而對接收信號進行補償。根據式（2），使用LS（最小二乘）信道估計得出信道頻率響應：

其中，X［k］表示第k個子載波上的導頻信號，Y［k］表示接收到的導頻信號，HLS［k］表示估計出的頻率響應。

對頻率響應的估計結果做IFFT 變換后得到4 種信道環境下的沖激響應，分別如圖4所示。

圖4 信道估計沖激響應Fig.4 Impulse responses estimated by the channel

STFT 將一維的hLS轉換為二維時頻圖，這有利于信道環境的識別。離散的STFT 表達式為：

其中，w（m-n）表示窗函數，n表示窗長。在時域用窗函數將hLS截取為多段，對每一段做傅里葉變換，求出各段的頻域特性，從而求出hLS的時頻特性。為克服窗與窗內數據的關聯性，相鄰兩窗部分重疊，仿真中重疊大小參數為Noverlap。

Hamming 窗能夠有效減小頻譜泄露問題，本文選取Hamming 窗函數，如式（5）所示：

其中，0≤k≤n-1。經STFT 處理所得不同信道下hLS時頻圖如圖5所示。

圖5 STFT 處理后的信道估計沖激響應Fig.5 Impulse responses estimated by the channel after STFT processing

在STFT 處理過程中，不同的窗長n以及參數Noverlap 會使圖像的分辨率發生改變，導致圖像特征有所差異。本文在多次仿真測試基礎上，選擇長度n為8 的Hamming 窗，將參數Noverlap 設置為7。

在OFDM 方案的UWB 系統中，不同的比特信噪比（EbN0）下信道估計的準確性也會隨之浮動。仿真在最高效的STFT 參數下基于不同的EbN0 值進行。

4 仿真與結果分析

在不同的STFT 參數下，使用不同結構卷積神經網絡的識別率如表2所示。該部分測試中EbN0為30 dB。數據顯示，基于線性變換的參數n和Noverlap，相同結構神經網絡下的信道識別率呈非線性變化。使用不同的窗長n和Noverlap 會使STFT 的結果具有不同的時域解析度及頻域解析度，兩者相互沖突，無法同時獲得高解析度。使用短窗STFT 則時間分辨率高，使用長窗則頻率分辨率高。原始數據被窗函數分割后，窗口兩端位置的信息就會減少，Noverlap 的存在改善了這種邊緣效應。在相同的窗長n下，重疊度越高，則STFT 的時頻分析圖像越平滑，結果越準確。

表2 各STFT 參數下卷積神經網絡的識別率Table 2 Recognition rate of CNN under different STFT parameters

根據表2所示數據，選取結果最優值為：n=8，Noverlap=7，使用兩個卷積層兩個全連接層的神經網絡進行仿真。在不同EbN0 下的識別率如圖6所示。從中可以看出，隨著EbN0 值的增大，本文方法對信道環境的識別率穩定上升，在EbN0 值為20 dB左右趨于穩定，此時識別率為90.572 9%。

圖6 不同EbN0 下4 種信道環境的識別率Fig.6 Recognition rate of four channel environments under different EbN0

根據參考文獻［21］提取以下信道特征參數：

1）平均附加時延。此項參數即信道沖激響應功率延遲分布的一階矩，表達式如下：

其中：G表示信道總能量；αn表示幅度增益；τn表示附加時延。

2）均方根時延擴展。此項參數與平均附加時延的本質相似，其由平均附加時延的標準差所計算得出，表達式如下：

3）幅度高于峰值50%的徑的數量。此項參數反映了信道多徑的分布情況，表達式如下：

其中，hmax表示沖激響應最大幅度。

4）占據信道85%能量的徑的數量表達式如下，該參數同樣表征了信道中多徑的分布情況。

其中，Ece（n）表示累積能量分布。

使用較為傳統的信道識別方式，基于信道特征參數，利用支持向量機對信道環境進行識別，識別結果與本文方法識別結果的對比如圖7所示。可以看出，在加入噪聲的多帶OFDM 超寬帶信道識別問題中，CNN 的識別能力同樣優于SVM 的識別能力，通過橫向對比，進一步驗證了本文方法的有效性。

圖7 不同EbN0 下2 種方法的識別率對比Fig.7 Comparison of recognition rates between two methods under different EbN0

5 結束語

本文提出一種基于CNN 的LOS/NLOS 信道環境識別方法。對信道脈沖響應圖像做短時傅里葉變換處理后，作為CNN 的輸入進行模型訓練，把信道識別問題轉化為圖像識別問題。針對4 種室內UWB信道環境，在OFDM 方案的UWB 系統下進行仿真，結果表明，隨著EbN0 的增加，該方法的識別率逐漸提高，在EbN0 為20 dB 左右趨于穩定，識別率達到90.572 9%。與傳統識別方法的比較結果也驗證了該方法的有效性和優越性。后續將進一步驗證本文方法對于其他類型無線通信鏈路的實用性，同時不僅局限于加入高斯白噪聲，而將考慮加入干擾等非理想因素，設計用于OFDM 超寬帶信道識別的神經網絡。